CT增强扫描中的小肝癌的自动检测

摘要：提出一种用模板匹配来检测ct增强扫描中的小肝癌的算法，该算法先利用改进的区域生长方法提取出完整的肝部以减少模板匹配的计算量，然后简化Y Lee等人的模板匹配方法，从而达到加快计算速度的目的。

关键词：模板匹配；CT图像；区域生长

中图分类号：TP391文献标识码：A文章编号：1009-3044(2008)34-1697-03

Automatic Detection of Small Liver Cancers in Enhanced CT Scan Images

DING Hong

(School of Computer Science and Technology, Nantong University, Nantong 226007, China)

Abstract: An algorithm is proposed to detect small liver cancers in enhanced CT scan images. This algorithm extracts the liver area by area growth method, then simplifies the template matching method which is proposed by Y Lee and uses the method to quick the calculating speed.

Key words: template matching; CT images; area growth

1 引言

1999年Pisani等报道，在1990年统计的25种癌症中，肝癌病死率在各种癌症中排第四位，在男性中则为第三位，共有42.7万人死于肝癌[2]。原发性肝细胞癌（primary carcinoma of the liver）是我国常见恶性肿瘤之一，占肝脏原发性恶性肿瘤的2/3以上[2]。肝癌死亡率高，在恶性肿瘤死亡率中仅次于胃、食道而居第三位，在部分地区的农村中则占第二位，仅次于胃癌。我国每年死于肝癌约11万人，占全世界肝癌死亡人数的45%。

肝癌发展迅速，一旦出现明确临床症状后若无有效处理，平均生存时间为半年。其主要原因是早期肝癌病人常无症状（通常5cm以下肝癌约70%左右无症状[2]），而出现症状时通常是中晚期，此时已错过治疗的最佳时机，治疗难度大，死亡率也相应极高。因此，目前最好的治疗方法是在早期发现，并及时治疗。

电子计算机断层扫描（CT）能反映肝脏病理形态表现，如病灶大小、形态、部位、数目及有无病灶内出血坏死等，是目前诊断肝脏疾病常用的重要检查方法之一[2]。但是，读取CT图片这一过程会耗费放射科医生大量精力，因为一个病人会产生超过30幅图像（这一数字随着CT扫描精度的提高在不断提高，目前高精度的CT机一个病人一次扫描产生的图像超过300幅）让医生辨别。高强度的读片工作这使得误诊变得无法避免。因此，开发一个计算机辅助诊断系统帮助放射科医生读片是有必要的。

文献[1]中Y Lee等人提出用模板匹配的方法检测肺部的结节，但是他们的匹配需要消耗大量的时间；而且他们的方法产生了大量的假阳性（false positive），在没有排除假阳性前达到了平均9.3个/每CT图，经过大量计算排除假阳性后平均1.1个/每CT图。

本文借鉴前人在其他脏器的检测经验，根据肝部CT扫描图的特点，提出用一种全新的方式在CT增强扫描图像中自动检测小肝癌的结节。实验证明该方法能够快速并有效地检测肝部的小肿瘤。

2 肝癌CT增强扫描的表现

肝细胞癌中单个癌结节最大直径不超过3厘米或两个癌结节直径之和不超过3厘米的肝癌称为小肝癌。

小肝癌CT双期强化的常见表现[3]：

1) 平扫。多数呈低密度结节状病变，边缘清楚或不清楚。少数小肝癌（尤其是1cm以下的）CT平扫呈等密度。有时候脂肪肝严重时，正常肝密度下降到比小肝癌还低，此时癌变为高密度结节。小肝癌并有出血时，平扫也呈高密度。

2) 动脉期。小肝癌动脉期强化的密度可以高于肝密度，也可以等于或低于肝密度。以高于肝的密度最为常见。

3) 门静脉期。肿瘤密度从动脉期的高于肝，速降至低于肝，同时也低于同层主动脉密度。这一征象在与肝海绵状血管瘤鉴别上十分重要。

上述螺旋CT双期动态增强扫描中，小肝癌强化密度从动脉期高于肝，至门静脉期则速降至低于肝的CT表现，文献上称这种动态增强的改变为“快进快出”的特征。这一“快进快出”的特征在小肝癌诊断和鉴别诊断中是十分重要的征象。

图1显示的是同一部位CT平扫加增强扫描的表现，此图中的小肝癌中央低密度，动脉期和静脉期都强化，其原因主要可能是中央有一定程度缺血，边缘部有肝动脉和门静脉双重供血。

3 小肝癌的自动检测

肝癌检测一般可以先提取肝部，这样可以有效减少计算区域，加快检测速度，在本文中使用一种基于区域生长的肝部提取方法。经过实验发现，模板匹配算法相当耗时，于是通过对小肝癌CT图像特征的分析，提出一种检测小肝癌的快速算法，实验证明该方法在一定范围内是有效的。

3.1 基于区域生长的肝部提取

文献[4]中Chan TF等人用动态曲线（Active Contours）的方法来提取肺部用阈值的方法来提取肺部，以达到快速检测肺部结节的目的。然而肝部和肺部的CT图像有很大的不同，肺部CT值区分较明显，肝部所在的腹部的脏器的CT值比较接近，因此很难用一种单一的方法来提取肝区。经过实验比较，本文利用了以前提出的一种基于区域生长的提取方法。

具体基于区域生长的分割算法过程是：1)阈值分割；2)对分割结果进行腐蚀；3)对腐蚀得到的结果进行生长。

1) 阈值分割：

阈值分割是有效减少检测区域的方法，该方法简单，在整个算法流程中用作提取肝区的第一步。

观察腹部CT图的直方图我们发现它是一个多峰的图形（由于视窗没有将值小于900的包括在内，因此图1中值较小的部分显示为黑色）。肝是腹部最大的器官，它会在直方图中体现为一个峰值，肝部的CT值分布处于右边第一个峰（即CT值处于1000到1200间的峰，峰值出现点会因为设备、病人个体的不同而不同），如图2所示。所以我们取该峰的左右谷点作为阈值。（图1中显示值的窗口是950～1200，虽然CT图中有很多黑色区域，但其真实值不一定是0。只要它的值小于950，就会显示为黑色。）

2) 腐蚀：

形态学中的腐蚀操作可以去除图像中小的部分和不相关的细节[6]。比如用边长10的矩形结构取腐蚀图像，则边长小于10的部分和细节都会被消除掉。

腐蚀是为了确定肝的位置。由于肝在腹部脏器中是最大的，因此选择较大的参数进行腐蚀时会将其它的部分（肌肉、其它的脏器）消除腐蚀掉。这样剩下的部分肯定是肝的实质部分。所以用腐蚀的方法可以选到区域生长的种子。而且这样选取种子的方式是完全自动的，选择的种子区域也较大，节省了下一步区域生长的时间。

3) 区域生长：

从上面的阈值分割我们将待选区域缩小，通过腐蚀又得到了区域生长的种子上一步得到的结果生长可以得到肝区。

图3是通过以上提到的算法提取的肝区（原图是图1（b））。可以看出该算法有效地将肝区从腹部CT图中提取了出来。

3.2 小肝癌结节的检测

3.2.1 小肝癌的检测

文献[1]中用基因匹配算法去寻找肝区中的结节，他们所用的模板是高斯模板，这种模板和肝癌结节很相似（他们从大量CT图中得出的结论）。结节的模型用下面的等式来定义：

■

这里pvx,y,z是坐标(x,y,z)的像素值，m和n分别表示最大值以及分布范围的参数。k控制z的范围。这些参数的值由经验得出。

经过观察，我们发现他们所用的方法是产生一个中间密度高，周围密度低的模型来匹配，而实际的结节的图像并不一定严格遵循这样的梯度分布。如图3中上部有一暗区，它的周围有轻微强化，这其实也是小肝癌的表现之一。

另外，文献[1]匹配结节时还要计算结节模型和CT图像两者的相似度，这是很耗时的一项工作。总体上说他们提出的方法一般是不能够在普通PC 机上运行的。

下面我们分析小肝癌的特征，以及它和血管、海绵状血管瘤的比较。选取血管和血管瘤是因为在实验中我们发现假阳性很大一部分是血管或血管瘤，它们的几个期的CT值的变化也较明显。分析资料[3]中的描述，我们归纳出以下特征：

小肝癌：快进快出，动脉期强化一般低于同层主动脉，若接近同层主动脉则需与血管瘤鉴别。

海绵状血管瘤：动脉期强化与同层主动脉强化接近，至门静脉期其密度仍接近同层主动脉。

它们之间的鉴别如图4所示。

设i1，i2，i3，i4分别是平扫、动脉期、静脉期和延迟扫描得到的CT图像中的点，则图4中的特征我们用以下表达式来表述：

快进快出：

■

其中m1是由实验决定的阈值。

海绵状血管瘤：

■

其中m2，m3也是由实验决定的阈值。

所以我们得到小肝癌的检测表达式是：It－If，其中“－”是集合操作。

再结合上文中提到的肝部检测，我们的具体检测方案如下：

1) 肝部提取；2) 提取区域滤波：去除噪声；3) 去除具有血管、血管瘤特征的区域；4) 用阈值法得到进出较明显区域；5) 用形态学方法去除一些面积较小的假阳性区域。

具体的检测算法较上面的表达式描述增加了前期和后期的处理过程。

实验证明，该算法不仅在时间上较上一种方法得到了极大的节省，同时也能提取出明显具有“快进快出”特征的小肝癌。

当然，上面的方法也有较大的问题，它的假阳性较多，所以我们要利用其它的特征来排除假阳性。从图中我们可以看到假阳性主要是由血管造成的，所以我们根据血管在CT增强扫描中的特征：动脉期和静脉期增强明显（一般肝癌部位的增强没有血管高），将血管部分从疑似部分中去除。

4 实验结果

我们将文中提到的算法进行了实验。实验环境：P4 2.0G，512MB内存，Matlab 2006b。

下面是部分实验结果：图5（a）是阈值较大时的结果，图5（b）是阈值进一步缩小的结果，阈值不能太小，否则产生错误的检测结果。

计算用时：提取操作用时1.734s，检测用时0.704s。当检测一个病人的全部CT片，估计时间要用到1～2分钟。

5 结论

本文中的检测算法可以检测出肝部的结节，且检测时间在可接收范围内，假阳性率不高，经过改进后有一定实用价值。

参考文献：

[1] Lee Y,Hara T,Fujita H,et al.Automated Detection of Pulmonary Nodules in Helical CT Images Based on an Improved Template-Matching Technique[J].IEEE transations on medical imaging (S0278-0062),2001,20(7):595-604.

[2] 姚光弼.临床肝脏病学[M].上海:上海科学技术出版社.2004.

[3] 郑可国,许达生,李子平.肝细胞癌临床CT诊断[M].北京：世界图书出版社,2003:27-63.

[4] Chan T,Vase L.Active Contours without Edges[J].IEEE Transactions on Image Processing(S1057-7149),2001,10(2):266-277.

[5] Wan S, Higgins W. Symmetric region growing[J].IEEE Transactions on Image Processing,2003,12(9):1007.

[6] Gonzalez R C,Woods R E.Digital Image Processing(Second Edition)[M].北京:电子工业出版社,2003:420-453.

[7] 程红岩,徐爱民,陈栋,等.多层螺旋CT:三期薄层扫描发现微小肝癌病灶[J].医学影像学杂志,2003,13(4):251-254.

[8] 胡晓锋,赵辉.VisualC++/MATLAB图像处理与识别实用案例精选[M].北京：人民邮电出版社,2004:101-104.