基于ＣＴ圖像的周圍型肺部疑似腫瘤分割

摘要：以CT圖像為基礎(chǔ)，針對周圍型肺部腫瘤分割問題，首先將經(jīng)過預(yù)處理的CT圖像利用閾值技術(shù)二值化，并采用形態(tài)濾波方法去掉散點和小橋，然后將每個連通區(qū)域標記出來，根據(jù)判斷準則確定可疑的腫瘤區(qū)域。該方法使對閾值選取的敏感性和所需的人機交互減小到最低限度。

關(guān)鍵詞：高分辨率計算機斷層掃描； 分割； 閾值； 區(qū)域生長； 連通區(qū)域標記

中圖分類號：TP391.4; R318文獻標志碼：A

文章編號：1001-3695(2007)04-0154-02

肺癌患者群體大，死亡率高。如果能夠在早期發(fā)現(xiàn)肺部腫瘤并加以治療，將能夠提高患者的生存質(zhì)量，延長患者的生存期。CT技術(shù)^[1]作為當今在活體上檢出和特征化肺癌最敏感的工具，在這一領(lǐng)域得到了廣泛的應(yīng)用。然而，對一個病人作普通CT檢查所得到的圖片數(shù)目就有幾十張，作多層螺旋CT掃描得到的圖片更是多達幾百張。如此龐大的數(shù)據(jù)量，對醫(yī)生的閱片工作是一個沉重的負擔。容易造成醫(yī)生的閱片疲勞，出現(xiàn)誤判、漏判。所以對高分辨率CT（HRCT） 進行計算機輔助分析，以幫助醫(yī)生準確地診斷患者的病情，有重要的現(xiàn)實意義。

目前的肺部疑似腫瘤分割研究多集中于肺部CT切片的3D建模重構(gòu)再分割^[2]，或是疑似腫瘤的人機交互分割^[3]。本文提出一種基于高分辨率CT圖片的肺部疑似腫瘤的自動分割算法，針對肺部CT圖像本身的特點，結(jié)合了閾值技術(shù)、區(qū)域增長以及輪廓跟蹤技術(shù)。它能快速檢測出可疑的病變部位，并將其標注出來，作為醫(yī)生進一步判斷的參考，也可供放療定位需要。

1自動分割算法

本文提出的基于高分辨率CT切片中的肺部疑似腫瘤的自動分割算法分為二值化、形態(tài)濾波、標記連通區(qū)域等五個部分。使用的圖像數(shù)據(jù)全部為DICOM3.0標準格式。算法流程如圖1所示。

1.1肺區(qū)圖像預(yù)處理

在大多數(shù)醫(yī)學(xué)圖像中，由于反映人體內(nèi)部組織的灰度變化平緩，且有時含有較大噪聲，采用一般的梯度算子很難檢測到確定、連續(xù)的邊緣。在進行邊緣計算之前先對圖像進行去噪，同時銳化邊緣是十分必要的。但這是兩個相互矛盾的要求。采用現(xiàn)有的單一濾波器無法同時滿足抑制噪聲和邊緣銳化的要求。本文采用一種帶有噪聲抑制功能的非線性增強濾波器，對于一些質(zhì)量較差的圖像作預(yù)濾波，然后再進行后續(xù)處理。

該濾波器實際上是一種基于窗口內(nèi)元素排序和統(tǒng)計特性的方法，它類似于Hardie等人^[5]提出的一種LUM(LowUpperMiddle)濾波器。這種非線性增強濾波器的基本思想是在噪聲平滑與邊緣細節(jié)增強之間選擇一個較好的折中方案。具體來說，考慮一個正方形可移動窗口在待處理圖像上滑動，該可移動窗口的邊長為a（其中a為奇數(shù)），則該移動窗口框中的圖像點數(shù)N也為奇數(shù)，并且N=a2。將這N個像素點看做是一個離散序列，按其灰度值大小排序為

記該可移動窗口的中心點為x*(i， j)，其灰度值為f*，設(shè)濾波器在x*(i， j)點的輸出為y(i， j)，則有

，其他其中，tl=(fl+fN-l+1)/2，1≤k≤l≤(N+1)/2；參數(shù)k、l是使這種濾波器具有不同特征的關(guān)鍵參數(shù)：

(1)當l=(N+1)/2時，是平滑濾波器。k越大，平滑效果越強。

(2)當k=l=(N+1)/2時，是中值濾波器。

(3)當k=1時，是銳化濾波器。l越小，邊緣增強效果越明顯。

(4)當1＜k≤l＜(N+1)/2時，去噪和邊緣增強可同時滿足，即k增加，去噪效果增強，l減小，邊緣增強效果變明顯。

在試驗中，本文選用3×3的LUM濾波器（k=2，l=4）。對圖像處理后，有效地抑制了噪聲，同時增強了邊緣（圖2）。

1.2自動確定分割閾值

二值化即是對圖像進行閾值處理，選取恰當?shù)拈T限值，將所有值小于該門限值的像素值置1，其余置0。為了獲得恰當?shù)拈撝祦韺T圖像進行二值化，采用經(jīng)典的OTSU算法^[4]。該算法的基本思路是：選取的最佳閾值應(yīng)當使得不同類間分離性最好。首先基于直方圖得到各分割特征值的發(fā)生概率，并以閾值變量將分割特征值分為兩類，然后求出每一類的類內(nèi)方差及類間方差，選取使類間方差最大或類內(nèi)方差最小的T作為最佳閾值。具體算法如下：

記f(i， j)為圖像(i， j)點處的灰度值，灰度級為m，不妨假設(shè)f(i， j)取值[0，m-1]。記p(k)為灰度值k的頻率，則有

假設(shè)用灰度值t為閾值分割出的目標與背景分別為{f(i， j)≤t}和{f(i， j)＞t}，于是：

目標部分比例：w0(t)=∑0≤i≤tp(i)

目標部分點數(shù)：N0(t)=MN∑0≤i≤tp(i)

背景部分比例：w1(t)=∑t＜i≤m-1p(i)

目標部分點數(shù)：N1(t)=MN∑t＜i≤m-1p(i)

目標均值：μ0(t)=∑0≤i≤tip(i)/w0(t)

背景均值：μ1(t)=∑t＜i≤m-1ip(i)/w1(t)

總均值：μ=w0(t)μ0(t)+w1(t)μ1(t)

最佳閾值Totsu=arg max0≤t≤m-1{w0(t)[μ0(t)-μ]2+w1(t)[μ1(t)-μ]2}

在此得到一個適當?shù)拈撝担瑢⒃鰪姾蟮膱D像二值化。由于肺部區(qū)域有其特殊的性質(zhì)：它的絕大部分區(qū)域亮度值極低，在沒有大的節(jié)結(jié)時，反映在灰度直方圖上就是一個單峰的波形。這可能會導(dǎo)致得到的閾值偏小，形成錯分，影響下一步的處理。所以筆者采用一種彌補措施： Threshold=max(Totsu， Tedge)

其中，Totsu是采用OTSU算法得到的肺部區(qū)域的閾值；Tedge是肺部邊緣的平均灰度值。該方法依據(jù)的經(jīng)驗是：肺部邊緣，即肺區(qū)暗像素點與胸腔明像素點交匯處的平均亮度始終低于腫瘤癌區(qū)亮度。

1.3形態(tài)濾波

經(jīng)過1.2節(jié)的二值化操作，可以得到圖3。如圖3可見，肺部里面存在很多血管、節(jié)點所形成的小橋，連接了各個高亮度的大小區(qū)域，這對于下一步確定腫瘤位置非常不利，需要將其斷開。考慮到形態(tài)學(xué)開運算可以有效地消除散點、毛刺和小橋，所以本文采用圓形結(jié)構(gòu)元素對圖3進行二值開運算，消除了小橋和散點（圖4）。本文選取圓形結(jié)構(gòu)元素是考慮到其良好的對稱性，元素的大小選半徑為三個像素。如果結(jié)構(gòu)元素太大，則可能將一些連通區(qū)域斷開。開運算后的圖像如圖5所示。

1.4標記連通區(qū)域并確定疑似腫瘤塊

采用區(qū)域增長的方法^[6]對肺區(qū)內(nèi)的高亮度連通區(qū)域進行標記，也就是標記在1.2節(jié)處理后所得二值圖像中像素值為1的連通區(qū)域，獲取每塊連通區(qū)域的周長和面積。

判定高亮度連通區(qū)域f是否為疑似腫瘤塊需要通過一個決策器來實現(xiàn)，目前本文設(shè)計的決策器決策所使用的特征主要包括區(qū)域面積、區(qū)域周長、區(qū)域與圓的相似程度R=4πA2/L2(A是f的面積，L是f的邊界周長，區(qū)域與圓的相似程度與R值的大小成正比)等。

1.5畫出疑似腫瘤塊邊緣輪廓

通過決策器確定出高亮度連通區(qū)域f為可疑腫瘤塊后，采用爬蟲法^[6]，獲取可疑腫瘤塊邊緣（圖6），并將其在CT圖像上用彩色描繪出來。

2結(jié)束語

本文以CT圖像為基礎(chǔ)，針對周圍型肺部腫瘤分割問題，首先對CT圖像使用LUM濾波器作預(yù)處理，抑制了噪聲和并銳化了邊緣；然后采用OTSU方法自動選取合適的分割閾值，將CT圖像二值化；采用形態(tài)濾波方法去掉二值化圖像中的散點和小橋，將每個連通區(qū)域標記出來；最后，設(shè)計了一個決策器，通過該決策器對每個標記出來的連通區(qū)域進行判斷，確定疑似腫瘤區(qū)域。

本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文。