基于區(qū)域生長算法的肝臟CT圖像分割

彭微

基于區(qū)域生長算法的肝臟CT圖像分割

彭微

目的：實(shí)現(xiàn)對(duì)肝臟CT圖像中肝臟區(qū)域的分割，以助于計(jì)算機(jī)輔助診斷、病變組織定位、三維重建、治療方案設(shè)計(jì)等。方法：采用基于區(qū)域生長的鄰接連續(xù)閾值法實(shí)現(xiàn)對(duì)肝臟CT圖像中肝臟組織的分割。結(jié)果：該方法能非常理想地將目標(biāo)與背景分離，同時(shí)將過分割現(xiàn)象減到最少。結(jié)論：該方法計(jì)算簡(jiǎn)單、耗時(shí)較短，適用于不太復(fù)雜和對(duì)比比較明顯的圖像的分割。

肝臟CT圖像；鄰接連接閾值法；區(qū)域生長算法

0 引言

CT是無侵害性的器官體外成像手段，由于其成像速度較快、分辨力較高、效果較好，在對(duì)肝臟疾病的診斷中占有主導(dǎo)地位。通過對(duì)肝臟CT圖像進(jìn)行分割，提取出肝臟組織并獲得相應(yīng)的特征信息，然后進(jìn)行肝臟的三維重建，醫(yī)生可以很直觀地了解患者肝臟內(nèi)部的詳細(xì)情況，對(duì)診斷及下一步治療計(jì)劃的制定起到關(guān)鍵作用[1]?？梢?，肝臟的分割對(duì)肝臟疾病的診斷以及治療具有重要的意義。

基于區(qū)域生長的圖像分割算法適合分割灰度圖像，相對(duì)其他算法（如邊緣檢測(cè)分割法等）比較穩(wěn)定、快速，可以方便地改變參數(shù)[2]。區(qū)域生長算法的基本實(shí)現(xiàn)是從在被分割對(duì)象內(nèi)部設(shè)置種子區(qū)域（通常由一個(gè)或多個(gè)像素構(gòu)成）開始的。對(duì)種子區(qū)域的相鄰像素進(jìn)行估算，以確定它們是否應(yīng)該被加入到種子區(qū)域，如果是，則被添加到該區(qū)域，使種子區(qū)域生長，繼續(xù)上面的過程，直到再?zèng)]有新的像素被加入[3]。其中，種子點(diǎn)可以采用人機(jī)交互或自動(dòng)方法設(shè)定。采用傳統(tǒng)的區(qū)域分割方法對(duì)肝臟組織進(jìn)行分割時(shí)，很容易造成過分割的現(xiàn)象，本文實(shí)現(xiàn)一種可以減少過分割的區(qū)域生長算法——鄰接連續(xù)閾值法。

1 鄰接連續(xù)閾值法的原理

鄰接連續(xù)閾值法從某種程度上可以認(rèn)為是在連接門限閾值（connected threshold）方法[4]的結(jié)果上進(jìn)行一次形態(tài)學(xué)上的腐蝕。它判斷像素是否落入生長區(qū)間的準(zhǔn)則是該像素的所有鄰域像素的灰度值是否都在指定的區(qū)間內(nèi)。像素的鄰域大小由用戶給定的整數(shù)半徑來決定?？梢姡撍惴ㄒ蕾囉诒慌卸ㄏ袼氐泥徲蛳袼刂?。用鄰域像素值來代替當(dāng)前像素值，可以降低小結(jié)構(gòu)被并入生長區(qū)域的概率[5]。

該算法在對(duì)圖像進(jìn)行分割時(shí)，同樣需要設(shè)置2個(gè)主要的參數(shù)——下限閾值（lower threshold）和上限閾值（upper threshold）來構(gòu)成生長區(qū)間[6]。如果這2個(gè)閾值太接近，就會(huì)使生長區(qū)間沒有足夠的機(jī)動(dòng)性來完成區(qū)域的增長；如果這2個(gè)閾值相差太遠(yuǎn)，又會(huì)導(dǎo)致圖像的過分割。所以，這2個(gè)參數(shù)的選取非常關(guān)鍵。另一個(gè)關(guān)鍵的參數(shù)是決定鄰域尺寸的半徑，它通常用來判斷相鄰的像素是否位于分割區(qū)域內(nèi)。大的鄰域分割過程更穩(wěn)定，但是如果太大又會(huì)增加計(jì)算時(shí)間[7]。因此，在采用該算法時(shí)，關(guān)鍵就在于精確地選取這3個(gè)參數(shù)。

2 算法的實(shí)現(xiàn)與結(jié)果

下面采用該算法對(duì)240層編號(hào)為n=197的肝臟CT圖像進(jìn)行分割。

2.1 算法實(shí)現(xiàn)步驟

（1）讀入圖像，采用曲率流濾波法[8]（curvature flow image filter）對(duì)原圖像進(jìn)行濾波。曲率流濾波法只需要設(shè)置2個(gè)參數(shù)：濾波參數(shù)迭代次數(shù)（number of iterations）和時(shí)間步長（step time）。當(dāng)然，這2個(gè)參數(shù)也需要根據(jù)讀入圖像中存在的噪聲數(shù)量進(jìn)行適當(dāng)?shù)恼{(diào)整[9]。在本次濾波中，迭代次數(shù)=10，時(shí)間步長= 0．25。該濾波方法在濾波的同時(shí)可以保護(hù)肝臟組織邊緣。

smoothing-＞Set Number Of Iterations（10）;

smoothing-＞Set Time Step（0．25）;

（2）設(shè)定閾值區(qū)間。鄰接連續(xù)閾值法有2個(gè)主要的參數(shù)需要設(shè)定，分別是為了確定是否包含區(qū)域中的像素值而制定的標(biāo)準(zhǔn)的上限閾值和下限閾值。這2個(gè)值設(shè)置得太接近勢(shì)必會(huì)降低區(qū)域生長的機(jī)動(dòng)性，設(shè)置得太遠(yuǎn)又會(huì)將背景包含在區(qū)間內(nèi)而產(chǎn)生過分割現(xiàn)象。

Neighborhood Connected-＞Set Lower(lower Threshold);

Neighborhood Connected-＞Set Upper)upper Threshold);

在本次實(shí)驗(yàn)中，采用了2組不同的閾值區(qū)間對(duì)肝臟區(qū)域進(jìn)行提取，通過實(shí)驗(yàn)結(jié)果來說明上述2個(gè)參數(shù)如何合理設(shè)置及其重要性。

（3）定義初始生長區(qū)域。根據(jù)圖像中肝臟組織的灰度范圍，取種子點(diǎn)為（x，y）=（206，208）。分別取鄰域半徑為1、2，在閾值區(qū)間相同和不同時(shí)進(jìn)行分割。

（4）得到肝臟輪廓。

2.2 結(jié)果與討論

用上述步驟對(duì)肝臟CT圖像進(jìn)行分割，結(jié)果如圖1所示。

圖1 鄰接連續(xù)閾值法實(shí)驗(yàn)結(jié)果

從圖中可以看出，本算法受噪聲的影響很大，分割前需要對(duì)圖像做去噪處理。（e）出現(xiàn)了大量的空洞，說明精確的閾值區(qū)間是本算法的一大關(guān)鍵，同時(shí)和肝臟圖像本身的不均勻性也有關(guān)系。半徑大分割的穩(wěn)定性更好、更準(zhǔn)確，誤分的幾率更小，但是計(jì)算時(shí)間要長些。表1為本次分割所采用的數(shù)據(jù)。

表1 鄰接連續(xù)閾值法分割參數(shù)

3 結(jié)語

醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像分析領(lǐng)域的一個(gè)挑戰(zhàn)性的研究課題，而人體肝臟圖像的分割又是醫(yī)學(xué)圖像分割中的難點(diǎn)，分割結(jié)果的好壞直接影響醫(yī)生對(duì)患者的診斷結(jié)果[10]。通過對(duì)人體肝臟CT醫(yī)學(xué)圖像進(jìn)行鄰接連續(xù)閾值分割算法的實(shí)驗(yàn)，得到了上面一系列的實(shí)驗(yàn)結(jié)果圖像，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析和比較，可以看出該方法具有以下特點(diǎn)：

（1）計(jì)算簡(jiǎn)單，易于實(shí)現(xiàn)，具有較高效率，所用計(jì)算時(shí)間短（1～1．5 s）。

（2）適用于不太復(fù)雜和對(duì)比比較明顯的圖像的分割。對(duì)于肝臟圖像中灰度級(jí)明顯區(qū)別于周圍組織而且邊界分明的圖像，采取閾值分割方法進(jìn)行處理效果較好，能夠達(dá)到預(yù)期目標(biāo)。

（3）鄰接連續(xù)閾值法從某種程度上可以認(rèn)為是在連接門限閾值法的結(jié)果上進(jìn)行了一次形態(tài)學(xué)上的腐蝕，可以減少過分割，但在分割中需要有合適的區(qū)域半徑才能得到較為滿意的結(jié)果。

[1] 彭微．基于區(qū)域的肝臟病灶CT圖像分割及實(shí)現(xiàn)[J]．信息技術(shù)，2011，35（2）：132-133．

[2] 任觀就，周文銳，狄紅衛(wèi)．基于小區(qū)域增長的MDCT圖像分割[J]．計(jì)算機(jī)應(yīng)用研究，2006（4）：158-160．

[3] Ibanze L，Schrader W，Ng L，et al.The ITK software guide[M]．USA：Kitware inc．，2003．

[4] 彭微．連接門限閾值法在肝臟CT圖像分割上的應(yīng)用[J]．咸寧學(xué)院學(xué)報(bào)，2011，31（6）：72-73．

[5] 黃荔麗，王博亮，黃曉陽．基于DICOM格式的肝臟腫瘤CT圖像分割[J]．計(jì)算機(jī)技術(shù)與發(fā)展，2008，18（1）：48-51．

[6] 王安明．基于ITK的醫(yī)學(xué)圖像分割[D]．南昌：南昌大學(xué)，2007．

[7] 孟令旗，林財(cái)興，駱建珍，等．基于ITK的醫(yī)學(xué)影像分割算法研究[J]．機(jī)電一體化，2008（3）：64-66，69．

[8] 周昌雄，于盛林，祖克舉．基于L-曲率流濾波器的圖像降噪算法[J]．光學(xué)精密工程，2005，13（6）：759-765．

[9] 周昌雄．基于活動(dòng)輪廓模型的圖像分割方法研究[D]．南京：南京航空航天大學(xué)，2005．

[10]余玲．醫(yī)學(xué)圖像分割技術(shù)研究[D]．深圳：深圳大學(xué)，2007．

（收稿：2013-07-22 修回：2013-10-15）

Liver CT image segmentation based on region growing

PENG Wei
（School of Biomedical Engineering,Hubei University of Science and Technology,Xianning 437100,Hubei Province,China）

ObjectiveTo achieve the liver region segmentation from liver CT image to assist in computer-aided therapy, pathological changed tissue localization,three dimensional reconstruction,therapeutic regimen design and so on.MethodsNeighborhood connected algorithm based on region growing was used to realize the liver CT(computer tomography)image segmentation.ResultsThe experimental results showed that the method could be very desirable to separate the target and background,while the leakage-segmentation was least.ConclusionThis algorithm is simple and low-time-consumption,and suitable for the less complex and obvious contrasting image segmentation.[Chinese Medical Equipment Journal，2014，35（9）：49-50]

liver CT image segmentation;neighborhood connected algorithm;region growing algorithm

R318；TP751

A

1003-8868（2014）09-0049-02

10.7687/J.ISSN1003-8868.2014.09.049

湖北科技學(xué)院校級(jí)科研項(xiàng)目（KY12087）

彭 微（1981—），女，講師，主要從事生物醫(yī)學(xué)工程方面的研究工作，E-mail：vivipw7958@163.com。

437100湖北咸寧，湖北科技學(xué)院生物醫(yī)學(xué)工程學(xué)院教學(xué)辦公室（彭 微）