結(jié)合區(qū)域生長(zhǎng)的多尺度分水嶺算法的肺分割

楊建峰，趙涓涓，強(qiáng) 彥，王 全

（太原理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山西 太原030024）

0 引 言

計(jì)算機(jī)斷層成像 （computed tomography，CT），正電子發(fā)射斷層顯像 （positron emission tomography，PET），磁共振成像 （magnetic resonance imaging，MRI）等醫(yī)學(xué)影像技術(shù)已經(jīng)廣泛的應(yīng)用于醫(yī)學(xué)診斷、手術(shù)導(dǎo)航、術(shù)后監(jiān)測(cè)等各個(gè)方面，這些成像技術(shù)可以全面而精確地獲得病人的各種定性定量數(shù)據(jù)，為診斷、治療計(jì)劃、手術(shù)和術(shù)后評(píng)估提供準(zhǔn)確有效的數(shù)字信息。同時(shí)數(shù)據(jù)信息量也不斷增多，使得計(jì)算輔助診斷成為了一個(gè)研究熱點(diǎn)。

圖像分割是計(jì)算機(jī)輔助診斷進(jìn)行后續(xù)處理的基礎(chǔ)。醫(yī)學(xué)圖像分割的主要目的是將各種細(xì)胞、組織、器官和病變部位的圖像與其它部位分割開來作為處理的對(duì)象或內(nèi)容。醫(yī)學(xué)圖像分割由半自動(dòng)到自動(dòng)的發(fā)展過程文獻(xiàn) ［1］中給出了詳細(xì)的介紹。近年來醫(yī)學(xué)圖像自動(dòng)分割技術(shù)有了極大的發(fā)展，但分割結(jié)果依然依賴操作人的知識(shí)和經(jīng)驗(yàn)。最近幾年也現(xiàn)出了一些自動(dòng)分割技術(shù)，無需人為干預(yù)，由計(jì)算機(jī)全自動(dòng)的實(shí)現(xiàn)醫(yī)學(xué)圖像分割的全過程，但自動(dòng)分割方法的運(yùn)算量相當(dāng)大，其分割效果也還不夠理想。目前在臨床上使用的分割方法仍為半自動(dòng)分割。減少人為干預(yù)的自動(dòng)分割方法一直是人們追求的目標(biāo)，也是近年來圖像分割方法的研究熱點(diǎn)。

肺部分割方法主要有基于閾值法的分割、基于區(qū)域生長(zhǎng)方法的分割和水平集方法的分割以及一些基于混合方法的分割。這些方法都可以將肺實(shí)質(zhì)分割出來，但并沒有將肺內(nèi)部的主血管和分支血管清楚掉，使得后續(xù)的計(jì)算機(jī)輔助診斷過程中存在的很大的不便。本文針對(duì)CT圖像的肺部實(shí)質(zhì)的分割進(jìn)行了研究，提出了一種需要少量人為干預(yù)的半自動(dòng)分割方法。采用分水嶺算法對(duì)肺實(shí)質(zhì)進(jìn)行分割并去除其中的主血管，然后通過結(jié)合分水嶺分割結(jié)果的區(qū)域生長(zhǎng)算法去除掉肺部的分支血管。達(dá)到對(duì)肺實(shí)質(zhì)的完全分割。

1 相關(guān)研究

文獻(xiàn) ［1，2］對(duì)當(dāng)前國(guó)內(nèi)外廣泛使用的醫(yī)學(xué)圖像分割方法進(jìn)行了綜述，如文獻(xiàn) ［1］介紹了基于區(qū)域的分割方法、邊緣檢測(cè)、結(jié)合區(qū)域和邊界檢測(cè)的放和基于模糊集理論的方法。其中基于區(qū)域的分割方法包括閾值法、分類器和聚類器、區(qū)域生長(zhǎng)和分裂合并、基于隨機(jī)場(chǎng)的方法以及其它基于統(tǒng)計(jì)學(xué)的方法。邊緣檢測(cè)算法有并行微分算子、基于曲面擬合的方法、基于邊界曲線擬合的方法和串行邊界查找法。文獻(xiàn) ［2］介紹了基于馬爾可夫隨機(jī)場(chǎng)的醫(yī)學(xué)圖像分割、基于k均值得CT序列圖像分割和基于水平集的CT序列圖像分割。

ValentinOsuna－Enciso等［3］用使用了一種啟發(fā)式算法的多閾值方法進(jìn)行圖像分割。Chung－Chia Kan等［4］提出了一種新的基于種子區(qū)域生長(zhǎng)的圖像分割方法分割復(fù)雜背景的彩色和灰度圖像。Ghassan Hamarneh等［5］使用結(jié)合形狀和先驗(yàn)知識(shí)的分水嶺算法分割圖像。分水嶺算法是一種針對(duì)灰度圖的無參數(shù)的分割算法，它可以得到完整的分割邊界。Fernand Meyer［6］對(duì)分水嶺的概念方法進(jìn)行了詳細(xì)的介紹。分別包括對(duì)連續(xù)情況下和離散情況下的分水嶺的概念及方法，介紹了沉浸、地形距離等相關(guān)概念。Ghassan Hamarneh等［7］提出了基于形狀和知識(shí)的分水嶺分割算法。

Alberto Bert等［8］人使用了一種自適應(yīng)的區(qū)域增長(zhǎng)法進(jìn)行了結(jié)腸的分割。彭豐平等［9］使用了基于自適應(yīng)區(qū)域生長(zhǎng)算法對(duì)肝臟進(jìn)行分割Xiangrong Zhou等［10］使用了一種基于閾值的混合分割方法對(duì)肺部進(jìn)行分割Jiantao Pu等［11］提出一種自適應(yīng)邊境行軍算法分割肺部。Yeny Yim等［12］使用梯度和強(qiáng)度分布進(jìn)行了肺部邊緣的矯正。

目前國(guó)內(nèi)外雖然對(duì)于圖像分割進(jìn)行了大量的研究，提出了很多新的算法思想。但由于醫(yī)學(xué)圖像的特殊性，用于醫(yī)學(xué)圖像分割的主要算法任然是基于閾值的分割、基于區(qū)域生長(zhǎng)的分割算法、基于風(fēng)水嶺的分割算法以及基于水平集的分割方法。更多的是結(jié)合分割對(duì)象的特點(diǎn)結(jié)合兩種甚至多種算法，以達(dá)到更好的分割效果。本文采用了結(jié)合分水嶺分割算法和區(qū)域生長(zhǎng)方法的新方法進(jìn)行醫(yī)學(xué)圖像的分割。

2 分割思想

到目前為止關(guān)于醫(yī)學(xué)圖像分割的工作已經(jīng)做了很多［18－20］，使用了不同的方法對(duì)肺部的分割進(jìn)行了相關(guān)研究，但對(duì)于肺實(shí)質(zhì)的分割并去除內(nèi)部的血管的工作，還沒有實(shí)現(xiàn)?；陂撝档姆指钜约盎趨^(qū)域生長(zhǎng)的分割在分割效率問題上是好的選擇，但他們只利用到了圖像的象素信息，并沒有利用圖像的結(jié)構(gòu)信息。由于肺部存在大量紋理和噪聲，分割結(jié)果并不是十分理想。本文采用了一種結(jié)合區(qū)域生長(zhǎng)的多尺度分水嶺算法，可以在利用像素信息的同時(shí)有效利用圖像的結(jié)構(gòu)信息，對(duì)肺部CT進(jìn)行分割并取出肺內(nèi)部的血管主干與分支血管。

首先將輸入圖像經(jīng)過梯度變換轉(zhuǎn)換為圖像對(duì)應(yīng)的梯度圖像。然后將梯度圖像作為分水嶺算法的輸入圖像分別進(jìn)行分割。通過使用分水嶺的不同合并參數(shù)，將分割圖像分為低尺度分割圖 （細(xì)分割圖）和高尺度分割圖 （粗分割圖），其中高尺度分割圖為肺實(shí)質(zhì)并不包含主干血管的部分，低層次分割圖用于輔助區(qū)域生長(zhǎng)去除高層次分割圖中的分支血管部分。手動(dòng)確定位于分支血管內(nèi)部的各個(gè)種子點(diǎn)，結(jié)合低尺度分水嶺分割的結(jié)果圖進(jìn)行區(qū)域生長(zhǎng)，即可以的到最終去除血管后的肺部分割圖像。

分割過程如圖1所示。

圖1 分割流程

3 肺部CT圖像的肺實(shí)質(zhì)分割

3.1 肺部結(jié)構(gòu)及數(shù)據(jù)表示

人體的肺位于胸腔，分為左肺和右肺。其中右肺分為上葉、中葉和下葉3個(gè)部分，左肺分為上葉、下葉兩個(gè)部分。肺是以支氣管伴隨血管反復(fù)分支形成的支氣管樹和毛細(xì)血管樹為基礎(chǔ)構(gòu)成的。肺動(dòng)脈從右心室發(fā)出伴支氣管入肺，隨支氣管反復(fù)分支，最后形成毛細(xì)血管包圍在肺泡周圍。

由于血管在未分支為毛細(xì)血管前，肺部CT中的顯像值會(huì)近似病灶，因此在CAD肺實(shí)質(zhì)分割中需要先將肺部分割然后將其中的血管去除。

肺部CT圖像數(shù)據(jù)存儲(chǔ)格式為DICOM格式，讀入后為512＊512的灰度矩陣，采用肺部的窗寬和窗位顯示圖像后如圖2（a）所示，其中肺實(shí)質(zhì)部分與其它部分的邊界明顯，肺內(nèi)部的主干血管與肺實(shí)質(zhì)部分的邊界也相對(duì)明顯，而經(jīng)過主干血管分支后的分支血管與肺部實(shí)質(zhì)間的邊界較為模糊但也存在明顯邊界。

圖2 分割過程各步驟效果

3.2 梯度變換

梯度是指在標(biāo)量場(chǎng)f中的一點(diǎn)處存在一個(gè)矢量g，該矢量的方向?yàn)閒在該點(diǎn)處變化率最大的方向，其模也等于這個(gè)最大變化率的數(shù)值，則矢量g稱為標(biāo)量場(chǎng)f的梯度。梯度的方向表示標(biāo)量變化最快的方向，梯度的大小表示標(biāo)量的變化率的大小。

圖像的梯度可以把圖像看成二維離散函數(shù)f （x，y），圖像梯度就是這個(gè)二維離散函數(shù)的求導(dǎo)圖像梯度：G （x ，y）＝dxi＋dyj。對(duì)于圖像f （i，j），用差分來近似代替導(dǎo)數(shù)，則在點(diǎn) （i，j）處沿x方向和y方向的一階差分可表示為式 （1）

讀入圖像后，把圖像采用梯度變換，得到了如圖2（b）所示的梯度圖像。圖中的像素值為原圖像各點(diǎn)對(duì)應(yīng)的梯度值的大小。其中可以清楚的觀測(cè)到肺部邊緣和血管邊緣。分析梯度圖數(shù)據(jù)表1。肺部邊界值為100－400，一般占3－5像素單元。粗壯血管邊界梯度值為100－400，占2－3個(gè)像素單元。肺實(shí)質(zhì)部分的邊界梯度與主干血管的邊界梯度相似，經(jīng)過分支后的分支血管邊界值為50－200，占1－3個(gè)像素單元，肺部紋理邊界梯度值為50－200，占1－3個(gè)像素單元。可以發(fā)現(xiàn)分支血管的邊緣梯度值與一些肺部紋理的邊緣梯度值接近。

3.3 分水嶺

分水嶺 （watershed）［5－7］是一種數(shù)學(xué)形態(tài)學(xué)運(yùn)算的圖像分割方法，它的思想是把輸入圖像當(dāng)成一副地形圖，圖像中的灰度值代表地形的高度。圖像中的每個(gè)極小值點(diǎn)都被稱為積水盆，分水嶺開始的時(shí)候，假設(shè)把每個(gè)積水盆的底部打通一個(gè)洞。水從積水盆的底部開始上升，這一過程稱為沉浸，當(dāng)一積水盆和另外一個(gè)積水盆交會(huì)的位置就形成了分水嶺。分水嶺算法的特點(diǎn)是可以充分利用圖像的結(jié)構(gòu)信息，形成的分水嶺是閉合的曲線，能夠有效的分割圖像。通常在使用分水嶺算法的時(shí)候需要設(shè)定兩個(gè)參數(shù)以減少計(jì)算量和避免過度分割。一個(gè)參數(shù)為閾值thresh，即淹沒過程中的初始水平高度。另外一個(gè)參數(shù)是水平level是一個(gè)高度值，如果分水嶺的積水盆底部與分水嶺的高度差值小于設(shè)定的高度值，則將該分水嶺淹沒。

表1 肺部組織邊界梯度范圍

沉浸過程是分水嶺算法中積水盆擴(kuò)張并形成分水嶺的關(guān)鍵過程，沉浸的思想如式 （2）所示，其中f：N→D是灰度數(shù)字圖像，hmin和hmax是f中的最小值和最大值。h是一個(gè)從hmin到hmax的遞歸。積水盆按照h依次擴(kuò)張，表示在h水平的積水盆的集合。Th＋1是在h＋1水平的鄰接閾值集合，可以是一個(gè)新的極小值，也可以為Xσ中的積水盆的一個(gè)擴(kuò)張。最終通過計(jì)算Xσ和Th＋1得到Xσ＋1集合

通常分水嶺算法的輸入圖像選擇為原圖像經(jīng)過變換后的梯度圖像。最終得到的分水嶺為梯度圖像中的閉合的局部極大值。對(duì)應(yīng)為原圖像中像素值變化率高的位置。

分水嶺算法在分割過程中會(huì)導(dǎo)致過度分割的問題，以及噪聲敏感問題，為了避免這些問題，本文在分水嶺分割過程中設(shè)置兩個(gè)參數(shù)level與thresh。其中l(wèi)evel表示分水嶺水淹沒的其實(shí)深度與梯度圖像中最大值的一個(gè)比值。一般為0－1之間，參數(shù)thresh也是一個(gè)0－1之間的數(shù)值，表示該閾值與圖像中最大值的比值。若積水盆的底部到分水嶺之間的差值小于thresh，則該分水嶺被淹沒。根據(jù)合并參數(shù)的不同，本文將分水嶺分割分為高尺度的分水嶺分割和低尺度的分水嶺分割兩種分割方式。其中高尺度分水嶺分割為合并程度高的分水嶺分割，低尺度的分水嶺分割為合并程度低的分水嶺分割。

在高尺度的分水嶺圖像分割中，通過分析表1中的器官各部分的邊緣梯度圖數(shù)據(jù)可以發(fā)現(xiàn)為了有效分割血管并避免肺部紋理與噪聲引起的過度分割問題，初始深度設(shè)置為70－80較為合適。固本文中將level設(shè)定為0.25。高尺度圖像中需要將肺部紋理和分支血管的區(qū)域邊界合并掉。本文中設(shè)置thresh為0.2。低于最低高度的邊界將被執(zhí)行淹沒操作。

低尺度分水嶺分割圖像是為了輔助區(qū)域生長(zhǎng)使用，分水嶺分割的合并程度要低于高尺度圖像。以便充分保留圖像中分支血管的邊界。通過分析表1中的數(shù)據(jù)可以發(fā)現(xiàn)，分水嶺分割的初始深度設(shè)置為低于50?？梢允寡蜎]過程將分支血管的邊界形成分水嶺。因此本文中低尺度分水嶺分割中將level設(shè)置為0.2。同樣在低尺度分水嶺分割中設(shè)置thresh為0.1?？梢员苊庠诤喜⑦^程中將分支血管的邊界淹沒。

經(jīng)過分水嶺分割后的高尺度分水嶺圖如圖2（c）所示，低尺到分水嶺分割圖如圖2（d）所示。

3.4 區(qū)域生長(zhǎng)

區(qū)域生長(zhǎng)［8，9］（region growing）是指選取種子點(diǎn)，然后從種子點(diǎn)開始將目標(biāo)區(qū)域發(fā)展成更大區(qū)域的過程。區(qū)域增長(zhǎng)是將與每個(gè)種子點(diǎn)具有相似屬性 （如強(qiáng)度、灰度級(jí)、紋理顏色等）的相鄰的點(diǎn)合并到目標(biāo)區(qū)域的一個(gè)過程。它是一個(gè)迭代的過程，這里每個(gè)種子點(diǎn)都是迭代生長(zhǎng)的，直到處理過每個(gè)點(diǎn)或相鄰范圍內(nèi)沒有符合條件的點(diǎn)為止。最終形成了目標(biāo)區(qū)域。

區(qū)域生長(zhǎng)是一種半自動(dòng)分割方法，需要人為確定初始的種子點(diǎn)和生長(zhǎng)的閾值。x為種子點(diǎn)或已加入?yún)^(qū)域U的點(diǎn)，t為與x相鄰的像素點(diǎn)，如果t符合式 （3）則將t加入U(xiǎn)并以t為新的種子點(diǎn)繼續(xù)執(zhí)行。其中threshold為區(qū)域生長(zhǎng)的閾值，lowthreshold和highthreshold為門限控制的上下閾值

手動(dòng)標(biāo)記每個(gè)位于分支血管內(nèi)部的種子點(diǎn)并設(shè)置上下門限閾值，根據(jù)表2可知設(shè)置分支血管的門限上限為－400，門限下限為－700。記錄各個(gè)種子點(diǎn)所在的低尺度分水嶺圖的標(biāo)記號(hào)，從種子點(diǎn)開始區(qū)域生長(zhǎng)，判斷種子點(diǎn)相鄰的點(diǎn)，若改點(diǎn)符合式 （3）并且該點(diǎn)在低尺度分水嶺圖像中的標(biāo)記號(hào)與種子點(diǎn)的標(biāo)記號(hào)相同則將該點(diǎn)加入分支血管區(qū)域。已該點(diǎn)為新的種子點(diǎn)繼續(xù)執(zhí)行。

區(qū)域生長(zhǎng)分割完成后，將所有的分支血管區(qū)域從高尺度分水嶺分割圖中去除，即為最終分割結(jié)果圖。

表2 肺部各組織HU范圍

3.5 實(shí)驗(yàn)步驟

本文采用基于ITK算法平臺(tái)的編程實(shí)現(xiàn)本文的提出的相關(guān)思想。

首先使用itkImageFileReader濾波器讀入CT圖像數(shù)據(jù)。如圖2（a）所示。

將讀入的圖像作為輸入數(shù)據(jù)，使用itkGradientMagnitudeImageFilter濾波器做梯度變換得到對(duì)應(yīng)梯度圖，如圖2（b）所示。

將梯度圖作為輸入，使用itkWatershedImageFilter濾波器并分別設(shè)置高尺度變換參數(shù)level為0.25，thresh為0.2。得到高尺度變換圖如圖2（c）所示。設(shè)置第尺度變換參數(shù)level為0.2，thresh為0.1。得到第尺度變換圖如圖2（d）所示。

將原圖像與第尺度分水嶺分割圖作為輸入，使用自己編寫的myRegionGrowFilter濾波器，手動(dòng)確定種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)分割。并從高尺度分割圖結(jié)果中去除，結(jié)果如圖2（f）所示。

為放射醫(yī)師使用手工分割工具進(jìn)行肺分割并去除血管后的結(jié)果，作為結(jié)果檢驗(yàn)對(duì)照?qǐng)D使用。結(jié)果如圖2（g）所示。

4 實(shí)驗(yàn)結(jié)果分析

圖3 為分割的局部對(duì)比圖，其中圖3（b）、 （c）、 （d）為圖3（a）中黃色方框區(qū)域內(nèi)的圖像。圖3（b）為分水嶺分割的高尺度圖像，其內(nèi)部的四個(gè)圓形小點(diǎn)為區(qū)域生長(zhǎng)手動(dòng)選擇的種子點(diǎn)。圖3（c）為使用圖3（b）中的4個(gè)種子點(diǎn)區(qū)域生長(zhǎng)去除后的結(jié)果，圖3（d）為醫(yī)生手動(dòng)分割的結(jié)果。經(jīng)對(duì)比發(fā)現(xiàn)取得了良好分分割效果。

圖3 分割區(qū)域

圖4 為來自不同病例的同一肺部部位的分割對(duì)比圖，其中 （1）部分為使用本文提出的方法進(jìn)行肺部分割的原圖，（2）為使用本文提出的方法分割后的結(jié)果圖分割圖，（3）為進(jìn)過放射醫(yī)師手動(dòng)分割后的圖像。將機(jī)器分割的結(jié)果圖與經(jīng)過醫(yī)師手動(dòng)分割后的對(duì)比圖像?？砂l(fā)現(xiàn)使用結(jié)合區(qū)域生長(zhǎng)的多尺度分水嶺算法對(duì)肺部CT圖像進(jìn)行分割，能夠充分利用圖像的像素信息和結(jié)構(gòu)信息對(duì)圖像進(jìn)行分割，但整體上達(dá)到醫(yī)師的分割要求。作者通過對(duì)不同的50例圖像進(jìn)行分割，均達(dá)到了很好的分割效果。

圖4 不同病例的分割結(jié)果

5 結(jié) 論

本文提出了一種利用分水嶺分割肺部CT圖像的新方法，通過使用不同尺度的合并參數(shù)，并結(jié)合區(qū)域生長(zhǎng)算法對(duì)肺部CT圖像中的肺實(shí)質(zhì)進(jìn)行了分割并去除了主干血管及分支血管部分。此方法既克服了分水嶺算法會(huì)導(dǎo)致過度分割的問題，同時(shí)也避免了分水嶺算法的噪聲敏感問題，可以將肺部CT圖像中與肺部文理相近的分支血管從肺內(nèi)部除去掉。

6 結(jié)束語

由于醫(yī)學(xué)圖像的特殊性和復(fù)雜性，醫(yī)學(xué)圖像的分割不同于普通圖像的分割，使用單一的分割方法一般很難達(dá)到理想的分割效果。結(jié)合多種分割方法的特點(diǎn)，并利用同一種分割方法下不同分割參數(shù)的不同特點(diǎn)，是當(dāng)前分割研究的趨勢(shì)。本文提出的結(jié)合區(qū)域生長(zhǎng)法的多尺度分水嶺算法分割肺部CT圖像的方法，經(jīng)過檢驗(yàn)是一種有效的肺部分割方法，并可以去除內(nèi)部的主干血管。為進(jìn)一步的計(jì)算機(jī)輔助診斷提供便利。

二維圖像的分割和計(jì)算機(jī)輔助診斷是當(dāng)今研究的熱點(diǎn)，而三維分割也逐步成為研究熱點(diǎn)。二維分割的算法和思想相對(duì)比較成熟，如何將二維分割算法擴(kuò)展到三維分割中實(shí)現(xiàn)三維分割。成為了一個(gè)新的思考。

［1］CHEN Wufan，QIN An，JIANG Shaofeng，et al.Medical image analysis of the present situation and prospect［J］.Chinese Journal of Biomedical Engineering，2008，27 （2）：175－180 （in Chinese）.［陳武凡，秦安，江少峰，等.醫(yī)學(xué)圖像分析的現(xiàn)狀與展望 ［J］.中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2008，27 （2）：175－180.］

［2］LENG Meiping，BAO Susu.Medical image segmentation algorithm research ［D］.Guangzhou：South China Normal University（in Chinese）.［冷美萍，鮑蘇蘇.醫(yī)學(xué)圖像分割算法的研究 ［D］.廣州：華南師范大學(xué)，2010.］

［3］Valenti OE，Erik C，Humberto S.A comparison of nature inspired algorithms for multi－threshold image segmentation ［J］.Expert Systems with Applications，2013，40 （4）：1213－1219.

［4］Kang C C，Wang W J，Kang C H.Image segmentation with complicated background by using seeded region growing ［J］.AEU－International Journal of Electronics and Communications，2012，66 （9）：767－771.

［5］Hamarneh G，Li X.Watershed segmentation using prior shape and appearance knowledge ［J］.Image and Vision Computing，2009，27 （1）：59－68.

［6］Meyer F.The watershed Concept and its use in segmentation：A brief history ［J］.arXiv Preprint arXiv：1202.0216，2012.

［7］Ghassan H，XIAO Xingli.Watershed segmentation using prior shape and appearance knowledge ［J］.Image and Vision Computing，2009，27 （1－2）：59－68.

［8］Alberto B，Ivan D，Silvano A，et al.An automatic method for colon segmentation in CT colonography ［J］.Computerized Medical Imaging and Graphics，2009，33 （4）：325－331.

［9］PENG Fenping，BAO Susu，CENG Biqing.Liver segmentation based on adaptive region growing algorithm ［J］.Computer Engineering and Applications，2010，46 （33）：198－200 （in Chinese）.［彭豐平，鮑蘇蘇，曾碧卿.基于自適應(yīng)區(qū)域生長(zhǎng)算法的肝臟分割［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46 （33）：198－200.］

［10］ZHOU Xiangrong，Tatsuro H，Takeshi H，et al.Automatic segmentation and recognition of anatomical lung structures from high－resolution chest CT images ［J］.Computerized Medical Imaging and Graphics，2006，30 （5）：299－313.

［11］PU Jiantao，Justus R，Chin AY，et al.Adaptive border marching algorithm：Automatic lung segmentation on chest CT ima－ges［J］.Computerized Medical Imaging and Graphics，2008，32 （6）：452－462.

［12］Yeny Y，Helen H，Joon B S，et al.Correction of lung boundary using t he gradient and intensity distribution ［J］.Computers in Biology and Medicine，2009，39 （3）：239－250.