（３）找最大轮廓：找到区域曲线最大值作为肺结节所在 区域；
（４）轮廓点顺时存放：按边界标记法，以边界某点作始 点，将边界各点坐标按顺时针记录在数组ｍａｒｇｉｎ；
（５）找轮廓关键点：用Ｄ—Ｐ算法，提取边界关键点，形成 新边界数组ｚｉｐＭａｒｇｉｎ；
（６）求指标：分别求相邻三个点形成三角形的弧弦比、凹 凸情况、夹角角度．
图３边缘关键点图 （Ａ）肺结节（Ｂ）轮廓图（ｃ）轮廓关键点
Ｆｉｇ．３ Ｅｘｔｒａｃｔｉｏｎ ｏｆ ｋｅｙ ｐｏｉｎｔｓ
算法：分叶毛刺特征提取算法 输入：ＲＯＩ图像ｊ 输出：毛刺、分叶特征二岳， 过程：
（１）二值化：对Ｉ，进行ＯＴＳＵ阈值分割，得到二值化图 像；
（２）区域轮廓标记：对二值图进行轮廓标记，得到封闭若 干曲线的轮廓图；
万方数据
１０期
何中市等：肺结节检测中特征提取方法研究
２０７５
五。最大凸弧弦比．用以描述轮廓的分叶情况．如图４，先 定义弧弦比Ｒａｃ，：
舭；＝ｃＥ×鲁×ｃＤ
（１）
边界上的每个点ｆ都可以算出Ｒａｃ，，ＣＦｉ表点的凹凸情况（＋１ 表凸，一１表凹）．ＣＤ表该ＲＯＩ图像边界的清楚程度因子，将在 ３．２．４介绍，每张肺结节图像对应１个边界清楚程度因子，取 值为Ｅｏ，１．２］．主要用于修正由于原图边界模糊对得到分割 得到轮廓的影响程度．因此，五。最大凸弧弦比定义为：五。＝ ｎｚａｘ｛Ｒａｃｆｌ Ｒａｃｆ＞０，ｆ＝１，２，３，…，ｎ｝．五１最大凹弧弦比定 义为：Ｚ１＝ｉｎａｘ｛一Ｒａｃｆ Ｒａｃｆ＜０，ｆ＝１，２，３，…，ｎ｝．
小型微型计算机系统
Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎｅｓｅ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ
２００９年１０月第１０期
Ｖ０１．３０ Ｎｏ．１０ ２００９
肺结节检测中特征提取方法研究
何中市１，梁琰１，黄学全２，王健２
１（重庆大学计算机学院，重庆４０００４４） ２（第三军医大学西南医院放射科，重庆４０００３８）
孤立性肺结节在医学上的定义为：指肺实质内单发圆形 或类圆形致密影，直径小于３ｃｍ，不伴有肺不长或淋巴结肿 大ｏ“．实验数据来源于重庆某大型院的放射科，包括病例 图像、病理结果信息（包括疾病名称、肺结节形态的文字描 述，如毛刺、分叶情况，病因等信息）．其中各病例均是只含有 ＳＰＮｓ，不含其它类型的肺结节．
而只有”是”或”否”的识别结果，无法给医生提供更多的信息． 本文围绕以上几个问题，意在提供全面的、系统的量化信
息，便于医学专家诊断的客观化、效率化．本文对孤立性肺结 节特征提取问题进行研究．通过对肺结节和肺内各组织在序 列ＣＴ图像上的医学征象分析和研究对比，提出了肺结节特 征提取总体方案．该方案分别从肺部ＣＴ图像的灰度特征、形
图霜戮 个纹理特征、７个空间关系上下文特征，期望从多方位、各方
面完整地描述肺结节的特征．
（Ａ）
（Ｂ）
（Ｃ）
图２空洞特征提取过程 （Ａ）肺结节（Ｂ）Ａ组图的二值图（ｃ）Ｂ组图的边缘图
Ｆｉｇ．２ Ｐｒｏｃｅｓｓ ｏｆ ｃａｖｉｔａｒｙ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ
３．１灰度特征 肺部ＣＴ图像是灰度图像，区域问灰度级的差异使得相
（７）取特征：二关键点个数，五最小凹角，五最小凸角，五。 最大凸弧弦比，Ｚ，最大凹弧弦比．
二关键点个数描述了边缘不规则程度．实验发现关键点 个数越多，其边缘越不规则．五最小凹角．轮廓上凹点中最小 角度在一定程度上提示该点分叶的可能．五最小凸角．轮廓上 凸点中最小角度在一定程度上提示该点是毛刺点的可能．
别结果的解释．正因为对提取的特征与肺结节医学征象问的 对应关系分析不足，无法对识别结果进行医学知识上的解释，
帽霭瓣倒 １Ｊ躺ｌ 懂歪母
Ｉ里斗 １显查鲎堑卜＿
特征提取
特征评价
｜｜描述程度ｌ
１絮嚣卜
ｌＪ ｓ、，Ｍ识
－－｜别性能
图１ ＳＰＮｓ诊断框架图 Ｆｉｇ．１ Ｏｖｅｒｖｉｅｗ ｏｆ ＳＰＮｓ ｄｅｔｅｃｔｉｏｎ
分叶、毛刺等特征主要是医学上对肺结节边缘特征的表 述，是肺结节影像分析的重要特征，其出现大多提示结节的恶
囝叠 性．根据相关征象的描述，本文提出利用轮廓提取和Ｄ—Ｐ求
取关键算法。１…，将２一Ｄ图像，转化为对１一Ｄ曲线上关键点处 理，提取结节相应的分叶、毛刺形状边缘方面的特征，如图３．
（Ａ）
（Ｂ）
（Ｃ）
对关键的医学征象进行图像分析，从而实现对ＲＯＩ（Ｒｅｇｉｏｎｓ ｏｆ Ｉｎｔｅｒｅｓｔ）区域的特征提取和量化；提出特征提取的评价方案，实
验结果表明，本文提取的特征提取方案是有效的．利用本文提取的特征，肺结节检测正确率达到９３．０５％，敏感率为９４．５３％．
关键词：孤立性；肺结节；特征提取；ＣＴ图像；特征评价
Ｉｔ更’
图４边界夹角图例
Ｆｉｇ．４ Ｅｘａｍｐｌｅ ｏｆ ａ ｂｏｕｎｄａｒｙ ａｎｇｌｅ
３．２．３形状特征 肺结节与脉管在形状上有各自的形态特点．形状信息的
定量测量有，如：大小、周长、面积等，已常用作医学图像中组 织特征的参量。１“．本文提取了五：岳，：周长、面积、类圆度、矩 形度、细长度和轮廓面积比几何特征． ３．２．４边界清楚程度
ｓｕｉｔ ｏｆ ９３．０５％ｉｎ ｎｏｄｕｌｅ ｄｅｔｅｃｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ９４．５３％ｉｎ ｓｅｎｓｉｔｉｖｉｔｙ． Ｋｅｙ ｗｏｒｄｓ：ｉｓｏｌａｔｅｄ；ｓｏｌｉｔａｒｙ ｐｕｌｍｏｎａｒｙ ｎｏｄｕｌｅｓ；ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ；ＣＴ ｉｍａｇｅｓ；ｆｅａｔｕｒｅ ａｓｓｅｓｓｍｅｎｔ
１（Ｃｏｌｌｅｇｅ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，ｃ‰增幻增Ｕｎｉｖｅｒｓ毋，Ｃｈｏｎｇｑｉｎｇ ４０００４４，Ｃｈｉｎａ）
２（Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｒａｄｉｏｌｏｇｙ，Ｓｏｕｔｈｗｅｓｔ丑却池ｚ，Ｔｈｉｒｄ Ｍｉｌｉｔａｒｙ Ｍｅｄｗａｌ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎｅｓｅ ＰＬ４，Ｃｈｏｎｇｑｉｎｇ ４０００３８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｔｅｃｈｎｉｑｕｅｓ ｈａｖｅ ｐｒｏｖｅｄ ｔｏ ｂｅ ｅｆｆｅｃｔｉｖｅ ｆｏｒ ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ｒａｄｉｏｌｏｇｉｓｔｓ７ ｄｉａｇｎｏｓｉｓ ｏｆ ｐｕｂｍｏｎａｒｙ ｎｏｄｕｌｅｓ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｗｅ ｐｒｅｓｅｎｔ ａ ｓｔｒａｔｅｇｙ ｂａｓｅｄ ｏｎ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｔｅｃｈｎｉｑｕｅ ａｉｍｅｄ ａｔ Ｓｏｌｉｔａｒｙ Ｐｕｌｍｏｎａｒｙ Ｎｏｄｕｌｅｓ（ＳＰＮ）ｄｅｔｅｃｔｉｏｎ．Ｉｎ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｓｃｈｅｍｅ，３６ ｆｅａｔｕｒｅｓ ｗｅｒｅ ｏｂｔａｉｎｅｄ，ｃｏｎｔａｉｎｅｄ ３ ｇｒｅｙ ｌｅｖｅｌ ｆｅａｔｕｒｅｓ，１６ ｍｏｒｐｈｏｌｏｇｉｃａｌ ｆｅａｔｕｒｅｓ，１０ ｔｅｘｔｕｒｅ ｆｅａｔｕｒｅｓ ａｎｄ ７ ｓｐａｔｉａｌ ｃｏｎｔｅｘｔ ｆｅａｔｕｒｅｓ．Ａｎｄ ｔｈｅ ｃｌａｓｓｉｆｉｅｒ（ＳＶＭ）ｒｕｎｎｉｎｇ ｗｉｔｈ ｔｈｅ ｅｘｔｒａｃｔｅｄ ｆｅａｔｕｒｅｓ ａｃｈｉｅｖｅｓ ｃｏｍｐａｒａｔｉｖｅ ｒｅｓｕｌｔｓ，ｗｉｔｈ ａ ｒｅ－
空洞（ｃａｖｉｔａｒｙ）在肺窗上呈现为低密度影．空洞特征在肺 结节所有特征中比较容易发现．
根据空洞象征的描述，空洞特征设计思路如下：先用Ｏｔ－ ＳＵ图像分割得到二值图。９ Ｊ，接着计算区域中是否还含有更小 的区域，统计其个数及面积，如图２，计算五说特征：空洞个 数，空洞面积，空洞占肺结节面积比． ３．２．２分叶、毛刺特征
Ｅ—ｍａｉｌ：ｚｓｈｅ＠ｃｑｕ．ｅｄｕ．ｃａ
摘要：计算机辅助诊断（Ｃｏｍｐｕｔｅｒ—Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ，ＣＡＤ）系统为肺癌的早期检测和诊断提供了有力的支持．本文对孤立性肺
结节特征提取问题进行研究．通过对肺结节和肺内各组织在序列ＣＴ图像上的医学征象分析和研究对比，结合专家提供的知
识，提出了肺结节特征提取总体方案．该方案分别从肺部ＣＴ图像的灰度特征、肺结节形态、纹理、空间上下文特征等几个方面，
和介入放射学．
万方数据
２０７４
小型微型计算机系统
２００９焦
态、纹理、空间上下文特征等几个方面，对关键的医学征象进 行图像分析，从而实现对ＲＯＩ（Ｒｅｇｉｏｎｓ ｏｆ Ｉｎｔｅｒｅｓｔ）区域的特 征提取和量化；接着，还提出了特征提取的评价方案．本文研 究的ＳＰＮｓ诊断框图见上页图１．
２ ＲＯＩ提取
应的组织和结构能够突显出来．灰度特征是肺结节最基本也 是最简单的特征，如密度相关表征．提取灰度特征，考虑了Ｚ一 五分别包括肺结节区域的灰度均值、灰度方差和灰度熵． ３．２形态特征
形态特征是最直观的视觉特征．从医学角度，结节在ＣＴ 图像上的表现（称为征象）有其医学上的特定命名和意义以
及检测方法．征象的描述能够使医生从病理方面更好的理解 和判断．形态特征主要从空洞、毛刺、形状、边界清楚程度等方 面进行量化．其中对重要的毛刺、分叶特征进行详细阐述． ３．２．１空洞特征
收稿日期：２００８－０８－３０基金项目：重庆市重大科技专项项目（ＣＳＴＣ，２００８ＡＢ５０３８）资助；重庆市自然科学基金项目（ＣＳＴＣ，２００７ＢＢ２１３４））资 助． 作者简介：何中市，男，１９６５年生，博士，教授，研究方向为人工智能、机器学习与数据挖掘等；梁琰，女，１９８２年生，博士研究生，图像处 理、模式识别；黄学金，男，１９６６年生，博士，副教授，研究方向为影像诊断和介入放射学；王健，男，１９６４年生，博士，教授，研究方向为影像诊断
中图分类号：ＴＰ３９１
文献标识码：Ａ
文章编号：１０００—１２２０（２００９）１０—２０７３－０５
Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ Ａｐｐｒｏａｃｈ ｆｏｒ ＳＰＮｓ Ｄｅｔｅｃｔｉｏｎ
腼Ｚｈｏｎｇ—ｓｈｉｌ，ＬＩＡＮＧ Ｙａｎｌ，ＨＵＡＮＧ Ｘｕｅ—ｑｕａｎ２，ＷＡＮＧ Ｊｉａｎ２