本發(fā)明涉及一種甲狀腺CT圖像異常密度的檢測方法。
背景技術：
：目前，隨著CT的應用普及和甲狀腺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部的密度會發(fā)生變化，如出現(xiàn)高密度或低密度。高密度物質一般是甲狀腺內部異常組織發(fā)生了鈣化，使得局部密度變大，CT值升高，往往大于120HU，達到200HU，甚至更高；低密度物質一般是甲狀腺內部出現(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，對于依據(jù)甲狀腺CT圖像判斷甲狀腺內部是否產(chǎn)生了過高或過低密度物質以提示甲狀腺發(fā)生了異常的檢測方法，普遍采用醫(yī)生直接通過肉眼讀片的方法來判斷甲狀腺CT圖像上是否存在甲狀腺內部產(chǎn)生了過高或過低密度的物質，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方法，由于醫(yī)生在知識背景、專業(yè)水平及能力、從業(yè)經(jīng)驗、視覺疲勞程度以及情緒影響等各種因素的綜合作用下，容易得出錯誤的結論，從而引起漏診或誤診，使得患者不能得到及時而準確的治療。技術實現(xiàn)要素：本發(fā)明解決的技術問題是，克服現(xiàn)有技術的缺陷，提供一種采用判斷算法并通過閾值優(yōu)化算法實現(xiàn)了更準確地提示醫(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方法。為了解決上述技術問題，本發(fā)明通過下述技術方案得以解決：一種甲狀腺CT圖像異常密度的檢測方法，包括以下步驟：步驟一：通過輸入模塊對由CT掃描儀器掃描獲取的甲狀腺CT原始圖像進行輪廓分割，自動提取甲狀腺CT橫斷面圖像，再將甲狀腺CT橫斷面圖像經(jīng)過濾波降噪處理，獲得用于檢測異常密度值的甲狀腺CT圖像，然后將甲狀腺CT圖像導入到檢測系統(tǒng)中；步驟二：通過紋理特征提取模塊對步驟一中導入的甲狀腺CT圖像進行圖像紋理分析，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：先通過閾值優(yōu)化算法計算并輸出與甲狀腺CT圖像像素的CT值相對應的最優(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)高密度閾值進行比較，然后通過判斷算法對所述的每2×2像素所形成的點陣區(qū)域進行判斷并獲得判斷結果，最后將判斷結果輸出并提示醫(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像素所形成的點陣區(qū)域為低密度異常區(qū)域的判斷結果，從而得出甲狀腺CT圖像在低密度異常區(qū)域存在CT值異常的判斷結果；若所述的每2×2像素中的每個像素的CT值均大于最優(yōu)高密度閾值，則得出所述的每2×2像素所形成的點陣區(qū)域為高密度異常區(qū)域的判斷結果，從而得出甲狀腺CT圖像在高密度異常區(qū)域存在CT值異常的判斷結果。本發(fā)明中，通過輸出低密度異常區(qū)域和/或高密度異常區(qū)域被點亮的甲狀腺CT圖像，從而提示醫(yī)生甲狀腺CT圖像中的被點亮的區(qū)域為甲狀腺CT圖像存在CT值異常的區(qū)域。為了檢測當前的甲狀腺CT圖像中相鄰的每2×2像素同時大于最優(yōu)高密度閾值或小于最優(yōu)低密度閾值，以每2×2像素相鄰的四個像素作為比較對象的目的是為了防止個別像素由于噪聲影響準確度。作為優(yōu)選，采用MATLAB作為計算分析工具對步驟三中的閾值優(yōu)化算法進行運算，具體步驟如下：步驟A：初始化低密度閾值low為40HU，最高準確率的初始值ACC_best為0；步驟B：初始化高密度閾值high為140HU；步驟C：根據(jù)與當前的甲狀腺CT圖像像素的CT值相對應的當前的低密度閾值low和當前的高密度閾值high的值，計算出當前的準確率ACC、當前的敏感度SEN、當前的特異性SPC、當前的陽性預測率PPV、當前的陰性預測率NPV；步驟D：比較當前的準確率ACC與最高準確率ACC_best的值：若當前的準確率ACC小于最高準確率ACC_best，則直接進入下一步驟E；若當前的準確率ACC大于最高準確率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，再分別把當前的低密度閾值low、高密度閾值high、當前的準確率ACC、當前的敏感度SEN、當前的特異性SPC、當前的陽性預測率PPV、當前的陰性預測率NPV賦值給low_best、high_best、ACC_best、SEN_best、SPC_best、PPV_best和NPV_best，并進入下一步驟E；步驟E：比較當前的高密度閾值high與160HU：若高密度閾值high小于160HU，則高密度閾值high自動加1，然后返回到步驟C；若高密度閾值high大于160HU，則進入下一步驟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自動加1，然后返回到步驟C；若低密度閾值low大于60HU，則進入下一步驟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)化計算運行結束。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基礎上獲得的經(jīng)驗值來優(yōu)化計算，每次增加1HU，比較利用前后兩個不同參數(shù)計算得到的判斷準確率ACC，經(jīng)過20乘20＝400次循環(huán)得到最高的ACC值，同時記錄相應的參數(shù)和判斷結果。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，閾值的選擇非常關鍵，直接影響到該檢測方法的準確性。本發(fā)明采用多種閾值組合的方法進行比較。當設定高密度閾值時，應考慮甲狀腺內鈣化的程度和范圍，有些鈣化程度不深，鈣化處的CT值不超過140HU，也有的鈣化完全，鈣化處的CT值超過200HU，如果高密度閾值取得過高，就難以檢測出一般的鈣化值，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；當設定低密度閾值時，也和組織壞死液化的程度有關，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程為：在甲狀腺CT圖像中任取一像素點A(x，y)，然后獲得與像素點A距離為d的另一個像素點B(x+a，y+b)，像素點A和B形成一個點對，記錄這一點對的灰度值(i，j)，固定a和b的值，使像素點A(x，y)在甲狀腺CT圖像上移動，獲得種像素點對組合，Ng為圖像灰度級別值，i∈[0,Ng-1]，j∈[0,Ng-1]，改變d和θ，θ為像素點對連線與水平先的夾角，統(tǒng)計甲狀腺CT圖像中的像素點對的灰度值，構成灰度共生矩陣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中的所有元素的個數(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、相關度、熵、對比度、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程度。相關度：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，則相關度值較高。對于有方向性的紋理圖像，如果特定θ方向的相關度較強，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性的程度，可以反映圖像中紋理的復雜程度。當圖像中所有像素分布均勻，沒有任何紋理時，灰度共生矩陣的元素幾乎全為0，則熵值較?。划攬D像中紋理非常復雜，像素分布雜亂時，灰度共生矩陣中的元素會存在較大的差異，則熵值較大。對比度：f4=Σi=1NgΣj=1Ng(i-j)2×[P(i,j,θ,d)]2;]]>對比度是灰度共生矩陣相對主對角線的慣性矩。若灰度共生矩陣中的元素距離主對角線越遠且元素值越大，則對比度較大，反之亦然。而距離主對角線越遠，則圖像中紋理基元的灰度差值越大；此類元素越多，則反映圖像中此類紋理基元越明顯。對比度可以反映圖像中紋理基元強度，即溝紋的深淺程度。紋理基元表現(xiàn)越強，溝紋越深，則對比度越大；反之亦然。逆差矩：f5=Σi=1NgΣj=1NgP(i,j,θ,d)1+(i-j)2;]]>逆差矩也可稱為局部平穩(wěn)，可以反映圖像紋理的同質性。當圖像的紋理在不同區(qū)域變化較小時，圖像的像素點對灰度更為接近，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對的平均灰度值，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對的分布變化，像素點對的變化越隨機，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對的變化程度，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對的變化，圖像中紋理分布越復雜，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對的平均灰度差異，如果圖像紋理基元具有較強的灰度對比，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比度。如果圖像中的像素點對具有較大的灰度差異，像素點對的數(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對的灰度差的方差，描繪了圖像紋理的對比度。當圖像的紋理越顯著，對比度越強強烈，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程為：對圖像f求取梯度圖像g，其中圖像f大小為Nx×Ny，圖像f的最高灰度級為N，灰度范圍為[0，N-1]，則有其中gx和gy分別為邊緣檢測算子，對圖像f在水平方向和豎直方向上計算得到梯度圖像g，對灰度圖像f和梯度圖像g分別進行歸一化處理，對應得到圖像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；對圖像f中任一像素點(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為(i，j)的元素，記為h(i，j)，h(i,j)＝#{(x,y)|F(x,y)＝i,G(x,y)＝j}其中#{X}是集合X中的所有元素的個數(shù)；對h(i，j)進行歸一化處理，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、大梯度優(yōu)勢、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、灰度標準差、梯度標準差、相關性、灰度熵、梯度熵、混合熵、差分矩、逆差矩。對于灰度圖像，不僅可以使用灰度信息統(tǒng)計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，構成了圖像的邊緣輪廓?；叶忍荻裙采仃嚳梢跃C合圖像的灰度和梯度信息，更為全面的反映圖像中每個像素點的灰度和梯度的分布特征，反映像素點與其鄰域各像素點的空間位置關系。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：其中小梯度優(yōu)勢反映了圖像中小梯度的分布強度。當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)勢值大。大梯度優(yōu)勢：其中大梯度優(yōu)勢反映了圖像中的大梯度的分布強度。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)勢值大?；叶确植嫉牟痪鶆蛐裕浩渲腥绻麍D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度和密集程度。如果圖像中灰度和梯度變化比較強烈，且較為密集，則能量值較大。灰度平均值：t6=Σi=1Nfi[Σj=1NgH(i,j)];]]>灰度平均值反映了圖像中的灰度強度，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度?；叶葮藴什睿簍8={Σi=1Nf(i-t6)2[Σj=1NgH(i,j)]}1/2;]]>灰度標準差反映了圖像中灰度的變化強度梯度標準差：t9={Σj=1Ng(j-t7)2[Σi=1NfH(i,j)]}1/2;]]>梯度標準差反映了圖像中梯度的變化強度。如果圖像中的梯度大小較為接近，則梯度標準差值較小，反之亦然。相關性：t10=1t8t9Σi=1NfΣj=1Ng(i-t6)(j-t7)H(i,j);]]>相關性反映了圖像中灰度和梯度的相互關系。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，則相關性值較大。灰度熵：t11=-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。混合熵：t13=-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比度。如果圖像中像素點對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性。當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，步驟一中對甲狀腺CT圖像進行輪廓分割以及自動提取的過程為：先由CT掃描儀器對甲狀腺腫塊患者進行掃描，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)域邊緣手動勾畫，然后再將勾畫的區(qū)域所在的圖像提取出來，并設定圖像灰度級為256級，將所有提取的不同的區(qū)域圖像構成病變甲狀腺圖像集。本發(fā)明由于采用了以上技術方案，具有顯著的技術效果：采用判斷算法對甲狀腺CT圖像自動實施尋找異常密度所在的位置區(qū)域，自動判斷得出甲狀腺CT圖像是否存在異常密度值的結果，實現(xiàn)了快速而及時地為醫(yī)生提供異常密度信息并自動幫助醫(yī)生確定異常密度值所在的位置區(qū)域；又通過閾值優(yōu)化算法對甲狀腺CT圖像的CT值閾值進行最優(yōu)值計算，進一步提高了識別異常密度區(qū)域的準確度，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病理檢查與其他檢查的干擾，大大提高了檢測系統(tǒng)的運行效率和醫(yī)生的工作效率。附圖說明圖1為本發(fā)明甲狀腺CT圖像異常密度的檢測方法實施例的系統(tǒng)功能流程圖。圖2為本發(fā)明閾值優(yōu)化算法實施例的程序流程圖。圖3為本發(fā)明當最優(yōu)高密度閾值為150HU時當前的低密度閾值與準確率之間的關系圖。圖4為本發(fā)明當最優(yōu)低密度閾值為45HU時當前的高密度閾值與準確率之間的關系圖。圖5為本發(fā)明獲取13維灰度共生紋理特征過程中灰度矩陣像素點對實施例的結構示意圖。具體實施方式下面結合附圖與實施例對本發(fā)明作進一步詳細描述。一種甲狀腺CT圖像異常密度的檢測方法，如圖1-5所示，包括以下步驟：步驟一：通過輸入模塊對由CT掃描儀器掃描獲取的甲狀腺CT原始圖像進行輪廓分割，自動提取甲狀腺CT橫斷面圖像，再將甲狀腺CT橫斷面圖像經(jīng)過濾波降噪處理，獲得用于檢測異常密度值的甲狀腺CT圖像，然后將甲狀腺CT圖像導入到檢測系統(tǒng)中；通過CT掃描儀對患者掃描采集甲狀腺CT原始圖像，CT掃描儀采用西門子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，進行輪廓分隔，自動提取甲狀腺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)域邊緣手動勾畫，然后再將勾畫的區(qū)域所在的圖像提取出來，并設定圖像灰度級為256級，將所有提取的不同的區(qū)域圖像構成病變甲狀腺圖像集。在獲得病變甲狀腺圖像集的同時，通過檢測系統(tǒng)中存儲的已得到證實的病理結果將病變甲狀腺CT圖像相應的標記為惡性或良性，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：通過紋理特征提取模塊對步驟一中導入的甲狀腺CT圖像進行圖像紋理分析，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：先通過閾值優(yōu)化算法計算并輸出與甲狀腺CT圖像像素的CT值相對應的最優(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)高密度閾值進行比較，然后通過判斷算法對所述的每2×2像素所形成的點陣區(qū)域進行判斷并獲得判斷結果，最后將判斷結果輸出并提示醫(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像素所形成的點陣區(qū)域為低密度異常區(qū)域的判斷結果，從而得出甲狀腺CT圖像在低密度異常區(qū)域存在CT值異常的判斷結果；若所述的每2×2像素中的每個像素的CT值均大于最優(yōu)高密度閾值，則得出所述的每2×2像素所形成的點陣區(qū)域為高密度異常區(qū)域的判斷結果，從而得出甲狀腺CT圖像在高密度異常區(qū)域存在CT值異常的判斷結果。本實施例中，采用MATLAB作為計算分析工具對步驟三中的閾值優(yōu)化算法進行運算，具體步驟如下：步驟A：初始化低密度閾值low為40HU，最高準確率的初始值ACC_best為0；步驟B：初始化高密度閾值high為140HU；步驟C：根據(jù)與當前的甲狀腺CT圖像像素的CT值相對應的當前的低密度閾值low和當前的高密度閾值high的值，計算出當前的準確率ACC、當前的敏感度SEN、當前的特異性SPC、當前的陽性預測率PPV、當前的陰性預測率NPV；步驟D：比較當前的準確率ACC與最高準確率ACC_best的值：若當前的準確率ACC小于最高準確率ACC_best，則直接進入下一步驟E；若當前的準確率ACC大于最高準確率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，再分別把當前的低密度閾值low、高密度閾值high、當前的準確率ACC、當前的敏感度SEN、當前的特異性SPC、當前的陽性預測率PPV、當前的陰性預測率NPV賦值給low_best、high_best、ACC_best、SEN_best、SPC_best、PPV_best和NPV_best，并進入下一步驟E；步驟E：比較當前的高密度閾值high與160HU：若高密度閾值high小于160HU，則高密度閾值high自動加1，然后返回到步驟C；若高密度閾值high大于160HU，則進入下一步驟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自動加1，然后返回到步驟C；若低密度閾值low大于60HU，則進入下一步驟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)化計算運行結束。本實施例中，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。本實施例中，依據(jù)閾值優(yōu)化算法對高密度閾值和低密度閾值進行優(yōu)化計算，若優(yōu)化計算之后的最優(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對應的計算結果分別為0.8511、0.8060、0.8984、0.8926、0.8156，優(yōu)于經(jīng)驗取值的最高準確率。本實施例中，步驟二中獲取所述的13維灰度共生紋理特征過程為：如圖5所示，在甲狀腺CT圖像中任取一像素點A(x，y)，然后獲得與像素點A距離為d的另一個像素點B(x+a，y+b)，像素點A和B形成一個點對，記錄這一點對的灰度值(i，j)，固定a和b的值，使像素點A(x，y)在甲狀腺CT圖像上移動，獲得種像素點對組合，Ng為圖像灰度級別值，i∈[0,Ng-1]，j∈[0,Ng-1]，改變d和θ，θ為像素點對連線與水平先的夾角，統(tǒng)計甲狀腺CT圖像中的像素點對的灰度值，構成灰度共生矩陣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中的所有元素的個數(shù)；預先設定d值，分別計算0°、45°、90°和135°四個方向的灰度共生矩陣，如果灰度范圍為[0,Ng-1]，則每個方向的灰度共生矩陣的尺寸是Ng×Ng。本實施例中，預先設定d＝1，分別計算0°、45°、90°和135°的灰度共生矩陣，然后基于每個方向的矩陣計算紋理特征，將四個方向的紋理特征求取平均值，得到旋轉不變的紋理特征。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、相關度、熵、對比度、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程為：對圖像f求取梯度圖像g，其中圖像f大小為Nx×Ny，圖像f的最高灰度級為N，灰度范圍為[0，N-1]，則有其中gx和gy分別為邊緣檢測算子，本實施例中采用尺寸為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邊界檢測算子，其分別為：對圖像f在水平方向和豎直方向上計算得到梯度圖像g，對灰度圖像f和梯度圖像g分別進行歸一化處理，對應得到圖像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；對圖像f中任一像素點(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為(i，j)的元素，記為h(i，j)，h(i,j)＝#{(x,y)|F(x,y)＝i,G(x,y)＝j}其中#{X}是集合X中的所有元素的個數(shù)；對h(i，j)進行歸一化處理，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、大梯度優(yōu)勢、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、灰度標準差、梯度標準差、相關性、灰度熵、梯度熵、混合熵、差分矩、逆差矩。本實施例中，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：其中大梯度優(yōu)勢：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)];]]>灰度標準差：t8={Σi=1Nf(i-t6)2[Σj=1NgH(i,j)]}1/2;]]>梯度標準差：t9={Σj=1Ng(j-t7)2[Σi=1NfH(i,j)]}1/2;]]>相關性：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).]]>通過以上的紋理特征提取，得到28維特征參數(shù)，參數(shù)總結如下表所示：總之，以上所述僅為本發(fā)明的較佳實施例，凡依本發(fā)明申請專利范圍所作的均等變化與修飾，皆應屬本發(fā)明專利的涵蓋范圍。當前第1頁1 2 3