湖北中醫(yī)藥高等??茖W校附屬醫(yī)院(荊州市第二人民醫(yī)院)CT室(湖北 荊州 434000)
吳 俊
CT圖像智能識別的肺結(jié)核小點
湖北中醫(yī)藥高等??茖W校附屬醫(yī)院(荊州市第二人民醫(yī)院)CT室(湖北 荊州 434000)
吳 俊
目的探討CT圖像智能識別的肺結(jié)核(TB)小點的可行性。方法收集100張CT圖像,通過圖像預處理、圖像分割、圖像分類技術(shù)以識別TB小點。結(jié)果100張CT圖像中,54張有肺結(jié)核腔,46張沒有肺結(jié)核腔。數(shù)據(jù)顯示混合分類法最佳,F(xiàn)PR為0.144/圖,且速率可達當使用逆梯度的變異系數(shù)(GICOV)單獨或循環(huán)方法時的兩倍。基于不同的分類兩個CT測試圖像的比較發(fā)現(xiàn),混合方法性能更優(yōu)。結(jié)論利用CT圖像分割技術(shù)進行TB小點的診斷,可獲得可靠、準確的診斷結(jié)果。
CT圖像;智能識別;肺結(jié)核小點
肺結(jié)核(tuberculosis,TB)是臨床常見的呼吸系統(tǒng)疾病,多因結(jié)核桿菌感染所致,傳染性強且致死率較高,已成為全世界致亡率第三高的疾病,嚴重威脅著患者的身體健康和生命安全[1]。目前,對于肺結(jié)核的研究顯示,其致病機制主要與患者機體免疫力下降、變態(tài)反應(yīng)性、結(jié)核桿菌感染種類和數(shù)量以及飲食習慣、生活方式的改變有關(guān)[2]。然而臨床尚缺乏有效的治療方案,因此肺結(jié)核的早期診斷對于明確病情發(fā)展狀況、制定治療方案具有重要意義。一般地,對于肺結(jié)核的早期診斷多采用X線成像進行,但對于肺結(jié)核小點而言,往往難以識別。出錯率高[3,4]。本研究為了克服此問題,通過使用CT圖像分割技術(shù)以識別肺結(jié)核小點,取得良好效果,現(xiàn)報道如下。
1.1 研究對象收集2010年2月到2014年5月我院呼吸科的100張CT圖像作為實驗材料,圖像格式為16位DICOM標準格式,層厚0.5mm,像素512×512,像素大小0.74mm×0.74mm。
1.2 研究方法
1.2.1 圖像預處理:為了提高光學檢測的可靠程度,進行分割前應(yīng)對CT圖像進行預處理,包括改善圖像意外扭曲和(或)增強圖像特征。具體處理過程如下:圖像縮放即指將正常的512×512像素的CT圖像經(jīng)最小化圖像處理為300×200,以增加其大?。粓D像屏蔽即去除肺部以外區(qū)域,以消除背景,通過對不同區(qū)域賦值而實現(xiàn),其中,未使用區(qū)域或被覆蓋區(qū)域賦值為0s,其他可視區(qū)域賦值為1s;采用高斯濾波進行線性平滑,以降低噪聲影響,提高對比度;采用直方圖均衡化突出目標區(qū)域進行圖像增強,即通過調(diào)整圖像對比度,獲得更好的強度分布直方圖,重新分配圖像像素值,使圖像各像素點均勻分布,確保一定灰度范圍內(nèi)的像素數(shù)量相一致,同時,其允許局部對比度降低,從而獲得一個更高的對比度,從而更清晰顯示圖像。
1.2.2 圖像分割:通俗地講,圖像分割即指將圖像中有意義的特征區(qū)域提取出來的過程。對于醫(yī)學圖像分割,通過將圖像劃分成多個像素集(超像素),從而明確具有特殊含義的不同區(qū)域的邊界,以定位不同區(qū)域,而這些含義相似的區(qū)域多具有類似的特征。預處理后圖像通過初始輪廓和活動輪廓分割,其中,初始輪廓的方法轉(zhuǎn)變分割模型,而活動輪廓結(jié)合梯度向量流技術(shù)使用,有效抗拉伸和彎曲,跟蹤對象在時間和空間維度,從而實現(xiàn)圖像分割。具體操作如下:對于肺結(jié)核小點的描繪,采用方向梯度矢量流模型(gradient vector flow model,GVF)進行,以便獲得良好的對比度變化和弱邊緣,從而能區(qū)分多個肺結(jié)核小點的存在;手動選取一個初始輪廓,明確特征空間參數(shù),自動化初始輪廓位置并使用均值漂移分和應(yīng)用自適應(yīng)閾值來控制聚類過程,使特征類似的數(shù)據(jù)點集合轉(zhuǎn)變?yōu)樘卣骺臻g;對于自適應(yīng)閾值的設(shè)定根據(jù)圖像屬性進行,從而有效反映小點附近特點,以便明確是否出現(xiàn)肺結(jié)核小點,包括對鎖骨附近部位的肺結(jié)核小點也可清晰呈現(xiàn)。此外,GVF模型對雙向外力標識對象邊界和處理凹區(qū)域進行定義,需要二進制映射邊緣。
1.2.3 圖像分類:對于經(jīng)圖像分割處理而呈現(xiàn)出來的肺結(jié)核小點,采用貝葉斯分類器進行分類。觀察肺結(jié)核小點及其附近部位的特征,如邊界結(jié)核腔是否透亮、是否出現(xiàn)圓形的結(jié)核病腔,并采用逆梯度的變異系數(shù)(gradient inverse coefficient of variation,GICOV)算法計算內(nèi)部邊界特性和弧度形狀特性[3]。
2.1 一般情況所收集的100張CT圖像中,有肺結(jié)核腔54張,無肺結(jié)核腔46張。分割示例圖如圖1-3。
圖1-3 CT圖像分割示例圖。初始輪廓、活動輪廓和肺結(jié)核小點分別表示為綠色,黃色和紅色。所有的初始輪廓(綠色圓圈)均為自動生成。圖4-9 不同CT圖像比較。分類方法:圖4、5為GICOV,圖6、7為循環(huán),圖8、9為混合。
表1 CT圖像比較
2.2 圖像比較全部背景包含正常圖像、肺結(jié)核腔背景和無腔背景。對于每一張CT圖像而言,均處理其初始輪廓,后基于GICOV,循環(huán)和混合方法進行分類。由表1可見,混合分類法的顯示效果最佳,F(xiàn)PR為0.144/圖;此外,就速率而言,混合方法可達使用GICOV單獨或循環(huán)時的兩倍。選取2張CT圖像在不同分類方法下比較發(fā)現(xiàn),左側(cè)圖像顯示,GICOV單獨生產(chǎn)2FPs,而單獨和混合方法只產(chǎn)生1FP;右邊圖像顯示,GICOV產(chǎn)生3FPs,循環(huán)方法產(chǎn)生2FPs,混合方法只產(chǎn)生1FP。如圖4-9。
對于肺結(jié)核的診斷,通常結(jié)合患者皮膚、血液和影像數(shù)據(jù)進行,其中,影像學數(shù)據(jù)多采用X線胸片檢測為主。但是對于處于潛伏期的TB患者而言,其無顯著的癥狀,導致皮膚和血液檢測等常規(guī)診斷無效,而僅能根據(jù)影像學資料和臨床數(shù)據(jù)進行分析,從而判斷是否感染TB[5]。一般地,肺結(jié)核腔或小點的存在可作為TB感染程度的指標。然而,僅通過肉眼對X射線/CT圖像進行觀察進行肺結(jié)核小點檢測,難以獲得理想結(jié)果,導致臨床誤診漏診率高,進而耽誤患者病情[6]。而無法對早期肺結(jié)核明確診斷也使得醫(yī)師在臨床用藥中難以控制抗結(jié)核藥物的用量,過高劑量的使用易誘發(fā)多種不良反應(yīng),對患者的生存質(zhì)量帶來不利影響,而劑量過小往往難以起到治療作用,不利于患者康復。因此,如何準確診斷肺結(jié)核,指導臨床合理用藥,對于TB患者的治療具有促進作用。
傳統(tǒng)的X線胸片,僅能生成一個二維陰影圖,對于細節(jié)顯示較差,且X射線往往難以穿透各類軟組織,使得X線圖像丟失部分信息,同時,X線較小的影子易被更大的陰影所掩蓋,如鎖骨附近肺組織,X線往往難以顯示。而CT掃描技術(shù)的誕生,使得醫(yī)師可通過對軸向CT掃描圖像進行編譯,從而獲得肺部組織的三維圖像,再現(xiàn)體內(nèi)組織和器官,以提高肺結(jié)核診斷的準確性[7]。多項研究對X線圖像和CT圖像的對比發(fā)現(xiàn),CT圖像可獲得更為全面、清晰的圖像信息,包括對于肺結(jié)核小點的診斷。此外,隨著計算機技術(shù)的成熟和發(fā)展,計算機輔助檢測(凱德)和計算機輔助醫(yī)學診斷(CADx)逐漸在臨床開展,其用于CT圖像的分析,有效減少因放射科醫(yī)生因知識和經(jīng)驗缺少而導致的錯誤解讀。本研究中在CAD系統(tǒng)輔助下,通過自動分割和分類CT圖像,可為醫(yī)師提供TB小點信息,從而準確檢測肺結(jié)核小點。
圖像分割是一種像素分類技術(shù),將圖像分為特征相似性的不同區(qū)域,以便分析和分類。目前,對于圖像分割方法,包括基于邊緣技術(shù),基于區(qū)域技術(shù)和基于像素直接分類方法。而在行圖像分割前預處理技術(shù)的應(yīng)用對于提高方法的可靠性具有重要作用[8]?;顒虞喞?AC)模型(或Snake)是醫(yī)學圖像分割的常用技術(shù),通過自動生成曲線標識對象邊界,從而跟蹤對象在時間和空間維度,其可結(jié)合GVF,從而構(gòu)建出具體的物理模型。但AC模型捕獲范圍有限,對于出現(xiàn)多個結(jié)核感染的情況,就需要分割多個區(qū)域,同時通過預處理技術(shù)消除CT圖像正?;虿幌嚓P(guān)的結(jié)構(gòu)。對于初始輪廓,采用均值漂移分割算法并應(yīng)用自適應(yīng)閾值來控制聚類過程以處理復雜的紋理和多樣的強度分布。
綜上所述,利用CT圖像分割技術(shù)進行TB小點的診斷,可獲得可靠、準確的診斷結(jié)果。同時,隨著CT技術(shù)的不斷發(fā)展,其在肺結(jié)核小點識別中將發(fā)揮更大的作用。
1. 李易霞,張國慶,張冠男等.CT檢查在活動性肺結(jié)核治療中的應(yīng)用價值[J].中國醫(yī)藥導報,2012,09(10):113-115.
2. 王紅,賈文霄,馬景旭等.多層螺旋CT在肺結(jié)核診斷和鑒別診斷中的應(yīng)用價值[J].中國CT和MRI雜志,2010,08(5):1-4.
3. 袁銘.X線與CT檢查在空洞型肺結(jié)核診斷中的對比分析[J].中外醫(yī)學研究,2013,(4):61.
4. 朱明,雷振.活動性肺結(jié)核高分辨CT征象評分與痰涂AFB分級的相關(guān)性研究[J].實用放射學雜志,2014,(7):1115-1117.
5. 劉佳慶,張立,孫海柏等.γ干擾素釋放試驗在肺結(jié)核早期診斷中的應(yīng)用[J].山東醫(yī)藥,2013,53(3):82-84.
6. 柏明軍,郭月飛,謝迭來等.誤診為肺癌的肺結(jié)核CT、病理表現(xiàn)及誤診分析[J].中國CT和MRI雜志,2012,10(2):52-54.
7. 王娜娜,陳樹越.基于CT圖像的肺實質(zhì)分割技術(shù)研究[J].電子測試,2012,(4):38-43.
8. 肖雪,龔恒,陳鐘等.多閾值和標記分水嶺相融合的肺部CT圖像分割方法[J].激光雜志,2014,(9):74-78.
(本文編輯: 劉龍平)
CT Image Intelligent Recognition of Tuberculosis Small Point
WU Jun. The CT room of Hubei Jingzhou Second People's Hospital, Jingzhou, Hubei province, 434000
ObjectiveTo investigate the feasibility of CT image intelligent recognition of tuberculosis (TB) dot.Methods100 CT images were selected to identify TB point through image processing, image segmentation and image classification technology.ResultsAmong the 100 images, there were 54 pieces tuberculosis cavity and 46 no pulmonary tuberculosis cavity. Data showed that mix was the best way, FPR was 0.144 /figure, and its speed could reach to two times of that using inverse gradient variation coefficient (GICOV) alone or circulation method. Based on the classification of different two CT test image comparison, the mix method had a good performance.ConclusionCT technology to identify TB dot, in order to obtain precise and accurate diagnosis
CT Images; Intelligent Identification; Tuberculosis Dots
R521
A
10.3969/j.issn.1672-5131.2015.05.015
2015-04-07
吳 俊