李杰，陳國(guó)棟

福州大學(xué) 物理與信息工程學(xué)院，福建福州 350000

基于改進(jìn)區(qū)域生長(zhǎng)算法的肝臟管道圖像分割方法

李杰，陳國(guó)棟

福州大學(xué) 物理與信息工程學(xué)院，福建福州 350000

在圖像分割過(guò)程中，傳統(tǒng)區(qū)域生長(zhǎng)法種子點(diǎn)的選取需人工判定，工作量較大，效率較低。為了減少種子點(diǎn)選取時(shí)的用戶交互量，本文提出了一種基于種子點(diǎn)位置預(yù)判的改進(jìn)區(qū)域生長(zhǎng)算法。該算法基于血管骨架線具有代表性的特點(diǎn)，通過(guò)坐標(biāo)系的映射轉(zhuǎn)換來(lái)預(yù)判圖像中肝臟管道的位置，減少了人工參與，實(shí)現(xiàn)了圖像種子點(diǎn)數(shù)目和位置的自動(dòng)確定。肝臟圖像分割實(shí)驗(yàn)結(jié)果表明，該算法在較少的用戶交互情況下，實(shí)現(xiàn)了序列圖像的種子點(diǎn)位置預(yù)判，獲得了較滿意的圖像分割效果。

種子點(diǎn)預(yù)判；改進(jìn)區(qū)域生長(zhǎng)法；坐標(biāo)系映射轉(zhuǎn)換；圖像分割

隨著醫(yī)學(xué)、計(jì)算機(jī)科技的發(fā)展，為了幫助醫(yī)生在手術(shù)前對(duì)病人的情況有較為詳細(xì)的了解，確保手術(shù)的成功，虛擬手術(shù)技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用越來(lái)越多。肝臟是人體內(nèi)部體積最大、具有多套管道系統(tǒng)、解剖結(jié)構(gòu)復(fù)雜的實(shí)質(zhì)性器官，加上生理和病理的變異[1]，使得肝切除手術(shù)的實(shí)施十分困難。在術(shù)前利用計(jì)算機(jī)輔助手術(shù)規(guī)劃（Computer-assisted Surgery Planning, CASP）系統(tǒng)對(duì)患者肝臟進(jìn)行全面、精準(zhǔn)、立體的了解，對(duì)于“精準(zhǔn)肝切除”具有重要意義。肝臟內(nèi)部管道系統(tǒng)的提取和肝臟管道三維模型的建立，是肝臟CASP系統(tǒng)重要的一部分。

從序列化數(shù)據(jù)集中提取肝臟管道信息，是CASP系統(tǒng)成功的基本前提。通常一次腹部掃描大約有200～400張圖片，采用傳統(tǒng)區(qū)域生長(zhǎng)法進(jìn)行圖像分割時(shí)，種子點(diǎn)采樣是基于外科醫(yī)生的輔助通過(guò)人工選取完成的，工作量大，效率低，很難應(yīng)用于臨床醫(yī)學(xué)。因此，研究肝臟血管管道的自動(dòng)和半自動(dòng)提取技術(shù)尤為重要。

1 區(qū)域生長(zhǎng)法概述

在諸多圖像分割算法中，區(qū)域生長(zhǎng)法有著簡(jiǎn)潔、有效的特點(diǎn)。由于肝臟血管圖像的連通性、血泡的封閉性以及序列化切片的相關(guān)性，使得基于區(qū)域生長(zhǎng)的算法適用于血管分割。

區(qū)域生長(zhǎng)的主導(dǎo)思想是基于一定約束條件，將具有相似性質(zhì)的像素點(diǎn)集合起來(lái)構(gòu)成一個(gè)區(qū)域。首先，為需要分割的區(qū)域選取一個(gè)種子點(diǎn)像素作為生長(zhǎng)起點(diǎn)，然后將種子點(diǎn)像素領(lǐng)域中符合生長(zhǎng)規(guī)則的像素合并到種子點(diǎn)像素的集合中。持續(xù)上述過(guò)程，直到?jīng)]有符合約束條件的像素點(diǎn)可以被包含進(jìn)來(lái)。其中，約束條件的均勻性判斷準(zhǔn)則一般基于公式(1)：

其中：I表示的是當(dāng)前像素的灰度值；Iseed表示的是選取種子點(diǎn)的灰度值；Imax和Imin分別表示的是圖像區(qū)域中最大灰度值以及最小灰度值；λ則是人工可調(diào)節(jié)參數(shù)，用于控制像素之間的均勻性相似度門(mén)限，并將符合上述要求的鄰近像素集合增加到種子區(qū)域中。

2 改進(jìn)區(qū)域生長(zhǎng)算法

區(qū)域生長(zhǎng)法作為一個(gè)典型的串行區(qū)域分割方式，特點(diǎn)是處理過(guò)程包含多個(gè)步驟，且后續(xù)步驟的執(zhí)行要依據(jù)前期步驟結(jié)果的判定。影響區(qū)域生長(zhǎng)法結(jié)果的因素主要有：① 初始生長(zhǎng)種子點(diǎn)的選??；② 區(qū)域生長(zhǎng)準(zhǔn)則；③ 終止條件。初始生長(zhǎng)種子點(diǎn)的選取作為區(qū)域生長(zhǎng)法的第一步，也是最關(guān)鍵的一步，較大程度上影響著后續(xù)步驟的執(zhí)行結(jié)果。然而，傳統(tǒng)的區(qū)域生長(zhǎng)法都是基于人工手動(dòng)選取種子點(diǎn)的方式，依賴于人體視覺(jué)的判斷，而一些肝臟序列圖像的視覺(jué)效果十分不明顯。因此，初始種子點(diǎn)的選取成為提高區(qū)域生長(zhǎng)法有效性和魯棒性的重中之重。

肝臟門(mén)靜脈系與肝靜脈系管徑具有較粗、易于識(shí)別的特點(diǎn)，且門(mén)靜脈左、右支走行比較恒定[2]。門(mén)脈三聯(lián)管中門(mén)靜脈管徑最粗、變異最少。本文充分利用肝臟管道骨架線的居中性、連通性、魯棒性的特點(diǎn)[3]，利用三維重建后的肝臟管道骨架線函數(shù)作為初始種子點(diǎn)的預(yù)判位置，較好地實(shí)現(xiàn)了初始種子點(diǎn)的半自動(dòng)選擇，提高了序列圖像自動(dòng)分割的效率，得到了較為準(zhǔn)確的分割結(jié)果。

2.1 肝臟管道骨架化

2.1.1 骨架點(diǎn)的由來(lái)

目前已有大部分學(xué)者對(duì)肝臟管道建模[4-5]展開(kāi)了較為深入的分析與研究，基于肝臟管道的三維重建技術(shù)較為成熟。在前人的基礎(chǔ)上，本文采用肝臟管道的三維骨架點(diǎn)進(jìn)行實(shí)驗(yàn)，骨架點(diǎn)的獲取采用基于廣義勢(shì)場(chǎng)的三維骨架提取方法[6]。該方法通過(guò)構(gòu)建斥力場(chǎng)源計(jì)算三維勢(shì)場(chǎng)值和檢測(cè)矢量場(chǎng)的關(guān)鍵點(diǎn)，跟蹤關(guān)鍵點(diǎn)獲取骨架點(diǎn)的三維坐標(biāo)。

設(shè)置三維空間直角坐標(biāo)系O1-X1Y1Z1，將肝臟管道骨架點(diǎn)置于坐標(biāo)系O1-X1Y1Z1中，得到骨架點(diǎn)三維空間坐標(biāo)集{（xi，yi，zi）│i=0，1，…，n}。本文以我國(guó)標(biāo)準(zhǔn)可視化人體肝臟數(shù)據(jù)集作為信息采集來(lái)源，采用基于廣義勢(shì)場(chǎng)的骨架提取方法，得到肝臟管道骨架點(diǎn)種子坐標(biāo)集合，并以此坐標(biāo)集作為后續(xù)預(yù)判其他序列圖片種子點(diǎn)數(shù)目和位置的基準(zhǔn)。本文實(shí)驗(yàn)骨架線有29條分支，由于肝臟管道結(jié)構(gòu)復(fù)雜，每條分支彎曲形態(tài)和長(zhǎng)度不同，因此每條分支的骨架點(diǎn)數(shù)目也不相同。表1為本文管道骨架點(diǎn)坐標(biāo)集示例（同一列的3行數(shù)據(jù)是一個(gè)骨架點(diǎn)的x、y、z軸方向坐標(biāo)）。

2.1.2 骨架點(diǎn)擬合

肝臟管道是一個(gè)彎曲的空間管狀系統(tǒng)，其骨架線是三維連續(xù)的光滑曲線。曲線擬合是構(gòu)建血管管道的前提和基礎(chǔ),有逼近與插值兩種方法。由于離散三維骨架點(diǎn)數(shù)目較多，且對(duì)三維骨架線的提取也存在一定誤差，因此，本文采用逼近方法對(duì)上述離散三維骨架點(diǎn)進(jìn)行B樣條曲線擬合。

B樣條曲線[7]的方程定義為：

其中，Pi（i=0，1，...，n）是控制多邊形的頂點(diǎn)，Ni，k（t）

表1 骨架點(diǎn)三維坐標(biāo)集（i=0，1，...，n）稱為k階（k-1次）B樣條基函數(shù)，其中每一個(gè)都稱為B樣條，它是一個(gè)由稱為節(jié)點(diǎn)矢量的非遞減的參數(shù)t的序列T：t0≤t1≤…≤tn+k所決定的k階分段多項(xiàng)式，也即為k階（k-1次）多項(xiàng)式樣條。

公式(2)中Ni，k（t）稱為B樣條基函數(shù)，又稱為de Boor-Cox公式，其遞推公式如下：

該遞推公式表明：欲確定第i個(gè)k階B樣條Ni，k（t），需要用到ti，ti+1，…，ti+k共k+1個(gè)節(jié)點(diǎn)，稱區(qū)間[ti，ti+1]為Ni，k（t）的支撐區(qū)間。曲線方程中，n+1個(gè)控制頂點(diǎn)Pi（i=0，1，...，n）要用到n+1個(gè)k階B樣條基Ni，k（t）。支撐區(qū)間的并集定義出這一組所有B樣條基的節(jié)點(diǎn)矢量T=[t0，t1，…，tn+k]。

在使用時(shí)，為了更多地減少計(jì)算量，曲線的次數(shù)越低越好，但是二次曲線是一條拋物線，不能反應(yīng)出曲線的拐點(diǎn)。本文采用3次（4階）B樣條曲線作基元，選取控制頂點(diǎn)數(shù)為28來(lái)實(shí)現(xiàn)三維骨架點(diǎn)集的擬合:

（1）型值點(diǎn)：選取三維血管樹(shù)骨架點(diǎn)集中n+1個(gè)數(shù)據(jù)點(diǎn)，將獲取數(shù)據(jù)點(diǎn)集合A={ai；i=0，1，…，n}作為擬合B樣條曲線的輸入型值點(diǎn)。

（2）控制點(diǎn)：由公式(2)知：

這里A=[a0a1...an]T，P=[p0p1...pm]T，N是結(jié)構(gòu)為n×m的B樣條基矩陣。已知輸入點(diǎn)集A和B樣條基矩陣N，依據(jù)公式(4)可得上述線性方程組的控制點(diǎn)近似解集：

根據(jù)給定的控制頂點(diǎn)P={pi|i=0，1，…，m}，次數(shù)k=3，可以定義一條k(3)次B樣條曲線。將參數(shù)t的區(qū)間[0,1]劃分為n份，在曲線上取n個(gè)點(diǎn)，并計(jì)算出每個(gè)參數(shù)t的取值；利用公式(3)求解出每個(gè)參數(shù)t對(duì)應(yīng)的B樣條基函數(shù)，將該值返回給公式(2)，從而得出全部的控制頂點(diǎn)。依據(jù)全部控制頂點(diǎn)即可擬合出所求3次B樣條曲線函數(shù)，這樣便可以得到基于B樣條曲線的肝臟管道骨架三維結(jié)構(gòu)曲線Pv（t）。肝臟門(mén)靜脈三維骨架點(diǎn)擬合結(jié)果圖，見(jiàn)圖1，其中圖(a)為骨架點(diǎn)可視化結(jié)果圖，圖(b)為骨架點(diǎn)擬合結(jié)果圖。

圖1 肝臟門(mén)靜脈三維骨架點(diǎn)擬合結(jié)果圖

2.2 種子點(diǎn)預(yù)判斷

上一小節(jié)得到了肝臟管道B樣條曲線f(x，y，z)=Pv(t)函數(shù)，置于坐標(biāo)系O1-X1Y1Z1中。設(shè)點(diǎn)是位于B樣條曲線Pv（t）函數(shù)上一點(diǎn)，則其空間坐標(biāo)為。此時(shí)，肝臟管道函數(shù)曲線f（x，y，z）=Pv（t）呈現(xiàn)為三維空間連續(xù)函數(shù)狀態(tài)。然肝臟切片上管道位置均為二維信息，因此，這里需進(jìn)行空間坐標(biāo)系映射，將三維信息映射到二維切片上。

2.2.1 坐標(biāo)系映射

有兩個(gè)三維空間直角坐標(biāo)系O1-X1Y1Z1和O2-X2Y2Z2，這兩個(gè)坐標(biāo)系的原點(diǎn)分別為：O1、O2；若坐標(biāo)軸不平行，記對(duì)應(yīng)坐標(biāo)軸之間存在的3個(gè)微小旋轉(zhuǎn)角（即歐拉角）分別為：εx、εy、εz；若坐標(biāo)系尺度大小也不一致，設(shè)O1-X1Y1Z1的尺度為1，而設(shè)O2-X2Y2Z2的尺度為：1+δμ。任意一點(diǎn)Pi在兩個(gè)坐標(biāo)系中的三維坐標(biāo)分別為：針對(duì)傳統(tǒng)Bursa線性轉(zhuǎn)換模型只適合旋轉(zhuǎn)角較小的情況，本文采用基于中心化后布爾沙（Bursa）轉(zhuǎn)換模型（簡(jiǎn)稱B模型）七參數(shù)嚴(yán)密解算方法。上述坐標(biāo)系間的轉(zhuǎn)換關(guān)系為：

由公式(5)知，已知坐標(biāo)系O1-X1Y1Z1與坐標(biāo)系O2-X2Y2Z2之間的B模型轉(zhuǎn)換參數(shù)，可以求出坐標(biāo)系O1-X1Y1Z1中任意一點(diǎn)映射于坐標(biāo)系O2-X2Y2Z2中的坐標(biāo)。

2.2.2 種子點(diǎn)位置預(yù)測(cè)

肝臟序列圖像是兩兩間距很小的二維切片，以“層”為單位進(jìn)行信息采集，并通過(guò)二維切片來(lái)傳遞三維信息。因此，如何獲取序列圖像單張肝臟血管的種子點(diǎn)位置成為關(guān)鍵。

N2張完整肝臟序列圖像，對(duì)圖像從下往上編號(hào)（1，2，3，…，n，…，N2），圖片每層厚度信息（例如64排螺旋腹部掃描為0.64 mm）。設(shè)置坐標(biāo)系O2-X2Y2Z2，此時(shí)，可獲取與坐標(biāo)系O1-X1Y1Z1轉(zhuǎn)換參數(shù)信息εx，εy，εz），并將序列圖像置于該坐標(biāo)系中。

在2.1.1小節(jié)中采樣標(biāo)準(zhǔn)圖片集張數(shù)為N1，層片厚度信息為h1，由公式(1)知，兩坐標(biāo)系尺度轉(zhuǎn)換參數(shù)如下式所示：

獲取圖片編號(hào)信息n，那么此時(shí)n×h2即為該層片所處高度信息，該高度信息即對(duì)應(yīng)坐標(biāo)系O2-X2Y2Z2中z軸信息。由公式(5)可以得出：

肝臟管道三維空間曲線函數(shù)f(x，y，z)=Pv(t)。已知z軸坐標(biāo)信息，可求得對(duì)應(yīng)點(diǎn)x軸與y軸坐標(biāo)信息集合Pi：

聯(lián)立公式(6)(7)(8)，便可求得第n張序列圖片中肝臟血管管道種子點(diǎn)預(yù)測(cè)位置的集合Pi。假設(shè)第n張切片對(duì)應(yīng)有n個(gè)預(yù)測(cè)種子點(diǎn)，則集合。因此，集合Pi中點(diǎn)位置即為第n張圖片進(jìn)行肝臟管道分割的預(yù)判斷位置。

2.3 區(qū)域生長(zhǎng)

在上一小節(jié)的基礎(chǔ)上，初始化生長(zhǎng)種子點(diǎn)位置信息，基于公式(1)原則進(jìn)行區(qū)域生長(zhǎng)，得到肝臟管道分割結(jié)果。

3 本文算法思路

（1）獲取讀入圖像信息，包括序列圖像張數(shù)N2與層片厚度信息h2，由公式(6)計(jì)算出尺度轉(zhuǎn)換參數(shù)δμ，置于坐標(biāo)系O2-X2Y2Z2中。

（2）判斷兩坐標(biāo)系原點(diǎn)相對(duì)位置，設(shè)置Bursa模型的平移參數(shù)和旋轉(zhuǎn)參數(shù)εx，εy，εz。

（3）利用本文算法計(jì)算出第n張數(shù)據(jù)集層片中肝臟管道預(yù)測(cè)位置的集合P，進(jìn)行區(qū)域生長(zhǎng)，得到該層片的分割結(jié)果，利用相應(yīng)的數(shù)據(jù)結(jié)構(gòu)對(duì)本結(jié)果進(jìn)行保存，記為點(diǎn)集A。

（4）判斷所有切片是否已分割結(jié)束，是則結(jié)束本過(guò)程，否則返回步驟(3)。

（5）算法流程圖見(jiàn)圖2。

4 實(shí)驗(yàn)結(jié)果與分析

利用Visual Studio 2010和OpenCV在PC機(jī)上實(shí)現(xiàn)上述算法，本文實(shí)驗(yàn)處理采用肝臟數(shù)據(jù)集來(lái)源于網(wǎng)站http://www. dicom7.com/。

首先，設(shè)置Bursa模型初始值參數(shù)。實(shí)驗(yàn)采用一幅完整肝臟數(shù)據(jù)集序列圖片，序號(hào)為：DRC10C001454～DRC10C001641，共188張切片圖。依據(jù)數(shù)據(jù)集信息[8-9]知，每層切片厚度信息為：0.33 mm。x、y、z軸平移參數(shù)均為0。由于獲取預(yù)判種子空間坐標(biāo)y軸表示豎直方向，因此，這里設(shè)置旋轉(zhuǎn)參數(shù)：εx=0°，εy=90°，εz=90°。

初始化參數(shù)設(shè)置結(jié)束，分別抽取3張不連續(xù)肝臟圖像進(jìn)行分割，處理結(jié)果如圖3～5所示。各圖中圖（a）為預(yù)判圖像種子點(diǎn)結(jié)果，圖（b）為肝臟圖像平滑處理后結(jié)果，圖（c）為基于預(yù)判種子點(diǎn)的肝臟血管管道分割結(jié)果，圖（d）為基于人工選取種子點(diǎn)的肝臟血管管道分割結(jié)果（白色部分表示為血管）。

圖2 改進(jìn)區(qū)域生長(zhǎng)算法流程圖

圖3 第48張切片處理結(jié)果

圖4 第98張切片處理結(jié)果

圖5 第138張切片處理結(jié)果

實(shí)驗(yàn)中通過(guò)預(yù)先設(shè)置參數(shù)，讀取切片之后可直接進(jìn)行分割，體現(xiàn)了本算法的自動(dòng)性。由于預(yù)判種子點(diǎn)的數(shù)目和位置都是自動(dòng)生成的，因此，很大程度上減少了人工參與，在效率上也有顯著的提高。

結(jié)果顯示，圖3中，本算法預(yù)判斷9個(gè)種子點(diǎn)，分割結(jié)果為7個(gè)區(qū)域，人工輔助選取分割結(jié)果為12個(gè)區(qū)域；圖4中，本文算法預(yù)判斷12個(gè)種子點(diǎn)，分割結(jié)果為10個(gè)區(qū)域，人工輔助選取分割結(jié)果為20個(gè)區(qū)域；圖5中，本文算法預(yù)判斷7個(gè)種子點(diǎn)，分割結(jié)果為4個(gè)區(qū)域，人工輔助選取分割結(jié)果為7個(gè)區(qū)域。各圖（a）部分顯示，預(yù)判種子點(diǎn)坐標(biāo)的排序是基于y坐標(biāo)的遞增來(lái)實(shí)現(xiàn)的。

分析各圖中圖（a）和圖（c），一般情況下，基于本算法的分割結(jié)果區(qū)域數(shù)量都少于預(yù)判種子點(diǎn)數(shù)目，這是由于肝臟管道分支個(gè)性化的差異，預(yù)判斷的一些種子點(diǎn)位置處并沒(méi)有可分割的區(qū)域；分析各圖中圖（c）和圖（d），可以看出，與人工輔助選取分割結(jié)果相比，本算法可較好地分割出管道半徑較粗的部分，基于人工輔助選取的種子點(diǎn)十分完整、全面，因此本算法對(duì)管道半徑較細(xì)部分的預(yù)判仍有待改進(jìn)。在外科手術(shù)中，為了防止病人失血過(guò)多，醫(yī)生更多地是對(duì)病人較粗血管位置的把握。因此，基于本算法的分割方法對(duì)外科醫(yī)生術(shù)前的手術(shù)仿真具有良好的指導(dǎo)作用。

5 結(jié)論

針對(duì)醫(yī)學(xué)圖像分割過(guò)程中，需要外科醫(yī)生輔助選取種子點(diǎn)而導(dǎo)致工作量極大的問(wèn)題，本文給出了一種半自動(dòng)的肝臟血管管道圖像分割方法。該方法利用了肝臟血管骨架線具有代表性的特點(diǎn)，利用矩陣映射來(lái)預(yù)判序列圖像的種子點(diǎn)數(shù)目和位置，避免了人工參與，大大縮短了圖像的分割時(shí)間，具有良好的分割效果。與傳統(tǒng)的人工選取種子點(diǎn)方法相比，本方法可較好地實(shí)現(xiàn)對(duì)管道半徑較粗部分的分割，但對(duì)于半徑較小血管的分割仍需改進(jìn)。未來(lái)工作可以考慮對(duì)標(biāo)準(zhǔn)數(shù)據(jù)集中半徑較小的血管進(jìn)行骨架化處理，獲取更完整的肝臟管道骨架信息，優(yōu)化半徑較小管道的分割方法，進(jìn)一步改善對(duì)序列圖像整體的分割效果。

[1] Lamade W,Glombitza G,Fischer L,et al.The impact of 3-dimensional reconstructions on operation planning in liver surgery[J].Arch Surg,2000,135(11):1256-1261.

[2] 李愷,張紹祥,劉正津,等.可視化肝臟橫斷面解剖與MR影像對(duì)照研究[J].中國(guó)醫(yī)學(xué)影像技術(shù),2005,21(1):138-141.

[3] 王昌.高精度肺部氣道樹(shù)的分割及骨架中心線的提取[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2010:37-40.

[4] 晁凡,沈若武,張景利,等.肝和肝血管三維重建的臨床應(yīng)用[J].中國(guó)當(dāng)代醫(yī)藥,2013,20(23):4-6.

[5] Cornea ND,Silver D,Min P.Curve-skeleton properties,applications,and algorithms[J].Visualization and Computer Graphics,IEEE Transactions on,2007,13(3):530-548.

[6] Chuang JH,Tsai CH,Ko MC.Skeletonisation of threedimensional object using generalized potential field[J]. Pattern Analysis and Machine Intelligence,IEEE Transactions on,2000,22(11):1241-1251.

[7] 孫家廣,胡事民.計(jì)算機(jī)圖形學(xué)基礎(chǔ)教程[M].北京:清華大學(xué)出版社,2005.

[8] 唐雷,原林,黃文華,等."虛擬中國(guó)人"(VCH)數(shù)據(jù)采集技術(shù)研究[J].中國(guó)臨床解剖學(xué)雜志,2002,20(5):324-326.

[9] 林雪華,陳新.雙目視覺(jué)系統(tǒng)精度分析及在經(jīng)絡(luò)可視化中的應(yīng)用[J].中國(guó)醫(yī)療設(shè)備,2014,29(3):16-20.

A Segmentation Method for Liver Vessel Images Based on Improved Region Growing Algorithm

LI Jie, CHEN Guo-dong
College of Physics and Information Engineering, Fuzhou University, Fuzhou Fujian 350000, China

In the process of image segmentation, the selection of seed points of traditional region growing method requires artif i cial judgement, which will increase the workload and decrease the work eff i ciency. In order to reduce the amount of user interaction in the selection of seed points, this paper puts forward an improved region growing algorithm based on the prediction of the seed point locations. According to the representative characteristics of vascular skeleton lines, the location of hepatic ducts in the image can be predicted by the mapping transformation of the coordinate, which will reduce the manual participation and ascertain the number and locations of seed points in the image automatically. The ideal segmentation results of a liver image indicate that the algorithm can accomplish the prediction of seed points with less user interaction.

prediction for seed points; improved region growing algorithm; mapping transformation of the coordinate; image segmentation

TP391.41

A

10.3969/j.issn.1674-1633.2014.10.006

1674-1633(2014)10-0019-05

2014-06-11

2014-07-04

福建省自然科學(xué)基金項(xiàng)目資助（No.2013J05090）；福建省科技計(jì)劃重點(diǎn)項(xiàng)目資助（2011H0027）。

陳國(guó)棟，碩士生導(dǎo)師，研究方向?yàn)橛?jì)算機(jī)圖形學(xué)和虛擬現(xiàn)實(shí)。

通訊作者郵箱：fzucgd@126.com