自适应算法优化感兴趣区域获取

图2-5 获得自适应VOI

a）高亮区域 b）结节“候选点” c）结节VOI(www.xing528.com)

用迭代阈值法得到肺实质区域中的高亮区域H，图2-5a表示肺高亮区域的轮廓。再在高亮区域中用圆点滤波器增强具有圆形结构的像素点，这些像素点作为结节的“候选点”集合S⊂H；图2-5b为肺结节“候选点”。这样做的好处是提高速度，如果在肺实质中所有像素都计算Hessian矩阵的特征值，那么算法的速度是医生无法忍受的。在S中进行26-领域的连通区域生长得到多个候选区域的中心点集合C。对于每个候选区域提取正确特征的前提是自适应地选择该中心点的感兴趣体的尺寸，如果待判断物体的感兴趣体的尺寸不对，计算出来的特征值就不能很好地反映待判断物体的特性。对于集合C中的元素c∈C其感兴趣体是以c为中心，它的尺寸从初始的3×3×3（像素个数）逐步扩大，直到感兴趣体中高亮区域的个数占总感兴趣体像素个数的比率小于给定阈值r。而阈值r与“候选点”个数成正比，r是0～0.5之间小数。由于结节中是高亮区域的像素个数多，即使阈值r较大，最后也能得到一个适合的结节感兴趣体，不至于因感兴趣体太小而不能包含整个结节。由于血管交叉点和端点处属于高亮区域像素个数少，即使阈值r较小，最后也能得到一个适合的血管感兴趣体，则不至于因感兴趣体太大而包含许多与检测血管无关的物体影响判断。图2-5c是一个粘连血管型结节三维可视化的结果，白色框为感兴趣体，中间的球状物体为结节，周边管状物体为血管。设W^k_c是以c为中心第k次迭代的感兴趣体尺寸，r^k_c是以c为中心第k次迭代感兴趣体中高亮区域的个数占总感兴趣体像素个数的比率，则有