引用本文

李祥霞, 李彬, 田联房, 张莉, 朱文博. 基于稀疏表示和随机游走的磨玻璃型肺结节分割. 自动化学报, 2018, 44(9): 1637-1647. doi: 10.16383/j.aas.2018.c170420

LI Xiang-Xia, LI Bin, TIAN Lian-Fang, ZHANG Li, ZHU Wen-Bo. Segmentation of Ground Glass Opacity Pulmonary Nodules With Sparse Representation and Random Walk. ACTA AUTOMATICA SINICA, 2018, 44(9): 1637-1647. doi: 10.16383/j.aas.2018.c170420

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170420

关键词

磨玻璃型肺结节，结节分割，随机游走算法，稀疏表示，加权矩阵 

摘要

肺结节是早期肺癌在影像学上的表现形式.磨玻璃型（Ground glass opacity，GGO）肺结节被认为是恶变可能性最大的一类结节之一.针对GGO结节边缘模糊、大小各异、形状不规则和灰度不均匀等造成分割准确率低问题，本文提出了一种基于稀疏表示和随机游走模型的分割算法.首先，利用测地距离和局部搜索策略，自动地选取了种子点.其次，联合8-!邻域和稀疏表示的K-!最近邻算法建立了新的图，避免了噪声的干扰.结合灰度、纹理、空间距离和稀疏系数构建了新的加权矩阵.最后，将标签限制项引入到随机游走的能量函数中.该算法分割准确性较高，鲁棒性较强.

文章导读

肺癌已经成为最高致死率的恶性肿瘤疾病之一.临床数据表明, 早发现、早治疗能够有效地提高生存率和降低患者死亡率[1].肺结节是肺癌的早期影像学表现形式.目前, 电子计算机断层扫描(Computed tomography, CT)是最广泛应用于肺癌的影像学诊断方法[2].传统的分割方法是医生获取病人的某一断层数据, 进行手动地分割肺结节.然而, 这不仅费时费力, 而且往往容易受到主观因素的影响.因此, 肺结节的自动分割已经成为研究的热点.对于实性肺结节的分割, 国内外均有大量的文献报道.但是, 对于磨玻璃型(Ground glass opacity, GGO)结节分割文献仍报道甚少.不幸地, 与实性结节相比, GGO结节更具有发展为恶性肿瘤的潜力[3].因此, GGO结节的分割对于早期肺癌的筛选和诊断更具有临床应用价值.然而, GGO肺结节的分割一直是一个挑战性的任务, 这是因为GGO结节具有形状不规则、边界模糊和结节内部灰度分布不均匀等特性.

随机游走(Random walker, RW)是将图像分割看成网格图上标签安排问题.首先需要用户在图像上标记合适数量的目标和背景种子点, 然后计算每个未标记顶点首次到达给定类种子点的概率值.随后, 将未标记顶点归类到最大概率值所对应的类别中, 从而实现最终的分割. RW只需求解一个稀疏线性方程组, 因此其无需迭代, 操作简单快速. RW在处理弱边缘时能够取得较好的结果.然而, 大部分RW算法采用了固定的邻域结构来构建网格图.然而, 由于图像噪声、伪影等诸多因素的影响, 这种邻域结构可能捕捉了不恰当的邻域关系, 从而降低了分割的准确性.此外, RW仅仅采用了灰度信息构建加权矩阵, 这对于对比度低、灰度不均匀的GGO结节较难直接分割.

为了解决这些问题, 本文提出了基于稀疏表示和随机游走(SRRW)的算法对GGO肺结节进行自动分割.首先, 根据图像的信息自动地选取种子点, 避免人为的干预和减少操作的时间; 其次, 本文构造了一个新的图来替代传统的无向加权图, 利用8-邻域和稀疏表示的K-最近邻(K-nearest neighbor, K-NN)算法解决了加权图对噪声的敏感性问题.最后, 引入标签限制项到RW的能量函数中, 惩罚了预测标签与给定标签的不一致性, 从而提高了分割的准确性.本文采用了美国肺部影像数据库LIDC来验证提出算法的准确性和有效性.实验结果表明, 提出的算法极大地提高了GGO肺结节分割的有效性和准确性.

图 1  SRRW算法的流程图

图 2  一个GGO结节CT图像纹理的分析

图 3  新加权图

本文提出了基于稀疏表示和随机游走(SRRW)算法对磨玻璃型肺结节进行分割.本文提出了自动选取结节和背景种子点方法, 减少了人工干预.采用基于8-邻域和稀疏表示的K-NN方法构建了一个新加权图, 避免了CT图像噪声和伪影干扰.通过整合灰度、纹理和空间距离和稀疏系数构建了一个新加权矩阵, 更有效地衡量了相邻顶点之间的相似性关系.最后, 引入标签限制项到RW能量函数中, 提高了对GGO肺结节分割的准确性.通过定量和定性对比实验可以看出, 本文提出的算法对GGO肺结节分割的准确性和有效性.下一步研究主要集中于进一步优化提出的模型, 并将该算法扩展到对任意类型肺结节的分割.

作者简介

李祥霞

华南理工大学自动化科学与工程学院博士研究生.主要研究方向为医学图像处理与模式识别. E-mail: lixiangxia8888@163.com

田联房 

博士, 华南理工大学自动化科学与工程学院教授.主要研究方向为医学图像处理与模式识别. E-mail:chlftian@scut.edu.cn

张莉 

华南理工大学自动化科学与工程学院博士研究生.主要研究方向为医学图像处理与模式识别. E-mail:88zhangli0622@163.com

朱文博 

佛山科学技术学院自动化学院助教.主要研究方向为医学图像处理与模式识别. E-mail: zhuwenbo@fosu.edu.cn

李彬 

博士, 华南理工大学自动化科学与工程学院副教授.主要研究方向为医学图像处理与模式识别.本文通信作者. E-mail: binlee@scut.edu.cn