使用形態學與模糊邏輯方法由全身電腦斷層掃描影像分割出肺部組織並找出裂隙

全文

(1)國立高雄大學資訊工程學系(研究所) 碩士論文. 使用形態學與模糊邏輯方法由全身電腦斷層掃描影像分割出肺部組織並找出裂隙 Lung Segmentation and Fissure Identification from the Whole Body CT Scans Using Morphology and Fuzzy Logic Methods. 研究生：陳懋忠撰指導教授：殷堂凱博士. 中華民國一百年七月.

(2) 使用形態學與模糊邏輯方法由全身電腦斷層掃描影像分割出肺部組織並找出裂隙指導教授：殷堂凱博士（教授）國立高雄大學資訊工程所. 學生：陳懋忠國立高雄大學資訊工程所. 摘要. 利用 X 光技術完整顯現人體內部構造是令人驚奇的！如此，可以不需經過解剖來診斷人體是否患有疾病。由於電腦斷層掃描的圖片資料量是相當龐大，所以醫生常會靠電腦影像處理來輔助判讀。本論文主要研究為從各種不同病人的全身電腦斷層掃描資料先將全身影像分成頭、胸和腹部三群，再將胸部含有肺部組織的影像留下進而找出肺部裂隙。主要的方法是使用模糊邏輯推論(fuzzy logic)、多項式法(polynomial fit)與型態學中的邊緣偵測(edge detection)和邊界跟隨演算法(boundary following)並輔以經驗法則，來實現達成我們的目的。而模糊分類的整體正確性為且正確的，肺裂隙的平均均方差左肺為. ，肺部組織分離的結果是完整. ，右肺為. 。. 關鍵字：電腦斷層掃描、模糊推論、邊緣偵測、邊界跟隨，多項式回歸分析。. I.

(3) Lung Segmentation and Fissure Identification from the Whole Body CT Scans Using Morphology and Fuzzy Logic Methods Advisor(s): Dr. Tang-Kai Yin Institute of Computer Science and Information Engineering National University of Kaohsiung. Student: Mao-Chung Chen Institute of Computer Science and Information Engineering National University of Kaohsiung. ABSTRACT. It is amazing completely to show the internal structure of the human body by X-ray technology. Thus, by using we can diagnose whether the patient is sick. Doctors often rely on computer image processing to diagnosis because the number of the computed tomography scan is large. In this research, we firstly divide the whole body of the CT scans into three clusters: head, chest and abdomen. Next, we filter the images of the lung parenchyma of the chest and locate the lung fissures. The main approach is to use fuzzy logic inference, polynomial fit and the edge detection and boundary following of morphology and supplemented by experience rules to reach our goal. The overall fuzzy classification accuracy was. and the average standard deviation of lung fissures of left lung was. right lung was. .. Keywords: CT、Fuzzy logic、Edge detection、Boundary following、polynomial fit。 II. ,.

(4) Contents 摘要....................................................................................................................... I ABSTRACT ........................................................................................................II List of Figures.....................................................................................................V List of Tables....................................................................................................VII Chapter 1 緒論....................................................................................................1 1.1 醫學影像概述 ....................................................................................................................1 1.1.1 電腦斷層掃描影像 .........................................................................................1 1.1.2 DICOM 格式 ...................................................................................................2 1.2 研究動機 ............................................................................................................................3 1.3 論文架構 ............................................................................................................................3 . Chapter 2 文獻探討和相關方法 ........................................................................4 2.1 肺部影像處理相關文獻 ....................................................................................................4 2.2 模糊邏輯(Fuzzy logic).......................................................................................................5 2.3 取門檻值(Thresholding) .................................................................................................10 2.4 邊線偵測(Edge detection)...............................................................................................10 2.5 膨脹與侵蝕(Dilation and erosion) .................................................................................12 2.6 邊界跟隨演算法(Boundary following) ..........................................................................14 2.7 區域填充(Area filling) ....................................................................................................15 2.8 多項式回歸分析(Polynomial fitting) .............................................................................16 . Chapter 3 模糊邏輯分群、肺部組織分割和標出裂隙 .................................18 3.1 研究概述和工具 ..............................................................................................................18 3.2 前置處理 ..........................................................................................................................19 3.3 模糊推論分群 ..................................................................................................................20 III.

(5) 3.3.1 推論法則........................................................................................................20 3.3.2 成員歸屬函數 ...............................................................................................21 3.4 肺部成分萃取和排序 ......................................................................................................24 3.4.1 臨界值法........................................................................................................25 3.4.2 邊緣偵測........................................................................................................26 3.4.3 邊界跟隨演算法找邊 ...................................................................................28 3.4.4 區域填充取出肺組織 ....................................................................................29 3.4.5 影像排序........................................................................................................30 3.5 肺部裂隙標示 ..................................................................................................................32 3.5.1 肺部構造........................................................................................................32 3.5.2 欲解決的困難點 ...........................................................................................32 3.5.3 裂隙標示........................................................................................................34 . Chapter 4 實驗結果 .........................................................................................37 4.1 模糊邏輯分類實驗結果 ..................................................................................................37 4.2 肺組織分割結果 ..............................................................................................................38 4.3 裂隙標示結果 ..................................................................................................................41 4.4 實驗結論探討 ..................................................................................................................44 . Chapter 5 結論與未來研究 .............................................................................46 5.1 結論...................................................................................................................................46 5.2 未來研究 ..........................................................................................................................46 . 參考文獻.............................................................................................................48 . IV.

(6) List of Figures 圖 1.1：X 光儀器掃描圖解.....................................................................................1 圖 1.2：電腦斷層影像組成和體素解說.................................................................2 . 圖圖圖圖圖圖圖圖圖圖圖圖圖圖. 2.1：三角形歸屬函數.........................................................................................5 2.2：梯形歸屬函數.............................................................................................6 2.3：Sigma 歸屬函數 .........................................................................................6 2.4：模糊化.........................................................................................................8 2.5：單一值產生.................................................................................................8 2.6：裁切.............................................................................................................9 2.7：聚合.............................................................................................................9 2.8：門檻值 T 的選取圖 ..................................................................................10 2.9：a.遮罩運算方向，b.遮罩與所遮罩影像對應位置.................................12 2.10：“Prewitt＂遮罩迴旋運算示範 ...............................................................12 2.11：膨脹侵蝕作用.........................................................................................14 2.12：邊界跟隨演算的圖解 a.、b.、c.、d. ....................................................15 2.13：填充運算的處理圖解 a、b、c ..............................................................16 2.14：多項式回歸說明圖 http://en.wikipedia.org/wiki/Polynomial_regression ..........................................................................................................................17 . 圖 3.1：整體方法流程圖........................................................................................18 圖 3.2：人體寬度....................................................................................................19 圖 3.3：人體厚度....................................................................................................19 圖 3.4：肺組織像素量............................................................................................20 圖 3.5：的歸屬函數圖 .......................................................................................22 圖 3.6：的歸屬函數圖 .........................................................................................23 圖 3.7：的歸屬函數圖 ........................................................................................23 圖 3.8：模糊輸出的歸屬函數圖............................................................................24 圖 3.9：頭部胸部分群腹部分群......24 圖 3.10：肺部成分萃取流程..................................................................................25 圖 3.11：原始影像..................................................................................................25 圖 3.12：邊緣運算後的影像..................................................................................25 圖 3.13：Roberts、Prewitt、Sobel ........................................................................27 圖 3.14：A 點說明圖..............................................................................................28 圖 3.15：結合後的. .............................................................................................28 V.

(7) 圖 3.16：邊界演算過程圖......................................................................................28 圖 3.17：影像區域填充演示圖..............................................................................29 圖 3.18：圖解演算流程..........................................................................................31 圖 3.19：肺部影像 http://zh.wikipedia.org/wiki/File:Diagrama_de_los_pulmones.svg ................32 圖 3.20：含有肺裂隙的資料影像..........................................................................33 圖 3.21：肺部裂隙..................................................................................................33 圖 3.22：流程說明圖..............................................................................................34 圖 3.23：白線為初始肺裂隙..................................................................................34 圖 3.24：ROI 的區塊顯示......................................................................................35 圖 3.25：候選座標點..............................................................................................35 圖 3.26：Polynomial fitting 操作 ...........................................................................36 圖 3.27：模擬出的肺裂隙......................................................................................36 . 圖 4.1：肺組織的圖示之 1.....................................................................................38 圖 4.2：肺組織的圖示之 2.....................................................................................39 圖 4.3：肺組織的圖示之 3.....................................................................................40 圖 4.4：肺部裂隙的標示圖之 1.............................................................................41 圖 4.5：肺部裂隙的標示圖之 2.............................................................................42 圖 4.6：肺部裂隙的標示圖之 3.............................................................................43 . VI.

(8) List of Tables 表格 1 各組織相對 HU...........................................................................................2 表格 2：模糊推論分類的結果數據表..................................................................37 表格 3：模擬出的裂隙符合程度表......................................................................45 . VII.

(9) Chapter 1 緒論醫學影像的出現促使著醫療技術更加往前邁進，且能治癒的疾病是越來越多，世界的人口數目也隨之爆增。既然是要處理醫學相關的影像資料，實驗者本身也應具備相關的基礎知識，並於不理解時，詢問專業醫師。本章節由概略介紹電腦斷層掃瞄影像為開頭，進而敘述研究動機和論文架構組織。. 1.1 醫學影像概述 1.1.1 電腦斷層掃描影像 (Computed Tomography)也就是電腦斷層掃描影像，影像的形成是由 X 光掃描儀以 X 光圍繞照射人體，由偵測器(Detector)來收集穿透人體的 X 光衰減後的數值，如圖 1.1。. 掃描方向. X 光源. X 射線人體. 偵測器圖 1.1：X 光儀器掃描圖解 X 光源將會以次秒或秒的時間，從數百個角度由頭往腳的方向照射，並把資料存入記憶體內，接著以數學重建技術(mathematical reconstruction)處理這些資料成為重建單位的數據訊息。而這些訊息將會組成為完整的組織切片(tissue slice)中的小方塊單位的個別 X 光衰減值，也就是體積元素(volume element)。而在此的 X 光衰減值就是 CT 值，以 HU(Hounsfield unit，此名稱是以發明者名子所命名)為單位。不同的人體組織相對的 HU 也不相同，其數值範圍設定是. 共兩千的單位[4]。表(1)為各種組織 CT 值。. 1.

(10) 組織. 骨. 骼血. 表格 1 各組織相對 HU 液灰值白值水. 脂. 肪腦脊液空. 氣. 構造值域. +80…. +40…. +36…. +22…. 範圍. +1000. +95. +46. +32. 0. -20…. 0…. -100. +8. -1000. 最後來介紹影像的像素組成和厚度，之前所提到的體積元素又會以平面影像像素為代表來顯示成二維矩陣影像，現在的 X 光掃描儀目前都選擇. 那麼多的像素矩. 陣來重建影像，而影像厚度則有 1 到 10mm 作自由選取。因此當你選擇切片厚度為 4mm，且掃描直徑為 270mm 時，則如果資料矩陣是，像素大小則是. 2 影 X 像 2 矩陣. ，那體積元素就是. 了，如圖 1.2。. 像素. ←體素厚度. 圖 1.2：電腦斷層影像組成和體素解說. 1.1.2 DICOM 格式 (DICOM，Digital Imaging and Communications in Medicine)即一種醫療數位影像的傳輸協定，此協定總括了檔案格式的定義及網路通信協定，由於不同廠商的醫療影像儀器的規格都不同，所以彼此並不能相容，如此若不能溝通影像資料，那對於醫療應用上有莫大的不方便，因此可經由 DICOM 來當溝通者，以便接收或交換病人的資料或病灶影像。. 2.

(11) 1.2 研究動機每當朋友知道我目前的研究領域為何時，通常都會問說：『影像辨識不是醫生自己就可以分辨和知道哪裡出了問題嗎？』，的確，此問題也是我一開始的疑惑。在科技的進步上，其醫療硬體設備和醫療技術也是隨著日新月異，相對於醫學資料可以很容易儲存且大量。而電腦斷層掃描影像是醫生們常用來評斷受測者的身體有無癌症細胞或是其他疾病存在常用的醫學影像之一，其癌症細胞的判斷是依照此部位影像上的漢斯費爾單位(HU)，有否符合條件而定。通常每位受測者的電腦斷層掃描影像的張數，不是僅僅五、六張而已，有時高達上百張的圖片影像，甚至是照了數次的電腦斷層掃描，並且可能不只三、四位受測者的影像需要醫生們的判讀，有可能一天之內就有許多人的電腦斷層掃瞄影像急需做出完整的結論出來，使可能患有癌症的病人及早做出正確治療，以提高癌症患者的治癒機會，去除掉此種可怕疾病折磨與帶來的毀滅。也因為電腦斷層掃描影像的數量很多，醫生在一一分辨時是件非常耗時以及費力的一項工作。因為如此，所以我們主要的工作就是協助醫生，促使在對病人病情的診斷和時間上能更佳的精確和迅速。目前我們的主要處理的人體醫學影像部位是在胸腔的肺部，期望發展出一套有效的系統，先將全身影像分出肺部後，再將肺部 CT 影像肺葉的分割，並且標示出裂隙進而在經過肺葉正規化的轉換把病灶部位辨識出來。而我主要的研究則是處理肺葉影像的分割和標示肺部裂隙，以完成整個研究架構。. 1.3 論文架構本篇論文把所有內容共編列成五章，先以緒論為開頭，概略的描述醫學影像以及研究動機，第二章則介紹相關文獻探討和列舉出所有的研究技術演算法，並於第三章詳述如何的運用這些方法來完成我們的研究和使用工具，而最後的研究結果和數據都展現於第四章，最後以第五章談論未來研究的目標和改進方向來總結。. 3.

(12) Chapter 2 文獻探討和相關方法本章節將會敘述有關肺部醫學影像處理的各種方法文獻，隨後介紹本論文內所應用到的種種影像處理技術，讓本論文的方法較易閱讀了解。. 2.1 肺部影像處理相關文獻在影像處理方面，是先把全身病人電腦斷層掃瞄影像資料分類，而又由於模糊邏輯易於實作和運用，被廣泛使用在許多方向的研究上，像是機器學習上[2]或是各種判斷分析上[5]都有著不錯的結果，因此以模糊推論來進行分類。而影像的解析品質，也因近年來的儀器設備不斷的改進和基本硬體設備的精良，達到非常細緻的程度，使許多影像細節能清楚顯現，如此許多的醫學影像研究都是跟其腳步，採用高解析度的影像品質來分析處理肺部組織[24]，但是我們影像仍是低解析度的醫學影像，原因是醫生以人身體所能接受的輻射量為考量，雖然高解析度的電腦斷層掃瞄影像可以有很高的影像品質，卻也因輻射量也會較高，對人體健康會有著較多不穩定的因素存在，所以仍是以低輻射劑量的電腦影像為主，輔佐以其他資訊來判讀病灶所在位置。這使得相關論文的參考上會少很多，畢竟近十年的同領域研究都是高解析影像為主了。在分類出肺部電腦斷層影像後，就要分割出肺臟成分來處理，而方法以取門檻配合型態學 (morphological operation)[22]，(Computer-aided diagnosis)分析[6,23]或是結合解剖學、推論引擎以及影像處理規則[17]，另有分割出肺臟組織之後再對其邊緣進行重建[18]等等。當分出肺部影像後，接下來的程序就是將肺裂隙找出，在高解析度的裂隙找尋的相關論文有使用模糊邏輯結合肺部地圖[16]，或先(Otsu Tresholding)後再小波轉換[21]找出裂隙種種方法，不過由於影像解析高，所以主要是參考其作法為主，而與較符合我們影像品質的則只有處理的一篇以(Marching bar)來找出裂隙存在區域後再標示出裂隙的論文[14]。在裂隙尋找上，再以此裂隙為基礎來找出下個裂隙的 ROI(Region Of Interest)[13]，由於裂隙會有斷線的可能，大部分通常都以內插法[15]來銜接，不過 Polynomial fitting[10]也是有相同的效果。因此，通常常用的作法為在找出下一張肺裂隙可能存在的 ROI 之後，再以此區域進行裂隙的找尋。即使低解析度的相關參考文獻很少，不過仍可以從高解析度處理內容了解一些想法和作法並應用在自己的研究領域上，以期達到最好的研究結果出來。. 4.

(13) 2.2 模糊邏輯(Fuzzy logic) 模糊邏輯理論是對語意不清、定義含糊的命題進行推論的基礎，著重以模糊理論來描述現實上各種事物性質的等級，改進傳統二值邏輯的不足。而模糊集合其實是傳統集合的延伸，並且模糊值是將二值邏輯的結構模糊化而成，因此模糊是取具有無限點的『歸屬函數』來代表一個集合，與傳統集合則是以 0 和 1 來表示一個集合有所不同，但是傳統集合也是模糊集合的一種，屬於限定形式的模糊集合[1]。以下開始介紹模糊邏輯： z. 模糊集合要了解模糊邏輯就先要知道什麼是“模糊集合＂，模糊集合是定義每一元素對該集. 合的歸屬性，也就是對該集合的歸屬程度，由歸屬函數(Membership functions)來表示，並且其值域是在實軸閉區間. 之間，其意義就是一種程度上的象徵，不像傳統上那. 樣單純的區分成是或不是。 (2.1). 其中. 是模糊集合，. 為此集合的成員歸屬函數，且(x,. )為一有序對(Ordered. pair)。當全集合的元素為“有限個＂，那麼歸屬函數為離散函數；而全集合的元素為“無限個＂，那麼歸屬函數則為連續函數。模糊集合其成員歸屬函數的種類有很多，在此介紹最常用的三角形(Triangular)、梯形(Trapezoidal)以及(Sigma)三種。三角形(Triangular)：. I. 1. 0. a-b. a. a+c. 圖 2.1：三角形歸屬函數. 5.

(14) (2.2). II.. 梯形(Trapezoidal)： 1. 0. a-c. a. b a+d. 圖 2.2：梯形歸屬函數. (2.3). III.. (Sigma) 1. 0. a-b. a. 圖 2.3：Sigma 歸屬函數 (2.4). 以上是三種常用的歸屬函數，請選擇最適當的種類來進行你的模糊推論。再來是運算，模糊集合的運算也和傳統集合不太相同，以下列舉幾則模糊集合的運算：. 6.

(15) A.. 聯集(Union)也稱(OR). 考慮兩模糊集合和，其聯集運算符號為. 或是. OR. 。 (2.5). 對於所有的 B.. 交集(Intersection)也稱(AND). 考慮兩模糊集合和，其交集運算符號為. 或是. AND. 。 (2.6). 對於所有的 C.. 補集(Complement)也稱(NOT). 考慮模糊集合，其交集運算符號為或是 NOT. 。 (2.7). 對於所有的可以留意的是模糊運算中的聯集和交集，和傳統集合的不一樣，分別是取其集合中的最大值以及最小值的運算。在知道何謂模糊集合之後，就可以此來做模糊邏輯推論系統了。 z. 模糊邏輯系統建立模糊系統首先要先把欲解決的問題轉化成模糊推論，以模糊. 的. 形式來組成，並依照其五個設計步驟來完成。甲、. 推論規則(. ). 此規則是最可以解釋和代表整個問題的核心，也是所謂的蘊含(Implication)。其中每一個規則都以. (稱命題部)，. (稱推論部)的形式來構成，而輸入成員歸屬函數. 屬於命題部，輸出成員歸屬函數則屬於推論部[11]，規則形式如下所示： (規則 1)：. 7.

(16) OR. (規則 n)：其中 x 是待模糊化的明確值(Crisp value)，乙、. 和. 都是模糊集合，n 為整數。. 定理步驟(Principal steps). a、. (Fuzzy the inputs). 使用適合的輸入成員歸屬函數將每一個規則的純量輸入值(Scalar value)映射成之間的模糊值，圖 2.4。 1. 0.4 0. x 圖 2.4：模糊化 (Perform any required fuzzy logical operations). b、. 如果每一個規則命題部(即前項)是多個命題，則須依據彼此命題是 AND 或是 OR 來做相對的運算產生單一的模糊值，圖 2.5。 1. 1 AND. Single value is 0.2. 0.4. 0.2. 0. c、. x. 0. v. 圖 2.5：單一值產生 (Apply an inference method). 將每一規則命題部所得的單一模糊值與此規則輸出歸屬函數作 implication 動作，即是 AND 運算，是裁切掉大於模糊值的輸出歸屬函數，圖 2.6。. 8.

(17) 1. 輸入歸屬. 1. 1. 輸出歸屬. 裁切. 0.4 0. x. 0. 0 圖 2.6：裁切 (Apply an aggregation method to the fuzzy sets from. d、 step 3). 在每一個規則做完步驟 c 後，就要以 OR 運算將所有規則裁切後的輸出歸屬函數作聚合動作，合併成一完整集合，圖 2.7。 1. 規則 1 1 聚合. 0 1. 規則 2 0. 0. e、. 圖 2.7：聚合 (Defuzzify the final output fuzzy set). 最後，要從聚合後之集合“解模糊化＂得出明確且純量的值，其解模糊的方法有『重心法(Center of gravity)』、『面積法(Area)』、『高度法(Height)』和『最大值平均法(Midpoint of Maximum)』等等，在此列舉較常用的重心法方程式。. (2.8). 其中，是表使用重心法解出的值，函數，K 為在. 為最後所有規則相對應的輸出歸屬合併. 中所有可能的值的總個數。. 9.

(18) 以上即為模糊系統，而模糊邏輯是以程度上的不同來描述問題，不像是傳統上絕對的是與不是，一切依據彼此的差距關係，決定出適當的程度來代表，所以是較為貼近現實和更具有客觀性。. 2.3 取門檻值(Thresholding) 臨界值法是將“影像分割＂很實用的方法，在影像中的物體和背景如果相當分明的情況下，則可以由觀察其灰階值找出【門檻值 T】，如圖 2.8 中，可以很明顯看出有兩群灰階值，那就可以選取可以將其區分開來的灰階值當門檻。. T. 灰階值圖 2.8：門檻值 T 的選取圖得知門檻之後就可以依照此值門檻化。公式如下： (2.9). 是二維矩陣影像，點. 的灰階值；. 是門檻化後的影像資料。門檻值的取法. 不單只單一選擇，也有多種選取和多種分割以及 RENYI’S ENTROPY[20]，一切都由影像特質決定。. 2.4 邊線偵測(Edge detection) 邊緣偵測是找出影像中各物體輪廓的演算法，也是影像辨識中很重要的部分。由於在沒有邊線出現的區塊內，其灰階值的分佈幾乎是連續性的，而與邊線相連接的部分，就可以發現到這裡灰階值的連接是“非連續性＂，如此的特性就是邊線偵測的概念。為了要知道灰階是否為不連續性，就可以使用一階導數來得知灰階值的變化量。因此，要. 10.

(19) 判斷二維矩陣影像中的某一點. 是否為邊緣點，就看此點在. 的【梯度】(gradient)，. 其定義其為向量：. (2.10). 而向量是一有大小及方向的量，它的梯度向量指向. 在座標. 最大改變率的方向上，. 且此向量的大小，標示為， (2.11). 但是對於計算上的考量，此方程式並不是很適合用來計算，因為在平方完後還要開根號是有點麻煩的，因此通常直接以絕對值來相等轉換，如下： (2.12). 又由於影像的梯度是從每一個像素的位置來導函數，即和，所以又可用遮罩(mask) 執行迴旋運算(convolution)來實現，其方法如下：參考一個大小為. 二維矩陣資料影像以及. 的遮罩，然後對影像中每一像素. 執行迴旋運算動作，將此遮罩從此影像的最左上角開始往右移動，每次移動一個像素，直到此列最後一個像素，再由下一列的最左邊開始往右處理，以此類推，直到處理到最右下角的像素，如圖(.a)。而每一點所做的迴旋運算，如圖(.b)，其公式如下： (2.13). 其中. 為影像中任一點. 的遮罩後的響應值，. 遮罩的相對位置影像值。. 11. 為遮罩係數，. 為原影像被.

(20) 起始點. B5. 1. 5. 2. 7. 2. 3. 2. 2. 2. 5. 4. 2. 3. 8. 2. 2. 2. 4. 4. 2. 6. 2. 1. 3. B2 ×. ×. B1. ×. A1. A2. A3. ×. B3. B4. ×. A4. A5. A4 ×. B6. B7. ×. A7. A8. A9 ×. B9. ×. 灰階值. 移動方向. B8 a.. b.. 終止點. 圖 2.9：a.遮罩運算方向，b.遮罩與所遮罩影像對應位置當所用的遮罩係數不同，所執行後的結果也會不同，最後以“Prewitt＂. 的遮罩. 係數示範迴旋運算的處理情形，各處理垂直和水平方向，被遮罩所涵蓋住的單一像素點。. 2. 2. 2 2. 3. 1. 1. 1 4. 2. 2. 2. 2 2. 4. 1. 3. 2. 6. 2. -1. -1. -1. 0. 0. 0. 1. 1. 1. 2. 2. 2 3. 1. 1. 1. 4 2. 2. 2. 2. 2 4. 2. 6. 2. 1. 3. 0. 迴旋運算. 遮罩 2. 水平方向. -1. 0. 1. -1. 0. 1. -1. 0. 1. -3. 垂直方向. 圖 2.10：“Prewitt＂遮罩迴旋運算示範. 2.5 膨脹與侵蝕(Dilation and erosion) 這兩種方法較常使用在開放算子(Closing)和封閉算子(Opening)上；這兩算子都是由膨脹和侵蝕所合成，差別在於使用的順序與效果是不一樣的。開放算子是先做侵蝕動作再膨脹，封閉算子則是執行相反動作。假如對影像先是作膨脹後侵蝕，則鄰近的細碎點. 12.

(21) 會被併入新影像中，而較遠的離散點則會被後續的侵蝕動作給削成更小或是消失。至於開放算子則是會將兩區塊影像在彼此有些微連接的情況下，將這細瘦的連接給打斷，分離兩個影像區塊。這兩種運算子對於填充空隙和清除雜訊都有不錯的效果，不過要注意的是在侵蝕或是膨脹後，是比較無法還原成原來影像的。其運算式如下： z. (膨脹) (2.14). 即上下左右周圍有一點是 1 則輸出為 1。 z. (侵蝕) (2.15). 即上下左右周圍有一點是 0 則輸出為 0。此處為待處理的影像區塊集合，為結構化元素(Structuring element)，而號定義和. 為平移的運算子。而結構化運算子有快慢的差別，. 的速度比. 兩種，不同的效果為侵蝕或是膨脹的速度有. 還要迅速，下圖 2.11 為膨脹和侵蝕的範例圖示。. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 1. 0. 0. 1. 1. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 1. 0. 0. 1. 1. 1. 1. 1. 0. 0. 0. 1. 0. 0. 0. 0. 1. 1. 1. 0. 0. 1. 1. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 0. 1. 1. 1. 0. 1. 0. 膨脹侵蝕從左到右處理每列元素. 13.

(22) 圖 2.11：膨脹侵蝕作用. 2.6 邊界跟隨演算法(Boundary following) 邊界跟隨主要的功用為找出物體或區域的邊界，並且記錄這些邊界外形的座標點 [9]，以下來介紹其演算法的內容：其步驟共有五，假設有一影像資料是僅有環狀外形的資訊，如圖 2.12 之 a.。則找出最左邊和最上方其值為 1 的起始移動點，並設. 壹、. 左方的背景點為，然後從順時針檢查的八個鄰近點，圖 2.12 之 b.。並在找到第一個值為 1 的點為，而在找尋點順時針方向的前一個點為，圖 2.12 之 c.。記錄保存和座標當程式終止的指標。，. 。. 貳、. 設定. 參、. 將八個鄰近點的位置標示成. ，順. 時針的方向開始查找周圍八個鄰近點，第一個值為 1 的並記錄保存，比照圖 2.12 之 b.。肆、. 再讓. ，. 伍、. 持續重複步驟參和步驟肆，直到界點為為止，終止運作，如圖 2.12 之 d.。. 14. ，比照圖 2.12 之 c.。以及下一個邊.

(23) 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 1. 0. 0. 0. 1. 0. 0. 1. 0. 0. 1. 0. 0. 1. 0. 1. 0. 0. 0. 0. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 0. 0. 0. 1. 0. 0. 1. 0. 1. 0. 0. 0. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. a. b. 0. 0. 0. 0. 0. 0. 0. 0. S. 0. 0. 0. 0. 1. 1. 0. 0. 0. 1. P. 1. 0. 0. 1. 0. 0. 1. 0. 0. 1. 0. 0. 1. 0. 0. 0. 1. 0. 1. 0. 0. 0. 1. 0. 1. 0. 0. 0. 1. 1. 1. 0. 0. 0. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. c. d 圖 2.12：邊界跟隨演算的圖解 a.、b.、c.、d.. 2.7 區域填充(Area filling) 其演算法主要為膨脹、取補集和交集，可以把特定區域內的空白部分填滿。如圖中的 H 為一個影像資料集合，其方法為自『值為 1』內部的點 F 開始，用 1 把裡面值為零的區域填滿，則我們可先把 F 的值設為 1，接著用以下程序填滿整個值為零的空間： (2.16) 其中. ，圖 2.13 之 a，B 為結構元素，而且在. k 步時終止，圖，最後，將. 的時候，將演算法疊代到第. 和 H 聯集後則完成填充的動作，圖 2.13 之 b 與 H，完成填. 充，圖 2.13 之 c。. 15.

(24) 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 1. 0. 0. 1. F. 0. 1. 0. 0. 0. 1. 0. 1. 0. 0. 0. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 1. 0. 1. 1. 1. 0. 1. 0. B. H 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 1. 0. 0. 0. 1. 0. 0. 0. 0. 0. 1. 1. 0. 0. 0. 1. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. a. b. c. 圖 2.13：填充運算的處理圖解 a、b、c. 2.8 多項式回歸分析(Polynomial fitting) 此多項式回歸分析的主要目的是當有一組彼此有關聯的變數資料時，且希望能由另一變數來預期計算出相對的關係變數出來，如此就要使用多項式回歸分析建立彼此依存的方程式，也就是多項式回歸方程式來達成。其方程式的通式為： (2.17) 其中為以預測的回應量，為整數，代表函數的次方，為誤差值。如果我們以平面上有許多點來看，則多項式回歸方程式就會形成這些數據點最適配的曲線，如圖 2.14。. 16.

(25) 圖 2.14：多項式回歸說明圖 http://en.wikipedia.org/wiki/Polynomial_regression 而隨著多項式回歸方程式的次方逐步增加，則所形成的曲線也會越來越符合資料性質，因此，當你想要找出最能代表資料的曲線，則就須要選擇最適合的多項式次方的方程式。. 17.

(26) Chapter 3 模糊邏輯分群、肺部組織分割和標出裂隙二十世紀後，科技是一日千里，相對於醫學影像的品質也提高了很多，影像的厚度從 5mm 左右，一口氣降至 0.1mm 的程度。不過人體所要吸收的 X 光輻射量是很高的，因此醫生們仍是傾向使用解析度不高的電腦斷層掃描影像來研判病情。我們目前的研究主要是在人體的肺臟組織的低解析度 CT 圖，期望能發展出協助醫生診斷肺的醫學影像系統。. 3.1 研究概述和工具本研究的方法為使用模糊邏輯推論先將全身電腦斷層造影影像分成頭、胸與腹部三群，並把屬於胸部分類的影像從頭到腳排序，再以形態學完整去除肺組織以外的構造，最後以 polynomial fit 為主來標示出有裂隙的肺部影像。我們醫學影像的資料格式為 DICOM，工具軟體為 MATLAB，如此可以不去熟悉其格式架構直接讀入影像 HU 值，並稍加了解其內容就可以處理資料值。但是所抓取到的 HU 值都已經被內建函數正規化到零以上，在不清楚數值如何轉換的情況下，所以我們論文內所使用的 HU 值是和標準定義的有所不同，這樣也讓我在參考到其他文獻時比較難去整合，只能重新統計出最適合的數值來符合需求。以下為方法的整體流程圖：全身影像資料. 終止計算模糊輸入參數. 前置處理. 影像寬影像厚度肺組織像素. 模糊推論分三群. 胸部群組由上而下排序. 形態學標出左肺裂隙. 圖 3.1：整體方法流程圖. 18. 形態學標出右肺裂隙. 形態學分出肺組織.

(27) 3.2 前置處理前置處理的作用是求模糊邏輯的輸入參數，提供給模糊推論系統來決斷此橫切影像是屬於哪一個分類，進而從胸部所屬的分類中分離出肺部組織來做處理。模糊推論輸入參數共有三個，分別為影像中人體的寬(. )、厚度( )以及肺組織的總像素( )，其中. 為. 影像主體的寬度有多少個像素；為影像主體的厚度有多少個像素；是可能為肺細胞的像素總數，是目前全身切片的第張影像。此三變數的選擇是觀察決定哪些輸入變數是必須被觀察和量測後，再經過許多數據分析過的最精簡且又最能符合需求的項目，分述三變數如下： (1) 其單位為人體在影像中寬度的像素量，如圖 3.2 左到右直立白線之間的距離。. 圖 3.2：人體寬度 (2) 其單位為人體在影像中厚度的像素量，如圖 3.3 上到下橫條白線之間的距離。. 圖 3.3：人體厚度 (3). 19.

(28) 其單位是可能為肺細胞的像素量，如圖 3.4，矩形區塊內符合肺組織 HU 值的像素量。其方法為由上下左右夾擠，找出四個方向的最高點點所框出的矩形內符合的像素值總數。當. ＜. 或是. 、＜. 、. 和. ，計算出此四. 時，則將設定為零，表示. 並無肺部組織像素，因為肺部的區塊是連續且沒有破碎的組成，因此假使此橫切影像中含有肺部組織則可以定位出此四點。. 圖 3.4：肺組織像素量. (3.1). , 是矩形區塊的兩邊長，. 是符合肺部像素的二維矩陣 HU 值。最後則將運算. 得出的參數傳遞給模糊推論系統，判斷此橫切影像所屬的分類。. 3.3 模糊推論分群此節開始以模糊邏輯來區分出整體電腦斷層造影圖片為三群，分別是頭部(Head)、胸部(Chest)以及腹部(Abdomen)三部分。而區分的準則為有含肺部成分的所有影像則為胸腔部分，不包含肺臟組織且在其上方的則為頭顱部分；在其下方的為腹部區域。在經由主動的篩選後，可以不用人工作業去挑出我們要分析的肺部醫學影像，直接地由胸部分群裡將含有肺細胞的區域分離出來並執行後續動作。模糊邏輯是易於理解和執行的，當推論法則和成員歸屬函數擬定之後，就可以施行模糊五個規則化步驟完成推論。現在依序介紹我們的法則和各項歸屬函數：. 3.3.1 推論法則. 20.

(29) 以 Fuzzy IF-THEN rules 形式表現。規則 1： IF. is short AND. is narrow AND. is less，THEN class is Head。. 規則 2： IF. is long AND. is middle AND. is many，THEN class is Chest。. 規則 3： IF. is long AND. is wide AND. is less ，THEN class is Abdomen。. 由於人身體的頭部區域的影像通常其寬與厚度相對於人體其他部位是較短且稍窄，無肺部成分，因此規則(1)的推論法則為：當此未分辨的圖像其『寬為較短』且『厚度較窄』以及『肺部成分未達標準』，則判定此影像為頭部所屬成員。而肺部部分則是寬與厚度都相對較長且厚實，如此規則(2)的推論為：當此影像圖的『寬較長』和『厚度較厚』以及『肺部成分達標準』，則評判為胸部成員。至於腹部雖然其寬與厚度都與胸部大致相似，但重要的是肺部成分卻是相當少的，如此規則(3)的推論規則為：待分析的影像，當其『寬較長』和『厚度較厚』以及『肺部成分《未》達標準』，則為腹部之分群。. 3.3.2 成員歸屬函數模糊歸屬函數分成推論法則的前項，也就是命題的輸入變數歸屬以及法則後項推論的輸出變數歸屬。歸屬函數則使用三角形、sigma 與不規則四邊形的選擇，至於模糊空間區域的劃分則傾向專家知識，採取許多模擬和實驗來完成，以下的參數選擇是取八位病人醫學影像資料的所有統計出來的數據，取其最普遍和適合的數字來代表，以便適用於所有的各種病人類型。 (歸屬函數). 此處的 k 為待模糊化的明確數值。模糊輸入變數(. )的成歸屬員函數及圖：. 單位：含有多少個像素(Pixels)。. 21.

(30) 1 0 ≤ k < 200 ⎧ ⎪ μ short (k ) = ⎨1 − (k − 200 ) / 75 200 ≤ k ≤ 270 ⎪ otherwise 0 ⎩. (3.2). ⎧1 − (305 − k ) / 45 ⎪ μ long (k ) = ⎨ 1 ⎪ 0 ⎩. (3.3). 和. 圖 3.5：. 260 ≤ k < 305 k ≥ 305 otherwise. 的歸屬函數圖. 模糊輸入變數( )的成歸屬員函數及圖：單位：含有多少個像素(Pixels)。. 1 0 ≤ k < 140 ⎧ ⎪ μ narrow (k ) = ⎨1 − (k − 140 ) / 15 140 ≤ k ≤ 155 ⎪ 0 otherwise ⎩. (3.4). ⎧1 − (160 − k ) / 10 150 ≤ k < 160 ⎪ μ middle (k ) = ⎨1 − ( k − 160) / 35 160 ≤ k ≤ 195 ⎪ 0 otherwise ⎩. (3.5). 和. 和. 22.

(31) ⎧1 − (190 − k ) / 20 170 ≤ k < 190 ⎪ 1 μ wide (k ) = ⎨ k ≥ 190 ⎪ 0 otherwise ⎩. (3.6). 圖 3.6：的歸屬函數圖模糊輸入變數( )的成歸屬員函數及圖：單位：含有多少可能為肺部組織的像素總數(Pixels)。. 1 0 ≤ k < 8000 ⎧ ⎪ μless (k ) = ⎨1 − (k − 8000) / 6000 8000 ≤ k ≤ 14000 ⎪ 0 otherwise ⎩. (3.7). ⎧1 − (14500− k) / 4500 1000≤ k < 14500 ⎪ 1 μmany(k ) = ⎨ k ≥ 14500 ⎪ 0 otherwise ⎩. (3.8). 和. less. many. 圖 3.7：的歸屬函數圖. 23.

(32) 模糊輸出變數的成歸屬員函數圖：. 圖 3.8：模糊輸出的歸屬函數圖最後，在經過模糊法則推論後的輸出仍是模糊集合，所以要將其轉變成一個明確數值，在此所選用的是較普遍的“重心法＂來解模糊化，取其容易實作的特性，並且也有很不錯的效果。下面顯示幾張所分出頭、胸和腹部的醫學橫切影像圖。. 圖 3.9：頭部. 胸部分群. 腹部分群. 3.4 肺部成分萃取和排序如果想要更容易和精確的分析肺的病灶和位置，那麼將其他不相關的影像細節移除是必須的。在分出含有肺的胸部分類後，就可以來運用型態學的各種數位影像處理方法來達成我們需要的效果，而物體辨識中尤其重要的就是“邊緣偵測＂技巧了；以人類視覺角度來看，如要了解所看到的物體為何，就是要知其形狀然後判斷，相對於影像處理也是。. 24.

(33) 本論文的數位影像處理是採用空間域的直接處理，先對圖檔取門檻值在進行邊線偵測，隨後以“邊界跟隨演算法＂求出主要邊緣，最後再以此邊框挖取出肺部成分，去除其他不需要的影像，並將影像資料進行排序以利後面階段的執行。其過程如下圖所示：. 胸部影像資料. ≦T 之影像. 門檻值(T)化. ＞T 之影像. 邊線偵測. 填充挖取. 肺組織. 邊界跟隨. 排序. 圖 3.10：肺部成分萃取流程. 3.4.1 臨界值法取門檻值最主要的功用是將“影像分割＂，經由此動作之後可以較能把背景和主要目標景物區分開來，保留我們真正感興趣的影像。現在我們來看一張原始的橫切電腦斷層掃描資料，如圖 3.11。. 圖 3.11：原始影像. 圖 3.12：邊緣運算後的影像從此影像觀察應該可以隱約看出除了人體外，四周仍有像是衣服或者覆蓋物之類的其他物品。如果直接想要單單只使用邊緣偵測就要將主要的邊線找出是不容易的。圖 3.12 是經過邊緣化後得到的影像，可以看出附近是還有其他不是人體邊緣的線條，為了避免. 25.

(34) 選取到錯誤的主要邊緣，在此就需要取門檻值除掉雜質邊線，讓我們的主要人體線條更加明顯，並在之後來邊緣偵測就可以得到我們想要的目地邊線。門檻值化通常是將物體和背景的灰階值直接二值化，顯現出物體的值為一，背景的值為零，在此我將會利用此兩種值來做兩種用途，門檻值 T 的選擇為“-374＂。 (3.9). 是原始電腦斷層掃描影像，點 I.. 的 HU 值；. 是門檻化後的影像資料。. 以值為一當遮罩，將被遮罩的原始影像值保留，作用為：取得身體邊緣。使不必要的邊線消除和顯現人體外形；尤其是人體上方的雜質邊線，避免此資料影像做邊線偵測後，進行邊界跟隨處理時，找到錯誤的起始點資訊。 (3.10). 是原始影像中和. 值為一的座標，相同位置的原始影像資料值。. II.. 以值為零當遮罩，將被遮罩的原始影像值保留，作用為：取得肺部成分。此項資料會與最後求出的人體邊界相互結合，得到僅僅含有肺部的像素影像。 (3.11). 是原始影像中和. 值為零的座標，相同位置的原始影像資料值。. 3.4.2 邊緣偵測相信這是最基本且最為大家所熟知的方法，找出物體的外形在空間影像處理方面是很重要的，如此才可知此影像為何以及該做哪些動作。常見的邊緣運算的遮罩(mask)有 “Sobel＂、“Prewitt＂和“Roberts＂諸多類型。且遮罩的組成有方形、矩形和圓形；維度則有. 、. 和. 等等，不過以方形和. 使用的，上述 3 遮罩類型其係數如下，圖 3.13。. 26. 的遮罩容易執行的特性是較為廣泛.

(35) 圖 3.13：Roberts、Prewitt、Sobel 以上的各遮罩效果是以“Sobel＂所顯現的邊界較佳，也就是銳利度較高，不過仍取決於需求的方向，而我則需要人體輪廓的清楚顯現且連接良好，才能順利的以邊界跟隨操作得到完整且唯一的邊線，取出我們要分析的肺部區塊影像。作完門檻值化後，不必要的邊緣就不會在測邊後出現，因此取. 作邊線偵測運算。 (3.12). 是經過測邊後的影像資料， . ：以“Sobel＂為面罩的邊緣運算方程式。邊線取得的改良. 雖然以“Sobel＂作邊界偵測的銳利度很高，但是仍有機會出現邊界資訊不連接的情況，那將會使得邊界跟隨演算過程中找到不完整的邊線，使得肺部組織不能全部求得，。因此，為了改善這個問題，就要另外使用需較多步驟和運算的方法，像是以(Local mask) 和(Global mask)的求邊界方法[19]，來輔助得出連續性的人體外形，不過其計算量和空間使用上有點大量。因此，在此是使用膨脹或侵蝕運算，其演算法如下：當發現有不連續的情況發生，則 A.. 將成為. 影像二值化. ，以便作侵蝕動作。. 如圖 3.14. (3.13). 是門檻值化後點. 的值。 27.

(36) 圖 3.14：A 點說明圖 B.. 對. 侵蝕處理成. 。 (3.14). 此處的. 是方程式(2.15)侵蝕方程式。藉由侵蝕的特性，. 四周將會減少一個像. 素點，而這些減少的各像素剛好形成完整又連續的邊，也正是我們原先不連續的邊線，此舉等於是將有斷掉的邊緣部分接續起來。 C.. 最後，將就是具有完整的邊線資料圖. 值為 1 和. 值為 0 的座標找出，. 。 (3.15). 圖 3.15：結合後的如此就可以使得主要的人體邊界不間斷，形成完整的邊線。. 3.4.3 邊界跟隨演算法找邊此演算法在邊界分明情況下，在找出我們想要的邊是很有功效的。由上圖 3.15 來觀察，如果只想要留下身體的影像並把像是平台或是不相關的物體移除，就不需刻意的去處置那個礙眼的平台；因為經過門檻化後，可以看見軀體是位於影像最上方且周圍沒有其他邊線資訊，這樣可求得正確的邊界起始點，取出人體的邊線資料。. 圖 3.16：邊界演算過程圖由圖 3.16 白色起始點開始往箭頭方向尋找直至結束，則可留下身體影像邊緣。. 28.

(37) (3.16). 是. 作邊界跟隨演算後，身體邊線的影像資料值，. 是邊界跟隨方程式。. 邊界跟隨演算法可以找出某單一物體影像邊界，如此就可以獨立出此物體，也改變了之前學長以膨脹和侵蝕來去除周圍物體的方法[3]，多次的膨脹和侵蝕運算是比較耗費執行時間，也比較不清楚要執行幾次才能將不要的物體清除，所得出的外型也比較不完整，這是比較不理想的地方。而在後面的肺裂隙處理上，將會把左右肺分離出來各別執行，使邊界判定上和分析更加容易。. 3.4.4 區域填充取出肺組織人體外形資料取得後，則可以用此邊線框出肺部成分像素，作法為使用區域填充來把內部填滿，在和只留下符合肺細胞 HU 值的影像作比對，挖取出肺部組織的影像資料。不過由於此方法也是“迴旋運算＂的一種，所以執行時間也會增加。既然主要邊線已經確定則也可大約的比對挖取肺部，節省時間。 (3.17). 圖 3.17：影像區域填充演示圖. 29.

(38) 在此是第張原始影像的肺部資料，. 是區域填充方程式(2.16)。如此，就可以. 取出全身的肺部區域的醫學影像，進行標出裂隙。. 3.4.5 影像排序以 MATLAB 雖可以直接的讀取影像二為矩陣資料，但是每一張電腦斷層掃瞄影像資料的順序是沒有從頭到腳，由上而下的排放，由於在顯示出肺部裂隙的處理上，我們是依照影像彼此的資料相關連續性為基礎，有順序的進行標示裂隙的動作。如此就需要分辨其檔名(其檔名規則，由大到小錯置排列)進而重新排序，以此關係為資訊來使裂隙位置標示出來。最後，完整的以圖形流程來看所有演算過程，請對照起始流程圖(頁碼 12)，如下圖 3.18。. 30.

(39) 比對. 圖 3.18：圖解演算流程 31.

(40) 3.5 肺部裂隙標示肺部醫學影像分析中，如能清楚了解病灶位置，那對於病情上的治療和手術操作上的施行有莫大的幫助，本節先由肺部構造概略介紹開始至詳述裂隙找尋的方法。. 3.5.1 肺部構造人的肺部位於胸腔內，共有五片肺葉(lobe)，其中三片肺葉組成右邊而左邊由另兩片構成，如圖 3.19。由圖可以看出右邊的肺葉是由橫向(transverse fissure)和傾斜(oblique fissure)兩條裂隙分割成三肺葉；左邊肺葉則是斜向裂隙切割成兩肺葉[12]。因為我們處理的資料影像是橫向電腦斷層掃描圖檔，因此橫向裂隙是幾乎看不出來，所以在此找尋的是斜向裂隙。. 裂隙圖 3.19：肺部影像 http://zh.wikipedia.org/wiki/File:Diagrama_de_los_pulmones.svg. 3.5.2 欲解決的困難點影像處理中解析度是很重要的關鍵因素，當圖像解析度越能顯示出影像資料訊息，就能正確容易的做處理；但當解析度不足時候，甚至是低到無法把主要的影像資訊表現出來時，那將會是很困難去做處理的。電腦分析影像並不像人眼看物體那樣，可以全方. 32.

(41) 位的分析影像，至今的影像處理還是不能像人眼一樣的辨識物體。那我們先看一幅含有肺裂隙影像的資料值，圖 3.20。. 圖 3.20：含有肺裂隙的資料影像你能由 HU 值的變化知道裂隙是在哪嗎？因此單從 HU 值來辨認出裂隙出來是很困難的。並由於解析度太低，因此有嚐試以影像強化技巧來使得裂隙較為清楚，像是(ridge map)處理或(Supervised Enhancement Filters)技巧[8]和在暗處能使人臉細節顯現的直方圖匹配[7]，不過效果並沒有多大的改變，因此在肺裂隙標示中是直接原值來分析。另外在影像中的裂隙並非是一條單一像素的曲線，而是可能寬是由數個像素所組成的線條，如圖 3.21。如此，在“解析度不高＂、“單憑值判斷＂以及如何用“單一像素的曲線＂來標示出肺裂隙是我們需要突破的問題。. 圖 3.21：肺部裂隙. 33.

(42) 3.5.3 裂隙標示在裂隙尋找上，方法是先分開兩個肺葉來各別處理，並先手動找出起始裂隙後，再以此裂隙為基礎來找出下個裂隙的 ROI，一開始需人工選出起始裂隙的原因是每一個人的肺部構造大小皆不同以及肺裂隙的起始位置也不同，因此難以去自動又正確的找出起始裂隙所作的動作。因此，在找出下一張肺裂隙可能存在的 ROI 之後，從此張資料影像選出後選點，再以 Polynomial fitting 來模擬出可能的裂隙曲線。以下為其流程說明：. 手動標示出起始肺裂隙. 獨立出兩肺葉. 以此裂隙找出下一張影像 ROI. 由 ROI 挑出後選裂隙點. 否終止. 是. 完成?. 執行 Polynomial fitting 求出裂隙. 圖 3.22：流程說明圖步驟如下：一、. 由獨立出的肺葉資料標示出起始肺裂隙，. 圖 3.23：白線為初始肺裂隙二、以此. 為基礎找出下一張裂隙的可能區域. ，此的區域選擇為：以. 的線段往. 上延伸 10 個像素點或是當遇到另一臨界值像素時停止。此選擇條件的因素為裂隙上的空間不會有其他肺葉或血管組織的存在和裂隙可能出現的空間，圖 3.24。為第 i 張影像資料 ROI。 (ROI 選取). 34.

(43) 以. 此曲線資訊為基礎往上移動且使用多項式回歸一次方係數來往左和右邊延. 伸至肺部邊界，並直到滿足以下兩條件之其一時後停止： 1.. 當往上移動的. 的延伸曲線內的某一像素 HU 高於. 時停止，並選取不. 包含此線條的所有符合區域為 ROI。 2.. 以. 此線段資訊往上搜尋至多. 次。. 以此方式所找出的區域即為肺裂隙可能的所在影像區塊。. 圖 3.24：ROI 的區塊顯示三、. 再從此內的每行像素找出符合裂隙 HU 值的所有候選點座標，其中、和皆為二維矩陣影像資料。. (候選點的選取) 找出前後的起始和終止點，而此兩點是選取. 兩邊端點往上找三像素中有最高單. 位值，並從兩端點中的每一行的所有像素點中選出第四高的 HU 值像素當候選點。. 圖 3.25：候選座標點四、. 將此內的候選點像素以 Polynomial fitting 模擬出肺裂隙的曲線。. 35.

(44) 圖 3.26：Polynomial fitting 操作五、. 再以此的線段當下一張影像尋找. 的基礎線段，持續重複步驟二、三和四. 直到所有裂隙找尋完畢。. 圖 3.27：模擬出的肺裂隙以上為裂隙標示步驟，以此方法模擬出較能表示的裂隙曲線出來。. 36.

(45) Chapter 4 實驗結果本論文所使用研究的電腦斷層造影資料是由成大醫院所提供，取用共八位病人的資料集並且再選取由頭到腹部總數為三百張的電腦斷層造影圖來實作，影像厚度為將近，先將影像分出三群，再把肺的部分分離出來，最後標示出裂隙。. 4.1 模糊邏輯分類實驗結果我們先以模糊推論將全身人體電腦斷層掃瞄影像分成頭、胸以及腹部三群，並取出胸部的分群來做肺部的處理，因此來看胸部分出的結果，如表 2 數據。表格 2：模糊推論分類的結果數據表病人編號. 錯誤的張數. 胸部影像總張數. 正確性. 病人 1. 2. 84. 97.6%. 病人 2. 3. 83. 96.3%. 病人 3. 3. 90. 96.6%. 病人 4. 2. 81. 97.5%. 病人 5. 4. 85. 95.2%. 病人 6. 3. 82. 96.3%. 病人 7. 3. 84. 96.4%. 病人 8. 4. 86. 95.3%. 37.

(46) 4.2 肺組織分割結果此節將列出在胸部電腦斷層掃描影像資料所分出的肺部組織的影像，通常此部分的切片張數約為八十多張至九十多張，由於數量過多，因此將以部份量來圖示其結果。如下：. 1. 5. 2. 6. 3. 7. 4. 8. 圖 4.1：肺組織的圖示之 1. 38.

(47) 1. 5. 2. 6. 3. 7. 4. 8. 圖 4.2：肺組織的圖示之 2. 39.

(48) 1. 5. 2. 6. 3. 7. 4. 8. 圖 4.3：肺組織的圖示之 3 此三圖是以其中一資料影像來圖示解說由胸部分群所分割出的肺組織影像的結果，且由於圖片資料張數太多，因此採取間隔抽取來圖示肺組織的影像，以了解以邊界跟隨演算法所挖取的肺部和去除其他無關物質影像的結果和成效如何。. 40.

(49) 4.3 裂隙標示結果肺裂隙的標識結果於此章節來圖示，肺裂隙的顯現並沒有在每一張影像切片中出現，一切視每個人的身體構造而定，並且每一個人體的肺裂隙顯現位置都是不盡相同，而我是以單一像素的線條來標示出肺裂隙的概約部位，結果如下：白色線為標示的裂隙. 箭頭所指為原裂隙. 標示. 原圖. 標示. 原圖. 標示. 原圖. 標示. 原圖. 圖 4.4：肺部裂隙的標示圖之 1. 41.

(50) 白色線為標示的裂隙. 箭頭所指為原裂隙. 標示. 原圖. 標示. 原圖. 標示. 原圖. 標示. 原圖. 圖 4.5：肺部裂隙的標示圖之 2. 42.

(51) 白色線為標示的裂隙. 箭頭所指為原裂隙. 標示. 原圖. 標示. 原圖. 標示. 原圖. 標示. 原圖. 圖 4.6：肺部裂隙的標示圖之 3 上面三部分圖示為所有裂隙都不分顯示圖，先選出裂隙可能存在的區域後，再以多項式分析來模擬出肺裂隙，並標示於其上。. 43.

(52) 4.4 實驗結論探討模糊邏輯分類結果探討. 1.. 由數據來看以模糊邏輯推論來分類的效果是不錯的，而分類錯誤的影像張數並不在有肺裂隙存在的影像切片上，而是都分布在胸部分類的初始部分和末端部分，也就是靠近頭部地帶以及靠近腹部分群的交接處，而接下來由肺部上半部一直往下半部的電腦斷層掃瞄切片的分類影像是連續且正確的，因此在肺裂隙的標示判別和相關動作是完全不會受影響，所以如此得以在後續上得以用彼此的連續關係來做處理。也可以由此得知已模糊推論來分辨影像部位是有用的，並且也可由此再去辨別出其他內臟器官的位置，使得應用上更加廣泛和實用。挖取肺部影像結果探討. 2.. 此方法的應用可以使我們不去考量到要如何去清除掉像是醫療平台或是周圍並不相關的物體影像，因為在找到人體主要影像邊緣後就可以直接的由此邊緣取出人體的組織影像，並執行後續的研究動作，而我們在此關注的只有肺部組織的部分，進而將其分離出來並找出裂隙。由上面圖示結果可看出肺細胞影像組織是有完全的被分離出來並且外型完整，而使用先取門檻在做邊界跟隨運算求出其邊的方法是有效的，並且可以繼續利用邊界跟隨更深入的把左肺葉和右肺葉再次獨立出來，如此可以使標裂隙的種種判斷，像是邊界的位置的定位等等，更加容易和操作，。 3.. 裂隙標示結果探討在肺裂隙的標示上其效果則是並不顯著，由於低解析度的肺裂隙並不是僅由單一像. 素的線條所組成，而是以帶狀和連續性的值差所構成，且用肉眼由影像圖來看也是模糊不清的，但是人類大腦會協助眼睛辨識具有連續性的事物，如此仍是可以大約看出裂隙所在的分部推測出其位置，因而如何以單一像素曲線準確的定位出肺裂隙的所在是有點困難的，因此在裂隙的標示上和評定其結果成效是比較無法以直觀上來判定，在此是使用手動來描繪出肺裂隙，並以此肺裂隙和以我們演算法找出的來做均方根差，以此來了解模擬的正確性到何種程度。. 44.

(53) 均方差的計算是等量間隔從病人的電腦斷層肺部掃描影像取出十張切片來做評估，而影像每一像素在實際上彼此的距離為. ，以下圖表是左肺和右肺求取均方差計. 算的結果：部分. 表格 3：均方差表最小均方差最大均方差. 平均均方差. 右肺左肺. 由於右肺的肺裂隙曲度較大，因此很難完全的模擬出較符合的肺裂隙，而左肺是斜率變動不大而所得結果較能符合實際肺裂隙。至於在裂隙的加強上也有使用過許多方法，但是效果都不是很令人滿意，探究其主要的原因為肺裂隙的 HU 值和周圍鄰近的組織是即為相近的，程度上很難去個別分離出來。另外的一個原因是肺裂隙在每張的影像資料上並不一定全是較明亮的像素所組成，而是由一片連續叫灰暗的地帶所形成，不像是高解析度的影像如此的分明可見，也因如此使得肺裂隙的標示處理上並沒有很明顯的效果。不過仍是盡量去找出較符合代表裂隙的模擬曲線，將五個肺葉大致上的給區分出來。. 45.

(54) Chapter 5 結論與未來研究 5.1 結論本論文主要發展簡單快速且精確的方法來協助醫生們的診斷，而由於現實生活有許多事物的性質是難以用二值邏輯來加以描述的，多有著模糊層面，且加上模糊邏輯容易運用，常常可適用於非線性或是系統不完全的地方上，並且有著顯著的效果存在，所以使用此套推論法則來概略區分人體電腦斷層造影圖像，並於其後由邊界跟隨演算法為主來萃取出只含有肺部的成分並把其他無關的物體影像資訊去除，隨後將只剩下肺組織的影像以 Polynomial fitting 根據前後的關係模擬標示出肺裂隙來，期望能達到輔助醫生於醫學上的各種病灶診斷以及醫療處理。. 5.2 貢獻本論文主要的貢獻為當在讀入所有病人的全身電腦斷層掃描影像資料後，可以自動的分類出頭、胸以及腹部，如此不需要再以人工方式做處理，畢竟每個人的醫學影像是很多張數的，手動分類將會耗費相當大量的時間，因此在自動分類後就可以針對待診斷和處理的部位做集中性的研究，省下許多的時間。而目前我們研究部位位於肺部，所以輔以自動分離出肺組織便於之後的各種肺病灶判讀，更加使診斷精確與操作容易。. 5.3 未來研究最後期望在未來的時間內能坐以下三項改善： 1.. 自動找尋出使肺裂隙為了使系統完全自動化的處理，而不再需要在某些執行點上由人工方式進行，使其. 更能有效率和方便。. 46.

(55) 2.. 更精確的標示出肺裂隙目前我們使用的方法仍然不能很精確的把肺裂隙給標示出來，如果能更準確的將裂隙指出，那麼在對於病灶位置上的判定將會更佳的明確清楚，治療上也會將有著良好的功效。. 3.. 其他方向的身體器官的影像處理或辨識期望也能朝向其他的身體內臟或組織的影像處理研究，發展出相關系統輔助醫療上. 的診斷和判讀。. 47.

(56) 參考文獻 [1] 王進德、蕭大全，2002，類神經網路與模糊控制理論入門，台北市：全華。 [2] 郭忠義、歐元正，2009，以演化模糊系統建置足球代理人，臺北科技大學電資碩士論文。 [3] 蔡岳洋、殷堂凱、邱南津，2009，“Automatically Generate a Simplified Chest Atlas from the Chest Computed Tomography Using Morphology, Image Segmentation and K-means,”，第二十二屆電腦視覺、圖學與影像處理研討會(CVGIP2009)，溪頭。 [4] 鄭慶明，2001，實用影像診斷學，台北市：俊傑。 [5] 羅兆呈、楊珮菁、黃道政、蔣榮先，利用模糊推論分析人體動能感知於健康體適能，第 17 屆模糊理論及其應用研討會， 2009. [6] C. Lei, X. Li, Z. Jie, and W. Chen, “Automated Lung Segmentation Algorithm for CAD System of Thoracic CT,” Journal of Medical Colleges of PLA, 23, pp. 215–222, May 2008. [7] D. Huang, C. Lin, C. Chen, and M. Chen, “Face Recognition Based on Discriminating Features by Histogram Matching Method,” 第 17 屆模糊理論及其應用研討會， pp.1033-1038, August 2009. [8] E. M. van Rikxoort*, B. V. Ginneken, M. Klik, and M. Prokop, “Supervised Enhancement Filters: Application to Fissure Detection in Chest CT Scans,” IEEE Transactions on Medical Imaging, vol. 27, no. 1, pp. 1-10, January 2008. [9] R. C. Gonzalez and R. E. Woods, Digital Image Processing, Third Edition. 2008,台北市: 培生。 [10]G. Zhang, X. Zhang, H. Zhao, and P. Yan, “A Semi-automatic Extraaction Algorithm of. 48.

(57) Lung Lobar Fissures from HRCT Images Using Ridgelet,” International Conference on BioMedical Engineering and Informatics, pp.850-854, 2008. [11] T.T.Huang and P.C. Huang, “The Application of Fuzzy Inference System on Choosing Cram School,” 第 17 屆模糊理論及其應用研討會， pp.1022-1066, August 2009. [12]J. Weir and P. H. Abrahams，2005，圖解人體解剖影像學，合記圖書出版社。 [13]J. Wang, M. Betke, and J. P. Ko, “Pulmonary Fissure Segmentation on CT,” IEEE Transactions on Medical Imaging, pp.531-547, June 2006. [14]J. Wang, M. Betke, and J. P. Ko, “Segmentation of Pulmonary Fissures on Diagnostic CT Preliminary Experience,” IEEE Transactions on Medical Imaging, January 2003. [15]L. Tseng and L. Huang, “Automatic Fissure Detection in CT Images Based on the Genetic Algorithm,” Proceedings of the Ninth International Conference on Machine Learning and Cybernetics, Qingdao, pp.11-14, July 2010. [16]Li Zhang, Eric A. Hoffman, and Joseph M. Reinhardt*, “Atlas-Driven Lung Lobe Segmentation in Volumetric X-Ray CT Images,” IEEE Transactions on Medical Imaging, vol. 25, no. 1, January 2006. [17]M.S. Brown, M.F. McNitt-Gray, N.J. Mankovich, J.G. Goldin, J.Hiller, L.S. Wilson, and D.R. Aberle, “Method for Segmenting Chest CT Image Data Using an Anatomical Model: Preliminary Results,” IEEE Transactions on Medical Imaging, vol. 16, no. 6, pp.828-839, December 1997. [18]M. Antonelli, B. Lazzerini, and F. Marcelloni, “Segmentation and Reconstruction of the Lung Volume in CT Images,” ACM Symposium on Applied Computing, pp.255-259, March 2005. [19]M. B. Ahmad and T. Choi, “Local Threshold and Boolean Based Edge Detection,” IEEE Transactions on Consumer Electronics, vol.45, no. 3, August 1999. [20]P. Sahho, C. Wilkins and J. Yeager, “Threshold Selection Using Renyi’s Entropy,” 49.

(58) Pattern Recognition, vol. 30, no 1, pp. 71-84, August 1997. [21]Q. Wei, Y. Hu, G. Gelfand, and J. H. MacGregor, “Segmentation of Lung Lobes in Isotropic CT Images Using Wavelet Transformation,” Proceedings of the 29th Annual International Conference of the IEEE EMBS, pp.5551-5554, Auguest 2007. [22]S. Hu, E. A. Hoffman, and J. M. Reinhardt, “Automatic Lung Segmentation for Accurate Quantitation of Volumetric X-Ray CT Images,” IEEE Transactions on Medical Imaging, vol. 20, no. 6, pp.490-498, June 2001. [23]S.G. Armato III* and H. MacMahon, “Automated Lung Segmentation and Computer-aided Diagnosis for Thoracic CT Scans,” International Congress Series, 1256, pp.977–982, March 2003. [24]X. Zhou, T. Hayashi, T. Hara, H. Fujita, R. Yokoyama, T. Kiryu, H. Hoshi, “Automatic Segmentation and Recognition of Anatomical Lung Structures from High-resolution chest CT Images,” Computerized Medical Imaging and Graphics(32), pp.452-462. July 2008.. 50.

(59)