伍冠楚 吳黎明 林耿萱 鐘楊 蔣丹鳳
學術研究
基于改進凸包法的肺實質CT圖像分割
伍冠楚 吳黎明 林耿萱 鐘楊 蔣丹鳳
(廣東工業(yè)大學機電工程學院,廣東 廣州 510006)
針對計算機輔助診斷的需求,提出一種基于CT圖像的肺實質分割方法。首先,使用大津法實現(xiàn)CT圖像肺實質預分割,并利用數(shù)學形態(tài)學去除噪聲;然后,采用區(qū)域生長法以及小面積刪除法完成肺實質分割;最后,使用改進的凸包法對分割后的肺實質CT圖像進行邊界修復,并將得到的掩膜圖像與原圖像進行數(shù)學運算,得到肺實質感興趣區(qū)域。實驗結果表明:本文提出的方法具有分割精確高、魯棒性強、自動化程度較高的特點。
區(qū)域生長法;凸包法;肺實質;大津法
近年來大氣污染嚴重,肺部疾病發(fā)病率逐年增高。世界衛(wèi)生組織發(fā)布的報告顯示,肺癌已經(jīng)成為死亡率最高的癌癥[1]。傳統(tǒng)的肺癌診斷方法是通過醫(yī)生觀察X光圖像或CT圖像,并結合病人的病理報告來判斷,易受人為因素影響,可能導致誤診。因此,計算機輔助診斷成為當下熱點。
計算機輔助診斷肺部疾病需要大量優(yōu)質肺實質數(shù)據(jù)集,同時肺實質分割質量直接影響計算機輔助診斷結果的精確度。然而,由于CT圖像中各組織的灰度分布不均勻、結構復雜等原因,導致肺部邊界難以精確分割[2]。針對以上問題,本文提出區(qū)域生長法和凸包法相結合的方法,實現(xiàn)肺實質分割。
肺實質分割系統(tǒng)是為計算機輔助診斷而開發(fā)的CT影像分割系統(tǒng),它能夠將肺部CT圖像中的肺實質區(qū)域精準分割出來。肺實質分割系統(tǒng)主要由圖像預分割、肺實質區(qū)域提取和輪廓修補3部分組成,其流程如圖1所示。
圖1 肺實質分割系統(tǒng)流程圖
圖像預分割通過濾波、通道轉換、二值化、膨脹和腐蝕等數(shù)字圖像處理方法,將CT圖像的噪聲去除,使肺實質區(qū)域輪廓變得清晰、明顯。本文用大津法[3]作為預分割的主要算法。大津法的計算公式為
圖2 大津法預分割CT圖像肺實質結果
本文去除噪聲的辦法是先對圖像進行一次開運算:
再進行一次閉運算:
式中,為像素點集合;為結構元素。
結構元素可以選擇矩形或圓形對集合進行邏輯運算,經(jīng)實驗比對選擇圓形去噪效果最佳。去噪結果如圖3所示。
圖3 CT圖像去噪結果
區(qū)域生長法的基本思想是選擇若干個種子點,將與種子點有相似性質的像素點合并到一起,直到?jīng)]有滿足條件的像素點為止[4]。區(qū)域生長法思想簡單、容易實現(xiàn),生長準則自由指定,并且可在同一時間選擇多個準則。本文采用區(qū)域生長法實現(xiàn)肺實質區(qū)域提取,提取結果如圖4所示。
圖4 肺實質區(qū)域提取結果
常用的輪廓修補方法有形態(tài)學方法、滾球法、Snake算法和凸包算法等[5-8]。由于形態(tài)學方法和滾球法可能出現(xiàn)過修復和欠修復情況;Snake算法需要一定的人工交互,自動化程度較低,所以本文采用改進的凸包算法,實現(xiàn)輪廓修補。改進凸包法修補肺實質輪廓流程如圖5所示。
圖5 改進的凸包法修補肺實質輪廓流程
1)找到肺實質區(qū)域所有輪廓。利用改進的凸包法對肺實質區(qū)域進行輪廓修補時,需要已知肺實質區(qū)域輪廓點。本文利用findContours函數(shù)找到肺實質區(qū)域輪廓點。
2)利用Graham算法掃描得到凸包。Graham算法不斷保持一個凸殼通過加入新的點和去除影響凸性的點,最后形成包含所有點的凸包。凸包在二維歐幾里得空間中可以理解為剛好包含所有點的圈,因此輪廓點包含凸包點。步驟1)找到的第一個輪廓點作為初始點,凸包上相鄰線段的旋轉方向應該一致,并且與掃描方向相反,當發(fā)現(xiàn)新加入的點使新線段與上一條線段旋轉方向不一致,則可以判斷新點不在凸包上。設掃描方向是逆時針,新加點為P,上一個點為P+1,再上一個點為P+2,即
3)判斷凸包點集合相鄰兩點距離。設定閾值為
4)修補區(qū)域映射到二值圖像。將步驟3)得到的修補區(qū)域通過遍歷像素點的方式,得到修補區(qū)域的坐標,并在二值圖像上根據(jù)坐標一一映射。
5)填充修補后肺實質區(qū)域。將修補區(qū)域映射到二值圖像時,由于肺實質區(qū)域邊界崎嶇,會產(chǎn)生空缺部分,利用最小面積刪除法填充肺實質區(qū)域,得到修補后的二值圖像,如圖6所示。
圖6 肺實質輪廓的凸包修補
本文采用的數(shù)據(jù)集是廣東某醫(yī)院提供的若干個病人的胸部CT圖像,從中挑選30幅不同年齡段的病人且邊界模糊的胸部CT圖像(512×512)。其中,每一幅圖像都由2位放射科專家進行標注。
本文通過計算放射科專家的標注和算法分割結果的相似度來評價分割精確度。Dice系數(shù)可計算2個序列的相似度[9-11],計算公式為
對于每一張CT圖像,計算算法分割出的肺實質輪廓序列1與放射科專家標注的肺實質序列2的系數(shù),結果如表1所示。
表1 Dice結果
由表1可知:算法分割出的肺實質輪廓與專家標注的輪廓系數(shù)達到97%,意味著序列之間的相似度為97%。隨機選取5個實驗圖像分割結果如圖7所示。
圖7 肺實質CT圖像分割結果
由于CT圖像中各組織灰度不均勻,且結構復雜,使用單一的方法分割肺實質很難完整保留其邊信息。本文將區(qū)域生長法和改進的凸包算法結合,并通過計算專家標注和分割結果的相似度來評價該方法性能。實驗表明:本文提出方法能夠較為精確地分割出肺實質區(qū)域,有效保留肺部的邊緣信息。本文方法的不足之處在于:仍然需要一定的人工交互,比較依賴經(jīng)驗值(需要人為設定閾值)。在后續(xù)的工作中,將以降低人工交互程度、提高自適應性、減少對經(jīng)驗值的依賴為目標,對方法進行改進。
[1] 鄔雪濤,林嵐,王婧璇.基于CT圖像的肺實質分割技術研究進展[J].智慧健康,2019,5(20):87-89.
[2]BARTZ D, MAYER D, FISCHER J, et al. Hybrid segmentation and exploration of the human lungs[C]. IEEE Visualization, 2003: 177-184.
[3] OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man & Cybernetics, 2007, 9(1): 62-66.
[4] 陳亞楠,陳麗芳,蘆國軍.基于otsu和區(qū)域生長的肺部CT圖像分割方法[J].無線互聯(lián)科技,2018,15(17):103-104.
[5] 劉瑩芳,柏正堯,李瓊.一種基于CT圖像的肺實質分割方法[J].云南大學學報(自然科學版),2019,41(3):456-463.
[6] 周茂,曾凱,楊奎,等.肺部CT圖像分割方法研究[J].CT理論與應用研究,2018,27(6):683-691.
[7] 張文莉,呂曉琪,谷宇,等.基于肺部CT圖像中肺實質分割的研究進展[J].中國醫(yī)學物理學雜志,2017,34(9):902-907.
[8] 耿歡,覃文軍,楊金柱,等.基于CT影像的肺組織分割方法綜述[J].計算機應用研究,2016,33(7):1929-1935.
[9] KALENDER WA, FICHTE H, BAUTZ W, et al. Semiautomatic evaluation procedures for quantitative CT of the lung[J]. Computer Assist Tomography, 1991, 15(2): 248-255.
[10] YANG XQ, LI B, WEI SM. Method for segmenting medical image based on anatomical model[J]. Space Medicine & Medical Engineering, 2005, 18(1): 62-65.
[11] PRAMOD Kumar S, MRITYUNJAYA V Latte. Lung parenchyma segmentation: fully automated and accurate approach for thoracic CT scan images[J]. IETE Journal of Research, 2018:1-14.
CT Image Segmentation of Lung Parenchyma Based on Improved Convex Hull Method
Wu Guanchu Wu Liming Lin Gengxuan Zhong Yang Jiang Danfeng
(School of Mechanical and Electrical Engineering, Guangdong University of Technology, Guangzhou 510006, China)
To meet the needs of computer-aided diagnosis, this paper proposes a method of lung parenchyma segmentation based on CT images. This method first uses Otsu method to realize pre-segmentation, then uses mathematical morphology to remove noise, then uses region growth method and small area deletion method to complete the segmentation of lung parenchyma, and finally, an improved convex hull method is used to perform boundary repair on the segmented picture. A mathematical operation is performed on the obtained mask image and the original image to obtain a parenchymal region of interest. The experimental results prove that the method used in this paper has the advantages of high accuracy, robustness and high degree of automation.
regional growth method; convex hull method; lung parenchyma; Otsu
TP391
A
1674-2605(2020)06-0004-05
10.3969/j.issn.1674-2605.2020.06.004
伍冠楚,男,1996年生,碩士研究生,主要研究方向:圖像處理與深度學習。E-mail: 549713043@qq.com
吳黎明,男,1962年生,教授,主要研究方向:人工智能與深度學習。E-mail: jkyjs@gdut.edu.cn
林耿萱,男,1996年生,碩士研究生,主要研究方向:人工智能。E-mail: 452985924@qq.com
鐘楊,男,1997年生,碩士研究生,主要研究方向:人工智能與深度學習。E-mail: 769012871@qq.com
蔣丹鳳,女,1992年生,碩士研究生,主要研究方向:人工智能與深度學習。E-mail: 815514635@qq.com