基于復(fù)合超像素技術(shù)的肺部CT圖像分割算法

楚陪陪, 魏本征, 曲 彥, 楊 凱, 尹義龍

(1.山東中醫(yī)藥大學(xué) 理工學(xué)院,山東 濟(jì)南 250355; 2.山東大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院,山東 濟(jì)南 250101)

基于復(fù)合超像素技術(shù)的肺部CT圖像分割算法

楚陪陪1, 魏本征1, 曲 彥1, 楊 凱1, 尹義龍2

(1.山東中醫(yī)藥大學(xué) 理工學(xué)院,山東 濟(jì)南 250355; 2.山東大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院,山東 濟(jì)南 250101)

基于肺部CT圖像灰度不均勻、紋理變化大的特點(diǎn),文章提出一種超像素與隨機(jī)森林相結(jié)合的肺部CT圖像分割算法。該算法首先采用閾值和形態(tài)濾波的方法對圖像進(jìn)行預(yù)處理;再通過TurboPixels算法將圖像分割為超像素;然后運(yùn)用灰度共生矩陣提取超像素的紋理特征,并融合灰度特征形成特征矩陣;最后基于特征矩陣和隨機(jī)森林算法獲取分割圖像。實(shí)驗(yàn)結(jié)果表明,該文提出的分割算法對肺部CT圖像處理具有一定的有效性,健康肺部圖像的分割準(zhǔn)確率為98.07%,病變圖像的準(zhǔn)確率為96.23%,且該算法具有全自動、高準(zhǔn)確率、魯棒性好等特點(diǎn)。

CT圖像;超像素;灰度共生矩陣;紋理特征;隨機(jī)森林

近年來隨著空氣質(zhì)量的不斷惡化,肺部疾病已經(jīng)逐漸成為威脅我國居民生命健康最常見的病癥之一。2015年國家癌癥中心公布的統(tǒng)計數(shù)據(jù)表明,肺癌發(fā)病率接近17.09%,死亡率高達(dá)21.68%,在各種腫瘤中位居第1[1]。研究表明,及早有效的影像學(xué)診斷對肺部疾病的治愈具有重要的臨床意義[2]。肺部疾病常用的影像學(xué)檢測技術(shù)有X線、MRI、CT等,其中CT圖像因其高清晰度、高對比度的優(yōu)點(diǎn)成為近年來主要的影像檢測方式。雖然CT圖像包含大量病灶信息，但是它具有灰度不均勻的缺點(diǎn),給醫(yī)學(xué)專家的解讀造成了一定的困難。研究表明,準(zhǔn)確有效的肺部CT圖像分割能夠減少計算量,提高整個診斷系統(tǒng)的效率,減少誤診,在肺部疾病和功能性評估過程中具有重要作用[3]。

肺部CT圖像分割通常先根據(jù)圖像質(zhì)量和成像特點(diǎn)做預(yù)處理,再采用有效的分割模型實(shí)現(xiàn)圖像分割。依據(jù)是否應(yīng)用機(jī)器學(xué)習(xí)算法,現(xiàn)有的肺部CT圖像分割算法可分為基于非機(jī)器學(xué)習(xí)及機(jī)器學(xué)習(xí)的圖像分割算法兩類。

(1) 基于非機(jī)器學(xué)習(xí)的肺圖像分割算法。閾值法、區(qū)域增長法、分水嶺法是該類算法中應(yīng)用比較廣泛的3種算法；其中,閾值分割法是比較傳統(tǒng)的肺部分割方法。文獻(xiàn)[4]提出基于全局閾值結(jié)合形態(tài)學(xué)濾波算法實(shí)現(xiàn)肺實(shí)質(zhì)的粗分割,然后通過圖切法將分割錯誤的圖像進(jìn)行歸一化增強(qiáng);文獻(xiàn)[5]提出運(yùn)用灰度級閾值算法對圖像進(jìn)行初分割,再對雙肺連接的圖像通過Radon變換實(shí)現(xiàn)分離。總的來說,閾值分割算法簡單直觀,但未能有效去除肺實(shí)質(zhì)周圍的噪聲;文獻(xiàn)[6-9]提出區(qū)域生長算法需要手動選取種子點(diǎn),通過比較種子像素與其相鄰像素灰度值,最后實(shí)現(xiàn)圖像分割。這種方法可以快速準(zhǔn)確區(qū)分肺實(shí)質(zhì)部分,并且對于邊界區(qū)域比較魯棒;但手動選取的種子點(diǎn)對增長合并規(guī)則中的參數(shù)敏感,運(yùn)算過程比較耗時。由于肺部CT圖像中噪聲和局部極小點(diǎn)的存在致使文獻(xiàn)[10]建立的分水嶺分割算法存在嚴(yán)重的過分割現(xiàn)象。隨著相關(guān)算法的不斷發(fā)展,分水嶺分割法得到了一些改進(jìn)[11-12],其中文獻(xiàn)[13]運(yùn)用標(biāo)記分水嶺算法處理初分割后左右肺粘連的圖像。這種方法克服了傳統(tǒng)分水嶺過分割和欠分割的缺點(diǎn),但是對于微弱的邊緣灰度變化比較敏感。諸多研究者已經(jīng)在這方面做了一些研究,但這類算法計算復(fù)雜度高,所需參數(shù)繁雜且沒有既定規(guī)則,需要人工干預(yù),不適用于實(shí)時臨床診斷。

(2) 基于機(jī)器學(xué)習(xí)的肺圖像分割算法。近年來，基于機(jī)器學(xué)習(xí)的肺部圖像分割算法成為一個比較熱門的研究方向，這類算法的研究主要包括特征(形狀、紋理、灰度等)提取和分類器選擇2個方面。文獻(xiàn)[14-15]通過提取圖像的紋理特征結(jié)合閾值法實(shí)現(xiàn)了多種病變類型的肺部CT圖像的分割;文獻(xiàn)[16]設(shè)計提取圖像的幾何、彩色特征,再選用人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)和支持向量機(jī)(support vector machine,SVM)集成的分類器進(jìn)行分類以完成最終的圖像分割;文獻(xiàn)[17]提取紋理特征之后通過k-means分類器完成圖像的分割;文獻(xiàn)[18]建立了一種幾何特征和聚類相結(jié)合的肺部CT圖像分割模型;文獻(xiàn)[19]通過統(tǒng)計學(xué)方法提取紋理、灰度、形狀等特征,運(yùn)用SVM和水平集完成肺部圖像的分割。綜上所述,這類方法對于圖像分割具有很高的魯棒性和運(yùn)算效率,但還需進(jìn)一步研究特征提取和分類器模型以提高分割的精度。

基于機(jī)器學(xué)習(xí)的肺部CT圖像分割算法取得了良好的效果,但是也存在一定的問題。在像素級上進(jìn)行圖像分割,多采用矩形窗,這種表達(dá)方式破壞了圖像邊界的原始信息,直接影響后續(xù)的分類;針對特定圖像的成像特點(diǎn)選擇一種有效的特征提取算法以及提取特征之后分類器的選擇都是算法研究的重點(diǎn)問題。

綜合以上問題,本文提出一種超像素和隨機(jī)森林相結(jié)合的肺部CT圖像分割算法。首先采用Turbopixels的方法將圖像分割為超像素,然后運(yùn)用灰度共生矩陣提取紋理特征后結(jié)合灰度特征形成特征矩陣,最后通過隨機(jī)森林分類以實(shí)現(xiàn)最終的分割。

1 算法基礎(chǔ)

1.1 Turbopixels基本原理及算法

文獻(xiàn)[20]于2003年首次提出超像素的概念。超像素是由一系列位置相鄰且特征相似的像素組成的小區(qū)域。一幅圖像就是由許多個這樣的小區(qū)域組成的。文獻(xiàn)[21]認(rèn)為由相鄰像素點(diǎn)聚合形成的超像素是一種更自然和更具感知意義的表示;文獻(xiàn)[22-23]研究表明針對圖像處理超像素所具有的信息特征,有利于提高分割的準(zhǔn)確性和降低時間的復(fù)雜度。超像素分割算法利用圖像局部相似的特點(diǎn),將圖像分割為若干個同質(zhì)的超像素子區(qū)域。對于以像素為單位的處理方法,以超像素為單位處理圖像能夠更有利于局部特征的提取進(jìn)而為圖像保留較多的有效信息。當(dāng)今比較流行的計算超像素的圖像分割算法主要分為:① 基于圖論的算法,這類方法包括graph-based[24]、Ncut[25]、superpixel lattice[26]和基于熵率[27]的方法；② 以梯度下降為基礎(chǔ)的算法,應(yīng)用最廣泛的有簡單線性迭代聚類(simple linear interative clustering,SLIC)[28]、Turbopixels算法[29]。

本文采用Turbopixels超像素分割算法,設(shè)水平集的曲線演化方程為:

(1)

其中,C為演化的平面閉合曲線;t為時間;S為曲線演化速度;N為曲線的內(nèi)法向量,這個方程可將曲線C嵌入到水平集函數(shù)ψ:R2×[0,τ)→R2來實(shí)現(xiàn)其具體的演化方程為:

(2)

將(2)式進(jìn)行一級離散化得到:

(3)

其中,Δt為曲線演化的時間步長;SISB為原始方程中S的2個部分,分別表示圖和邊界的演化速度;SI控制著曲線的變化;SB來保證邊界上的超像素都是相對獨(dú)立的。SI表達(dá)式如下:

(4)

Turbopixels算法具體實(shí)現(xiàn)步驟如下:

(1) 對種子點(diǎn)進(jìn)行初始化,同時增加一個擾

動防止噪聲干擾。

(2) 標(biāo)記圖像中的所有像素點(diǎn)。

(3) 對水平集函數(shù)進(jìn)行初始化。

(4) 進(jìn)行下列步驟,直到種子點(diǎn)膨脹邊緣的演化速度接近0時停止迭代過程:① 水平集曲線函數(shù)開始演化;② 對未分配的估計進(jìn)行估計比較;③ 依據(jù)比較結(jié)果,更新邊界上所有像素點(diǎn)的曲線演化速度。

(5) 返回邊界。

1.2 隨機(jī)森林算法

隨機(jī)森林是由文獻(xiàn)[30]提出的基于決策樹的分類器集成算法。該算法具有高準(zhǔn)確率處理大樣本數(shù)據(jù),平衡數(shù)據(jù)內(nèi)部誤差、分類速度快等特點(diǎn)。在隨機(jī)森林中,每棵樹依據(jù)以下步驟構(gòu)造:

(1) 每棵樹的訓(xùn)練樣本集是均采用自助法重采樣獲得。自助法(bootstrap)是一種從給定的訓(xùn)練集中有放回的均勻抽樣。一個自助樣本集生長為一棵分類樹,如果獨(dú)立抽樣k次,將會生成相互獨(dú)立的自助樣本集k個,可以用于訓(xùn)練隨機(jī)森林中的k棵分類樹。

(2) 在分類樹的每一節(jié)點(diǎn)處,從M個總屬性中隨機(jī)選擇m個屬性(m≤M),根據(jù)這m個屬性計算最佳的分裂方式。

(3) 每棵樹在生長過程中不進(jìn)行剪枝操作直至完整。

(4) 決策樹在預(yù)測新數(shù)據(jù)時,由多數(shù)投票決定分類結(jié)果并評估其誤差。

2 肺部CT圖像分割算法

肺部CT圖像分割算法流程如圖1所示。

圖1 基于復(fù)合超像素技術(shù)的肺部CT圖像分割算法

所提的方法包括以下3個算法步驟:超像素分割、特征提取和隨機(jī)森林分類。

2.1 超像素分割

為保證后續(xù)肺部CT圖像的分割效果,首先通過閾值法將肺部圖像周圍含氣組織(主要為支氣管等)去除,然后在此基礎(chǔ)上采用Turbopixels算法來獲取超像素。該方法采用基于幾何流的水平集,通過初始種子點(diǎn)之間的相互碰撞[29],最后實(shí)現(xiàn)超像素圖像分割,如圖2所示。

圖2 超像素分割實(shí)驗(yàn)結(jié)果

過分割并不是簡單地使用超像素對肺部CT圖像進(jìn)行處理,其中也要考慮超像素的塊數(shù)。超像素塊數(shù)過多或過少會導(dǎo)致圖像信息的不足或交叉,從而失去超像素應(yīng)具有的作用，影響分割結(jié)果。本文算法基于圖片尺寸和經(jīng)驗(yàn)選擇1 500塊超像素。

2.2 特征提取

基于運(yùn)算效率和計算復(fù)雜度的考慮,本文采用了灰度共生矩陣來獲得超像素紋理特征,同時融合灰度特征形成特征矩陣。

灰度共生矩陣是一種統(tǒng)計方法,通常用于描述圖像的紋理信息。通過計算特定值的像素對在空間中交替產(chǎn)生的灰度關(guān)系創(chuàng)建一個灰度共生矩陣[31]。盡管灰度共生矩陣可以提取14種紋理特征且具有不錯的分類能力,但是過多的特征會增加計算的復(fù)雜度,影響特征提取的速率。文獻(xiàn)[32]表明,熵、相關(guān)度、能量、對比度這4個特征分類精度是有效可靠且不相關(guān)的，因此,本文選取這4種特征表達(dá)圖像的信息特征。

(1) 熵。熵值是一種度量圖像隨機(jī)性的標(biāo)量,熵值越大表示隨機(jī)性越強(qiáng),圖像也就越復(fù)雜。

(5)

(2) 相關(guān)度。相關(guān)度是指各個元素在灰度共生矩陣中行或列方向上的相似程度。元素之間的像素值差距越大相關(guān)度就越小,反之亦然。

(6)

(3) 能量。能量用來衡量圖像分布和紋理的均勻程度,若矩陣中的灰度值均相等,則能量較小,反之亦然。

(7)

(4) 對比度。對比度可以有效表示圖像的清晰度和紋理深淺程度,紋理越淺則對比度越小,反之亦然。

(8)

灰度共生矩陣的大小反映了矩陣表達(dá)圖像信息的能力?；谠紙D像的灰度共生矩陣,能夠保持原始圖像的全局信息,但當(dāng)圖像分辨率較大時,特征維數(shù)較高,計算復(fù)雜。根據(jù)肺部CT圖像的實(shí)質(zhì)區(qū)域與非實(shí)質(zhì)區(qū)域在灰度分布的均勻性、變化程度和紋理清晰度的不同,本文依據(jù)經(jīng)驗(yàn)選用每個超像素塊0°、45°、90°、135° 4個不同方向的紋理特征值與灰度特征相結(jié)合,這樣不僅降低了特征維數(shù),還減小了計算的復(fù)雜度,同時滿足了特征的提取和存儲,有利于后續(xù)工作的進(jìn)行。

2.3 隨機(jī)森林分類

對于一個模式識別系統(tǒng),在提取特征之后,如何選擇一個有效可靠的分類器是關(guān)鍵步驟之一。隨機(jī)森林算法以其獨(dú)有的特點(diǎn)在當(dāng)今機(jī)器學(xué)習(xí)領(lǐng)域得到了廣泛的應(yīng)用和研究[33]。

隨機(jī)森林算法是一種由多個決策樹集成的學(xué)習(xí)方法。在分類過程中對于每一個變量都可以給出一個評價來確定該變量的重要性,對于遺失的數(shù)據(jù)依然能夠?qū)崿F(xiàn)有效估計,測試中訓(xùn)練好的隨機(jī)森林可以為其他數(shù)據(jù)所用,提高了運(yùn)算效率?；谝陨蟽?yōu)點(diǎn),選擇隨機(jī)森林作為分類器。

肺實(shí)質(zhì)區(qū)域標(biāo)記為1,非實(shí)質(zhì)區(qū)域標(biāo)記為0,通過隨機(jī)森林提取出預(yù)測的標(biāo)記超像素,然后將所有屬于同一類別并且相鄰的超像素進(jìn)行合并,實(shí)現(xiàn)肺部CT圖像的分割,如圖3所示。

圖3 隨機(jī)森林分類實(shí)驗(yàn)結(jié)果

3 實(shí)驗(yàn)及其分析

3.1 數(shù)據(jù)集

ILDs(Interstitial Lung Diseases)是日內(nèi)瓦大學(xué)醫(yī)院一個公開的肺部圖像數(shù)據(jù)庫。這個數(shù)據(jù)庫收集了128名患者的肺部CT圖像,所有的圖像都已通過醫(yī)學(xué)專家給出臨床診斷。從中隨機(jī)選擇150幅圖像,其中,30幅沒有顯示出間質(zhì)性肺病病變的任何跡象,即為健康狀態(tài);120幅顯示出不同類別和程度的間質(zhì)性肺病的病變跡象。隨機(jī)將100幅圖像分為訓(xùn)練集,其余50幅分為測試集。對于每一幅圖像都對應(yīng)著一幅也是唯一一幅專家手工分割結(jié)果。

3.2 評價準(zhǔn)則

使用Jaccard similarity (JS)標(biāo)準(zhǔn)對肺部CT圖像分割算法的性能進(jìn)行評估,其計算公式如下:

(9)

其中,S1為算法的分割結(jié)果;S2為醫(yī)學(xué)專家手工標(biāo)記分割結(jié)果,可以作為算法分割效果的衡量準(zhǔn)則。由(9)式可以看出,當(dāng)分割結(jié)果與醫(yī)學(xué)專家標(biāo)記的結(jié)果比較貼合時,S1∪S2具有較小的數(shù)值,S1∩S2的數(shù)值比較大,J(S1,S2)的數(shù)值也比較大,即算法的分割準(zhǔn)確率比較高。而當(dāng)分割結(jié)果與醫(yī)學(xué)專家標(biāo)記的結(jié)果相差較遠(yuǎn)時,S1∪S2具有較大的數(shù)值,S1∩S2則具有較小的數(shù)值,J(S1,S2)的數(shù)值也就較小,即算法的分割準(zhǔn)確率比較低。因此,JS標(biāo)準(zhǔn)可以對算法的有效性進(jìn)行正確的評估。

3.3 實(shí)驗(yàn)結(jié)果及分析

通過對數(shù)據(jù)庫中選取的150幅肺部CT圖像實(shí)驗(yàn),來檢測本文所提出分割算法的有效性。

(1) Turbopixels與SLIC算法分割實(shí)驗(yàn)。為了驗(yàn)證Turbopixels算法對于肺部CT圖像的過分割的適用性,實(shí)驗(yàn)選用應(yīng)用比較廣泛的算法Turbopixels和SLIC。每幅圖像分割超像素塊數(shù)均為1 500,實(shí)驗(yàn)分割結(jié)果如圖4所示。從圖4中能夠直觀的看出，Turbopixels算法最終的分割結(jié)果明顯比SLIC算法的結(jié)果邊緣更加平滑,與專家標(biāo)記的分割結(jié)果更加貼合。

圖4 Turbopixels與SLIC算法分割實(shí)驗(yàn)對比結(jié)果

從肺部CT圖像分割的準(zhǔn)確率進(jìn)一步驗(yàn)證Turbopixels算法的有效性,見表1所列,從表1中能夠明顯地看到無論是對于健康的圖像還是患病的圖像,Turbopixels算法的分割結(jié)果的準(zhǔn)確率都比SLIC算法高。

表1 Turbopixels和SLIC算法分割結(jié)果準(zhǔn)確率統(tǒng)計結(jié)果 %

(2) 不同類別肺部CT圖像分割對比實(shí)驗(yàn)。鑒于正常、纖維化、肺結(jié)節(jié)、毛玻璃、肺氣腫5種類別肺部CT圖像紋理和灰度對比度明顯的特點(diǎn),在數(shù)據(jù)集中選擇以上5種肺部CT圖像,每種圖像隨機(jī)選擇30幅,通過Turbopixels算法分割為1 500個均勻的超像素,然后在同一個分割模型下完成圖像的分割,實(shí)驗(yàn)對比結(jié)果如圖5所示，準(zhǔn)確率見表2所列。

從表2中可以看出，正常的肺部CT圖像的準(zhǔn)確率高達(dá)99.09%,不同種類別疾病的圖像分割準(zhǔn)確率均在90%以上,實(shí)驗(yàn)結(jié)果表明Turbopixels算法的有效準(zhǔn)確性。

圖5 不同類別肺部CT圖像分割實(shí)驗(yàn)對比結(jié)果

表2 5種不同類別肺部圖像分割準(zhǔn)確率統(tǒng)計結(jié)果 %

類別正常纖維化肺結(jié)節(jié)毛玻璃肺氣腫最大值99．0997．6399．0798．4298．00最小值95．4388．4897．9092．9496．55均值98．0792．1398．8096．4097．60

(3) 肺部CT圖像分割是否融合灰度特征對比實(shí)驗(yàn)。針對肺部CT圖像豐富的紋理和灰度特點(diǎn),通過比較特征提取方面是否融合灰度特征,驗(yàn)證本文算法的分割有效性,其準(zhǔn)確率均值見表3所列。

從表3中可以看出，當(dāng)融合灰度特征之后,分割的準(zhǔn)確率都有了明顯的提高,平均提高1.4%。

表3 肺部CT圖像不同特征分割準(zhǔn)確率均值統(tǒng)計結(jié)果 %

(4) 肺部CT圖像分割不同的分類器對比實(shí)驗(yàn)。選擇K最鄰近分類(k-nearest neighbor,KNN)、SVM、隨機(jī)森林分類器進(jìn)行肺部CT圖像的分割,其準(zhǔn)確率見表4所列,從表4中可以直觀地看出，隨機(jī)森林算法對于本分割模型的適用性和有效性。

表4 不同分類器下分割準(zhǔn)確率均值統(tǒng)計結(jié)果 %

(5) 同類肺部CT圖像分割算法對比實(shí)驗(yàn)。文獻(xiàn)[34]提出首先采用模糊學(xué)相關(guān)算法對肺部圖像進(jìn)行粗分割,然后運(yùn)用高斯卷積實(shí)現(xiàn)圖像特征的提取,最后通過隨機(jī)森林分類器完成分割。其中,文獻(xiàn)選用美國國立衛(wèi)生研究院的數(shù)據(jù)庫測試算法的可靠性,實(shí)驗(yàn)選取了壞死肺結(jié)核、彌漫性肺出血、甲型流感等3種病癥的肺部CT圖像。文獻(xiàn)[34]中算法的分割準(zhǔn)確率與本文算法分割準(zhǔn)確率見表5所列。

表5 不同分割算法準(zhǔn)確率對比結(jié)果 %

從表5可以看出,本文算法針對正常和肺結(jié)節(jié)、肺氣腫病癥的肺部CT圖像準(zhǔn)確率均高于文獻(xiàn)[34]算法的實(shí)驗(yàn)結(jié)果,患有肺結(jié)核病癥的圖像分割準(zhǔn)確率高于患纖維化和毛玻璃的圖像,這是因?yàn)楸疚牡膶?shí)驗(yàn)室數(shù)據(jù)集是隨機(jī)選擇的,其中含有一定數(shù)量患病嚴(yán)重的圖像,致使分割效果不是特別的理想。但是,總體上來說本文所設(shè)計的肺部CT圖像分割算法具有一定的可靠性和有效性。

(6) 運(yùn)行時間。本文算法實(shí)驗(yàn)運(yùn)行所用計算機(jī)的配置如下:Core i7 950 3.06 GHz 處理器,24 GB的內(nèi)存,four GTX 580 顯卡,全部實(shí)驗(yàn)都是在Matlab編程環(huán)境下實(shí)現(xiàn)的。

本實(shí)驗(yàn)旨在統(tǒng)計所提分割算法分割單幅肺部CT圖像時,在不同階段的平均運(yùn)行時間見表6所列。

表6 本文算法分割單幅圖像時在不同階段的平均運(yùn)行時間 s

從表6可以看出,本文所提算法分割單幅圖像的平均運(yùn)行時間大約是54 s,因此該算法基本上能夠滿足實(shí)際應(yīng)用。

4 結(jié) 論

針對肺部CT圖像灰度紋理變化明顯的特點(diǎn),本文提出超像素和隨機(jī)森林相結(jié)合的肺部CT圖像分割算法,充分利用超像素計算方法和隨機(jī)森林分類器的優(yōu)勢,并在計算的過程中利用肺部CT圖像的特征信息,取得了比較好的分割效果。該方法首先通過Turbopixels算法過分割得到尺寸均勻的超像素塊,然后通過灰度共生矩陣提取每個超像素塊4個不同方向的紋理特征,融合灰度特征形成特征矩陣,最后運(yùn)用隨機(jī)森林分類器分類從而得到最終的分割結(jié)果。從實(shí)驗(yàn)中可以看出本文提出的算法對于正常、患病肺部CT圖像都有很好的分割效果。

本文算法仍有后續(xù)工作需要完成。首先,通過實(shí)驗(yàn)發(fā)現(xiàn)本文算法對于某些嚴(yán)重患病的肺部CT圖像分割效果不是很理想,準(zhǔn)確率不高,因此接下來應(yīng)著重關(guān)注嚴(yán)重患病的CT圖像分割算法的研究;其次,如何提取更加有區(qū)別力的超像素特征也是本文算法后續(xù)工作之一;最后嘗試使用其他的分類器,并將此算法應(yīng)用于其他領(lǐng)域也是未來的研究目標(biāo)。

[1] WANG qingchen,ZHENG Rongzhou,BAADE P D,et al,Cancer statistics in China,2015[J].CA：A Cancer Journal for Clinicians,2016,66(2):115-132.

[3] SHARMAN P,WOOD-BAKER R.Interstitial lung disease due to fumes from heat-cutting polymer rope[J].Occup Med,2013,63(6):451-453.

[4] MIGN J T C,NOOR N ,RIJAL O M,et al.Enhanced automatic lung segmentation using graph cut for Interstitial Lung Disease[C]//2014 IEEE Conference on Biomedical Engineering and Sciences.[S:l.:s.n.],2014:17-21.

[5] MIGN J T C,NOOR N ,RIJAL O M,et al.Lung segmentation for HRCT thorax images using radon transform and accumulating pixel width[C]//2014 IEEE Region 10 Symposium.[S:l.:s.n.],2014:157-161.

[6] GAO Huilin,DOU Lihua,CHEN Weijie,et al.The applications of Image segmentation techniques in medical CT Images[C]//Proceedings of the 30th Chinese Control Conference.[S:l.].IEEE,2011:3296-3299.

[7] CHEN Yada,BAO Susu.A new region growing method on liver CT serial images[J].Computer Engineering and Applications,2010,46(13):188-190.

[8] CHEN Ming,HUANG Xiaoyang,HUANG Shaohui.Directional region growing algorithm and its application in the vessel segmentation[J].Chinese Joural of Image and Graphics,2011,16(1):44-49.

[9] MENDOZA C S,ACHA B,SERRANO C,et al.Fast parameter-free region growing segmentation with application to surgical planning[J].Machine Vision and Application,2012,23(1):165-177.

[10] VINCEN T L,SOILLE P.Watersheds in digital spaces:an efficient algorithm based on immersion simulation [J].IEEE Transactions on Pattern Anlysis and Machine Intelli-gence,1991,13(6):583-598.

[11] NG H P,ONG S H,FOONG K W C,et al.Masseter segmentation using an improved watershed algorithm with unsupervised classification[J].Computers in Biology and Medicine,2008,38(2):171-184.

[12] RAO A R,SRINIVS V V.Regionlization of watersheds by fuzzy cluster analysis[J].Journal of Hydrology,2006,318(1/2/3/4):57-79.

[13] TAN Yongqiang,SCHWARTZ H,ZHAO Binsheng.Segmentation of lung lesions on CT scans using watershed,active contours,and Markov random field[J].Medical Physics,2013,40(4):043502-2-1-043502-10.

[14] WANG Jiahui,LI Feng,DOI K,et al.A novel scheme for detection of diffuse lung disease in MDCT by use of statistical texture features[J].Proc of SPIE,2009,7260:726039-1-7026039-8.

[15] WANG Jiahui,LI Feng,LI Qiang.Usefulness of texture features for segmentation of lungs with severe diffuse interstitial lung disease[J].Proc of SPIE,2010,7624W-1-7264W-8.

[16] TAHER F,WERGHI N,Al-AHMAD H.Computer aided diagnosis system for early lung cancer detection[J].Algorithms 2015,8:1088-1110.

[17] KORFIATIS P,KAZANTZI A,KALOGEROPOULOU C,et al.Optimizing lung volume segmentation by texture classification[C]//Proceedings of the IEEE/EMBS Region & International conference on Information Technology Application in Biomedicine.[S.l.]:IEEE,2010:1-4.

[18] CHAMA C K,MUKHOPADHYAY S，BISWAS P K,et al.Automated lung field segmentation in CT images using mean shift clustering and geometrical features[J].Medical Imaging,Computer-Aided Diagnosis,2013,53(11):1-10.

[19] WANG Xiaopeng,ZHANG Wen,CUI Ying.Tumor segmentation in lung CT images based on support vector machine and improved level set[J].Optoelectronics Letters,2015,11(5):395-400.

[20] MALIK J,REN X F.Learning a classification model for segmentation[C]//Proceedings Ninth IEEE International Conference on Computer Vision.[S.l.]:IEEE,2003:10-17.

[21] WANG J,WANG X Q.Vells:simple and efficient superpixels using edge-weighted centroidal Voronoi tessellations [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(6):1241-1247.

[22] LUCCHI A,SMITH K,ACHARTA R,et al.A fully automated approach to segmentation of irregularly shaped cellular structures in EM images[C]//Proceedings of the Proceedings of the 13th International Conference on Medical Image Computing and Computer-Assisted Intervention,Berlin Heidelberg:Springer,2010:463-471.

[23] HAMMOUDI A A,Li F H,GAO L,et al.Automated nuclear segmentation of coherent anti-Stokes Raman scattering microscopy images by coupling superpixel context information with artificial neural networks[C]//International Coneference on Machine Learning in Medical Imaging.Heidelberg Heidary:Springer-verlag,2011:317-325.

[24] FELZENSZWALB P F,HUTTENLOCHER D P.Efficient graph-based image segmentation[J].International Journal of Computer Vision,2004,59(2):167-181.

[25] SHI J B,MALIK J.Normalized cuts and image segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(8):888-905.

[26] MOORE A P,MOHAMMED U,PRINCE S J D,et al.Superpixel lattices[C]//IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE,2008:1-8.

[27] LIU M Y,TUZEL O,Ramalingam S,et al.Entropy rate superpixel segmentation[C]//IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE,2011:2097-2104.

[28] ACHANTA R,SHAJI A,SMITH K,et al.SLIC Superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.

[29] LEVINSHTEIN A,STERE A,KUTULAKOS K N,et al.Turbopixels:fast superpixels using geometric flows[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(12):2290-2297.

[30] BREIMAN L.Random forests[J].Machine Learning,2001,45(1):5-32.

[31] ZHANG Zhenmin,WU Qingxian,WANG Xuan,et al.Training spiking neural networks with the improved grey-level co-occurrence matrix algorithm for texture analysis[C]//2015 11th International Conference on Natural Computation (ICNC).[S.l.]:IEEE,2015:1069-1074.

[32] ULABY F,KOUYATE F,BRISCO B,et a1.Texturalinformation in SAR images[J].IEEE Transactions On Geoscience and Remote Sensing,1986,24(2):235-245.

[33] CUTLE D R,EDWARDS T C,BEARD K H,et al.Random forests for classification in ecoligy[J].Ecology,2007,88(11):2787-2792.

[34] MANSOOR A,BAGCI U,XU Z,et al.A generic approach to pathological lung segmentation[J].IEEE Transactions on Medical Imaging,2014,33(12):2293-2310.

(責(zé)任編輯 張 镅)

A lung CT image segmentation algorithm based on composite super pixel technology

CHU Peipei1, WEI Benzheng1, QU Yan1, YANG Kai1, YIN Yilong2

(1.College of Science and Technology, Shandong University of Traditional Chinese Medicine, Jinan 250355, China; 2.School of Computer Science and Technology, Shandong University, Jinan 250101, China)

Based on the characteristics of intensity inhomogeneity and texture changes in the lung CT images, a novel segmentation method for lung CT images with the combination of super pixels and random forest is proposed. Firstly, the threshold and morphological filtering methods are used to preprocess the image. Then the image is divided into uniform super pixels by using the TurboPixels method. The gray level co-occurrence matrix is used to extract the texture features of the super pixels, and the feature matrix is formed by fusing the gray features. Finally, the segmentation image is obtained based on the feature matrix and random forest algorithm. The experimental results indicate that the proposed segmentation algorithm shows a promising performance when processing lung CT image. The segmentation accuracy rate of healthy and diseased lung images is 98.07% and 96.23% respectively, and the algorithm has the characteristics of automatic, high accuracy, good robustness and so on.

CT image; super pixel; gray level co-occurrence matrix; texture feature; random forest

2016-07-21；

2016-08-15

國家自然科學(xué)基金資助項目(61572300);國家自然科學(xué)基金-廣東省聯(lián)合基金重點(diǎn)資助項目(U1201258)；山東省自然科學(xué)基金資助項目(ZR2015FM010)和山東高?？萍加媱澷Y助項目(J15LN20)

楚陪陪(1991-),女,山東濟(jì)南人,山東中醫(yī)藥大學(xué)碩士生; 魏本征(1976-),男,山東臨沂人,博士,山東中醫(yī)藥大學(xué)副教授,碩士生導(dǎo)師; 尹義龍(1972-),男,山東菏澤人,博士,山東大學(xué)教授,博士生導(dǎo)師.

10.3969/j.issn.1003-5060.2017.03.009

TP391

A

1003-5060(2017)03-0332-08