基于肺部CT的肿瘤形态与纹理的三维变化检测.docVIP

基于肺部CT的肿瘤形态与纹理的三维变化检测 熊婷，黄绍辉(，黄晓阳，王连生，王博亮 （厦门大学信息科学与技术学院，福建 厦门 361005） 摘要：提取四个阶段肺部肿瘤CT图像的肿瘤区域，然后进行三维重建，计算三维肿瘤的形态特征参数和纹理特征参数，研究这两部分参数与肿瘤的变化关系。基于体素和Quick Hull算法计算出肿瘤的形态特征参数，结合灰度共生矩阵计算出四个阶段三维肿瘤的纹理特征参数，组成判别肿瘤三维变化的特征参数组合。实验结果证明，形态特征参数可以判断肿瘤的体积大小变化，纹理特征参数可以判断肿瘤内部活性变化。肺部肿瘤在治疗阶段体积大小发生了先变小后变大的变化，肿瘤纹理均匀性和粗细程度也发生了变化，在阶段Ⅲ体积和最长径的值最小，共生矩阵的能量、熵值和逆差分矩最大，这说明肿瘤最小且内部发生了坏死，这与临床结论相一致，为进一步指导肿瘤疗效评估奠定了基础。 关键词：肺部肿瘤；CT图像；Quick Hull；纹理特征；灰度共生矩阵 中图分类号：TP 391 文献标识码： A 肺部肿瘤是如今世界上最常见的内脏恶性肿瘤之一，对人群健康和生命造成了极大的威胁。根据世界卫生组织的报告[1]，在2002年就有超过120万人死于肺癌，而且发病率还在呈抛物线式上升。因此，对肺癌的诊断效果和如何防治已经引发了世界医学界的极大关注[2]。而随着现代医学影像技术的飞速发展，目前临床检查主要利用了医学影像设备，比如CT。CT检查可以给我们提供各个部位的断层扫描图像，给医生诊断提供了直观的病变信息。 肿瘤疗效评价是决定病人继续治疗与否的依据[3]，现在采用的实体瘤疗效评价标准多为RECIST标准，即基于CT影像测出肿瘤的最大径，根据最大径判断肿瘤大小的变化。但实际上，CT影像提供的不仅仅只是肿瘤大小的变化，还可以根据各个部位的CT值判断出灰度变化和纹理变化。事实证明，除了大小变化，纹理特征在一定程度上也能反映肿瘤的变化，这对于肿瘤疗效评估也是有效的。 纹理是自然界所有物体表面的一种基本的属性，可以作为描述和识别物体的重要特征。纹理特征研究的应用十分广泛，可以应用于工业自动化领域、远程传感、医疗诊断等。就医疗这一领域来说，基于CT影像的纹理特征主要被用来分类。譬如陈秋霞等人曾基于灰度共生矩阵计算出11个乳腺肿瘤超声影像的纹理特征参数，来对肿瘤进行良性恶性的判别[4]。马长东等人曾将纹理特征分析应用在基于PET/CT图像分析的肿瘤治疗效果研究当中，获取肿瘤的共生矩阵特征参数，尝试从纹理特征这一方面对治疗结果作出预测[5]。但是这些研究都是基于二维层面的CT影像，而事实上，三维所能表现的信息更多也更全面。 本文基于肿瘤的三维形态分析和三维纹理分析，对同一病人不同时期的四组肿瘤平扫CT影像数据的变化进行分析，提出一个三维肿瘤变化检测系统，为临床医生更好的对肿瘤疗效进行评估提供帮助。首先引用了肿瘤疗效评价的RECIST标准定义，将肿瘤最长径的测量扩展到三维层面，利用Quick Hull算法算出肿瘤三维形态的最长径，并基于体素计算出肿瘤的体积，将这两组数据作为形态分析的参数。为了更进一步分析三维肿瘤的变化，本文还增加了三维纹理特征参数，将每组CT影像三维重建，分割出肿瘤部分，对其进行纹理分析。传统的应用于医学影像的纹理分析方法主要是灰度共生矩阵[6-7]，所以本文考虑将CT影像和灰度共生矩阵相结合，计算出纹理特征对三维肿瘤进行分析。图1是三维肿瘤变化检测流程图，下文将按照2个模块来介绍。 图 1三维肿瘤变化检测流程图 Fig.1 flow chart of 3D tumor change detection 基于体素和Quick Hull算法的三维肿瘤形态分析 实验数据介绍 本文的实验数据来自厦门某医院同一病人四个时期的平扫CT影像，阶段Ⅰ的CT采集时间为2013年7月4日，阶段Ⅱ时间为2013年9月25日，阶段Ⅲ时间为2013年10月15日，阶段Ⅳ时间为2013年12月3日。每个阶段的样本的大小均为512×512，CT值从-1024 Hu到3071Hu共4096个级别，分割后的肿瘤CT值在0-255Hu区间。 Quick Hull算法介绍 本文在计算肿瘤的三维最长径中采用三维凸包算法中的Quick Hull算法[8]，先初始化一个四面体，然后在每轮迭代处理中，将三维点集中的任意一点p加入到当前凸包中去进行判断是否在凸包外，如果是则生成新的三角面，从而得到最终的凸包。 设三维空间i的集合为P，我们i中（x，y，z）三个中的某个坐标轴的最大值或者是最小值的四个点作为集合，并用这四个点组成一个初始化的四面体。初始化一个空的面集合V，并将这四面体的四个面都加入集合V，并更新点集合P=P-。接下来每次选用整个凸包的极值点来构建新的凸包。 将每个点的外部面集记成，同