CT圖像中肝臟自動(dòng)分割算法研究

張輝++閆謙時(shí)

摘要：由于全自動(dòng)分割方法容易受噪聲、場偏移效應(yīng)等影響，醫(yī)用上全自動(dòng)的分割方法尚且無法完全代替手工操作參與的半自動(dòng)化方法。該文使用一種基于改良的區(qū)域生長算法用于對CT圖像的肝臟部分進(jìn)行剝離，以期能盡可能減少圖像分割時(shí)人工參與，解決現(xiàn)階段臨床上半自動(dòng)化交互式分割效率低的問題，以助于計(jì)算機(jī)輔助診斷、病變組織定位、三維重建、治療方案設(shè)計(jì)等。方法：改進(jìn)的區(qū)域生長法。該方法對兩套肝臟CT切片分割，準(zhǔn)確率均在90%以上，魯棒性強(qiáng)。

關(guān)鍵詞：肝臟自動(dòng)分割；區(qū)域生長法；CT圖像

中圖分類號：TP751 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2017）30-0184-04

The Algorithm Research of Liver CT Image Automatic Segmentation

ZHANG Hui，YAN Qian-shi

（School of Computer Science and Engineering， Xian Technological University， Xian 710021， China）

Abstract： Because of that the automatic segmentation method is easy to be affected by the noise and the field offset effect， the fully automatic segmentation method can not completely replace the artificial semi-automatic segmentation method. This paper proposes an improved algorithm for liver section of CT image segmentation Based on region rowing algorithm， in order to minimize the image segmentation of artificial participation， to solve the present clinical semi automated interactive segmentation problem of low efficiency， and help computer aided diagnosis， lesion location， 3D reconstruction， treatment design. Methods： Based on the improved region growing method， the liver CT image was segmented. The proposed method was applied to the segmentation of two sets of liver CT slices， and the accuracy was above 90%.

Key words： automatic liver segmentation； region growing； CT image

醫(yī)學(xué)領(lǐng)域的圖像分割的發(fā)展大致經(jīng)歷了三個(gè)階段的發(fā)展，第一階段完全依賴于工作人員手工勾勒出感興趣的器官，即手工時(shí)期。尤其對于CT圖像數(shù)以百計(jì)的切片來說，依靠工作人員手動(dòng)去分割的方式不僅耗時(shí)耗力，而且分割是否準(zhǔn)確很大程度依賴于醫(yī)生的解剖知識和臨床經(jīng)驗(yàn)，針對不同患者分割結(jié)果不可復(fù)用，因此很不理想。第二階段指隨著技術(shù)的進(jìn)步和設(shè)備的優(yōu)化，慢慢出現(xiàn)了人工和機(jī)器結(jié)合的半自動(dòng)化的分割方法。該方法使醫(yī)生根據(jù)自己的診斷經(jīng)驗(yàn)、醫(yī)學(xué)知識利用先進(jìn)的成像設(shè)備進(jìn)行圖形分割（例如，文獻(xiàn)[6]中提到的自適應(yīng)區(qū)域生長算法需要醫(yī)者根據(jù)經(jīng)驗(yàn)選取起始種子點(diǎn)，其后則可實(shí)現(xiàn)自動(dòng)分割），采用交互式的半自動(dòng)化方法完成對醫(yī)學(xué)圖像的分割。和手動(dòng)分割比較，交互式分割方法很大程度降低了手工參與，而且分割效率高、準(zhǔn)確度高。第三階段，近年來，因?yàn)槿斯ぶ悄堋⒛：龜?shù)學(xué)等學(xué)科得到廣泛推廣，出現(xiàn)了一些全自動(dòng)的分割方法，幾乎脫離了手工操作。但是因?yàn)楦鞣N醫(yī)學(xué)成像技術(shù)擁有的成像特征各不相同，沒有萬能的分割方法，再加之在噪聲的影響下，使獲取到的圖像很不理想，例如：圖像灰度不均勻、存在偽影和噪聲、對比度低、器官形狀結(jié)構(gòu)和微細(xì)結(jié)構(gòu)分布復(fù)雜、不同軟組織之間相互重疊造成邊界模糊等特性。所以醫(yī)用上全自動(dòng)的分割方法尚無法普及。

現(xiàn)階段基于CT圖像的肝臟分割面臨的挑戰(zhàn)有：設(shè)備掃描范圍很大，生成的CT斷層圖像數(shù)量多；肝臟與周圍組織器官有大面重疊，且其灰度非常接近，導(dǎo)致肝臟輪廓往往無法用肉眼識別。如下圖所示。

圖1 肝臟CT切片示意圖

CT圖像分割，往往要依據(jù)切片灰度的兩個(gè)特點(diǎn)：不連續(xù)性和相似性。常用的方法如下：

（1） 邊緣檢測法：邊緣檢測的核心思想是檢測每個(gè)像素和其緊鄰域的狀態(tài)，邊緣往往是圖像上的突變點(diǎn)，即如果該像素點(diǎn)和其緊鄰域的像素灰度差較大，則可以認(rèn)為其是邊緣像素點(diǎn)。最常用的方式是借助圖像一二階導(dǎo)數(shù)來計(jì)算。

（2） 閾值分割法：閾值分割原理是利用設(shè)置的閾值把圖像中的像素分成若干類。其特點(diǎn)是分割速度快，操作簡單，適用于分割對象和背景灰度差較大的圖像。但對于一些灰度分布不均勻，目標(biāo)與背景差異不明顯的圖像，只使用閾值分割是不可行的。閾值分割的關(guān)鍵是閾值如何選擇，常用的方法有兩種，一種是使用滑動(dòng)條控件，用戶可拖拽滑動(dòng)條通過視覺觀察選取合適閾值。還有一種方法是通過計(jì)算，例如常見的otsu最佳全局閾值法，通過最計(jì)算大類間方差確定最佳閾值。

（3） 區(qū)域分割法：其中最普遍的是區(qū)域生長法。區(qū)域生長是指通過觀察或者根據(jù)經(jīng)驗(yàn)在目標(biāo)區(qū)域內(nèi)選取一個(gè)或者多個(gè)種子點(diǎn)，依據(jù)提前指定的生長規(guī)則，判斷種子點(diǎn)周圍的像素是否合并進(jìn)來，若合并則以剛合并的點(diǎn)為目標(biāo)繼續(xù)判斷其周圍點(diǎn)是否合并，直到滿足預(yù)定義的停止規(guī)則為止，生長區(qū)域的擴(kuò)張才算結(jié)束。生長規(guī)則的制定可以是灰度值、紋理、顏色等多種圖像信息。

（4） 分水嶺分割法：分水嶺分割方法是將整個(gè)圖像視為地貌，借助于地理學(xué)的啟發(fā)，假設(shè)地貌的低洼處有孔洞，將整個(gè)地貌模型放入水缸模擬浸水過程，當(dāng)有兩個(gè)積水區(qū)即將融合時(shí)通過柞水壩阻止積水相會。直到整個(gè)地貌模型完全融入水缸，則水壩就將圖形劃分成了不同區(qū)域。在分水嶺分割方法執(zhí)行過程中借助閾值分割，邊緣檢測來得到分水嶺標(biāo)記圖。其可視為對經(jīng)典分割方法的有效結(jié)合，既保留了經(jīng)典方法的優(yōu)點(diǎn)，也克服了其過分依賴于灰度特征的缺陷。

近年來不斷有國內(nèi)外學(xué)者對傳統(tǒng)分割方法改良，Kumar提出先利用腐蝕圖像的最大連通區(qū)域的中心坐標(biāo)軸作為生長區(qū)域的種子節(jié)點(diǎn)，再利用高斯模型對閾值范圍進(jìn)行確定，然后使用區(qū)域生長法進(jìn)行分割[10]。Pohle R提出了自適應(yīng)區(qū)域生長法，但其算法過于依賴于組織中灰度分布的均勻性[9]。吸收前人的經(jīng)驗(yàn)，本文對傳統(tǒng)區(qū)域生長算法做出改良，用于對CT圖像的肝臟部分進(jìn)行分割，以期能盡可能減少圖像分割時(shí)人工參與，解決現(xiàn)階段臨床上半自動(dòng)化交互式分割效率低的問題，為臨床診斷和手術(shù)計(jì)劃提供有效的個(gè)性化數(shù)據(jù)。

1 區(qū)域生長算法

區(qū)域生長算法：原理是先從圖像上選取一個(gè)或多個(gè)種子點(diǎn)，遍歷與種子點(diǎn)鄰接的像素點(diǎn)，將其灰度值與種子點(diǎn)逐個(gè)進(jìn)行比較，依據(jù)生長規(guī)則判別是否將其合并進(jìn)生長區(qū)域內(nèi)，最后按照提前擬定好的遏制條件判斷是否停止區(qū)域擴(kuò)張。

1.1 基于區(qū)域灰度差的生長規(guī)則

（1） 自左向右一行一行掃描圖像，尋找沒有隸屬的像素；

（2） 以選定的像素（種子點(diǎn)，也是生長區(qū)域的起始點(diǎn)）為對象，遍歷與它鄰接的像素點(diǎn)，求鄰接像素點(diǎn)與種子點(diǎn)的灰度差，要是比提前設(shè)置的閾值小，則可以將此鄰接像素融合進(jìn)來；

（3） 用剛剛歸并的點(diǎn)作為研究目標(biāo)，再次進(jìn)行第2步，當(dāng)滿足停止規(guī)則時(shí)停止擴(kuò)張；

（4） 重復(fù)進(jìn)行步驟1，當(dāng)沒有新的像素點(diǎn)加入，算法結(jié)束。

1.2 三個(gè)關(guān)鍵點(diǎn)

若要使用區(qū)域生長法，需面對以下三個(gè)關(guān)鍵點(diǎn)：1）種子點(diǎn)的選?。?）確定生長準(zhǔn)則；3）確定停止的條件或規(guī)則。

1.3 算法存在缺陷

（1） 用戶得憑借自身經(jīng)驗(yàn)手動(dòng)選種子點(diǎn)，分割速度慢。

（2） 容易出現(xiàn)過分割現(xiàn)象。

2 改進(jìn)的區(qū)域生長算法

圖2 改進(jìn)的區(qū)域生長法流程圖

2.1 種子點(diǎn)（種子區(qū)域）自動(dòng)選取

1） 在整套 CT中挑選出其中一張含有腎臟區(qū)域較大的斷層切片作為起始層，醫(yī)者需要臨床診斷經(jīng)驗(yàn)選擇一個(gè)種子點(diǎn)，以該點(diǎn)周圍5×5（暫定，種子區(qū)域?qū)挾茸鳛閰?shù)之一）個(gè)像素區(qū)域作為種子區(qū)域。

2） 根據(jù)擬定的合并準(zhǔn)則（區(qū)域生長準(zhǔn)則后文介紹）判斷周圍像素點(diǎn)是否合并，以此讓種子區(qū)域逐步向外生長，直到?jīng)]有新的像素點(diǎn)加入，則起始層分割完畢；

3） 考慮相鄰層之間的肝臟區(qū)域不會出現(xiàn)太大的位置偏移，故可計(jì)算出起始層生長結(jié)束后的區(qū)域中心（可使用matlab提供的centroids函數(shù)），并以此中心作為相鄰兩層的種子點(diǎn)，以該點(diǎn)周圍5×5個(gè)像素區(qū)域作為種子區(qū)域。

4） 重復(fù)以上方法獲取后續(xù)層數(shù)的種子區(qū)域直到CT斷層圖像上不存在腎臟區(qū)域?yàn)橹埂?/p>

2.2 改進(jìn)的區(qū)域生長規(guī)則

本文利用種子點(diǎn)灰度值與鄰接像素的灰度差判斷鄰域像素是否合并進(jìn)生長區(qū)域內(nèi)，但缺點(diǎn)是這對種子點(diǎn)的選擇有較大的依賴性，其改進(jìn)方法如下：

1） 假定灰度差的閾值為0，依據(jù)以上的區(qū)域生長法，歸并灰度值相等的點(diǎn)；

2） 首先對每個(gè)緊鄰的區(qū)域之間的灰度差求均值，然后找最小的緊鄰區(qū)域進(jìn)行歸并；

3） 不斷執(zhí)行第2步中的操作，讓生長區(qū)域不斷擴(kuò)張，直到?jīng)]有新的無歸屬的點(diǎn)加入，區(qū)域生長過程結(jié)束。

4） 針對一些灰度近似的區(qū)域以上方法仍存在一定缺陷，即：可能會將不屬于分割目標(biāo)的像素歸并進(jìn)來。想要完善此缺點(diǎn)，考慮不求解當(dāng)前點(diǎn)與緊鄰點(diǎn)的灰度差，用生長區(qū)域的灰度均值代替當(dāng)前點(diǎn)去與各個(gè)緊鄰點(diǎn)的求灰度差。用公式：[X=1MQf（x，y）]表示CT斷層切片中M個(gè)點(diǎn)的Q區(qū)域的灰度均值。即：假設(shè)當(dāng)前元素灰度值為y，若滿足：|y-[X]|≤T[y-X≤T]則合并，否則不合并。其中T表示提前設(shè)置的閾值。

3 實(shí)現(xiàn)流程

3.1 圖像預(yù)處理

讀入CT斷層圖像，先對圖像進(jìn)行灰度歸一化處理，然后采用均值濾波法對原始圖像進(jìn)行降噪（基于matlab實(shí)現(xiàn)），如圖為圖像預(yù)處理實(shí)現(xiàn)流程：

3.2 選擇初始種子區(qū)域

選取含有肝臟面積較大的切片，根據(jù)灰度范圍選取種子區(qū)域，例如，取種子點(diǎn)為（x，y）=（205，207）。以該為中心的5×5個(gè)像素區(qū)域作為種子區(qū)域。

3.3 基于改進(jìn)的區(qū)域生長算法

肝臟灰度閾值的計(jì)算公式如下：

[125i=-22j=-22（f（x+r，y+c）-mean（x，y））]

以（x，y）表示剛興趣區(qū)域的中心點(diǎn)坐標(biāo)，f（x，y）表示像素點(diǎn)（x，y）的灰度值，

mean（x，y） = [125i=-22j=-22f（x+r，y+c）]

3.4 圖像后處理

利用形態(tài)學(xué)上的膨脹、腐蝕、開運(yùn)算以及閉運(yùn)算就圖像進(jìn)行后處理，消除圖像上的孔洞，如下圖：

3.5 計(jì)算相鄰切片的種子區(qū)域

使用matlab 的centroids函數(shù)計(jì)算當(dāng)前切片的幾何中心，由于相鄰切片之間偏移量很小，可利用相鄰切片相似度高的特性，以當(dāng)前切片的幾何中心作為下一切片的種子點(diǎn)，例如，種子點(diǎn)為（x，y）=（206，208）。則相鄰切片的種子區(qū)域?yàn)樵擖c(diǎn)周圍5×5個(gè)像素區(qū)域。

4 結(jié)果與分析

（1） 實(shí)驗(yàn)數(shù)據(jù)

本文所用數(shù)據(jù)源中CT圖像的像素間距是0.733594mm，斷層圖像厚度是1.0mm，斷層圖像之間的間隔是0.4mm。CT斷層圖像尺寸為512×512像素。

（2） 實(shí)驗(yàn)環(huán)境

算法于matlab7.0上仿真，于64位 windows 7系統(tǒng)上運(yùn)行，處理器為i76700 HQ，其主頻為2.8 GHz，內(nèi)存為16 G DDR42133 MHz，顯卡為 NVIDIA GeForce GTX960m，2 G獨(dú)顯。

（3） 實(shí)驗(yàn)結(jié)果分析

由于相關(guān)試驗(yàn)涉及的CT斷層切片數(shù)量較多，本文只展示部分試驗(yàn)結(jié)果，第一組CT圖像共有85張斷層切片上包含肝臟，有73張分割效果較好，與目標(biāo)邊緣吻合大于92%，然而還有一些 CT切片分割效果仍不理想，73張CT切片自動(dòng)分割共用時(shí)約29.5 s。第二組CT切片共有80張斷層切上包含肝臟，有69張分割結(jié)果較好，與目標(biāo)邊緣吻合率大于94%，80張CT切片自動(dòng)分割用時(shí)約28.7s。經(jīng)測試，一個(gè)經(jīng)驗(yàn)較為豐富的醫(yī)護(hù)人員手動(dòng)勾畫CT切片中肝臟部分平均需要8s/張，勾畫出第一套CT切片的肝臟部分平均需要11.3分鐘，第二套10.7分鐘。本文所用方法剝離CT切片肝臟區(qū)域只用400 ms～800 ms/張，第一套 CT切片分割用時(shí)29.5s，大約僅占醫(yī)護(hù)人員手動(dòng)勾畫耗時(shí)的1/25，第二套 CT切片分割用時(shí)28.7s，大約僅占醫(yī)生手動(dòng)勾畫耗時(shí)的1/23，速度大幅度增長。

5 結(jié)論

本方法是憑借相鄰切片偏移量小、近似度高的特點(diǎn)，改良傳統(tǒng)的區(qū)域生長法，完成肝臟部分的自動(dòng)分割，解決人工手動(dòng)分割效率低的問題，實(shí)驗(yàn)以兩套CT切片為基礎(chǔ)數(shù)據(jù)，通過對比醫(yī)生手工分割，不難發(fā)現(xiàn)該方法比之手工分割效率明顯提高，兩套實(shí)驗(yàn)切片均能在30秒之內(nèi)完成分割。該方法除了初始階段需要用戶根據(jù)先驗(yàn)性經(jīng)驗(yàn)選取第一個(gè)種子區(qū)域，在其他分割過程中均無人工參與，兩套實(shí)驗(yàn)切片肝臟部分的剝離正確率在大于90%，算法擁有較強(qiáng)的精確性和穩(wěn)定性。

參考文獻(xiàn)：

[1] 潘家輝，朱玲利，鮑蘇蘇.基于區(qū)域生長算法的CT序列圖像分割[J].洛陽師范學(xué)院學(xué)報(bào)，2015，05：58-61.

[2] 王華松.圖像區(qū)域生長分割算法研究[J].科技創(chuàng)新導(dǎo)報(bào)，2015，18：66+120.

[3] 宋紅，王勇，黃小川，李佳佳，等.基于動(dòng)態(tài)自適應(yīng)區(qū)域生長的肝臟CT圖像腫瘤分割算法[J].北京理工大學(xué)學(xué)報(bào)，2014，01：72-76.

[4] Adams R， Bischof L. Seeded region growing[J].Pattern Analysis and Machine Intelligence， IEEE Transactions on， 1994， 16（6）：641-647.

[5] 高升，葛云. DICOM格式醫(yī)學(xué)圖像及其圖像信息的顯示[J].中國醫(yī)學(xué)物理學(xué)雜志，2010，03：1885-1888.

[6] 彭豐平，鮑蘇蘇，曾碧卿.基于自適應(yīng)區(qū)域生長算法的肝臟分割[J].計(jì)算機(jī)工程與應(yīng)用，2010，33：198-200.

[7] 周光華，李岳峰，孟群.醫(yī)學(xué)圖像處理技術(shù)與應(yīng)用分析[J].中國衛(wèi)生信息管理雜志，2011，06：44-47.

[8] Lim S J， Jeong Y Y， Ho Y S. Automatic liver segmentation for volume measurement in CT Images[J].Journal of Visual Communication and Image Representation， 2006， 17（4）：860-875.

[9] Pohle R， Toennies K D. Segmentation of medical images using adaptive region growing[C]//Medical Imaging 2001. International Society for Optics and Photonics， 2001： 1337-1346.

[10] Kumar S S， Moni R S， Rajeesh J. Automatic liver and lesion segmentation： a primary step in diagnosis of liver diseases[J]. Signal， Image and Video Processing， 2013， 7（1）：163-172.endprint