基于擴散算法的CT圖像中肺實質的分割算法

馬新利

摘要：在肺癌，肺氣腫等肺部疾病的計算機輔助診斷中，肺實質的正確分割是計算機輔助診斷中的重要先行步驟。文中提出了一種基于定向擴散算法的CT圖像的自動分割。在本算法中綜合利用了閾值分割、區域增長及數學形態學等算法，能夠實現對圖像的粗分割，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行有效分離，最后采用定向擴散算法對粗分割得到的肺部輪廓進行修復，得到完整的肺實質。從肺部圖像數據庫聯盟（LIDC）中取出50張CT圖像，采用本文提出的分割算法進行處理。結果表明，所提出的算法能夠有效的實現肺部區域的完整分割，并且與滾球法相比較，分割準確率和精度都較高，為計算機輔助診斷奠定了良好基礎。

關鍵詞：計算機輔助診斷；肺實質分割；行掃描；擴散算法

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

1 引言

近年來，癌癥的發病率急劇上升，尤其是肺癌的發病率及死亡率更是在逐年攀升。我國由于吸煙人數多，空氣污染等原因，肺癌的發病率增長較為嚴重。來自國家計生委的數據統計顯示，目前我國的肺癌發病率以每年26.9%的速度增長，近半個世紀來，每10到15年肺癌患者的人數增加一倍。[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。對肺部進行一次掃描就會得到幾百張的圖像，這增加了醫生的閱片負擔。因此，計算機輔助診斷（compute-aided diagnose，CAD）得到了廣泛的研究和使用。[2]而從CT 圖像中準確快速的提取出肺實質則是計算機輔助診斷的關鍵。[3，4]

在CT圖像中分割出肺實質是CAD的前期工作。本文根據影像學和解剖學特征， 結合最佳閾值法、數學形態學方法， 對圖像進行粗分割； 然后利用定向擴散算法修復掩膜圖像，得到最終肺實質，為計算機輔助診斷和醫學圖像在臨床和生命科學研究領域的應用打下良好的基礎。

2 肺實質分割

2.1 Ostu（最大類間方差法）法

肺部和周圍區域密度不同，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圖像中對應于肺實質，肺實質邊界和肺實質周圍組織的像素區分開。[5]在本文中采用的是Ostu算法[6，7]對肺部區域進行粗分割，該方法可以自動的選擇閾值，得到較好的結果。

2.2 區域生長

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

本文對CT圖像進行區域生長處理的算法實現步驟為：

（1）在肺實質部分定位得到種子點；

（2）利用區域增長算法，在種子點的8*8*8鄰域內進行增長，閾值在灰度范圍內自動選取最優閾值；

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

2.3 肺部圖像預分割

肺部圖像經上述處理后，與原始圖像（圖1）進行邏輯與運算，得到預分割圖像（圖2）。

2.4 左右肺的分離

CT圖像中常出現肺片粘連情況，粘連發生在CT圖像的上部分。對圖像的上1/3部分掃描，并統計圖像每一行中的邊緣點的個數，當邊緣點數大于等于4的時候，表明肺片并未粘連，但是，當邊緣點數小于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，從而實現左右肺的準確分離。

3 圖像修復

對肺部圖像進行預處理的過程中，接近于肺壁的結節可能會被去掉，因此在預分割后要修補圖像。本文采用的修復算法是擴散算法來。[11]

將完整的肺實質圖像定義為函數，在時刻，圖像質量為。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行計算并修復。下面的圖像是當取不同數值時相應的恢復圖像。當b取值較小時，圖像變化不明顯，當b的取值較大時候，圖像受損。經反復調試，當b取值在20～25中間時，圖像的恢復情況最佳，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時的恢復圖像。

4 實驗結果

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”修復的算法比較，計算處理之后圖像的準確率和精度。[12]

圖4為結果對比，從上到下依次為原始CT圖像，醫生手工分割結果，本文分割結果，文獻[14]分割結果。

4.1 分割準確率

CT圖像分割的準確率即為肺實質區域的重合程度。分割準確率的公式為

其中表示準確率，表示分割后圖像面積，表示醫生手動分割的區域面積。

根據上述公式可知，。的值越大，則結果與醫生手工分割的肺實質越相近，即分割的準確率越高。[13]的值越小，則準確率越低。結果見表1。

4.2 分割精度

將本文算法和使用滾球法的文獻[14]與醫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[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[9]方法與醫生手動分割算法的平均輪廓距離和最大輪廓距離。

計算結果見表2。

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

5 結論

在CT圖像中精確提取肺實質是對肺部疾病計算機診斷的關鍵，重點是保證提取出來的肺實質是完整的。本文的分割方法結合了最優閾值分割，區域生長以及數學形態學方法，將CT圖像的胸腔和背景區域去除，從而避免了直接對肺實質部分進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，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，采用定向擴散的修復算法來對預分割圖像進行修復以保證肺實質的完整性。使用本文的算法對大量LIDC庫中CT圖像進行處理，并與現有的滾球法修復算法相比較，本文方法分割的準確率及其分割的精度都較高。因此，本文中所提到的在CT圖像中提取肺實質的方法能夠準確有效的對肺實質進行提取，為計算機輔助診斷工作奠定了基礎。

由于人體的胸部結構存在著明顯的差異，因此任何一種分割方法都不能適用于所有的CT圖像。基于此，接下來的工作任務就是在分割的基礎上，對每一步分割再進行細化，以得到一種能夠正確分割絕大多數CT圖像的方法。

基于 CT 圖像的肺實質分割技術是制約醫學圖像在臨床和生命科學研究領域的應用的一個瓶頸， 我們將繼續研究更完善的分割方法，提高肺實質的分割精度，為計算機輔助診斷奠定基礎。

參考文獻

[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移瘤的鑒別診斷價值[J].中國醫藥導報，2014，11（25）：35-38.

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

[3]王兵，顧瀟蒙等.基于Random Walk算法的CT圖像肺實質自動分割[J].計算機應用，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.基于改進凸包算法的肺實質分割研究[J].中國生物醫學工程學報，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.基于區域生長增長法的三維支氣管樹分割算法[J].計算機科學，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中肺實質的自動分割及粘連腫瘤檢測[J].哈爾濱工程大學學報，2010，31（5）：679-682.

[11]洪志全.遙感模糊降質圖像的擴散恢復算法研究及實現[J].成都理工大學學報，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圖像肺結節計算機輔助檢測技術研究進展[J].北京生物醫學工程，2016，35（1）：81-86.

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