CT胸片中肺部病灶区的自适应检测与定位

程 静，李 资，徐立军

(1.新疆大学电气工程学院，乌鲁木齐830047;2.新疆工业高等专科学校，乌鲁木齐830091)

1 引言

近年来，根据世界卫生组织定期公布的资料显示，肺癌的发病率和死亡率在世界各国均呈明显上升的趋势，在许多发达国家肺癌是最常见的恶性肿瘤之一，成为恶性肿瘤中最常见的死亡原因。另一方面，由于CT的普及和检查价格的降低，越来越多的患者选用CT进行脑部、胸部或乳腺等部位病情的诊断。

采用基于边缘检测的方法［1-5］，结合CT胸片中病灶区本身的特点，在对原图像提取肺实质后与健康肺实质图像进行比对，然后进行边缘检测和形态学膨胀，再对其在水平和垂直方向的边缘密度投影［6-7］选用一种自适应算法，能有效检测定位得到病灶区。另外，在图像处理的过程中，通过各种图像处理操作，能使病灶区更加清晰的呈现，为医生的精确诊断提供更准确的图像依据。

2 CT胸片中肺部病灶区的特点

CT图像是以不同的灰度来表示，反映器官和组织对X线的吸收程度，黑影表示低吸收区，即低密度区，如肺实质;白影表示高吸收区，即高密度区，如肋骨、脊椎骨［8-9］。健康的肺实质从二值化后的图像上看应呈现全黑影，若有病变，则肺实质中必然会出现黑白相间的阴影或肺实质形状残缺不全。因此，从这个角度去分析图像，有阴影的区域必然存在病变。进一步，从病灶区的特征来判定，根据病灶区的二值图像出现空洞、呈现网状、索条状、粟粒状等病灶情形，可进一步识别病理为肺癌、脓肿、肺炎、结节病等［10］。

对提取了肺实质的图像进行检测定位的一个难点是:在CT图像中血管也会呈现白影，因此血管密集区的水平投影和垂直投影都会对病灶区的检测定位造成干扰，并可能产生误判，如图1和图2所示。

3 病灶区的自动检测定位

3.1 图像预处理

由于彩色图像处理的复杂性，先将图像进行灰度化处理，然后进行旋转、裁切，提取其中的肺实质部分。对肺实质图像，再进行以下操作:

1)对比度增强和灰度变换处理

为了使图像具有高的对比度，像素点分布在很宽的灰度级范围上，同时像素也均匀分布，还需要进行图像的对比度增强和灰度变换处理［11］。增强对比度可直接使用自适应对比度增强，也可通过观察显示图像的直方图，选取直方图中波谷的位置作为灰度变换的门限值。主要程序语句如下:

I_adp=adapthisteq(I);%增强对比度figure，imhist(I)，title(＇直方图＇);%灰度变换灰度变换可将图像的灰度值重新进行映射，大大提高图像的亮度，也使得图像灰暗部分的动态变化范围大大增加，从而使细节内容更容易观察［11］。

2)二值化处理

通过二值化处理，使用具有一定形态的结构元素来度量和提取图像中的对应形状，从而对图像进行分析和识别。对灰度变换后的图像，可根据直方图选取某一阈值将图像二值化［12］(如图2)。二值化处理可用im2bw()函数实现:

BW=im2bw(I，’threshvalue’);

3.2 病灶区的自动检测

为了找出病灶区，首先创建一个健康的肺实质模型，将患者的肺实质与健康的肺实质模型进行比较，即可找到病灶区(如图3)。对病灶区的自动定位，主要依据病灶区的特征，将阴影区域进行合并和滤波操作，得到候选的病灶区，再将其进行水平投影和垂直投影，确定病灶区的精确位置，并将其定位。

自动检测定位具体算法流程如下:

1)将患者的肺实质与健康的肺实质模型进行比较对比，得到病灶区图像，膨胀后得到膨胀图像(如图4)。主要采用下述语句实现图像膨胀:

I_dilate=imopen(I，se2);

figure，imshow(～I_dilate)，title(＇膨胀操作效果＇);

2)块处理。将一定距离范围内的边缘像素点进行合并，构成一个称为“Box”的结构，其中同时记录了结构中所有边缘点的数量以及恰好包含这些边缘点的矩形区域的左上角和右下角坐标。块处理的操作可用如下程序语句实现:

3)对以上操作获得的“Box”进行过滤，由病灶区的特征得到病灶区域。如:去除包含较少边缘点的“Box”;去除面积过小的“Box”。经过过滤后的“Box”所在的矩形区域，即认为就是病灶所在的区域。

4)进行水平和垂直投影，如图5所示。取其中峰值最大的那组值周围的某一区域即为病灶区，将其定位标注出来。而对于其他峰值周围的区域可看作是干扰，将其忽略删除即可。主要采用下述程序语句求得水平投影和垂直投影:

%水平影和垂直投影

%病灶区的检测定位(见图6)

3.3 病理的识别

对于自动定位出病灶区的图像，可根据病灶区的特征来进一步诊断。根据病灶区的二值图像出现空洞、呈现网状、索条状、粟粒状等病灶，可进一步识别病理为肺癌、脓肿、肺炎、结节病等等［6］。

4 实验结果及总结

用上述方法进行了大量患者CT数字胸片的实际测试，对病灶区定位的准确度可达95%以上。因此用该方法进行病灶区的自动定位是行之有效的，并且使得检测定位更加快捷、准确。进一步，可以充分利用检测定位结果，对病理进行自动识别。对于空洞、肺部不张等病情可用形态学膨胀和连通域操作等图像处理方法进行识别;而对于网状、索条状、粟粒状等肺部病变，可采用模式识别的方法来具体诊断，这些方面的研究有待进一步充实和完善。

［1］ 姚刚，刘勇，夏道平，等.一种自适应梯度幅值的边缘检测算法［J］.计算机与数字工程，2010，38(11):17-21.

［2］ 黄永慧，潘保昌，梁坚，等.一种自适应唇区检测及定位方法［J］.计算机工程与应用，2010，46(21):17-20.

［3］ 温红艳，董晓倩.基于肤色与边缘特征的人脸定位检测算法［J］.桂林电子科技大学学报，2010，30(3):212-215.

［4］ 蒲东兵，塔娜，马志强，等.一种实用监控系统的人脸检测定位算法［J］.东北师大学报(自然科学版)，2009，41(1):40-43.

［5］ 姚军，蒋晓瑜，黄应清，等.一种基于自适应闽值与边缘跟踪的目标提取方法［J］.装甲兵工程学院学报，2004，18(4):55-57.

［6］ O R Vincent，O Folorunso.A Descriptive Algorit-hm for Sobel Image Edge Detection［C］.//Proceedings of Informing Science＆ IT Education Conference(In-SITE)，2009.

［7］ Sato T，Kanade T，Hughes EK，et al.Video OCR for digital news archives［A］.Proceedings of IEEE International Workshop on Content-based Access of Image and Video Database(CAVID’98)，1998，52-60.

［8］ 孔晓荣，史延新，孔祥斌.医学图像分割处理技术的应用［J］.兰州大学学报(自然科学版)，2009，45(F06):160-164.

［9］ 彭志刚，李石玲.多层螺旋cT在中央型肺癌诊断中的应用［J］.河北医科大学学报，2008，29(6):950-952.

［10］ 张国桢.实用胸部CT诊断学［M］，上海:科学技术文献出版社，1994.

［11］ 冈萨雷斯.数字图像处理(第二版)［M］.北京:电子工业出版社，2003.

［12］ 徐飞.MATLAB应用图像处理［M］，西安:西安电子科技大学出版社，2002.