采用改進(jìn)Snake模型的胸片肺野自動(dòng)分割方法

胡俊，李平

(華僑大學(xué) 信息科學(xué)與工程學(xué)院，福建 廈門 361021)

X光胸片是臨床上廣泛使用的醫(yī)學(xué)影像，對于肺部疾病的分析、診斷具有非常重要的臨床意義.隨著計(jì)算機(jī)輔助診斷(CAD)技術(shù)的普及，其高效性和實(shí)用性受到人們的關(guān)注，將計(jì)算機(jī)輔助診斷技術(shù)應(yīng)用到X光胸片上，可有效地幫助醫(yī)生檢查關(guān)于肺部的各種疾病，如氣胸、肺氣腫、肺炎、肺癌等[1].因此，X光胸片肺野的精確分割成了計(jì)算機(jī)輔助醫(yī)生進(jìn)行高效、準(zhǔn)確地診斷肺部疾病的重要基礎(chǔ)[2].

一直以來，X光胸片肺野分割就是醫(yī)學(xué)圖像處理的研究熱點(diǎn)，許多分割方法被應(yīng)用于這一任務(wù)中.曹新華等[3]通過閾值法進(jìn)行分割，并利用直方圖特征自動(dòng)確定閾值.張繼武等[4]采用了水平集方法，分割效果要優(yōu)于閾值法.劉炎等[5]采用了多種分割方法聯(lián)合使用的策略，達(dá)到了提高分割精度的目的.近年來，深度學(xué)習(xí)日益受到人們的重視，文獻(xiàn)[6-7]均采用神經(jīng)網(wǎng)絡(luò)對X光胸片肺野進(jìn)行分割，雖然能得到較好的分割效果，但由于計(jì)算量巨大，對數(shù)據(jù)集、算力的要求頗高，難以推廣到實(shí)際應(yīng)用中去.就目前而言，傳統(tǒng)方法也能實(shí)現(xiàn)較好的分割效果，對數(shù)據(jù)集、算力的要求又相對較低，所以將傳統(tǒng)方法應(yīng)用于醫(yī)學(xué)圖像分割時(shí)更具有優(yōu)勢.Kass等[8]提出的Snake模型作為一種經(jīng)典的傳統(tǒng)圖像分割方法，被廣泛應(yīng)用于圖像分割、運(yùn)動(dòng)跟蹤、目標(biāo)識(shí)別等領(lǐng)域[9].

傳統(tǒng)的Snake模型對輪廓初始位置選擇十分敏感，輪廓初始化是采用人機(jī)交互的方式完成的.然而，采用人工初始化輪廓具有極強(qiáng)的主觀性，初始輪廓的選擇完全依賴于人的判斷，而初始輪廓又決定了分割結(jié)果.所以，經(jīng)常會(huì)發(fā)生因初始輪廓選擇的不合理而引起分割結(jié)果不夠準(zhǔn)確的情況，甚至?xí)?dǎo)致分割失敗，出現(xiàn)欠分割、過分割的問題.針對上述問題，本文提出一種基于自動(dòng)初始化Snake模型的X光胸片肺野自動(dòng)分割方法.

1 X光胸片肺野分割中的問題

1.1 X光胸片圖像的特點(diǎn)

X光成像的原理是基于人體不同組織密度、厚度的差別，當(dāng)X線透過人體不同組織結(jié)構(gòu)時(shí)，被吸收的程度有所不同，到達(dá)熒屏或膠片上的X線能量則存在差異，因此形成明暗或黑白對比不同的影像[10].相較于計(jì)算機(jī)斷層掃描(CT)、磁共振成像(MRI)圖像，X光胸片圖像最大的缺陷是分辨率較低，容易引入噪聲，對一些細(xì)微組織、病灶的對比度較差.由于X光成像具有投射、吸收的特點(diǎn)，導(dǎo)致成像時(shí)各組織投影呈現(xiàn)重疊的狀態(tài)，往往使得各組織結(jié)構(gòu)模糊不清.

1.2 X光胸片肺野分割存在的問題

圖1是一張典型的X光正位胸片圖像.因?yàn)楸尘啊⑷梭w肺部內(nèi)存在大量空氣，密度較低，吸收的X線能量較少，在圖像上呈現(xiàn)為黑影；而人體內(nèi)其他組織、器官密度相對較大，吸收的X線能量多，在圖像上則呈現(xiàn)為白影.從圖1可知：雖然肺野與其他組織也表現(xiàn)出一定的灰度差，但由于組織投影彼此重疊，使得肺野與其他組織之間并沒有非常明確的邊界；此外，在肺野內(nèi)部還包含大量骨骼、血管等組織信息.

圖1 X光胸片圖像

正是因?yàn)閄光胸片圖像存在上述特點(diǎn)，這使得肺野的精確分割成了一個(gè)難題.想要完成對肺野的精確分割，需要解決3個(gè)方面的問題：1)如何克服弱邊界、偽邊界的影響，避免分割陷入局部極小值；2)如何排除肺野內(nèi)其他組織信息的干擾，防止收斂到錯(cuò)誤的邊界；3)如何增加對凹陷區(qū)域、角點(diǎn)的分割能力，提高分割的精度.只有解決了這幾個(gè)方面的問題，才能獲得較精確的分割結(jié)果.

2 X光胸片肺野的自動(dòng)分割

所提出的X光胸片肺野自動(dòng)分割方法，主要分為3個(gè)步驟:1)對圖像進(jìn)行預(yù)處理；2)采用Otsu法對圖像進(jìn)行二值化，再結(jié)合邊緣檢測和形態(tài)學(xué)方法完成Snake模型輪廓的自動(dòng)初始化；3)利用自動(dòng)初始化的輪廓，進(jìn)行Snake模型分割，得到最終的分割結(jié)果.X光胸片肺野的自動(dòng)分割流程，如圖2所示.

圖2 分割流程圖

2.1 圖像預(yù)處理

在X光胸片成像、存儲(chǔ)及傳輸?shù)倪^程中，通常會(huì)混入一些噪聲.對于計(jì)算機(jī)輔助診斷系統(tǒng)來說，為了獲得準(zhǔn)確的分割輸出，在分割之前必須消除噪聲，而且在消除噪聲的同時(shí)，還需要保留圖像的基本特征.高斯濾波是比較常用的濾波技術(shù)，它在濾除噪聲的同時(shí)不會(huì)丟失邊緣信息等基本特征.

如圖2所示，采用二維零均值、標(biāo)準(zhǔn)差σ=1的高斯濾波器對尺寸為1 024 px×1 024 px的原始X光胸片圖像I1(x，y)進(jìn)行去噪，得到輸出圖像I2(x，y).

二維零均值、標(biāo)準(zhǔn)差為σ的高斯函數(shù)表達(dá)式為

(1)

設(shè)二維零均值、標(biāo)準(zhǔn)差σ=1的高斯濾波器響應(yīng)為H(r，s)，去噪過程可用離散卷積表示，即

(2)

式(2)中：k，l的值根據(jù)所選濾波器窗口的大小來確定，通常選擇k，l=3或k，l=5的窗口，文中選擇的濾波器窗口大小為k，l=3.

為了減小計(jì)算量，提高分割效率，需要對圖像尺寸進(jìn)行歸一化.尺寸歸一化是通過圖像縮放來實(shí)現(xiàn)，尺寸歸一化后得到尺寸縮小的圖像.在尺寸歸一化的過程中，會(huì)損失圖像中部分局部信息，但保留了全局信息，這有助于提高算法對大目標(biāo)的檢測、分割能力，也有助于增強(qiáng)算法的魯棒性.此外，為了提升算法對凹陷區(qū)域的分割能力，需要對肺野進(jìn)行邊界增強(qiáng).邊界增強(qiáng)能增加肺野邊緣像素點(diǎn)的灰度值，以此來提高肺野的邊緣梯度，從而增加肺野邊緣對分割輪廓線的吸引力，這有助于輪廓線收斂到肺野的凹陷區(qū)域，可以提高分割精度.

如圖2所示，對高斯去噪后的圖像I2(x，y)進(jìn)行縮放，得到尺寸為512 px×512 px的圖像I3(x，y)；然后，利用圖像金字塔[11]得到肺野邊緣圖像I4(x，y)；最后，通過將圖像I3(x，y)與圖像I4(x，y)進(jìn)行融合，就可得到邊界增強(qiáng)的圖像I5(x，y).圖像增強(qiáng)前后，分割結(jié)果對比，如圖3所示.

從圖3可知：對圖像進(jìn)行邊界增強(qiáng)后，文中算法對凹陷區(qū)域的分割更為準(zhǔn)確.其中，紅色(虛線)為初始輪廓線，藍(lán)色(實(shí)線)為分割結(jié)束時(shí)的輪廓線.

(a)原圖 (b)對原圖的分割結(jié)果 (c)邊緣增強(qiáng)圖 (d)對增強(qiáng)圖的分割結(jié)果

2.2 基于改進(jìn)Snake模型的X光胸片肺野分割

2.2.1 Snake模型算法簡介 考慮到Snake模型在應(yīng)用于圖像分割時(shí)，具有只關(guān)注分割輪廓線鄰域內(nèi)圖像信息的特點(diǎn)，而初始分割輪廓通常又位于待分割目標(biāo)的真實(shí)邊界附近.所以，采用Snake模型算法對X光胸片肺野進(jìn)行分割，這樣可以有效降低X光胸片肺野內(nèi)部及背景區(qū)域中其他組織信息對分割過程的干擾.傳統(tǒng)的Snake模型依賴人工來初始化輪廓，分割效果在很大程度上取決于人對初始輪廓的選擇.這種初始化方式既不能保證分割結(jié)果的準(zhǔn)確性和穩(wěn)定性，也不利于批量化的處理.所以，文中在應(yīng)用Snake模型進(jìn)行肺野分割之前，對Snake模型輪廓進(jìn)行了自動(dòng)初始化.

作為一種經(jīng)典的活動(dòng)輪廓模型，Snake模型是Kass等[12]于1987年提出的，最開始用于追蹤人嘴部的運(yùn)動(dòng).由于其具有能將圖像底層特征(灰度、紋理等)和上層信息有機(jī)結(jié)合起來的特點(diǎn)，受到國內(nèi)外大量學(xué)者的關(guān)注與研究.時(shí)至今日，它已經(jīng)被廣泛的應(yīng)用于目標(biāo)分割、運(yùn)動(dòng)追蹤、邊緣檢測等領(lǐng)域.

Snake模型通過設(shè)定一條可變形的閉合參數(shù)曲線，并利用曲線變形的具體規(guī)律來定義相應(yīng)的能量函數(shù)[13]；然后，通過最小化能量函數(shù)，來驅(qū)動(dòng)參數(shù)曲線發(fā)生形變.在構(gòu)造能量函數(shù)時(shí)，把待分割目標(biāo)輪廓處設(shè)置為能量最小處；而在最小化能量函數(shù)的過程中，參數(shù)曲線會(huì)逐步收斂到待分割目標(biāo)輪廓處，以此完成對目標(biāo)的分割.

2.2.2 Snake模型輪廓的自動(dòng)初始化 文中Snake模型輪廓的自動(dòng)初始化分為背景區(qū)域的消除和肺野區(qū)域外輪廓的提取兩個(gè)部分.背景消除旨在于消除肺野以外的區(qū)域，只保留肺野區(qū)域.這個(gè)過程是為了確保在進(jìn)行肺野輪廓提取的時(shí)候不受背景信息的干擾，以得到較準(zhǔn)確的肺野區(qū)域外輪廓.在進(jìn)行背景消除之前，需要對圖像進(jìn)行二值化處理.圖像二值化就是通過一個(gè)合適的閾值，把圖像分割成只包含前景、背景這兩部分的黑白圖像.這個(gè)過程會(huì)損失圖像的紋理、顏色等特征，但也突出了形狀特征.文中Snake模型輪廓的自動(dòng)初始化，只需要利用圖像中的形狀特征.因此，對X光胸片圖像進(jìn)行二值化處理，能起到簡化圖像的作用，有利于Snake模型輪廓的自動(dòng)初始化.

假設(shè)圖像中當(dāng)前像素點(diǎn)的灰度值為G(x，y)，通過遍歷圖像，對圖像中每一像素點(diǎn)的灰度值進(jìn)行操作，即

(3)

式(3)中：T為所選擇的灰度閾值.

選擇閾值的方法有很多，最常用的有雙峰直方圖法[14]、模糊熵法[15]、Otsu法[16].文中分別用這3種方法對邊界增強(qiáng)后的圖像I5(x，y)進(jìn)行二值化，得到效果圖，如圖4所示.

從圖4可知：雙峰直方圖法和模糊熵法都不能避免骨骼帶來的影響，二值化后的肺野區(qū)域內(nèi)部包含大量的骨骼邊緣，若此時(shí)進(jìn)行邊緣提取，難以得到精確的肺野區(qū)域外輪廓；而Otsu法則不受骨骼紋理的干擾，相較于前兩種方法，Otsu法的二值化效果最好.因此，選擇Otsu法對圖像進(jìn)行二值化處理，得到二值圖像S1(x，y).

(a)原圖 (b)雙峰直方圖法 (c)模糊熵法 (d)Otsu法

一般來說，對于二值圖像，通常把白色區(qū)域稱為前景區(qū)域，黑色區(qū)域稱為背景區(qū)域，目標(biāo)區(qū)域一般歸屬于前景區(qū)域.但對于X光胸片來說，肺野區(qū)域像素點(diǎn)的灰度值通常比其他區(qū)域的要低，在經(jīng)過二值化以后，肺野區(qū)域內(nèi)像素點(diǎn)灰度值被置0，所以在圖像中顯示為黑色.為了方便對肺野區(qū)域進(jìn)一步的處理，需要對二值化后的X光胸片圖像進(jìn)行取反，即把原本顯示為白色的區(qū)域轉(zhuǎn)換成黑色，原本顯示為黑色的區(qū)域轉(zhuǎn)換成白色.

假設(shè)二值圖像中當(dāng)前像素點(diǎn)的灰度值為G(x，y)，因?yàn)槎祱D像中所有像素的灰度值只有0和255這兩種，故只需要經(jīng)過如下操作就可以得到取反后的灰度值，其表達(dá)式為

G(x，y)=255-G(x，y).

(4)

通過遍歷圖像S1(x，y)中所有像素點(diǎn)，并對每個(gè)像素點(diǎn)執(zhí)行式(4)的操作，就可得到取反后的二值圖像S2(x，y)，圖像S2(x，y)中肺野區(qū)域此時(shí)顯示為白色.然而，在整張圖像中，除了肺野區(qū)域以外，還有大片背景區(qū)域也顯示為白色，這些背景區(qū)域會(huì)給肺野輪廓的提取帶來干擾，所以需要消除這些背景區(qū)域.對于二值圖像S2(x，y)，通過連通域檢測，標(biāo)記出圖像中所有連通域，然后通過消除背景所在連通域，就得到只含有肺野區(qū)域的二值圖像S3(x，y).

接下來，需要對圖像進(jìn)行邊緣檢測，其目的在于獲取肺野區(qū)域的外輪廓，用以Snake模型輪廓的自動(dòng)初始化.

一般來說，Snake模型的初始輪廓需要滿足兩個(gè)條件：一是初始輪廓需要包裹目標(biāo)區(qū)域；二是初始輪廓需要盡量接近真實(shí)的目標(biāo)邊界.滿足這兩個(gè)條件的初始輪廓，更有利于肺部區(qū)域的分割.然而，由于圖像S3(x，y)的肺野區(qū)域內(nèi)存在孔洞，若直接進(jìn)行邊緣檢測，孔洞的邊緣也會(huì)被檢測出來，這將干擾初始輪廓的確定.所以，在邊緣檢測之前，還需要消除孔洞.通過形態(tài)學(xué)膨脹，不僅可以消除這些孔洞，還能略微擴(kuò)大肺野區(qū)域，此時(shí)再通過邊緣檢測所得的輪廓更滿足Snake模型對初始輪廓的要求.由圖2可知：對圖像S3(x，y)進(jìn)行形態(tài)學(xué)膨脹，得到肺野區(qū)域內(nèi)不含孔洞的圖像S4(x，y).

邊緣檢測的方法多種多樣，最常用的方法是使用邊緣檢測算子來檢測邊緣.邊緣檢測算子是利用圖像邊緣的突變性質(zhì)來檢測邊緣，主要分成兩種類型[17]：一類是以一階導(dǎo)數(shù)為基礎(chǔ)，通過計(jì)算圖像的梯度值來檢測邊緣，如Robert算子、Sobel算子、Prewitt算子等；另一類是以二階導(dǎo)數(shù)為基礎(chǔ)，通過尋找二階導(dǎo)數(shù)的過零點(diǎn)來檢測邊緣，如Laplacian算子、LOG算子、Canny算子等.Canny算子作為最常用的邊緣檢測算子，具有結(jié)構(gòu)簡單，檢測出的邊緣清晰、連續(xù)的優(yōu)勢，因此選擇使用Canny算子對二值圖像進(jìn)行邊緣檢測.

用Canny算子對形態(tài)學(xué)膨脹前后的圖像進(jìn)行邊緣檢測，結(jié)果如圖5所示.從圖5可知：對于未經(jīng)形態(tài)學(xué)膨脹的圖像，其肺野區(qū)域內(nèi)部的孔洞邊緣也被檢測出來；而在經(jīng)過形態(tài)學(xué)膨脹后，肺野區(qū)域內(nèi)部的孔洞被消除，通過邊緣檢測，得到唯一的肺野外輪廓.

(a)未經(jīng)形態(tài)學(xué)膨脹 (b)膨脹前的檢測結(jié)果 (c)經(jīng)過形態(tài)學(xué)膨脹 (d)膨脹后的檢測結(jié)果

通過對圖像S4(x，y)進(jìn)行邊緣檢測，得到了肺野區(qū)域的外輪廓，然后在所得外輪廓上等距離地選擇控制點(diǎn)，用以構(gòu)造Snake模型的初始輪廓.經(jīng)此步驟，即完成了Snake模型輪廓的自動(dòng)初始化.初始輪廓可視化，如圖6所示.圖6中：紅色(虛線)為Snake模型自動(dòng)初始化輪廓的所在處.通過實(shí)驗(yàn)可知，在外輪廓上等距離地選擇一半的點(diǎn)所構(gòu)造出的初始輪廓，既能滿足分割精度的需要，也能保證分割效率.

圖6 初始輪廓可視化

2.2.1 X光胸片肺野分割過程 在完成Snake模型輪廓的自動(dòng)初始化后，利用Snake模型算法對X光胸片進(jìn)行肺野分割.X光胸片肺野的分割過程，實(shí)際上是通過最小化能量函數(shù)驅(qū)動(dòng)Snake模型參數(shù)曲線移動(dòng)的過程.

在實(shí)驗(yàn)中，文中將自動(dòng)初始化的輪廓線作為Snake模型算法的參數(shù)曲線，將初始輪廓上各像素點(diǎn)作為控制點(diǎn)，表示為

v(s)=(x(s)，y(s))s∈(0，1).

(5)

式(5)中：x(s)，y(s)是每個(gè)控制點(diǎn)的坐標(biāo)位置；s是以傅里葉變換形式描述曲線弧長的自變量.

在參數(shù)曲線上定義Snake模型的能量函數(shù)，表示為

(6)

由式(6)可知：Snake模型的能量函數(shù)由兩部分組成，一部分稱之為內(nèi)部能量，另一部分稱為外部能量.內(nèi)部能量僅與參數(shù)曲線的形狀有關(guān)，而外部能量則由圖像特征構(gòu)成，例如灰度值、梯度等.文中使用彈性能量和彎曲能量構(gòu)造內(nèi)部能量，用梯度來構(gòu)造外部能量.

內(nèi)部能量表示為

(7)

式(7)中：一階導(dǎo)數(shù)項(xiàng)稱為彈性能量，反映曲線的連續(xù)性，彈性能量越大，曲線越不易被拉伸；α是彈性系數(shù)，它的值越大，曲線收縮越快，若其值為零，允許曲線產(chǎn)生不連續(xù)的點(diǎn)；二階導(dǎo)數(shù)項(xiàng)稱為彎曲能量，反映曲線的平滑性，彎曲能量越大，曲線越不易變形；β是彎曲系數(shù)，它的值越大，曲線越平滑，若其值為零，允許曲線產(chǎn)生拐角.

外部能量表示為

(8)

式(8)中：?為梯度算子.由于外部能量和梯度值有關(guān)，且此項(xiàng)是非正項(xiàng)，所以梯度值越大，對應(yīng)的外部能量越小.當(dāng)參數(shù)曲線靠近目標(biāo)邊緣時(shí)，梯度值會(huì)增大，外部能量則會(huì)減??；而當(dāng)參數(shù)曲線收斂到待分割目標(biāo)輪廓處時(shí)，梯度值達(dá)到最大，外部能量則達(dá)到最小.

在定義了能量函數(shù)以后，就需要通過最小化能量函數(shù)來驅(qū)動(dòng)參數(shù)曲線移動(dòng)，以達(dá)到分割的目的.因?yàn)閳D像中像素點(diǎn)都是離散的，所以最小化能量函數(shù)的是一個(gè)典型的變分問題.通過變分法求解時(shí)，參數(shù)曲線需滿足歐拉方程，即有

-αv″+βv″″+?Eext=0.

(9)

對于圖像而言，可以用差分近似代替微分，即有

vs=(xs，ys)，

(10)

v″≈vs+1+vs-1-2vs，

(11)

v″″≈(vs+2+vs-2vs+1)+(vs+vs-2-2vs-1)-2(vs+1+vs-1-2vs).

(12)

把式(8)，(10)，(11)，(12)代入式(9)中，整理可得

(13)

把Snake模型的參數(shù)曲線看成關(guān)于時(shí)間t的函數(shù)，當(dāng)參數(shù)曲線移動(dòng)到目標(biāo)邊緣處后，不再隨時(shí)間發(fā)生變化.此時(shí)v(t)=(xt，yt)=0，代入式(13)中，求解可得

(14)

式(14)中：γ為時(shí)間步長.

通過對Snake模型參數(shù)曲線上的每一控制點(diǎn)執(zhí)行上述計(jì)算，得到每個(gè)控制點(diǎn)新位置的坐標(biāo)，以此達(dá)到驅(qū)使參數(shù)曲線移動(dòng)的目的.通過算法的迭代運(yùn)算，驅(qū)使參數(shù)曲線向肺野輪廓處移動(dòng)，當(dāng)達(dá)到最大迭代次數(shù)或者所有控制點(diǎn)都滿足停止條件時(shí)，迭代停止.

停止條件為

|Eext(v(s))+Eint(v(s))|<δ.

(15)

式(15)中：δ為停止閾值，通常為趨近于0的正數(shù).停止閾值需要根據(jù)算法需求來確定.一般來說，選擇較小的閾值有利于提升分割精度，選擇較大的閾值有利于提升分割效率.經(jīng)過大量實(shí)驗(yàn)，文中將此閾值選為0.1，即可滿足本文對分割算法要同時(shí)擁有高精度、高效率的需求.

由式(15)可知：當(dāng)?shù)Ｖ箷r(shí)，每個(gè)控制點(diǎn)的總能量近似為0，保證了剩余的能量無法再使任何一個(gè)控制點(diǎn)移動(dòng)，這代表了分割過程的結(jié)束.

X光胸片肺野的分割結(jié)果，如圖7所示.圖7(a)中的藍(lán)色曲線為分割結(jié)束時(shí)的Snake模型輪廓所在位置；圖7(b)為采用文中所提方法分割X光胸片肺野的結(jié)果.

(a)最終輪廓可視化 (b)肺野分割結(jié)果的二值圖

3 實(shí)驗(yàn)結(jié)果與分析

3.1 不同方法的分割效果對比

實(shí)驗(yàn)所使用的X光胸片數(shù)據(jù)集來自AI研習(xí)社所發(fā)布的肺炎X光病灶識(shí)別競賽，圖像尺寸大小均為1 024 px×1 024px.文中進(jìn)行了兩組實(shí)驗(yàn).第一組是采用不同方法對同一張X光胸片進(jìn)行肺野分割，然后對分割結(jié)果進(jìn)行比較、分析，用以評判文中所提方法的分割效果；第二組是采用文中所提方法對不同X光胸片進(jìn)行肺野分割，通過對分割結(jié)果進(jìn)行比較、分析，用以評判方法的適用性.

分別使用文獻(xiàn)[5]中所提的柔性形態(tài)學(xué)與聚類分割方法、文獻(xiàn)[18]中所提的基于ASM和GrabCut分割方法、文獻(xiàn)[19]中所提的密度特征匹配分割方法、人工初始化輪廓的傳統(tǒng)Snake模型分割方法和文中所提的自動(dòng)初始化輪廓Snake模型分割方法對同一張X光胸片原圖進(jìn)行肺野分割，得到的效果圖，如圖8所示.

從圖8可知：文獻(xiàn)[5]方法對于X光胸片肺野的分割不夠精確，所得到的肺野輪廓也不夠平滑.主要原因是X光胸片中的弱、偽邊界及骨骼紋理對分割造成了很大干擾，使得分割輪廓線難以收斂到真實(shí)的邊界.文獻(xiàn)[18]方法雖然能排除弱、偽邊界以及骨骼紋理的干擾，但對凹陷區(qū)域的分割卻不夠準(zhǔn)確.文獻(xiàn)[19]方法具有良好的凹陷區(qū)域分割能力，但容易受到血管以及骨骼紋理的影響，導(dǎo)致分割精度的下降.傳統(tǒng)Snake模型方法能得到平滑的肺野輪廓，但不能準(zhǔn)確分割出凹陷區(qū)域，也無法排除弱、偽邊界造成的干擾，容易陷入局部極小值.相較于以上方法，文中所提方法既能有效地克服弱、偽邊界及骨骼紋理的干擾，又能完成對凹陷區(qū)域的精準(zhǔn)分割.通過對比可知，文中所提方法的分割效果更好.

為了定量的分析不同方法對X光胸片肺野的分割性能，引入了靈敏度和特異性作為評判標(biāo)準(zhǔn).靈敏度是指在X光胸片肺野區(qū)域內(nèi)，正確分類的肺野像素占整個(gè)肺野區(qū)域像素的比例；特異性是指在X光胸片背景區(qū)域內(nèi)，正確分類的背景像素占整個(gè)背景區(qū)域像素的比例.靈敏度越高，代表對肺野的分割越準(zhǔn)確；特異性越高，代表把背景誤分割成肺野的比率越小.靈敏度和特異性的表達(dá)式分別為

IS=NTP/(NTP+NFN)，

(16)

IP=NTN/(NTN+NFP).

(17)

式(16)中：IS表示靈敏度；IP表示特異性；NTP表示正確分類的肺野像素?cái)?shù)量，NFN表示將肺野像素誤判成背景像素的數(shù)量；NTN表示正確分類的背景像素?cái)?shù)量，NFP表示將背景像素誤判成肺野像素的數(shù)量.

對上述5種方法所得的X光胸片肺野分割結(jié)果數(shù)據(jù)進(jìn)行整理，結(jié)果如表1所示.由表1可知，相較于其他方法，文中所提方法的靈敏度和特異性均更高，表明其具備更好的分割性能，對X光胸片肺野的分割更為準(zhǔn)確.

表1 5種分割方法的性能對比

3.2 文中所提方法的分割效果對比

為了測試文中所提方法的適用性，從上述X光胸片數(shù)據(jù)集中隨機(jī)選擇4張肺野形態(tài)大小各異，亮度、對比度各不相同的圖像，按照順序進(jìn)行編號(hào)；然后，通過采用文中所提方法進(jìn)行測試，得到分割結(jié)果，如圖9所示.

(a)圖像1原圖 (b)圖像1分割結(jié)果 (c)圖像2原圖 (d)圖像2分割結(jié)果

由圖9可知：文中所提方法對肺野形態(tài)、大小各不相同的X光胸片圖像均能完成有效的分割，所分割出的肺野邊緣連續(xù)、平滑.對于亮度較大、對比度較低的X光胸片圖像，文中所提方法也能完成較精確的分割.當(dāng)圖像中肺野邊緣存在凹陷區(qū)域時(shí)，分割曲線能有效收斂到凹陷處；此外，對于圖像中弱邊界、偽邊界的干擾，文中所提方法能有效排除，不易陷入局部極小值，大大提高了對肺野的分割精度.

對上述所得的X光胸片肺野分割結(jié)果數(shù)據(jù)進(jìn)行整理，結(jié)果表2所示.由表2可知，對于不同的X光胸片圖像，文中所提方法都獲得了較高的靈敏度和特異性，表明文中所提方法對于不同的X光胸片都能完成較精確的分割，具有較好的適用性.

表2 文中所提方法對不同X光胸片的分割結(jié)果

4 結(jié)論

針對傳統(tǒng)Snake模型依賴人工初始化輪廓而導(dǎo)致X光胸片肺野分割不準(zhǔn)確的問題，提出了一種自動(dòng)初始化Snake模型輪廓的X光胸片肺野分割方法.首先，利用Otsu法二值化X光胸片圖像，分割出肺野區(qū)域和背景區(qū)域，再通過背景消除和邊緣提取，完成對Snake模型輪廓的自動(dòng)初始化，最后利用Snake模型算法對初始輪廓進(jìn)行迭代，得到分割結(jié)果.

該方法擺脫了Snake模型對人工初始化輪廓的依賴，通過自動(dòng)初始化輪廓，有效解決了傳統(tǒng)Snake模型算法存在的一些問題，提高了分割效率和分割精度.此外，與人工初始化輪廓相比，自動(dòng)初始化輪廓還具備一致性和穩(wěn)定性的優(yōu)點(diǎn)，提高了分割的魯棒性.實(shí)驗(yàn)結(jié)果表明：相較于傳統(tǒng)的Snake模型算法以及一些其他的分割方法，該方法簡單實(shí)用，不僅提高了分割結(jié)果的準(zhǔn)確性，而且還具有良好的適用性和穩(wěn)定性.