论文总字数：23070字

摘 要

肾肿瘤约95%是恶性的，良性的很少见。据估计，在美国有超过25万人患有肾肿瘤，并且这个数字还在以每年51000人的速度在增长。我国肾肿瘤发病率同样呈现逐年上升趋势，高发年龄为 50-70 岁。在对肿瘤的分割算法上，国内外研究者已经做了大量的类似研究，为我们本次的研究提供了大量宝贵的经验与重要的思路。但是，目前为止研究的主要内容，大多都是基于MRI图像的分割算法，而对CT图像上分割算法的研究相对较少。本次研究尝试在CT图像上实现肾肿瘤的分割。

我们从获得了23位肾肿瘤患者的肾脏CT图像和专业医生提供的轮廓线作为原始数据。我们设计的流程主要分成五个阶段，分别是样本获取、ROI选取、特征计算、训练和测试。原始的CT图像和轮廓线通过样本获取阶段得到包含正常肾脏和肿瘤部分的子图像与与之对应的三维掩模，然后根据三维掩模在子图像上选取感兴趣区域（ROI），并对得到的每个ROI计算其特征值，这些特征值将用于分类器的训练与测试。我们分析认为，直方图特征中的1%分位数以及灰度共生矩阵特征中的对比度、逆差矩、熵和、熵、熵差具有相对较好的分类效果。

我们得到了三种情况下的实验结果，分别为不包含带边界ROI的实验结果、仅包含中心在癌症区域的带边界ROI的实验结果和包含两种带边界ROI的实验结果。而对于每一种情况，我们计算得到了整体的分类准确率、对正常肾脏区域ROI的分类准确率、对癌症区域ROI的分类准确率以及对带边界ROI的分类准确率。最终认为包含两种带边界的ROI情况下有相对较好的分类效果。

关键词：CT图像、肾肿瘤、分割、算法

A RESEARCH ON KIDNEY TUMOR SEGMENTATION ALGORITHM

Abstract

About 95% of renal tumors are malignant and benign rare. It is estimated that there are over 25 million people in the United States suffering from renal cancer, and this number is growing at an annual rate of 51,000. The incidence of renal tumors showed the same increasing trend in our country, rating high in age of 50 to 70. On the tumor segmentation algorithm, domestic and foreign researchers have done a lot of similar researches for this study which provides us with a lot of valuable experience and important insights. However, the main contents of the study so far, are segmentation algorithm based on MRI image, but research on the CT image segmentation algorithm is relatively small. This study attempts to achieve the division of renal tumors on CT images.
We received renal CT images of 23 renal cancer patients and contours provided by medical professionals as the original data. Our progress designed can be divided into five stages, namely sample acquisition, ROI selection, feature calculation, training and testing. We use the original CT images and the contour lines to obtain normal kidney and tumor sub-images and the corresponding three-dimensional mask in the stage of sample acquisition, and then we selected region of interest (ROI) in the sub-image with the help of three-dimensional mask. To each ROI, we calculated the characteristic values. These characteristic values will be used in the training and testing progress of the classfier. We found that 1% percentile, histogram feature and GLCM feature such as contrast, the inverse difference moments, sum entropy, entropy and entropy difference have relatively better classification abilitiy.
We got the results in three cases which are results not included with boundary ROI, results with only the central border region ROI of cancer and results contained in two with boundary ROI. For each case, we calculated the overall classification accuracy of normal kidney area classification accuracy ROI, ROI area of cancer classification accuracy as well as ROI with boundary classification accuracy. It concluded that there is relatively better classification results with ROI case contains two boundaries.

Keywords: CT image, renal tumor, segmentation, algorithm.

目录

摘 要 I

Abstract II

第1章 绪论 4

1.1 肾肿瘤分割背景和意义 4

1.1.1 肾肿瘤发病现状 4

1.1.2 计算机辅助的肾肿瘤分割的意义 4

1.2 肿瘤分割算法研究现状 4

1.3 本文的主要工作 5

第2章 总体设计 6

2.1 原始数据 6

2.2 分割方法选择 6

2.3 基本流程设计 7

2.4 样本获取 7

2.5 ROI选取 9

2.6 特征选取与计算 12

2.7 分类器 15

2.8 训练与测试 16

第3章 实验结果 18

3.1 概述 18

3.2 不包含带边界ROI 18

3.3 仅包含中心在肿瘤区域的带边界ROI 19

3.4 包含两种带边界的ROI 21

第4章 讨论 23

4.1 关于分割 23

4.2 其他的特征尝试 24

参考文献 26

致谢 27

绪论

肾肿瘤分割背景和意义

肾肿瘤发病现状

随着我国经济高速发展，在工业化与城市化的进程中，伴随着生态环境的改变、自然生态系统的破坏等，人群恶性肿瘤发病的危险性不断增加。在世界范围内，除宫颈癌和食道癌以外，所有恶性肿瘤的发病率和死亡率都逐年上升。

根据肿瘤治疗专家所说，肾肿瘤约95%是恶性的，良性的很少见。肾肿瘤约占人类恶性肿瘤的 3%，位居发达国家恶性肿瘤前十位。据估计，在美国有超过25万人患有肾肿瘤，并且这个数字还在以每年51000人的速度在增长。2008 年，全世界新发肾肿瘤病例约 271 000 例，居恶性肿瘤第 13 位；因肾肿瘤死亡人数达 116000 例。20%-30% 的肾肿瘤初诊时已发生远处转移，20% 患者术后随访出现复发或转移。转移性肾肿瘤预后很差，已成为世界范围肿瘤卫生健康的重大问题。

我国肾肿瘤发病率同样呈现逐年上升趋势，高发年龄为 50-70 岁。全国男性肾肿瘤发病率从 1988 年的 2.68 例 /10 万人升到 2002 年的 4.17 例/10 万人，女性由 1.58 例 /10 万人升到 2.46 例 /10 万人。以上海为例，肾肿瘤发病率呈现明显的快速增长趋势，男性发病率从 1983 年的 1.50 例 /10 万人上升到 2009 年的 14. 75 例 /10 万人，26 年间增长了 8.8 倍，平均每年的增长率超过 9%^[1]。

计算机辅助的肾肿瘤分割的意义

CT(Computed Tomography)，即电子计算机断层扫描。其成像原理是用X射线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的X射线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器转为数字，输入计算机处理。图像形成的处理有如对选定层面分成若干个体积相同的长方体，称之为体素。

利用CT成像是目前临床常用的肾肿瘤诊断方法，尤其是目前临床上通过采集造影剂代谢过程中多个时间点的高分辨率数据（多期CT序列），能够清晰显示肿瘤区域。多期CT序列中肿瘤区域和正常肾组织区域在不同时间点数据中表现出不同的图像特征变化规律。

由于对CT序列的人工测量会消耗大量的时间，而且不同操作者进行测量结果会有较大的区别。因此，对肾肿瘤的计算机辅助侦测有着极大的应用前景。这就要求我们对肾肿瘤分割算法进行研究。在过去的几十年里，学者们已经对许多不同种类的肿瘤的分割算法进行了研究，包括乳腺肿瘤、脑肿瘤、肝脏肿瘤等，都达到了较高的准确率^[2]。

肿瘤分割算法研究现状

在国外，肝脏肿瘤领域的基于CT图像的计算机辅助侦测技术已经被广泛的研究。Linguraru的团队^[3]运用自动肝脏肿瘤分割技术在CT图像上进行了肿瘤边界分析。Freiman的团队^[4]研究了使用体素分类与吸引子约束传播算法进行CTA图像上肝脏肿瘤分割。Linguraru的团队^[5]还对肾脏肿瘤的对比增强CT图像进行了研究，并提出了一种计算机辅助的肾肿瘤量化和分类算法。

在国内，目前类似的研究主要集中于磁共振图像（MRI）上对脑肿瘤进行分割，有大量硕士或是博士毕业论文涉及了这一领域。国外，对于MRI图像的计算机辅助分割算法也已经进行了大量的研究。Hussain的团队^[6]研究了使用数学与2D小波特征对大脑MRI图像的分割技术。Litjens的团队^[7]在前列腺癌的领域，提出了一种基于MRI图像的计算机辅助侦测算法。

综上所述，在对肿瘤的分割算法上，国内外研究者已经做了大量的类似研究，为我们本次的研究提供了大量宝贵的经验与重要的思路。但是，目前为止研究的主要内容，大多都是基于MRI图像的分割算法，而对CT图像上分割算法的研究相对较少。对于肾肿瘤，临床侦测的主要方法是CT检查，这说明肾肿瘤并不适合通过MRI图像分割得出，基于MRI图像的分割算法并不能完全应用于肾肿瘤的侦测上。并且，在现有的CT图像上分割算法的研究中，绝大多数都是对肝脏肿瘤进行分割，肾肿瘤分割算法方面的研究目前很难找到，本次研究尝试在CT图像上实现肾肿瘤的分割。所以，本次研究具有重要的理论价值和实际意义。

目前国内外广泛使用的医学图像分割方法主要有：分类器法、阈值法、区域生长法和聚类法等，这类算法模型的计算过程最为简单，易于实现。此外，还存在数学形态学法、基于 Snake 的方法、人工神经网络法、活动轮廓模型及遗传算法等分割方法，该类算法模型计算过程较为复杂，但精确度更高。

肿瘤分割方法主要有两类，一类是从肿瘤特征入手对肿瘤特征进行分析，可以简述为在区域内特性相似性分析的基于区域生长方法，而区域生长方法主要有：阈值方法，基于区域生长方法，基于随机场方法，基于模糊集的方法，图谱引导方法等。一类是从正常组织出现异常角度进行分析的基于边缘方法，而此类方法主要有：基于代价函数的边缘检测，基于数学形态学方法，基于变形模型的边缘检测。虽然现有这么多的检测分割方法，但是仍然没有摆脱对应图像对应方法的弊端，没有一个通用的分割方法。

本文的主要工作

本文主要研究了 CT 图像中肾脏以及肿瘤分割的实现方法。各章节具体安排如下。

（1） 介绍肾肿瘤CT图像以及肿瘤分割算法背景。

（2） 主要描述在本次研究中从原始数据到训练测试的各个流程以及每一流程中使用的具体方法。

（3） 描述了本次研究得到的实验结果并对该结果进行了简单的分析。

（4） 描述了在实际分割中遇到的一些问题与分析。

总体设计

原始数据

我们从江苏省人民医院获得了23位肾肿瘤患者的肾脏CT图像，每一位患者在两个肾脏中都存在一个肾脏患有肿瘤。同时，我们获得了由专业医生提供的肾脏正常区域和肿瘤区域的边界轮廓。考虑到即便是专业的医生在绘制边界轮廓时也可能出现一定的误差，我们对每一个肾脏及肿瘤获取了2到3组轮廓线以便选优。所以，我们的原始数据包括23个三维灰度肾脏CT图像，以DICOM格式保存，以及136组边界轮廓线，以CSO格式保存。图1是一个肾脏CT图像与其轮廓线的例子。

剩余内容已隐藏，请支付后下载全文，论文总字数：23070字

相关图片展示：