肺實(shí)質(zhì)CT圖像分割方法

崔 穎，王小鵬，于 揮，陳 璐

（蘭州交通大學(xué) 電子與信息工程學(xué)院，甘肅 蘭州730070）

0 引 言

肺實(shí)質(zhì)分割在肺部疾病診斷中是最為關(guān)鍵的步驟之一，得到了眾多國內(nèi)外研究者的重視。Denison D M 等［1］提出通過手動跟蹤邊界的方法估計正常人肺內(nèi)的氣體區(qū)域和組織體積來判斷肺區(qū)輪廓的位置，但手動方法費(fèi)時費(fèi)力，而且會因觀察者不同而得出不同的結(jié)論，致使肺區(qū)輪廓定位不準(zhǔn)確；Armato S G 等［2］結(jié)合肺部CT 圖像中的灰度特征動態(tài)地選取閾值來確定肺區(qū)邊界，該方法雖然優(yōu)于固定閾值法，但由于肺區(qū)內(nèi)組織復(fù)雜多變，而且灰度對比度較低，因此提取的肺區(qū)輪廓誤差較大；文獻(xiàn) ［3－5］中闡述了手動指定種子點(diǎn)的區(qū)域生長法，雖然可以很好地分割出肺區(qū)邊緣高密度區(qū)域，但該方法對種子點(diǎn)和生長規(guī)則的選取十分敏感，很難達(dá)到預(yù)期效果；基于模式分類［6］的分割方法可以對肺區(qū)定量或結(jié)構(gòu)化描述，但需要大量的樣本統(tǒng)計并提取多個特征。另外，肺實(shí)質(zhì)分割的過程中，左右肺區(qū)往往會因?yàn)榉渭鈨?nèi)側(cè)的縱隔區(qū)相對狹窄而連結(jié)在一起。圖搜索算法［7］雖然可以有效定位左右肺區(qū)連接線的狹窄區(qū)域，由于搜索總是按預(yù)先規(guī)定的路線進(jìn)行，沒有考慮問題本身的特性，所以最優(yōu)搜索途徑較難選擇；像素分析法雖然可以通過像素的分布連接形成像素分界線將左右肺區(qū)分開，但該法在狹窄區(qū)域內(nèi)難以精確定位有效像素。

綜合以上分析，本文提出的肺實(shí)質(zhì)分割方法，首先結(jié)合Otsu多閾值算法［8，9］和形態(tài)學(xué)開運(yùn)算對圖像進(jìn)行粗分割和干擾區(qū)域的去除；然后針對左右肺區(qū)連結(jié)的情況采用基于投影的標(biāo)記控制分水嶺分割方法［10］分離左右肺區(qū)；最后進(jìn)行細(xì)化處理，實(shí)現(xiàn)肺實(shí)質(zhì)分割。

1 肺實(shí)質(zhì)分割方法實(shí)現(xiàn)

根據(jù)人體肺部結(jié)構(gòu)分析，肺腔中布滿了空氣，其CT值較周圍其它組織相對較低，同時肺部中存在著復(fù)雜的血管、組織液、氣管、主支氣管等解剖結(jié)構(gòu)，尤其在特殊的病理情況下，肺部CT圖像形態(tài)各異，常常會遇到左右肺區(qū)連結(jié)的情況。本文分割過程主要包括4個步驟，具體如圖1所示。首先，依據(jù)肺部CT 圖像中不同組織間的灰度級差異采用多閾值法得到肺實(shí)質(zhì)粗分割輪廓；利用形態(tài)學(xué)開運(yùn)算去除肺部CT圖像中的氣管和主支氣管等干擾區(qū)域影像；然后采用基于投影的標(biāo)記控制分水嶺分割解決左右肺區(qū)連結(jié)的情況；最后，運(yùn)用形態(tài)學(xué)開閉運(yùn)算細(xì)化肺實(shí)質(zhì)輪廓。

圖1 肺實(shí)質(zhì)分割過程

1.1 肺實(shí)質(zhì)粗分割

肺部CT 圖像中，考慮到肺區(qū)密度較低，且肺區(qū)周圍組織灰度分布不均勻，復(fù)雜交錯。為此，本文將Otsu閾值法擴(kuò)展到多閾值的圖像分割，在肺部CT 圖像的不同灰度級組織類中使用局部Otsu法進(jìn)行處理，以得到較準(zhǔn)確的肺區(qū)輪廓。

假設(shè)圖像中有n個待分割的類，則有n－1個閾值t1，…，tm，…，tn－1將圖像分成n個類，所得到的類分別為

同時定義類間方差

其中

其中ωi為第i類圖像灰度的概率比例，μi 為第i類圖像灰度的均值，Pi為圖像灰度直方圖中各灰度級的出現(xiàn)概率（i＝1，2，…，L）。當(dāng)σAB最大時，則該組閾值即為最優(yōu)閾值。

多閾值分割的最優(yōu)閾值個數(shù)是不確定的，但對于分割的效果至關(guān)重要。因此引入一個截止參數(shù)CP 作為圖像分割類別數(shù)目的判斷條件，定義為

分割過程具體步驟如下：

步驟1 令CP ＝0并計算γT；

步驟2 判斷CP 是否滿足一定條件，滿足轉(zhuǎn)到步驟6，否則執(zhí)行步驟3；

步驟3 對已存在的不同類進(jìn)行分析，并計算尋找類內(nèi)方差最大的一個類；

步驟4 對找到的類內(nèi)方差最大類使用Otsu法產(chǎn)生新的分割閾值，并加入原先存在的閾值組中；

步驟5 重新計算γT并對CP 重新賦值，執(zhí)行步驟2；

步驟6 得到最優(yōu)閾值組，對圖像進(jìn)行閾值分割。分割結(jié)果如圖2所示。

圖2 多閾值粗分割

1.2 氣管和主支氣管去除

肺實(shí)質(zhì)粗分割后，圖像內(nèi)部通常會存在一些干擾區(qū)域，比如血管、氣管和主支氣管，尤其是氣管和主支氣管的干擾對肺區(qū)后續(xù)分割帶來很大影響。為此采用二值形態(tài)學(xué)開運(yùn)算，即

去除肺部區(qū)域中分散的小的干擾區(qū)域和小于預(yù)設(shè)面積（5000Pixel）的干擾連通區(qū)域，實(shí)現(xiàn)結(jié)果如圖3所示。其中f 表示多閾值粗分割后的二值圖像，b表示半徑為6的圓形結(jié)構(gòu)元素。

圖3 去除干擾和氣管

1.3 左右肺區(qū)分離

肺部CT 圖像形態(tài)各異、結(jié)構(gòu)復(fù)雜，若多閾值粗分割后出現(xiàn)左右肺區(qū)未分離的情況，則必須進(jìn)行再分割。針對左右肺區(qū)連結(jié)的特殊病理，本文提出了一種基于投影的標(biāo)記控制分水嶺分割方法，具體實(shí)現(xiàn)步驟如下：

（1）定位左右肺區(qū)連結(jié)區(qū)域：建立XY 坐標(biāo)系，并沿Y軸對圖像正半軸部分進(jìn)行積分投影如圖4所示。

（2）標(biāo)記左右肺區(qū)連結(jié)區(qū)域：設(shè)置一個以P0（x0，y0）為中心的矩形區(qū)域R（P0，r），則該區(qū)域即為左右肺區(qū)連結(jié)的感興趣區(qū)域，如圖5所示。P0定義為

（3）左右肺區(qū)連結(jié)區(qū)域再分割：針對左右肺區(qū)連結(jié)處的感興趣區(qū)域R 以高密度狀態(tài)存在、連接線非常狹窄的特點(diǎn)，采用分水嶺分割的方法常常會導(dǎo)致 “過分割”，因此引入基于標(biāo)記符的概念來控制過分割現(xiàn)象，效果較為理想。實(shí)現(xiàn)步驟如下：

步驟1 根據(jù)肺區(qū)感興趣區(qū)域的灰度值選擇一個閾值進(jìn)行內(nèi)部標(biāo)記；

步驟2 對步驟1中的標(biāo)記圖像進(jìn)行距離變換分水嶺分割，所得曲線輪廓即為外部標(biāo)記。

步驟3 采用強(qiáng)制最小技術(shù)修改圖像灰度，使局部最小區(qū)域只出現(xiàn)在標(biāo)記位置。

步驟4 對所得梯度圖像進(jìn)行標(biāo)準(zhǔn)分水嶺變換。如圖6所示。

圖4 積分投影定位連結(jié)區(qū)域

圖5 標(biāo)記左右肺區(qū)連結(jié)區(qū)域

1.4 肺實(shí)質(zhì)輪廓細(xì)化

肺實(shí)質(zhì)分割的目的在于找出肺區(qū)內(nèi)部的肺結(jié)節(jié)，由于肺實(shí)質(zhì)邊緣結(jié)節(jié)密度和周圍組織密度非常相近，在肺實(shí)質(zhì)粗分割時無法包含這部分區(qū)域，因此需要對肺區(qū)輪廓缺口進(jìn)行修補(bǔ)［11］。開運(yùn)算能夠消除圖像中無法容納結(jié)構(gòu)元素的凸區(qū)域，閉運(yùn)算能夠填充圖像中無法容納結(jié)構(gòu)元素的凹區(qū)域。因此利用結(jié)構(gòu)元素b對圖像f 進(jìn)行閉運(yùn)算操作，記作f·b，定義為

圖6 連結(jié)區(qū)域再分割結(jié)果

式中：b——橢圓形結(jié)構(gòu)元素，長軸半徑為11，短軸半徑為8。通過二值形態(tài)學(xué)開閉運(yùn)算可達(dá)到肺實(shí)質(zhì)輪廓修補(bǔ)的目的，如圖7所示。

圖7 肺實(shí)質(zhì)輪廓細(xì)化

2 實(shí)驗(yàn)結(jié)果與分析

由于不同個體之間生理結(jié)構(gòu)差異較大，為了驗(yàn)證本文方法的有效性，實(shí)驗(yàn)選取了121張臨床醫(yī)學(xué)肺部CT圖像，分辨率均為512×512，并在MATLAB7.0平臺下進(jìn)行了仿真實(shí)驗(yàn)。

圖8第一行給出了肺部CT 圖像集中的3 幅數(shù)據(jù)樣本CT－1，CT－2和CT－3的原始圖像，第二行分別為原始圖像CT－1，CT－2和CT－3采用本文方法分割后的結(jié)果?？梢钥闯?，圖8 （d）～ （f）中去除了胸腔內(nèi)不同灰度級存在的復(fù)雜組織以及肺部區(qū)域內(nèi)的血管、氣管和主支氣管，并修補(bǔ)了肺區(qū)輪廓缺口。另外，在樣本CT－3中存在左右肺區(qū)連結(jié)的特殊狀況，其分割結(jié)果如圖8 （f）所示，左右肺區(qū)分離的效果較為理想，驗(yàn)證了本文分割方法能夠有效解決肺部中存在的特殊病理情況。為了直觀地體現(xiàn)本文方法的分割效果，圖9第一行給出了CT－1，CT－2和CT－3分割結(jié)果與原始肺部CT 圖像疊加后的效果圖。對比本文方法 （圖9第一行）和專家手工分割結(jié)果 （圖9第二行），可以看出，本文方法的肺實(shí)質(zhì)輪廓分割接近于專家勾畫的結(jié)果。

為定量分析本文方法分割的準(zhǔn)確率，首先收集專家對10組不同病人CT 圖像數(shù)據(jù)集的手工分割結(jié)果，然后分別與本文方法分割后的相應(yīng)區(qū)域進(jìn)行比較，并采用如下公式計算準(zhǔn)確率

式中：P（i）——肺實(shí)質(zhì)輪廓區(qū)域分割的準(zhǔn)確率，Nc（i）——專家手工分割結(jié)果與機(jī)器分割結(jié)果重疊部分的像素數(shù)，Nh（i）——專家手工勾畫的肺實(shí)質(zhì)區(qū)域像素總數(shù)。

表1給出了本文方法對121張不同病理特征的肺部CT圖像進(jìn)行分割后的準(zhǔn)確率統(tǒng)計，其中對于左右肺區(qū)未連結(jié)情況分割準(zhǔn)確率為94.7%，左右肺區(qū)連結(jié)情況分割準(zhǔn)確率為93.1%，總體分割準(zhǔn)確率可達(dá)到93.9%以上。

表1 肺實(shí)質(zhì)分割準(zhǔn)確率

3 結(jié)束語

本文提出的肺實(shí)質(zhì)CT 圖像分割方法，針對肺部CT 圖像中各組織結(jié)構(gòu)復(fù)雜、形態(tài)各異等實(shí)際情況，綜合利用了多閾值、形態(tài)學(xué)、投影和標(biāo)記控制分割等算法進(jìn)行了有效處理。運(yùn)用多閾值法提取肺部中各類不同灰度級組織，便于肺實(shí)質(zhì)輪廓的粗分割及二值化處理，然后結(jié)合形態(tài)學(xué)開運(yùn)算去除肺實(shí)質(zhì)的干擾區(qū)域?？紤]到多閾值法無法分離左右肺區(qū)連結(jié)的問題，采用投影法標(biāo)記定位感興趣區(qū)域并引入標(biāo)記控制的分水嶺變換進(jìn)行左右肺區(qū)的再分割。最后，利用形態(tài)學(xué)開閉運(yùn)算細(xì)化肺實(shí)質(zhì)輪廓，修補(bǔ)肺區(qū)輪廓缺口，進(jìn)一步完善分割結(jié)果。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效對肺實(shí)質(zhì)進(jìn)行分割，并且分割準(zhǔn)確率接近于專家手工分割。

圖8 不同肺部CT 圖像分割結(jié)果

圖9 肺部CT 圖像分割結(jié)果對比分析

［1］Denison D M，Morgan M D，Millar A B.Estimation of regional gas and tissue volumes of the lung in supine man using computed tomography ［J］. Thorax，1986，41 （8）：620－628.

［2］Armato S G，Sensakovic W F.Automated lung segmentation for thoracic CT：Impact on computer－aided dignosis［J］.Acad Radiol，2004，11 （9）：1011－1021.

［3］Chen Yada，Bao Susu.A new region growing method on liver CT serial images［J］.Computer Engineering and Applications，2010，46 （13）：188－190.

［4］Cheng Ming，Huang Xiaoyang，Huang Shaohui.Directional region growing algorithm and its application in the vessel segmentation ［J］.Chinese Journal of Image and Graphics，2011，16 （1）：44－49.

［5］Acha B，Serrano C，Gomez－Cia T，et al.Fast parameter－free region growing segmentation with application to surgical planning ［J］.Springer Machine Vision and Applications，2012，23 （1）：165－177.

［6］Sorensen Lauge，Shaker Saher B，Bruijne M de.Quantitative analysis of pulmonary emphysema using local binary patterns［J］.IEEE Transactions on Medical Imaging，2010，29 （2）：559－569.

［7］Liu X，Chen D Z，Wu X，et al.Optimal graph search based image segmentation for objects with complex topologies［C］//Proc SPIE，2009.

［8］WANG Lei，DUAN Huichuan.Application of Otsu’method in multi－threshold image segmentation ［J］.Computer Engineering and Design，2008，29 （11）：2844－2846 （in Chinese）.［王磊，段會川.Otsu方法在多閾值圖像分割中的應(yīng)用 ［J］.計算機(jī)工程與設(shè)計，2008，29 （11）：2844－2846.］

［9］LIU Yan，ZHAO Yingliang.Quick approach of multi－threshold Otsu method for image segmentation ［J］.Journal of Computer Applications，2011，31 （12）：3363－3365 （in Chinese）.［劉艷，趙英良.Otsu多閾值快速求解算法 ［J］.計算機(jī)應(yīng)用，2011，31 （12）：3363－3365.］

［10］CAO Lei，ZHAN Jie，YU Xiao’e，et al.Fast lung segmentation algorithm for thoracic CT based on automated thresholding ［J］.Computer Engineering and Applications，2008，44（12）：178－181 （in Chinese）.［曹蕾，占杰，余曉鍔，等.基于自動閾值的CT 圖像快速肺實(shí)質(zhì)分割算法 ［J］.計算機(jī)工程與應(yīng)用，2008，44 （12）：178－181.］

［11］ZHANG Xin，WANG Bing，YANG Ying，et al.Automatic repair of lung boundary concave in chest CT images［J］.Computer Engineering and Applications，2013，49 （24）：191－194 （in Chinese）.［張欣，王兵，楊穎，等.胸部CT圖像肺區(qū)域邊界凹陷自動修補(bǔ)［J］.計算機(jī)工程與應(yīng)用，2013，49（24）：191－194.］