基于分维特征的肝脏CT图像识别

第２４卷第１期　２０１０年３月　南华大学学报（自然科学版）　Ｊｏｕｒｎ￣ｏｆ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｏｕｔｈ　Ｃｈｉｎａ（Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　Ｖｏ１．２４　Ｎｏ．１　Ｍａｒ．２０ｌ０　文章编号：１６７３—００６２（２０１０）０１—００５６—０３　基于分维特征的肝脏ＣＴ图像识别　陈灵娜　，李丽华　，肖建田　，陈俊熹　（１．南华大学计算机科学与技术学院，湖南衡阳４２１００１；２．南华大学附属南华医院，湖南衡阳４２１００１）　摘要：目前分形理论已被广泛应用于医学图像识别．本文利用了改进的差分盒计数　法对肝脏ＣＴ图像进行了分形维数的分析，表征了肝脏图像的纹理特征，则可识别医　学图像肿瘤信息．医学图像识别的结果可以直观的方式显示给临床医生，从而辅助医　生提高医疗诊断的准确性和科学性．　关键词：图像识别；分形维数；纹理特征　中图分类号：ＴＰ７５１．１　文献标识码：Ｂ　Ｌｉｖｅｒ　ＣＴ　Ｉｍａｇｅ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｆｒａｃｔａｌ　Ｄｉｍｅｎｓｉｏｎ　Ｆｅａｔｕｒｅ　ＣＨＥＮ　Ｌｉｎｇ．ｎａ　，ＬＩ　Ｌｉ．ｈｕａ　，ＸＩＡＯ　Ｊｉａｎ—ｔｉａｎ　，ＣＨＥＮ　Ｊｕｎ－ｘｉ　（１．Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｏｕｔｈ　Ｃｈｉｎａ，Ｈｅｎｇｙａｎｇ，Ｈｕｎａｎ　４２１００１，Ｃｈｉｎａ；　２．Ａｆｆｉｌｉａｔｅｄ　Ｎａｎｈｕａ　Ｈｏｓｐｉｔａｌ，Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｏｕｔｈ　Ｃｈｉｎａ，Ｈｅｎｇｙａｎｇ，Ｈｕｎａｎ　４２１００１，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ａｔ　ｐｒｅｓｅｎｔ，ｆｒａｃｔａｌ　ｔｈｅｏｒｙ　ｉｓ　ｗｉｄｅｌｙ　ａｐｐｌｉｅｄ　ｉｎ　ｍｅｄｉｃａｌ　ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ．Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｄｉｆｆｅｒｅｎｔｉａｌ　ｂｏｘ　ｃｏｕｎｔｉｎｇ　ｗｅ　ａｎａｌｙｚｅ　ｔｈｅ　ｆｒａｃｔａｌ　ｄｉｍｅｎｓｉｏｎ　ｏｆ　ｌｉｖｅｒ　ＣＴ　ｉｍａｇｅｓ，ｄｅｐｉｃｔｓ　ｔｈｅ　ｔｅｘｔｕｒｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｔｈｅ　ｍｅｄｉｃａｌ　ｉｍａｇｅ，ＳＯ　ｍｅｄｉｃａｌ　ｉｍａｇｅ　ｔｕｍｏｒｓ　ｉｎｆｏｒｍａｔｉｏｎ　ｃａｎ　ｂｅ　ｒｅｃｏｇｎｉｚｅｄ．Ｔｈｅ　ｍｅｄｉｃａｌ　ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒｅｓｕｌｓｔ　ｗｉｌｌ　ｂｅ　ｓｈｏｗｎ　ｔｏ　ｔｈｅ　ｃｌｉｎｉｃｉａｎ　ｉｎ　ｉｎｔｕｉｔｉｖｅ　ｗａｙ，ｔｈｕｓ　ｔｈｅ　ａｃｃｕｒａｃｙ　ａｎｄ　ｓｃｉｅｎｔｉｆｉｃａｌｎｅｓｓ　ｏｆ　ｍｅｄｉｃａｌ　ｄｉａｇｎｏｓｉｓ　ｗｉｌｌ　ｂｅ　ｉｍｐｒｏｖｅｄ．　Ｋｅｙ　ｗｏｒｄｓ：ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ；ｆｒａｃｔａｌ　ｄｉｍｅｎｓｉｏｎ；ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅ　０前言　图像识别　是图像理解的重要组成部分，同　的存储信息，对当前图像进行比较，最后将图像识　别出来．ＣＴ医学图像不仅为医生提供人体器官的　直观图像以作病理诊断，而且能够发现细微的疾　时也是图像处理中最困难的问题之一．所谓图像　识别就是根据图像的主要特征来识别图像所表达　的意义，也就是根据图像的特征纹理　和记忆中　病症状．随着可视化技术的不断发展，现代医学已　越来越离不开医学图像的信息，医学图像在临床　诊断、教学科研等方面有着非常重要的作用．基于　收稿日期：２００９—１２—２５　基金项目：衡阳市科技计划基金资助项目（２００８ＫＪ０１０）　作者简介：陈灵娜（１９７７一），女，湖南衡阳人，计算机科学与技术学院讲师，博：ｔ研究生．主要研究方向：医学图像　处理及电子器件设计．　第２４卷第１期　陈灵娜等：基于分维特征的肝脏ＣＴ图像识别　５７　分形理论‘卜钊的医学图像处理方法，在国外已引　Ｓｔｅｐｈａｎｅ　Ｂｕｅｚｋｏｗｓｋｉ等研究了ｒ的各种取法　对分维数估计的影响，提出一种改进的算法，即用　ｌｏｇ（Ｎｒ）和ｌｏｇ（１／ｒ）的均方斜率来计算分形维　起了许多学者的高度重视，利用图像的多标度分　形特征作为分割特征参数，可实现各种自然纹理　特征的分割．本文就是基于图像纹理的自相似性，　数，但计算量还是很大．　为了更进一步提高了计算速度，将尺度ｓ的　利用差分盒计数方法一　计算肝ｃＴ医学图像分　维特征，根据分维特征的差异来识别图像的肿瘤　改为为ｓ＝２‘，ｉ是整数，（２≤ｓ≤ｍ／２）．由于计算　信息．　１　改进的差分盒计数法　ＣＴ诊断技术所依据的原理就是像素点上的　灰度值大小取决于相应的肝脏组织对射线的吸收　程度，当组织中的某些部位发生病变时，其相应的　组织对射线的吸收程度将会发生相应的变化．由　于肝脏ＣＴ图像灰度表面的纹理特征主要体现在　它的灰度值大小和方向性上，所以它在一定范围　内具有某种标度变化下的不变性．也就是所谓的　“无标度性”，即属于“分形体”．为使分形维数能　准确地表达出肝脏ＣＴ图像灰度表面纹理特征，　本文提出了一种适用而准确的分形维数计算方法　即差分盒计数法，对正常肝脏组织和肿瘤软组织　的灰度图像进行了相关的分形维数计算．　Ｎ．ｓａｒｋｅｒ¨　等人提出的差分盒子计数法（ｄｉｆ－　ｆｅｒｅｎｔｉａｌ　ｂｏｘ—ｃｏｕｎｔｉｎｇ　ｍｅｔｈｏｄ）计算分维具有很大　的动态范围，已经被很多学者所采用．其方法如　下：　假设图像具有ｍ　ｘ　ｍ的象素，把它的尺度缩　小为ｓ　Ｘ　ｓ（ｍ／２≥ｓ＞１，ｓ是整数）．这样比例因子　为ｒ＝ｓ／ｍ．如果一个三维图像它的（　，Ｙ）表示二　维图像的象素位置，第三维表示灰度值．（　，），）空　间分割为５　Ｘ　ｓ的小块，灰度值也作相应比例的缩　小分割．这样一来每个盒子的体积为Ｓ×ｓ　Ｘ　ｓ．其　中ｓ满足下式：　［Ｇ／ｓ］＝［ｍ／ｓ］　（１）　Ｇ为总的灰度级数．设第（ｉ，　）区域中最小与　最大灰度级分别落在第ｋ和第Ｚ个盒子，这样覆盖　第（ｉ，Ｚ）区域所需的盒子数为：　ｎ　（ｉ，　）＝Ｚ—ｋ＋１　（２）　这样覆盖整个目标物体所需的盒子数为：　Ⅳ　＝∑凡，（　，　）　（３）　ｌＪ　由此可以估计图像的分形维数．当然需计算　不同ｒ（即不同的ｓ）下的Ⅳ，，最后用ｌｏｇ（Ｎ）和　ｌｏｇ（１／ｒ）的图最小平方线性拟合曲线的斜率得到　分数维数Ｄ的估计．　则图像的分形维数Ｄ由下式给出：　Ｄ：ｌｉｍ！　（４）　…ｌｏｇｒ‘　的点在横坐标上是等间隔的，则有利于拟合．　２肝脏ＣＴ图像识别的具体实现　肝脏ＣＴ图像识别系统的主要功能是对特定　肝脏ＣＴ图像进行识别，识别肿瘤信息．该系统分　为三个步骤来实现：首先对特定的图像进行解析，　在读取肝脏ＣＴ图像的每一个灰度值后进行中值　滤波．然后对滤波后的图像进行分维特征的分析，　得到分形维数．最后根据得到的分形维数来判断　是否该图像是否肿瘤细胞的图像，流程图如图１　所示．　图１肝脏ＣＴ图像识别流程图　Ｆｉｇ．１　Ｆｌｏｗ　ｄ￣ｇｒａｍ　ｏｆｌｉｖｅｒ　ＣＴ　ｈｒ，ａｇｅ　ｒｅｃｏ￣ｌｉｏｎ　３实验结果与结论　为了验证该文算法的效果，对肝脏ＣＴ图像　（图２）进行定量分析．图２中（ａ）图代表正常肝脏　细胞组织，它的分形维数为２．６５６　１８０；图２中（ｂ）　图代表肝左叶结节型细胞癌，它的分形维数为２．　７０３　５３７．分形维数是图像物质稳定的表示量，可以　用来描述图像表面的粗糙程度．目前对分形维数的　计算方法很多，如基于灰度差值法、差分盒计数法、　分形布朗运动自相似模型的计算法、基于小波分解　的分维法、功率谱方法、地毯覆盖法、网状的单元计　数法和概率估计方法等等，但这些方法都有各自的　优缺点．相对比较而言，本文改进的差分盒计数方　法是比较好的，不仅部分解决了分形维数动态范围　的覆盖问题，还提高了计算速度．　５８　南华大学学报（自然科学版）　２０１０年３月　（ｂ）　图２肝脏ＣＴ图像　Ｆｉｇ．２　Ｌｉｖｅｒ　ＣＴ　ｉｍａｇｅ　通过计算分形维数可以得到这些结论：　ｕｓｉｎｇ　ｆｒａｅｔａｌ　ｄｉｍｅｎｓｉｏｎ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔ－　１）正常肝脏软组织的分形维数大概在２．６５，　ｅｒｓ，１９９９，２２（１０）：ｌ１０９一ｌ１１３．　而肿瘤细胞的分形维数在２．７以上；　［３］舒林梅，钟春香．图像分维数特征提取算法及分析　２）同一脏器软组织的分形维数值和它们所　［Ｊ］．华中理工大学学报，１９９４，２２（５）：７７—８Ｏ．　处的位置无关，而只和组织所表现出来的性质有　［４］钟春香，舒林梅．基于图像分维特征的分割算法及分　关，即是正常组织还是肿瘤组织；　析［Ｊ］．计算机数字工程，１９９４，２２（１）：４１—４３．　［５］曾发龙，王思贤，李飞鹏，等．分形维数特征量对病变　３）从分维数大小可以很直观的反映出组织　组织的超声定位［Ｊ］．中国图像图形学报，１９９９，４　的一些特性值，组织的分维数在某种意义上代表　（８）：６７３—６７６．　了组织的纹理特征．实验结果表明分形维数能体　［６］宋寿鹏，阙沛文．基于归一化尺度计盒维数的超声波　现分维特征，分维特征可以很好的反映出肝脏ＣＴ　分形特征研究［Ｊ］．应用基础与工程科学学报，２００６，　图像的纹理特征，病变组织的分形维数高于正常　１４（１）：１２１—１２８．　组织的分形维数，所以对肝脏ＣＴ图形进行诊断　『７］Ｓａｒｋａｒ　Ｉ　Ｎ，Ｃｈａｕｄｌｌｕｒｉ　Ｂ　Ｂ．Ａｎ　ｅｆｆｉｃｉｅｎｔ　ｄｉｆｅｒｅｎｔｉｌａ　ｂｏｘ　——时，可以把图像的分形维数数值做为区分正常组　ｃｏｕｎｔｉｎｇ　ａｐｐｒｏａｃｈ　ｔｏ　ｃｏｍｐｕｔｅ　ｆｒａｅｔａｌ　ｄｉｍｅｎｓｉｏｎ　ｏｆ　ｉｍ－．　织与病变组织的参考值．将来的工作是对识别的　ａｇｅ［Ｊ］．ＩＥＥＥ　Ｔｒａｍｏｎ　Ｓｙｓｔ．，Ｍａｎ　ａｎｄ　Ｃｙｂｅｒｎｅｉｔｃ，１９９４，　结果图像肿瘤组织进行纹理分割，能更好的应用　２４（１）：ｌ１５—１２０．　于医学临床指导．　［８］蒋勇．基于分形维数的肺部软组织ＣＴ图像的纹理　特征研究［Ｊ］．中国医学装备，２００４，ｌ（３）：２８—３１．　［９］陈真诚，周兆英，赵于前，等．人体肝脏组织ＣＴ图像　的分维特征研究【Ｊ］．航天医学与医学工程，２００５，１８　参考文献：　（３）：２０６—２１０．　［１］Ｎｅｆｆ　Ｇ，Ｃｕｒｉｔｓ　Ｋ　Ｍ．Ｓｈａｐｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｕｓｉｎｇ　ｆｒａｃｔａｌ　ｄｉｍｅｎ．　［１０　１　Ｓａｒｋｅｒ　Ｎ，Ｃｈａｕｄｈｕｒｉ　Ｂ　Ｂ．Ａｎ　ｅｆｉｆｃｉｅｎｔ　ａｐｐｒｏａｃｈ　ｔＯ　ｅｓｔｉ．　ｓｉｏｎ［Ｊ］．ＰａＲｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，１９９７，３０（１２）：１９５７—１９６９．　ｍａｔｅ　ｆｒａｃｔａｌ　ｄｉｍｅｎｓｉｏｎ　ｆｏ　ｔｅｘｔｕｒｅ　ｉｍａｇｅ［Ｊ］．Ｐａｔｔｅｒ　Ｒｅｃ．　［２］Ｗｕ　Ｇ，Ｌｉａｎｇ　Ｄ，Ｔｉａｎ　Ｙ．Ｔｅｘｔｕｒｅ　ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｏｇｎｉｔｉｏｎ，１９９２，２５（９）：１０３５—１０４１．　（上接第３８页）　表１的数据也表明了在不同参数下投资者的　租房可少支付１９８．８万元．因此，通过此模型可以　停止决策临界值及停止决策的最大期望节约付　帮助投资者做出投资决策．　出．如当房价波动率为１０％，期望增长率为１％，　无风险利率为２％，融资利率为６％，拥有房产而　参考文献：　产生的每年平均支出为０．２万元，年租金为２万　［１］蔡晓钰，陈忠，蔡晓东，等．个人房产投资的相机策　元和初始房价为３０万元时，投资者应立即做出停　略及其可达性：一个最优停时分析框架［Ｊ］．数量经　止决策（购买住房），这样比起终身租房可少支付　济技术经济研究，２００５：８８—９６．　２３．０５万元．而当房价波动率为１０％、期望增长率　［２］蔡晓钰，陈忠，韩丽川，等．个人房地产购置时机选　为５％，无风险利率为ｌ％融资利率为５％，拥有　择的最优停时分析『Ｊ］．系统工程，２００５，２３（Ｉ）：２８—　３２．　房产而产生的每年平均支出为０．２万，年租金为　［３　Ｇｏｔｏ，Ｔａｂａｔａ　Ｍ　Ｔ，Ｏｎｏ　Ｔ．Ａｎ　ａｓｙｍｍｅｔｉｒｃ　ｏｐｔｉｏｎ　ｇａｍｅ　ｉｎ　３万元和初始房价为３０万元时，投资者等到房价　ａ　ｄｕｏｐｏｌｉｓｔｉｃ　ｒｅａｌ　ｅｓｔａｔｅ　ｍａｒｋｅｔ［Ｊ］．日本经营工学会论　跌至２８．４７万元是做出停止决策，这样比起终身　文志，２００５，５６：１一ｌ１．