罗雪莲，吴成声，李家林

(铜陵职业技术学院 医学系，安徽 铜陵 244000)

0 引 言

肺癌是癌症中死亡率最高的疾病之一，其中肺结节是肺部常见病变，因此对肺结节的检测非常重要。但是在临床实践中存在人为检测无法辨别的微小病变，肺结节内空泡影像自动定位成为目前亟需解决的问题[1]。

由于医学影像本身存在灰度值不均匀、个体差异、噪声、边缘模糊等问题，给肺结节内空泡影像自动定位带来一定的难度。国外有学者提出CT肺癌筛查中肺结节大小测量定位算法，研究了2 240个不确定的固体结节(体积50～500 mm3)，以确定直径和半自动体积测量在肺结节大小估计中的相关性。结节内直径变化定义为最大减去最小直径。一般情况下利用肺CT筛查报告和数据系统检查高于1.5mm结节生长情况。使用平均或最大轴向直径来评估结节体积，但不确定结节的大小很难用直径来表示，而在国内传统的肺结节内空泡影像自动定位算法漏检数量较高[2]，因此将计算机视觉技术应用到肺结节内空泡影像自动定位中，以解决这一问题。

计算机视觉技术是指用摄像机和电脑及其他相关装置对生物进行视觉模拟操作的技术，其主要优势在于可利用采集到的信息对图片或视频实现三维可视化操作，并进一步对采集的信息进行处理，将其处理成为适合人眼观察或传送给仪器检测的图像。因此，将其应用到肺结节内空泡影像自动定位中，以提高肺结节内空泡影像自动定位的准确度[3]。此次设计方法合理应用计算机视觉技术，首先利用计算机视觉技术对肺结节内空泡影像提取，并对其进行灰度变换与滤波处理，得到准确的肺结节内空泡影像信息。在此基础上，设计2个3-D网路结构检测候选结节和去除假阳性结节，实现肺结节内空泡影像自动定位。实验对比结果表明，此次设计的定位算法比传统算法的漏检数量少，能够准确对肺结节内空泡影像定位。

1 肺结节内空泡影像提取

为获得精准的肺结节内空泡影像，采用计算机视觉技术，获取肺结节内空泡影像[4]。将获取的影像结果进行数字化处理，把图像信号转变为数字图像信号，转换原理如图1所示。

图1 图像转换过程

抽样和量化处理由计算机视觉技术来收集图像的数据信息。在进行抽样检测过程中，设Q表示转换过程中横向像素，W表示转换过程中纵向像素，则图像表示为Q×W个像素[5]，在进行实际抽样时，根据(1)式对图像进行间隔抽样。

(1)

公式(1)中，F(t)代表图像抽样值，C代表分解时间上的离散像素， 2β代表抽样函数，N代表图像像素的浓度值。

在此基础上，利用计算机视觉技术对得到的肺结节内空泡影像预处理，同时转换成标准格式[6-7]。首先对肺结节内空泡影像进行灰度变换，同时对灰度范围进行扩大，增加其区域，以此改善图像的效果，表达式如下

g(x,y)=J(b-a)

(2)

公式(2)中，J代表图像的输入灰度，b-a代表图像像素的灰度级。

在灰度变换的基础上，采用计算机视觉技术对肺结节内空泡影像滤波处理，首先获取噪声图像窗口中的最大和最小灰度值像素的中间值，然后利用获取的中间值进行滤波可视化操作计算，最后与阈值进行对比。假设o表示的是以n为中心求取p的最终中值，q代表影像中某一个图片特征信息， 然后将q放入直方图中，提取肺结节内空泡影像公式如下

(3)

公式(3)中，Hi代表以g为中心， 某个特征i下的权重值；n代表全部特征；O代表像素中心点。

将各项特征值的权重相加即权值，获取到处理后的影像信息，通过上述计算能够保留图像边缘信息[8-9]，在滤波后更好区分所得到的肺结节内空泡影像信息。最后提取灰度转换后与滤波后的影像信息。采用计算机视觉中的模式识别技术，从图像抽取的统计特性或结构信息，将图像分成预定的类别，以此完成肺结节内空泡影像提取，为肺结节内空泡影像自动定位提供基础依据。

2 肺结节内空泡影像自动定位

在上述肺结节内空泡影像获取和处理完成的基础上，对肺结节内空泡影像自动定位[10]，设计2个3-D网络结构检测候选结节和去除假阳性结节，肺结节内空泡影像自动定位原理如图2所示。

图2 肺结节内空泡影像自动定位原理

根据计算机视觉技术原理，首先对候选结节检测，候选结节检测部分通过区域生成网络实现，区域生成网络的目的是寻找潜在的结节区域[11-12]。将上述通过计算机视觉技术获取的影像信息作为输入数据，并输出一系列目标矩形框。为了生成候选区域，使用1个较小的滑动窗口网络对最后1个特征映射进行计算。若网络完全连接到空间串行端口，根据输入卷积特性，每个滑动窗口映射1个维数为512的低维向量，其区域生成网络结构如图3所示。

图3 区域生成网络

因该网络区域有众多可滑动控制的窗口，所以在连接各区域的空间位置可自由操作，在滑动窗口对应的位置，对可操作的区域进行预测。设有5个输出窗口，用于标识固定边框坐标[13-14]，分类层输出2个得分值用来估计每个候选区域是否为结节的概率。为了匹配生成网络的节层，采用卷积控制其类别，同时用较小程度的卷积网络控制节点特征，在每次操作过程中使标准层达到最大化，最终形成特征向量，其计算如下

(4)

公式(4)中，sf代表结节的特征向量，A代表卷积网络的输出得分，d为结节种类，c代表某一候选结节，a为结节预测概率。

由于上述过程生成候选结节集中存在大量的假阳性结节，所以对其去除[13-14]。将上一个计算检测出的候选区域，以其中心进行剪裁，将其输入到卷积层中提取特征，并提取其高层特征，自动定位肺结节内空泡影像，计算公式如下

(5)

在上述检测候选结节和去除假阳性结节的基础上，利用计算机视觉中的三维max-pooling和二元逻辑回归方式判断肺结节情况，以完成肺结节内空泡影像自动定位。为证明此次设计的算法的有效性，将在下一步进行实验。

3 实验对比

为了检验本文设计的基于计算机视觉的肺结节内空泡影像自动定位算法的定位效果以及可行性，以漏检数量多少作为证明此次设计定位算法的有效性依据，漏检数量越少代表定位越准确，反之代表定位效果差。为了保证实验的严谨性，采用传统算法与此次设计的基于计算机视觉的肺结节内空泡影像自动定位算法对比。

3.1 实验数据准备

实验采用SPSS 16.0，对某医院医疗数据库中的数据集进行分析，该数据集中的各个病例包含对应医师标注的文件，其中每个标注的记录包含最多4名医师的医学意见。对于肺结节内空泡影像的分布情况进行不同程度的观察和评估。按照实验要求挑选20套CT，参数设置如下：包含23个结节，结节中位置、大小等不同，因此对肺结节信息分类，一类是3～5 mm直径的肺结节5个；另一类是>5～10 mm直径的肺结节15个；第三类是>10～20 mm直径的肺结节3个。采用的实验标准是对比两种方法定位算法的漏检数量，两种方法的检测结果采用reception网络提取，以保证实验结果的准确性。

3.2 实验结果分析

传统定位算法与此次设计的基于计算机视觉的肺结节内空泡影像自动定位算法对于肺结节的漏检数量如表1所示。

表1 实验对比结果

分析表1实验结果可知，此次设计的定位方法检测到的3～5 mm直径的肺结节数量与实际肺结节数量相同，无漏检情况，传统方法检测到的3～5 mm直径的肺结节数量与实际肺结节数量相差2个，代表肺结节的漏检数量为2；在>5～10 mm直径的肺结节大小检测中，此次设计的方法与实际肺结节数量相差1个，代表漏检数量为1，而传统方法的检测数量与实际的数量相差5个，代表漏检数量为5；在>10～20 mm直径的肺结节大小检测中，此次设计的方法与实际肺结节数量相差0个，代表全部检测出肺结节，而传统方法的检测数量与实际的数量相差1个，代表漏检数量为1。在计算机视觉检测的基础上，利用本文方法和传统方法对肺结节内空泡影像自动定位，在相同情况下，对多层次的肺结节实行2次定位，定位速度为4.5～13.0 s,本文方法和传统方法定位的边缘空泡结果如图4所示。

(a)传统方法定位边缘空泡结果 (b)本文方法定位边缘空泡结果

由图4可知，本文方法定位结果边缘无多余空泡，而采用传统方法定位边缘会有多余空泡产生，边缘空泡可在一定程度上反应肺结节密度，CT影像显示肺结节内有含气间隙结构，含气间隙结构的大小、形态和位置与边缘空泡的性质有关。目前医疗诊断状况下多使用CT影像诊断肺结节，因此边缘空泡性质对医疗的诊断结果也会有影响。

综合实验对比结果可知，此次设计的基于计算机视觉的肺结节内空泡影像自动定位算法比传统算法的漏检数量少，能够准确对肺结节内空泡影像定位。因为此次设计的算法应用计算机视觉技术，能够准确获取影像信息，对肺结节内空泡影像自动定位。上述对比结果证明了此次设计的算法的有效性，能够为肺结节治疗提供一定的帮助。

4 结论与讨论

传统的肺结节内空泡影像自动定位算法存在漏检数量多的问题，针对这一问题，本文设计了一种基于计算机视觉的肺结节内空泡影像自动定位算法。首先利用计算机视觉技术提取肺结节内空泡影像信息，并对其进行灰度转换和滤波处理，然后通过检测候选结节和去除假阳性结节2个步骤实现了肺结节内空泡影像自动定位。以漏检数量作为两种算法的评判依据，实验对比结果表明，此次设计的基于计算机视觉的肺结节内空泡影像自动定位算法比传统算法的漏检数量少，本文方法定位结果边缘无多余空泡产生，在>10～20 mm直径的肺结节大小检测中，此次设计的方法与实际肺结节数量相差0个，代表全部检测出肺结节，说明能够准确对肺结节内空泡影像定位。希望此次设计的算法能够为肺结节诊断提供一定的帮助，以提高肺癌诊断的准确率。