孤立性肺結節在中后期階段發展為肺癌的概率較大, 為檢測孤立性中后期肺結節, 提出一種基于幾何特征的計算機輔助檢測肺結節算法, 針對傳統算法不能排除血管截面類干擾的不足加以改進。通過使用K-means聚類算法對感興趣區(ROI)的細長度、類圓度、緊湊度和離散度等幾何特征進行多次聚類, 從而識別出孤立性肺結節。對肺部影像數據庫聯盟(LIDC)數據集中232幅醫學計算機斷層掃描(CT)圖片進行實驗, 結果表明所給出的算法對孤立性肺結節的檢出率為92.3%, 誤判率為14.8%, 而傳統算法的檢出率為83.9%, 誤判率為78.2%。因此, 本文算法不僅能較好地標記出肺結節, 而且可以排除干擾的血管截面, 降低了誤判率。
引用本文： 陳樹越, 晁亞, 鄒凌. 基于幾何特征的孤立性肺結節檢測. 生物醫學工程學雜志, 2016, 33(4): 680-685. doi: 10.7507/1001-5515.20160112 復制
0 引言
如今肺癌已經成為危害人類生命健康的重要殺手，由于其早期癥狀不明顯，當患者檢測到肺癌時，往往已經處于肺癌的中晚期，延誤了最佳治療時間。如果肺癌能在早期被診斷和治療，其5年生存率將從14%上升到49%[1]。肺癌在初期常表現為肺結節(lung nodules)[2-3]。肺結節是指肺部圖像除去空氣類后實質中直徑不大于3 cm的類圓形致密影, 且不伴有肺門和縱隔淋巴結腫大、肺不張或肺炎[4-5]。孤立性肺結節在其中后期階段發展為肺癌的概率較大，所以針對分化中后期階段的孤立性肺結節進行檢測具有重要的臨床意義。
由于肺結節形態復雜, 且用于臨床診斷的高分辨率計算機斷層掃描(computed tomography, CT)圖片數量龐大, 醫生工作負擔重, 易發生誤判、漏判。因此，采用計算機輔助診斷將疑似結節標記出來供醫生進一步分析，可以在減少醫生工作量的同時提高檢出率。本文提出了一種有效的計算機輔助判定肺結節的方法，以期在具有較高檢出率的同時還具有較低的誤判率。
1 肺結節自動檢測算法
在CT圖像中肺結節和血管灰度非常相近，因此采用普通的方法不能快速判別肺結節與血管。在此將肺實質中待測肺結節與血管列為感興趣區域(region of interest, ROI)，利用肺結節與血管的幾何特征不同，從而將肺結節與血管區分開來。檢測肺結節的流程圖如圖 1所示。
圖1
肺結節自動檢測流程圖
Figure1.
Flow chart of automatic detection of pulmonary nodules
1.1 肺實質分割
為了降低工作量，快速分割大量圖片，對原圖[見圖 2(a)]利用最優閾值法進行分割，采用閉運算把氣管與肺實質連接為一體，再使用區域生長法生長出左右肺實質[見圖 2(b)]。對生長后的左右肺實質進行空洞填充[見圖 2(c)]，此掩膜乘以原始圖像即為要得到的肺實質[見圖 2(d)]。
圖2
肺實質提取過程
(a)原圖；(b)區域生長后圖像；(c)填充空洞后圖像；(d)得到的肺實質圖像
Figure2. Extraction process of pulmonary parenchyma(a) original image; (b) image of the region grow; (c) image of hole filling; (d) image of pulmonary parenchyma
最佳分割閾值T的求解:首先求圖像的初始閾值T0，即最大灰度值和最小灰度和的一半，然后根據閾值Tk求目標的平均閾值Za和背景的平均閾值Zb，然后根據Za和Zb求出閾值T1，如此迭代下去可以得到最優閾值Tk+1。
其中所用的公式如下：
| $ {Z_a} = \frac{{\sum\limits_{z\left( {i,j} \right) < {T_k}} {Z\left( {i,j} \right) \times N\left( {i,j} \right)} }}{{\sum\limits_{z\left( {i,j} \right) < {T_k}} {N\left( {i,j} \right)} }} $ |
| $ {Z_b} = \frac{{\sum\limits_{z\left( {i,j} \right) > {T_k}} {Z\left( {i,j} \right) \times N\left( {i,j} \right)} }}{{\sum\limits_{z\left( {i,j} \right) > {T_k}} {N\left( {i,j} \right)} }} $ |
| $ {T_{k + 1}} = \frac{{{Z_a} + {Z_b}}}{2} $ |
式中(i, j)是取圖像中橫坐標為i縱坐標為j的點，其中Z(i, j)為灰度值，N(i, j)是權重系數, 一般取1.0。
1.2 感興趣區域提取
常用提取ROI的方法有模糊C均值聚類方法(fuzzy c-means, FCM)、K均值聚類方法[6]，在此使用了FCM方法提取ROI。
FCM算法是將n個向量xi(i=l，2，…，n)分為C個模糊組，并求每組的聚類中心，使得非相似性指標的價值函數達到最小[7]。設集合X={x1, x2, …, xn}中元素有m個特征，即xi=(xi1, xi2, …, xim), 要把X分為C類(2≤C≤n)。
設有C個聚類中心V={v1, v2, …, vC}，取為xk與聚類中心vi的歐式距離，聚類準則是使得下列目標函數達到最小值[8-9]。
| $ \min J\left( {U,V} \right) = \sum\limits_{k = 1}^n {\sum\limits_{i = 1}^C {{u_{ik}}{{\left( {{d_{ik}}} \right)}^2}} } $ |
式中uik表示樣本xk在第i類中的隸屬度，且滿足為樣本xk到第i類聚類中心的歐式距離。
由于針對的目標為分化中后期的孤立性肺結節，面積小于4 mm2的肺結節屬于微結節，這樣的微結節偏向良性的可能性較高[10], 在此不作為檢測對象。利用FCM算法對圖 2(d)刪除小面積對象來去除面積小于4 mm2的噪聲，得到的ROI域如圖 3所示。
圖3
ROI
Figure3.
ROI
1.3 肺結節特征選擇
肺結節與血管在病理上的特征大多表現為形狀上的差異, 故檢測時要對肺結節和血管進行形狀特征上的選擇和提取。經典的使用幾何特征區別肺結節與血管的方法是通過類圓度[10]的不同將條形血管與肺結節區分開。但是單純使用類圓度不能去除血管橫截面干擾，因此我們采用如下四個特征共同區分肺結節與血管。
1.3.1 細長度
目標區域的長軸與短軸的比值為細長度，在幾何角度觀察條形血管的細長度較高，肺結節的長軸與短軸相對接近。所以細長度可以作為一個特征用來區分條形血管與肺結節。計算細長度的公式如下：
| $ {M_1} = \frac{{\max \left( {c,k} \right)}}{{\min \left( {c,k} \right)}} $ |
式中c與k分別為目標區域內接矩形的長與寬。
1.3.2 類圓度
類圓度用來衡量目標區域與圓形的相似度，以區域直徑一半的圓的面積除以區域內像素總數來獲取。類圓度越接近1說明形狀與圓越相似。交叉血管的類圓度明顯較低，可以用這個特征來區分交叉血管與肺結節的特征之一。計算類圓度的公式如下：
| $ {M_2} = \frac{{{\text{π }} \times {{\left( {c/2} \right)}^2}}}{{{\text{area}}}} $ |
式中area為區域像素總和。
1.3.3 緊湊度
緊湊度既可以用來表示與圓的相似度, 也可以表示邊緣的光滑程度。圓的緊湊度為1。邊界越復雜越粗糙, 緊湊度越小；同時形狀越扁, 緊湊度的值也越小[11]。所以將緊湊度與離散度相結合來區分肺結節與血管截面。計算緊湊度的公式如下：
| $ {M_3} = \frac{{{\text{4π }} \times {\text{area}}}}{{{P^2}}} $ |
式中P是區域輪廓的周長。
1.3.4 離散度
離散度為目標區域最大弦長與面積之比，可以體現區域的不規則性。肺結節分化的中后期其周圍開始出現毛刺、分葉，邊緣開始不規則，而血管截面大多比較規則。所以離散度可以與緊湊度相結合區分血管截面與肺結節。計算離散度的公式如下：
| $ {M_4} = \frac{{{\text{π }} \times \max \left( {c,k} \right)}}{{{\text{area}}}} $ |
1.4 肺結節幾何特征提取和分類
提取后的ROI內有很多疑似肺結節與血管，為進一步區分結節和血管，必須對ROI中的肺結節、血管進行特征提取[1, 12]，并對提取后的ROI進行分類，得到血管與結節的典型樣本如圖 4所示。
圖4
ROI典型樣本
(a)分化中后期結節；(b)血管橫截面；(c)交叉型血管；(d)條形血管
Figure4. Typical samples of ROI(a) middle and late pulmonary nodules; (b) section of vessel; (c) crossed vessel; (d) rectangular vessel
a類肺結節周圍有分葉、毛刺，輪廓邊緣不平滑，形狀接近于類橢圓。b類為CT拍攝造成的血管橫截面，其形狀近似于圓形。a類真陽結節與b類假陽結節使用單一的特征無法精確判斷，需要進行特征加權。c類交叉型血管有兩條血管交叉，又稱為Y型血管。d類條形血管為常見的基礎血管。
基于肺結節與血管的幾何差異，對上面幾類血管與結節的樣本進行了特征提取，典型樣本特征提取的數據如表 1所示。
表1
樣本特征提取
Table1.
Feature extraction of samples
分別隨機選取60個樣本使用K-means聚類算法進行數據聚類從而達到ROI分類的目的。K-means聚類算法是不斷計算聚類中心的過程，基于近鄰準則使用歐式距離不斷迭代出聚類中心，通過調整類別進行聚類。歐式距離的計算公式為dij=‖Xj-vi‖, 給定V={v1, v2, v3, …, vC}，(vi?V, i=1, 2, …, C)是聚類中心。根據本文ROI的特征特點，每個特征的貢獻不同，把所有特征組成特征向量進行一次聚類無法很好地體現特征優勢。在此使用多步驟聚類的方法，首先對細長度特征賦予最高的權值進行一次聚類，再對類圓度賦予最高的權值進行二次聚類，最后對特征向量中的緊湊度與離散度進行特征加權，進行第三次聚類。進而逐步排除d類、c類、b類ROI，最終判定肺結節。本文提出的計算機輔助檢測肺結節方法可以在降低特征不均衡性的同時檢測出肺結節。具體聚類步驟如圖 5所示。
圖5
聚類步驟
Figure5.
Clustering steps
在模式空間中存在線性判別函數d(X)=w1x1+w2x2+w3x3=0, 其中w是權值，x1、x2為特征值。使用線性判別函數對分類效果進行評價，圖 6顯示了各次聚類分類的線性分類效果，圖 6(c)中a類真陽肺結節與b類假陽血管截面已經被很好地區分開，達到了分類的目的。
圖6
特征分類
(a)細長度特征分類；(b)類圓度特征分類；(c)特征加權分類
Figure6. Feature classification(a) classification of the degree of slenderness; (b) classification of the similar degree of circle; (c) classification of feature weighting
2 實驗結果
實驗數據來源于肺部影像數據庫聯盟(Lung Image Database Consortium，LIDC)數據集。LIDC是美國國家癌癥學會(National Cancer Institute, NCI)2001年資助的一個項目。其主要目的之一就是建立一套公認的指南，用以創建肺部CT影像的數據庫，用于開發、訓練和評價利用螺旋CT進行肺癌檢測和診斷的計算機輔助診斷方法[13]。
根據所設定的步驟對隨機選取的一幅肺部CT圖像進行檢測，3次聚類結果圖 7所示，其中綠色矩形框標記出聚類后被排除的簇，紅色矩形框標記出留下的簇。從圖 7(c)中可以清楚地看到本文算法用紅色的外接矩形將CT圖中的病變準確地檢測出來。
圖7
實驗結果
(a)排除條形血管；(b)排除交叉血管；(c)檢測出肺結節
Figure7. Experiment results(a) exclusion of strip blood vessel; (b) exclusion of cross blood vessel; (c) detection of pulmonary nodule
選取傳統的利用類圓度檢測肺結節的算法[10]進行對比實驗。對比方法中首先使用區域生長提取肺實質，再使用閾值法提取ROI，最后使用類圓度排除細長血管，檢測出肺結節。使用該方法與本文方法對同一幅圖進行檢測，結果如圖 8(a)、圖 8(b)所示。在圖 8(a)中可以看出傳統方法雖然檢測出了肺結節，但是由于沒有對血管截面進行抑制，降低了檢測的準確率。圖 8(b)中可以看出本文方法很好地排除了干擾，可降低誤判率。
圖8
對比實驗結果
(a)傳統方法；(b)本文方法
Figure8. Result of comparative experiment(a) traditional method; (b) proposed method
指標定義：檢出率=檢出的正確結節數/實際的結節數，誤判率=檢出的錯誤結節數/檢出結節數。
使用本文方法與對比方法分別對LIDC數據集中的232幅圖像進行檢測。根據醫生的確認，這232幅圖像中共有118個結節。本文方法檢測出正確結節109個，對比方法檢測出正確結節99個。給出具體檢測結果如表 2所示。
表2
對比實驗結果
Table2.
Result of comparative experiment
由表 2可見，傳統算法平均每個檢出結節的錯誤概率為0.78。而采用多特征結合可以大大降低假陽性結果，平均每個檢出結節的錯誤概率為0.15。
3 結論
根據孤立性肺結節分化中后期的幾何特征，對肺結節進行特征提取后進行聚類分類, 利用多次分類的方法設定分類步驟，逐步排除干擾類別，最終在原有的CT圖像上對肺結節進行標記。通過與典型的使用類圓度檢測肺結節的算法進行比較分析，發現本文方法在血管截面較多的CT圖片上有著較好的準確率。對大量圖片進行檢測的結果顯示，對孤立性中后期結節的檢出率達到了92.3%，誤判率為14.8%。本文所提出的方法不僅較好地檢測出肺結節，還排除了CT圖像中的血管截面對肺結節的影響，明顯提高了準確率。在今后的工作中還將針對已經檢測出的肺結節進行良惡性分類。
0 引言
如今肺癌已經成為危害人類生命健康的重要殺手，由于其早期癥狀不明顯，當患者檢測到肺癌時，往往已經處于肺癌的中晚期，延誤了最佳治療時間。如果肺癌能在早期被診斷和治療，其5年生存率將從14%上升到49%[1]。肺癌在初期常表現為肺結節(lung nodules)[2-3]。肺結節是指肺部圖像除去空氣類后實質中直徑不大于3 cm的類圓形致密影, 且不伴有肺門和縱隔淋巴結腫大、肺不張或肺炎[4-5]。孤立性肺結節在其中后期階段發展為肺癌的概率較大，所以針對分化中后期階段的孤立性肺結節進行檢測具有重要的臨床意義。
由于肺結節形態復雜, 且用于臨床診斷的高分辨率計算機斷層掃描(computed tomography, CT)圖片數量龐大, 醫生工作負擔重, 易發生誤判、漏判。因此，采用計算機輔助診斷將疑似結節標記出來供醫生進一步分析，可以在減少醫生工作量的同時提高檢出率。本文提出了一種有效的計算機輔助判定肺結節的方法，以期在具有較高檢出率的同時還具有較低的誤判率。
1 肺結節自動檢測算法
在CT圖像中肺結節和血管灰度非常相近，因此采用普通的方法不能快速判別肺結節與血管。在此將肺實質中待測肺結節與血管列為感興趣區域(region of interest, ROI)，利用肺結節與血管的幾何特征不同，從而將肺結節與血管區分開來。檢測肺結節的流程圖如圖 1所示。
圖1
肺結節自動檢測流程圖
Figure1.
Flow chart of automatic detection of pulmonary nodules
1.1 肺實質分割
為了降低工作量，快速分割大量圖片，對原圖[見圖 2(a)]利用最優閾值法進行分割，采用閉運算把氣管與肺實質連接為一體，再使用區域生長法生長出左右肺實質[見圖 2(b)]。對生長后的左右肺實質進行空洞填充[見圖 2(c)]，此掩膜乘以原始圖像即為要得到的肺實質[見圖 2(d)]。
圖2
肺實質提取過程
(a)原圖；(b)區域生長后圖像；(c)填充空洞后圖像；(d)得到的肺實質圖像
Figure2. Extraction process of pulmonary parenchyma(a) original image; (b) image of the region grow; (c) image of hole filling; (d) image of pulmonary parenchyma
最佳分割閾值T的求解:首先求圖像的初始閾值T0，即最大灰度值和最小灰度和的一半，然后根據閾值Tk求目標的平均閾值Za和背景的平均閾值Zb，然后根據Za和Zb求出閾值T1，如此迭代下去可以得到最優閾值Tk+1。
其中所用的公式如下：
| $ {Z_a} = \frac{{\sum\limits_{z\left( {i,j} \right) < {T_k}} {Z\left( {i,j} \right) \times N\left( {i,j} \right)} }}{{\sum\limits_{z\left( {i,j} \right) < {T_k}} {N\left( {i,j} \right)} }} $ |
| $ {Z_b} = \frac{{\sum\limits_{z\left( {i,j} \right) > {T_k}} {Z\left( {i,j} \right) \times N\left( {i,j} \right)} }}{{\sum\limits_{z\left( {i,j} \right) > {T_k}} {N\left( {i,j} \right)} }} $ |
| $ {T_{k + 1}} = \frac{{{Z_a} + {Z_b}}}{2} $ |
式中(i, j)是取圖像中橫坐標為i縱坐標為j的點，其中Z(i, j)為灰度值，N(i, j)是權重系數, 一般取1.0。
1.2 感興趣區域提取
常用提取ROI的方法有模糊C均值聚類方法(fuzzy c-means, FCM)、K均值聚類方法[6]，在此使用了FCM方法提取ROI。
FCM算法是將n個向量xi(i=l，2，…，n)分為C個模糊組，并求每組的聚類中心，使得非相似性指標的價值函數達到最小[7]。設集合X={x1, x2, …, xn}中元素有m個特征，即xi=(xi1, xi2, …, xim), 要把X分為C類(2≤C≤n)。
設有C個聚類中心V={v1, v2, …, vC}，取為xk與聚類中心vi的歐式距離，聚類準則是使得下列目標函數達到最小值[8-9]。
| $ \min J\left( {U,V} \right) = \sum\limits_{k = 1}^n {\sum\limits_{i = 1}^C {{u_{ik}}{{\left( {{d_{ik}}} \right)}^2}} } $ |
式中uik表示樣本xk在第i類中的隸屬度，且滿足為樣本xk到第i類聚類中心的歐式距離。
由于針對的目標為分化中后期的孤立性肺結節，面積小于4 mm2的肺結節屬于微結節，這樣的微結節偏向良性的可能性較高[10], 在此不作為檢測對象。利用FCM算法對圖 2(d)刪除小面積對象來去除面積小于4 mm2的噪聲，得到的ROI域如圖 3所示。
圖3
ROI
Figure3.
ROI
1.3 肺結節特征選擇
肺結節與血管在病理上的特征大多表現為形狀上的差異, 故檢測時要對肺結節和血管進行形狀特征上的選擇和提取。經典的使用幾何特征區別肺結節與血管的方法是通過類圓度[10]的不同將條形血管與肺結節區分開。但是單純使用類圓度不能去除血管橫截面干擾，因此我們采用如下四個特征共同區分肺結節與血管。
1.3.1 細長度
目標區域的長軸與短軸的比值為細長度，在幾何角度觀察條形血管的細長度較高，肺結節的長軸與短軸相對接近。所以細長度可以作為一個特征用來區分條形血管與肺結節。計算細長度的公式如下：
| $ {M_1} = \frac{{\max \left( {c,k} \right)}}{{\min \left( {c,k} \right)}} $ |
式中c與k分別為目標區域內接矩形的長與寬。
1.3.2 類圓度
類圓度用來衡量目標區域與圓形的相似度，以區域直徑一半的圓的面積除以區域內像素總數來獲取。類圓度越接近1說明形狀與圓越相似。交叉血管的類圓度明顯較低，可以用這個特征來區分交叉血管與肺結節的特征之一。計算類圓度的公式如下：
| $ {M_2} = \frac{{{\text{π }} \times {{\left( {c/2} \right)}^2}}}{{{\text{area}}}} $ |
式中area為區域像素總和。
1.3.3 緊湊度
緊湊度既可以用來表示與圓的相似度, 也可以表示邊緣的光滑程度。圓的緊湊度為1。邊界越復雜越粗糙, 緊湊度越小；同時形狀越扁, 緊湊度的值也越小[11]。所以將緊湊度與離散度相結合來區分肺結節與血管截面。計算緊湊度的公式如下：
| $ {M_3} = \frac{{{\text{4π }} \times {\text{area}}}}{{{P^2}}} $ |
式中P是區域輪廓的周長。
1.3.4 離散度
離散度為目標區域最大弦長與面積之比，可以體現區域的不規則性。肺結節分化的中后期其周圍開始出現毛刺、分葉，邊緣開始不規則，而血管截面大多比較規則。所以離散度可以與緊湊度相結合區分血管截面與肺結節。計算離散度的公式如下：
| $ {M_4} = \frac{{{\text{π }} \times \max \left( {c,k} \right)}}{{{\text{area}}}} $ |
1.4 肺結節幾何特征提取和分類
提取后的ROI內有很多疑似肺結節與血管，為進一步區分結節和血管，必須對ROI中的肺結節、血管進行特征提取[1, 12]，并對提取后的ROI進行分類，得到血管與結節的典型樣本如圖 4所示。
圖4
ROI典型樣本
(a)分化中后期結節；(b)血管橫截面；(c)交叉型血管；(d)條形血管
Figure4. Typical samples of ROI(a) middle and late pulmonary nodules; (b) section of vessel; (c) crossed vessel; (d) rectangular vessel
a類肺結節周圍有分葉、毛刺，輪廓邊緣不平滑，形狀接近于類橢圓。b類為CT拍攝造成的血管橫截面，其形狀近似于圓形。a類真陽結節與b類假陽結節使用單一的特征無法精確判斷，需要進行特征加權。c類交叉型血管有兩條血管交叉，又稱為Y型血管。d類條形血管為常見的基礎血管。
基于肺結節與血管的幾何差異，對上面幾類血管與結節的樣本進行了特征提取，典型樣本特征提取的數據如表 1所示。
表1
樣本特征提取
Table1.
Feature extraction of samples
分別隨機選取60個樣本使用K-means聚類算法進行數據聚類從而達到ROI分類的目的。K-means聚類算法是不斷計算聚類中心的過程，基于近鄰準則使用歐式距離不斷迭代出聚類中心，通過調整類別進行聚類。歐式距離的計算公式為dij=‖Xj-vi‖, 給定V={v1, v2, v3, …, vC}，(vi?V, i=1, 2, …, C)是聚類中心。根據本文ROI的特征特點，每個特征的貢獻不同，把所有特征組成特征向量進行一次聚類無法很好地體現特征優勢。在此使用多步驟聚類的方法，首先對細長度特征賦予最高的權值進行一次聚類，再對類圓度賦予最高的權值進行二次聚類，最后對特征向量中的緊湊度與離散度進行特征加權，進行第三次聚類。進而逐步排除d類、c類、b類ROI，最終判定肺結節。本文提出的計算機輔助檢測肺結節方法可以在降低特征不均衡性的同時檢測出肺結節。具體聚類步驟如圖 5所示。
圖5
聚類步驟
Figure5.
Clustering steps
在模式空間中存在線性判別函數d(X)=w1x1+w2x2+w3x3=0, 其中w是權值，x1、x2為特征值。使用線性判別函數對分類效果進行評價，圖 6顯示了各次聚類分類的線性分類效果，圖 6(c)中a類真陽肺結節與b類假陽血管截面已經被很好地區分開，達到了分類的目的。
圖6
特征分類
(a)細長度特征分類；(b)類圓度特征分類；(c)特征加權分類
Figure6. Feature classification(a) classification of the degree of slenderness; (b) classification of the similar degree of circle; (c) classification of feature weighting
2 實驗結果
實驗數據來源于肺部影像數據庫聯盟(Lung Image Database Consortium，LIDC)數據集。LIDC是美國國家癌癥學會(National Cancer Institute, NCI)2001年資助的一個項目。其主要目的之一就是建立一套公認的指南，用以創建肺部CT影像的數據庫，用于開發、訓練和評價利用螺旋CT進行肺癌檢測和診斷的計算機輔助診斷方法[13]。
根據所設定的步驟對隨機選取的一幅肺部CT圖像進行檢測，3次聚類結果圖 7所示，其中綠色矩形框標記出聚類后被排除的簇，紅色矩形框標記出留下的簇。從圖 7(c)中可以清楚地看到本文算法用紅色的外接矩形將CT圖中的病變準確地檢測出來。
圖7
實驗結果
(a)排除條形血管；(b)排除交叉血管；(c)檢測出肺結節
Figure7. Experiment results(a) exclusion of strip blood vessel; (b) exclusion of cross blood vessel; (c) detection of pulmonary nodule
選取傳統的利用類圓度檢測肺結節的算法[10]進行對比實驗。對比方法中首先使用區域生長提取肺實質，再使用閾值法提取ROI，最后使用類圓度排除細長血管，檢測出肺結節。使用該方法與本文方法對同一幅圖進行檢測，結果如圖 8(a)、圖 8(b)所示。在圖 8(a)中可以看出傳統方法雖然檢測出了肺結節，但是由于沒有對血管截面進行抑制，降低了檢測的準確率。圖 8(b)中可以看出本文方法很好地排除了干擾，可降低誤判率。
圖8
對比實驗結果
(a)傳統方法；(b)本文方法
Figure8. Result of comparative experiment(a) traditional method; (b) proposed method
指標定義：檢出率=檢出的正確結節數/實際的結節數，誤判率=檢出的錯誤結節數/檢出結節數。
使用本文方法與對比方法分別對LIDC數據集中的232幅圖像進行檢測。根據醫生的確認，這232幅圖像中共有118個結節。本文方法檢測出正確結節109個，對比方法檢測出正確結節99個。給出具體檢測結果如表 2所示。
表2
對比實驗結果
Table2.
Result of comparative experiment
由表 2可見，傳統算法平均每個檢出結節的錯誤概率為0.78。而采用多特征結合可以大大降低假陽性結果，平均每個檢出結節的錯誤概率為0.15。
3 結論
根據孤立性肺結節分化中后期的幾何特征，對肺結節進行特征提取后進行聚類分類, 利用多次分類的方法設定分類步驟，逐步排除干擾類別，最終在原有的CT圖像上對肺結節進行標記。通過與典型的使用類圓度檢測肺結節的算法進行比較分析，發現本文方法在血管截面較多的CT圖片上有著較好的準確率。對大量圖片進行檢測的結果顯示，對孤立性中后期結節的檢出率達到了92.3%，誤判率為14.8%。本文所提出的方法不僅較好地檢測出肺結節，還排除了CT圖像中的血管截面對肺結節的影響，明顯提高了準確率。在今后的工作中還將針對已經檢測出的肺結節進行良惡性分類。
