首页   关于我们   服务项目   新闻动态   诚聘英才   资料文案   客户须知   联系我们
科研立项
普通科研立项/部省市级/项目申报书/标书/计划书/评职称科研等
结题报告
结题报告/研究报告/阶段报告/成果报告/调研报告/开题报告等
科学基金
自然/社会科学基金/产学研/青年/教育/软科学/863/学科点等
论文成果
期刊论文/毕业论文/应用文/代写/发表/翻译/成果编撰/出版等
 
基于KVCT 图像的前列腺内病变组织显著性识别可行性研究
添加时间: 2019-7-24 15:51:43 文章来源: 文章作者: 点击数:740

作者姓名 金 军 指导教师 姓名、职称 缑水平 教授 申请学位类别 工学硕士 万方数据 万方数据 万方数据 Feasibility Study of Dominant Intraprostatic Lesions Identification based on KVCT Image A thesis submitted to XIDIAN UNIVERSITY in partial fulfillment of the requirements for the degree of Master in Circuits and Systems By Jin Jun Supervisor: Gou Shuiping Professor December 2015 万方数据 万方数据 西安电子科技大学 学位论文独创性(或创新性)声明 秉承学校严谨的学风和优良的科学道德,本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知,除了文中特别加以标注和致谢中所罗列的内容以外,论文中不包含其他人已经发表或撰写过的研究成果;也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同事对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 学位论文若有不实之处,本人承担一切法律责任。 本人签名: 日 期: 西安电子科技大学 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定,即:研究生在校攻读学位期间论文工作的知识产权属于西安电子科技大学。学校有权保留送交论文的复印件,允许查阅、借阅论文;学校可以公布论文的全部或部分内容,允许采用影印、缩印或其它复制手段保存论文。同时本人保证,结合学位论文研究成果完成的论文、发明专利等成果,署名单位为西安电子科技大学。 保密的学位论文在 年解密后适用本授权书。 本人签名: 导师签名: 日 期: 日 期: 万方数据 万方数据 摘要 I 摘要 前列腺是男性最大的附属性腺,属于人体外分泌腺。而前列腺癌是出自前列腺的恶性肿瘤,细胞的基因突变导致增殖失控,成为癌症。恶性细胞除了体积扩大或侵犯邻近器官,也可能转移到身体其他部位,尤其是骨头和淋巴结。前列腺癌可能造成疼痛、排尿困难、勃起功能不全等症状。在西方国家,前列腺癌是男性第二常见的癌症,因而丧生的人数仅次于肺癌。 现阶段对前列腺的研究,主要是针对前列腺腺体的分割重建以及在核磁共振 (Magnetic Resonance Imaging,MRI) 图像、超声图像中进行前列腺癌的分割。由于在计算机断层扫描(Kilo-Voltage Computed Tomography,CT)图像中,前列腺发生病变的组织与正常组织的对比度很低,分类识别难度很大。因此,对前列腺 CT 图像上病变区域检测识别的研究几乎空白。千伏计算机断层扫描(Kilo-Voltage Computed Tomography,KVCT)图像相较普通 CT 图像,成像清晰,图像分辨率高,本文针对KVCT 图像中的前列腺病变区域检测识别主要完成以下工作: 1. 针对前列腺 KVCT 图像上病变组织与正常组织对比度低的问题,提出了一种基于纹理特征的前列腺病变区域识别方法。该方法首先提取前列腺区域的灰度梯度纹理特征;然后训练支撑矢量机(Support Vector Machine,SVM)分类器,分类得到病变区域识别结果;最后,使用马尔科夫随机场模型对识别结果进行后处理,得到了较为准确的病变区域。 2. 提出一种 3D 前列腺病变区域识别方法。该方法首先对前列腺序列图像进行层间插值;然后提取三维灰度梯度特征,选取一定比例作为训练样本,同时得到训练样本的三维位置信息,训练 SVM 分类器,将剩余样本分类,得到 SVM 分类结果图;利用训练样本位置信息,根据梯度信息和邻域约束,搜索训练样本附近相似点,得到病变区域图像作为分类结果的补充;使用交互式 level set 的方法确定前列腺病变区域大致范围,融合 SVM 分类结果和基于梯度信息和邻域约束得到的病变区域,最后进行三维数学形态学去噪,得到最终的三维病变区域。实验表明,该方法对前列腺病变区域识别有较好的效果。 关 关 键 词:前列腺, KVCT 图像, 灰度梯度纹理特征, 前列腺病变区域识别 万方数据 西安电子科技大学硕士学位论文 II 万方数据 ABSTRACT III ABSTRACT The prostate is the largest subsidiary of male gonads, belongs to human exocrine. Gene mutation leads to uncontrolled proliferation of prostate cells, and prostate cancer has become. Malignant cells can lead to prostate volume expanded or invade adjacent organs. And it may also be transferred to other parts of the body, especially the bones and lymph nodes. Prostate cancer may cause pain, difficulty urinating, erectile dysfunction and other symptoms. In Western countries, prostate cancer is the second most common cancer in men. The number of deaths due to prostate cancer is second only to lung cancer. Now research on prostate, mainly for reconstruction segmentation of the prostate gland and prostate cancer segmentation in MRI image or ultrasound images. In the CT image, because of the contrast prostate lesions and normal tissue is very low, lesion identification is difficult. Therefore, prostate lesions on CT image identification is almost empty. Compared to common CT images, KVCT images are clear, and the image resolution is high. So, for prostate lesions on KVCT image identification, we have mainly completed the following works: 1. Aiming at the problem of low contrast between the lesion and normal tissue in the prostate KVCT image, a method of region recognition based on texture features is proposed. In this method, the two-dimensional gray-gradient feature of the prostate region is extracted firstly. Then the SVM classifier is trained to classify the lesion area. Finally, using a Markov random field model for identification results, obtained the lesion more accurately. 2. 3D prostate lesion identification algorithm. In this method, prostate interlayer interpolated firstly. Then three dimensional gray-gradient features are extracted, choosing a certain percentage as training samples. At the same time the three dimensional position information of training sample obtained. Then training SVM, the lesion area based on the SVM was obtained. Then according to the gradient feature and shape constraint, similarity search near the training sample to obtain a lesion area. Then this method uses interactive set level method to determine the extent of the lesion area of the prostate as a constraint, and obtained the fusion result of SVM identification results and the lesion area based on gradient information and shape constraints. Finally, using mathematical morphology methods to remove noise, to get the final three-dimensional prostate lesion area. Experiments show that the method of identifying 3D prostate lesion area has a good effect. 万方数据 西安电子科技大学硕士学位论文 IV Keywords: Prostate, KVCT Images, Gray-gradient texture feature, Prostate lesion area identification 万方数据 插图索引 V 插图索引 图 1.1 图像识别基本流程 .......................................................................................... 2 图 1.2 前列腺癌医学影像 .......................................................................................... 3 图 2.1 基于纹理特征的 2D 前列腺病变区域识别框图 ......................................... 10 图 2.2 人工提取感兴趣区域 .................................................................................... 11 图 2.3 LBP 计算过程 ................................................................................................ 12 图 2.4 前列腺区域和参考图 ..................................................................................... 14 图 2.5 纹理特征分布图 ............................................................................................ 15 图 2.6 前列腺病变组织和正常组织的 SVM 分类面 ............................................. 16 图 2.7 P1 的病变区域识别结果 ............................................................................... 19 图 2.8 P2 的病变区域识别结果 ............................................................................... 20 图 2.9 P3 的病变区域识别结果 ............................................................................... 21 图 2.10 P4 的病变区域识别结果 ............................................................................... 21 图 3.1 3D 前列腺病变区域识别方法框图 .............................................................. 26 图 3.2 (a)~(b)分别为未进行插值的前列腺前后两层连续图像 ............................. 27 图 3.3 (a)~(d)分别为进行插值后的前列腺前后四层连续图像 ............................. 28 图 3.4 含有种子点的前列腺序列图像 .................................................................... 29 图 3.5 样本选择算法框图 ........................................................................................ 31 图 3.6 融合与形态学操作结果 ................................................................................ 34 图 3.7 P5 的三维前列腺病变区域识别结果 ........................................................... 36 图 3.8 P6 的三维前列腺病变区域识别结果 ........................................................... 36 图 3.9 P7 的三维前列腺病变区域识别结果 ........................................................... 37 图 3.10 P8 的三维前列腺病变区域识别结果 ........................................................... 38 图 3.11 P9 的三维前列腺病变区域识别结果 ........................................................... 38 图 3.12 P10 的三维前列腺病变区域识别结果 ......................................................... 39 万方数据 西安电子科技大学硕士学位论文 VI 万方数据 表格索引 VII 表格索引 表 2.1 TP、TN、FP、FN ....................................................................................... 18 表 2.2 四组病人的前列腺病变区域相关指标 ....................................................... 22 表 2.3 四组病人的漏检率和假阳性率指标 ........................................................... 22 表 3.1 3D 前列腺病变区域识别结果的 DI,MSD,MASD 评价指标 .............. 40 表 3.2 3D 前列腺病变区域识别结果的漏检率和假阳性率评价指标 ................ 40 万方数据 西安电子科技大学硕士学位论文 VIII 万方数据 符号对照表 IX 符号对照表 符号 符号名称 ∩ 交集 万方数据 西安电子科技大学硕士学位论文 X 万方数据 缩略语对照表 XI 缩略语对照表 缩略语 英文全称 中文对照 CT Computed Tomography 电子计算机断层扫描 MRI Magnetic Resonance Imaging 核磁共振成像 PET Positron Emission Tomography 正电子发射计算机断层扫描 BM3D Block Matching 3D 基于块匹配的三维滤波 SVM Support Vector Machine 支持向量机 MRF Markov Random Field 马尔科夫随机场 LBP Local Binary Pattern 局部二值模式 KVCT Kilo-Voltage CT 千伏电子计算机断层扫描 万方数据 西安电子科技大学硕士学位论文 XII 万方数据 目录 XIII 目录 摘要 ........................................................................................................................................ I ABSTRACT ........................................................................................................................ III 插图索引 .............................................................................................................................. V 表格索引 ............................................................................................................................ VII 符号对照表 ......................................................................................................................... IX 缩略语对照表 ..................................................................................................................... XI 第一章 绪论 ...................................................................................................................... 1 1.1 课题研究背景与意义 .......................................................................................... 1 1.2 前列腺概述 .......................................................................................................... 2 1.2.1 前列腺的组织学特点 ............................................................................... 2 1.2.2 前列腺癌的影像表现 ............................................................................... 2 1.3 医学图像识别技术 .............................................................................................. 4 1.4 国内外研究现状 .................................................................................................. 5 1.5 课题研究内容与章节安排 .................................................................................. 5 第二章 基于纹理特征的 2D 前列腺病变区域识别 ....................................................... 9 2.1 引言 ...................................................................................................................... 9 2.2 基于纹理特征的 2D 前列腺病变区域识别方法 ............................................. 10 2.2.1 人工提取感兴趣区域 ............................................................................. 11 2.2.2 纹理特征提取 ......................................................................................... 11 2.2.3 SVM 病变区域分类 ............................................................................... 15 2.2.4 MRF 图像后处理 .................................................................................... 17 2.3 实验结果及分析 ................................................................................................ 18 2.3.1 评价指标 ................................................................................................. 18 2.3.2 实验结果和分析 ..................................................................................... 19 2.4 本章小结 ............................................................................................................ 23 第三章 3D 前列腺病变区域识别 .................................................................................. 25 3.1 引言 .................................................................................................................... 25 3.2 3D 前列腺病变区域识别方法 .......................................................................... 26 3.2.1 三维体数据构建 ..................................................................................... 27 3.2.2 提取特征 ................................................................................................. 29 3.2.3 SVM 病变区域识别 ............................................................................... 29 万方数据 西安电子科技大学硕士学位论文 XIV 3.2.4 交互式 level set 约束 ............................................................................ 31 3.2.5 基于邻域和梯度信息的病变识别 ......................................................... 32 3.2.6 结果融合与数学形态学去噪 ................................................................. 33 3.3 实验结果及分析 ............................................................................................... 34 3.3.1 评价指标 ................................................................................................. 34 3.3.2 实验结果和分析 ..................................................................................... 34 3.4 本章小结 ........................................................................................................... 39 第四章 总结与展望 ....................................................................................................... 43 参考文献 ............................................................................................................................. 45 致谢 ..................................................................................................................................... 51 作者简介 ............................................................................................................................. 53 万方数据 第一章 绪论 1 第一章 绪论 1.1 课题研究背景与意义 随着国家社会和经济的飞速进步,人们的收入和衣食住行水平不断的提升,健康疾病相关问题成为了每个人所关注的焦点,追求健康是每个人的时尚。医学可以治愈疾病,维护身体健康,从而提高人的生活质量,在人们生活中发挥着越来越重要的作用。就在人们把目光投向心血管疾病,胃癌,肝癌的时候,前列腺癌作为中老年男性的常见疾病,随着社会老龄化的加速,发病率不断增高。 前列腺癌的发病率在西方国家一直占据高位,是男性第二常见的癌症,丧生人数仅次于肺癌 [1] 。同时,有研究显示,1998 年至 2008 年中国男性前列腺癌发病率的年均增加比例为 12.07%;2008 年中国男性前列腺癌发病率为 11.00/10 万,世界人口标化发病率(世标率)为 6.73/10 万,0~74 岁中国男性前列腺癌发病累积率为 0.70%,占中国男性恶性肿瘤发病构成的 3.33% [2] 。通过数据可以看出我国的前列腺癌发病率高出世界平均水平,且随着时间的推移,社会老龄化现象的加剧,我国的前列腺癌发病率呈逐年增长的势头,成为影响我国男性生殖泌尿系统健康的重要疾病。因此,对前列腺癌的诊断和治疗具有极其重要的意义。 而随着科学技术的飞速发展,医学影像技术在医学临床诊断中得到广泛的应用,如超声成像技术,计算机断层成像技术(CT,Computed Tomography ),核磁共振成像技术(MRI,Magnetic Resonance Imaging ),正电子发射断层成像技术(PET,Positron Emission Tomography )等等。这些技术能够帮助医生了解前列腺器官信息,根据图像中前列腺切片的纹理变化,判断前列腺癌区域,从而得到前列腺癌的诊断结果,生成后续的治疗方案。在病情诊断的过程中,看片占据医生绝大多的时间,而且高强度,持续的看片过程,也会给医生带来负担,容易出现诊断出错的情况。这些因素增加了医疗事故发生的概率,给社会增加不稳定因素。 基于此,医学图像处理算法应运而生,如:医学去噪算法 [3-4] 提高图像质量;医学图像分割方法 [5] 能提取图像中的器官组织;医学图像三维重建算法 [6-7] 能呈现器官的三维形状;医学图像配准算法 [8-9] 能将不同仪器得到的医学图像通过变换,达到空间结构上的一致。而医学图像处理算法,在处理数据的性能方面只和实现算法相关,与工作强度以及工作时长无关,具有较强的稳定性,能减少医生的工作量,帮助医生提高工作效率。因此,本文提出前列腺 KVCT 图像病变区域识别算法,希望通过分析KVCT 图像上前列腺区域不同组织的纹理,对病变组织区域进行检测识别,能够为医生提供准确的前列腺病变区域,辅助医生诊断病情,从而进行后续更精确的治疗工作。万方数据 西安电子科技大学硕士学位论文 2 由于识别结果的好坏会影响医生对病情的诊断,甚至于后续治疗方案的设计。因此,对图像识别技术的研究有着非常重要的价值和实际意义。 图像识别技术 [10] 是图像处理与分析中的重要领域,同时隶属于模式识别领域,包含图像分割、图像分类、目标区域识别、目标区域描述以及进一步的图像解译等内容。所以图像识别技术是众多学科的交叉产物,是计算机模拟人类对图像分析过程的一个重要技术手段。其主要过程:首先是对图像数据进行获取;其次对数据进行预处理,去除噪点;然后提取图像特征,如图像灰度、图像梯度、图像纹理等;接着根据特征的不同,对分类器进行选择、训练和分类;最后对分类结果进行分析。 图像预处理,特征提取和分类器选择是图像识别中的关键步骤。图像预处理不仅是光滑噪声,而且还能对缺失数据进行补充,提取感兴趣区域等,从而提高输入图像质量,提升结果的精确性。特征的合理选择是进行下一步有效分类的基础,同时特征的维度、空间分布等信息也影响着分类器的选择。因此对图像预处理的研究,图像特征的提取与分类器的选择是本文研究的重点。图像识别技术的基本流程如图1.1所示。 图像数据获取 预处理 特征提取分类器选择、训练、分类分类结果分析 图1.1 图像识别基本流程 [10] 1.2 前列腺概述 1.2.1 前列腺的组织学特点 前列腺 [11] 是男性生殖泌尿系统中最大的附属器官,也是男性特有的性腺器官,由腺组织和肌组织构成,位于男性骨盆腔内,在膀胱之下,原生殖膈之上,前贴耻骨联合,后依直肠,中间有尿道经过。 前列腺是不成对的实质性器宫,呈前后稍扁的栗子形,上底下尖,上端宽大称为前列腺底,下端尖细称为前列腺尖,底与尖之间的部分称为前列腺体。前列腺分为 5个叶:前叶、中叶、后叶和两个侧叶,前列腺癌一般发生在前列腺后叶及两侧叶边缘,病变部位质地坚硬,发生硬结,同时会引起前列腺腺体的增大,对周围组织如肠壁、精囊和膀胱造成侵犯。 1.2.2 前列腺癌的影像表现 在 CT 扫描图像中,正常前列腺组织密度均匀,轮廓清晰,位于膀胱之下,一般需要一组连续二维断层 CT 图像才可以得到整个前列腺器官,且连续二维断层 CT 图万方数据 第一章 绪论 3 像中,在上方的前列腺部分大于在下方的前列腺。前列腺的大小会随着年龄的而变化,正常情况下不超过耻骨联合上 1cm,体积可以通过连续二维断层切片计算得到。而随年龄增长,前列腺可发生钙化,在 CT 图像中表现为散点状或圆形的致密影。 在 CT 扫描图像中,前列腺癌 [12] 表现主要有如下几点: (1)前列腺体积明显增大,外形边缘不规则;(2)前列腺内密度不均匀,可以肉眼见大小不一的低密度病灶,经强化后呈不均匀;(3)常见受累器官:精囊和膀胱。会使精囊体积增大、形状不对称及膀胱精囊角消失。 在核磁共振图像上,前列腺癌 [12] 会呈现为 T2 加权像呈低信号,弥散加权像上呈高信号,动态增强扫描,动脉期明显强化呈高信号,实质期及延迟期呈低信号,MR波谱成像出现异常,枸橼酸盐明显降低,胆碱及肌酸明显升高。 CT 成像的原理是利用 X 线在照射人体组织时,不同组织的吸收率不同,使用精度极高的设备进行测量,然后使用计算机对测量数据进行处理,得到人体被扫描部位的二维断面或三维立体图像。本文采用 KVCT 图像作为输入图像,如图 1.2 所示。KVCT 空间/密度分辨率较高,层间的厚度低,图像的分辨率大,前列腺组织成像清晰,图像质量高,因此可以作为前列腺癌核磁共振的补充检查方法,使其能够更好的检测前列腺癌组织区域。 (a) (b) 图1.2 前列腺癌医学影像。(a) 前列腺 MRI 图像,箭头指向病变区域;(b)前列腺 KVCT 图像,箭头指向病变区域 从图 1.2 中可以看出,相较于 MRI 图像,前列腺 KVCT 图像中病变组织和正常组织区域对比度较小,从像素灰度值的角度无法分辨。而从图像区域的角度看,病变组织区域要比正常组织区域明亮,在图像纹理上有一定区别,但是差别较小。如何选取合适的纹理特征,能更好的表征前列腺病变区域与正常组织区域,是本文研究的关键点。 万方数据 西安电子科技大学硕士学位论文 4 1.3 医学图像 识别 技术 医学图像识别往往包含三个步骤:图像预处理、特征提取和图像识别。由于医学图像中组织繁多,器官复杂,常常有粘连现象,且感兴趣区域在整幅图像中只占一小部分。因而,我们往往对医学图像进行人工干预,提取感兴趣区域,降低问题的复杂度,提高识别的准确率,实现半自动前列腺图像病变区域识别。而且医学设备的限制,成像中的分辨率和质量可能达不到所要求,图像去噪算法 [3-4] 和图像插值算法 [13-15] 随之提出。图像去噪算法可以降低医学图像中由于仪器设备、医生操作失误和病人转动产生的噪声,使组织器官纹理、边缘结构清晰,利于医生进行观察、对比,辅助诊断病情,为后续的治疗方案设计打下基础;而图像插值技术能够提高医学图像的分辨度,在二维图像上能放大图片,创造出比医学影像设备实际能产生像素多的图像;在三维图像上进行层间插值,可以增加层与层之间连续性,降低层间器官组织变化情况,使下一步特征描述更准确。 图像特征 [16-20] 提取是图像识别中关键的一步,图像特征是对图像内容的描述,特征选择的好坏,对待识别区域是否具有可分性,直接影响图像识别的精确率。图像特征主要可以分为颜色特征、纹理特征 [19-20] 、形状特征以及空间关系特征四种。颜色特征是基于图像像素值的特征,主要有颜色直方图、颜色集、颜色矩、颜色聚合向量以及颜色相关图。纹理特征是一种描述事物表面特性的特征,是对有多个像素点的图像区域进行计算得到,主要有局部二值模式 [21] (Local Binary Pattern,LBP)特征、灰度共生矩阵、灰度梯度共生矩阵 [22] 等。形状特征是提取目标形状,有几种典型的描述方法:几何参数法、傅里叶形状描述符法、边界特征法等。空间关系特征指的是图像中分割的多个目标之间的相互空间位置关系。 图像识别主要进行的是模型的建立。根据提取特征的不同,选择合适的模型进行识别。模型主要分为无监督和有监督两种,无监督模型主要有 k-means [23] 、谱聚类 [24]等,有监督模型主要有 SVM [25-27] 、DeepLearning [28] 等。无监督模型算法不需要训练样本,只需要通过计算样本之间的相似性,将相似的样本归为一类,得到聚类结果。而有监督模型算法需要训练样本,按照某种标准对待分类对象贴标签,然后根据标签来区分分类。k-means 算法是将样本距离作为相似性度量准则,通常采用欧氏距离,对高维非线性数据不能有很好的区分效果,往往需要对其进行降维操作;而 SVM 对于数据的维度不敏感,且在小样本分类中,具有较好的分类效果。图像预处理技术的研究,选择合适的特征以及图像识别模型的建立,也是本文所需要考虑的问题。 万方数据 第一章 绪论


5 1.4 国内外研究现状


目前,由于前列腺癌发病率的持续增长,患病人数的不断增多,如何利用前列腺的医学影像进行病变区域检测,提高医生工作效率,辅助诊断和治疗方案的设计,成为了国内外专家学者的研究热点。 前列腺病变区域分割的研究,早期主要是在超声图像中。如:Mohamed, M.M.在2003 年提出一种基于超声图像的 Gabor 滤波器纹理分割前列腺癌的诊断 [29] 。Li J M在 2004 年提出一种经直肠超声图像前列腺癌检测的一种自动的恶性肿瘤定位算法 [30] 。以及 Ladak H M 等在 2007 年提出二维和三维超声图像的前列腺边界分割 [31] 。 而随着 MRI 技术的发展,和相关医疗设备的普及,由于其在软组织成像上具有结构显示清晰,不同组织对比度大等优点,成为了前列腺病变区域分割研究的重点。如:Artan, Y 在 2009 年提出一种基于代价敏感条件随机场的前列腺 MRI 图像病变区域分割 [32] 。S Ozer 等在 2010 年提出针对多光谱磁共振成像检查前列腺癌的有监督和无监督的方法 [33] 。C arbo, L.C. 在 2011 年提出一种结合位置信息的有监督前列腺 MRI病变区域分割 [34] 。 但是在 MRI 图像中,由于成像设备的局限性,经常会出现前列腺癌组织漏检的现象,显示不全;且对病人进行放射治疗的仪器中,主要使用 CT 扫描进行检查,因此,对 MRI 图像进行病变区域检测的结果往往需要配准到 CT 图像中,增加了操作的复杂性,和配准后结果不稳定性。同时早期前列腺的检查一般采用 CT 扫描技术,对 CT 图像上进行前列腺病变区域检测,可以提早发现前列腺癌组织区域,对前列腺癌进行治疗,提高治愈率。 但是,由于前列腺病变组织包裹在正常组织内,和正常组织在 CT 图像上的相似度很高,识别检测难度很大,这对医学图像检测识别技术提出了更高的要求,目前找不到一种行而有效的图像分割方法对病变区域进行有效检测识别。 因而,本文主要针对前列腺 KVCT 图像中病变区域检测识别的研究,首先对病变组织和正常组织的纹理差异进行分析,发现前列腺病变组织区域和正常组织区域具有纹理差异,然后结合器官的整体性和在序列图像中的连续性等先验信息,在二维和三维图像数据中,进行病变区域检测识别,增加算法的有效性,提高识别结果的准确率。


1.5 课题研究内容与章节安排


本论文主要研究了前列腺病变区域识别问题。针对现有成像技术的不足,三维医学图像数据分辨率达不到所需要求的问题,本文采用线性插值的方法对连续两幅序列万方数据 西安电子科技大学硕士学位论文 6 图像之间进行层间插值,得到连续性更强的一组序列图像,恢复出更多纹理细节,增强三维前列腺 KVCT 图像质量,从而提高后续图像分割识别的精确度;针对前列腺病变区域与正常组织区域在 KVCT 图像中低对比度、难以分辨的问题,提出了基于纹理特征和 SVM 的前列腺病变区域识别方法和三维前列腺病变区域识别方法,分析并利用病变组织和正常组织在图像上的纹理差异,以及将医学器官的整体性和在序列图中的连续性作为先验知识进行分类识别,得到较精确的前列腺病变区域,为后续前列腺病变区域测量、放射治疗中靶区域设定和前期治疗效果的判别、治疗方案的设计提供了有用的参考。本文的主要工作可以概括为下面几项内容: 第一部分,提出了一种基于纹理特征的 2D 前列腺病变区域识别方法。该方法首先对前列腺图像中正常组织和病变组织的纹理特征进行分析,提取灰度梯度纹理特征作为分类特征;取一定比例作为训练样本,训练 SVM 分类器,然后对剩余样本进行分类,得到前列腺病变区域。最后,使用马尔科夫随机场模型对识别结果进行后处理,得到了较精确的病变区域。 第二部分,提出了一种 3D 前列腺病变区域识别方法。该方法首先对前列腺序列图像进行层间插值;然后提取三维灰度梯度特征,选取一定比例作为训练样本,同时得到训练样本的三维位置信息,训练 SVM 分类器,将剩余样本分类,得到 SVM 分类结果图;利用训练样本位置信息,根据梯度信息和邻域约束,搜索训练样本附近相似点,得到病变区域图像作为分类结果的补充;使用交互式 level set 的方法确定前列腺病变区域大致范围,融合 SVM 分类结果和基于梯度信息和邻域约束得到的病变区域,最后进行三维数学形态学去噪,得到最终的三维病变区域。实验表明,该方法对前列腺病变区域识别有较好的效果。 全文共五章节,下面对各章节内容作简要介绍: 第一章,绪论。从前列腺癌的危害出发,介绍课题的研究背景及意义、前列腺以及医学图像识别技术,阐述了课题的国内外研究现状,最后介绍了工作内容和章节安排。 第二章,基于纹理特征的 2D 前列腺病变区域识别方法。本方法利用前列腺 CT图像上病变区域与正常区域纹理的不同,选择灰度梯度纹理特征作为分类特征,使用SVM 分类器对前列腺病变区域进行识别,最后采用 MRF 对识别结果进行后处理操作。 第三章,3D 前列腺病变区域识别方法。本方法在 2D 前列腺病变区域识别的基础上,利用 3D 图像的连续性和医学器官整体性作为先验知识,使用交互式 level set分割方法确定大致病变区域作为病变区域的约束条件,融合 SVM 分类结果和基于邻域约束和梯度信息的识别结果,最后使用数学形态学去噪方法,得到前列腺病变区域3D 结果。 万方数据 第一章 绪论 7 第四章,总结与展望。总结分析本文中所有工作的优点与存在的不足,同时展望后续的科研工作,提出改进的假设思想。 万方数据 第二章 基于纹理特征的 2D 前列腺病变区域识别 9 第二章 基于纹理特征的 2D 前列腺病变区域识别 2.1 引言 前列腺癌是一种中老年男性常见癌症,在全球影响着数以百万男性的泌尿生殖健康。然而目前,对前列腺病变进行检查主要是通过活体组织的穿刺病理检查,将前列腺组织切片放在显微镜下观察,根据前列腺组织细胞的分布于形态结构综合分析,获得病人前列腺癌的病理结果。这种检查方法需要耗费医生大量精力,在长时间、高强度的看片中,难免会出现差错,影响病情的诊断及后续治疗方案的设计。随着医学影像技术的快速发展,计算机辅助诊断技术被广泛应用于病情诊断中,不仅能减少医生工作量,提高工作效率,还可以从计算机的角度,检测出肉眼难以发现的癌组织区域,使前列腺病变检查结果更加客观、准确和有效。 由于前列腺癌组织是前列腺体的一部分,周围紧挨着正常组织细胞,其形状边缘不规则等组织学特点,会造成前列腺肿瘤范围难以确定,手术切除肿瘤不彻底,术后易复发等严重问题。前列腺癌的影像检查通常使用 MRI 技术,能对软组织有较清晰的成像,较好的分辨前列腺癌组织区域,但是使用 MRI 进行检查往往是前列腺癌后期阶段,已经有明显的症状产生。而 CT 扫描是前列腺癌早期检查的主要手段,通过对前列腺病变区域在 KVCT 图像中的检测识别,能够帮助医生和患者较早发现癌组织的存在,明确前列腺癌所处时期,从而能有较优的治疗效果,提高前列腺癌的治愈率。 针对前列腺病变组织在 CT 图像中存在低对比度,形状边缘不规则等问题,要想得到较精准的前列腺病变区域识别结果,需要对图像特征进行研究分析。普通以像素为单位的灰度特征无法满足分类需要,因而我们考虑使用以区域块为基础的纹理特征作为分类特征。本章中,我们采用灰度梯度纹理特征对前列腺图像正常组织与病变组织区域进行分析,它不仅反映前列腺图像块中灰度变化情况,也表征了梯度的变化信息,因而能在灰度和梯度两方面对纹理进行描述,从而提高病变区域与正常组织区域之间的可分性。 而如何利用灰度梯度 15 维纹理特征对前列腺图像进行分类,也是我们需要解决的问题。传统使用聚类分析的方法,利用欧氏距离作为相似性度量准则,不能很好的描述各个纹理特征对前列腺病变区域识别的重要度。因而,本文采用 SVM 作为分类器,它有运行速度快,对小样本和高维特征有较优的分类效果等优点,同时我们引入了人工标记样本点的方法,利用医生的医学知识作为先验信息,使分类识别结果更加可靠,增加医生对病变区域识别结果的信赖度。 万方数据 西安电子科技大学硕士学位论文 10 2.2 的 基于纹理特征的 2D 前列腺病变区域识别方法 输入掩膜图像,提取感兴趣区域计算感兴趣区域像素块的15维纹理特征训练支撑矢量机SVM分类器使用训练后的支撑矢量机SVM分类器对感兴趣区域分类使用MRF进行后处理输入待分类的前列腺KVCT图像得到前列腺病变区域 图2.1 基于纹理特征的 2D 前列腺病变区域识别框图 如图 2.1 所示是基于纹理特征的前列腺病变区域识别方法的流程图,算法实现步骤如下所示: 步骤 1:输入待分类的前列腺 KVCT 图像 S; 步骤 2:输入与前列腺 KVCT 图像 S 对应的掩膜图像,以减掉 KVCT 图像 S 中前列腺以外的区域,得到感兴趣区域图像 So; 步骤 3:将感兴趣区域 So 每一个像素取 9×9 窗口得到像素块,统计每个像素块的灰度-梯度共生矩阵zH ,进而计算每个像素块的 15 维纹理特征zT ,pN z ?8?0 ?8?0 1 ,pN为总像素块数,这 15 维纹理特征zT 包括:小梯度优势1T 、大梯度优势2T 、灰度分布不均匀性3T 、梯度分布不均匀性4T 、能量5T 、灰度均值6T 、梯度均值7T 、灰度标准差8T 、梯度标准差9T 、相关性10T 、灰度熵11T 、梯度熵12T 、混合熵13T 、差分矩14T 和逆万方数据 第二章 基于纹理特征的 2D 前列腺病变区域识别 11 差分矩15T ; 步骤 4:从感兴趣区域 So 中随机选择 1/5 像素块,在对所选的每个像素块上设置病变与正常标记,再用这些像素块训练支撑矢量机 SVM 分类器; 步骤 5:使用训练好的支撑矢量机 SVM 分类器对感兴趣区域 So 中剩余的像素块进行分类,得到病变区域。 步骤 6:使用马尔科夫随机场模型对 SVM 分类得到的病变区域进行后处理,得到最终前列腺 KVCT 图像病变区域。 下面对本方法的主要步骤进行详细描述。 2.2.1 人工提取感兴趣区域 前列腺位于人体骨盆腔内,在膀胱之下,原生殖膈之上,只占 KVCT 图像中的一小部分。由于本文主要进行前列腺体内的正常组织与病变组织区域分类的研究,不需要对前列腺体的进行分割,所以我们采用人工提取感兴趣区域的方法,能保证前列腺部位提取的准确性,避免出现输入的前列腺区域粘连有其他组织的现象,如膀胱、精囊等,甚至出现输入图像为其他器官组织的情况。人工提取的前列腺感兴趣区域的结果如图 2.2 所示。 (a)前列腺 CT 图像 (b)掩模图像 (c)感兴趣区域 图2.2 人工提取感兴趣区域


2.2.2 纹理特征提取 图像的纹理特征,刻画了图像中物体组织结构分布的规律,呈现图像邻域内多个像素点之间的结构关系,是所有物体都具有的表面特性。从前列腺癌的 CT 影像中可知,病变组织区域在 CT 中表现为低密度、不规则,和正常组织有不同的纹理特征,因此可以使用纹理特征来检测病变组织,确定病变组织区域。 常见的纹理特征有 LBP,灰度共生矩阵,小波纹理和灰度梯度共生矩阵。LBP 又万方数据 西安电子科技大学硕士学位论文 12 称为局部二值模式,其基本原理是将图像某一点像素作为阈值,比较其八邻域各点的像素,并将其大小关系转化为二进制的形式,最后将二进制化为十进制数,作为 LBP纹理特征。 其计算过程如下图 2.3 所示: (a)3×3 图像块 (b)阈值化结果 (c)图像块权值 图2.3 LBP 计算过程 [21] 首先,对像素取 3×3 窗口得到图像块;其次,以中心像素值为阈值,各点大于等于中心像素值的设为 1,小于它的设为 0;然后,根据图像块的权重,计算得到一个十进制数。图 2.3 (a)的 LBP 值为:0*1+0*2+1*4+1*8+1*16+1*32+1*64+0*128=124。LBP 中各点的权值没有硬性规定,只需保持同样的顺序即可。 LBP 对于强纹理结构有不错的效果,但是它的区分度较低,只有一维特征即 LBP值,达不到本文的弱纹理区分的要求。 灰度共生矩阵是一种基于统计的纹理特征分析方法,描述了像素灰度值之间的空间相关特性。灰度共生矩阵的纹理特征计算,首先统计图像块中相邻灰度对的个数,构建灰度共生矩阵;然后根据灰度共生矩阵,求出纹理特征,如:ASM 能量、对比度、逆差矩、熵、自相关等等。 灰度梯度共生矩阵在灰度共生矩阵的基础上,加入了梯度信息,结合了图像梯度的变化规律,对图像纹理有一个更精确的描述。灰度梯度共生矩阵首先通过计算得到灰度图像 ?8?7 ?8?8 n m F , 和梯度图像 ?8?7 ?8?8 n m G , ,构建灰度梯度共生矩阵;然后根据灰度梯度共生矩阵,得到 15 维纹理特征。 灰度梯度共生矩阵中元素 ) , ( j i H 表示的是在灰度图像 ?8?7 ?8?8 n m F , 和梯度图像 ?8?7 ?8?8 n m G ,灰度为 i 和梯度为 j 的像素的数目, gN 是最大梯度值,HN 是最大灰度级, ( , ) P i j 为) , ( j i H 除以图像的总像素点数的概率。 灰度梯度共生矩阵一共有 15 维灰度梯度纹理特征:小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度均值、梯度均值、灰度标准差、梯度标准差、相关性、灰度熵、梯度熵、混合熵、差分矩、逆差分矩,它们分别可由下述公式进行计算: 小梯度优势: 万方数据 第二章 基于纹理特征的 2D 前列腺病变区域识别

 

 
@Kcpaper 工作室 2009-2021 版权所有:科创工作室 1024*768显示最佳 皖ICP备12010335号-9 点击这里给我发消息