基于擴(kuò)散算法的CT圖像中肺實質(zhì)的分割算法

馬新利

摘要：在肺癌，肺氣腫等肺部疾病的計算機(jī)輔助診斷中，肺實質(zhì)的正確分割是計算機(jī)輔助診斷中的重要先行步驟。文中提出了一種基于定向擴(kuò)散算法的CT圖像的自動分割。在本算法中綜合利用了閾值分割、區(qū)域增長及數(shù)學(xué)形態(tài)學(xué)等算法，能夠?qū)崿F(xiàn)對圖像的粗分割，其中對于左右肺粘連的CT圖像采用行掃描的方法將左右肺片進(jìn)行有效分離，最后采用定向擴(kuò)散算法對粗分割得到的肺部輪廓進(jìn)行修復(fù)，得到完整的肺實質(zhì)。從肺部圖像數(shù)據(jù)庫聯(lián)盟（LIDC）中取出50張CT圖像，采用本文提出的分割算法進(jìn)行處理。結(jié)果表明，所提出的算法能夠有效的實現(xiàn)肺部區(qū)域的完整分割，并且與滾球法相比較，分割準(zhǔn)確率和精度都較高，為計算機(jī)輔助診斷奠定了良好基礎(chǔ)。

關(guān)鍵詞：計算機(jī)輔助診斷；肺實質(zhì)分割；行掃描；擴(kuò)散算法

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2017）09-0136-03

1 引言

近年來，癌癥的發(fā)病率急劇上升，尤其是肺癌的發(fā)病率及死亡率更是在逐年攀升。我國由于吸煙人數(shù)多，空氣污染等原因，肺癌的發(fā)病率增長較為嚴(yán)重。來自國家計生委的數(shù)據(jù)統(tǒng)計顯示，目前我國的肺癌發(fā)病率以每年26.9%的速度增長，近半個世紀(jì)來，每10到15年肺癌患者的人數(shù)增加一倍。[1]

如果肺癌能在早期被診斷和治療，其5年生存率將從14%上升到49%。由于計算機(jī)斷層掃描（Computed Tomography，CT） 能夠提供高清晰度的圖像，并且為圖像中各組織提供很高的對比度，因此被廣泛用于肺部疾病檢測診斷中。對肺部進(jìn)行一次掃描就會得到幾百張的圖像，這增加了醫(yī)生的閱片負(fù)擔(dān)。因此，計算機(jī)輔助診斷（compute-aided diagnose，CAD）得到了廣泛的研究和使用。[2]而從CT 圖像中準(zhǔn)確快速的提取出肺實質(zhì)則是計算機(jī)輔助診斷的關(guān)鍵。[3，4]

在CT圖像中分割出肺實質(zhì)是CAD的前期工作。本文根據(jù)影像學(xué)和解剖學(xué)特征， 結(jié)合最佳閾值法、數(shù)學(xué)形態(tài)學(xué)方法， 對圖像進(jìn)行粗分割； 然后利用定向擴(kuò)散算法修復(fù)掩膜圖像，得到最終肺實質(zhì)，為計算機(jī)輔助診斷和醫(yī)學(xué)圖像在臨床和生命科學(xué)研究領(lǐng)域的應(yīng)用打下良好的基礎(chǔ)。

2 肺實質(zhì)分割

2.1 Ostu（最大類間方差法）法

肺部和周圍區(qū)域密度不同，因此其灰度值相差明顯，可用閾值法分割。閾值分割的目的是把CT圖像中對應(yīng)于肺實質(zhì)，肺實質(zhì)邊界和肺實質(zhì)周圍組織的像素區(qū)分開。[5]在本文中采用的是Ostu算法[6，7]對肺部區(qū)域進(jìn)行粗分割，該方法可以自動的選擇閾值，得到較好的結(jié)果。

2.2 區(qū)域生長

區(qū)域生長實質(zhì)是對像素點或選定的子區(qū)域進(jìn)行操作，讓其在滿足所定義的準(zhǔn)則下去聚合成更大區(qū)域，以達(dá)到生長目的。其基本思想是先獲取種子點，然后從生長點開始，將與生長點性質(zhì)相似的相鄰像素或區(qū)域與生長點合并，形成新的生長點，不斷重復(fù)直到無法生長為止。[8]

本文對CT圖像進(jìn)行區(qū)域生長處理的算法實現(xiàn)步驟為：

（1）在肺實質(zhì)部分定位得到種子點；

（2）利用區(qū)域增長算法，在種子點的8*8*8鄰域內(nèi)進(jìn)行增長，閾值在灰度范圍內(nèi)自動選取最優(yōu)閾值；

（3）相鄰區(qū)域的像素被合并，對圖像中黑色像素點進(jìn)行連通區(qū)域標(biāo)記，面積最大的連通區(qū)域是該CT圖像的掩膜圖像。

2.3 肺部圖像預(yù)分割

肺部圖像經(jīng)上述處理后，與原始圖像（圖1）進(jìn)行邏輯與運算，得到預(yù)分割圖像（圖2）。

2.4 左右肺的分離

CT圖像中常出現(xiàn)肺片粘連情況，粘連發(fā)生在CT圖像的上部分。對圖像的上1/3部分掃描，并統(tǒng)計圖像每一行中的邊緣點的個數(shù)，當(dāng)邊緣點數(shù)大于等于4的時候，表明肺片并未粘連，但是，當(dāng)邊緣點數(shù)小于4的時候，左右肺是粘連的。[10]肺片粘連情況下，對上半部分投影積分，將積分值最小的一列及其左右4列的像素值取反，從而實現(xiàn)左右肺的準(zhǔn)確分離。

3 圖像修復(fù)

對肺部圖像進(jìn)行預(yù)處理的過程中，接近于肺壁的結(jié)節(jié)可能會被去掉，因此在預(yù)分割后要修補(bǔ)圖像。本文采用的修復(fù)算法是擴(kuò)散算法來。[11]

將完整的肺實質(zhì)圖像定義為函數(shù)，在時刻，圖像質(zhì)量為。圖像受損過程可以用以下模型來表示，

拉普拉斯算子利用點的四鄰點來進(jìn)行離散，得到如下的式子

利用該方法可以對逐次對各個像素點進(jìn)行計算并修復(fù)。下面的圖像是當(dāng)取不同數(shù)值時相應(yīng)的恢復(fù)圖像。當(dāng)b取值較小時，圖像變化不明顯，當(dāng)b的取值較大時候，圖像受損。經(jīng)反復(fù)調(diào)試，當(dāng)b取值在20～25中間時，圖像的恢復(fù)情況最佳，本文中b取值為23。

圖3中的圖片從左至右分別為b的取值為0，5，10，15，20，23，25，30，35時的恢復(fù)圖像。

4 實驗結(jié)果

在美國國家癌癥中心（NCI）的RIDER庫中選取了50張CT圖像，將本文算法與運用”滾球法”修復(fù)的算法比較，計算處理之后圖像的準(zhǔn)確率和精度。[12]

圖4為結(jié)果對比，從上到下依次為原始CT圖像，醫(yī)生手工分割結(jié)果，本文分割結(jié)果，文獻(xiàn)[14]分割結(jié)果。

4.1 分割準(zhǔn)確率

CT圖像分割的準(zhǔn)確率即為肺實質(zhì)區(qū)域的重合程度。分割準(zhǔn)確率的公式為

其中表示準(zhǔn)確率，表示分割后圖像面積，表示醫(yī)生手動分割的區(qū)域面積。

根據(jù)上述公式可知，。的值越大，則結(jié)果與醫(yī)生手工分割的肺實質(zhì)越相近，即分割的準(zhǔn)確率越高。[13]的值越小，則準(zhǔn)確率越低。結(jié)果見表1。

4.2 分割精度

將本文算法和使用滾球法的文獻(xiàn)[14]與醫(yī)生手工分割方法相比較。通過計算兩種分割方法的最大輪廓距離和平均輪廓距離來確定其分割精度。本文的方法為方法1，文獻(xiàn)[14]的方法為方法2，手工分割方法為方法3.方法1，2，3分割后提取的邊界點分別為，，。定義方法1分和方法3分割后的輪廓邊界點之間的輪廓距離為endprint

分別計算本算法與手動分割算法、文獻(xiàn)[9]方法與醫(yī)生手動分割算法的平均輪廓距離和最大輪廓距離。

計算結(jié)果見表2。

因此，本文的算法和醫(yī)生手動分割方法的結(jié)果相比于文獻(xiàn)[14]的方法更為相近，本文的方法提取的肺實質(zhì)部分精度更高。

5 結(jié)論

在CT圖像中精確提取肺實質(zhì)是對肺部疾病計算機(jī)診斷的關(guān)鍵，重點是保證提取出來的肺實質(zhì)是完整的。本文的分割方法結(jié)合了最優(yōu)閾值分割，區(qū)域生長以及數(shù)學(xué)形態(tài)學(xué)方法，將CT圖像的胸腔和背景區(qū)域去除，從而避免了直接對肺實質(zhì)部分進(jìn)行操作所造成的信息損失。同時，將左右肺相粘連的情況也考慮在內(nèi)，采用了行掃描的方法來確定是否粘連，如果粘連則將其分離。并且對分割后得到的肺部邊界信息丟失的問題，采用定向擴(kuò)散的修復(fù)算法來對預(yù)分割圖像進(jìn)行修復(fù)以保證肺實質(zhì)的完整性。使用本文的算法對大量LIDC庫中CT圖像進(jìn)行處理，并與現(xiàn)有的滾球法修復(fù)算法相比較，本文方法分割的準(zhǔn)確率及其分割的精度都較高。因此，本文中所提到的在CT圖像中提取肺實質(zhì)的方法能夠準(zhǔn)確有效的對肺實質(zhì)進(jìn)行提取，為計算機(jī)輔助診斷工作奠定了基礎(chǔ)。

由于人體的胸部結(jié)構(gòu)存在著明顯的差異，因此任何一種分割方法都不能適用于所有的CT圖像?；诖?，接下來的工作任務(wù)就是在分割的基礎(chǔ)上，對每一步分割再進(jìn)行細(xì)化，以得到一種能夠正確分割絕大多數(shù)CT圖像的方法。

基于 CT 圖像的肺實質(zhì)分割技術(shù)是制約醫(yī)學(xué)圖像在臨床和生命科學(xué)研究領(lǐng)域的應(yīng)用的一個瓶頸， 我們將繼續(xù)研究更完善的分割方法，提高肺實質(zhì)的分割精度，為計算機(jī)輔助診斷奠定基礎(chǔ)。

參考文獻(xiàn)

[1]張躍海，孔令偉，張剛.CT檢查對肺塵埃沉著病與粟粒性肺轉(zhuǎn)移瘤的鑒別診斷價值[J].中國醫(yī)藥導(dǎo)報，2014，11（25）：35-38.

[2]秦嬋嬋.基于隨機(jī)游走算法的圖像分割算法研究[D].上海：華東師范大學(xué)，2014.

[3]王兵，顧瀟蒙等.基于Random Walk算法的CT圖像肺實質(zhì)自動分割[J].計算機(jī)應(yīng)用，2015，35（9）：2666-2612.

[4]El-Baz A， Beache GM， Gimel farb G， et al.. Computer-aided diagnosis systems for lung cancer： challenges and methodologies [J].International Journal of Biomedical Imaging，2013，2013：1-46.

[5]李金，鄧冰.基于改進(jìn)凸包算法的肺實質(zhì)分割研究[J].中國生物醫(yī)學(xué)工程學(xué)報，2013，32（04）：484-490.

[6]Pulagam A R， Kande G B， Ede V K R，et al.Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases [J].Journal of Digital Imaging， 2016，29（4）：507-519.

[7]Zhou H L， Goldgof D B， Hawkins S， et al.A robust approach for automated lung segmentation in thoracic CT.Kowloon Tong[C]，Hong Kong，China：IEEE，2015.

[8]李艷波，于翔.基于區(qū)域生長增長法的三維支氣管樹分割算法[J].計算機(jī)科學(xué)，2015，42（S2）：192-194.

[9]Tasci E， Ugur A， Shape and texture based novel features for automated juxtapleural nodule detection in lung CTs[J].Journal of Medical Systems，2015，39（5）：1-13.

[10]裴曉敏，郭紅宇，戴建平.胸部CT中肺實質(zhì)的自動分割及粘連腫瘤檢測[J].哈爾濱工程大學(xué)學(xué)報，2010，31（5）：679-682.

[11]洪志全.遙感模糊降質(zhì)圖像的擴(kuò)散恢復(fù)算法研究及實現(xiàn)[J].成都理工大學(xué)學(xué)報，2003，30（6）：617-622.

[12]HEIMANN T，van GINNEKEN B，STYNER M A，et al.Comparison and evaluation of methods for liver segmentation from CT datasets[J].IEEE Transactions on Medical IMAGING， 2009，28（8）：1251-1265（4）：4-90.

[13]龔敬，涅升東.CT圖像肺結(jié)節(jié)計算機(jī)輔助檢測技術(shù)研究進(jìn)展[J].北京生物醫(yī)學(xué)工程，2016，35（1）：81-86.

[14]袁克虹，向蘭茜.用于計算機(jī)輔助診斷的肺實質(zhì)自動分割方法[J].清華大學(xué)學(xué)報，2011，51（1）：90-95.endprint