摘要：診斷肺癌的重要手段之一是高分辨率CT（High Resolution ComputedTomography，HRCT）掃描，但是醫(yī)生需要豐富的閱片經(jīng)驗(yàn)以及大量的精力時(shí)間才能閱讀海量的CT圖像信息。為了減少醫(yī)生的精力損耗和降低漏診率，采用計(jì)算機(jī)輔助檢測(cè)成為趨勢(shì)。在肺癌等肺部疾病計(jì)算機(jī)輔助診斷方法中，最核心的步驟是肺實(shí)質(zhì)的分割。提出一種基于CT圖像序列的新的自動(dòng)肺實(shí)質(zhì)分割方法，綜合利用了區(qū)域生長(zhǎng)及數(shù)學(xué)形態(tài)學(xué)開(kāi)運(yùn)算等算法，并通過(guò)縱向掃描方法精確定位左肺和右肺的粘連部位，從而在肺實(shí)質(zhì)邊界的肺結(jié)節(jié)結(jié)節(jié)容易被忽略分割及左右肺分離的難題得到了解決。對(duì)多組胸部CT序列圖像的實(shí)驗(yàn)證明，該方法對(duì)于肺實(shí)質(zhì)分割非常精確有效。

關(guān)鍵詞：CT圖像；計(jì)算機(jī)輔助診斷；區(qū)域生長(zhǎng)；肺實(shí)質(zhì)；掃描定位

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）05-1093-03

A Method of Lung Segmentation Based on CT Images

LI Man

（Electronic and Information Engineering， Tianjin Polytechnic University，Tianjin 300387， China）

Abstract：High-resolution CT （High Resolution ComputedTomography， HRCT） scan is an important means of diagnosis of lung cancer， however， a CT image information reading mass requires a lot of time， effort and considerable film-reading experience. To reduce energy loss of docter and cut down misdiagnosis rate，the use of computer-aided detection become a trend. Lung cancer and other lung diseases in computer-aided diagnostic methods， the most central step is the lung parenchyma segmentation. CT image sequence is proposed based on a new method for automatic segmentation of lung parenchyma， utilization of thresholding， region growing and mathematical morphology other algorithms， and through vertical scanning algorithm to pinpoint the cable around a narrow area around the lungs， an effective solution to the edge of the lung parenchyma nodule segmentation omission and so easy to separate the problem of the lung .Multiple sets of chest CT images proved the method for lung segmentation is very accurate and efficient.

Key words：CT image； computer-aided diagnosis； regional growth； lung parenchyma； scanning positioning

1 概述

隨著肺部疾病在人群中越來(lái)越流行，針對(duì)它的有關(guān)學(xué)習(xí)研究工作必須得到高度的注意?，F(xiàn)在輔助電腦診斷肺部疾?。╟omputer aided diagnosis CAD）系統(tǒng)[1]的成長(zhǎng)是飛快的，能夠很大程度上輔助醫(yī)生診斷病人病情。大多數(shù)肺部疾病CA D系統(tǒng)都是利用計(jì)算機(jī)斷層掃描圖像來(lái)檢測(cè)診斷肺結(jié)節(jié)，所以確定左右肺的邊緣顯得尤其重要，這個(gè)步驟稱為“肺實(shí)質(zhì)分割”[2-3]。

之前研究人員在研究肺部疾病時(shí)，已經(jīng)注意到了分割肺實(shí)質(zhì)的重要性。在分割肺實(shí)質(zhì)之前，要對(duì)圖像進(jìn)行預(yù)處理，然后可以采用邊界跟蹤[4]、區(qū)域生長(zhǎng)、閾值法、多尺度分析、形態(tài)學(xué)處理、基于模式分類的分割法等獲得肺實(shí)質(zhì)。邊界跟蹤和區(qū)域增長(zhǎng)是非全自動(dòng)的，前一種分割往往會(huì)忽略肺實(shí)質(zhì)邊緣突起和凹陷區(qū)域；并且后一種即使能避免忽略突起和凹陷的區(qū)域，但種子點(diǎn)的選擇和生長(zhǎng)相似性準(zhǔn)則的抉擇都是相對(duì)困難的。閾值法實(shí)現(xiàn)快速、簡(jiǎn)單，但背景、氣管支氣管等區(qū)域不能很好的去除。基于多尺度分析理論框架在分割肺實(shí)質(zhì)時(shí)效果不理想，算法也比較繁瑣。基于模式分類在提取肺實(shí)質(zhì)時(shí)，由于要提取多個(gè)特征，因此比較損耗時(shí)間，并且訓(xùn)練樣本不能自動(dòng)選擇，要人工選擇。

本文在提取肺實(shí)質(zhì)時(shí)，對(duì)上面所述的算法部分利用，先進(jìn)行肺實(shí)質(zhì)的初步分割；然后根據(jù)CT圖像的上下文分析運(yùn)用區(qū)域生長(zhǎng)法，去掉氣管支氣管；再對(duì)感興趣范圍像素進(jìn)行左肺和右肺粘連情況的分析，分開(kāi)左肺和右肺后，運(yùn)用形態(tài)學(xué)開(kāi)運(yùn)算彌補(bǔ)肺實(shí)質(zhì)缺口，最后獲得完整的肺實(shí)質(zhì)，并且較理想。

2 設(shè)計(jì)與方法

首先利用區(qū)域生長(zhǎng)算法[5]初步分割出肺實(shí)質(zhì)，接下來(lái)，為了避免對(duì)下面的分割造成干擾，要剔除肺部的血管、氣管、支氣管等區(qū)域。此外左肺和右肺粘連的問(wèn)題會(huì)出現(xiàn)在肺中部的切面里，針對(duì)這種情況，要斷開(kāi)左肺和右肺的連接，對(duì)接下來(lái)的檢測(cè)肺結(jié)節(jié)準(zhǔn)備正確的實(shí)驗(yàn)數(shù)據(jù)。肺實(shí)質(zhì)的分割過(guò)程如圖1所示。

圖1 肺實(shí)質(zhì)分割流程

2.1初步分割肺實(shí)質(zhì)

如圖2中的原始肺部CT圖像觀察到，圖像的外圍都是像素值較低的，而圖像的中間位置是想要得到的肺實(shí)質(zhì)。肺實(shí)質(zhì)的像素也是較低的，肺實(shí)質(zhì)和外部背景包圍的區(qū)域是軀干，軀干的像素值較高，想要初步的分割出肺實(shí)質(zhì)，根據(jù)之前分析的像素值的分布情況，只要將“1”賦值給軀干四周的區(qū)域，使之變?yōu)榘咨@樣就使得軀干和外圍形成一個(gè)連通的區(qū)域，方便我們粗略的分割出肺實(shí)質(zhì)。該文中采用區(qū)域生長(zhǎng)算法。將圖片的四個(gè)頂點(diǎn)區(qū)域設(shè)定為種子的區(qū)域，之后運(yùn)用8領(lǐng)域連通軀干和四周背景區(qū)域，得到最終的肺實(shí)質(zhì)了。

圖2 原始肺部CT圖像 圖3 二值化圖像

圖4 初步分割的肺實(shí)質(zhì)

2.2 氣管和支氣管的剔除

肺實(shí)質(zhì)經(jīng)過(guò)初步的分割后，有些情況必須引起注意，那就是氣管和支氣管在肺實(shí)質(zhì)初步的提取后經(jīng)常被存留了[6]，導(dǎo)致接下來(lái)的工作也受到影響。因此為了解決這個(gè)問(wèn)題，要剔除CT影像的這部分區(qū)域。區(qū)域生長(zhǎng)算法從種子點(diǎn)開(kāi)始，按照之前確定的規(guī)則，將區(qū)域或者子區(qū)域擴(kuò)大成更大的區(qū)域，在沒(méi)有像素點(diǎn)符合加入這個(gè)區(qū)域的條件時(shí)，生長(zhǎng)的過(guò)程將會(huì)停止。在肺部CT影像中，氣管內(nèi)外的CT值是有較大差異的。由于氣體充滿在氣管內(nèi)，所以氣管的CT值是很低的，與外層的CT值相比，外層的CT值要高出很多。根據(jù)氣管內(nèi)外CT值的劇烈變化，把其設(shè)置成區(qū)域生長(zhǎng)準(zhǔn)則，從而刪除氣管和支氣管。在這里算法流程的描述見(jiàn)如下，剔除氣管和支氣管的結(jié)果如圖6所示。

圖5 氣管和支氣管剔除前 圖6 氣管和支氣管剔除后

1）確定第一層的感興趣區(qū)域：肺部第一層干擾較少，肺部邊緣較少有突起凹陷，而且左右肺區(qū)是分開(kāi)的。利用這些可以條件，運(yùn)用連通域法可以尋找到圖像中位于中間部分的連通域，這個(gè)連通域就是主氣管；

2）種子點(diǎn)的確定。最開(kāi)始的種子點(diǎn)設(shè)置為第一層片中感興趣區(qū)域的質(zhì)心，為了獲得隨后層片的種子點(diǎn)，我們將上一層中得到的氣管和支氣管的質(zhì)心確定，并將這些質(zhì)心作為隨后層皮的種子點(diǎn)；

3）生長(zhǎng)準(zhǔn)則。從種子點(diǎn)開(kāi)始，在CT的每一層片，將和種子點(diǎn)的灰度相差閾值[Ts]內(nèi)的相鄰像素附加到生長(zhǎng)區(qū)域內(nèi)，使得氣管的范圍不斷擴(kuò)大，同時(shí)將這些符合條件的相鄰像素點(diǎn)作為新的種子點(diǎn)，繼續(xù)擴(kuò)充。

4）終止條件。當(dāng)前后兩次經(jīng)過(guò)區(qū)域生長(zhǎng)后的氣管面積之差小于設(shè)定的面積[Tm]時(shí)，判定生長(zhǎng)結(jié)束。

2.3 左右肺的分割

氣管和主支氣管區(qū)域是左肺和右肺分開(kāi)的一個(gè)困擾，但當(dāng)不包括這個(gè)區(qū)域后，如何解決左肺和右肺的粘連問(wèn)題[7]就是我們要處理的。這時(shí)需要繼續(xù)對(duì)CT影像進(jìn)行分割，以方便之后輔助電腦診斷肺結(jié)節(jié)。在這里采用一種容易且高效的快速確定連接部位和把左右肺分開(kāi)的途徑。

有三個(gè)重要的問(wèn)題在分開(kāi)左肺和右肺中要考慮：左肺和右肺是否粘連在一起、快速確定連結(jié)部分、分開(kāi)左肺和右肺的途徑。根據(jù)先驗(yàn)知識(shí)可知，在中間的肺層，左肺和右肺往往粘連在一起，并且連接的位置也在特定的區(qū)域內(nèi)。由此本文采用下面的方法把左肺和右肺分開(kāi)：

1）判斷左肺和右肺是否粘連：由于氣管和支氣管被剔除，以至于現(xiàn)在存在在肺區(qū)的只有左肺和右肺是兩個(gè)比較大的連通區(qū)域，相比較于左肺和右肺，剩下的連通區(qū)域可忽略。由此本文設(shè)定的判決準(zhǔn)則是：若前兩大連通區(qū)域的面積之比大于確定的閾值T，就判斷左肺和右肺是粘連在一起的，這里的閾值T是經(jīng)實(shí)驗(yàn)確定的常數(shù)。

2）尋找連結(jié)區(qū)域：將準(zhǔn)備好的二值圖像1到256行進(jìn)行縱向掃描，把擁有最少像素值為“1”的列記為第n列，然后把二值圖像上半部分（第1到256行），第n列的向左30列和向右30列作為感興趣區(qū)域，即為（1：256，n-30：n+30）。

3）處理之前找到的目標(biāo)區(qū)域的二值圖像，步驟如下：

A.橫向掃描圖像的上半部分（行數(shù)從1到256），找到每一行中第一個(gè)和最后一個(gè)像素值為“0”的像素，把第一個(gè)像素值為“0”的像素記為Xi（i為行數(shù)），最后一個(gè)記為Yi，并且從中得到Xi，Yi的中點(diǎn)Ki；

B.把K1，K2......，Ki連結(jié)到一起可以初步分開(kāi)左右肺，然后對(duì)其進(jìn)行一次腐蝕，腐蝕的半徑設(shè)為1。

本方法容易方便，在處理左肺和右肺的分割問(wèn)題上效果比較理想。

圖7 肺實(shí)質(zhì)圖像 圖8 去除左右肺黏連圖像

2.4 基于形態(tài)學(xué)的肺實(shí)質(zhì)修補(bǔ)

在有些情況下，進(jìn)行二值化分割的時(shí)候，肺壁位置的結(jié)節(jié)出會(huì)出現(xiàn)一個(gè)凹陷，這是由于肺結(jié)節(jié)與胸膜粘連，且與之有著相近的密度。只有將凹陷區(qū)域彌補(bǔ)修復(fù)，才能不損失的的得到肺實(shí)質(zhì)，否則的話將丟棄一部分肺結(jié)節(jié)。對(duì)此，為了避免丟失肺結(jié)節(jié)，Armato[8]采用“滾球法”修復(fù)肺實(shí)質(zhì)凹陷區(qū)域，Kanazawa等[9]采用解剖學(xué)和幾何結(jié)構(gòu)，這些方法在肺實(shí)質(zhì)的提取上都更加完善。然而有些形狀并非規(guī)則的肺部凹陷區(qū)域的情況，往往和鑒別的結(jié)果有不可忽略的差別，這都是在診斷過(guò)程中無(wú)法接受的。

本文處理類似問(wèn)題運(yùn)用形態(tài)學(xué)辦法。形態(tài)學(xué)中開(kāi)運(yùn)算能夠使對(duì)象的邊緣變得平滑，刪除比結(jié)構(gòu)元素小的對(duì)象區(qū)域，消除細(xì)小的突出物，斷開(kāi)狹窄的間斷，所以此特點(diǎn)恰好適用于運(yùn)用于修補(bǔ)肺實(shí)質(zhì)邊界上的凹陷區(qū)域。為了彌補(bǔ)凹陷，從而平滑肺實(shí)質(zhì)邊緣，要選擇恰當(dāng)?shù)慕Y(jié)構(gòu)元素半徑，根據(jù)開(kāi)運(yùn)算的性質(zhì)，這里的結(jié)構(gòu)元素半徑的選擇要和最大的肺結(jié)節(jié)的半徑一樣，選擇好了結(jié)構(gòu)半徑，接下來(lái)運(yùn)用開(kāi)運(yùn)算，如式（1）。在形態(tài)學(xué)操作完圖像后平滑的肺實(shí)質(zhì)就產(chǎn)生了。

[f?b=（fΘb）⊕b] （1）

其中f是圖像，b是結(jié)構(gòu)元素，用[f?b]表示f對(duì)b的開(kāi)運(yùn)算。

圖9 二值化肺實(shí)質(zhì) 圖10 肺實(shí)質(zhì)修補(bǔ)

3 結(jié)論

為了解決在輔助電腦診斷中提取肺實(shí)質(zhì)遇到的困難，該文采用了區(qū)域生長(zhǎng)算法、掃描搜索和形態(tài)學(xué)中開(kāi)運(yùn)算等多種算法，并對(duì)其中的各算法進(jìn)行改善與應(yīng)用.檢測(cè)多組肺部CT影像的實(shí)驗(yàn)可以看出，該文的算法效果突出，并可以迅速少誤差地提取出肺實(shí)質(zhì)，在輔助醫(yī)師診斷肺部疾病時(shí)，基本可以完成臨床肺部疾病輔助計(jì)算機(jī)診斷系統(tǒng)的要求。

參考文獻(xiàn)：

[1] Samuel G.Armato III，Geoffrey McLennan，Michael F.McNitt-Gray，et al.Lung image database consortium-Developing a resource for the medical imaging research community [J].Radiology，2004，232（3）：739-748. （下轉(zhuǎn)第1118頁(yè)）

（上接第1095頁(yè)）

[2] Cuevas L M，Spieth P M，C arvalho A R，et al.Automatic lung segmentation of helical-CT scans in experimental induced lung injury [J].IFMBE Proceedings，2008，22：764-767

[3] Armato S G，Giger M L，Moran C J，et al.Computerized detection of pulmonary nodules on CT scans [J].Radio Graphics，1999，19：1303-1311.

[4] 郭勝文，曾慶思，陳堅(jiān).胸部CT中肺實(shí)質(zhì)的提取與輔助診斷[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2008，27（5）： 788-791.

[5] Hedlund L W，Anderson R F，GouldingP L.Two methods for isolating the lung area of a CT scan for density information [J].Radiology，1982，1440（2）：353-357.

[6] Wicker S B.Error control systems for digital communication and storage[M].Englewood Cliffs：Prentice Hall，1995：39-60.

[7] van Nee R.Prasad R.OFDM for wireless multimedia communications[M].Boston：Artech Publishing House，2000：59-70.

[8] Samuel G Armato.Computerized detection of pulmonary nodules on CT scans[J].RadioGraphics，1999，19：1303-1311.

[9] 薄華，馬縛龍，焦李成，等.圖像紋理的灰度共生矩陣計(jì)算問(wèn)題的分析[J].電子學(xué)報(bào)，2006，34（1）：155-159.