數(shù)字人圖像的自動(dòng)分割方法*

羅洪艷李敏張紹祥鄭小林譚立文劉寧

(1.重慶大學(xué)生物工程學(xué)院，重慶400030;2.第三軍醫(yī)大學(xué)解剖學(xué)教研室，重慶400038)

數(shù)字人是綜合應(yīng)用現(xiàn)代科學(xué)技術(shù)對(duì)人體信息的數(shù)字化進(jìn)行探討的新興研究領(lǐng)域，其研究有著廣闊的應(yīng)用前景.數(shù)字人研究的基本步驟之一是切片圖像的分割，二維切片圖像中器官輪廓分割的準(zhǔn)確性直接影響到三維人體模型重建的質(zhì)量［1］.目前，數(shù)字人切片圖像的分割主要使用手工分割或半自動(dòng)分割［2］，分割速度和準(zhǔn)確度都難以滿足數(shù)字人發(fā)展的需要.

關(guān)于醫(yī)學(xué)圖像中CT(計(jì)算機(jī)斷層成像)或MRI(核磁共振成像)圖像的自動(dòng)分割，國內(nèi)外已有大量的研究.由于數(shù)字人切片圖像復(fù)雜、數(shù)據(jù)量龐大，與CT、MRI圖像的成像原理不同，現(xiàn)有的基于CT或MRI圖像的自動(dòng)分割方法難以適用于切片圖像，特別是包含眾多解剖結(jié)構(gòu)、形態(tài)變化尤為復(fù)雜的腦切片圖像.近年來，國內(nèi)外研究者對(duì)腦切片圖像的自動(dòng)分割進(jìn)行了初步探索，主要在腦組織的整體分割方面取得了較大進(jìn)展，改進(jìn)的Mean Shift算法［2］、基于高斯混合模型和先驗(yàn)知識(shí)的方法［3］、基于模糊C均值方法［4］、基于形態(tài)學(xué)的方法［5］相繼成功應(yīng)用，而且研究的觸角已進(jìn)一步深入到更具難度的腦內(nèi)部結(jié)構(gòu)的自動(dòng)分割，如采用區(qū)域生長結(jié)合閾值的方法完成了單幅圖像中的白質(zhì)分割［6］.但對(duì)于整套腦部切片數(shù)據(jù)集中腦內(nèi)重要解剖結(jié)構(gòu)的連續(xù)自動(dòng)分割鮮有報(bào)道.

有鑒于此，文中提出了一種基于連通域標(biāo)記與K-均值聚類的腦切片圖像分割方法，旨在在自動(dòng)分割出腦組織的基礎(chǔ)上，實(shí)現(xiàn)序列腦切片圖像中白質(zhì)的連續(xù)自動(dòng)分割，并通過與手工分割結(jié)果進(jìn)行對(duì)比、結(jié)合三維重建效果驗(yàn)證其準(zhǔn)確性.

1 數(shù)據(jù)來源

文中選用首例中國女性數(shù)字化可視人體數(shù)據(jù)集中的360幅腦部切片，從上至下編號(hào)為TCVH_1105－TCVH_1464，以香港中文大學(xué)做了去背景和配準(zhǔn)處理后的圖像為實(shí)驗(yàn)材料，圖像分辨率為3 872×2048，平均大小為22.6MB，為24位真彩色圖像.

2 腦切片圖像分割方法

腦切片圖像分割的實(shí)現(xiàn)過程如圖1所示，先通過連通域標(biāo)記、腐蝕刪減分割出腦組織，然后運(yùn)用K-均值聚類方法分割出腦白質(zhì).

圖1 分割過程框圖Fig.1 Block diagram of segmentation process

2.1 連通域標(biāo)記

連通域標(biāo)記以二值圖像(前景像素灰度值為1，背景像素灰度值為0)為基礎(chǔ)，根據(jù)像素在圖像中具有某種連通規(guī)則，將同一連通域的像素用相同的標(biāo)號(hào)表示，達(dá)到區(qū)分連通區(qū)域的目的［5］.一幅二值圖像經(jīng)連通域標(biāo)記后的圖像如圖2所示.

圖2 連通域標(biāo)記圖例Fig.2 Illustration of connected component labeling

文中采用的連通域標(biāo)記具體過程如下:

1)將彩色切片圖像灰度化，并用大津閾值法［7］進(jìn)行二值化.

2)標(biāo)記二值圖像.掃描圖像，對(duì)灰度值為0的像素不做處理，將第一個(gè)灰度值為1的像素標(biāo)記為1，其鄰域灰度值為1的像素同樣標(biāo)記，其它灰度值為1的像素，按左上、正上、右上和左邊的優(yōu)先順序搜索其鄰域，如果其上述4個(gè)方向的鄰域像素中有一個(gè)被標(biāo)記為i(i為不小于1的正整數(shù))，則該像素被標(biāo)記為i;否則，被標(biāo)記為i+1.

3)一次連通域標(biāo)記.分析并確定腦外組織標(biāo)記值La，該標(biāo)記值對(duì)應(yīng)的像素灰度值保持不變，其它灰度值置0.

4)二次連通域標(biāo)記.為去除步驟3)提取的腦外組織，并將此前未能標(biāo)記出的部分腦外組織剔除，將步驟3)的結(jié)果圖像取反后重復(fù)步驟2)，再確定此時(shí)圖像的腦外組織標(biāo)記值，其對(duì)應(yīng)的像素灰度值置0，其它像素灰度值不變.

5)三次連通域標(biāo)記.對(duì)步驟4)的結(jié)果再次進(jìn)行連通域標(biāo)記，重復(fù)步驟2)，分別統(tǒng)計(jì)各標(biāo)記值對(duì)應(yīng)的像素?cái)?shù)，尋找像素?cái)?shù)最多的標(biāo)記值，其對(duì)應(yīng)的像素灰度值保持不變，其它像素灰度值置0.

6)將步驟5)的結(jié)果按位置映射回原始灰度圖像，輸出腦組織初始分割結(jié)果.

經(jīng)上述過程得到的腦組織初始分割結(jié)果如圖3(a)所示.從圖3(a)中可見，腦組織輪廓存在“越界”現(xiàn)象，且外部背景中存在一些白色的散點(diǎn).

圖3 TVCH_1269腦組織的初始分割結(jié)果和腐蝕操作結(jié)果Fig.3 Initial segmentation resultand erosion operation resultof brain tissue from TVCH_1269

2.2 腐蝕刪減

為了去除背景散點(diǎn)，同時(shí)收縮區(qū)域輪廓，文中采用了腐蝕操作，即通過一定形態(tài)的結(jié)構(gòu)元素與圖像目標(biāo)區(qū)域間的運(yùn)算［8］，來達(dá)到刪除圖像目標(biāo)區(qū)域的邊界像素但不改變其形狀信息的目的.設(shè)A為輸入圖像，B為結(jié)構(gòu)元素，A被B“腐蝕”表示為AΘB，a表示平移量，則腐蝕原理可表示為

實(shí)驗(yàn)采用3×3的結(jié)構(gòu)元素對(duì)初始分割的腦組織區(qū)域進(jìn)行腐蝕操作.3×3的結(jié)構(gòu)元素運(yùn)算既快速又細(xì)致，抗噪性強(qiáng)且邊緣變換更接近單像素.由此獲得的腦組織區(qū)域如圖3(b)所示，與圖3(a)相比，其腦組織邊界更準(zhǔn)確.

2.3 K-均值聚類分割

在獲得腦組織的基礎(chǔ)上采用基于RGB(紅綠藍(lán))空間的K-均值聚類算法來提取白質(zhì).該分割算法的基本原理是選取一批樣本點(diǎn)作為初始聚類中心，根據(jù)對(duì)象與這些聚類中心的相似度，通過迭代來調(diào)整對(duì)象所屬的類，使生成的類盡可能地緊湊和獨(dú)立［9-10］.其主要步驟如圖4所示.

圖4 基于RGB空間的K-均值聚類算法流程Fig.4 Flowchart of K-means clustering algorithm in RGB space

2.3.1 初始化聚類中心

對(duì)于彩色圖像，RGB空間是對(duì)顏色進(jìn)行量化的空間.RGB空間的一個(gè)坐標(biāo)對(duì)應(yīng)二維圖像矩陣中的一個(gè)或多個(gè)坐標(biāo)，對(duì)應(yīng)坐標(biāo)越多，說明對(duì)應(yīng)的像素密度越大，代表了對(duì)象的主要色彩，可能是聚類的中心;反之，則對(duì)應(yīng)的像素密度小，代表對(duì)象間的色彩過渡，集中于邊緣交界處.

顏色直方圖按照顏色級(jí)別統(tǒng)計(jì)像素所出現(xiàn)的頻率，體現(xiàn)了顏色對(duì)應(yīng)的像素密度，是用來表達(dá)顏色特征最常用的手段.文中根據(jù)圖像的顏色直方圖信息來確定聚類中心.圖5給出了切片TCVH_1269腦組織分割結(jié)果的R、G、B顏色分量直方圖，從圖5可見，各分量直方圖均出現(xiàn)了雙峰現(xiàn)象，分別對(duì)應(yīng)于白質(zhì)區(qū)域及以灰質(zhì)為主的背景區(qū)域.因此，可將圖像分為白質(zhì)和背景兩類，初始聚類中心對(duì)應(yīng)于色彩分量直方圖的峰值.

圖5 TCVH_1269腦組織分割結(jié)果的R、G、B顏色分量直方圖Fig.5 Color histograms of R，G and B components in segmented result of brain tissue from TCVH_1269

2.3.2 確定聚集規(guī)則

RGB顏色聚類分割實(shí)際上是一種基于顏色相似性的測(cè)量，即對(duì)于圖像中的所有像素，如果其顏色信息與某聚類中心的顏色信息之間滿足一定的標(biāo)準(zhǔn)，則將其聚為該類.文中根據(jù)像素在顏色空間中的距離關(guān)系進(jìn)行歸類劃分，具體采用像素色彩與聚類中心色彩之間的歐幾里得距離(d)為度量標(biāo)準(zhǔn)，定義為

式中:p為聚類中心，p=(pr，pg，pb)，pr、pg、pb分別為該聚類中心的R、G、B值;xr、xg、xb分別為圖像上像素點(diǎn)x的R、G、B值，x=(xr，xg，xb).

2.3.3聚類分割過程

在確定了聚類中心和聚集規(guī)則之后，進(jìn)行聚類分割的具體過程如下:

1)確定初始聚類中心.根據(jù)顏色直方圖將圖像分為白質(zhì)和背景兩類，并確定對(duì)應(yīng)的初始聚類中心分別為p1和p2，令p1_old=p1，p2_old=p2.

2)像素聚集.掃描圖像，參照式(2)分別計(jì)算各像素點(diǎn)與兩聚類中心p1、p2的顏色距離d1、d2，按距離較小的原則將特征空間中所有的像素點(diǎn)分配到對(duì)應(yīng)的類別中，即如果d1≤d2，則把該像素歸為白質(zhì)類，否則歸為背景類.

3)計(jì)算新的聚類中心.設(shè)N是步驟2)中以p1_old或p2_old為聚類中心聚集的一個(gè)類的內(nèi)部像素點(diǎn)總數(shù)，x是屬于該類的像素點(diǎn)，S表示該類的區(qū)域范圍.根據(jù)可分別計(jì)算新生成的聚類中心p1_new、p2_new.

4)如果新的聚類中心與原聚類中心重合，即p1_new=p1_old，則認(rèn)為當(dāng)前聚類中心為最優(yōu)聚類中心，停止算法執(zhí)行;否則，修改聚類中心，令p1_old=p1_new，p2_old=p2_new，返回步驟2).

3 結(jié)果與分析

對(duì)于首例中國女性數(shù)字化可視人體數(shù)據(jù)集中360幅連續(xù)切片圖像，采用文中方法完成各斷層圖像中腦組織和白質(zhì)的自動(dòng)分割，其中代表性腦切片圖像的自動(dòng)分割結(jié)果與原始圖像、手工分割結(jié)果的對(duì)比如圖6所示.由圖6可見:腦組織和白質(zhì)的邊緣清晰，完全去除了干擾，分割信息完整;自動(dòng)分割的腦組織在輪廓上與原始圖像和手工分割結(jié)果吻合較好，自動(dòng)分割的白質(zhì)不僅反映出了整體信息且能捕捉到小分支的細(xì)節(jié)信息，而且對(duì)分散于其中的核團(tuán)剔除得干凈、準(zhǔn)確.

為進(jìn)一步對(duì)分割結(jié)果進(jìn)行定量評(píng)估，文中引入相似度系數(shù)DSI［11］、像素漏檢率Qm和像素誤檢率Qf3個(gè)評(píng)價(jià)指標(biāo):

式中:F為手工分割結(jié)果為F的補(bǔ)集;T為自動(dòng)分割結(jié)果的補(bǔ)集;為兩幅圖像的重疊像素?cái)?shù)分別為兩幅圖像各自的像素?cái)?shù).DSI越大、Qm和Qf越小，說明分割越準(zhǔn)確.

圖6 典型腦切片圖像的分割結(jié)果比較Fig.6 Comparison of segmentation results of typical slice images

經(jīng)計(jì)算，統(tǒng)計(jì)出360幅圖像分割結(jié)果的評(píng)價(jià)指標(biāo)如表1所示.從表1可知，腦組織和白質(zhì)的平均相似度系數(shù)都超過了90.00%，DSI最小值接近80.00%，說明自動(dòng)分割結(jié)果與手工分割結(jié)果的重合性較高，通常認(rèn)為分割結(jié)果的DSI大于70.00%即為有效性分割［10］;平均漏檢率與平均誤檢率較低，均在10.00%左右，說明邊緣定位較準(zhǔn)確.

表1 分割結(jié)果的質(zhì)量評(píng)價(jià)Table1 Quality evaluation of segmentation results%

圖7 腦組織和白質(zhì)的三維重建結(jié)果Fig.7 3D reconstruction results ofbrain tissue and whitematter

對(duì)分割結(jié)果采用Amira4.1進(jìn)行三維重建，效果如圖7所示.由圖7可見:重建的腦組織上下斷層間銜接有序，過渡自然，左右腦半球以中間縱裂為軸對(duì)稱分開，表面溝回起伏，重建結(jié)果充分體現(xiàn)了腦組織的解剖學(xué)特征;重建的白質(zhì)輪廓分明，分支連接光滑緊密，層間無斷裂，渾然一體，以腦縱裂為軸表現(xiàn)出較好的兩側(cè)對(duì)稱性，其形態(tài)走勢(shì)與理論知識(shí)相符.三維重建的良好效果進(jìn)一步說明了文中所提方法對(duì)連續(xù)圖像的分割準(zhǔn)確有效.

由于文中方法在腐蝕刪減環(huán)節(jié)采用的結(jié)構(gòu)元素是對(duì)稱性矩陣，故對(duì)于個(gè)別圖像中腦組織輪廓曲折多變的部分，其自動(dòng)分割結(jié)果在邊界銜接處會(huì)出現(xiàn)棱角現(xiàn)象.此外，由于白質(zhì)分割中的聚類只劃分為兩類，會(huì)造成個(gè)別圖像中的白質(zhì)出現(xiàn)輕微的局部過分割.如圖8所示，切片TCVH_1360中位于頂部的腦組織在左右兩側(cè)的邊緣變化曲折豐富，而自動(dòng)分割的腦組織在該處的邊緣變化則稍顯陡峭且不及原圖豐富，自動(dòng)分割的白質(zhì)在底部內(nèi)側(cè)部分出現(xiàn)了毛邊.

圖8 文中算法對(duì)TCVH_1360的分割結(jié)果Fig.8 Segmentation results of TCVH_1360 by using the proposed algorithm

4 結(jié)語

針對(duì)腦部切片圖像，文中提出了一種基于連通域標(biāo)記和RGB空間K-均值聚類的圖像分割方法，實(shí)現(xiàn)了首例中國女性數(shù)字化可視人體數(shù)據(jù)集中腦組織與白質(zhì)的連續(xù)分割，并對(duì)分割結(jié)果分別進(jìn)行了三維重建.通過定性、定量評(píng)價(jià)發(fā)現(xiàn)，該方法分割準(zhǔn)確度較高，連續(xù)分割穩(wěn)定，有較好的應(yīng)用前景.目前，文中方法對(duì)腦組織和白質(zhì)分割有效，但腦內(nèi)結(jié)構(gòu)復(fù)雜，尚未將該方法應(yīng)用于其它結(jié)構(gòu)的分割，今后將進(jìn)一步對(duì)此進(jìn)行探討，以期通過調(diào)整算法使其適用面更廣.

［1］Li Qi-yu，Zhang Shao-xiang，Heng Pheng-ann，et al.Segmentation and three-dimension reconstruction of Chinese digitized human cerebrum［J］.Computerized Medical Imaging and Graphics，2006，30(2):89-94.

［2］陳允杰，張建偉，王利，等.基于改進(jìn)的Mean Shift算法虛擬人腦圖像分割［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2008，20(1):55-62.Chen Yun-jie，Zhang Jian-wei，Wang Li，et al.Digital human brain image segmentation based on an adapted Mean Shiftmethod［J］.Computer-Aided Design and Computer Graphics，2008，20(1):55-62.

［3］Chen Yunjie，Zhang Jianwei，Pheng Ann Heng，et al.Chinese visible human brain image segmentation［C］∥Proceedings of Congress on Image and Signal.Sanya:IEEE，2008:639-643.

［4］Schmitt O，Bethke S，Sobe P，et al.Parallelized segmentation of a serially sectioned whole human brain［J］.Image and Vision Computing，2008，26(2):289-301

［5］鄭小林，李敏，羅洪艷，等.基于數(shù)學(xué)形態(tài)學(xué)的新方法在腦組織分割中的應(yīng)用［J］.儀器儀表學(xué)報(bào)，2010，31(2):464-469.Zheng Xiao-lin，Li Min，Luo Hong-yan，et al.Application of a new method based on mathematical morphology in brain tissue segmentation［J］.Chinese Journal of Scientific Instrument，2010，31(2):464-469.

［6］羅洪艷，李敏，譚立文，等.一種數(shù)字人腦切片圖像分割新方法［J］.中國醫(yī)學(xué)影像技術(shù)，2009，25(8):1488-1491.Luo Hong-yan，Li Min，Tan Li-wen，et al.A new segmentation method for slice images of digital human brain［J］.Chinese Journal of Medical Imaging Technology，2009，25(8):1488-1491.

［7］Otsu N.A threshold selection method from gray-level histogram［J］.IEEE Transactions on Systems，Man and Cybernetics，1979，9(1):62-66.

［8］劉清，林土勝.基于數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測(cè)算法［J］.華南理工大學(xué)學(xué)報(bào):自然科學(xué)版，2008，36(9):113-116.Liu Qing，Lin Tu-sheng.Image edge detection algorithm based on mathematicalmorphology［J］.Journal of South China University of Technology:Natural Science Edition，2008，36(9):113-116.

［9］何為，余曉鍔.基于K均值聚類算法的CT圖像金屬偽影去除［J］.中國醫(yī)療設(shè)備，2009，24(6):12-15.He Wei，Yu Xiao-e.Metal artifact reduction in CT usingK-mean cluster algorithm［J］.China Medical Devices，2009，24(6):12-15.

［10］Macaire Ludovic，Vandenbroucke Nicolas，Postaire Jack-Gérard.Color image segmentation by analysis of subset connectedness and color homogeneity properties［J］.Computer Vision and Image Understanding，2006，102(1):105-116.

［11］Cai X，Hou Y，LiC，etal.Evaluation of two segmentation methods on MRI brain tissue structures［C］∥Proceedings of the 28th IEEE EMBSAnnual International Conference.New York:IEEE，2006:3029-3032.