文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.173711
中文引用格式： 唐思源，楊敏，苗玥，等. 區(qū)域生長和水平集相融合的肺部CT圖像分割[J].電子技術(shù)應(yīng)用，2018，44(5)：129-133.
英文引用格式： Tang Siyuan，Yang Min，Miao Yue，et al. Lung CT image segmentation algorithm based on region growing and level set method[J]. Application of Electronic Technique，2018，44(5)：129-133.
0 引言
隨著大氣環(huán)境的不斷惡化，肺部疾病的發(fā)病率逐年提高。據(jù)統(tǒng)計數(shù)字表明，肺癌占癌癥患者的比率高達(dá)21%，死亡率也居高不下。臨床發(fā)現(xiàn)，早期肺癌的治愈率高達(dá)90%以上，及早發(fā)現(xiàn)肺部異常情況可以控制病情，降低死亡率。目前，主要通過觀察肺部CT序列圖像來尋找病灶信息，精確地分割出肺部區(qū)域是定位腫瘤的關(guān)鍵前提條件。針對肺部區(qū)域的分割，國內(nèi)外專家學(xué)者主要從閾值法、區(qū)域法、遺傳法、水平集法及人工神經(jīng)網(wǎng)絡(luò)等來實現(xiàn)。
閾值法是最常用和簡單的一種分割方法，原理是繪制圖像的灰度直方圖，通過選取直方圖中的閾值，對圖像進(jìn)行分類，得到分割結(jié)果。文獻(xiàn)[1]中，郭圣文等提出首先應(yīng)用自適應(yīng)閾值法二值化肺部區(qū)域圖像，然后應(yīng)用特征分類器精確地分割出肺部區(qū)域。閾值法要求圖像的灰度值要均勻分布，直方圖里能明顯地觀察到峰谷，否則就不能準(zhǔn)確地分割指定區(qū)域，局限性比較大。文獻(xiàn)[2]中，Gao Guorong等提出區(qū)域生長法分割肺部區(qū)域，根據(jù)設(shè)定的種子點，準(zhǔn)確地剔除掉粘連肺部的氣管及血管等高密度信息，但需要人工選取種子點，誤差比較大，實際應(yīng)用中需結(jié)合其他算法分割結(jié)果更好。文獻(xiàn)[3]中，秦曉紅等提出利用遺傳算法中的全局尋優(yōu)能力策略實現(xiàn)肺部區(qū)域的分割，該算法能使分割簡化，并提高搜索范圍，但是需要提供大量的訓(xùn)練樣本，提取特征也需要花費大量的時間，收斂速度也比較慢，實用性不高。文獻(xiàn)[4]-[5]中，魏穎等人應(yīng)用幾何主動輪廓模型(Geometric Active Contour，CAC)中的C-V水平集方法來分割肺部區(qū)域，并結(jié)合肺部結(jié)構(gòu)特征改進(jìn)了C-V方法，肺部邊界分割的精度和準(zhǔn)確度都有提高。與傳統(tǒng)的GAC模型相比，該方法的分割精度更高，收斂速度更快，也有效防止了邊緣的漏損。綜上所述，主動輪廓模型發(fā)展起來的水平集方法的分割性能比較好，算法復(fù)雜度也低，也可處理復(fù)雜的圖像。因此，本文把傳統(tǒng)的分割方法與現(xiàn)代的分割方法進(jìn)行優(yōu)化組合，提出一種基于區(qū)域生長法與水平集相融合的肺部CT圖像的分割。首先采用自適應(yīng)閾值法對肺部CT圖像進(jìn)行二值化處理，然后應(yīng)用區(qū)域生長法對肺部區(qū)域進(jìn)行粗分割[6]。最后運用水平集方法中的幾何活動輪廓模型實現(xiàn)精確分割，在MATLAB軟件平臺進(jìn)行仿真測試后，實驗結(jié)果表明，在肺部CT圖像的分割中應(yīng)用本文的方法取得了較好的分割效果。
1 算法原理
1.1 閾值法原理
閾值法[7]是一種區(qū)域分割技術(shù)，把灰度值分成兩個或者更多的灰度區(qū)間，選擇一個或者多個合適的閾值，根據(jù)目標(biāo)和背景的差異，判斷區(qū)域是否滿足閾值要求，把背景和目標(biāo)分開產(chǎn)生二值圖像。閾值處理有兩種形式：全局閾值和自適應(yīng)閾值。全局閾值只設(shè)定一個閾值，自適應(yīng)閾值設(shè)定多個閾值，通過灰度直方圖的峰谷處確定閾值來分割目標(biāo)和背景區(qū)域。
閾值選取得是否合適，決定圖像分割的好壞，本文選用自適應(yīng)閾值法二值化肺部圖像。肺部區(qū)域結(jié)構(gòu)復(fù)雜，在不同的環(huán)境及條件下，圖像表現(xiàn)也各異，應(yīng)用自適應(yīng)閾值法，動態(tài)地選取多個閾值可以達(dá)到對肺部區(qū)域更好的二值化處理。
本文應(yīng)用比較受歡迎的OSTU算法選取閾值?；驹硎牵豪瞄撝蛋阎狈綀D分為兩部分，當(dāng)被分成的兩部分方差最大時，獲得最優(yōu)閾值[8]。自適應(yīng)閾值法最終把DICOM格式的醫(yī)學(xué)CT圖像轉(zhuǎn)化為只有黑白色的二值圖像，以便于后期對圖像進(jìn)行分割、提取、識別等處理。
1.2 區(qū)域生長法原理
區(qū)域生長法基本思想是：根據(jù)預(yù)先定義的生長準(zhǔn)則來把像素或子區(qū)域合成較大區(qū)域的處理方法，基本處理方法是以一組“種子”點開始來形成生長區(qū)域，即將那些預(yù)定義屬性（如像素的灰度級或顏色）類似于種子點的鄰域像素附加到每個種子點上[9]。區(qū)域生長的關(guān)鍵問題是相似性準(zhǔn)則的選擇和區(qū)域生長中停止規(guī)則的設(shè)定。準(zhǔn)則可以通過圖像的亮度值、紋理、色彩的相似性設(shè)定，當(dāng)不再有像素滿足該區(qū)域所包含的準(zhǔn)則時，生長區(qū)域的過程就停止?；趨^(qū)域生長的分割方法計算簡單，可實現(xiàn)肺部區(qū)域的初始分割，獲得區(qū)域的初始輪廓信息。
1.3 水平集法原理
水平集方法是主動輪廓模型(Active Contour，AC)中的幾何主動輪廓模型(Geomet Active Contour，GAC)，是近幾年發(fā)展起來的一種圖像分割方法。水平集法進(jìn)行圖像分割的基本思想是[10]：通過曲線運動的不斷演化一直尋找圖像的邊界，直到找到目標(biāo)輪廓，停止移動曲線。曲線需要沿著CT圖像的每一個三維切面層移動，對不同層次的三維曲面切取薄片，獲得每一層的封閉曲線，隨著時間的推移，改變水平級，最終得到一個相應(yīng)的形狀提取輪廓。
常用的水平級模型有3種，MS(Mumford-shah)模型、CV(Chan-Vese)模型、DRLSE(Distance Regularized Level Set Evolution)模型[11]，前兩類模型是傳統(tǒng)的水平集模型，都是利用區(qū)域統(tǒng)計量進(jìn)行分割，克服了利用梯度(邊緣)信息導(dǎo)致弱邊緣漏檢、多噪聲敏感等問題。但是尋找近似區(qū)域需要不斷地初始化水平集函數(shù)，仍然具有計算效率低和實現(xiàn)困難等問題。DRLSE模型對傳統(tǒng)的方法做出了改進(jìn)，即在水平集函數(shù)里增加一個約束項，避免了水平集函數(shù)周期性地初始化，提高了收斂速度，減化了運行時間。根據(jù)以上模型的分析，本文選用DRLSE模型來提取肺部輪廓區(qū)域。
2 區(qū)域生長和水平集相融合的肺部CT圖像的分割
在得到DICOM格式的CT圖像后，本文的工作是把完整的肺實質(zhì)區(qū)域精確地分割出來，便于后續(xù)對肺部疾病的診斷和定量的數(shù)據(jù)分析。肺部區(qū)域的分割分為4部分：圖像二值化、區(qū)域生長法初步定位肺部邊界區(qū)域、肺部邊界的修補(bǔ)、水平集法精確提取肺部區(qū)域輪廓。圖1給出分割肺部區(qū)域算法的流程圖。
2.1 圖像預(yù)處理
采集后的DICOM格式圖像不能在計算機(jī)屏幕上顯示，必須要轉(zhuǎn)換成BMP格式，由于兩種圖像格式的存儲方式不同，本文應(yīng)用垂直鏡像變換進(jìn)行格式轉(zhuǎn)換。醫(yī)學(xué)圖像垂直鏡像公式表示為：
其中，G0(-n0，k0)表示DICOM格式原始圖像I0中像素點(-n0，k0)的像素值，Gvm(n0，k0)表示垂直鏡像后BMP格式圖像Ivm中像素點的像素值。
2.2 OSTU法圖像二值化
OSTU方法是一種自動化閾值分割方法，根據(jù)閾值把圖像區(qū)域分為兩組，當(dāng)被分成的兩個區(qū)域方差達(dá)到最大時，用得到最佳分割閾值來對圖像進(jìn)行分割。它屬于單閾值分割，將圖像分為背景和目標(biāo)兩類，經(jīng)過處理后，灰度圖像轉(zhuǎn)換成只有黑白兩色的圖像。處理的步驟如下所示：
(1)讀取肺部CT圖像，轉(zhuǎn)成BMP格式的圖像。
(2)應(yīng)用MATLAB軟件工具箱中的imhist函數(shù)繪制圖像的灰度直方圖，公式為：
其中，I為原始圖像，n為灰度級，M為圖像I的灰度直方圖。根據(jù)肺部區(qū)域與周圍器官的灰度差異，使得直方圖中重疊區(qū)域最小，求出兩個區(qū)域的最大類間方差值，得到最佳分割閾值，根據(jù)閾值分割出肺部區(qū)域作為目標(biāo)區(qū)域，其他區(qū)域作為背景區(qū)域，使用OSTU法二值化后的圖像如圖2所示。
2.3 區(qū)域生長法初步定位肺部邊界
二值化后的肺部CT圖像并沒有把肺實質(zhì)與圖像背景精確地分離開，肺實質(zhì)的邊緣信息還混淆在背景區(qū)域內(nèi)，同時，肺實質(zhì)區(qū)域內(nèi)還包括一些氣管、空氣等一些噪聲，本文應(yīng)用區(qū)域生長法初步定位肺部區(qū)域邊界并剔除噪聲等干擾信息。
區(qū)域生長法需要解決3個問題：(1)需要確定區(qū)域內(nèi)某個像素點作為生長種子點；(2)確定種子點的生長準(zhǔn)則；(3)確定種子點在生長過程中終止條件。
2.3.1 肺部區(qū)域邊界的初步定位
定位肺部邊界算法的步驟如下所示：
(1)輸入二值化后的圖像，計算獲得圖像上X、Y軸方向的最大分辨率Amax、Bmax。
(2)選取目標(biāo)區(qū)域R，計算該目標(biāo)區(qū)域的灰度平均值Tm，設(shè)該區(qū)域內(nèi)有N像素，則該區(qū)域的灰度平均值為：
(4)種子點的選擇：從目標(biāo)區(qū)域圖像的最左側(cè)出發(fā)，設(shè)定四鄰域模板，掃描周圍像素點，如果像素點的灰度值小于Tm，即為種子點。
(5)設(shè)定區(qū)域生長準(zhǔn)則T：其中I(Ai，Bi)為原始圖像的任意像素值，N4(Ai，Bi)是Ai、Bi的四鄰域像素點。用四鄰域像素點與灰度平均值進(jìn)行比較。
從左上到右下掃描目標(biāo)區(qū)域，找出滿足式(6)～式(8)的所有像素點。
(6)把滿足準(zhǔn)則的所有種子點周圍的四鄰域像素進(jìn)行搜索，直到不滿足條件結(jié)束生長，分割完成。
應(yīng)用區(qū)域生長法可初步定位肺實質(zhì)輪廓區(qū)域，提取輪廓區(qū)域結(jié)果如圖3所示。
2.3.2 氣管去除
提取肺實質(zhì)外部氣管的算法思想是：設(shè)定種子點后，應(yīng)用棋盤距離標(biāo)記方法生成區(qū)域內(nèi)的像素，確定好棋盤間的距離K，經(jīng)過第N次迭代后，依據(jù)區(qū)域生長規(guī)則，搜索滿足條件的所有像素點，最后設(shè)置生長終止條件，檢測到氣管區(qū)域。設(shè)V(K)為滿足區(qū)域生長的面積值，繪制V(K)值的曲線變化圖，觀察曲線圖中值的變化，如果數(shù)值突然變大，表明檢測到管狀器官，提取并去掉該區(qū)域，具體步驟如下：
(1)種子點的選擇：從中肺野層片上開始搜索種子點，設(shè)定4×4模板，搜索所有滿足像素點的區(qū)域，利用區(qū)域生長法獲得種子點。
(2)生長規(guī)則：搜索種子點周圍四鄰域像素的值，保留T+4與T-4之間的像素值，搜索不少于100個像素的面積區(qū)域。
(3)終止條件：計算函數(shù)V(K)的面積導(dǎo)數(shù)，如果面積導(dǎo)數(shù)值大于零，則停止搜索，提取氣管區(qū)域，獲得無干擾信息的肺實質(zhì)區(qū)域。
去除氣管的肺部輪廓區(qū)域如圖4所示。
2.4 肺部邊緣修復(fù)
大量的氣管、血管等都分布在肺部邊界，在去除氣管的同時，造成了邊界區(qū)域的凹凸不平，需要對邊緣進(jìn)行修復(fù)，以獲得光滑、完整的肺實質(zhì)輪廓區(qū)域。
2.4.1 曲線平滑
修復(fù)肺部邊界之前，要對邊界進(jìn)行平滑處理，否則無法準(zhǔn)確自動地選取參數(shù)來計算曲線的曲率，對邊界進(jìn)行精確的修復(fù)。
本文應(yīng)用迭代采樣點算法對肺部輪廓曲線進(jìn)行平滑處理。提取肺部輪廓區(qū)域，提取邊緣一系列點列{i}，獲取系列點連接線的凹凸區(qū)域，對凹凸區(qū)域應(yīng)用牛頓-柯特斯公式進(jìn)行凹凸點的修整，經(jīng)過多次迭代，使得系列邊緣點近似服從線性關(guān)系，達(dá)到平滑邊緣的效果的過程。算法的實現(xiàn)步驟為：
(1)設(shè)步長λ=0.9，根據(jù)牛頓-柯特斯公式：
2.4.2 邊界修補(bǔ)
本文應(yīng)用自適應(yīng)曲率閾值法修復(fù)肺部邊界，經(jīng)過光滑后的邊緣可以準(zhǔn)確地計算出點的曲率閾值，其中具有較大曲率值的凹點就是要待修補(bǔ)的靠近肺部邊緣的區(qū)域點。算法步驟如下：
(1)設(shè)點的曲率閾值為μ，邊界區(qū)域用P表示，計算區(qū)域點高度的平均值
，設(shè)μ=
，采樣區(qū)域P的離散點。
(2)計算區(qū)域P內(nèi)每個離散點i的高度，設(shè)為ωi，并找到所有凹點區(qū)域，如果ωi>μ，刪除i點，連接i點的鄰域點。
(3)重復(fù)步驟(1)、(2)，直到搜索完邊界區(qū)域所有的點，區(qū)域長度和原長度一致為止。
最后，獲得光滑完整的肺部輪廓區(qū)域，對比修復(fù)前后的效果圖見圖5。
2.5 水平集法精確提取肺部區(qū)域
本文選用DRLSE模型來對肺部區(qū)域進(jìn)行精確提取。該模型的優(yōu)點是在利用迭代方法尋找圖像中相匹配的點時無需重復(fù)初始化水平集函數(shù)，提高了運算速度，減少數(shù)據(jù)計算量。其中水平集函數(shù)φ的數(shù)學(xué)公式表示為：
(3)重復(fù)步驟(2)，不斷地迭代水平集函數(shù)，直到達(dá)到滿意效果，i的值不超出300，停止迭代，獲得水平集迭代后的肺部邊界精確的輪廓區(qū)域，邊界曲線也得到較好的收斂，提取的最終的肺部區(qū)域圖像如圖6所示。
3 實驗結(jié)果
3.1 數(shù)據(jù)來源
為了驗證本方法的可行性和分割的精確性，從LIDC肺部圖像公開數(shù)據(jù)庫中隨機(jī)抽取120幅圖像，從包頭某醫(yī)院抽取30幅含有病變信息的圖像，每一幅圖像都配有專家分割的“金標(biāo)準(zhǔn)”，這也是評價算法好壞的重要準(zhǔn)則。經(jīng)過篩選和鑒別大約有110幅圖像有肺部病變的跡象，90%以上肺部區(qū)域中左右肺是分離的，因此本文沒有提及左右肺分離。圖像的分辨率大約在0.6 mm~0.8 mm之間，大小為512×512，掃描層大約有30層。
3.2 實驗環(huán)境
本實驗的實驗平臺為：Windows 7操作系統(tǒng)，i5處理器CPU，8 GB RAM，編程軟件為MATLAB R2015a、Visual Studio 2012。
3.3 結(jié)果與分析
為了驗證兩種方法融合后對圖像分割的可行性，再列出兩組不同肺部病變圖像的分割結(jié)果，如圖7所示。
從分割結(jié)果可以看出，本文的方法能準(zhǔn)確、完整地提取出肺實質(zhì)區(qū)域，克服了單獨使用區(qū)域生長法存在邊界漏檢等問題，結(jié)合后期的水平集法的精確分割，能清晰地觀察肺實質(zhì)內(nèi)部的細(xì)節(jié)信息和更精確地定位肺部邊緣信息，也避免了圖像的過分割等問題。同時，也可處理多種類型病變的肺部圖像，為后續(xù)圖像的進(jìn)一步的分析和處理打下基礎(chǔ)。
由表1可知，本文的算法是犧牲了時間，但提高了的分割精度。從分割結(jié)果可知，本算法有很強(qiáng)的可行性。本算法是計算機(jī)自動分割，時間和效率上依然比半自動或者手動分割的時效性高。
4 結(jié)論
肺部圖像的分割是計算機(jī)輔助臨床醫(yī)生檢測肺部疾病的前提條件，分割結(jié)果的好壞直接影響對疾病檢測的準(zhǔn)確率等。本文提出一種區(qū)域生長與水平集相融合的肺部分割方法。經(jīng)過仿真實驗，該算法能有效、準(zhǔn)確地分割出肺部區(qū)域，而且保留了肺內(nèi)部的細(xì)節(jié)信息，對后續(xù)肺結(jié)節(jié)的檢測和提取奠定了基礎(chǔ)。
本文的算法也存在不足，沒有對左右肺粘連情況的肺部區(qū)域進(jìn)行分割，在抽選的圖片中，剔除了兩幅左右肺有粘連的圖片。后續(xù)將開展針對左右肺粘連區(qū)域分割的研究。同時，也可以把本算法應(yīng)用于肺結(jié)節(jié)、胸膜結(jié)節(jié)的分割，來測試該方法的通用性，對分割出現(xiàn)的問題提出改進(jìn)、優(yōu)化等。
參考文獻(xiàn)
[1] 郭圣文，陳堅，曾慶思.胸部CT圖像中肺實質(zhì)的自動分割與計算機(jī)輔助診斷[J].華南理工大學(xué)報，2008，36(1)：72-75.
[2] Gao Guorong.Multi-focus image fusion based on non-subsampled Shear let transform[J].Image Processing，2013，6(7)：633-639.
[3] 秦曉紅，孫豐榮，王長宇，等.基于遺傳算法的胸部CT圖像肺組織分割[J].計算機(jī)工程，2007，33(19)：188-190.
[4] 魏穎，徐心和，賈同，等.基于優(yōu)化水平集方法的CT圖像肺結(jié)節(jié)檢測算法[J].系統(tǒng)仿真學(xué)報，2006，18(S2)：909-915.
[5] 楊勇，徐春，潘偉民.基于區(qū)域GAC模型的二值化水平集圖像分割算法[J].計算機(jī)應(yīng)用，2009，29(9)：2414-2417.
[6] 張紅民，王一博.一種改進(jìn)的細(xì)胞圖像分山嶺分割方法[J].重慶理工大學(xué)學(xué)報(自然科學(xué)版)，2012，26(11)：59-62.
[7] 章毓晉.圖像處理和分析[M].北京：清華大學(xué)出版社，2003.
[8] 范九倫，趙鳳.灰度圖像的二維otsu曲線閾值分割法[J].電子學(xué)報，2017，35(4)：751-755.
[9] SRINARKA T，KAMBHAMETTUB C.A framework for multiple snakes and its applications[J].Pattern Recognition，2016，39(9)：1555-1565.
[10] VESE L A，CHAN T F.A multiphase level set frame-work for image segmentation using the Mumford and Shah model[J].International Journal of Computer Vision，2002，50(3)：271-293.
[11] MUMFORD D，SHAH J.Boundary detection by minimizing functional[C].IEEE Conference on Computer Vision and Pattern Recognition，1985：22-26.
[12] ZHOUA S J，CHENG Y Z，TAMURA S C.Automated lung segmentation and smoothing techniques for inclusion of nodules and pulmonary vessels on chest CT images[J].Biomedical Signal Processing and Control，2014，3(13)：62-70.
作者信息:
唐思源，楊 敏，苗 玥，白金牛
(內(nèi)蒙古科技大學(xué)包頭醫(yī)學(xué)院 計算機(jī)科學(xué)與技術(shù)系，內(nèi)蒙古 包頭014040)