I-Shou University Institutional Repository:Item 987654321/18686

全文

(1)義. 守. 大. 學. 資訊工程研究所碩士論文. 淋巴閃爍造影中注射點的偵測及濾除 Detection and Elimination of Injection Points in Lymphoscintigrams. 研究生：許品涵指導教授：郭忠民博士. 中華民國. 一零四. 年. 七. 月.

(2) 淋巴閃爍造影中注射點的偵測及濾除 Detection and Elimination of Injection Points in Lymphoscintigrams 研. 究. 生：許品涵. Student ：Pin - Han Syu. 指導教授：郭忠民博士. Advisor ：Dr. Chung-Ming Kuo. 義守大學資訊工程研究所碩士論文. A Thesis Submitted to Department of Information Engineering I-Shou University in Partial Fulfillment of the Requirements for the Master degree in Information Engineering. July, 2015 Kaohsiung, Taiwan, Republic of China.

(3)

(4) 淋巴閃爍造影中注射點的偵測及濾除研究生. ：許品涵. 指導教授. ：郭忠民. 博士. 義守大學資訊工程研究所. 摘要關於前哨淋巴結活檢之淋巴閃爍造影(淋巴影像)尋找前哨淋巴結是有困難的，因為淋巴影像中剩餘的放射性藥物會從注射點開始擴散一起映射到影像上，導致檢測前哨淋巴結的難度增加，特別是靠近注射點的位置。而前哨淋巴結活檢主要應用在乳癌手術前，將切割出的前哨淋巴結拿去篩檢，檢查癌細胞有無擴散到前哨淋巴結。因此我們希望能將淋巴影像更清晰的顯示出來，由於淋巴影像屬於高動態範圍之影像，所以本論文以色調映射(tone mapping)的方法將高動態範圍的淋巴影像轉換成低動態範圍。我們也將著重探討如何有效取得注射點位置，並利用 Otsu 的方法自動找出適當的門檻值，將淋巴影像進行切割，以便進行淋巴影像之分析。關鍵字：前哨淋巴結、淋巴閃爍造像、色調映射、Otsu. I.

(5) Detection and Elimination of Injection Points in Lymphoscintigrams Student：Pin - Han Syu. Advisor：Dr. Chung-Ming Kuo. Department of Information Engineering I-Shou University. Abstract It is very hard to detect sentinel lymph nodes (SLNs) in Lynphoscintigrams of Sentinel lymph node biopsy (SLNB), because radiopharmaceuticals of injection points diffuse to Lynphoscintigrams, especially in the surrounding of the injection point. The SLNB is mainly used in early examination of breast cancer before surgery; doctor will take the SLN to screening whether the cancer metastasis to the SLN. In this thesis, we will develop a segmentation technique to clearly show the Lynphoscintigrams. Because the Lynphoscintigrams is recorded as high dynamic range image, we convert Lynphoscintigrams of high dynamic range into low dynamic range by appropriate tone mapping. This research also proposes an effective method, which the modified Otsu method is used to automatically determine the threshold value, to obtain the position of injection points. Simulation results show that the proposed method achieves satisfactory performance. Keywords: Lymphoscintigrams, Sentinel lymph nodes(SLNs), Tone mapping, Otsu. II.

(6) 致謝這篇論文能順利完成必須要感謝很多幫助過我的人，首先誠摯的感謝指導教授郭忠民老師和楊乃中老師，從大學到現在研究所不斷受到老師們的照顧及栽培，多虧了老師們的孜孜教導，我才能將研究上遇到的難題依依排除，郭老師總是給我很多研究上的想法，讓我不斷嘗試任何的可能性，也讓我的論文可以更嚴謹更加豐富，楊老師也總是讓我對研究的主題更瞭解，也給了我正面的能量。此外，我也要感謝實驗室的章明、松樺、彥廷學長和陳彣學姊在我有問題有困難的時候幫助我，大家一起克服研究上的瓶頸、難題都將是我最美好的回憶，也感謝我的家人，體諒我在忙碌研究的事，不逼迫我一定要在家幫忙，謝謝!. III.

(7) 目錄摘要............................................................................................................. I Abstract ...................................................................................................... II 致謝...........................................................................................................III 目錄.......................................................................................................... IV 圖目錄...................................................................................................... VI 表目錄....................................................................................................VIII 第一章緒論...............................................................................................1 1.1. 研究背景與動機 ......................................................................1. 第二章相關研究及文獻探討 ..................................................................7 2.1. 色調映射(tone mapping)..........................................................7. 2.2. 二值化切割 ..............................................................................9. 2.3. Otsu 自動二值化.................................................................... 11. 第三章研究方法與步驟 ........................................................................13 3.1. 輸入影像 ................................................................................17. 3.2. 色調映射 ................................................................................19. 3.3. 3.2.1. 以線性方式直接映射 ........................................................................ 19. 3.2.2. 取對數後再映射 ................................................................................ 20. 3.2.3. 影像分段映射 .................................................................................... 21. 訓練分段影像及合成 ............................................................26 3.3.1. 自動分割參考影像 ............................................................................ 26. IV.

(8) 3.4. 3.5. 3.6. 3.3.2. 計算權重值 ........................................................................................ 29. 3.3.3. 利用權重值合成影像 ........................................................................ 31. 取得注射點 ............................................................................34 3.4.1. 移除淋巴結位置 ................................................................................ 34. 3.4.2. 形態學運算(膨脹 Dilation) ................................................................ 37. 形態學運算 ............................................................................38 3.5.1. Dilation(膨脹)...................................................................................... 38. 3.5.2. Extraction of Connected Components(連通成分抽取) ...................... 39. 濾除並取得淋巴結點位置 ....................................................41 3.6.1 濾除注射點 ......................................................................................... 41 3.6.2 濾除低像素值以及二值化 ................................................................. 41 3.6.3 型態學運算(Extraction of Connected Components) ......................... 42 3.6.4 型態學運算(Dilation) ..................................................................... 43. 第四章. 實驗結果及討論 ....................................................................44. 4.1. 環境 ........................................................................................44. 4.2. 實驗樣本 ................................................................................44. 4.3. 實驗成果 ................................................................................44 4.3.1. 第一次 Otsu 範圍 ............................................................................... 45. 4.3.2. 第二次 Otsu ........................................................................................ 50. 4.3.3. 膨脹重要性與膨脹次數 .................................................................... 53. 4.3.4. 實驗結果圖 ........................................................................................ 61. 第五章結論.............................................................................................65 參考文獻...................................................................................................66. V.

(9) 圖目錄圖 1.1 前哨淋巴結活檢之淋巴影像 ........................................2 圖 1.2 垂直和水平分割成四個區域 ........................................3 圖 1.3 找尋相似區域 ................................................................3 圖 1.4 原始圖像與減影圖像 ....................................................4 圖 1.5 注射點相近之淋巴影像 ................................................5 圖 2.1.1 Tone mapping 之原理示意圖 .....................................8 圖 2.2.1 影像特徵分佈圖 .......................................................10 圖 2.3.1 Otsu 群內、群間示意圖 ........................................... 11 圖 3.1 研究方法流程圖(1) ......................................................15 圖 3.2. 研究方法流程圖(2)...................................................16. 圖 3.1.1 輸入影像 ....................................................................18 圖 3.2.1 線性方式映射 ...........................................................19 圖 3.2.2 直接映射結果圖 .......................................................20 圖 3.2.3 對數映射 ...................................................................21 圖 3.2.4 影像分段映射 ...........................................................22 圖 3.2.5 (a)直接映射(b)分段後影像 ...................................23 圖 3.2.6 (a)對數映射、(b)分段後影像 ...............................24 圖 3.3.1 (a)參考影像、(b)直方圖 0~255、(C)直方圖 1~100. VI.

(10) ...........................................................................................27 圖 3.3.2 (a)參考影像、(b)直方圖 0~255、(C)直方圖 1~100 ...........................................................................................28 圖 3.3.3 (a)參考影像，以 T=30 濾除掉太低灰階值，並以 Otsu 計算分類關係，分界點為 110、(b)淋巴結影像、(c)注射點影像 ..............................................................................29 L 圖 3.3.4 (a)參考影像、(b)淋巴結點合成影像 D:fin 、 ...........33. 圖 3.4.1 (a)注射點影像、(b)二值化、(c)Otsu 二值化、(d)圖 c 的膨脹 ............................................................................35 圖 3.4.2 三張不同的注射點影像及直方圖 ........................36 圖 3.5.1 膨脹示意圖 ..............................................................39. VII.

(11) 表目錄表格 4.3.1 參考影像尋找分界點 ..........................................47 表格 4.3.2 3 種閥值的關係圖 .............................................48 表格 4.3.3 T 值對分割的影響 ................................................49 表格 4.3.4 注射點合成影像 Otsu 差異.................................52 表格 4.3.5 淋巴影像之實驗結果圖 .......................................55 表格 4.3.6 淋巴影像體膨脹次數測試(1)...............................58 表格 4.3.7 淋巴結點與注射點相近之膨脹次數測試(2) ......60 表格 4.3.8 實驗結果 ...............................................................63 表格 4.3.9 注射點偵測率 .......................................................64 表格 4.3.10 淋巴結點檢測結果 .............................................64. VIII.

(12) 第一章緒論 1.1 研究背景與動機隨著現代生活型態及環境的改變，以及中國人飲食習慣逐漸西化，台灣女性罹患癌症的比例有越來越高的趨勢。目前，乳癌的發生率已經是女性罹患癌症的第一位，支氣管癌位居第二，世界一年約有 50 萬人死於乳癌。乳癌是比較容易早期發現之癌症，但由於大多數人羞於告人，且害怕乳房切除，因而耽誤治療。依現代醫學的進步，乳癌越早發現越早進行適當的治療，治癒率可達 60%，初期者(第一、二期)治療率更可達到 80%。乳房病變之診斷包括乳房的評估、使用特殊放射線攝影技術、乳房超音波、實驗檢查及活體組織檢視。而治療的方法也有許多種，有腫瘤切除術、乳房完全切除術、放射治療、藥物治療等。此篇論文將利用前哨淋巴結活檢所得之放射影像，並將該影像進行處裡。放射性同位素(RI)的方法是目前有用的技術之一，用於識別放射性藥物累積在前哨淋巴結的位置[1]。針對 RI 的方法，醫師通常會在進行手術前，在乳頭下方注射放射性藥物並通過使用γ探測器以及γ計數器進行檢測，但是需要很長的時間。為了縮短識別的時間，有時會在手術前用一個淋巴影像初估前哨淋巴結的位置和數目. 1.

(13) [4][5]。但是醫生要檢查淋巴影像並非容易，因為映射的注射點區域有著非常高的像素值，主要是因為剩餘的放射性藥物會從注射點開始擴散，使得注射點周圍區域也有很高的像素值[6][7]。因此檢測淋巴影像是非常困難的，尤其是鄰近注射點附近的位置，如圖 1.1 所示。. 圖 1.1 前哨淋巴結活檢之淋巴影像然而為了避免重要的前哨淋巴結被這些高像素值所遮蔽導致誤判，我們將對淋巴影像進行分割與分析。在 2011 年 Ryohei Nakayama 等學者利用相似區間減法的方法對淋巴影像做了去除注射點及注射點周圍的動作[8]。首先，先找出注射點的中心，然後將其垂直和水平的分割成四個區域，如圖 1.2。. 2.

(14) 圖 1.2 垂直和水平分割成四個區域但是由於藥物的擴散並非完全對稱，作者利用相似區間減法的方法減少這種非對稱性的影響。先把所有的分割區域轉移到第一象限的位置，然後選定其中一個分割區域定義為目標區域，分別計算出目標區域和其他三個區域之間基於像素值的相關系數，在這三個區域中相關系數最高者被定義為該目標區域的相似區域，方法如下圖 1.3 所示。. 圖 1.3 找尋相似區域. 3.

(15) 找到相似區域後，由目標區域減去相似區域獲得新的區域，重複此過程直到每個分割區域都被當作目標區域，最後將所得之區域組合回去，便可得到一張減影圖像，如圖 1.4。. 圖 1.4 原始圖像與減影圖像這個方法確實能有效將注射點以及周圍擴散藥物濾除，但是該方法有一個問題，如果注射點之間的距離很近，該方法就無效了，如下圖 1.5 所示。因為注射點彼此們會互相影響對方。這樣的分布不會有對稱屬性，因此該方法無法適用在每張淋巴影像上。. 4.

(16) 圖 1.5 注射點相近之淋巴影像在本論文中，因淋巴影像屬於一個高動態的影像，我們將利用色調映射(tone mapping)[9]的方式取出效的影像資訊，並且用 Otsu[10]提出的方法對其影像以自動的方式擷取淋巴影像，減少手動擷取的誤差與麻煩，最後再對擷取後的影像進行分析。為了移除具有高亮度值的注射點位置，利用色調映射的方法是必須且重要的步驟，不僅能在顯示在低動態範圍的顯示器上，也少了對於淋巴影像上不必要的訊息，這將對於我們進行乳癌分析上有很大的幫助。因此在分析影像前，色調映射是個不可或缺的步驟。在進行映射之後，利用 Otsu 的方法將非乳癌的部分移除，然後再利用二值化將. 5.

(17) 最有可能是乳癌的區域找出，並進行分割。如此一來，我們便可以以自動的方式，正確的取得乳癌的部分，提高分析的準確性。得到了擷取後的影像後，我們可以針對這些影像與醫師的專業知識進行改良，找出真正屬於乳癌的部分，提高前哨淋巴結活檢的檢驗效果。. 6.

(18) 第二章相關研究及文獻探討由於我們所取得的淋巴影像是一種高動態範圍的影像，如果直接用低動態範圍顯示器顯示的話，會使得高動態的訊息無法充分被利用。為此，我們使用色調映射的方法，利用色調映射將高動態範圍對應至低動態範圍中，使低動態範圍的顯示器可以正常顯示高動態範圍之影像。關於影像切割的技術有許多種方法，大致分為紋理切割技術 [11]、邊緣偵測技術、區域生成技術、二值化切割技術等。二值化切割技術是利用一個門檻值來區分影像的前景與背景，以淋巴影像來說，目前最適合的方法莫過於二值化切割技術了，因為它並沒有什麼重要的紋理特徵，而主要的特徵是注射點會有較強的亮度分布，因而最需要的是辨別影像的強弱。為了加強我們分割的效能，使用色調映射(tone mapping)的方法將淋巴影像正確顯示出來是非常重要的，再利用 Otsu 的方法使其自動擷取，減少操作上的麻煩。. 2.1 色調映射(tone mapping) 色調映射是一種把高動態範圍影像壓縮成低動態範圍格式的技術，其目的在於以不失去細節的情況下，使低動態範圍顯示器正常地將高動態範圍影像資料顯示出來。主要原理及解決的問題是進行大幅度的對比度衰減，將影像亮度變換到可以顯示的範圍，且同. 7.

(19) 時要保持圖像細節與顏色等對於表現原始影像非常重要的明暗資訊。下圖 2.1.1 表示 Tone mapping 之原理示意圖：. 圖 2.1.1 Tone mapping 之原理示意圖關於色調映射的技術可以分成兩類，分別為全域性映射(Global Mapping)以及局部映射(Local Mapping)。全域性映射演算法是對影像中所分布的動態範圍內設計一個映射函數轉換到另一個新的動態範圍內，而轉換函數可以是線性或非線性的關係。而局部映射的做法就必較多元，它可以選擇高動態範圍中的某一段分布進行映射，也可以就影像的局部範圍進行映射。該演算法較專注於鄰近區域的像素，處理時必須考量像素與鄰近像素之間的關係，因此大部分此類型的方法會將影像分層再對各個區塊或圖層分別進行處理，或是將影像分成不同尺寸的區塊進行處裡。最後再將處理後的區塊或圖層合成出最終的結果影像，而這個方法也能保留較多的影像細節。. 8.

(20) 2.2 二值化切割二值化是分割影像的一種門檻值方法，且不容易受到紋理特徵及不清楚的邊緣影響，又可以作用在任何分佈圖上，如灰階數量分佈圖、色彩值分佈圖、梯度分佈圖等。二值化的目的通常是要擷取出影像中的物件，只要這些物件(前景)與背景有差異，我們就可以用二值化將影像前景跟背景分離出來。二值化就是把大於門檻值(T) 的影像灰度設為灰度最大值，小於門檻值的影像灰度則設為灰度最小值，如式： 1 if f i, j   T bi, j    otherwise 0. (2-1). 當 bi, j  =1 表示物件、 bi, j  =0 表示背景。有些影像的像素特徵會分成多群，特徵分佈圖分為 3 種，分別為單峰分佈圖(unimodal histogram)、雙峰分佈圖(bimodal histogram) 和多峰分佈圖(multimodal histogram)，如圖 2.2.1。這些特徵分佈會呈現幾個波峰，因此會依據波峰數量來決定需要多少的門檻值，而門檻值的位置就設在波谷的位置。. 9.

(21) 圖 2.2.1 影像特徵分佈圖. 10.

(22) 2.3 Otsu 自動二值化若門檻值法只是將影像像素分為前景與背景，則自動門檻值法又稱為自動二值化(automatic bi-level thresholding)。群間最大差異二值化法是由日本學者 Otsu 於 1979 年提出的，是一種自適應的門檻值確定的方法。它是依照影像特徵分佈將影像分為前景和背景兩部分，若背景與前景之間的差別越大，則表示這兩者群間差異也越大 (群內變異最小和群間變異最大是相同的)，這意味著錯分的機率也越小，如圖 2.3.1。. 圖 2.3.1 Otsu 群內、群間示意圖我們假設一張影像的各個灰階值的機率為 hi ，T * 為閥值，u1 、 u 2 分別為第一類和第二類的灰階平均值，如下式：. 11.

(23)  .  . T. u1 T   hi   i , u2 T   *. i 0. N.  hi   i. (2-2). . i  T 1. 而該兩類的變異數  1 、  2 如下：.  1 T    u1  i   hi  ,  2 T   . T. . 2. i 0. N.  u 2  i . 2.  hi . (2-3). i T * 1. 取得變異數後，我們可以以群內變異數最小來找尋最佳的門檻.  .  . 值。 T  為群內變異的總合，T 則代表在  T  函式下，產生最小輸出的參數，如下式：  T     1 T     2 T  . (2-4).   . (2-5). T  argT min  T  . 由上述公式可以得知，群內變異數越小時，也表示兩群的分界明顯。所以 Otsu 的群間最大差異方法就變成在兩群像素數量越相近，平均差異越大的情況下，求出門檻值。. 12.

(24) 第三章研究方法與步驟本論文探討的重點在於如何使乳癌檢測不受放射性物質擴散的影響，導致可能的乳癌部分被遮蔽，因此著重於分析淋巴影像中的訊息。前哨淋巴結檢查大多使用放射性同位素，經由淋巴組織進入淋巴循環系統內，並藉由用伽瑪閃爍攝影機(gamma camera)來造影，最後轉為 16 位元的 DICOM(醫療數位影像傳輸協定)高品質影像儲存。由於來源影像是屬於高動態範圍的影像，因此含有的資訊量非常豐富所以我們可以妥善應用。首先我們必須將影像壓縮至低動態範圍以便顯示，因此如何設計正確的顯示以及有效的資訊擷取是我們研究的重點。因此在本研究中，我們將使用全域以及局部對比的方式試圖將高動態範圍的影像訊息完整並充分的利用。在全域映射的作法上我們分為直接映射以及對數映射，而在局部映射上，我們將高動態範圍以 8 bit 為單位，把分布在高動態範圍的影像資訊分別映射在低動態範圍內。考慮到全域性映射壓縮較大容易遺棄許多可能重要的資訊，而分段影像內容較完整詳細，因此主要以區域性映射為我們的主要影像。我們將局部映射與全域映射的影像比對，決定好各分段的權重，再將其整合成最適合的影像作為我們的目標影像。. 13.

(25) 在參考影像部分本研究劃分成兩大部分來作，分別是淋巴結合成影像以及注射點合成影像，目的是為了針對所需進行合成與處理。由於影像中的背景成分所占比重極大，故而黑色成分所占面積較大，因此本研究透過直方圖選取適當的範圍將背景濾除後再利用 Otsu 自動取得閥值對影像進行分割，這樣可以有效降低背景的干擾。但是由於擴散機制的影響，注射點周圍仍會有較高的像素值，因此為了避免濾除後的影像仍受到注射點以及周圍擴散較大的影響，本研究也利用形態學運算中的膨脹，將我們的注射點擴大來解決這個問題。濾除後的影像會保留原來的低像素，透過像素平均便可以以不影響淋巴結點的方式將低像素濾除，此時影像中就會只留下淋巴結點以及擴散藥物，這個方法對於我們的後續處裡有很大的幫助。由於淋巴結的像素較其他擴散藥物高一些，本研究對其影像射一門檻取得二值化後，再透過形態學運算的連通標記尋找淋巴結點。本研究的重點在於如何正確找出注射點位置並有效濾除注射點以及擴散藥物，並且可以適用於每張淋巴影像的檢測方法。下圖 3.1、3.2 為本論文研究方法的流程圖：. 14.

(26) 圖 2.3.1 研究方法流程圖(1). 15.

(27) 圖 2.3.2 研究方法流程圖(2). 16.

(28) 3.1 輸入影像輸入影像主要為注射點較為相近的淋巴影像，輸入的影像皆與長庚醫院的檢驗師取得可以進行醫學影像分析之用途。前哨淋巴結篩選，其目的是為了找出癌症細胞擴散後，所擴散到的第一個淋巴結點，也就是前哨淋巴結定位。醫生會在手術前化驗定位的前哨淋巴結為良性或是惡性再決定要切除的部位。之所以要先找到前哨淋巴結點是因為乳癌大多會先進入淋巴管到淋巴結，再轉移到身體其他部位。我們取得的影像主要是醫生對病患在乳房腫塊周圍注射放射性同位素，一段時間後，放射性物質經由淋巴管擴散到淋巴結點，找到的第一個淋巴結點稱之為前哨淋巴結，然後再經由伽瑪 (gamma)閃爍攝影機來造影。由於我們是利用物質來找前哨淋巴結，因此偵測到的淋巴結可能不只一個。透過伽瑪閃爍攝影機，注射點的位置會顯得非常的明亮，前哨淋巴結則會比注射點要來的暗些。由於取得影像只有編號所以無法判斷是否為同一人的淋巴影像。輸入影像如圖 3.1.1 所示，紅色圓圈為前哨淋巴結點，其他較亮的白點為注射點。. 17.

(29) 圖 3.1.1 輸入影像. 18.

(30) 3.2 色調映射當我們取得高動態範圍的淋巴影像後，對其作三種不同轉換的色調映射，分別是以線性方式直接映射還有取對數後再映射以及選擇性映射這三種方法。 3.2.1 以線性方式直接映射以線性方式直接映射就是直接將 16 位元之淋巴影像，壓縮至螢幕所能顯示之低動態範圍內，下圖 3.2.1 為示意圖。. 圖 3.2.1 線性方式映射此作法面臨到的風險是壓縮過後，原本的影像細節資訊可能流失。尤其是原始資料的位元實在太高，而淋巴影像所在範圍並沒有如 16 位元這麼大，導致以直接映射的方式映射出的影像嚴重失真，如圖 3.2.2，白色虛線框起為三個注射點的位置。. 19.

(31) 圖 3.2.2 直接映射結果圖 3.2.2 取對數後再映射該方法與第一種方式相似，差別在於我們在影像壓縮前對各個像素值先作對數運算，因為亮度取 log 後是最接近原始亮度的。而且對數有個優點，就是對於越大的數字，壓縮的比率越高，反之，較小的數字則壓所得比較小，但是能保留的資訊也就相對提高。雖然提高資訊的保留，但這樣的映射方法仍然會有許多重要資料遺失。在此我們也用其他的對數來取值，例如以 2 為底或是以 10 為底來做運算。下圖為取 log 後之映射。. 20.

(32) 圖 3.2.3 對數映射 3.2.3 影像分段映射我們利用影像分段映射在高動態範圍的儲存空間中，分別擷取影像中不同的片段。我們一次取得 8 位元的範圍，例如我們取2 ~2 的範圍，再依序取得2 ~2 、2 ~2 以此類推直到取得最後一張影像2 ~2 的範圍，共會產生 9 張影像。利用分段的方式我們可以取得不同片段的淋巴影像資訊，這個方法可以將淋巴影像有效的壓縮也可以避免遺失淋巴影像的重要細節，下圖 3.2.4 為分段映射之示意圖：. 21.

(33) 圖 3.2.4 影像分段映射由於分段的分法所得到的影像資訊為完整資料，可以作為我們的資料影像，而全域性映射的影像由於資料遺失較多，只能拿來當作參考影像。我們將全域映射後影像與分段影像作比較，如下圖 3.2.5、3.2.6，透過比對可以知道，注射點及淋巴結的資料分布的位置，而可以正確將其從放射影像中分離出來。. 22.

(34) 圖 3.2.5 (a)直接映射(b)分段後影像. 23.

(35) 圖 3.2.6 (a)對數映射、(b)分段後影像. 24.

(36) 經過比對後可以發現注射點以及前哨淋巴結會分布在特定的範圍內，我們可以利用此特性，對影像作針對性的合成。. 25.

(37) 3.3 訓練分段影像及合成相較於全域性色調映射，影像分段能有效的將資料保留，不管是直接映射或是對數映射，這兩種的映射方式都捨棄了太多資訊，雖然對數映射結果明顯比直接映射來得好，但是經過大量壓縮後，影像有較失真，因此只能做為參考，所以我們必須將全域映射作為比對及訓練的依據。而分段影像則做為資料影像，因為分段顯示，所以資料完整。影像分割成兩個類別，分別是淋巴結點與注射點，再透過兩者計算分段影像的資料分布段，並利用權重值合成出理想的目標影像。 3.3.1 自動分割參考影像將全域影像與分段影像對比後本研究發現注射點以及前哨淋巴結會分布在特定的資料範圍，因此，我們首先將參考影像分割成注射點. 跟前哨淋巴結. 兩張影像。再根據這兩類分別與分段影. 像作權重值的運算，在本研究中由於對數映射保留資訊較直接映射多，因此以對數映射作為參考影像。找出較符合預期的分界點來分割參考影像是很重要的，根據我們對多張影像直方圖的觀察，發現不需要的訊息量大多都在低像素位置，如圖 3.3.1、圖 3.3.2:. 26.

(38) 圖 3.3.1 (a)參考影像、(b)直方圖 0~255、(C)直方圖 1~100. 27.

(39) 圖 3.3.2 (a)參考影像、(b)直方圖 0~255、(C)直方圖 1~100 這些大量的低像素群會干擾閥值的計算使得 Otsu 門檻值被降低，導致分割出來的兩類影像不如預期，因此需要將分割資料作一些事先處理使 Otsu 在新的運算範圍中運作。透過本研究的觀察及實驗，高亮度的像素群在正常情況下將遠少於低亮度的部分，且低亮度的像素群越接近重要資訊兩者相差就越少，所以我們可以濾除掉太低的灰階值，將濾除後的資料的灰階值之中相距最小的灰階值為 Otsu 運算中最小的範圍值，透過這個方法我們能有效的提升 Otsu 的門檻. 28.

(40) 值。經過多次的實驗，參數為 30 最能有效的使分割後的影像較接近理想。取得門檻值後我們便能將參考影像分割成淋巴結點影像與注射點影像，下圖 3.3.3 為以對數映射為參考影像利用改量 Otsu 的作法所得的分類結果：. 圖 3.3.3 (a)參考影像，以 T=30 濾除掉太低灰階值，並以 Otsu 計算分類關係，分界點為 110、(b)淋巴結影像、(c)注射點影像 3.3.2 計算權重值. 29.

(41) 分段後的九張影像保留了原始影像較多的資訊，因此比較適合做為我們的主要影像，但是各分段的影像占來源影像的位置及重要性都不同，因此我們將剛分割好的前哨淋巴結影像與注射點影像分別與這九張分段影像計算各別的權重，這樣我們就能得到比較針對性的影像。首先，我們要先計算 9 張分段影像與參考影像. 、. 之間的. 誤差值，計算式如下：. N M. . . (3- 1). . . (3-2). EnI   D I i, j   Dn i. j  i 0 j 0. EnL. N M.   D L i, j   Dn i. j  i 0 j 0. N 與 M 代表影像的長與寬的原像素， Dn i, j  是分段資料影像中第 n 張的分段影像，n=1,2,…,9 表示九張影像， EnI 、 E nL 分別表示. 、. 與九張影像的誤差值，所以我們可以分別得到九個誤差. 值。我們希望能將分段後的影像個別合成為兩張影像，但由於資訊分散，透過以參考影像為依據，我們可以得知那些影像與來源影像最為相似，這並非表示與參考影像越不相近的影像就不重要，而只是擁有的資訊量較少。為了合成出影像，必須給予相對應的權重值，透過誤差值，我們可以進一步計算九張影像之權重值。因為權重與. 30.

(42) 誤差成反比，亦即誤差愈大，權重愈小，因此權重可設計如下: 9. W jI .  EnI. n 1,n  j 9. . n 1. (3-3). E nI. 9. W jL .  EnL. n 1,n  j 9.  EnL. (3-4). n 1. W jI 、 W jL 分別代表. 、. 與九張影像之權重值，j=1,2,…,9。. 3.3.3 利用權重值合成影像取得的權重值表示. 、. 與這九張影像之間的關聯性，因為. 有些資訊只在某些分段出現，無法判斷該資訊是否重要或必須，所以權重值在這裡占了很大的要素，透過權重判斷該資訊的重要程度來作分段影像合成。經過本研究的觀察，與九張分段影像中的最後四張最相似，則與九張分傳影像中的前四張最為相似。，因此我們只將與. 、. 相對應的權重值分別進行合成。首先判斷相對應的四張影像中同一位置的像素值，若為 0，則不列入計算，否則將該像素值乘於該張權重，加總起來後再平均。這樣的方法能將分散在各個分段影像中的資訊結合起來，又不失其原本的重要性。首先判斷. 、. 相對應的四張分段影像中含有資訊的影像個. 31.

(43) 數：假設 i=0,1,…,h，j=0,1,….,w，h 和 w 表示影像的長跟寬，分別判斷. 與四張影像 D6~9 同一影像位置(i,j)的像素值，如果大於 0，. 表示該位置含有資料，於是可以列入合成步驟去計算，在此我們給予一個 sum I (i, j ) 來表示該影像位置有值的張數，由於我們注射點類別只判斷最後四張分段影像，所以 sum I (i, j )  4 。. 則與 D1~ 4 這. 四張分段影像作判斷，並給予 sum L (i, j ) 來表示該影像位置有值的張數，由於也只判斷四張分段影像，所以 sum L (i, j )  4 。每個資訊的重要程度不但不盡相同，具有該資訊的影像張數也不同，因此我們需要先判斷擁有該資訊的影像張數有多少，方便計算合成後最後輸出的值。得到九張影像中有資訊的影像後，便可以利用分段影像的權重值計算最終輸出值來合成並得到我們要針對的兩類影像：. .  9   Dn i. j   WnI D Ifin i, j    n6  sum I (i, j )  . .  4   Dn i. j   WnL L i, j    n1 D:fin sum L (i, j )  .     . (3-4).     . (3-5). D Ifin i, j  是合成後的注射點影像， D fin i, j  則是合成後的淋巴影 :L. 32.

(44) 像，所計算出的輸出值，當全部計算完後我們將得到兩張新的合成影像作為目標影像。下圖 3.3.4 為合成後影像:. L 圖 3.3.4 (a)參考影像、(b)淋巴結點合成影像 D:fin 、. (c)注射點合成影像 D Ifin. 33.

(45) 3.4 取得注射點在此步驟中，我們將針對注射點影像 D Ifin 進行處理，如何正確找出注射點位置在本研究中是非常重要的。 3.4.1 移除淋巴結位置注射點合成影像雖然可以很明顯的看出注射點位置，但其中仍包括非常低亮度的淋巴結點存在，因此無法直接將注射點合成影像映射回淋巴結點合成影像。本研究曾直接使用 Otsu，雖然可以濾除淋巴結點，但也會使得注射點的範圍變小，因此在使用膨脹運算時，會產生嚴重的變形。如下圖 3.4.1:. 34.

(46) 圖 3.4.1 (a)注射點影像、(b)二值化、(c)Otsu 二值化、(d)圖 c 的膨脹由於直接做 Otsu 的閥值較高，使得注射點範圍變小，因此我們需要降低閥值，而這個閥值必須要能避免取得淋巴結位置，又不過度縮小注射點範圍，所以本研究只選取低灰階值的範圍做 Otsu 二值化。由於範圍越小越好，我們所選取的範圍就只有低灰階連續的範圍，直到遇到一個中斷點，中斷點以後的灰階值皆不列入計算，如下圖 3.4.2:. 35.

(47) 圖 3.4.2 三張不同的注射點影像及直方圖從最低的灰階值開始計算起連續的範圍，直到遇見中斷點則停止(紅色圈起處為中斷點)，而這個連續範圍則為我們給予 Otsu 運算的範圍。由於範圍(深藍色雙箭頭)往前縮短了，Otsu 的門檻值會比. 36.

(48) 直接作 Otsu 二值化要來得低許多，取得的注射點範圍得以擴大，而且也不會取得淋巴結點，這將會大大提升濾除的效果。 3.4.2 形態學運算(膨脹 Dilation) 由於淋巴結點的合成影像中也包含了注射點以及擴散藥物，因此若要將注射點映射回去，勢必須要將注射點膨脹，因為經過二值化的注射點影像注射點範圍會被縮小，若不先膨脹再映射，所得濾除影像將仍保留原先注射點周圍的高像素值，這些高像素值將會對於尋找淋巴結點位置有很大的障礙。若我們在此步驟能將注射點周圍一起濾除，那麼淋巴結點的亮度將會是濾除後影像中最高的，所以膨脹的程度是否能有效的連同注射點周圍一起濾除，是非常重要的，在本研究中我們所使用的膨脹次數為三次。下一節將會詳細說明本研究中所運用到的形態學運算。. 37.

(49) 3.5 形態學運算由於取得到的注射點範圍要比實際上來的小一些，而且淋巴結點的合成影像也包含了部分注射點的高像素值，因此本研究使用膨脹的方法，使被縮小的注射點放大並且能濾除掉注射點周圍的高像素值。在本研究中另外用到的形態學運算為 Extraction of Connected. Components(連通成分抽取)，也就是連通標記法。連通標記法在本研究的目的是隔離淋巴結點與其他非淋巴結點的區塊，並且利用這些區塊尋找淋巴結點的正確位置。 3.5.1 Dilation(膨脹) 膨脹是形態學運算的基礎，它主要應用在橋接縫隙，也可以用來填補物體中的空洞，而在本研究中的目的是為了將所需要的範圍放大。下圖 3.5.1 為膨脹的示意圖: 以 B 為一個 3×3 的矩陣為例. 0. 1. 0. 1. 1. 1. 0. 1. 0. 38.

(50) 圖 3.5.1 膨脹示意圖在本研究中我們所給予的元素結構如下:. 0. 1. 0. 1. 1. 1. 0. 1. 0. 我們也有試過給予不同的元素結構，但由於來源影像並不大，因此膨脹效果反而變形更嚴重，失去我們的目的。. 3.5.2 Extraction of Connected Components(連通成分抽取) 連通成分抽取也可稱作聯通標記，主要是判斷像素間的鄰近關. 39.

(51) 係，像素間的聯通性是主要是用於確定物體邊界或是區域組成成分。要判斷是否連通需要確認像素間是否相鄰，若相鄰則歸類在同一個物件，透過聯通成分抽取我們可以給予每個聯通標記，並且利用標記可對其獨立區塊進行處理。本研究中所使用的是八連通標記法，八連通是指判斷參考像素周圍的八個方位的點，如下表所示，若一樣則視為同一物件。. . .  .  . . 40. .

(52) 3.6 濾除並取得淋巴結點位置取得膨脹後的注射點影像 D Ifin 後，最重要的就是將注射點濾除，並且有效的將淋巴結點找到，但是擴散藥物會影響我們偵測淋巴結點位置，因此本研究透過一些方法對濾除影像進行後處理，這些方法能有效的提升淋巴結點的辨識率。 3.6.1 濾除注射點在此步驟中本研究將膨脹後的注射點影像 D Ifin 映射回去淋巴結點的合成影像 D Lfin ，由於我們需要的是濾除注射點的位置，因此不對其像素值做其他處理，只要有注射點範圍的地方，淋巴結點合成影像的像素位置都將設為 0。選擇使用這樣的濾除是為了使淋巴結點影像更容易觀察，若注射點位置仍有數值，會難以針對濾除後影像進行分析與處理。 3.6.2 濾除低像素值以及二值化由於淋巴結影像包含了許多雜訊以及擴散藥物，若使用 Otsu 二值化，會發現門檻值較低，以至於二值化後的影像，淋巴結點與擴散藥物分界不明顯，容易誤判。因此本研究首先將淋巴結點影像中不需要的低像素值濾除，經過研究實驗直接做 Otsu 的門檻，門檻值比低像素部分要來得高，並不適合用來濾除雜訊及部分擴散藥物。. 41.

(53) 所以本研究採用像素平均值來濾除低像素值，發現該方法可以有效的將過多的雜訊濾除。但由於影像中的背景太多，如果連背景一起計算，平均值依然為 0，因此本方法採用影像中像素 1 以上的所有像素值取平均所得像素平均值 avg1。公式如下: 首先判斷像素值 1 以上的像素有幾個這裡我們以 sum 表示。. if D Lfilter (i, j )  0 sum=sum+1;. else sum=sum; N M. avg1 .  D Lfilter (i, j ) i 0 j 0. sum. (3-7). 得到濾除低像素的淋巴結影像後，本研究嘗試使用 Otsu 來取得淋巴結點位置，但是效果比較不穩定，只能針對幾張淋巴影像。因此我們又再次取得新的濾除影像中的像素平均值來做為門檻，這樣的做法較 Otsu 來得穩定，門檻值大多也比 Otsu 來的高一點，這樣比較能把淋巴結與周圍擴散藥物分離，對於淋巴影像成功率極高。但是這並非表示二值化過後的影像只會出現淋巴結點的位置，而是淋巴結點與擴散藥物區分的程度好與不好。 3.6.3 型態學運算(Extraction of Connected Components) 由於二值化後的淋巴結點影像未必只剩淋巴結的部分，可以能. 42.

(54) 還包括了擴散藥物，但經過上述的處理淋巴結與擴散藥物大多有明顯的分界。而且淋巴結點的位置，與其他擴散藥物相比之下，擁有較高的像素值。所以本研究透過此一特性，利用型態學連通標記法的運算，將影像標記為多個區塊。取得了這些區塊也表示著我們取得了它們的位置，所以本研究透過搜尋每個區塊，計算每個區塊的最高像素值，直到找出所有區塊中擁有最高像素值的區塊並顯示出來，通常，這代表著找到淋巴結點，因為淋巴結點的像素值通常較高。 3.6.4 型態學運算(Dilation) 透過連通標記法我們找到了淋巴結點，但是淋巴結點有可能會因為在濾除時部分資料遭到遺失，導致淋巴結點邊界參差不齊。因此本研究再透過膨脹的方式，將淋巴結點膨脹，使它較為圓潤明顯。. 43.

(55) 第四章實驗結果及討論 4.1 環境本研究演算法實作環境：  開發平台為 Microsoft Visual C# 2010 Express  程式語言，作業環境為 Windows7 32 位元作業系統  CPU Intel(R) Core(TM)2 Quad Q8400 (2.67GHz)  記憶體 2GB  影像資料由相關醫療人員所提供。. 4.2 實驗樣本本研究中所取得到的樣本取自於長庚醫院，由長榮醫院院方的檢驗師協助研究。我們取得的淋巴影像樣本，是影像大小為 128×128 的淋巴影像，共 56 張。由於只有編號並無法得知影像是否為同一人，影像中的注射點數量都不只一個，其中也包含了一些淋巴結不明顯的影像，19 張，這類的影像主要是因為拍攝時間可能過早。在本研究中將探討研究方法是否能有效找出淋巴結點。. 4.3 實驗成果本研究以對數映射作為參考影像，分段映射作為資料影像，利用所提出的方法將其分類並合成為兩張影像，分別為淋巴結點影像. 44.

(56) 與注射點影像。然後再針對注射點影像取得注射點位置，經過膨脹後映射回淋巴結點影像濾除，再針對濾除後的影像取得淋巴結點位置。我們將在本章節探討給予 Otsu 新範圍的重要性，以及第一次. Otsu 的範圍參數，並且也將探討本研究方法否能準確偵測到注射點，以及找尋淋巴結點。 4.3.1 第一次 Otsu 範圍在本研究所提出的方法中，我們偏向利用直方圖對影像分析，並透過 Otsu 二值化尋求適當門檻。但由於影像背景部分過多，使得. Otsu 二值化做出來的效果與理想有所差異。研究中將 Otsu 二值化用在兩個步驟中，第一次是用在訓練分段影像與合成中，決定參考影像的兩類分界點；第二次則是用在取得注射點濾除回淋巴結點合成影像的步驟中，注射點的位置與範圍大小。並且我們也將在此小節探討第一次 Otsu 的範圍參數。關於第二次 Otsu 我們會在下一節說明。首先從參考影像尋找分界點來看直接做 Otsu 與研究方法中提出的給予 Otsu 新範圍之間的差異，如下 4.3.1 表所示:. 45.

(57) 測試樣本 1. 測試樣本 2. 淋巴結:. 淋巴結:. 注射點:. 注射點:. 分割閥值: 72. 分割閥值: 68. 參考影像. 直接做取得分界點 Otsu. 46.

(58) 淋巴結:. 注射點:. 注射點:. 分割閥值: 112. 分割閥值: 110. 給予. 淋巴結:. 新範圍並取得分界點 Otsu. 表格 4.3.1 參考影像尋找分界點. 47.

(59) 兩種方法與我們理想中的閥值的關係如下: 160 140 120 100 理想閥值. 80. Otsu 60. 改良方法. 40 20 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55. 表格 4.3.2 3 種閥值的關係圖表格 4.3.2 的 Y 軸為切割閥值，X 軸為影像張數。由上表 4.3.1、. 4.3.2 可以得知，透過本研究方法所做的分界點相較於直接使用 Otsu 取得的閥值要來的提升許多，且分割後的兩類影像結果也較符合預期，分割結果會因影像來源有所差異，但做出來的效果確實比直接使用 Otsu 取得的分界要來有效。另外，關於第一次 Otsu 的範圍，我們利用直方圖濾除會影響. Otsu 效果的背景，透過觀察淋巴影像直方圖的特性，高像素的像素群絕對不高於低像素的部分，且低像素的像素群越接近重要資訊兩者相差就越少，所以我們選取一個參數 T 以上的灰階之間作比對，找到相距最小者來濾除背景，以下探討 T 值對影像分割的影響。. 48.

(60) 參考影像淋巴結類別. 注射點類別. 淋巴結類別. T=10. T=30. T=60. T=90. 表格 4.3.3 T 值對分割的影響. 49. 注射點類別.

(61) 以上表來看參數 10 及 30 分割的效果較好，但由於重要資訊的數量大多在 0~20，因此參數 10 會使得分割效果較不穩定，所以本研究使用參數 30 來進行分割。 4.3.2 第二次 Otsu 另外我們也利用 Otsu 二值化從注射合成影像中取得注射點位置，本研究曾直接使用 Otsu 二值化，此方法門檻值會偏高，雖然不會擷取到淋巴結點但是會使得注射點範圍縮小，導致濾除效果沒有想像中好，而本研究透過分析注射點合成影像的直方圖，並利用直方圖重新選取一個適當的範圍再作 Otsu 二值化，研究方法很明顯大幅降低二值化的門檻值，如下表 4.3.4:. 50.

(62) 測試樣本 2: 測試樣本 1:. 參考影像. 注射點合成影像. 合成影像直方圖. (0~20). 51.

(63) 直接做二值化 Otsu 門檻值: 17. 門檻值: 2. 門檻值: 4. 給予一個新範圍做. 門檻值: 14. 二值化 Otsu 表格 4.3.4 注射點合成影像 Otsu 差異紅色圈起處為研究方法所給予 Otsu 範圍的最大值，黑色箭頭為. Otsu 運算的範圍由上表 4.3.4 可得知本研究方法確實能找出注射點位置又不擷取到淋巴結點位置而且也不過度縮小注射點範圍。. 52.

(64) 4.3.3 膨脹重要性與膨脹次數而在濾除的步驟中，最困難的則是在注射影像映射回去淋巴影像後，可能無法清除周遭高亮度的擴散，主要因為淋巴結影像不只有淋巴結點，也包含了注射點周圍。所以在所提出的方法中利用了形態學運算中的膨脹，擴大注射點的範圍是為了降低在淋巴結點影像中注射點周圍高像素藥物的影響，而膨脹的次數會因影像大小而異，經過實驗測試，我們給予 3 次膨脹。其實驗結果如下表 4.3.5 所示。淋巴影像之實驗結果圖:. 對數映射 53.

(65) 注射點合成. 淋巴結合成. 濾除注射點無(膨脹. ). 54.

(66) 濾除注射點膨(脹. 倍 3. ). 輸出影像無(膨脹. ). 輸出影像膨(脹. 倍 3. ). 表格 4.3.5 淋巴影像之實驗結果圖. 55.

(67) 從上面的結果圖可以發現注射點影像的膨脹是必須且重要的，未經膨脹的注射點影像映射回淋巴結點影像，會殘留原來注射點位置周遭較高的像素。影像中的像素值越高，也表示門檻就越高，而這樣就有很高的機率忽視掉了淋巴結點，導致後續的影像處理已沒有淋巴結點或是被其他高像素擴散藥物取代，如無膨脹的輸出影像一樣，明顯偵測失敗。. 如上表所示，可以證明膨脹對於我們濾除的過程中是非常重要的，也證明了注射點周圍的高像素藥物如果殘留太多，很容易影響我們偵測淋巴結點。所以本研究中運用到的膨脹及次數確實能有效提升淋巴結點的判別效果。以膨脹次數來說，研究實驗測試過程中，膨脹的次數會影響到判別的結果，主要是因為淋巴結點合成影像擁有注射點周圍的極高像素，如果膨脹後的注射點範圍沒有蓋過這些高像素範圍，會導致接下來淋巴結點的判別失誤，但是如果膨脹太大，又可能會導致注射點範圍遮蔽了淋巴結點，這主要發生在淋巴結點與注射點位置相近時。淋巴影像膨脹次數:. 56.

(68) 參考影像. 淋巴結點合成影像. 注射點合成影像. 輸出影像. 膨脹次 1. 偵測失敗. 較無變形. 57.

(69) 次 2. 輸出影像. 膨脹部分變形嚴重. 偵測失敗. 輸出影像. 膨脹次 3 嚴重變形. 偵測成功. 表格 4.3.6 淋巴影像體膨脹次數測試(1). 58.

(70) 參考影像. 淋巴結點合成影像. 注射點合成影像. 次 1. 輸出影像. 膨脹. 偵測成功. 較無變形. 59.

(71) 次 2. 輸出影像. 膨脹部分變形嚴重. 偵測成功. 輸出影像. 膨脹次 3 嚴重變形. 偵測成功. 表格 4.3.7 淋巴結點與注射點相近之膨脹次數測試(2) 從表 4.3.6、4.3.7 可以看出在部分影像中只需膨脹少次便可偵測出淋巴結點，但是以實驗結果觀察，若要對任何影像都能有效偵測，以膨脹次數為 3 最為合適，如表 4.3.6，而且就算是淋巴結點與注射點相近的影像，淋巴結點雖部分被遮蔽，但最後淋巴結點經過膨脹一次後的結果較為正常且圓潤，如表 4.3.6，這也表示本研究方法不但可以正確找出注射點位置，並且即使是淋巴結點與注射點相近的. 60.

(72) 淋巴影像，我們也可以有效的取得淋巴結點位置。 4.3.4 實驗結果圖透過本研究方法，實驗結果如下: 參考影像. 實驗結果. 偵測成功偵測成功. 61.

(73) 偵測成功. 偵測成功. 偵測成功. 62.

(74) 偵測成功偵測失敗偵測失敗. 表格 4.3.8 實驗結果由上表可以得知，對於大多數的影像我們提出的方法可以有效地找出淋巴結點位置，但對於淋巴結點不明顯或是注射點模糊的影. 63.

(75) 像上，有可能會出現失敗的結果。首先我們先評估本研究方法針對每張淋巴影像是否能正確找出注射點位置，如下表 4.3.9: 輸出結果正確找出. 無法正確找出. 98.22%. 1.78%. 輸入樣本淋巴閃爍造影. 表格 4.3.9 注射點偵測率透過我們提出的方法，56 張淋巴影像中有 55 張被正確偵測出注射點位置，只有 1 張連同淋巴結點位置也被偵測出來。因此本研究方法對於大多數影像可以非常有效且正確的找到注射點位置。而在尋找淋巴結點的部分，由於部分影像有淋巴結不明顯的因素，我們所提出的方法容易造成誤判。兩者的檢測率如下表: 輸出結果正確找出淋巴結. 沒有找出淋巴結. 淋巴結明顯. 94.6%. 5.4%. 淋巴結不明顯. 42.11%. 57.89%. 全部影像. 76.79%. 23.21%. 輸入樣本. 表格 4.3.10 淋巴結點檢測結果. 64.

(76) 第五章結論我們所提出的方法在淋巴閃爍造影像上能很有效的偵測到注射點並且濾除注射點，對於濾除後淋巴影像也能有效的找到淋巴結點。但是對於淋巴結點不夠明顯的影像上，亦或是注射點不明確的影像上，是很難準確做出判斷的，因為影像的來源與拍攝的時間有關，如果太早進行拍攝，藥物並還沒有到達淋巴結或是才剛到達淋巴結，因此我們的來源影像，有賴於院方本身提供的資訊。未來我們希望可以增加針對更加多樣化的淋巴影像也能進行判斷是否有淋巴結存在。根據我們的實驗測試，來源影像幾乎能正確偵測出注射點的位置，而且對於注射點與淋巴結點相近的淋巴影像，也可以有效地找尋到淋巴結點的位置。較大的問題可能在於濾除並尋找淋巴結點的步驟，尤其是淋巴結點不明顯的影像，不明顯的淋巴結點很容易被當成是擴散藥物被濾除掉，這樣的因素很容易導致誤判。未來我們將針對淋巴結不明顯以及濾除後影像加入更多的判別來解決上述問題，讓結果可以更加精確。. 65.

(77) 參考文獻 [1]. Alex JC, Weaver DL, Fairbank JT, Rankin BS, Krag DN： Gamma-probe-guided lymph node localization in malignant melanoma. Surg. Oncol. 2：303–308, 1993 [2]. Krag DN, Weaver DL, Alex JC, Fairbank JT： Surgical resection and radiolocalization of the sentinel lymph node in breast cancer using a gamma probe. Surg. Oncol. 2：335–340, 1993 [3]. Giuliano AE, Kirgan DM, Guenther JM, Morton DL： Lymphatic mapping and sentinel lymphadenectomy for breast cancer. Ann. Surg. 220：391–401, 1994. [4]. Eshima D, Fauconnier T, Eshima L, Thornback JR： Radio-pharmaceution for lymphoscintigraphy： including dosimetry and radiation considerations. Semin. Nucl. Med. 30：25–32, 2000. [5]. Fisher B, Bauer M, Wickerham DL, Redmond CK, Fisher ER, Cruz AB, Foster R, Gardner B, Lerner H, Margolese R： Relation of number of positive axillary nodes to the prognosis of patients with primary breast cancer. An NSABP update. Cancer. 52：1551–1557, 1983 [6]. Motomura K, Noguchi A, Hashizume T, Hasegawa Y, Komoike Y Inaji H, Saida T, Koyama H： Usefulness of a solid-state gamma camera for sentinel node identification in patients with breast cancer. J. Surg. Oncol. 89：12–17, 2005. [7]. M.R.S. Keshtgar, W.A. Waddington, S.R. Lakhani, and P.J. Ell,. 66.

(78) “Imaging techniques. In： The Sentinel Node in Surgical Oncology. ” Springer, Berlin, 61–78 (1999). [8]. Ryohei Nakayama, Akiyoshi Hizukuri, Koji Yamamoto, Nobuo Nakako, Naoki Nagasawa, Kan Takeda, “Computer-Aided Detection Scheme for Sentinel Lymph Nodes in Lymphoscintigrams using Symmetrical Property Around Mapped Injection Point”, J Digit Imaging (2012) 25：148–154.. [9]. J. Duan and G. Qiu, “Fast Tone Mapping for High Dynamic Range Images,” ICPR. Proceedings of the 17th International Conference on Pattern Recognition, pp. 23-26, Aug. 2004. [10]. N. Otsu,“A threshold selection method from gray-level histograms”, IEEE Trans. on System, Man and Cybernetics, vol. SMC-9, no. 1, pp. 62-66, 1979. [11]. T. Ojala, M. Pietikäinen, and David Harwood, “A comparative study of texture measures with classification based on feature distributions,” Pattern Recognition, Vol. 29, No. 1, pp. 51-59, 1996. [12]. Bao-Shu Wu, “Content-Based Tone Mapping for High Dynamic Range Image”, Kaohsiung, Taiwan, Republic of China, Submitted to Department of Information Engineering, I-Shou University, July, 2013.. 67.

(79)