本發(fā)明涉及一種甲狀腺CT圖像異常密度的檢測(cè)方法。
背景技術(shù)：
：目前，隨著CT的應(yīng)用普及和甲狀腺CT檢查的數(shù)量增加，日常放射科醫(yī)生閱片圖像數(shù)量大幅度增加。在由CT掃描儀器掃描獲得的甲狀腺CT圖像上，正常甲狀腺密度均勻，CT值一般在90-120HU范圍，但是在某些情況下甲狀腺內(nèi)部的密度會(huì)發(fā)生變化，如出現(xiàn)高密度或低密度。高密度物質(zhì)一般是甲狀腺內(nèi)部異常組織發(fā)生了鈣化，使得局部密度變大，CT值升高，往往大于120HU，達(dá)到200HU，甚至更高；低密度物質(zhì)一般是甲狀腺內(nèi)部出現(xiàn)了液體樣成分，如腺體組織壞死、產(chǎn)生囊腫等病變，CT值降低，CT值為0-40HU左右。一直以來(lái)，對(duì)于依據(jù)甲狀腺CT圖像判斷甲狀腺內(nèi)部是否產(chǎn)生了過(guò)高或過(guò)低密度物質(zhì)以提示甲狀腺發(fā)生了異常的檢測(cè)方法，普遍采用醫(yī)生直接通過(guò)肉眼讀片的方法來(lái)判斷甲狀腺CT圖像上是否存在甲狀腺內(nèi)部產(chǎn)生了過(guò)高或過(guò)低密度的物質(zhì)，從而判斷甲狀腺是否發(fā)生了異常，這種依靠醫(yī)生人為主觀判斷的檢測(cè)方法，由于醫(yī)生在知識(shí)背景、專(zhuān)業(yè)水平及能力、從業(yè)經(jīng)驗(yàn)、視覺(jué)疲勞程度以及情緒影響等各種因素的綜合作用下，容易得出錯(cuò)誤的結(jié)論，從而引起漏診或誤診，使得患者不能得到及時(shí)而準(zhǔn)確的治療。技術(shù)實(shí)現(xiàn)要素：本發(fā)明解決的技術(shù)問(wèn)題是，克服現(xiàn)有技術(shù)的缺陷，提供一種采用判斷算法并通過(guò)閾值優(yōu)化算法實(shí)現(xiàn)了更準(zhǔn)確地提示醫(yī)生而能有效降低醫(yī)生工作量和減少漏診率的甲狀腺CT圖像異常密度的檢測(cè)方法。為了解決上述技術(shù)問(wèn)題，本發(fā)明通過(guò)下述技術(shù)方案得以解決：一種甲狀腺CT圖像異常密度的檢測(cè)方法，包括以下步驟：步驟一：通過(guò)輸入模塊對(duì)由CT掃描儀器掃描獲取的甲狀腺CT原始圖像進(jìn)行輪廓分割，自動(dòng)提取甲狀腺CT橫斷面圖像，再將甲狀腺CT橫斷面圖像經(jīng)過(guò)濾波降噪處理，獲得用于檢測(cè)異常密度值的甲狀腺CT圖像，然后將甲狀腺CT圖像導(dǎo)入到檢測(cè)系統(tǒng)中；步驟二：通過(guò)紋理特征提取模塊對(duì)步驟一中導(dǎo)入的甲狀腺CT圖像進(jìn)行圖像紋理分析，獲取甲狀腺CT圖像的圖像特征，依據(jù)所述的圖像特征讀取甲狀腺CT圖像各個(gè)像素的CT值；其中，所述的圖像特征包含13維灰度共生紋理特征和15維灰度梯度共生紋理特征；步驟三：先通過(guò)閾值優(yōu)化算法計(jì)算并輸出與甲狀腺CT圖像像素的CT值相對(duì)應(yīng)的最優(yōu)低密度閾值和最優(yōu)高密度閾值，再將甲狀腺CT圖像中每2×2像素的CT值分別與最優(yōu)低密度閾值和最優(yōu)高密度閾值進(jìn)行比較，然后通過(guò)判斷算法對(duì)所述的每2×2像素所形成的點(diǎn)陣區(qū)域進(jìn)行判斷并獲得判斷結(jié)果，最后將判斷結(jié)果輸出并提示醫(yī)生；其中，判斷算法包括：若所述的每2×2像素中的每個(gè)像素的CT值均小于最優(yōu)低密度閾值，則得出所述的每2×2像素所形成的點(diǎn)陣區(qū)域?yàn)榈兔芏犬惓^(qū)域的判斷結(jié)果，從而得出甲狀腺CT圖像在低密度異常區(qū)域存在CT值異常的判斷結(jié)果；若所述的每2×2像素中的每個(gè)像素的CT值均大于最優(yōu)高密度閾值，則得出所述的每2×2像素所形成的點(diǎn)陣區(qū)域?yàn)楦呙芏犬惓^(qū)域的判斷結(jié)果，從而得出甲狀腺CT圖像在高密度異常區(qū)域存在CT值異常的判斷結(jié)果。本發(fā)明中，通過(guò)輸出低密度異常區(qū)域和/或高密度異常區(qū)域被點(diǎn)亮的甲狀腺CT圖像，從而提示醫(yī)生甲狀腺CT圖像中的被點(diǎn)亮的區(qū)域?yàn)榧谞钕貱T圖像存在CT值異常的區(qū)域。為了檢測(cè)當(dāng)前的甲狀腺CT圖像中相鄰的每2×2像素同時(shí)大于最優(yōu)高密度閾值或小于最優(yōu)低密度閾值，以每2×2像素相鄰的四個(gè)像素作為比較對(duì)象的目的是為了防止個(gè)別像素由于噪聲影響準(zhǔn)確度。作為優(yōu)選，采用MATLAB作為計(jì)算分析工具對(duì)步驟三中的閾值優(yōu)化算法進(jìn)行運(yùn)算，具體步驟如下：步驟A：初始化低密度閾值low為40HU，最高準(zhǔn)確率的初始值A(chǔ)CC_best為0；步驟B：初始化高密度閾值high為140HU；步驟C：根據(jù)與當(dāng)前的甲狀腺CT圖像像素的CT值相對(duì)應(yīng)的當(dāng)前的低密度閾值low和當(dāng)前的高密度閾值high的值，計(jì)算出當(dāng)前的準(zhǔn)確率ACC、當(dāng)前的敏感度SEN、當(dāng)前的特異性SPC、當(dāng)前的陽(yáng)性預(yù)測(cè)率PPV、當(dāng)前的陰性預(yù)測(cè)率NPV；步驟D：比較當(dāng)前的準(zhǔn)確率ACC與最高準(zhǔn)確率ACC_best的值：若當(dāng)前的準(zhǔn)確率ACC小于最高準(zhǔn)確率ACC_best，則直接進(jìn)入下一步驟E；若當(dāng)前的準(zhǔn)確率ACC大于最高準(zhǔn)確率ACC_best，先記錄數(shù)據(jù)，該數(shù)據(jù)包括low_best、high_best、ACC_best、SEN_best、SPC_best、PPV_best和NPV_best，再分別把當(dāng)前的低密度閾值low、高密度閾值high、當(dāng)前的準(zhǔn)確率ACC、當(dāng)前的敏感度SEN、當(dāng)前的特異性SPC、當(dāng)前的陽(yáng)性預(yù)測(cè)率PPV、當(dāng)前的陰性預(yù)測(cè)率NPV賦值給low_best、high_best、ACC_best、SEN_best、SPC_best、PPV_best和NPV_best，并進(jìn)入下一步驟E；步驟E：比較當(dāng)前的高密度閾值high與160HU：若高密度閾值high小于160HU，則高密度閾值high自動(dòng)加1，然后返回到步驟C；若高密度閾值high大于160HU，則進(jìn)入下一步驟F；步驟F：比較低密度閾值low與60HU：若低密度閾值low小于60HU，則低密度閾值low自動(dòng)加1，然后返回到步驟C；若低密度閾值low大于60HU，則進(jìn)入下一步驟G；步驟G：輸出最優(yōu)高密度閾值high_best和最優(yōu)低密度閾值low_best，優(yōu)化計(jì)算運(yùn)行結(jié)束。作為優(yōu)選，最優(yōu)高密度閾值和最優(yōu)低密度閾值分別為140-160HU和40-60HU。本發(fā)明中，最優(yōu)高密度閾值和最優(yōu)低密度閾值是基于試驗(yàn)基礎(chǔ)上獲得的經(jīng)驗(yàn)值來(lái)優(yōu)化計(jì)算，每次增加1HU，比較利用前后兩個(gè)不同參數(shù)計(jì)算得到的判斷準(zhǔn)確率ACC，經(jīng)過(guò)20乘20＝400次循環(huán)得到最高的ACC值，同時(shí)記錄相應(yīng)的參數(shù)和判斷結(jié)果。作為優(yōu)選，最優(yōu)高密度閾值和最優(yōu)低密度閾值分別為145-155HU和45-55HU。作為優(yōu)選，最優(yōu)高密度閾值和最優(yōu)低密度閾值分別為145-150HU和45-50HU。作為優(yōu)選，最優(yōu)高密度閾值為140HU或145HU或150HU或155HU或160HU，最優(yōu)低密度閾值為40HU或45HU或50HU或55HU或60HU。本發(fā)明中，閾值的選擇非常關(guān)鍵，直接影響到該檢測(cè)方法的準(zhǔn)確性。本發(fā)明采用多種閾值組合的方法進(jìn)行比較。當(dāng)設(shè)定高密度閾值時(shí)，應(yīng)考慮甲狀腺內(nèi)鈣化的程度和范圍，有些鈣化程度不深，鈣化處的CT值不超過(guò)140HU，也有的鈣化完全，鈣化處的CT值超過(guò)200HU，如果高密度閾值取得過(guò)高，就難以檢測(cè)出一般的鈣化值，容易造成高密度的疏漏，所以高密度閾值分別取140HU、145HU、150HU、155HU、160HU；當(dāng)設(shè)定低密度閾值時(shí)，也和組織壞死液化的程度有關(guān)，分別取40HU、45HU、50HU、55HU、60HU。作為優(yōu)選，步驟二中獲取所述的13維灰度共生紋理特征過(guò)程為：在甲狀腺CT圖像中任取一像素點(diǎn)A(x，y)，然后獲得與像素點(diǎn)A距離為d的另一個(gè)像素點(diǎn)B(x+a，y+b)，像素點(diǎn)A和B形成一個(gè)點(diǎn)對(duì)，記錄這一點(diǎn)對(duì)的灰度值(i，j)，固定a和b的值，使像素點(diǎn)A(x，y)在甲狀腺CT圖像上移動(dòng)，獲得種像素點(diǎn)對(duì)組合，Ng為圖像灰度級(jí)別值，i∈[0,Ng-1]，j∈[0,Ng-1]，改變d和θ，θ為像素點(diǎn)對(duì)連線與水平先的夾角，統(tǒng)計(jì)甲狀腺CT圖像中的像素點(diǎn)對(duì)的灰度值，構(gòu)成灰度共生矩陣P(i,j,θ,d)，P(i,j,θ,d)=#{(x,y),(x+dsinθ,y+dcosθ)F(x,y)=iF(x+dsinθ,y+dcosθ)=j}]]>其中#{x}是集合x(chóng)中的所有元素的個(gè)數(shù)；然后根據(jù)灰度共生矩陣提取13維紋理特征，分別為角二階矩、相關(guān)度、熵、對(duì)比度、逆差矩、平均和、和熵、方差和、方差、差平均、慣性、差方差、差熵。作為優(yōu)選，步驟二中所述的13維灰度共生紋理特征的公式為：角二階矩：f1=Σi=1NgΣj=1Ng[P(i,j,θ,d)]2;]]>角二階矩是灰度共生矩陣中所有像素的平方和，表現(xiàn)了圖像灰度的分布均勻程度和紋理的粗細(xì)程度。相關(guān)度：f2=Σi=1NgΣj=1Ng[i×j×p(i,j,θ,d)-μ1×μ2]/(σ1×σ2)]]>其中，μ1=Σi=1Ngi[Σj=1NgP(i,j,θ,d)],μ2=Σi=1Ngj[Σj=1NgP(i,j,θ,d)],]]>σ12=Σi=1Ng(i-μ1)2[Σj=1NgP(i,j,θ,d)],]]>σ22=Σj=1Ng(j-μ2)2[Σi=1NgP(i,j,θ,d)];]]>相關(guān)度反映了灰度共生矩陣中的元素在水平方向和豎直方向的變化情況，當(dāng)灰度共生矩陣中像素的元素分布均勻且數(shù)值接近，則相關(guān)度值較高。對(duì)于有方向性的紋理圖像，如果特定θ方向的相關(guān)度較強(qiáng)，則可以反映了圖像紋理的主要走向。熵：f3=-Σi=1NgΣj=1NgP(i,j,θ,d)×log2P(i,j,θ,d);]]>熵是灰度共生矩陣中信息量的表征，反映了灰度共生矩陣中元素隨機(jī)性的程度，可以反映圖像中紋理的復(fù)雜程度。當(dāng)圖像中所有像素分布均勻，沒(méi)有任何紋理時(shí)，灰度共生矩陣的元素幾乎全為0，則熵值較小；當(dāng)圖像中紋理非常復(fù)雜，像素分布雜亂時(shí)，灰度共生矩陣中的元素會(huì)存在較大的差異，則熵值較大。對(duì)比度：f4=Σi=1NgΣj=1Ng(i-j)2×[P(i,j,θ,d)]2;]]>對(duì)比度是灰度共生矩陣相對(duì)主對(duì)角線的慣性矩。若灰度共生矩陣中的元素距離主對(duì)角線越遠(yuǎn)且元素值越大，則對(duì)比度較大，反之亦然。而距離主對(duì)角線越遠(yuǎn)，則圖像中紋理基元的灰度差值越大；此類(lèi)元素越多，則反映圖像中此類(lèi)紋理基元越明顯。對(duì)比度可以反映圖像中紋理基元強(qiáng)度，即溝紋的深淺程度。紋理基元表現(xiàn)越強(qiáng)，溝紋越深，則對(duì)比度越大；反之亦然。逆差矩：f5=Σi=1NgΣj=1NgP(i,j,θ,d)1+(i-j)2;]]>逆差矩也可稱(chēng)為局部平穩(wěn)，可以反映圖像紋理的同質(zhì)性。當(dāng)圖像的紋理在不同區(qū)域變化較小時(shí)，圖像的像素點(diǎn)對(duì)灰度更為接近，則逆差矩較大。平均和：f6=Σk=22NgkPx+y(k),]]>其中且|i+j|＝k，k＝2,3,…,2Ng；平均和反映了圖像中像素點(diǎn)對(duì)的平均灰度值，反映了圖像紋理的明暗程度。和熵：f7=-Σk=22NgPx+y(k)[log2Px+y(k)],]]>其中且|i+j|＝k，k＝2,3,…,2Ng；和熵反映了圖像中像素點(diǎn)對(duì)的分布變化，像素點(diǎn)對(duì)的變化越隨機(jī)，分布范圍越大，則和熵值越大。方差和：f8=Σk=22Ng(k-f6)2Px+y(k),]]>其中且|i+j|＝k，k＝2,3,…,2Ng；方差和是圖像中像素點(diǎn)對(duì)的變化程度，反映了圖像紋理的周期性。圖像中紋理的周期越大，則方差和越大。方差：其中m是灰度共生矩陣P(i,j,θ,d)所有元素的均值；灰度共生矩陣的方差反映了圖像像素點(diǎn)對(duì)的變化，圖像中紋理分布越復(fù)雜，則方差越大。差平均：f10=Σk=0Ng-1kPx-y(k),]]>其中且|i-j|＝k，k＝0,1,…,Ng-1；差平均反映了圖像的像素點(diǎn)對(duì)的平均灰度差異，如果圖像紋理基元具有較強(qiáng)的灰度對(duì)比，并且分布空間較廣，則差平均值較大。慣性：f11=Σi=1NgΣj=1Ng(i-j)2P(i,j,θ,d);]]>慣性描繪了圖像紋理基元的對(duì)比度。如果圖像中的像素點(diǎn)對(duì)具有較大的灰度差異，像素點(diǎn)對(duì)的數(shù)量較多，則慣性值較大。差方差：f12=Σk=0Ng-1[k-Σk=0Ng-1kPx-y(k)]2×Px-y(k),]]>其中且|i-j|＝k，k＝0,1,…,Ng-1；差方差是圖像中像素點(diǎn)對(duì)的灰度差的方差，描繪了圖像紋理的對(duì)比度。當(dāng)圖像的紋理越顯著，對(duì)比度越強(qiáng)強(qiáng)烈，則差方差越大。熵差：f13=-Σk=0NgPx-y(k)[log2(Px-y(k))],]]>其中且|i-j|＝k，k＝0,1,…,Ng-1。作為優(yōu)選，步驟二中獲取所述的15維灰度梯度共生紋理特征過(guò)程為：對(duì)圖像f求取梯度圖像g，其中圖像f大小為Nx×Ny，圖像f的最高灰度級(jí)為N，灰度范圍為[0，N-1]，則有其中g(shù)x和gy分別為邊緣檢測(cè)算子，對(duì)圖像f在水平方向和豎直方向上計(jì)算得到梯度圖像g，對(duì)灰度圖像f和梯度圖像g分別進(jìn)行歸一化處理，對(duì)應(yīng)得到圖像F和圖像G，并且使得歸一化后的圖像G灰度分布范圍為[0,Ng-1]，圖像F的灰度分布范圍為[0,Nf-1]，計(jì)算公式如下：F＝[f×(Nf-1)/fmax]+1，G＝[g×(Ng-1)/gmax]+1，其中fmax是灰度圖像f中的灰度最大值，gmax是梯度圖像g的灰度最大值；對(duì)圖像f中任一像素點(diǎn)(x，y)，歸一化處理后的灰度值F(x，y)為i，且歸一化后的梯度值G(x，y)為j，得到灰度梯度共生矩陣中坐標(biāo)為(i，j)的元素，記為h(i，j)，h(i,j)＝#{(x,y)|F(x,y)＝i,G(x,y)＝j(luò)}其中#{X}是集合X中的所有元素的個(gè)數(shù)；對(duì)h(i，j)進(jìn)行歸一化處理，得到H(i,j)＝h(i,j)/(Ng×Nf)其中，i＝1,2,…,Nf，j＝1,2,…,Ng，根據(jù)灰度梯度共生矩陣提取15維紋理特征，分別為小梯度優(yōu)勢(shì)、大梯度優(yōu)勢(shì)、灰度分布的不均勻性、梯度分布的不均勻性、能量、灰度平均值、梯度平均值、灰度標(biāo)準(zhǔn)差、梯度標(biāo)準(zhǔn)差、相關(guān)性、灰度熵、梯度熵、混合熵、差分矩、逆差矩。對(duì)于灰度圖像，不僅可以使用灰度信息統(tǒng)計(jì)分析圖像的紋理特征，而且可以使用灰度的鄰域變化信息分析圖像紋理。梯度就是灰度的鄰域變化信息，構(gòu)成了圖像的邊緣輪廓。灰度梯度共生矩陣可以綜合圖像的灰度和梯度信息，更為全面的反映圖像中每個(gè)像素點(diǎn)的灰度和梯度的分布特征，反映像素點(diǎn)與其鄰域各像素點(diǎn)的空間位置關(guān)系。作為優(yōu)選，步驟二中所述的15維灰度梯度共生紋理特征的公式為：小梯度優(yōu)勢(shì)：其中小梯度優(yōu)勢(shì)反映了圖像中小梯度的分布強(qiáng)度。當(dāng)圖像的灰度變化較平緩，圖像大部分區(qū)域的梯度值較小，則小梯度優(yōu)勢(shì)值大。大梯度優(yōu)勢(shì)：其中大梯度優(yōu)勢(shì)反映了圖像中的大梯度的分布強(qiáng)度。如果圖像中的灰度變化非常劇烈，大梯度在圖像中分布較廣泛，則大梯度優(yōu)勢(shì)值大。灰度分布的不均勻性：其中如果圖像中不同區(qū)域的灰度差別比較大，則灰度分布的不均勻性值較大。梯度分布的不均勻性：其中如果圖像中不同區(qū)域的梯度變化較大，則梯度分布的不均勻性值較大。能量：t5=Σi=1NfΣj=1Ng[H(i,j)]2;]]>能量反映了圖像紋理的強(qiáng)度和密集程度。如果圖像中灰度和梯度變化比較強(qiáng)烈，且較為密集，則能量值較大?；叶绕骄担簍6=Σi=1Nfi[Σj=1NgH(i,j)];]]>灰度平均值反映了圖像中的灰度強(qiáng)度，即圖像的整體亮度。梯度平均值：t7=Σj=1Ngj[Σi=1NfH(i,j)];]]>梯度平均值反映了圖像中的梯度的平均強(qiáng)度。灰度標(biāo)準(zhǔn)差：t8={Σi=1Nf(i-t6)2[Σj=1NgH(i,j)]}1/2;]]>灰度標(biāo)準(zhǔn)差反映了圖像中灰度的變化強(qiáng)度梯度標(biāo)準(zhǔn)差：t9={Σj=1Ng(j-t7)2[Σi=1NfH(i,j)]}1/2;]]>梯度標(biāo)準(zhǔn)差反映了圖像中梯度的變化強(qiáng)度。如果圖像中的梯度大小較為接近，則梯度標(biāo)準(zhǔn)差值較小，反之亦然。相關(guān)性：t10=1t8t9Σi=1NfΣj=1Ng(i-t6)(j-t7)H(i,j);]]>相關(guān)性反映了圖像中灰度和梯度的相互關(guān)系。如果圖像中紋理基元的分布比較規(guī)則，那么灰度和梯度的變化存在一致性，則相關(guān)性值較大?；叶褥兀簍11=-Σi=1Nf{[Σj=1NgH(i,j)]log2[Σj=1NgH(i,j)]};]]>灰度熵反映了圖像中灰度分布的規(guī)律性，即圖像中的平均信息量。梯度：t12=-Σj=1Ng{[Σi=1NfH(i,j)]log2[Σi=1NfH(i,j)]};]]>梯度熵反映了圖像中梯度分布的規(guī)律性，即梯度圖像的平均信息量?；旌响兀簍13=-Σi=1NfΣj=1NgH(i,j)[log2H(i,j)];]]>混合熵反映了灰度-梯度共生矩陣的平均信息量。如果圖像中灰度和梯度的變化較復(fù)雜，則混合熵值較大。差分矩：t14=Σi=1NfΣj=1Ng(i-j)2H(i,j);]]>差分矩描繪了圖像紋理基元的對(duì)比度。如果圖像中像素點(diǎn)對(duì)的灰度較高并且灰度變化很小，那么圖像的差分矩較大。逆差矩：t15=Σi=1NfΣj=1Ng11+(i-j)2H(i,j);]]>逆差矩，即局部平穩(wěn)，可以反映圖像紋理的同質(zhì)性。當(dāng)圖像紋理基元的灰度與梯度非常接近，并且覆蓋圖像的大部分區(qū)域，則逆差矩較大。本發(fā)明中，步驟一中對(duì)甲狀腺CT圖像進(jìn)行輪廓分割以及自動(dòng)提取的過(guò)程為：先由CT掃描儀器對(duì)甲狀腺腫塊患者進(jìn)行掃描，獲取得到甲狀腺CT原始圖像，再在甲狀腺CT原始圖像中選取腫塊最大橫徑的橫斷面圖像，在所述的最大橫徑的橫斷面圖像中將含有腫塊的區(qū)域邊緣手動(dòng)勾畫(huà)，然后再將勾畫(huà)的區(qū)域所在的圖像提取出來(lái)，并設(shè)定圖像灰度級(jí)為256級(jí)，將所有提取的不同的區(qū)域圖像構(gòu)成病變甲狀腺圖像集。本發(fā)明由于采用了以上技術(shù)方案，具有顯著的技術(shù)效果：采用判斷算法對(duì)甲狀腺CT圖像自動(dòng)實(shí)施尋找異常密度所在的位置區(qū)域，自動(dòng)判斷得出甲狀腺CT圖像是否存在異常密度值的結(jié)果，實(shí)現(xiàn)了快速而及時(shí)地為醫(yī)生提供異常密度信息并自動(dòng)幫助醫(yī)生確定異常密度值所在的位置區(qū)域；又通過(guò)閾值優(yōu)化算法對(duì)甲狀腺CT圖像的CT值閾值進(jìn)行最優(yōu)值計(jì)算，進(jìn)一步提高了識(shí)別異常密度區(qū)域的準(zhǔn)確度，既有效地降低了醫(yī)生的漏診率，又大大減輕了醫(yī)生的工作量；該檢測(cè)方法由于不存在人為主觀因素影響，避免了人為主觀因素對(duì)病理檢查與其他檢查的干擾，大大提高了檢測(cè)系統(tǒng)的運(yùn)行效率和醫(yī)生的工作效率。附圖說(shuō)明圖1為本發(fā)明甲狀腺CT圖像異常密度的檢測(cè)方法實(shí)施例的系統(tǒng)功能流程圖。圖2為本發(fā)明閾值優(yōu)化算法實(shí)施例的程序流程圖。圖3為本發(fā)明當(dāng)最優(yōu)高密度閾值為150HU時(shí)當(dāng)前的低密度閾值與準(zhǔn)確率之間的關(guān)系圖。圖4為本發(fā)明當(dāng)最優(yōu)低密度閾值為45HU時(shí)當(dāng)前的高密度閾值與準(zhǔn)確率之間的關(guān)系圖。圖5為本發(fā)明獲取13維灰度共生紋理特征過(guò)程中灰度矩陣像素點(diǎn)對(duì)實(shí)施例的結(jié)構(gòu)示意圖。具體實(shí)施方式下面結(jié)合附圖與實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。一種甲狀腺CT圖像異常密度的檢測(cè)方法，如圖1-5所示，包括以下步驟：步驟一：通過(guò)輸入模塊對(duì)由CT掃描儀器掃描獲取的甲狀腺CT原始圖像進(jìn)行輪廓分割，自動(dòng)提取甲狀腺CT橫斷面圖像，再將甲狀腺CT橫斷面圖像經(jīng)過(guò)濾波降噪處理，獲得用于檢測(cè)異常密度值的甲狀腺CT圖像，然后將甲狀腺CT圖像導(dǎo)入到檢測(cè)系統(tǒng)中；通過(guò)CT掃描儀對(duì)患者掃描采集甲狀腺CT原始圖像，CT掃描儀采用西門(mén)子Sensation16層螺旋CT，采集甲狀腺腫塊患者的CT平掃橫斷面圖像，圖像格式為DICOM。CT設(shè)備掃描參數(shù)為球管電壓120kV，管電流220mAs，層厚為2-3mm，層間距2-3mm，螺距為1-1.5，圖像重建類(lèi)型為B40，軟組織顯示窗，橫斷面圖像的分辨率為512×512像素，每位患者10-15個(gè)橫斷面圖像。然后在CT平掃橫斷面圖像中，選取腫塊所在最大橫徑的橫斷面圖像，進(jìn)行輪廓分隔，自動(dòng)提取甲狀腺CT橫斷面圖像。先在甲狀腺CT原始圖像中選取腫塊最大橫徑的橫斷面圖像，再使用microMRI軟件在所述的最大橫徑的橫斷面圖像中將含有腫塊的區(qū)域邊緣手動(dòng)勾畫(huà)，然后再將勾畫(huà)的區(qū)域所在的圖像提取出來(lái)，并設(shè)定圖像灰度級(jí)為256級(jí)，將所有提取的不同的區(qū)域圖像構(gòu)成病變甲狀腺圖像集。在獲得病變甲狀腺圖像集的同時(shí)，通過(guò)檢測(cè)系統(tǒng)中存儲(chǔ)的已得到證實(shí)的病理結(jié)果將病變甲狀腺CT圖像相應(yīng)的標(biāo)記為惡性或良性，例如良性腫塊包括甲狀腺腺瘤、甲狀腺腫和橋本氏病燈良性病變，惡性腫塊包括乳頭狀腺癌和濾泡狀腺癌。步驟二：通過(guò)紋理特征提取模塊對(duì)步驟一中導(dǎo)入的甲狀腺CT圖像進(jìn)行圖像紋理分析，獲取甲狀腺CT圖像的圖像特征，依據(jù)所述的圖像特征讀取甲狀腺CT圖像各個(gè)像素的CT值；其中，所述的圖像特征包含13維灰度共生紋理特征和15維灰度梯度共生紋理特征；步驟三：先通過(guò)閾值優(yōu)化算法計(jì)算并輸出與甲狀腺CT圖像像素的CT值相對(duì)應(yīng)的最優(yōu)低密度閾值和最優(yōu)高密度閾值，再將甲狀腺CT圖像中每2×2像素的CT值分別與最優(yōu)低密度閾值和最優(yōu)高密度閾值進(jìn)行比較，然后通過(guò)判斷算法對(duì)所述的每2×2像素所形成的點(diǎn)陣區(qū)域進(jìn)行判斷并獲得判斷結(jié)果，最后將判斷結(jié)果輸出并提示醫(yī)生；其中，判斷算法包括：若所述的每2×2像素中的每個(gè)像素的CT值均小于最優(yōu)低密度閾值，則得出所述的每2×2像素所形成的點(diǎn)陣區(qū)域?yàn)榈兔芏犬惓^(qū)域的判斷結(jié)果，從而得出甲狀腺CT圖像在低密度異常區(qū)域存在CT值異常的判斷結(jié)果；若所述的每2×2像素中的每個(gè)像素的CT值均大于最優(yōu)高密度閾值，則得出所述的每2×2像素所形成的點(diǎn)陣區(qū)域?yàn)楦呙芏犬惓^(qū)域的判斷結(jié)果，從而得出甲狀腺CT圖像在高密度異常區(qū)域存在CT值異常的判斷結(jié)果。本實(shí)施例中，采用MATLAB作為計(jì)算分析工具對(duì)步驟三中的閾值優(yōu)化算法進(jìn)行運(yùn)算，具體步驟如下：步驟A：初始化低密度閾值low為40HU，最高準(zhǔn)確率的初始值A(chǔ)CC_best為0；步驟B：初始化高密度閾值high為140HU；步驟C：根據(jù)與當(dāng)前的甲狀腺CT圖像像素的CT值相對(duì)應(yīng)的當(dāng)前的低密度閾值low和當(dāng)前的高密度閾值high的值，計(jì)算出當(dāng)前的準(zhǔn)確率ACC、當(dāng)前的敏感度SEN、當(dāng)前的特異性SPC、當(dāng)前的陽(yáng)性預(yù)測(cè)率PPV、當(dāng)前的陰性預(yù)測(cè)率NPV；步驟D：比較當(dāng)前的準(zhǔn)確率ACC與最高準(zhǔn)確率ACC_best的值：若當(dāng)前的準(zhǔn)確率ACC小于最高準(zhǔn)確率ACC_best，則直接進(jìn)入下一步驟E；若當(dāng)前的準(zhǔn)確率ACC大于最高準(zhǔn)確率ACC_best，先記錄數(shù)據(jù)，該數(shù)據(jù)包括low_best、high_best、ACC_best、SEN_best、SPC_best、PPV_best和NPV_best，再分別把當(dāng)前的低密度閾值low、高密度閾值high、當(dāng)前的準(zhǔn)確率ACC、當(dāng)前的敏感度SEN、當(dāng)前的特異性SPC、當(dāng)前的陽(yáng)性預(yù)測(cè)率PPV、當(dāng)前的陰性預(yù)測(cè)率NPV賦值給low_best、high_best、ACC_best、SEN_best、SPC_best、PPV_best和NPV_best，并進(jìn)入下一步驟E；步驟E：比較當(dāng)前的高密度閾值high與160HU：若高密度閾值high小于160HU，則高密度閾值high自動(dòng)加1，然后返回到步驟C；若高密度閾值high大于160HU，則進(jìn)入下一步驟F；步驟F：比較低密度閾值low與60HU：若低密度閾值low小于60HU，則低密度閾值low自動(dòng)加1，然后返回到步驟C；若低密度閾值low大于60HU，則進(jìn)入下一步驟G；步驟G：輸出最優(yōu)高密度閾值high_best和最優(yōu)低密度閾值low_best，優(yōu)化計(jì)算運(yùn)行結(jié)束。本實(shí)施例中，最優(yōu)高密度閾值為140HU或145HU或150HU或155HU或160HU，最優(yōu)低密度閾值為40HU或45HU或50HU或55HU或60HU。本實(shí)施例中，依據(jù)閾值優(yōu)化算法對(duì)高密度閾值和低密度閾值進(jìn)行優(yōu)化計(jì)算，若優(yōu)化計(jì)算之后的最優(yōu)高密度閾值和最優(yōu)低密度閾值分別為151HU和57HU，則ACC、SEN、SPC、PPV、NPV對(duì)應(yīng)的計(jì)算結(jié)果分別為0.8511、0.8060、0.8984、0.8926、0.8156，優(yōu)于經(jīng)驗(yàn)取值的最高準(zhǔn)確率。本實(shí)施例中，步驟二中獲取所述的13維灰度共生紋理特征過(guò)程為：如圖5所示，在甲狀腺CT圖像中任取一像素點(diǎn)A(x，y)，然后獲得與像素點(diǎn)A距離為d的另一個(gè)像素點(diǎn)B(x+a，y+b)，像素點(diǎn)A和B形成一個(gè)點(diǎn)對(duì)，記錄這一點(diǎn)對(duì)的灰度值(i，j)，固定a和b的值，使像素點(diǎn)A(x，y)在甲狀腺CT圖像上移動(dòng)，獲得種像素點(diǎn)對(duì)組合，Ng為圖像灰度級(jí)別值，i∈[0,Ng-1]，j∈[0,Ng-1]，改變d和θ，θ為像素點(diǎn)對(duì)連線與水平先的夾角，統(tǒng)計(jì)甲狀腺CT圖像中的像素點(diǎn)對(duì)的灰度值，構(gòu)成灰度共生矩陣P(i,j,θ,d)，P(i,j,θ,d)=#{(x,y),(x+dsinθ,y+dcosθ)F(x,y)=iF(x+dsinθ,y+dcosθ)=j}]]>其中#{x}是集合x(chóng)中的所有元素的個(gè)數(shù)；預(yù)先設(shè)定d值，分別計(jì)算0°、45°、90°和135°四個(gè)方向的灰度共生矩陣，如果灰度范圍為[0,Ng-1]，則每個(gè)方向的灰度共生矩陣的尺寸是Ng×Ng。本實(shí)施例中，預(yù)先設(shè)定d＝1，分別計(jì)算0°、45°、90°和135°的灰度共生矩陣，然后基于每個(gè)方向的矩陣計(jì)算紋理特征，將四個(gè)方向的紋理特征求取平均值，得到旋轉(zhuǎn)不變的紋理特征。然后根據(jù)灰度共生矩陣提取13維紋理特征，分別為角二階矩、相關(guān)度、熵、對(duì)比度、逆差矩、平均和、和熵、方差和、方差、差平均、慣性、差方差、差熵。本實(shí)施例中，步驟二中所述的13維灰度共生紋理特征的公式為：角二階矩：f1=Σi=1NgΣj=1Ng[P(i,j,θ,d)]2;]]>相關(guān)度：f2=Σi=1NgΣj=1Ng[i×j×p(i,j,θ,d)-μ1×μ2]/(σ1×σ2)]]>其中，μ1=Σi=1Ngi[Σj=1NgP(i,j,θ,d)],μ2=Σi=1Ngj[Σj=1NgP(i,j,θ,d)],]]>σ12=Σi=1Ng(i-μ1)2[Σj=1NgP(i,j,θ,d)],]]>σ22=Σj=1Ng(j-μ2)2[Σi=1NgP(i,j,θ,d)];]]>熵：f3=-Σi=1NgΣj=1NgP(i,j,θ,d)×log2P(i,j,θ,d);]]>對(duì)比度：f4=Σi=1NgΣj=1Ng(i-j)2×[P(i,j,θ,d)]2;]]>逆差矩：f5=Σi=1NgΣj=1NgP(i,j,θ,d)1+(i-j)2;]]>平均和：f6=Σk=22NgkPx+y(k),]]>其中且|i+j|＝k，k＝2,3,…,2Ng；和熵：f7=-Σk=22NgPx+y(k)[log2Px+y(k)],]]>其中且|i+j|＝k，k＝2,3,…,2Ng；方差和：f8=Σk=22Ng(k-f6)2Px+y(k),]]>其中且|i+j|＝k，k＝2,3,…,2Ng；方差：其中m是灰度共生矩陣P(i,j,θ,d)所有元素的均值；差平均：f10=Σk=0Ng-1kPx-y(k),]]>其中且|i-j|＝k，k＝0,1,…,Ng-1；慣性：f11=Σi=1NgΣj=1Ng(i-j)2P(i,j,θ,d);]]>差方差：f12=Σk=0Ng-1[k-Σk=0Ng-1kPx-y(k)]2×Px-y(k),]]>其中且|i-j|＝k，k＝0,1,…,Ng-1；熵差：f13=-Σk=0NgPx-y(k)[log2(Px-y(k))],]]>其中且|i-j|＝k，k＝0,1,…,Ng-1。本實(shí)施例中，步驟二中獲取所述的15維灰度梯度共生紋理特征過(guò)程為：對(duì)圖像f求取梯度圖像g，其中圖像f大小為Nx×Ny，圖像f的最高灰度級(jí)為N，灰度范圍為[0，N-1]，則有其中g(shù)x和gy分別為邊緣檢測(cè)算子，本實(shí)施例中采用尺寸為3*3的Sobel算子求取梯度圖像，Sobel算子是水平方向和豎直方向的兩個(gè)邊界檢測(cè)算子，其分別為：對(duì)圖像f在水平方向和豎直方向上計(jì)算得到梯度圖像g，對(duì)灰度圖像f和梯度圖像g分別進(jìn)行歸一化處理，對(duì)應(yīng)得到圖像F和圖像G，并且使得歸一化后的圖像G灰度分布范圍為[0,Ng-1]，圖像F的灰度分布范圍為[0,Nf-1]，計(jì)算公式如下：F＝[f×(Nf-1)/fmax]+1，G＝[g×(Ng-1)/gmax]+1，其中fmax是灰度圖像f中的灰度最大值，gmax是梯度圖像g的灰度最大值；對(duì)圖像f中任一像素點(diǎn)(x，y)，歸一化處理后的灰度值F(x，y)為i，且歸一化后的梯度值G(x，y)為j，得到灰度梯度共生矩陣中坐標(biāo)為(i，j)的元素，記為h(i，j)，h(i,j)＝#{(x,y)|F(x,y)＝i,G(x,y)＝j(luò)}其中#{X}是集合X中的所有元素的個(gè)數(shù)；對(duì)h(i，j)進(jìn)行歸一化處理，得到H(i,j)＝h(i,j)/(Ng×Nf)其中，i＝1,2,…,Nf，j＝1,2,…,Ng，根據(jù)灰度梯度共生矩陣提取15維紋理特征，分別為小梯度優(yōu)勢(shì)、大梯度優(yōu)勢(shì)、灰度分布的不均勻性、梯度分布的不均勻性、能量、灰度平均值、梯度平均值、灰度標(biāo)準(zhǔn)差、梯度標(biāo)準(zhǔn)差、相關(guān)性、灰度熵、梯度熵、混合熵、差分矩、逆差矩。本實(shí)施例中，步驟二中所述的15維灰度梯度共生紋理特征的公式為：小梯度優(yōu)勢(shì)：其中大梯度優(yōu)勢(shì)：其中灰度分布的不均勻性：其中梯度分布的不均勻性：其中能量：t5=Σi=1NfΣj=1Ng[H(i,j)]2;]]>灰度平均值：t6=Σi=1Nfi[Σj=1NgH(i,j)];]]>梯度平均值：t7=Σj=1Ngj[Σi=1NfH(i,j)];]]>灰度標(biāo)準(zhǔn)差：t8={Σi=1Nf(i-t6)2[Σj=1NgH(i,j)]}1/2;]]>梯度標(biāo)準(zhǔn)差：t9={Σj=1Ng(j-t7)2[Σi=1NfH(i,j)]}1/2;]]>相關(guān)性：t10=1t8t9Σi=1NfΣj=1Ng(i-t6)(j-t7)H(i,j);]]>灰度熵：t11=-Σi=1Nf{[Σj=1NgH(i,j)]log2[Σj=1NgH(i,j)]};]]>梯度：t12=-Σj=1Ng{[Σi=1NfH(i,j)]log2[Σi=1NfH(i,j)]};]]>混合熵：t13=-Σi=1NfΣj=1NgH(i,j)[log2H(i,j)];]]>差分矩：t14=Σi=1NfΣj=1Ng(i-j)2H(i,j);]]>逆差矩：t15=Σi=1NfΣj=1Ng11+(i-j)2H(i,j).]]>通過(guò)以上的紋理特征提取，得到28維特征參數(shù)，參數(shù)總結(jié)如下表所示：總之，以上所述僅為本發(fā)明的較佳實(shí)施例，凡依本發(fā)明申請(qǐng)專(zhuān)利范圍所作的均等變化與修飾，皆應(yīng)屬本發(fā)明專(zhuān)利的涵蓋范圍。當(dāng)前第1頁(yè)1 2 3