专利名称：在计算x光断层摄影扫描中用于肺肿瘤二维和三维检测的方法、系统和计算机可读介质的制作方法
技术领域：
本发明一般涉及在X光断层摄影扫描中帮助放射科医师检测异常的计算机化方法和系统。
本发明还一般涉及用于数字图象自动分析的计算机化技术，所述技术例如在以下文献中的一个或多个中公开，所述文献包括美国专利4839807、4841555、4851984、4875165、4907156、4918534、5072384、5133020、5150292、5224177、5289374、5319549、5343390、5359513、5452367、5463548、5491627、5537485、5598481、5622171、5638458、5657362、5666434、5673332、5668888、5732697、5740268、5790690、5832103、5873824、5881124、5931780、5974165、5982915、5984870、5987345和6011862；美国专利申请08/173935、08/398307(PCT公开号WO 96/27846)、08/536149、08/562087、08/900188、08/900189、08/900191、08/900361、08/979623、08/979639、08/982282、09/027468、09/027685、09/028518、09/053798、09/092004、09/121719、09/131162、09/141535、09/156413、09/298852和09/471088；PCT专利申请PCT/US99/24007和PCT/US99/25998；以及美国临时专利申请60/160790以及2000年1月18日提交的委托号0730-0069-20 PROV，所有这些文献在此引作参考。在这些专利和申请中，5463548、5622171、5732697和5873824、专利申请08/562087、08/900361和09/027685、美国临时专利申请60/160790以及2000年1月18日提交的委托号0730-0069-20 PROV尤其重要。
本发明包括使用在以上美国专利和申请中描述和参考的、以及在“参考文献列表”的参考文献中描述并用对应于各个参考文献的括号中数字进行相互参考的各种技术，“参考文献列表”列出作者和出版年份，所述文献的全部内容，包括以上列出的相关专利和申请以及在“参考文献列表”中列出的参考文献，在此引作参考。
背景技术：
在1999年，肺癌在美国导致估计158900例的死亡，在美国男人和妇女中肺癌在癌症死亡原因中名列前矛[1]。在男人中，新癌症病例中15％为肺癌(其次为前列腺癌)；而在妇女中，13％的新癌症病例为肺癌(其次为乳腺癌)[1]。一些证据表明，更早检测肺癌能更及时地介入治疗，因而为患者得到更有利的预测[2，3]。
放射科医师使用常规的胸部X光照片会漏过估计30-40％的可检测出的潜在肺癌[4]。然而，普遍认识到，用于肺肿瘤检测的计算机化X光断层摄影(CT)扫描的灵敏度优于胸部X光照片的灵敏度[5-7]。为此，CT扫描一般认为是确认肿瘤存在的“黄金标准”。CT最重要的优点是它具有清楚描绘组织结构的能力，而胸部X光照片会产生叠加投影；CT扫描要求三维容积数据，而被X光照片捕获的图象把实际物体(即患者组织)压扁为二维。在成象分析中，此差别的实际结果是在CT扫描时被放射科医师漏过的外围癌症的平均尺寸发现为0.3cm，而X光照片为1.3cm[8]。
尽管在CT扫描中能有效地排除重叠组织结构的潜在伪装效果，但在CT图象中，小肺肿瘤的识别仍然被血管的突出物混淆。Croisille等[9]证明，当通过三维区域生长从图象中除去血管时，放射科医师检测肿瘤得到显著改进。辨别肿瘤和血管一般需要在多个CT剖面中进行视觉比较，每个CT剖面中都包含必须由放射科医师评估并且被吸收进扫描时所需的更大量容积数据中的信息。此处理导致疲劳和精神烦乱，尤其是当存在其它异常时[10]。肺肿瘤CT扫描的评估要求放射科医师基于检测时所需的超过50张图象在心里构造患者组织的三维表示。用计算机化的方法可有效地处理此任务，而由放射科医师来做就太繁重了。
尽管在CT扫描中必须被解释以检测肿瘤的图象的数量很多，但很少有调查人员参加到用于此项任务的计算机辅助诊断(CAD)技术开发中[11-15]。Ryan等[12]把肿瘤和血管分别模拟成球形和圆柱形容积。在所述表面上和在限定的立方体容积内比较软组织和空气密度，用于区分肿瘤和血管。他们的方法在未指明数量的病例中获得100％的灵敏度，但并未报道在每个病例中假阳性的数量。
kanazawa等[13]利用模糊群集算法识别血管和潜在的肿瘤。基于规则的方法结合肺边界和圆度信息之间的距离，此方法用于在每个剖面中从血管区别肿瘤。所报道的结果似乎指出他们的算法对224例的数据库获得86％的灵敏度，同时有11个假阳性病例。
Okumura等[14]利用空间过滤以自动地检测肿瘤。在82例的数据库中，总共检测出21个肿瘤，并有301个假阳性的区域。
Giger等[11]基于8个CT扫描的数据库开发自动的检测方案。为了在肺区域中从血管辨别肿瘤，结合多个灰度级阈值处理进行几何特征分析。基于每个剖面中可疑区域和相邻剖面可疑区域的比较进行最后的分选。所述方法的灵敏度水平是94％并且在每个病例中平均有1.25个假阳性检测。
最近，Armato等[15、16]把以上方法应用到17个螺旋CT扫描的数据库中，并把此方法延伸到包括模拟神经网络(ANN)[17]以辨别肿瘤和血管。接收器操作特性(ROC)分析[18]用于评估ANN的能力，以便在从分割肺区域内选择的候选物中辨别肿瘤和非肿瘤。ROC曲线以下的区域获得在0.90到0.99之间的平均值。
Armato等[19、20]所报道的三维方法用于17例数据库。用于把已识别的肿瘤候选物分成肿瘤或非肿瘤的线性判别式分析，产生70％灵敏度的总体肿瘤检测能力并在每个剖面中平均有三个假阳性检测。发现三维特征基本上有利于线性判别式分析分选器的判别能力。
Fiebich等[21]近来开发一种用肺癌筛选程序在低剂量螺旋CT扫描中检测肺肿瘤的计算机化方法。此方法获得95.6％的总体肿瘤检测灵敏度，且在每个研究中有大约15个假阳性检测。其它调查人员近来已应用于在CT图象中进行计算机化肺肿瘤检测这一重要任务。
许多研究机构使用螺旋CT规程，其中螺旋CT规程连续地需要图象数据作为患者表格，此表格通过扫描机翻译[25]。基于常规CT“阶段-摄影”要求，螺旋CT提供几个优点，包括减少扫描时间；提高患者处理量；降低移动的人为现象；具有一次屏息扫描的能力；以及具有追溯选择图象重显平面的能力[26]。这最后两个优点对于肺肿瘤检测特别重要。在一次屏息过程中执行的扫描消除在剖面之间因呼吸差异而发生的重合失调，追溯选择重显平面的能力使得图象最佳地捕获感兴趣区域。结果，在常规CT检查中产生假阴性的主要原因可用螺旋CT消除[27]。放射科医师使用螺旋CT检测肿瘤的灵敏度明显优于常规CT的，并使研究人员认为螺旋CT是用于肺肿瘤检测的优选的应用放射学手段。
螺旋CT的优点可使它作为肺癌筛选的手段[28]。而且，扫描要求更低的X光照射量以降低筛选个体的剂量[29、30]。目前在美国[31]、德国、以及日本[14]正进行使低剂量螺旋CT筛选肺癌有效的尝试。
然而，由于以上方法的缺点，因此，在胸部CT扫描中希望有一种检测肺肿瘤的改进方法。
发明内容
相应地，本发明的目的是提供一种用于在胸部CT扫描中检测肺肿瘤的改进的方法、系统和计算机可读介质。
本发明的另一目的是提供一种对从胸部CT扫描中得到的容积图象数据进行肺肿瘤自动分割的改进的方法、系统和计算机可读介质。
本发明的另一目的是提供一种对从肿瘤候选物得到的特征进行自动分析的改进的方法、系统和计算机可读介质，其中，所述肿瘤候选物在胸部CT扫描中识别。
这些和其它的目的根据本发明通过提供一种新型的方法、系统和计算机可读介质而实现，所述方法、系统和计算机可读介质用于在计算X光断层摄影(CT)图象扫描中自动检测肺肿瘤，包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；通过组合所述二维分割肺图象产生三维分割肺容积图象；从所述三维分割肺容积图象确定三维肺肿瘤候选物，包括在所述三维分割肺容积图象内识别满足容积标准的结构；从所述肺肿瘤候选物中获得特征；以及通过分析所述特征，从所述肿瘤候选物中排除假阳性肿瘤候选物，从而检测肺肿瘤。
在本发明的另一方面中，提供一种从计算X光断层摄影(CT)图象扫描中对肺区域自动分割的新型的方法、系统和计算机可读介质，其中包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；以及，通过组合所述二维分割肺图象产生三维分割肺容积图象。产生所述肺图象的步骤包括以下步骤对所述多个二维CT图象剖面进行分割，包括对所述CT图象剖面应用灰度级阀值以确定其中的胸部区域周线，从而产生二维分割胸部图象；以及，对所述分割胸部图象进行分割，包括对所述分割胸部图象应用灰度级阀值以确定其中的所述肺区域周线，从而产生所述二维分割肺图象。
在本发明的另一方面中，提供一种从计算X光断层摄影(CT)图象扫描中对肺肿瘤自动分割的新型的方法、系统和计算机可读介质，其中包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；通过组合所述二维分割肺图象，产生三维分割肺容积图象；以及，从所述三维分割肺容积图象识别三维肺肿瘤候选物，包括在所述三维分割肺容积图象内确定满足容积标准的结构。产生所述分割肺容积图象的步骤包括以下步骤在多个灰度级阀值下产生所述分割肺图象；以及在对应所述灰度级阀值的多个灰度级下，组合所述分割肺图象以产生分割肺容积图象。
在本发明的另一方面中，提供一种从计算X光断层摄影(CT)图象扫描中对肺肿瘤自动检测的新型的方法、系统和计算机可读介质，其中包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；通过组合所述二维分割肺图象，产生三维分割肺容积图象；从所述三维分割肺容积图象确定三维肺肿瘤候选物，包括在所述三维分割肺容积图象内识别满足容积标准的结构；从所述肺肿瘤候选物获得特征；以及，通过分析所述特征，从所述肿瘤候选物中排除假阳性肿瘤候选物而检测肺肿瘤。从所述肺肿瘤候选物获得所述特征的步骤包括对所述已识别的结构应用二维或三维径向梯度指数分析，以识别假阳性肿瘤候选物；以及，检测所述肺肿瘤的所述步骤包括分析所述径向梯度指数，从所述肿瘤候选物排除所述假阳性肿瘤候选物。
在本发明的另一方面中，提供一种从计算X光断层摄影(CT)图象扫描中对肺肿瘤自动检测的方法、系统和计算机可读介质，其中包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；通过组合所述二维分割肺图象，产生三维分割肺容积图象；从所述三维分割肺容积图象确定三维肺肿瘤候选物，包括在所述三维分割肺容积图象内识别满足容积标准的结构；从所述肺肿瘤候选物获得特征；以及，通过分析所述特征，从所述肿瘤候选物中排除假阳性肿瘤候选物而检测肺肿瘤。从所述肺肿瘤候选物获得所述特征的步骤包括对所述已识别的结构应用二维或三维相似性指数分析，以根据相邻肿瘤候选物的尺寸分布来计算肿瘤候选物的尺寸；以及，检测所述肺肿瘤的步骤包括分析所述相似性指数，从所述肿瘤候选物排除所述假阳性肿瘤候选物。
在本发明的另一方面中，提供一种从计算X光断层摄影(CT)图象扫描中对肺肿瘤特征自动分析的方法、系统和计算机可读介质，其中包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；通过组合所述二维分割肺图象，产生三维分割肺容积图象；从所述三维分割肺容积图象确定三维肺肿瘤候选物，包括在所述三维分割肺容积图象内识别满足容积标准的结构；以及，从所述肺肿瘤候选物获得特征。从所述肺肿瘤候选物获得所述特征的步骤包括从所述肿瘤候选物确定特征，所述特征包括以下特征中的至少一个结构容积、球度、等效球体的半径、最大紧密度、最大圆度、最大偏心度、结构内的平均灰度级、灰度级的标准偏差、以及结构容积第一次减少到容积上限以下时的灰度级阀值。
本发明进一步包括用于储存程序指令的计算机可读介质以及一种用于执行本发明方法的系统，其中，当储存的程序指令适当地装入计算机中时，本发明的方法通过所述程序指令执行。
根据本发明检测肺部肿瘤的自动化方案对于其中大部分病例不含肿瘤的筛选程序非常有利。结果，根据本发明，计算机化的检测方案有利地用作“第二阅读器”，希望能帮助放射科医师集中注意力在具有肺癌可疑区域的病例上。此方案还可有利地用于引导放射科医师到可疑的损害上，此损害值得在初步低剂量扫描检测之后立即进行高分辨率扫描。因而，根据本发明的自动检测方案可变为将来肺癌筛选规程的组成部分。
本发明在后述方面具有重大意义(1)CT扫描不断用于患者的诊断评估，以及(2)作为一种早期肺癌检测的可行手段，用低剂量螺旋CT筛选肺癌逐渐得到认可。然而，在单次CT检查中得到的大量图象数据对于必须解释此数据的放射科医师而言会迅速导致“信息过载”。近年来多片CT探测的开发将进一步加剧图象信息问题。因此，根据本发明的自动检测肺癌的方法相信对于放射科医师是有价值的帮助，从而有利于肺癌早期诊断。
当结合附图进行以下详细描述时，将容易获得对本发明更完全的评价和许多附带的优点，这也将更加容易理解，在附图中图1(a)-1(h)示出在胸部CT扫描中根据本发明自动检测肺肿瘤的方法的流程图，此流程图包括(a)二维分析以及(b)三维分析；图2(a)和2(b)为根据本发明的图象，所述图象示出(a)初始剖面图象和(b)从初始剖面图象自动分离的相应分割肺区域；图3示出根据本发明的从肺所有剖面的分割肺区域集合中得到的分割肺容积的图象；图4(a)和4(b)示出根据本发明从图2(b)图象中得到的分割肺区域，(a)为在90灰度级阈值下得到的图象而(b)为在150灰度级阈值下得到的图象，其中，阀值越高，保持为“on”的象素越少；图5(a)和5(b)为示出根据本发明的完全分割的肺容积的最大强度投影图象，其中，(a)的灰度级阀值为90而(b)为150；图6为示出本发明18点连接性方案的图形，此方案在三维空间中连接相邻的“on”象素组，其中，感兴趣的“on”象素(灰色)与其18个相邻点(由箭头指示)中同为“on”的点分成一组，并且在所有阈值肺容积中对所有“on”象素进行18点连接性方案；图7(a)和7(b)为根据本发明的示出后述内容的图象(a)通过18点连接性方案应用到在低灰度级阀值下产生的分割肺容积上而识别的单个三维结构的容积透视图，其中，此结构的大容积不能满足容积标准，(b)在更高灰度级阀值下产生的分割肺容积内，相同结构分解成多个更小的结构，其中许多结构满足容积标准并包括在肿瘤候选物集合中；图8(a)、8(b)、8(c)和8(d)根据本发明示出不同形状的结构如何影响径向梯度并描绘与各向异性图象数据一起使用的适当模型，其中，例如为肿瘤(a)的二维圆形结构比例如为血管(b)的线性结构得到更大的径向梯度指数，并且对于三维径向梯度指数，当voxel在空间上是各向同性(c)时，肿瘤可模拟成球体，而且由于从各向异性voxel得到真实的CT图象数据，因此肿瘤一般必须模拟成圆柱体结构(d)；图9为示出根据本发明的用于计算相似性指数的区域的图形，所述区域在肺分割区域内定义，其中，肺分割周线(最外面的周线)具有三个在其中被识别的空间区域，并且在单个区域内的结构特征的相对值用于区别肿瘤和正常组织；图10示出根据本发明的用于识别初始肿瘤候选物的在二维或三维中综合径向梯度指数和相似性指数的流程图；图11示出根据本发明的三维圆球度特征的图象，所述特征定义为结构容积的分数，所述结构包含在其中心为结构质心的等效容积球内；图12(a)和12(b)示出根据本发明的、与真实肿瘤对应的肿瘤候选物和与正常组织对应的肿瘤候选物的圆球度特征值(a)和象素值标准偏差特征值(b)的分布图；图13示出用于证明本发明自动化方法的总体肿瘤检测能力(即，作为每个剖面中假阳性检测数量的函数的检测灵敏度)的FROC曲线，其中所述曲线分别表示整个46例数据库(300个肿瘤)和具有1或2个肿瘤的病例子集(即20例)；图14为示出本发明方法的系统的方框图，所述方法用于在胸部CT扫描中自动检测肺肿瘤；以及图15为可根据本发明论述编程的通用计算机的示意图。
具体实施例方式
现在参照附图，其中，在几个视图中相同的参考号指相同或相应的部分，更具体地，对于其中的图1(a)和1(b)，示出根据本发明在胸部CT扫描中用于检测肺肿瘤的自动化方法的最高层方框图，这将进一步讨论。
本发明的总体方案现在结合图1(a)和1(b)进行一般描述，并且后面结合图1(a)-(h)、2(a)-(b)、3、4(a)-(b)、5(a)-(b)、6、7(a)-(b)、8(a)-(d)、9-11、12(a)-(b)以及13-15详细描述。
在图1(a)和图1(b)中，根据本发明的方法包括CT图象数据的初步采集(未示出)。在步骤102中，对于每个剖面图象，应用灰度级阀值以产生二进制图象。使用周线检测算法在二进制图象中识别最大“on”区域的外边缘，在此周线之内的所有图象象素的集合认为是分割胸部区域。
在步骤104中，在所有剖面中分割出气管和主支气管，在所有剖面中，气管和主支气管避免继续出现在分割肺区域内。从分割胸部区域内的剩余象素构建灰度级柱状图，识别第二灰度级阀值，应用第二灰度级阀值到分割的胸部以产生二进制图象。当存在1时，肺在前面的连接线处自动地分离。周线检测算法用于在二进制图象中识别最大“on”区域的外边缘，在这些周线(不包括识别为横隔膜的象素)之内的所有图象象素的集合认为是分割肺区域。用滚动球技术修改分割肺区域，以包含因最初灰度级阈值处理而错误排斥的象素。滚动球技术防止错误包含属于横隔膜的象素。具体CT扫描的所有剖面的分割胸部区域被认为形成完整的分割肺容积，这形成后续分析的基础。
在步骤106中，多灰度级阈值处理技术应用到分割肺容积，产生一系列阈值肺容积。在步骤108中，18点连接性方案用于在所有的阈值肺容积内识别单个三维结构。在步骤110中，容积标准用于把结构确认为肿瘤候选物。对所有肿瘤候选物计算特征矢量。然后，在步骤112和114中，特征矢量用作自动分选器的输入(例如线性判别式分析分选器[19、20、35]，ANN分选器[17、18]等)，以便从与正常组织对应的肿瘤候选物检测与实际肿瘤对应的肿瘤候选物。
46个螺旋胸部CT病例的数据库(总共有300个肺肿瘤的1290个单个剖面图象)用于开发根据本发明的方法并评估其性能。现在结合图1(a)-(h)、2(a)-(b)、3、4(a)-(b)、5(a)-(b)、6、7(a)-(b)、8(a)-(d)、9-11、12(a)-(b)以及13-15，详细描述根据本发明的用于检测胸部CT扫描中肺肿瘤的自动化系统、方法和计算机可读介质。
在图1(a)-(h)的流程图中，在得到CT剖面图象数据(未示出)之后，在步骤102中，通过从后述象素的值第一次构建累加的灰度级轮廓(步骤102a)而分割胸部，所述象素位于从剖面图象的角落延伸到图象中心的对角线上。分析此轮廓的形状(步骤102b)以识别一个灰度级作为阀值[11]。通过阈值处理剖面图象而产生二进制图象(步骤102c)，从而，如果剖面图象中象素的值大于灰度级阀值，相应象素在二进制图象中就变为“on”；二进制图象中所有其它的象素仍保持为“off”。八点周线检测(步骤102d)方案[32]用于构建环绕二进制图象(即胸部)最大“on”区域的最外边界的周线。位于此周线内的剖面图象中的象素集合定义分割胸部区域，并用于产生胸部分割图象(步骤102e)，从而，在分割胸部区域内的象素保留其初始值，同时，不包含在分割胸部区域内的象素分配0值。识别并排除代表检查表的各部分的象素，所述检查表包括在分割胸部区域内。而且，气管和主支气管基于区域生长技术[32]进行分割(步骤102f)，并且从分割胸部区域排除(如2000年1月18日提交的美国临时专利申请委托号0730-0069-20 PROV所述)。
在步骤104中，通过从位于分割胸部区域内的象素构建灰度级柱状图(步骤104a)，为具体的剖面开始最初的肺分割[11、16]。在此典型的双峰柱状图中，象素的分布用于识别单个灰度级(步骤104b)，作为在柱状图中宽阔的最小值之内的阀值[11]。通过阈值处理胸部分割图象产生二进制图象(步骤104c)，从而，如果胸部分割图象中象素的值小于灰度级阀值，二进制图象中的相应象素就变为“on”；二进制图象中所有其它的象素仍保持为“off”。如横跨所得到的二进制图象两侧的单个“on”区域存在，就表明灰度级阈值已“合并”两个肺并且在剖面图象中存在先前的连接线。此先前连接线基于二进制图象中的“劈裂点”位置和局部最大灰度级信息而自动地描绘。沿着先前连接线的象素变“off”，确保两个清晰肺区域的分割。
八点周线检测(步骤104d)方案[32]用于构建环绕二进制图象中两个最大“on”区域(即肺)的最外边界的周线。位于这些周线内的剖面图象中的象素集合定义分割肺区域并且用于产生肺分割图象，从而，在分割肺区域内的象素保持它们的初始值，同时，不包含在分割肺区域内的象素分配0值。应用滚动球算法[15、20](步骤104e)以纠正错误排斥稠密结构，所述稠密结构例如为近胸膜肿瘤和门血管。为了防止属于横隔膜的象素作用于分割肺区域，在从灰度级阈值产生的初始二进制图象上并结合滚动球技术(如2000年1月18日提交的美国临时专利申请委托号0730-0069-20 PROV所述)进行横隔膜分析(步骤104f)。
图2(a)和2(b)为示出初始剖面图象(a)和相应的分割肺区域(b)的图象，其中分割肺区域是从初始剖面图象自动选取的，如上所述。具体CT扫描所有剖面的分割肺区域被认为形成如图3所示的完整的分割肺容积；后续的分析限制在此容积。
在步骤106中，在形成分割肺容积之前，使用多灰度级阈值修改分割肺区域，以排除趋向于沿分割肺区域周围存在的明亮带；这些带的存在使18点连接性方案混淆，在后面，此方案应用于阈值肺容积。沿着与分割肺区域的外围垂直的直线，基于灰度级轮廓识别带。沿着每个带设置匹配的过滤器，并且，沿着每个带所获得的方向性梯度信息用于确保在从分割肺区域除去所述带时不排除近胸膜肿瘤。
在范围为值50-225的36个等间隔灰度级阀值的每一个上(步骤106a)，基于分割肺容积产生阈值肺容积(步骤106b)[20]。如果在每个CT剖面的肺区域中的象素的灰度级小于当前的灰度级阀值，那么此象素就为“off”；其灰度级大于此阀值的象素的值保持不变。
图2(b)中分割肺区域在以灰度级90和150阈值处理后的图象分别在图4(a)和4(b)中示出。从这些附图显而易见，阀值越高，保持为“on”的象素就越少，如图4(b)所示。分别在图5(a)和5(b)中示出由灰度级阀值90和150阈值处理的、示出全部分割肺容积的最大强度投影图象。从图4和5显而易见，随着灰度级阀值增加，在任何一个剖面的肺区域中所剩余的象素数量减少，并且在对应的阈值肺容积中所剩余的象素数量减少。
在步骤108中，在每个阀值水平时，所有保持为“ON”的象素通过三维18点连接性方案分成一组(步骤108a)。在此方案中，如图6所示，在阈值肺容积内的“on”象素(即“感兴趣象素”)602与在18-象素邻域之内存在的所有“on”象素一起分组，18象素邻域包括(1)在当前剖面606中与感兴趣象素602接界的8个象素604；(2)就在当前剖面606之上的剖面610之中与感兴趣象素602空间对应的象素608、以及其4个最近的邻居612；以及(3)就在当前剖面606之下的剖面616之中与感兴趣象素602空间对应的象素614、以及4个最近的邻居618。在本文中“分组”意味着确定象素属于相同的三维结构。上述方法应用于每个阈值肺容积中的所有“on”象素。以此方式识别在所有36个阈值容积中的单个结构。
在步骤110中，每一单个结构的几何容积通过包含在所述结构内的象素数量乘以已知的voxel(即，在三维空间中定义容积元素的图形信息单位)尺寸而计算(步骤110a)。例如，其容积小于直径为3cm的球体(即容积14.1cm3)的结构包括在肿瘤候选物集合中(步骤110b)。此容积上限的依据是病理学中一般可接受的最大尺寸，此容积在X光照相中称作“肿瘤”[33]。
图7(a)示出通过18点连接性方案识别的单个三维结构的容积透视图，所述方案应用到在低灰度级阀值(如90)下所产生的分割肺容积，其中，此结构的大容积不满足容积标准。在图7(b)中，对于在更高灰度级阀值(如150)下所产生的分割肺容积，相同结构分裂成多个更小的结构，其中许多小结构满足容积标准并且包括在肿瘤候选物集合中。从图7显而易见，在低灰度级阀值时，在相应阈值肺容积之内通过18点连接性识别的结构倾向于较大，然而，在更高的灰度级阀值时，相同结构分裂成多个在相应分割肺容积之内的更小的结构，这些更小结构中的许多都适合作为肿瘤候选物。
在单个结构最初满足容积标准之后，区域腐蚀技术应用到所述结构上(步骤110c)。区域腐蚀判定某一结构是否由两个或多个更小的结构组成。一旦结构容积减小到低于上限，后续的灰度级阀值只应用到此结构的象素上。当阀值增加一个灰度级时，计算受腐蚀结构的容积。如果所述“结构”实际上包括单个结构，那么随着灰度级阀值增加，所述容积平稳地减少。然而，如果容积的减小不平稳，(1)初始“结构”连接到不属于主结构的象素并且区域腐蚀技术已对初始结构产生更准确的分割，或者(2)初始“结构”实际上包括两个结构，那么，所述两个结构都被指定为肿瘤候选物。在任一情况下，区域腐蚀提供更准确的肿瘤候选物集合。
Hough变换已从二维扩展到三维中，以识别和排除细长的椭圆体肿瘤候选物(步骤110d)，所述肿瘤候选物与相应的正常组织有很高的相似性(如在[32]和美国临时专利申请60/160790中所述)。把实际肿瘤从非肿瘤中分离出的另外一种技术是用径向梯度指数[34]对图象数据进行预处理。此种预处以2D或3D执行(步骤110d)。若用2D，在2D剖面的每个点上，获得用于各种灰度增量的周线。也就是说，剖面中的每个象素位置被看作是潜在肿瘤的中心。围绕每个周线计算径向梯度指数。径向梯度RGI由下式给出RGI=(Σ(x,y)∈M||G^(x,y)||)-1Σ(x,y)∈MG^(x,y)r^(x,y)||r^(x,y||]]>这里， (x，y)是f(x，y)在位置(x，y)上沿着由所述周线确定的边缘的梯度矢量，并且，r(x，y)/‖r(x，y)‖是在位置(x，y)上正规化的径向矢量。注意，在产生周线之前，对于CT数据一般不需要约束函数。具有最大径向梯度指数的周线对应于分割损害候选物。径向梯度指数小于给定截止点(如0.75)的那些候选物被排除。在三维中，周线用表面取代(即，在特定的灰度级增量下，形成表面并且计算径向梯度指数)。接着，从进一步的分析中，排除其3D径向梯度指数小于某些截止值(如0.50)的那些候选物。注意，3D径向梯度分析可变更为补偿剖面厚度，这提供CT数据的各向异性。在此情况下，人们可以在径向梯度计算中建立圆柱体模型以替代球体，如图8所示。
图8(a)、8(b)、8(c)和8(d)示出不同形状的结构如何影响径向梯度并且描绘与各向异性图象数据一起使用的适当模型。在图8(a)中以二维尺寸绘出的圆形结构如肿瘤，会比线性结构如图8(b)中绘出的血管产生更大的径向梯度指数。为了计算三维径向梯度指数，当voxel在空间上是各向同性时，肿瘤可模拟成球体，如图8(c)所示。然而，由于实际的CT图象数据从各向异性voxel得到，因此，肿瘤一般必须模拟成圆柱体结构，如图8(d)所示。
例如，根据相邻候选物的尺寸分布，使用相似性指数来计算肿瘤候选物的尺寸。应指出，在到核心的给定距离上，肿瘤的特征会明显不同于相邻血管的相应特征。这些技术用来增强灵敏度并在后述特征-矢量计算之前减少肿瘤候选物的数量。
图9示出在肺分割区域内定义的用于相似性指数计算的区域。肺分割周线902(即最外面的周线)具有在其中识别的三个空间区域或邻域904、906和908。在单个区域904、906和908内的结构特征的相对值(如，相对有效直径、相对有效面积、相对有效圆度、相对有效紧密度等)用于辨别肿瘤和正常组织。这些邻域904、906和908可以重叠。另外，相似性指数还可结合肿瘤候选物与核心之间距离的知识。
图10中描绘出综合以上技术的流程图。在图10中，综合运用在二维或三维中识别初始肿瘤候选物的径向梯度指数和相似性指数。在步骤1002中，计算径向梯度指数和相似性指数。在步骤1004中，采用适当的阀值。在步骤1006中，在给定图象区域内计算特征值。在步骤1008中，在所述图象区域内识别初始肿瘤候选物。对每个肿瘤候选物一般计算9个特征(步骤110f)。这些特征例如包括6个几何特征(如结构容积、球度、等效球体的半径、最大紧密度、最大圆度和最大偏心度)以及3个灰度级特征(如结构内的平均灰度级、灰度级的标准偏差、以及结构容积第一次减少到容积上限以下时的灰度级阀值)。最大紧密度、最大圆度和最大偏心度是各个二维特征的最大值，所述二维特征是为所有存在特殊结构的剖面而计算的。图11示出三维球度特征(即定义成结构容积的分数，所述结构包含在中心为结构质心的等效容积球之内)。
图12中图形示出以上两个特征的分布。图12(a)为示出球度特征值的分布图，所述球度特征值分别表示与实际肿瘤相应的肿瘤候选物和与正常组织相应的肿瘤候选物。图12(b)为示出象素值标准偏差特征值的分布图，所述象素值标准偏差特征值分别表示与实际肿瘤相应的肿瘤候选物和与正常组织相应的肿瘤候选物。基于这些特征的分布，利用基于规则的度量(如[13]和专利5463548、5622171、5732697和5873824、以及专利申请08/562087、08/900361和09/027685中所述)(步骤110g)来排除大部分与正常组织相应的肿瘤候选物(即假阳性检测)。在步骤112中，例如通过自动线性分选器[19、20、35]、ANN分选器(如在[17、18]和专利5463548、5622171、5732697和5873824、以及专利申请08/562087、08/900361和09/027685中所述)等，分析以上剩余肿瘤候选物的特征值(步骤112a)，减少在步骤114中一定要检测的肿瘤候选物的数量。
图13描述在综合前述方法对46例数据库进行检测时总体肿瘤检测能力的自由响应接收器工作特性曲线(FROC)[36]。46例数据库中的病例包含1-54个肿瘤。然而，将从自动肿瘤检测中潜在获益最多的患者是那些早期肺癌患者，而有大量肿瘤的患者最有可能有转移性疾病。因此，图13描述在对所述病例子集(即20个病例)检测时总体肿瘤检测能力的FROC曲线，所述病例子集包含最多两个肿瘤，注意，对这20个病例的检测能力代表对潜在临床意义的更准确评估。如图13所示，对这最多包含两个肿瘤的20个病例，获得89％的总体肿瘤检测灵敏度且对每个剖面平均有1.2个假阳性检测；同时，对全部46例数据库获得69％的总体肿瘤检测灵敏度且对每个剖面平均有1.6个假阳性检测。
本发明提供一种在螺旋胸部CT扫描中用于自动检测肺肿瘤的改进方法。本方法使用灰度级阈值处理技术，对图象数据之内的肺容积进行分割。然后，结合容积标准应用多个灰度级阀值，识别三维肿瘤候选物集合。例如使用线性判别式分析作为自动分选器，减少对应于非肿瘤结构的候选物的数量。此方法证明，它在CT扫描中准确检测肺肿瘤的能力是有希望的。
图14是用于执行本发明上述处理的系统的方框图。对于此系统，从图象采集设备1402获得目标的CT扫描，以备系统处理。每个图象存入内存或数据库1404。具体CT扫描的每个剖面图象的图象数据首先通过胸部分割设备1406，然后通过肺分割设备1408。对于具体CT扫描的每个剖面图象，肺分割设备1408的输出合并到肺-容积-分割设备1410。分割肺容积数据重复通过灰度级-阈值处理设备1412，产生一系列阈值的肺容积，每个容积接着通过18点连接性设备1414和容积标准设备1416。此列设备的输出是肿瘤候选物集合，然后通过特征计算设备1418。特征计算设备1418的输出送到自动分选器设备1420(如线性判别式分析分选器[19、20、35]、ANN分选器[17、18]等)，其结果输送到检测设备1422。在叠加设备1424中，结果叠加在图象上，以文件格式储存；或者以文本格式给出结果。然后，所述结果在通过数字-模拟转换器(DAC)1426之后在显示设备1428上显示出。
图15示意性地示出通用计算机1500，它可根据本发明的论述编程。在图15中，计算机1500执行本发明的处理，其中，计算机例如包括实现图14中显示设备1428的显示设备1502(如具有触摸屏界面的触摸屏监视器等)；键盘1504；定点设备1506；鼠标垫或数字化板1508；实现图14中内存或数据库设备1404的硬盘1510或其它固定的高密度介质设备，此设备用适当的设备总线(如SCSI总线、增强IDE总线、超DMA总线、PCI总线等)连接；软驱1512；具有磁带或CD介质1516的磁带或CD ROM设备1514、或其它可移动的介质设备，如磁光介质等；以及主板1518。主板1518例如包括用于实现图14中设备1404-1424的处理器1520、RAM1522、和ROM1524(如DRAM、ROM、EPROM、EEPROM、SRAM、SDRAM和闪存等)；可用于耦合图象采集设备(如图14中的图象采集设备1402)的I/O端口1526；以及用于执行专门的硬件/软件功能如声音处理、图象处理、信号处理、神经网络处理、自动分选等和用于实现图14中设备1426的可选专门逻辑设备(如ASIC等)或可配置的逻辑设备(如GAL和可再编程的FPGA)1528；麦克风1530；以及一个或多个扬声器1532。
如上所述，本系统包括至少一个计算机可读介质。计算机可读介质的实例为CD、硬盘、软盘、磁带、磁光盘、PROM(EPROM、EEPROM、闪存)、DRAM、SRAM、SDRAM等。本发明包括用于控制计算机1500的硬件和使计算机1500与操作人员互动的软件，所述软件储存在任何一个或一组计算机可读介质上。此种软件可包括，但不局限于，设备驱动软件、操作系统和用户应用软件如开发工具。此种计算机可读介质进一步包括用于执行本发明上述任一项处理(例如，参见图1、6、8、9、10和14)的本发明计算机程序产品。本发明的计算机编码器可以是任何翻译机构或可执行代码机构，包括但不局限于文稿编排程序、翻译程序、动态链接程序库、Java程序以及完全可执行的程序等。
通用计算机1500的编程包括用于数字化并储存从图象采集设备(如图14中的图象采集设备1402)获得的图象的软件模块。可替换地，本发明还可处理从图象中获得的数字数据，所述图象从其它装置如图片档案库通讯系统(PACS)获得。换而言之，被处理的数字图象经常以数字形式存在，在实践本发明时不需转换成数字形式。
相应地，在本文论述中提出的机构和处理可用根据本说明书内容所编程的常规通用微处理器或计算机来执行，这对于相关领域技术人员是可以理解的。根据本文论述，有经验的程序员容易准备适当的软件编码，这对于相关领域技术人员也是显而易见的。然而，本领域技术人员容易明白，本发明还可通过制备专门的集成电路或通过互连常规组件电路的适当网络来执行。
因而，本发明还包括基于计算机的产品，所述产品可存在存储介质上并可包括用于对通用微处理器或计算机编程的指令，以执行根据本发明的处理。此存储介质可包括，但不局限于，任何类型的盘如软盘、光盘、CD-ROM、磁光盘、ROM、RAM、EPROM、EEPROM、闪存、磁卡或光卡；或者任何类型的适用于储存电子指令的介质。
简单再说明一下，本发明的图象处理方面提供一种基于多灰度级阈值、区域腐蚀和特征引用技术在胸部CT扫描(例如用标准螺旋规程或低剂量螺旋规程获得的)中检测肺肿瘤的计算机化和自动的改进方法。对于每个剖面图象，灰度级阀值用于产生二进制图象。周线检测算法在二进制图象中识别最大“on”区域的外边缘，位于此周线之内的所有图象象素的集合定义分割胸部区域。分割气管和主支气管，防止以后包含在分割肺区域内。从分割胸部区域中的象素构建灰度级柱状图，以识别第二灰度级阀值，第二灰度级阀值应用于分割的胸部以产生二进制图象。当存在1时，肺在先前的连接线处自动地分离。周线检测算法在二进制图象中识别最大“on”区域的外边缘，位于这些周线之内的所有图象象素(不包括确定为横隔膜的象素)的集合定义分割肺区域。用滚动球技术修改分割肺区域，以便包含可能已经被灰度级阈值错误地排斥在外的象素。滚动球技术防止错误包含属于横隔膜的象素。从具体CT扫描的所有剖面得到的分割肺区域形成分割肺容积，它形成后续分析的基础。多灰度级阈值处理技术应用到分割肺容积，产生一系列的阈值肺容积。使用18点连接性方案来在所有阈值肺容积中识别单个三维结构。容积标准用于确定结构是否适合作为肿瘤候选物。对所有肿瘤候选物计算特征矢量。这些特征矢量用作自动分选器的输入，以区别与实际肿瘤相应的肿瘤候选物和与正常组织相应的肿瘤候选物。
本发明的新开发和实施包括以下技术从正常的肺部组织孤立肺肿瘤的区域腐蚀；利用相似性指数初步识别肺肿瘤；用三维过滤器卷积图象数据，以提高检测能力。相应地，本发明技术具有帮助放射科医师在胸部螺旋计算X光断层摄影(CT)扫描中自动检测损害的潜力。
尽管本发明按照引用的特征，如结构容积、球度、等效球体的半径、最大紧密度、最大圆度和最大偏心度、结构内的平均灰度级、灰度级的标准偏差、以及结构容积第一次减少到容积上限以下时的灰度级阀值等等，进行描述，以减少假阳性，但是，其它特征，如有效直径、圆度和不规则度、有效直径、圆度和不规则度的斜率、平均梯度、梯度方向的标准偏差、对比度和净对比度(如专利申请08/562087中所述)，也可引用，这对相关领域技术人员是可理解的。
显然，根据以上论述，对本发明可作许多变更和变化。因此可以理解，只要在后附权利要求的范围之内，本发明可在本文专门所述以外的其它方面进行实践。
参考文献列表[1].Landis SH、Murray T、Bolden S、Wingo PA，“癌症统计，1999”，CA临床医生癌症杂志498-31，1999。
.Heelan RT、Flehinger BJ、Melamed MR等，“非小细胞肺癌纽约筛选程序的结果”，放射医学151289-293，1984。
.Sone S、Takashima S、LiF等，“用移动螺旋计算X光断层摄影扫描仪对肺癌进行质量筛选”，柳叶刀3511242 1245，1998。
.Naidich DP、Zerhouni EA、Siegelman SS，“胸部计算X光断层摄影”，纽约，NYRaven出版社，1984。
.Webb WR，“胸部计算X光断层摄影的进展”，北美放射医学临床，21723 739，1983。
.Pugatch RD、Faling LJ，“胸部计算X光断层摄影状态报告”，胸部80618 626，1981。
.Muhm JR、Brown LR、Crowe JK，“用计算X光断层摄影检测肺部肿瘤”，美国X光学科杂志，128267 270，1977。
.Gurney JW，“在CT时漏过的肺癌在9个患者中的成象发现”，放射医学199117 122，1996。
.Croisille P、Souto M、Cova M等，“肺肿瘤具有血管分割的改进检测和具有螺旋CT的提取”，放射医学197397 401，1995。
.White CS、Romney BM、Mason AC等，“在CT时忽略的早期肺癌对14个患者中发现的分析”，放射医学199109 115，1996。
.Giger ML、Bae KT、MacMahon H，“在计算X光断层摄影图象中计算机化检测肺部肿瘤”，放射医学研究29459 465，1994。
.Ryan WJ、Reed JE、Swensen SJ、Sheedy PF、Jr.，“在CT中肺部肿瘤的自动检测”，InH.U.Lemke、M.W.Vannier、K.Inamura和A.G.Farman、eds.，计算机辅助放射医学学报，AmsterdamElsevier Science；1996385 389。
.Kanazawa K、Kubo M、Niki N等，“基于螺旋图象的计算机辅助肺癌诊断”，InR.T.Chin、H.H.S.Ip、A.C.Naiman和T.-C.Pong、eds，图象分析应用和计算机图形第三届国际计算机科学会议论文，BerlinSpringer-Verlag；1995323 330。
.Okumura T、Miwa T、Kako J等，“采用CT的肺癌筛选系统(LSCT)的计算机辅助诊断的图象处理”，SPIE论文33381314 1322，1988。
.Armato SG、III、Giger ML、Moran CJ等，“在胸部计算X光断层摄影图象中肺部肿瘤的自动检测”，SPIE论文3338916 919，1998。
.Armato SG、III、Giger ML、Moran CJ等，“在计算X光断层摄影扫描中肺肿瘤的计算机化检测”，InK.Doi、H.MacMahon、M.L.Giger和K.R.Hoffmann、eds，在医学图象中的计算机辅助诊断，AmsterdamElsevier Science；1999119 123。
.Pao Y-H，“自适应图案识别和神经网络”，阅读，MAAddison-Wesley出版社；1989。
.Metz CE，“在放射医学成象中的ROC方法论”，放射医学研究21720 733，1986。
.Armato SG、III、Giger ML、Moran CJ等，“在CT扫描时肺部肿瘤的计算机化检测”，X光照相191303 1311，1999。
.Armato SG、III、Giger ML、Blackburn JT等，“在螺旋CT中检测肺肿瘤的三维方法”，SPIE论文3661553 559，1999。
.Fiebich M、Wietholt C、Renger BC等，“在低剂量筛选胸部CT检查中肺部肿瘤的自动检测”，SPIE论文36611434 1439，1999。
.Satoh H、Ukai Y、Niki N等，“基于追溯螺旋CT图象的肺癌计算机辅助诊断系统”，SPIE论文36611324 1335，1999。
.Taguchi H、Kawata Y、Niki N等，“使用弯曲表面形态分析的基于螺旋CT图象的肺癌检测”，SPIE论文36611307 1314，1999。
.Lou S-L、Chang C-L、Lin K-P、Chen T-S，“用于3-D CT肺肿瘤检测的基于目标的变形技术”，SPIE论文36611544 1552，1999。
.Kalender WA、Seissler W、Klotz E、Vock P，“具有一次屏息技术、连续输送和连续扫描仪旋转的螺旋容积CT”，放射医学176181 183，1990。
.Vannier MW、Wang G，“螺旋CT原理”，InM.Remy-Jardin和J.Remy eds，胸部螺旋CT，BerlinSpringer；1996132。
.Remy-Jardin M、Remy J、Giraud F、Marquette C-H，“肺部肿瘤厚剖面螺旋CT检测-常规CT检测”，放射医学187513 520，1993。
.Kaneko M、Eguchi K、Ohmatsu H等，“外围肺癌低剂量螺旋CT-X光照相的筛选和检测”，放射医学201798 802，1996。
.Rusinek H、Naidich DP、McGuinness G等，“肺部肿瘤检测低剂量-常规CT”，放射医学209243 249，1998。
.Diederich S、Lenzen H、Windmann R等，“肺部肿瘤低剂量CT的试验与临床研究”，放射医学213289 298，1999。
.Henschke CI、McCauley DI、Yankelevitz DF等，“早期肺部活动投影基线筛选的总体设计和发现”，柳叶刀35499 105，1999。
.Sonka M、Hlavac V、Boule R，“图象处理、分析和机器视觉”，Pacific Grove，CABrooks/Cole出版社；1999。
.Tuddenham WJ，“胸部放射医学术语汇编Fieischner学会命名委员会的推荐“，美国X光学科杂志，143509 517，1984。
.Kupinski MA、Giger ML，“在乳房数字X光照片上分割自动播种的损害”，IEEE关于医学成象的学报17510 517，1998。
.Johnson RA、Wichern DW，“应用多元统计分析”，Englewood Cliffs，NJPrentice Hall；1992。
.Bunch PC、Hamilton JF、Sanderson GK、Simmons AH，“放射医学观察器性能的测量和表征的自由响应方法”，SPIE论文127124 135，1997。
权利要求
1.一种在计算X光断层摄影(CT)图象扫描中自动检测肺肿瘤的方法，其中包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；通过组合所述二维分割肺图象产生三维分割肺容积图象；从所述三维分割肺容积图象确定三维肺肿瘤候选物，包括在所述三维分割肺容积图象内识别满足容积标准的结构；从所述肺肿瘤候选物中获得特征；以及通过分析所述特征，从所述肿瘤候选物中排除假阳性肿瘤候选物，从而检测肺肿瘤。
2.如权利要求1所述的方法，其中，产生所述分割肺图象的所述步骤包括以下步骤通过对所述多个二维CT图象剖面进行分割，包括对所述CT图象剖面应用灰度级阀值以确定其中的胸部区域周线，从而产生二维分割胸部图象；以及通过对所述分割胸部图象进行分割，包括对所述分割胸部图象应用灰度级阀值以确定其中的所述肺区域周线，从而产生所述二维分割肺图象。
3.如权利要求2所述的方法，其中，产生所述分割胸部图象的所述步骤进一步包括以下步骤利用区域生长，从所述分割胸部图象中分割出气管和主支气管。
4.如权利要求2所述的方法，其中，产生所述分割肺图象的所述步骤进一步包括以下步骤利用横隔膜分析，从所述分割肺图象中分割出横隔膜。
5.如权利要求1所述的方法，其中，产生所述分割肺容积图象的所述步骤包括在多个灰度级阀值下产生所述分割肺图象；以及在对应所述灰度级阀值的多个灰度级下组合所述分割肺图象，产生分割肺容积图象。
6.如权利要求5所述的方法，其中，识别所述结构的所述步骤包括对其中具有一个或多个象素的给定分割肺图象中的象素、位于所述给定分割肺图象之上的分割肺图象中的一个或多个象素以及位于所述给定分割肺图象之下的分割肺图象中的一个或多个象素进行分组，确定结构；在所述多个灰度级阀值下执行所述分组步骤；在所述多个灰度级阀值下计算所有已确定结构的容积；以及通过比较所述已确定结构在所述多个灰度级下的计算容积和所述容积标准，确定所述肿瘤候选物。
7.如权利要求6所述的方法，其中进一步包括对所述肿瘤候选物使用区域腐蚀，确定所述肿瘤候选物是否包括一个或多个更小的结构。
8.如权利要求1所述的方法，其中，从所述肺肿瘤候选物获得所述特征的所述步骤包括以下步骤中的一个在所述已识别的结构上应用二维或三维Hough变换，识别与相应的正常组织有高度相似性的细长或椭圆体肿瘤候选物，对所述已识别的结构应用二维或三维径向梯度指数分析，以识别假阳性肿瘤候选物，以及对所述已识别的结构应用二维或三维相似性指数分析，根据相邻肿瘤候选物的尺寸分布来计算肿瘤候选物的尺寸；以及检测所述肺肿瘤的所述步骤包括分析所述Hough变换、所述径向梯度指数和相似性指数中的至少一个，以便从所述肿瘤候选物中排除所述假阳性肿瘤候选物。
9.如权利要求8所述的方法，其中，应用二维径向梯度指数分析的所述步骤包括对于多个灰度级增量，在所述分割肺图象中获得周线，把每个象素在分割肺图象中的位置处理成潜在肿瘤的中心，以及围绕每根周线计算所述径向梯度指数(RGI)，其中RGI由下式给出RGI=(Σ(x,y)∈M||G^(x,y)||)-1Σ(x,y)∈MG^(x,y)r^(x,y)||f(x,y)||]]>这里， (x，y)是f(x，y)在位置(x，y)上沿着由周线确定的边缘的梯度矢量，并且，r(x，y)/‖r(x，y)‖是在所述位置(x，y)上正规化的径向矢量；以及检测所述肺肿瘤的所述步骤包括比较所述径向梯度指数和预定的阀值，以便从所述肿瘤候选物中排除所述假阳性肿瘤候选物。
10.如权利要求8所述的方法，其中，应用三维径向梯度指数分析的所述步骤包括对于多个灰度级增量，在所述分割肺容积图象中获得表面，把每个象素在分割肺容积图象中的位置处理成潜在肿瘤的中心，以及环绕每个表面计算所述径向梯度指数(RGI)，其中RGI由下式给出RGI=(Σ(x,y)∈M||G^(x,y)||)-1Σ(x,y)∈MG^(x,y)r^(x,y)||r^(x,y)||]]>这里， (x，y)是f(x，y)在位置(x，y)上沿着由表面确定的边缘的梯度矢量，并且，r(x，y)/‖r(x，y)‖是在所述位置(x，y)上正规化的径向矢量；以及检测所述肺肿瘤的所述步骤包括比较所述径向梯度指数和预定的阀值，从所述肿瘤候选物中排除所述假阳性肿瘤候选物。
11.如权利要求8所述的方法，其中，应用二维相似性指数分析的所述步骤包括在所述分割肺图象中确定周线，在所述周线内确定区域，以及在所述区域内确定结构特征的相对值，以区别肿瘤和正常组织；以及检测所述肺肿瘤的所述步骤包括比较结构特征的所述相对值和预定阀值，从所述肿瘤候选物中排除所述假阳性肿瘤候选物。
12.如权利要求8所述的方法，其中，应用三维相似性指数分析的所述步骤包括在所述分割肺容积图象中确定表面，在所述表面内确定区域，以及在所述区域内确定结构特征的相对值，以区别肿瘤和正常组织，所述结构特征包括相对有效直径、相对有效面积、相对有效圆度和相对有效紧密度中的至少一个；以及检测所述肺肿瘤的所述步骤包括比较结构特征的所述相对值和预定阀值，从所述肿瘤候选物中排除所述假阳性肿瘤候选物。
13.如权利要求8所述的方法，其中，从所述肺肿瘤候选物获得所述特征的所述步骤包括从所述肿瘤候选物确定特征，所述特征包括以下特征中的至少一个结构容积、球度、等效球体的半径、最大紧密度、最大圆度、最大偏心度、结构内的平均灰度级、灰度级的标准偏差、以及结构容积第一次减少到容积上限以下时的灰度级阀值；以及检测所述肺肿瘤的所述步骤包括以下步骤中的一个对所述已确定的特征进行基于规则的分析，从所述肿瘤候选物中排除所述假阳性肿瘤候选物，以及对所述已确定的特征应用自动分选器，从所述肿瘤候选物中排除所述假阳性肿瘤候选物。
14.如权利要求13所述的方法，其中，使用所述自动分选器的所述步骤包括使用线性判别式分析分选器和神经网络分选器中的一个。
15.如权利要求1所述的方法，其中，在执行产生所述三维分割肺容积图象的所述步骤之前，使用灰度级阈值处理来排除环绕所述二维分割肺图象外围的明亮带。
16.一种从计算X光断层摄影(CT)图象扫描中对肺区域自动分割的方法，其中包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；以及通过组合所述二维分割肺图象产生三维分割肺容积图象；其中，产生所述分割肺图象的所述步骤包括以下步骤对所述多个二维CT图象剖面进行分割，包括对所述CT图象剖面应用灰度级阀值以确定其中的胸部区域周线，从而产生二维分割胸部图象；以及对所述分割胸部图象进行分割，包括对所述分割胸部图象应用灰度级阀值以确定其中的所述肺区域周线，从而产生所述二维分割肺图象。
17.如权利要求16所述的方法，其中，产生所述分割胸部图象的所述步骤进一步包括使用区域生长，从所述分割胸部图象分割气管和主支气管。
18.如权利要求16所述的方法，其中，产生所述分割肺图象的所述步骤进一步包括使用横隔膜分析，从所述分割肺图象分割出横隔膜。
19.如权利要求16所述的方法，其中，在执行产生所述三维分割肺容积图象的所述步骤之前，使用灰度级阈值处理来排除环绕所述二维分割肺图象外围的明亮带。
20.一种从计算X光断层摄影(CT)图象扫描中对肺肿瘤自动分割的方法，其中包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；通过组合所述二维分割肺图象，产生三维分割肺容积图象；以及从所述三维分割肺容积图象确定三维肺肿瘤候选物，包括在所述三维分割肺容积图象内识别满足容积标准的结构；其中，产生所述分割肺容积图象的所述步骤包括在多个灰度级阀值下产生所述分割肺图象；以及在对应所述灰度级阀值的多个灰度级下，组合所述分割肺图象以产生分割肺容积图象。
21.如权利要求20所述的方法，其中，识别所述结构的所述步骤包括对其中具有一个或多个象素的给定分割肺图象中的象素、位于所述给定分割肺图象之上的分割肺图象中的一个或多个象素以及位于所述给定分割肺图象之下的分割肺图象中的一个或多个象素进行分组，确定结构；在所述多个灰度级阀值下执行所述分组步骤；在所述多个灰度级阀值下计算所有已确定结构的容积；以及通过比较所述已确定结构在所述多个灰度级下的计算容积和所述容积标准，确定所述肿瘤候选物。
22.如权利要求21所述的方法，其中进一步包括对所述肿瘤候选物使用区域腐蚀，确定所述肿瘤候选物是否包括一个或多个更小的结构。
23.如权利要求20所述的方法，其中，在产生所述三维分割肺容积图象的所述步骤之前，使用灰度级阈值处理来排除环绕所述二维分割肺图象外围的明亮带。
24.一种从计算X光断层摄影(CT)图象扫描中对肺肿瘤自动检测的方法，其中包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；通过组合所述二维分割肺图象，产生三维分割肺容积图象；从所述三维分割肺容积图象确定三维肺肿瘤候选物，包括在所述三维分割肺容积图象内识别满足容积标准的结构；从所述肺肿瘤候选物获得特征；以及通过分析所述特征，从所述肿瘤候选物中排除假阳性肿瘤候选物而检测肺肿瘤；其中，从所述肺肿瘤候选物获得所述特征的所述步骤包括对所述已识别的结构应用二维或三维径向梯度指数分析，以识别假阳性肿瘤候选物；以及检测所述肺肿瘤的所述步骤包括分析所述径向梯度指数，从所述肿瘤候选物排除所述假阳性肿瘤候选物。
25.如权利要求24所述的方法，其中，应用二维径向梯度指数分析的所述步骤包括对于多个灰度级增量，在所述分割肺图象中获得周线，把每个象素在分割肺图象中的位置处理成潜在肿瘤的中心，以及围绕每根周线计算所述径向梯度指数(RGI)，其中RGI由下式给出RGI=(Σ(x,y)∈M||G^(x,y)||)-1Σ(x,y)∈MG^(x,y)r^(x,y)||r^(x,y)||]]>这里， (x，y)是f(x，y)在位置(x，y)上沿着由周线确定的边缘的梯度矢量，并且，r(x，y)/‖r(x，y)‖是在所述位置(x，y)上正规化的径向矢量；以及检测所述肺肿瘤的所述步骤包括比较所述径向梯度指数和预定的阀值，以便从所述肿瘤候选物中排除所述假阳性肿瘤候选物。
26.如权利要求24所述的方法，其中，应用三维径向梯度指数分析的所述步骤包括对于多个灰度级增量，在所述分割肺容积图象中获得表面，把每个象素在分割肺容积图象中的位置处理成潜在肿瘤的中心，以及环绕每个表面计算所述径向梯度指数(RGI)，其中RGI由下式给出RGI=(Σ(x,y)∈M||G^(x,y)||)-1Σ(x,y)∈MG^(x,y)r^(x,y)||r^(x,y)||]]>这里， (x，y)是F(x，y)在位置(x，y)上沿着由表面确定的边缘的梯度矢量，并且，r(x，y)/‖r(x，y)‖是在所述位置(x，y)上正规化的径向矢量；以及检测所述肺肿瘤的所述步骤包括比较所述径向梯度指数和预定的阈值，从所述肿瘤候选物中排除所述假阳性肿瘤候选物。
27.如权利要求24所述的方法，其中，在执行产生所述三维分割肺容积图象的所述步骤之前，使用灰度级阈值处理来排除环绕所述二维分割肺图象外围的明亮带。
28.一种从计算X光断层摄影(CT)图象扫描中对肺肿瘤自动检测的方法，其中包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；通过组合所述二维分割肺图象，产生三维分割肺容积图象；从所述三维分割肺容积图象确定三维肺肿瘤候选物，包括在所述三维分割肺容积图象内识别满足容积标准的结构；从所述肺肿瘤候选物获得特征；以及通过分析所述特征，从所述肿瘤候选物中排除假阳性肿瘤候选物而检测肺肿瘤；其中，从所述肺肿瘤候选物获得所述特征的所述步骤包括对所述已识别的结构应用二维或三维相似性指数分析，以根据相邻肿瘤候选物的尺寸分布来计算肿瘤候选物的尺寸；以及检测所述肺肿瘤的所述步骤包括分析所述相似性指数，从所述肿瘤候选物排除所述假阳性肿瘤候选物。
29.如权利要求28所述的方法，其中，应用二维相似性指数分析的所述步骤包括在所述分割肺图象中确定周线，在所述周线内确定区域，以及在所述区域内确定结构特征的相对值，以区别肿瘤和正常组织；以及检测所述肺肿瘤的所述步骤包括比较结构特征的所述相对值和预定阀值，从所述肿瘤候选物中排除所述假阳性肿瘤候选物。
30.如权利要求28所述的方法，其中，应用三维相似性指数分析的所述步骤包括在所述分割肺容积图象中确定表面，在所述表面内确定区域，以及在所述区域内确定结构特征的相对值，以区别肿瘤和正常组织，所述结构特征包括相对有效直径、相对有效面积、相对有效圆度和相对有效紧密度中的至少一个；以及检测所述肺肿瘤的所述步骤包括比较结构特征的所述相对值和预定阀值，从所述肿瘤候选物中排除所述假阳性肿瘤候选物。
31.如权利要求28所述的方法，其中，在执行产生所述三维分割肺容积图象的所述步骤之前，使用灰度级阈值处理来排除环绕所述二维分割肺图象外围的明亮带。
32.一种从计算X光断层摄影(CT)图象扫描中对肺肿瘤自动分析的方法，其中包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；通过组合所述二维分割肺图象，产生三维分割肺容积图象；从所述三维分割肺容积图象确定三维肺肿瘤候选物，包括在所述三维分割肺容积图象内识别满足容积标准的结构；以及从所述肺肿瘤候选物获得特征；其中，从所述肺肿瘤候选物获得所述特征的所述步骤包括从所述肿瘤候选物确定特征，所述特征包括以下特征中的至少一个结构容积、球度、等效球体的半径、最大紧密度、最大圆度、最大偏心度、结构内的平均灰度级、灰度级的标准偏差、以及结构容积第一次减少到容积上限以下时的灰度级阀值。
33.如权利要求32所述的方法，其中进一步包括对所述已确定的特征进行基于规则的分析，从所述肿瘤候选物中排除假阳性肿瘤候选物，以及对所述已确定的特征应用自动分选器，从所述肿瘤候选物中排除所述假阳性肿瘤候选物。
34.如权利要求33所述的方法，其中，使用所述自动分选器的所述步骤包括使用线性判别式分析分选器和神经网络分选器中的一个。
35.如权利要求32所述的方法，其中，在执行产生所述三维分割肺容积图象的所述步骤之前，使用灰度级阈值处理来排除环绕所述二维分割肺图象外围的明亮带。
36.一种配置成执行权利要求1-35所述步骤的图象处理系统。
37.一种储存用于执行权利要求1-35所述步骤的程序的存储介质。
全文摘要
一种在计算X光断层摄影(CT)图象扫描中自动检测肺肿瘤的方法、系统和计算机可读介质，包括通过对从所述CT图象扫描得到的多个二维CT图象剖面进行分割，产生二维分割肺图象；通过组合所述二维分割肺图象产生三维分割肺容积图象；从所述三维分割肺容积图象确定三维肺肿瘤候选物，包括在所述三维分割肺容积图象内识别满足容积标准的结构；从所述肺肿瘤候选物中获得特征；以及通过分析所述特征，从所述肿瘤候选物中排除假阳性肿瘤候选物，从而检测肺肿瘤。
文档编号G06T7/00GK1395713SQ01803856
公开日2003年2月5日 申请日期2001年1月18日 优先权日2000年1月18日
发明者萨缪尔·G·阿马托, 马利埃伦·L·吉格尔, 赫伯尔·迈克马洪 申请人:芝加哥大学