基于區(qū)域生長(zhǎng)與K-means聚類結(jié)合的肝臟腫瘤分割

林家興 呂東澔

摘要：獲取肝臟腫瘤部分的分割圖像一直是現(xiàn)在主流的問(wèn)題。在原區(qū)域生長(zhǎng)算法的基礎(chǔ)上進(jìn)行優(yōu)化，首先用k-means聚類對(duì)圖像進(jìn)行預(yù)處理，然后按照?qǐng)D片大小和像素值等因素加入了自適應(yīng)選取區(qū)域生長(zhǎng)種子節(jié)點(diǎn)的過(guò)程，并加入了形態(tài)學(xué)處理和邊緣提取的操作顯示最終結(jié)果。將結(jié)果與原區(qū)域生長(zhǎng)算法和原聚類算法的分割結(jié)果進(jìn)行了對(duì)比，結(jié)果顯示改良后的算法在精度、兼容性和速度上優(yōu)于原算法，能起到更好的分割效果。

關(guān)鍵詞：肝癌;自適應(yīng);區(qū)域生長(zhǎng);k-means聚類;形態(tài)學(xué)處理;邊緣提取

中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）26-0134-04

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Segmentation of Liver Tumors Based on Regional Growth Combined with K-means Clustering

LIN Jia-xing，LV Dong-hao

（Inner Mongolia University of Science and Technology， Baotou 014010， China）

Abstract：Obtaining segmented images of liver tumors has always been a mainstream problem. In this paper， the optimization is carried out on the basis of the original region growth algorithm. The image is preprocessed by k-means clustering， and the process of seed node growth in the adaptive selected region is added according to the image size， pixel value and other factors， and morphological processing and edge extraction are added to display the final result. The results are compared with the segmentation results of the original region growth algorithm and the original clustering algorithm， and the results show that the improved algorithm is superior to the original algorithm in accuracy， compatibility and speed.

Key words：liver cancer;adaptive; regional growth;k - means clustering;morphological treatment;edge detectio

肝癌的治療一直是我國(guó)醫(yī)學(xué)上的重要課題，治療肝癌的方法主要是通過(guò)醫(yī)療手段對(duì)肝臟上已癌變的細(xì)胞進(jìn)行染色，確定癌變程度，再根據(jù)染色后的肝臟圖片確定治療方案?，F(xiàn)在的醫(yī)學(xué)圖像獲取主要是通過(guò)CT、MRI、US等，每種方法都適用于不同的病例，其中獲取肝臟圖像主要是通過(guò)CT設(shè)備。如何精準(zhǔn)快速地對(duì)CT圖像中肝臟的癌變部分進(jìn)行精準(zhǔn)的分割一直是現(xiàn)在研究的一個(gè)重要課題[2]，分割的精度會(huì)直接影響后期對(duì)肝臟腫瘤的三維重建效果，相比于醫(yī)療人員憑借手動(dòng)劃分肝臟信息，本文提出的自適應(yīng)區(qū)域生長(zhǎng)分割方法能更加有效快速的提取肝臟信息。

1 CT圖像分割

圖像分割的概念 是在目標(biāo)圖片中將自己需要的部分提取出來(lái)，在一些簡(jiǎn)單的目標(biāo)圖像中，這樣的分割步驟可以手動(dòng)進(jìn)行圈畫來(lái)完成。但是對(duì)于復(fù)雜的圖像，手動(dòng)分割就無(wú)法實(shí)現(xiàn)分割對(duì)精度的要求[1]。例如在醫(yī)學(xué)圖片中對(duì)各種病變器官的分割，這樣的分割對(duì)分割精度是有嚴(yán)苛要求的，稍有誤差就可能對(duì)手術(shù)的成功率造成極大的影響，甚至有可能直接威脅到患者的生命。CT圖片常常被應(yīng)用于獲取各種病變器官信息，如何精準(zhǔn)快速地從CT圖片中提取出病變區(qū)域一直是圖像分割這門課題的核心?，F(xiàn)在常用的圖像分割方法有閾值分割，水平集分割，聚類模型分割，以及區(qū)域生長(zhǎng)分割等[3]。

1.1區(qū)域生長(zhǎng)算法

區(qū)域生長(zhǎng)算法是圖像分割中一種比較常用的方法，它的原理是通過(guò)設(shè)置種子節(jié)點(diǎn)和種子節(jié)點(diǎn)的生長(zhǎng)準(zhǔn)則來(lái)演化，以達(dá)到圖像分割的目的[4]。

1.1.1種子節(jié)點(diǎn)選取

在區(qū)域生長(zhǎng)算法中，種子節(jié)點(diǎn)的選取是最關(guān)鍵的一步，種子節(jié)點(diǎn)的選取根據(jù)圖像灰度值的分布、目標(biāo)區(qū)域的信息以及算法的不同有著嚴(yán)苛的要求，例如在將生長(zhǎng)準(zhǔn)則設(shè)置成門限值時(shí)，種子節(jié)點(diǎn)的選取值要為目標(biāo)區(qū)域灰度值的均值點(diǎn)，這樣才能避免過(guò)分割的情況出現(xiàn)。本文種子節(jié)點(diǎn)的選取為灰度值均勻的肝臟癌變部位，肝臟癌變部分經(jīng)醫(yī)學(xué)染色后在CT圖像中能明顯的被觀測(cè)到。

1.1.2生長(zhǎng)準(zhǔn)則的制定

生長(zhǎng)準(zhǔn)則的制定相對(duì)于種子節(jié)點(diǎn)的選取并沒有那么嚴(yán)苛的要求，它可以是一個(gè)門限值，可以是一個(gè)模型，也可以是一個(gè)算法，具體的設(shè)置需根據(jù)對(duì)圖片目標(biāo)提取的實(shí)際需求來(lái)設(shè)置，以確保鄰域的像素節(jié)點(diǎn)能準(zhǔn)確地合并到種子節(jié)點(diǎn)的演化中[5]。本文的生長(zhǎng)準(zhǔn)則設(shè)定為門限值。

區(qū)域生長(zhǎng)算法的優(yōu)缺點(diǎn)很明顯，區(qū)域生長(zhǎng)算法的優(yōu)點(diǎn)在于分割灰度值均勻圖像時(shí)速度較快，且效果較好。但是對(duì)于灰度值不均勻的圖像來(lái)說(shuō)區(qū)域生長(zhǎng)的分割準(zhǔn)確性很差，用時(shí)也較長(zhǎng)，且無(wú)法達(dá)到預(yù)期標(biāo)準(zhǔn)，容易出現(xiàn)欠分割與過(guò)分割的情況。