韩贵来+詹何庆+邓丹琼

摘要：针对肺实质图像中肺结节可能存在多发的实际情况，本文改进了ITTI模型中“赢者全拿”的策略，对多个显著性区域进行分析；针对基于视觉注意所检测到的肺结节显著性区域与肺实质图像中肺结节的实际位置并不完全一致的问题，该文先在肺实质图像中找出那些显著区域所对应的区域，将这些区域分割成各个连通区域，在每个连通区域中找到一个灰度值最大的点作为种子点，并在肺实质图像中进行区域生长，最终得到可疑肺结节图像。相比直接将显著性区域作为可疑肺结节的方法，本文方法分割得到的可疑肺结节更加准确，更利于后续的肺结节特征提取和识别，对肺癌的早发现，早诊治具有重要意义。

关键词：视觉注意机制；肺结节；显著图；图像分割；区域生长

2015年中国预计有429.2万例新发肿瘤病例和281.4万例死亡病例。肺癌是发病率最高的肿瘤，也是癌症死因之首，是名副其实的癌症第一杀手。降低肺癌死亡率的重要举措是“早期发现，早期诊断，早期治疗”，如果肺癌能在早期被诊断和治疗，5年生存率可以达到80%-90%。肺癌早期的重要表征形式为肺结节，尤其是恶性肺结节多具有毛刺、分叶等特征。如何更早的发现这些肺结节，实现对无症状肺癌高危人群筛选检查，是发现早期肺癌的有效办法。

随着医学成像技术的出现，利用医学影像，医生可以及时发现肿瘤，并从医学影像学角度判断肿瘤的性质和种类，从而提供诊断意见。计算机断层图像（CT）是胸部影像学中最常用的图像，被广泛用于肺部肿瘤和肺结节的检测中。由于肺部CT扫描的图像数量巨大，医生分析胸部CT是个枯燥而且繁琐的过程，特别是高分辨率扫描图片，仅一个病人的扫描图像数量就可达到200层以上，给影像工作人员带来了巨大的工作量，从而增加了漏诊和误诊的几率。

近年来随着计算机技术不断发展，医学影像的计算机辅助诊断与检测技术迅速发展。计算机辅助诊断被称为医生的“第二双眼睛”，可以对CT图像进行自动分析后向影像工作人员提示可疑肺结节，使得肺癌的早期普查成为可能，具有重大的社会效益和广泛的应用前景。目前常用的计算机辅助诊断技术多是通过图像预处理、图像分割、特征提取和分类判别完成的。其中，医学图像分割是最为关键技术。肺部含有大量的气管和毛细血管，如何将这些气管和毛细血管分割出去非常困难。但是如果不剔除出去，又会产生大量的假性肺结节。这些假性肺结节最后都要进行特征提取和分类识别，会严重拖慢这种检测方法的速度，也大大增加了误诊的概率，制约了该类软件在临床中的应用。

1基于视觉注意的肺结节显著性检测

通常人们在观察一副图像或者医生在给病人阅片时，往往会根据所要寻找目标的特征有目的地去寻找，并且能将注意力尽可能快的锁定在自己感兴趣的区域上。在这个感兴趣区域图像寻找的过程中就有一种视觉注意机制在起作用，目前最具影响力的视觉注意模型是Itti等人提出的。在Itti模型中，首先抽取图像的亮度、颜色、方向三个早期视觉特征，得到不同特征的高斯金字塔图像，并采用一个线性机制将它们合成一个显著图，通过生物学中的胜者为王的机制获得显著图中最显著的空间位置。Itti视觉注意模型在自然图像目标区域的快速查找中取得了比较好的效果，但是因为医学图像对比度低、比较模糊等特点，Itti视觉注意模型本身并不太适合医学图像中感兴趣区域的提取。因此在本文的前期研究中，则是尝试先从肺部CT图像分割出肺实质，排除胸腔轮廓的干扰，只对肺实质部分进行显著性检测。同时将更能反映肺结节本身特征而又能简单获取的角点、边缘和局部熵等特征引入到肺结节的显著性检测中，取得比较满意的检测效果。基于选择性视觉注意的肺结节显著性检测流程如图1所示。本文则是在前期研究的基础上，着重解决所检测出来的肺结节显著图中感兴趣区域的选择和可疑肺结节分割问题。

2感兴趣区域的选择

图2为肺实质图像，图3为该肺实质图像利用角点、边缘、局部熵、方向和亮度5个特征检测生成的基于选择性视觉注意的肺结节显著性特征图。从图3中可以明显看出肺结节的显著性特征图中有多个亮点，每个亮点都是一个显著性区域，只是显著的程度不同。在ITYI模型中采用“胜者为王”（WTA）策略，即比较几个显著区域，选取显著度最大的区域做为注意焦点，并忽视其他区域。该策略适用于所要找的肺结节就在显著值最大的区域，对于不是太明显的肺结节或者有多个肺结节的情况则可能会检测不出来或者漏掉其中一些肺结节。由于肺实质图像中肺结节可能存在多发的情况，因此，ITTI模型中赢者全拿的策略不太适合肺结节的显著性检测。为此，本文对该策略进行了改进，用最大类间方差的方法对显著图进行分割，将分割出来的多个区域作为感兴趣的显著性区域。分割出的感兴趣区域如图4所示。

3肺结节分割

在从肺结节的显著性特征图分割出可疑肺结节的感兴趣区域后，分割出的这些感兴趣区域是否就是肺结节？单纯从显著性特征图或分割后的感兴趣区域图很难看出这些区域在原肺实质图像中所在的位置，更无法判断所检测出来的可疑肺结节区域是否正确。为解决这个疑问，本文在对图4分割出的感兴趣区域进行边缘检测后，并在在原肺实质图像上用红色标注出来，如图5所示。从图5可以看出，显著性特征图所检测出来的感兴趣区域只是可疑肺结节的大概位置，两者之间并不存在一一对应的关系。也就是说经过显著性特征图所检测出来的可疑肺结节感兴趣区域只能相当于人类视觉中粗略定位。如果将图4所分割出来的感兴趣区域直接对应到肺实质图像上，得到的结果如图6所示。从该图中可以看出，分割得到的感兴趣区域中除了包含可疑肺结节外，还有一些这些可疑肺结节周围的肺实质区域，这些区域会严重影响这些可疑肺结节后继的特征提取和分类识别的精度，显然不能满足临床诊断需要。要想满足临床诊断需要，还必须像传统的肺结节计算机辅助检测中所做的那样，对检出的可疑肺结节进行更严格特征提取和分类识别。在进行可疑肺结节特征提取和分类识别之前，首先要把这些感兴趣的显著区域中可疑肺结节精确地分割出来，不能将本来不属于肺结节的肺实质区域划分为肺结节，也不能将本来属于肺结节的区域落掉或缺失一部分。

由于显著性特征图中检测出的肺结节感兴趣区域与肺实质图像中的肺结节所在区域并不完全一致，因此在进行肺结节的精确分割时，不能完全按照显著性特征图中检测出的肺结节显著区域进行分割，而只能将那些显著区域作为参考区域。为此，本文根据肺实质中肺结节的实际情况针对显著性区域设计了肺结节精确分割的流程图，如图7所示。根据该流程图，首先用最大类间方差法对显著性特征图中的显著性区域进行分割，同时对肺实质图像上肺实质部分进行阈值分割，得到两者的相交区域，去噪后得到各个连通子区域。由于在肺实质图像中，肺结节通常要比其周围区域灰度值要大一些，因此本文寻找每个连通子区域在原肺实质图像上所对应的最大值点，然后以这些最大值点作为种子点进行区域生长，得到最终的可疑肺结节图像，如图8所示。

4实验结果分析

图8中本文方法所分割的可疑肺结节则有效地去除了图6可疑肺结节周围的那些肺实质区域，并且经过区域生长后一些本来不是很完整的可疑肺结节则得到了很好的修补，使之更加完整。图9则是传统的计算机辅助检测方法所分割出来的可疑肺结节，该图中有大量由气管等组成的假肺结节，在传统的肺结节计算机辅助检测中，这些假肺结节也要进行特征提取和分类识别，会严重影响肺结节检测的速度和精度。图8与图9比较可以看出，利用角点、边缘、局部熵、方向和亮度5个特征生成的肺结节显著性特征图则可以过滤掉图9中所包含的大量假肺结节，可以有效地改善肺结节的检测速度。

5结论

肺实质中含有大量的气管和毛细血管，这些气管和毛细血管与肺结节很相似，很难被剔除出去，因此在传统的肺结节计算机辅助检测方法中会产生大量的假肺结节，这些假肺结节在特征提取和分类识别阶段都要进行特征提取和分类识别，会严重影响肺結节计算机辅助检测的速度和准确度。本文在前期基于选择性视觉注意的肺结节显著性研究的基础上，主要研究解决基于视觉注意所检测到的肺结节显著性区域与肺实质图像中肺结节的实际位置不完全一致的问题。相比直接将显著性区域作为可疑肺结节的方法，本文方法分割得到的可疑肺结节更加准确，更利于后续的肺结节特征提取和识别；相比传统的计算机辅助检测方法，本文方法可以减少大量假性肺结节，对肺癌的早发现，早诊治具有重要意义。