基于改進區(qū)域生長算法提取肺氣管樹

裴宏亮 蔣蕰莙 樊慶文

【摘要】目前肺穿刺手術主要是醫(yī)生參考CT圖像信息憑借臨床經驗和主觀判斷進行“盲穿”。在肺部穿刺過程中，穿刺針需要避開肺部大氣管、血管，否則會引起氣胸、肺出血等并發(fā)癥，嚴重時會導致病人死亡，而通過建立人體胸部器官和組織三維模型可以有效的解決上述問題，本文研究重點為肺氣管樹的提取。以華西醫(yī)院提供的人體斷層CT掃描切片集為源數據，基于區(qū)域生長算法提取肺部大氣管。在包含主氣道的CT圖像中選擇氣道中心點作為種子像素點，并設定閾值生長準則將種子像素鄰域中與種子像素有相似性質的像素歸并到種子像素所在的區(qū)域中，分割肺部大氣管。在雙線性插值后CT圖像的基礎上，使用直方圖均衡化原理，改進區(qū)域生長算法，突出肺氣管壁邊界信息，提取肺氣管。改進后的區(qū)域生長算法可以較好的解決區(qū)域生長算法普遍存在的生長泄漏現象，可以快速、完整地提取6級以下的肺氣管。為醫(yī)生進行肺穿刺手術提供三維可視化的參考依據，保證穿刺手術時可以有效的避開肺部大氣管，降低肺穿刺手術引發(fā)起的并發(fā)癥發(fā)病率與死亡率，具有重要的理論價值和現實意義。

【關鍵詞】肺穿刺;肺氣管樹;三維重建;區(qū)域生長

【中圖分類號】R32 【文獻標識碼】A 【文章編號】ISSN.2095.6681.2020.21..03

根據國際癌癥研究機構的統計數據[1-2]：2018年全球因肺癌死亡的人數高達180萬，占癌癥總死亡人數的18.4%，而且肺癌的發(fā)病人數還在逐年增加;由于工業(yè)發(fā)展、環(huán)境破壞和人口基數過大等一系列原因，全球超過半數的癌癥死亡人數和接近一半的癌癥發(fā)病人數出現在亞洲地區(qū)，其中肺癌仍是該地區(qū)癌癥患者中的頭號殺手，對肺癌的檢查和預防在國內逐漸被人們重視起來。用于判斷肺占位性質是否為惡性腫瘤（肺癌）的方法[3-4]主要包括：放射學檢查、痰細胞學檢查、支氣管鏡檢查、縱隔鏡檢查以及病理檢查等。其中準確判斷是否為肺癌最直接、最常用的方法依然是病理檢查，也就是肺部穿刺手術[5-8]。肺穿刺手術時，穿刺針需要穿透肌肉組織、肺部組織達到病灶位置，提取出病變組織。目前，肺部穿刺手術主要依靠醫(yī)生參考CT圖片的信息憑借臨床經驗和主觀判斷進行“盲穿”。在肺部穿刺手術過程中，穿刺針需要避開肋骨、肺部大氣管、肺部血管、否則會引起氣胸、肺出血等嚴重并發(fā)癥，嚴重時會導致病人死亡。

利用CT圖像對人體肺部器官和組織進行三維重建[9-11]，特別是重建肺部的氣管，為醫(yī)生進行肺穿刺手術提供三維可視化的參考依據，指導醫(yī)生從三維角度對病情進行全面準確的觀察分析，以設計精確的治療方案，保證穿刺手術時可以有效的避開肺部大氣管，降低肺穿刺手術引發(fā)起的并發(fā)癥發(fā)病率與死亡率，具有重要的理論價值和現實意義。

1 基于區(qū)域生長算法提取肺氣管

區(qū)域生長算法是提取肺氣管時最常用的圖像處理方法[12-14]，其原理是根據圖像像素及其空間鄰域像素之間的關系來進行肺氣管提取;利用傳統的區(qū)域生長算法對肺氣管進行提取時，可以有效地避免其他圖像提取算法不能利用圖像空間信息的缺點，區(qū)域生長算法提取肺氣管的流程圖如圖1所示，該算法的兩個關鍵步驟為：生長種子點選擇與生長準則制定。

1.1 生長種子點選擇

區(qū)域生長種子點是氣管區(qū)域生長起始位置，一般選取氣管特征明顯區(qū)域的某一個像素作為種子點。我們選擇氣管半徑較大，顯示效果較好的某一層主氣道的中心點作為為生長種子點。

1.2 生長準則制定

區(qū)域生長的準則就是根據圖像像素值之間的連續(xù)性制定的一些相似性（灰度值、紋理以及顏色等信息）生長準則，決定將哪些像素納入到生長區(qū)域中，若生長準則制定過于寬松，會將圖像中其他器官圖像像素納入到生長區(qū)域，導致生長泄露;若生長準則制定的過于嚴謹，則會出現欠生長情況。由于肺氣道內充盈著空氣，閾值較小，與氣管壁之間存在相對較高的對比度，故而采用閾值范圍作為氣管提取的生長準則，滿足設定閾值范圍的像素為氣管像素，否則認為是其他組織像素。

由于原CT圖像的分辨率較低（512×512），使用區(qū)域生長算法只能將原CT圖像中4級以下較大氣管完整的提取出來，丟失了很多支氣管細節(jié)，如圖2所示。

當生長閾值范圍過大時，會出現嚴重的生長泄漏現象，導致提取失敗，如圖3所示。為了解決上述問題，采用以下幾種圖像處理方法對區(qū)域生長算法進行改進。

2 基于區(qū)域生長算法改進

2.1 圖像雙線性插值改進算法

由于原CT圖像分辨率較低（512×512），高級數支氣管所占的像素個數過少，有的位置甚至占不到一個像素，導致使用區(qū)域生長算法對原CT圖像進行氣管提取時，提取的支氣管數量較少，更小的細節(jié)提取不出來。為了能提取到更高級數的氣管，使用雙線性插值法[15-16]將原CT圖像轉為高分辨率圖像（1024×1024），增加高級數肺氣管氣道所占有的像素個數。

在Matlab軟件中對高分辨率圖像進行氣管提取實驗，結果發(fā)現：使用區(qū)域生長算法對插值細化后的CT圖像進行氣管提取時，可以有效的提高細小支氣管的數量與氣管提取級數，但由于噪聲、偽影以及部分容積作用的影響，使得在細小的支氣管壁處會出現模糊甚至斷裂情況（如圖4所示），導致在提取到該位置時依然會發(fā)生生長泄漏現象（提取到肺實質區(qū)域）。

經過多組氣管提取實驗結果表明：不同范圍的生長閾值，導致的泄漏位置與泄漏范圍大小不同。閾值范圍選擇25～49時，氣管生長泄漏如圖5（a）所示;閾值范圍選擇15～49時，氣管的生長泄漏如圖5（b）所示;閾值范圍選擇0～49時，氣管的生長泄漏如圖5（c）所示。使用區(qū)域生長算法對插值細化后的高分辨率CT圖像進行肺氣管提取實驗時，不管選擇什么范圍的生長閾值，都會出現生長泄露現象，導致氣管提取失敗。

2.2 直方圖均衡化改進算法

通過CT掃描獲得的原始人體CT圖像的灰度分布集中在狹窄的區(qū)間內，對比度非常弱，細小支氣管壁處的細節(jié)不清楚，且容易發(fā)生氣管壁斷裂現象。細小支氣管壁薄弱導致的圖像中氣管壁局部斷裂是生長泄漏的主要原因。此時，可以采用圖像直方圖均衡化處理的方法來改進區(qū)域生長算法。經過直方圖均衡化處理后的CT圖像灰度間距被拉開，圖像反差加大，圖像中氣管壁邊界信息被突出，從而達到提高圖像對比度、改善圖像質量的目的。CT圖像局部支氣管圖像直方圖均衡化前后的對比如圖6所示。

從上圖可以看出，經過處理后的圖像直方圖分布更為均勻，原圖像中包含像素數較多的灰度級間隔被拉大，實際視覺能夠接收的信息量大大增強，圖像中氣管壁與氣道對比度更高。經多組氣管提取實驗驗證，使用該方法改進域生長算法可有效地防止區(qū)域生長算法在提取肺氣管時普遍存在在生長泄漏的現象，提取效果較好，提取級數可達到6級，如圖7所示。

3 肺氣管的三維重建

通過上述方法提取得到氣管圖像為軸位掃描CT切片上的400張二維氣管二值圖像。氣管的二維圖像不能直觀的體現出氣管的結構，所以需要將這些提取的二維氣管圖像進行三維重建，重建方法如下。

首先將提取的400張肺氣管二維圖像構造為一個三維矩陣MAT，得到的數據集MAT是一個x×y×400的矩陣;然后利用find函數找到三維矩陣中為1（氣管像素）的位置坐標，并使用函數plot3對這些肺氣管像素點進行三維點云構建，如圖7所示;最后將肺氣管的三維點云坐標數據導入CATIA軟件的“Digitized Shape Editor”模塊，進行去除噪音、數據插補、數據平滑、網格化、曲面擬合處理，得到肺氣管的三維實體模型，如圖8所示。

4 結 論

根據四川大學華西醫(yī)院提供的患者胸部CT切片，利用區(qū)域生長原理，提取出了肺部大氣管。使用雙線性差值以及直方圖均衡化原理，改進了區(qū)域生長算法，突出肺氣管壁邊界信息，改進后的區(qū)域生長算法可以較好的解決了區(qū)域生長算法提取肺氣管時普遍存在的生長泄漏現象?；趨^(qū)域生長算法運算速度快，提取的肺氣管連續(xù)完整，能夠有效地提取6級以下的肺部大氣管。

參考文獻

[1] Bray F，Ferlay J，Soerjomataram I，et al.Global cancer statistics 2018：GLOBOCANestimates of incidence and mortality worldwide for 36 cancers in 185 countries[J].CA Cancer J Clin，2018，68（6）：394-424.

[2] 王 寧，劉 碩，楊 雷，張 希，袁延楠，李慧超，季加孚.2018全球癌癥統計報告解讀[J].腫瘤綜合治療電子雜志，2019，5（01）：87-97.

[3] 王 麗.中國原發(fā)性肺癌診療規(guī)范（2015年版）解讀[J].世界臨床藥物，2016，37（07）：433-436.

[4] 沈洪兵，俞順章.我國肺癌流行現狀及其預防對策[J].中國腫瘤，2004（05）：18-20.

[5] Petranovic M，Gilman MD，Muniappan A et al.Diagnostic Yield of CT-Guided Per-cutaneous Transthoracic Needle Biopsy for Diagnosis of Anterior Mediastinal Masses[J].American Journal of Roentgenology.2015，205（4）：774-779.

[6] Matsuura K，Kadoya T，Masumoto N et al.The role of lung biopsy in the management of lung nodules in breast cancer patients[J].Cancer Research.2015，79（7 Supplement）.

[7] 葉小軍.CT定位下經皮肺穿刺活檢在肺部塊狀病變診斷中的應用[J].影像技術，2019，31（02）：8-10.

[8] 任君清，吳 偉.經皮肺穿刺與支氣管鏡活檢對周圍性肺癌的診斷價值[J].醫(yī)學信息，2019，32（05）：111-113.

[9] 岳玉亮，樊慶文，王德麾，李 煥.輻照仿真人體模型三維建模及裝配原理與方法[J].中國醫(yī)學物理學雜志，2016，33（05）：463-467.

[10] 趙志鍵，樊慶文，王德麾，李海博，裴宏亮.輻射等效假人數字化建模方法[J].中國醫(yī)物理學雜志，2018，35（03）：275-280.

[11] 姚小芬，潘慧紅，鐘玉敏，邱海嵊.3D打印技術在先天性心臟病伴氣管軟化診斷與治療中的應用[J].中國醫(yī)學物理學雜志，2018，35（05）：580-584.

[12] Rafael C.Gonzalez，Richard E.Woods.Digital image Processing，Third Edition[M].BEIJING：Publshing House of Electronics Industry，2017.

[13] 楊 杰.數字圖像處理及MATLAB實現（第2版）[M].北京：電子工業(yè)出版社，2013.

[14] Pu J，Gu S，Liu S et al.CT based computerized identification and analysis of human airways：A review[J].Medical Physics，2012，39（5）：2603-2616.

[15] 丁雪晶.實現圖像縮放功能的Matlab插值算法研究與比較[J].湖北大學學報（自然科學版），2018，40（04）：396-400+406.

[16] 徐鵬飛.雙線性插值和三次卷積在圖像縮放中的應用及實現[J].網絡安全技術與應用，2017（12）：51+67.