基於影像的無創監測腫瘤浸潤周圍組織程度的計算機輔助分析方法
2023-12-09 04:51:31
專利名稱：基於影像的無創監測腫瘤浸潤周圍組織程度的計算機輔助分析方法
技術領域：
本發明屬於醫學影像計算機輔助監測與診斷領域。根據圖像中感興趣區域(圖像中包含腫瘤組織及其周圍組織的區域)的紋理特徵以及本發明提出的腫瘤與周圍組織邊 界尋找方法，就可以確定腫瘤浸潤周圍組織的程度，進而為手術方案確定及治療後隨訪提 供依據。
背景技術：
圖像紋理就是圖像像素灰度值的變化規律。為定量描述紋理的變化規律，人們設 計了很多的數學模型來度量紋理。這些數學模型被稱為圖像的紋理特徵。紋理分析是將隨 機紋理或幾何紋理的空間結構差異轉化為像素灰度值的差異，並用一些數學模型來描述這 些差異，從而獲得紋理的定量描述，最終對圖像的性質、類別進行區分及歸類的過程。紋理 特徵的提取方法大致可以分為兩類統計分析方法和結構分析方法。前者從圖像屬性的統 計分析出發，根據紋理元素及排列規則來描述紋理結構，反映像素之的灰度變化及空間相 關規律；後者則著力找出紋理基元，再從結構組成探索紋理的規律。一般來說統計法適用於 分析紋理細而且不規則的物體；結構法則適用於紋理基元排列較規則的圖像，如織物紋理。 由於醫學圖像的規則性差，紋理較細，因此通常採用基於統計的紋理分析方法。通常紋理特徵與紋理的位置、走向、尺寸、形狀等性質有關。常見的基於統計的 二維紋理特徵有如下幾類1、基於灰度值分布的紋理特徵，包括灰度均值(Mean)、方差 (standard deviation) Λ (entropy)、均勻度(uniformity)、平滑度(smoothness)、三 階距(third moment)、偏度係數(skewness)、峰度係數(kurtosis)等[H. S. Sheshadri, A.Kandaswamy. Experimental investigation onbreast tissue classification based on statistical featureextraction of mammograms. Computerized Medical Imaging andGraphics，2007，31 :46_48. Balaji Ganeshan，Kenneth A. Miles,Rupert C. D. Young,et al.Texture analysis in non-contrastenhanced CT Impact of malignancy on texture in apparentIydisease-free areas of the liver. Eur J Radiol, 2009 ；70 101-110.]； 2、基於視覺心理學的紋理特徵(Tamura紋理)，包括粗糙度(coarseness)、對比度 (contrast)、方向度(directionality)、線像度(Iinelikeness)、規整度(regularity)粗 略度(roughness) [H. Tamura，S. Mori, and Τ. Yamawaki. Texturefeatures corresponding to visual perception，IEEE Trans. OnSystems, Man，and Cybernetics,1978 ；Smc-8 (6) 460-473. ] ；3、自協方差係數(Auto-covariance coefficient) [Wen-Jie Wu, WooKyung Moon. Ultrasound Breast Tumor Image Computer-AidedDiagnosis With Texture and Morphological Features. Acad Radiol，2008，15 :873_880. ] ；4、灰度共生矩陣，包括角二 階 巨(angularsecond moment)、對比度(contrast)、才目關(correlation)、 (entropy)、逆 差距等共 17項[Robert Μ· Haralick，K· Shanmugam，Its'hak Dinstein. Textural Features for Image Classification. IEEE transactions on systems, man andcybernetics，1973，SMC-3(6) :ΡΡ·610-621 ；R. W. Conners, Μ.Μ. Trivedi, C.Α.Harlow. 」Segmentation of a High-ResolutionUrban Scene Using Texture Operators. Computer Vision, Graphics, and Image Processing, 1984，25 :273_310. ] ；5、灰度梯度共生矩陣，包括 小梯度優勢(SmallGradsDominance)、大梯度優勢(BigGradsDominance)、灰度分布不 均勻性(GrayAsymmetry)、梯度分布不均勻性(GradsAsymmetry)、能量(Energy)，相關 (Correlation)、灰度熵(GrayEntropy)、梯度熵(GradsEntropy) > MM (Entropy) > ff 性(Inertia)、逆差距(DifferMoment)共 11 項。[H Ji-guang, Gray Level-gradient Co-occurrence MatrixTexture Analysis Method. Acta Automatica Sinica,1984]。
隨著計算機輔助診斷技術的深入研究，利用紋理分析作為核心方法對腫瘤病 灶進行計算機輔助分析逐漸成為研究熱點。H. S. Sheshadri等人使用紋理特徵在乳腺 鉬靶X線圖像上將軟組織分成了四類，並由此確定乳腺癌病灶的位置[H. S. Sheshadri, A. Kandaswamy. Experimental investigation on breast tissueclassification based on statistical feature extraction ofmammograms. Computerized Medical Imaging and Graphics，2007，31 :46_48.]。王天、張國鵬等人對結腸CT圖像實行三 維重建並利用紋理特徵實現了結腸腫瘤病灶和結腸息肉病灶的鑑別[王天，張國鵬， 劉欣，張軍英，盧虹冰.虛擬結腸鏡的計算機輔助檢測研究.中國生物醫學工程學報， 2008,27(1) :146-151]。Balaji Ganeshan等人則在CT圖像上利用紋理特徵實現了早 期肝臟腫瘤病灶位置的確定[Balaji Ganeshan, Kenneth A. Miles, Rupert C. D. Young, et al. Texture analysis in non-contrast enhanced CT Impact ofmalignancy on texture in apparently disease-free areas of theliver.European Journal of Radiology, 2009, 70 :101-110 ；]。Wen-Jie Wu等利用紋理特徵在乳腺B超圖像上實現了 良性乳腺腫瘤和惡性乳腺腫瘤的鑑別[Wen-Jie Wu，Woo Kyung Moon. UltrasoundBreast Tumor Image Computer-Aided Diagnosis With Texture andMorphological Features. Acad Radiol，2008，15 :873-880.]。在肺結節的影像學檢查中，利用紋理分析的方法 降低人工讀片的失誤已經是一種相對成熟的技術[Bram van Ginneken*, Bart Μ. ter HaarRomeny, and Max A. Viergever, Member IEEE, Computer-AidedDiagnosis in Chest Radiography :A Survey, IEEE TRANSACTIONS ONMEDICAL IMAGING，2001;20 :1228-1240]。 Lingley-PapadOpOulOS2007年的研究指出，使用紋理分析方法，可以將膀胱壁的層次結 構在0CT(0ptical Coherence Tomography，光學相干斷層成像圖像上分割出來[Colleen A. Lingley-Papadopoulos, Murray H. Loew, Jason M. Zara. Real-time bladder-layer recognition :anapproach to optical biopsy[J]· ISBI,2007 :1279-1279]。Nailon2008 年的研究指出在CT圖像上膀胱腫瘤組織與其周圍組織的紋理特徵存在區別[William H. NaiIon, Anthony Τ. Redpath，Duncan B. McLaren. Texture analysis of 3D bladder cancer CT images forimproving radiotherapy planning[J]. ISBI 2008]。綜 上所述，二維紋理分析在計算機輔助診斷中的應用已經非常廣泛而且取得了較好的效果。
發明內容
本發明的目的是提供一種基於影像的無創監測腫瘤浸潤周圍組織程度的計算機 輔助分析方法。該方法以紋理分析作為基礎，結合分類器設計(支持向量機SVM)和腫瘤生長特性，在影像圖像上標記出了腫瘤組織與其周圍正常組織的邊界，達到了無創判斷腫瘤 浸潤程度的目的。本發明將圖像上腫瘤組織與周圍正常組織交界區域的像素並不簡單歸類為腫瘤 組織或正常組織，而是計算這些像素屬於某種組織的概率，再通過這些概率值的分布情況 就可以確定腫瘤與正常組織的邊界，繼而確定浸潤周圍組織的程度。
本發明方法步驟如下第一步獲得特定部位的醫學影像圖像。在每幅影像圖像中確定需要進行分析的 區域(感興趣區域R0I)，即影像圖像中腫瘤與周圍組織混雜的部分，將其作為研究對象。第二步將影像圖中ROI區域劃分為若干個適當的「基準單元」，其大小與ROI區域 大小、腫瘤性質、圖像解析度等因素有關。基準單元」是本發明中對圖像進行操作的最小單 位。第三步計算「基準單元」周圍「相鄰區域」的紋理特徵。「相鄰區域」的形狀、大小、 位置可根據具體問題做適當調整。構造「相鄰區域」的目的一方面是保證ROI區域有足夠 大的面積，防止ROI區域過小而不能表達出紋理；另一方面是通過「基準單元」周圍「相鄰區 域」的屬性來獲得「基準單元」屬於某一組織的概率，從而獲得「基準單元」的概率分布圖。第四步計算「相鄰區域」的若干紋理特徵值，形成特徵向量，並將特徵向量送入特 定分類器進行檢測，得到「相鄰區域」的屬性。不同部位、不同類型的腫瘤應採用不同組合 的紋理特徵，以形成特定的特徵向量。紋理特徵的選擇應通過統計分析的方法獲得。對分 類器而言，應首先使用已知數據對分類器進行訓練，之後根據訓練得到的參數，設計出針對 該腫瘤的特定分類器。第五步每個「基準單元」周圍有若干「相鄰區域」，根據分類器對「相鄰區域」的判 別結果，可計算出該「基準單元」屬於腫瘤組織或良性組織的概率，繼而得到ROI區域的概 率分布圖。本步驟的目的是利用「相鄰區域」的屬性來估計「基準單元」的屬性。第六步該步驟的目的是根據概率分布圖分析出良惡性組織的邊界。從概率分布 圖上可得到感興趣區域內腫瘤及良性組織的分布情況，若某些「基準單元」屬於兩種組織的 概率相等(計分為0的「基準單元表」)，則認為它們表示兩種組織的交界。將概率分布圖 疊加到原始圖像上便得到腫瘤組織和良性組織的邊界。第七步腫瘤或良性組織區域在內部是連通的，而且腫瘤的生長具有一定的方向 性，根據這一特性修正第六步中得到的被認為是兩種組織邊界的「基準單元」，若某一「基準 單元」明顯孤立於其它「基準單元」，則認為該「基準單元」屬性判斷錯誤，並捨去。由此最終 確定良惡性組織的邊界，繼而得到腫瘤浸潤周圍組織的程度及範圍。申請者考慮到之前基於影像圖像的紋理分析的研究焦點在於腫瘤組織與良性組 織之間的鑑別，雖然可確定腫瘤的大概位置或證明腫瘤組織與良性組織在紋理特徵上存在 差異，但是對於腫瘤組織的局部擴散情況，即腫瘤侵犯周圍組織的程度不能夠給出確切的 結論。由於紋理特徵的計算必須基於一定面積的圖像，面積過小則不能表示整個區域的紋 理(文獻研究提示最小面積為4X4像素)，這也導致在圖像上使用紋理分析的方法很難確 定腫瘤組織與周圍正常組織的分界線。本發明巧妙規避了這一問題，以「腫瘤組織與周圍正常組織紋理不同」這一結論作 為基礎，結合分類器設計及本發明所提出的腫瘤組織與周圍正常組織邊界判斷方法，將腫瘤浸潤周圍組織的程度在影像圖像上標記出來。從而為腫瘤疾病的監測、篩查以及診斷提 供一種完全無創的手段。本發明適用於可在影像圖上成像的腫瘤，如膀胱癌、肝癌、肺癌、乳腺癌、結/直腸 癌、宮頸癌、子宮癌等實體性腫瘤。
圖Ia和圖Ic是顯微鏡下平滑肌與腫瘤形態影像圖。圖Ib和圖Id是圖Ia和圖Ic兩圖的紋理示意圖。圖2a是膀胱腫瘤和膀胱壁的核磁影像圖。圖2b是圖2a的局部放大圖。圖2c是指定的膀胱腫瘤及膀胱壁區域(白色線條區域)。圖2d是將指定區域分割為若干基準單元。圖3是一個基準單元示意圖(本例以2*2像素為基準單元)。圖4a_圖4d是基準單元及其周圍的四個方塊區域示意圖。圖5是原始核磁共振圖像。圖6是原始圖像疊加概率分布圖後得到的良惡性組織分界示意圖。
具體實施例方式膀胱腫瘤組織與其周圍的膀胱壁平滑肌組織是兩種類型的組織，腫瘤的紋理大多 呈現沙粒狀如圖Ia和圖Ic所示；而膀胱壁是平滑肌，其紋理呈現出條索狀的特點如圖Ib 和圖Id所示。因此，兩者的紋理特徵也存在巨大差異，這是本發明的基礎。以膀胱腫瘤為例，發明人首先在統計分析基礎上篩選出可在影像圖像上區分膀胱 腫瘤和膀胱壁組織的紋理特徵；繼而將計算出的由數個紋理特徵構成的特徵向量輸入SVM 分類器，得到交界部分像素屬於某一組織的概率；根據概率值的分布情況並結合膀胱腫瘤 生長特性便能在影像圖像上標記出了膀胱腫瘤組織與膀胱壁組織的邊界，實現無創判斷膀 胱腫瘤浸潤深度(膀胱腫瘤分期)。以下以膀胱腫瘤為例，通過本發明方法確定膀胱腫瘤浸潤膀胱壁的深度(膀胱腫 瘤分期)。第一步獲得特定部位的影像圖像，在此以特定序列的MRI膀胱圖像為例，如圖2a 和圖2b所示，選定感興趣區域，如圖2c所示(白色線條區域)。第二步將上步中得到的ROI區域劃分為很多的「基準單元」(本例以2X2像素區 域作為基準單元)，如圖3。ROI區域的邊緣通常是不規則的，在劃分「基準單元「時會有缺 漏。因此需要對邊緣部分進行填充或捨去，如圖2d所示。第三步計算「基準單元」周圍「相鄰區域」的紋理特徵。本例中每個「基準單元」 可以和相鄰像素構成四個「方塊區域」，如圖4a_圖4d所示，計算「方塊區域」的若干類型紋 理特徵值。第四步將上步中得到的紋理特徵值組成特徵向量，將其送入分類器進行檢測，得 出「方塊區域」屬性。第五步根據「基準單元」周圍「方塊區域」屬性，計算「基準單元」計分，得出ROI區域的概率分布圖。本例中每個「基準單元」周圍有四個「方塊區域」，根據分類器的判別 結果，若四個「方塊區域」屬性都為腫瘤，則記為4 ；四個「方塊區域」屬性都為膀胱壁，則記 為-4。若「基準單元」周圍有3個腫瘤方塊，1個膀胱壁方塊，則記為2;反之，則記為-2。若 「基準單元」周圍腫瘤方塊與膀胱壁方塊數目相等，則記為O。由此得出「基準單元」屬於腫 瘤組織的概率，繼而得到ROI區域的概率分布圖。第六步將概率分布圖疊加到原始圖像圖5上，得出腫瘤組織與正常組織的邊界。 在本例中根據上一步得到的概率分布圖，可分析出膀胱腫瘤組織與膀胱壁組織的邊界，繼 而得到膀胱腫瘤浸潤膀胱壁的深度(膀胱腫瘤分期)，如圖6所示，從中可以清晰看到良惡 性組織的分界線(灰色線條為ROI區域，ROI區域中白色與黑色相交部分為良惡性組織分 界線，即白色箭頭所指部分)。
第七步根據腫瘤生長特性，修正上步中得到的良惡性組織邊界，由此最終確定腫 瘤浸潤周圍組織的程度。本例中則得到膀胱腫瘤浸潤膀胱壁的深度(膀胱腫瘤分期)。
權利要求
一種基於影像的無創監測腫瘤浸潤周圍組織程度的計算機輔助分析方法，其特徵是包括以下步驟第一步獲得特定部位的影像圖像，選定感興趣區域ROI；第二步將ROI區域劃分為很多的基準單元；第三步計算基準單元周圍相鄰區域的紋理特徵；第四步將上步中得到的紋理特徵值組成特徵向量，將其送入分類器進行檢測，得出相鄰區域屬性；第五步根據基準單元周圍相鄰區域屬性，計算基準單元計分，得出ROI區域的概率分布圖；第六步將概率分布圖疊加到原始圖像上，得出腫瘤組織與正常組織的邊界；第七步根據腫瘤生長特性，修正上步中得到的良惡性組織邊界，由此最終確定腫瘤浸潤周圍組織的程度。
全文摘要
本發明提供了一種基於影像的無創監測腫瘤浸潤周圍組織程度的計算機輔助分析方法，可反映腫瘤浸潤周圍組織的程度。從而為腫瘤疾病的監測、篩查以及診斷提供一種完全無創的手段。本發明操作步驟如下第一步獲得特定部位的影像圖像，選定感興趣區域。第二步將ROI區域劃分為很多的「基準單元」。第三步計算「基準單元」周圍「相鄰區域」的紋理特徵。第四步將上步中得到的紋理特徵值組成特徵向量，將其送入分類器進行檢測，得出「相鄰區域」屬性。第五步根據「基準單元」周圍「相鄰區域」屬性，計算「基準單元」計分，得出ROI區域的概率分布圖。第六步將概率分布圖疊加到原始圖像上，得出腫瘤組織與正常組織的邊界。第七步根據腫瘤生長特性，修正上步中得到的良惡性組織邊界，由此最終確定腫瘤浸潤周圍組織的程度。
文檔編號A61B5/055GK101859441SQ20101018261
公開日2010年10月13日 申請日期2010年5月25日 優先權日2010年5月25日
發明者盧虹冰, 史正星, 吳智德, 廖琪梅, 張國鵬, 馬寶秋 申請人:中國人民解放軍第四軍醫大學