基于Freeman鏈碼的病變肺實質分割

張文莉，呂曉琪,2+，谷 宇,2，吳 涼，李 菁

(1.內蒙古科技大學 信息工程學院 內蒙古自治區模式識別與智能圖像處理重點實驗室，內蒙古 包頭 014010；2.上海大學 計算機工程與科學學院，上海 200444)

0 引 言

目前，肺實質的分割方法[1,2]主要包括：基于閾值的分割方法、基于區域的分割方法、基于邊緣的分割方法、基于機器學習的分割方法、基于特定理論的分割方法等[3-8]。這些算法對非病變肺實質的分割效果較好，但在癌變的肺實質中，僅用一種傳統的分割算法易產生過分割或欠分割的現象。目前，常采用多種算法融合或改進傳統分割算法提高肺實質的分割精度。Dai S等[9]結合改進的圖割算法和高斯混合模型以實現肺實質分割，該算法提取的肺癌病變肺實質存在病灶區域遺漏問題。龔敬等[10]提出一種灰度積分投影與模糊C均值聚類算法相結合的肺實質分割方法，該算法計算復雜度高，且分割結果與聚類中心的位置有關。目前，針對肺實質邊界模糊提出的修補算法主要有數學形態學法、滾球法、滾圓法、曲率分析法、凸包法等[11-15]。但由于粘連肺壁的腫瘤會致使邊界信息嚴重丟失，滾球法和滾圓法容易陷進缺陷區域，而達不到修補效果。凸包算法對肺邊緣的修補精度較高，計算量較小，但無法修補血管型凹陷，受噪聲影響較大。本文提出一種改進模糊C均值聚類算法對CT圖像進行肺實質分割，然后用八方向的Freeman鏈碼對肺實質的缺失邊緣進行修補，該方法對肺實質邊緣丟失，尤其是血管型凹陷有著很好的修補作用，且不易受噪聲的影響。

1 算法實現與分析

肺實質分割步驟包括肺實質粗分割、支氣管移除、左右肺分離、邊緣修補。在分析模糊C均值聚類算法、數學形態學運算、曲率分析、滾球算法、滾圓算法、凸包算法和Freeman鏈碼法的基礎上提出一種綜合算法對肺實質進行分割。原始肺部CT圖像如圖1所示，圖1(a)為大面積病變肺實質的原始CT圖像，圖1(b)為正常肺實質的原始CT圖像。

圖1 原始肺部CT圖像

1.1 肺實質粗分割

模糊C均值聚類算法是一種經典的圖像分割算法，該算法利用圖像的空域特征將灰度值相似的像素劃分到一簇，且使不同簇之間的相似度最小，從而實現圖像分割[10-12]。模糊C均值聚類算法利用模糊隸屬度函數的不斷更新使目標函數收斂。本文使用改進模糊C均值聚類算法選取合適的閾值將肺部CT圖像二值化，該方法能夠解決傳統閾值存在的過分割的問題。

模糊隸屬度函數公式

(1)

其中

(2)

(3)

圖2 改進模糊C均值聚類二值化圖像

在對患者進行CT檢查時，由于患者衣物、檢查床等與肺實質的灰度值相近，肺部CT圖像二值化后，這些部分和肺實質的值相同，需要把肺實質以外的部分作為背景，其值設置為0。

背景的去除步驟：首先利用八鄰域漫水填充算法(Flood Fill)獲得肺部CT的背景圖像，得到的背景二值圖像如圖3所示；然后將二值化的肺部CT圖像與背景圖像做差分運算，肺實質的粗分割結果如圖4所示。

圖3 背景提取

圖4 去除背景的肺實質圖像

1.2 肺氣管去除

由于肺氣管不屬于肺實質，在分肺實質分割過程中若不將其去除會影響肺區的進一步分割。粗分割后的肺實質內包含的肺氣管部分粘連肺實質，難以完全去除。因此本文采用數學形態學開運算與孔洞填充算法相結合的方法，首先用開運算分離粘連肺實質的氣管，然后結合孔洞填充算法去除肺氣管樹。

開運算公式

A°B=(AθB)⊕B

(4)

此開運算公式表示B對A開運算，分離粘連肺實質的支氣管，且平滑了肺實質的邊緣。對粗分割的肺實質進行開運算后，結合孔洞填充去除小面積的肺實質孔洞，然后標記連通區域，用預設面積(2000Pixel)去除干擾區域和主氣管。去除支氣管后的CT圖像如圖5所示。

圖5 去除肺氣管的肺實質圖像

1.3 左右肺分離

肺實質分為左、右兩大肺區，受部分容積效應及肺部病變的影響，在CT圖像的分割過程中易出現左右肺粘連的現象，嚴重影響肺部疾病后期的診斷和治療。因此，左右肺分離也是肺實質分割的關鍵環節。

左右肺分離的步驟主要有：判斷左右肺是否粘連、確定左右肺粘連的位置、分離左右肺。本文采用灰度投影積分和行掃描算法分離左右肺。首先對連通區域進行標記，并求出所有連通區域的面積，當給定閾值大于最大的兩個連通區域的面積時則判定左右肺粘連，反之則判定左右肺分離；然后用灰度積分投影算法快速定位左右肺的粘連區域；最后通過行掃描和列掃描實現左右肺分離。左右肺分離后的CT圖像如圖6所示。

圖6 左右肺分離

1.4 邊緣修補

由于肺部有粘連胸腔的腫瘤，在肺實質粗分割后，對肺區輪廓進行修復才能獲得包含腫瘤的肺實質區域。凸包算法在進行肺實質修補時，由于內側邊緣有噪聲存在，該算法無法達到預期的修補效果。滾圓法或滾球法對肺實質邊界進行修補時，如果半徑選取較小，則滾圓或滾球可能會陷入凹陷區域，而達不到修補的目的；如果半徑選取過大，就會將肺實質以外的組織包含至肺實質內，進而影響肺實質的分割精度。Freeman鏈碼分為八連接鏈碼和四連接鏈碼，如圖7所示。通過一個指定長度與方向的直線段的連接序號對邊緣進行跟蹤。Freeman鏈碼生成的三鏈碼差對圖像邊緣的凸凹性判斷準確度高，且不受噪聲影響。另外，八方向Freeman鏈碼生成的三鏈碼差對圖像邊緣的凹凸性判斷更精確。本文采用八方向三鏈碼差，八連接鏈碼描述邊界時的鏈碼值與邊界坐標(x,y)的對應關系見表1。

圖7 Freeman鏈碼

表1 八鄰域鏈碼值與邊界坐標(x,y)的對應關系

基于Freeman鏈碼的邊界描述首先要確定鏈碼的起點和方向，八方向連接的鏈碼每旋轉45度鏈碼值增加1。利用三鏈碼差進行凹凸性判別時，若鏈碼差小于-1，則此點為凸點，若鏈碼差大于2，則此點為凹點，并利用循環尋找凹凸點坐標，若相鄰兩個凸點中間有一個凹點，則將這兩個凸點用直線算法連接，完成邊界的修補。該修補算法能準確檢測出邊界缺失的部分，并進行修補。圖8(a)、圖8(b)、圖8(c)為大面積病變的肺實質邊緣修補后效果圖，圖8(d)、圖8(e)、圖8(f)為正常肺實質邊緣修補后效果圖。

圖8 修補后的肺實質

2 實驗結果

本文所用的肺部CT影像來源于LIDC數據庫，為驗證本文算法的有效性，從LIDC中隨機抽取20個序列進行實驗，所有序列中每一幀的像素均為512*512。實驗工具為MATLAB R2014a，計算機環境為Intel(R) Core (TM) i7—3770 CPU，3.40 GHz，8 GB內存，64位操作系統。圖9(a)與圖9(b)為本文方法分割結果，圖9(c)與圖9(d)為專家手動分割結果。從圖中可看出本文算法分割出的肺實質接近臨床放射科專家手動分割結果。

圖9 本文算法與金標準分割結果

為定量分析本文方法分割的準確率，將本文算法與臨床放射科專家手動分割金標準進行對比，采用式(5)Dice系數(手動分割區域與本文算法分割區域的相似性測度)和式(6)絕對容積誤差Q作為評價標準

(5)

(6)

其中，S為本算法分割結果，R為醫生手動分割結果，V為分割區域的面積，∩為交集運算符，Dice系數越接近1，Q值越接近0，說明算法分割精度越高。本文算法主要針對序列CT圖像進行分割，從LIDC數據庫中選取20個CT序列圖像進行實驗，平均分割精度為96%。用本文所采用的算法對CT圖像進行分割時，首先利用改進模糊C均值聚類選取最佳閾值，然后用所得閾值將圖像二值化，與傳統閾值法相比，算法的精度能得到進一步提高，不會出現過分割現象。另外，Freeman八方向三鏈碼差算法在修補肺實質邊緣時具有魯棒性強的特點，且不受噪聲的影響。

3 結束語

針對肺部CT內邊界存在噪聲以及傳統的算法無法有效修補大面積病變肺實質的問題，本文提出了能有效分割病變肺實質方法。首先結合改進模糊C均值算法與八鄰域漫水填充算法獲得粗分割的肺實質圖像；然后采用灰度投影積分方法分離左右肺；最后利用Freeman鏈碼三鏈碼差算法修補肺部缺失邊界，進一步提高分割精度。實驗結果表明，該方法能有效分割肺實質，且分割精度接近專家手動分割的金標準，為肺癌的放療、化療、手動切除等后續工作奠定了堅實的基礎。