模糊C均值聚类算法在肺部CT图像感兴趣区域特征提取中的临床应用研究

古新展 陈文天 战跃福

CT图像感兴趣区域(region of interest，ROI)是医学图像处理和影像诊断的重要研究内容，通过ROI特征提取及分割技术，显示图像中感兴趣的器官或组织，对病变组织等相关特征进行定性和定量分析，以此提高临床诊断和服务的水平[1-2]。目前，受到医学图像信息复杂性和多样性等因素影响，ROI特征提取对算法的准确度和实效性提出了更高的要求。模糊C均值(fuzzy C-means，FCM)聚类算法在相关文献研究中证明了其算法的科学性和实用性，但对图像中噪声和伪影等比较敏感，因此在临床上的应用较少[3-4]。本研究基于FCM算法原理，回顾性分析医院接诊的临床肺部CT影像资料，探讨图像局部ROI特征提取在临床诊断中的应用价值，为提高图像处理能力和提升医院放射科的诊疗水平提供依据。

1 资料与方法

1.1 一般资料

选取2016年1月至2018年5月琼中县人民医院放射科接诊的200例肺部疾病患者的200幅CT影像资料，其中钙化病变37例，增殖性病变54例，结节与肿块78例，空洞与空腔21例，其他表现10例。依据CT图像处理前后的评价数据将其分为对照组和观察组，原始图像诊断及分析数据图像为对照组，基于FCM算法进行ROI特征提取图像为观察组。观察评价诊断准确率和对比噪声比(contrast-to-noise ratio，CNR)两项指标，并评估图像处理效果。

1.2 纳入与排除标准

(1)纳入标准：①临床资料完整，证实患者患有肺部相关疾病；②肺部结节性病灶直径≤5 cm；③按照影像显示规范、物理显示规范、辐射剂量规范、成像技术规范以及影像密度规范，CT影像质量符合诊断要求。

(2)排除标准：①为渗出性病变的患者；②为胸膜病变或纵膈改变的呼吸系统疾病患者。

1.3 仪器设备及检查参数

采用Perspective型64排128层CT(德国西门子)。CT检查固定管电压130 kV，曝光模式为AEC，肺窗显示：W=1200，L=-600。

1.4 FCM算法

FCM算法采用迭代算法进行目标函数的优化，获得图像ROI数据的模糊分类，用隶属度函数定义的目标函数计算为公式1：

式中C为设定的模糊分类数目，n为ROI数据样本Xi的数量，μj(xi)为第i个样本对第j个模糊类的隶属度函数，且的常数，用以控制聚类结果的模糊程度，mj为第j模糊类的聚类中心。

FCM算法步骤为：①设定聚类数目C和常数p；②初始化各聚类中心mj；③计算隶属度函数μj；④重新计算聚类中心；⑤重复以上两步骤，获得稳定的聚类中心。目标函数极小值的计算过程得到了不同类的聚类中心和隶属度，完成ROI数据的模糊聚类划分过程。

1.5 观察及评价指标

1.5.1 主观评价指标

对FCM算法处理后肺部CT图像临床应用效果的主观评价由5位具有两年以上相关工作经验的影像医师完成，采用盲法对ROI的病变类型进行鉴别诊断，对照组和观察组的影像数据按照随机编号进行呈现，统计诊断结果与临床证实资料一致程度，计算方法为诊断结果符合临床资料的患者数量占全部案例数量的百分比，即诊断准确率。考虑到不同主体评价结果的差异性，独立性诊断准确率的全部案例数量以5位医师评价案例次数计算，每组分别为1000例(次)，而一致性诊断准确率以5位医师完全一致且准确的例数进行计算，全部案例数为200例。

1.5.2 客观评价指标

由于FCM算法对图像的噪声敏感，因此在ROI特征提取效果的客观评价方面，采用CNR指标进行观察，既分析图像中噪声的变化程度，也量化噪声对病灶组织对比度以及信噪比(signal noise ratio，SNR)的影响程度[5-6]。其计算为公式2和公式3：

式中CNR为肺部CT图像ROI，SNR为信噪比，x-为n个样本xi的平均值，空白区选取为图像中0.4～0.6 cm2的边缘区域。

1.6 统计学方法

采用SPSS 19.0软件对两组的观察及评价指标进行统计，主观评价中的计数资料以百分比(%)表示，采用x2检验，客观评价中的计量资料以均数±标准差(x-±s)表示，采用t检验，以P＜0.05为差异有统计学意义。

2 结果

2.1 FCM算法处理结果

在200例肺部疾病患者中，肺结核患者51例(占25.5%)；肺肿瘤患者72例(占36.0%)；肺部炎症患者68例(占34.0%)；其他肺部疾病患者9例(占4.5%)。经初步筛查后选取200例肺部CT图像的ROI区域，特征提取的典型图像案例如图1、图2所示。

图1 周围型肺癌患者FCM算法处理后ROI特征提取图像

图2 肺错构瘤患者FCM算法处理后ROI特征提取图像

2.2 应用分析结果

2.2.1 主观评价结果

由5位影像医师分别对200例患者的200幅肺部CT图像及FCM处理后图像进行主观评价，双盲法评价后的结果显示，不同医师对CT原始图像的诊断结果完全一致且准确175例，占87.5%，而独立性诊断结果准确969例(次)，占96.9%；对FCM处理图像的诊断结果完全一致且准确189例，占94.5%，而独立性诊断结果准确985例(次)，占98.5%。观察组的诊断准确率明显高于对照组，两组一致性诊断正确率和独立性诊断正确率差异均有统计学意义(x2=5.983，x2=5.696；P＜0.05)，见表1。

表1 主观评价分析结果

2.2.2 客观评价结果

应用CNR指标分别统计FCM算法处理前后的200例患者图像ROI的客观评价数据，观察组的SNRROI为41.19±3.25，低于对照组的39.78±4.27，两组相比差异有统计学意义(t=2.335，P＜0.05)，表明FCM算法处理后的图像噪声明显提高，图像ROI的SNR降低；而观察组的CNR为6.48±3.91，高于对照组的8.36±5.63，两组相比差异有统计学意义(t=2.612，P＜0.05)，表明FCM算法处理后的图像对比度明显提高，噪声对图像质量的影响程度降低，见表2。

表2 客观评价分析结果(±s)

表2 客观评价分析结果(±s)

注：表中SNRROI为感兴趣区域的信噪比；CNR为对比度噪声比。

组别 SNRROI CNR对照组 41.19±3.25 6.48±3.91观察组 39.78±4.27 8.36±5.63 t值 2.335 2.612 P值 0.022 0.010

3 结论

医学图像特征提取是突出ROI的特殊组织，为定量和定性分析及可视化操作提供必要的有效信息，临床应用范围包括组织结构分析、动态分析、三维重建、放射治疗及治疗评估等方面，对提高影像诊断准确率起到了积极作用[7-9]。目前，国内外关于特征提取技术的研究较多，但临床应用研究的内容较少，图像处理的技术操作性和存在的不足是主要的影响因素，制约了放射科图像后处理工作水平的不断提升。

本研究结合医院放射科的实际接诊案例，回顾性分析和处理CT影像资料，以FCM均值算法为理论依据，开展肺部CT图像ROI特征提取的应用研究。临床应用效果分析通过主观评价和客观评价两方面开展，其中主观评价的观测指标是影像诊断准确率，客观评价的观测指标是CNR。结果显示，观察组的图像诊断准确率高于对照组，且从一致性诊断和独立性诊断的准确率两个方面，分析FCM算法的应用价值，表明基于FCM算法的ROI特征提取有助于提高影像诊断准确率。观察组的图像CNR明显高于对照组，表明基于FCM算法的肺部CT图像ROI特征提取在临床中具有较高的应用价值，图像质量明显提高，有利于提高放射科的临床诊疗效果。

FCM算法与传统的聚类分割技术相比，引入了模糊概念，不需要人工干预，在图像ROI特征提取中具有较高的应用价值[10-12]。同时，由于FCM算法对图像噪声和伪影具有敏感性，本研究进行局部图像的后处理，降低了图像处理过程中的不良影响，但限于该研究对象和内容的特殊性，后期将进一步开展其他部位及疾病的图像ROI特征提取的研究工作，为提高影像诊断水平奠定工作基础。