王霏霏，陳國棟

（福州大學(xué) 物理與信息工程學(xué)院，福建 福州350108）

基于曲線自適應(yīng)的肝臟病灶CT批量分割算法*

王霏霏，陳國棟

（福州大學(xué) 物理與信息工程學(xué)院，福建 福州350108）

提出了一種肝臟病灶的快速分割方法。為了適用于醫(yī)學(xué)圖像的批量處理，首先給出一種基于區(qū)域的映射方法預(yù)提取初始區(qū)域作為曲線演化的初始條件。為了減少偽邊界的影響，并使輪廓線充分收斂至凹陷區(qū)域，提出了一種基于曲線自適應(yīng)的改進G-S模型對病灶進行精準(zhǔn)擬合。該方法與傳統(tǒng)的分割方法相比，既大大提高了精準(zhǔn)度，又無需消耗巨大的運算量，同時還去除了圖像噪聲的干擾。實驗結(jié)果表明，該方法能夠有效地提取病灶輪廓，滿足臨床中真實感的需求。

自適應(yīng)；初始輪廓線；區(qū)域生長；區(qū)域優(yōu)化；G-S模型

0　引言

現(xiàn)代臨床醫(yī)學(xué)中，實現(xiàn)病灶輪廓精準(zhǔn)地自提取成為當(dāng)下醫(yī)務(wù)人員關(guān)注的焦點之一[1]。Kass[2]等人在1987年提出的 Snake模型能夠動態(tài)擬合目標(biāo)區(qū)域的輪廓，但其同樣存在著缺陷[3]：模型初始輪廓曲線的捕獲范圍小，且無法收斂到模型的凹陷區(qū)域。1998年Chenyang等人[4]提出了梯度矢量流模型，克服了 Snake模型的缺陷。但是，其捕獲范圍的增大是以犧牲迭代次數(shù)為代價的[5]，這在醫(yī)學(xué)圖像集的批量處理過程中是不被允許的。本文針對傳統(tǒng)GVF-Snake模型出現(xiàn)的問題，提出了一種優(yōu)化的分割算法，使初始輪廓線盡可能地設(shè)置在模型邊緣，最后再利用本文提出的改進G-S模型進行曲線自適應(yīng)，實現(xiàn)病灶信息的精準(zhǔn)提取。

1　基于區(qū)域的初始輪廓線

利用G-S模型分割圖像的關(guān)鍵點之一是初始輪廓線的設(shè)定[6]。若初始輪廓線設(shè)定在 GVF力場作用域外，則收斂時可能出現(xiàn)能量為零的情況；若擴大了GVF力場作用域，則必須增加迭代次數(shù)才能使曲線逼近輪廓線。

在肝病診斷過程中，實現(xiàn)初始輪廓線的自動設(shè)定按目前技術(shù)而言是難以完成的。因此，本文將人機交互結(jié)合區(qū)域算法，半自動地實現(xiàn)腹部CT切片集中肝臟病灶初始輪廓線的設(shè)定。算法流程如圖1所示。

圖1　本文初始輪廓線的設(shè)定方法

肝臟病灶表現(xiàn)為圓狀局部暗影,且絕大多數(shù)肝臟占位性病變區(qū)域較小，在CT平掃時屬于低密度，而門靜脈和膽管也表現(xiàn)為低密度[7]。這些都為肝臟病灶的提取增加了難度。為了保證病變位置的準(zhǔn)確判定，首先利用鼠標(biāo)手動標(biāo)定病灶輪廓點，并對擬合后的輪廓線進行逐張映射，最后只需要采取一些簡單的步驟對輪廓進行修正。

1.1預(yù)處理

1.1.1開閉運算

區(qū)域內(nèi)部的細(xì)節(jié)對基于區(qū)域的算法影響較大。所以在修正前需要對區(qū)域進行數(shù)學(xué)形態(tài)學(xué)中的開閉運算處理以去除噪聲、填補缺口[8]。

1.1.2區(qū)域生長

區(qū)域生長是以區(qū)域內(nèi)部某個點作為種子點，并以此為起點搜索出區(qū)域內(nèi)的所有像素。該算法是這樣定義邊界的[9]：區(qū)域邊界上像素點的灰度都是某個定值，且區(qū)域邊界內(nèi)部均不取這個值，而區(qū)域外部的像素點可以取。

1.1.3區(qū)域填充

用區(qū)域生長算法串行構(gòu)造病灶區(qū)域，易于實現(xiàn)，但生長過程中區(qū)域內(nèi)可能還存在著一些孤立點，若直接進行二值化處理會出現(xiàn)許多噪聲。這時需要通過區(qū)域填充法填補區(qū)域內(nèi)部剩余的孔洞。區(qū)域填充結(jié)果如圖2所示。

圖2　區(qū)域填充

1.2區(qū)域優(yōu)化

由于相鄰切片具有部分差異，經(jīng)過預(yù)處理后的分割區(qū)域仍然不能體現(xiàn)當(dāng)前切片的真實輪廓。其可能存在著弱對象漏分割或?qū)ο笥蛞绯龅默F(xiàn)象[10]。

先求出當(dāng)前分割結(jié)果與上一張分割結(jié)果的共有區(qū)域（如圖3（a））的灰度均值 α及標(biāo)準(zhǔn)差d，再求出上一張分割結(jié)果的特有區(qū)域（如圖3（b））的灰度均值α0及標(biāo)準(zhǔn)差 d0。若|α－α0|＜λ，|d－d0|＜δ，λ、δ為門限值，則認(rèn)為這個特有區(qū)域為弱對象區(qū)域，也屬于病灶的一部分。

圖3　分割區(qū)域二值化比較圖

假設(shè)弱對象區(qū)域（Ω）的灰度為 ω，已分割區(qū)域（Ω1）的灰度為 ω1，背景區(qū)域（Ω2）的灰度為 ω2，則有 ω1＜ω＜ω2。此時填充對象域，將 Ω1的灰度值變?yōu)?ω2，即令已分割區(qū)域變?yōu)楸尘皡^(qū)域的一部分，并讓此時的弱對象區(qū)域合并入原先的已分割區(qū)域。

類似地，若出現(xiàn)分割溢出的現(xiàn)象，可以通過背景域填充法，將 Ω2的灰度值轉(zhuǎn)化為區(qū)域的平均灰度值α2，使得背景區(qū)域與病灶區(qū)域相接，去除了多余的分割區(qū)域。得到的初始輪廓如圖4所示。

圖4　GVF－Snake初始輪廓線

2　改進的G-S模型

2.1基本思想

Snake模型可以表示為曲線 Γ(s)=(x(s)，y(s))，其中s∈[0，1]。令內(nèi)力 Fint=c1Γss+c2Γssss，外力 Fext=▽Eext，則Fint+Fext=0時能量最小。

GVF利用梯度矢量流場作為外部能量以增加外力的作用范圍，即用 F(x，y)作為模型中的 Fext[11]：

2.2改進模型的提出

在患者的一張腹部CT圖像中，非目標(biāo)病灶或是陰影區(qū)域是普遍存在的，這些都可能致使擬合的最終結(jié)果產(chǎn)生偽邊界。而傳統(tǒng)的GVF模型無法減少偽邊界的影響，尤其當(dāng)偽邊界具有高強度或是在目標(biāo)區(qū)域附近時，影響更為顯著[12]。為了突顯真實邊界，使輪廓線能夠更充分地收斂至凹陷區(qū)域，利用區(qū)域內(nèi)部信息，假設(shè)在CT圖 I(x，y)中病灶區(qū)域為 R，輪廓線為 Γ(s)，圖像大小為a×b，且沿著Γ(s)正方向運動時 R總在其左側(cè)。在這里將R的灰度信息SR定義為：

則Snake模型的能量函數(shù)可以被改寫為：

其中c3為加權(quán)系數(shù)，ER表示病灶區(qū)域的能量。

根據(jù)初始輪廓線與病灶區(qū)域的位置關(guān)系，假定曲線做收縮運動時σ=1，擴張時σ=－1，則可以得到轉(zhuǎn)換算子H如下：

根據(jù)格林公式，可以實現(xiàn)區(qū)域信息與輪廓信息的相互轉(zhuǎn)換：

由此可以將區(qū)域力定義為：

則歐拉方程可被改寫為：

3　實驗與分析

為驗證算法的可行性與通用性，本文以網(wǎng)站 http:// www.iiyi.com提供的患者腹部CT圖像為實驗素材，選取出其中3組具有代表性的切片集，即肝囊性占位、肝腫瘤和肝轉(zhuǎn)移癌，采用 Microsoft Visual C++6.0，調(diào)用庫OpenCV 1.0.0版在PC上實現(xiàn)了上述算法，對肝臟的病灶信息進行了提取。圖5采用了傳統(tǒng)的GVF算法。圖6為利用本文算法進行提取的結(jié)果，其中圖6（a）為設(shè)定的初始輪廓線，經(jīng)過兩次GVF迭代后最終獲取結(jié)果如圖6（b）、圖6（c）所示。

圖5　3種不同病灶的傳統(tǒng)GVF分割（迭代50次）

圖6　本文方法的分割結(jié)果（迭代2次）

設(shè) Γ1為最終擬合的病灶輪廓，Γ2為真實輪廓，利用擬合指數(shù)AOM和距離系數(shù)MCD來判定提取的精確度，具體如下：

其中S表示面積，C1和C2分別為 Γ1、Γ2所包圍的區(qū)域，dis(x，y)為線上的點x與線y之間的垂直距離，N代表對應(yīng)線上的總點數(shù)。AOM反映了曲線間的相似性，而MCD反映了曲線的差異性。編程對實驗的3組切片數(shù)據(jù)進行計算，結(jié)果如表1所示。

通過對比表1中的數(shù)據(jù)可以看出，本文提出的算法能夠精準(zhǔn)地分割出病灶區(qū)域，且對于復(fù)雜區(qū)域的提取有著較大優(yōu)勢。傳統(tǒng)的模型進行輪廓線提取時一般需要經(jīng)過幾十次以上的迭代，對于灰度特征較復(fù)雜的病灶區(qū)域來說容易擬合至偽邊界，導(dǎo)致提取結(jié)果不準(zhǔn)確。本文改進了初始輪廓線的設(shè)定方法，半自動地限定了主動輪廓的運動范圍，使提取過程更具針對性，迭代時間縮短至5 s左右，大大提高了提取的效率。實驗結(jié)果表明，在內(nèi)外力的共同作用下，運動的曲線可以在達(dá)到平衡時很好地自適應(yīng)病灶的真實輪廓。

表1　擬合精準(zhǔn)度對比

4　結(jié)論

本文提供了一種快速有效的提取方法，既保留了G-S模型能夠收斂于凹陷區(qū)域的優(yōu)越性，又克服了其因擴大了捕獲范圍而增大了運算量的缺陷。同時，結(jié)合區(qū)域信息，本文改進了傳統(tǒng)的G-S模型，提高了輪廓提取的精度。該算法適用于CT切片集的批量處理，可實現(xiàn)病灶復(fù)雜區(qū)域的連續(xù)精準(zhǔn)分割，為CT圖像分割問題提供了新的解決方案。

[1]彭微．基于區(qū)域的肝臟病灶 CT圖像分割及實現(xiàn)[J]．信息技術(shù)，2011(11)：132-133.

[2]LU H Y，YU Y M，BAO S L.Note：on modeling techniques in active contours[C].Beijing：IEEE，ICSP，2012：956-961.

[3]王雅萍，郭雷．一種基于輪廓自擴展的GVF算法[J]．火力與指揮控制，2009，34(4)：147-149.

[4]SONG X D，TANG G A，LI F Y，et al.Extraction of loess shoulder-line based on the parallel GVF snake model in the loess hilly area of China[J].Computers&Geosciences，2013(10)：11-20.

[5]范延濱，劉彩霞，賈世宇，等．GVF Snake模型中初始輪廓線設(shè)置算法的研究[J]．中國圖象圖形學(xué)報，2008，13(1)：61-66.

[6]DU J H，ZHAO G S，ZHANG H L，et al.A novel method in extracranial removal of brain MR images[J].Procedia Computer Science，2014(3)：1160-1169.

[7]吳錦．CT平掃與多期增強對肝臟實性占位病變檢出價值的探討[D]．長沙：中南大學(xué)，2014.

[8]胡濤，呂虹，孫小虎，等．基于水平垂直灰度開運算的車牌字符分割算法[J].電子技術(shù)應(yīng)用，2012，38(10)：11-13．

[9]秦曉薇．區(qū)域填充算法的研究[J]．赤峰學(xué)院學(xué)報(自然科學(xué)版)，2011，27(6)：28-30.

[10]王瑞鑫．GVF Snake算法的改進及其在肺癌檢測技術(shù)中的應(yīng)用[D]．秦皇島：燕山大學(xué)，2010.

[11]LI X G，SHEN L S，LAM K M.An image magification algorithm using the GVF constraint model[J].Journal ofElectronics，2008，25(4)：568-571.

[12]ZHAO J，ZHANG L，YIN M M.Medical image segmentation based on wavelet analysis and gradient vector flow[J].Journal of Software Engineering and Applications，2014，7 (12)：1019-1030.

Liver lesion CT volume segmentation algorithm based on self-adaptive curve

Wang Feifei，Chen Guodong
(School of Physics and Information Engineering，F(xiàn)uzhou University，F(xiàn)uzhou 350108，China)

Aiming at abdomen CT images of different patients,the fast segmentation algorithm for liver lesions is presented.Firstly, by using contour map and region algorithm in combination,the initial contour of curve evolution is pre-extracted,which is suitable for the batch.In order to reduce the impact of spurious boundary and to converge to deeper boundary concaves,the improved G-S model based on adaptive curve can be finally presented to accurately fit the contour.Compared with other classical segmentation algorithms,not only is this method used to improve the precision of active contour model,it also proves to save considerable time.At the same time,noise jamming can be removed.Experiments show that the proposed methods could effectively extract the lesion region of image and meet the needs of reality.

self-adaptive；initial contour；region growing；region optimization；G-S model

TP317.4

A

10.16157/j.issn.0258-7998.2015.09.040

福建省自然科學(xué)基金項目（2013J05090）

（2015-05-12）

王霏霏（1990-），女，碩士研究生，主要研究方向：圖像處理、電子信息工程。

陳國棟（1979-），通信作者，男，博士，副研究員，主要研究方向：計算機圖形學(xué)，E-mail：fzucgd@126.com。

中文引用格式：王霏霏，陳國棟.基于曲線自適應(yīng)的肝臟病灶CT批量分割算法[J].電子技術(shù)應(yīng)用，2015，41(9)：146-148，156.

英文引用格式：Wang Feifei，Chen Guodong.Liver lesion CT volume segmentation algorithm based on self-adaptive curve[J].Application of Electronic Technique，2015，41(9)：146-148，156.