劉　樂，　李　陽,　侯阿臨,　孫春艷，　孫　麗

(長春工業(yè)大學 計算機科學與工程學院， 吉林 長春　130012)

?

基于CT圖像的肺實質(zhì)分割

劉樂，李陽*,侯阿臨,孫春艷，孫麗

(長春工業(yè)大學 計算機科學與工程學院， 吉林 長春130012)

摘要：在肺部計算機斷層掃描圖像的肺實質(zhì)分割中，針對固定閾值法分割圖像不穩(wěn)定的問題，提出最佳閾值法對圖像進行二值化，分割出肺實質(zhì)區(qū)域，剔除肺縱膈區(qū)域及衣物等背景。與固定閾值法相比，該方法有較高的穩(wěn)定性。針對由病變造成的肺部大面積壞死所引起的左右肺分開判斷錯誤的問題補充了判斷準則，直接給出結論。實驗表明,該方法對肺實質(zhì)分割具有較高的魯棒性。

關鍵詞：圖像處理； 分割； CT圖像； 肺實質(zhì)

0引言

肺癌是全球死亡率最高的癌癥，現(xiàn)已成為癌癥患者的頭號殺手，肺癌患者的5年生存率僅為15%[1]。如果肺癌能夠早期識別、診斷并治療，患者的5年生存率可提高到49%[2]。肺癌的早期表現(xiàn)形式是肺結節(jié)，計算機斷層掃描成像(Computed Tomography， CT)技術是檢測早期肺結節(jié)的重要手段。CT值代表X線穿過組織被吸收后的衰減值。每種物質(zhì)的CT值等于該物質(zhì)的衰減系數(shù)與水的衰減系數(shù)之差再與水的衰減系數(shù)相比之后乘以1 000，其單位名稱為HU(Hounsfield Unit)，不同組織的CT值各異，骨骼的CT值最高,為1 000 HU,軟組織的CT值為20~70 HU，空氣的CT值為-1 000 HU。 CT影像中CT值通常處于-1 000~1 000 HU之間，肺CT影像中肺結節(jié)和血管CT值通常大于-750 HU，而肺實質(zhì)區(qū)域CT值通常小于這個值。實驗時使用的圖像是將CT圖像中的CT值映射成為0~255的灰度值。

肺實質(zhì)的準確分割為肺部結節(jié)檢測及假陽篩除提供良好的前期基礎。肺實質(zhì)分割包括去除背景、肺實質(zhì)提取、小血管移除及左右肺的分開。 目前，肺實質(zhì)分割可采用閾值法[3-5]、區(qū)域增長法[6]、邊緣檢測法[7-8]、形態(tài)學處理法[9]、遺傳算法[10]、基于模式分析法[11]以及水平集法[12]等。

1最佳閾值法分割圖像

1.1　肺實質(zhì)分割原理

根據(jù)肺部螺旋CT圖像特點，首先針對現(xiàn)有的固定閾值法分割圖像出現(xiàn)不穩(wěn)定的問題，提出最佳閾值法對肺部CT圖像進行初步處理?，F(xiàn)有固定閾值法利用了很少的時間復雜度完成了對肺部圖像的分割，但其穩(wěn)定度不高，對感興趣區(qū)域可能產(chǎn)生過度分割的情況。

針對固定閾值法存在的問題，文中采用最佳閾值法進行肺實質(zhì)分割。最佳閾值法二值化后的圖像用連通區(qū)域標記法去除背景，再應用區(qū)域生長法去除支氣管，最后對粘連的左右肺采用尋找鞍點法分開[3]。左右肺分開過程中對已有判斷左右肺是否粘連的準則進行修改。

人體肺部充滿氣體，與胸腔組織相比，其CT值很低，表現(xiàn)在灰度圖像上為灰度值較低。胸腔的灰度值較高，胸腔外部的空氣灰度值均較低。針對固定閾值法不穩(wěn)定的問題，提出最佳閾值法對圖像進行二值化。設一幅圖像為f(x,y)，其中(x,y)為圖像中某一點坐標，f(x,y)表示該坐標的像素值，x∈[0,512],y∈[0,512],f(x,y)∈[0,255]。最佳閾值法分割圖像首先選取初始閾值將圖像分割為二值圖像，其中初始閾值的選取見步驟1。然后通過迭代算法使最終閾值達到最優(yōu)，最佳閾值對圖像進行分割的方法如下：

步驟1：計算初始閾值，并對圖像進行二值化處理。初始閾值選取如下式：

(1)

f(x,y)大于T0的像素設為1，小于T0的設為0，從而得到原始圖像用T0為閾值分割后的二值圖像f1(x,y)。

步驟2：計算用初始閾值分割后得到的二值圖像f1(x,y)值為1的f11(x,y)的個數(shù)，記為n1，f1(x,y)值為0的f10(x,y)的個數(shù)，記為n2。計算f11(x,y)的坐標下原圖像f(x,y)的和，記為m1以及f10(x,y)的坐標下原圖像的和，記為m2。分別計算灰度平均值

(2)

(3)

(4)

(5)

其灰度平均值為：

(6)

步驟3：計算新的閾值

(7)

步驟4：用新閾值對原圖像分割，令T0=T1，重復步驟2和3直到當前閾值與上一次閾值之差小于某個正的小數(shù)ε，迭代結束，文中ε值取0.001。最佳閾值算法流程如圖1所示。

圖1　最佳閾值法的流程

1.2　基于最佳閾值法的仿真與分析

采用圖片來自LIDC數(shù)據(jù)庫及吉林省某三甲醫(yī)院，并且附有醫(yī)生的金標準。仿真軟件使用MATALB7.1，共對20位患者的100幅CT圖片進行仿真實驗。最終得到的二值化后的圖像肺實質(zhì)區(qū)域用黑色表示，背景(衣物、病床等)用白色表示。最大的連通區(qū)域為背景區(qū)域，然后應用連通區(qū)域標記法去除原圖像中的背景。最后將肺實質(zhì)區(qū)域按照原圖像重構。最佳閾值法分割肺區(qū)步驟如圖2所示。

(a) 原圖像　　　　　(b) 最佳閾值分割圖像　　　　(c) 肺區(qū)重構圖2　最佳閾值法分割肺區(qū)步驟

對其中3位患者的單層CT在不同閾值下進行分割所得到的最終圖片如圖3~圖5所示。

(a) 患者1　　　　　　　　(b) 患者2　　　　　　　　(c) 患者3圖3　固定閾值為0.3分割后的圖像

(a) 患者1　　　　　　　　(b) 患者2　　　　　　　　(c) 患者3圖4　固定閾值為0.8分割后的圖像

(a) 患者1　　　　　　　　(b) 患者2　　　　　　　　(c) 患者3圖5　最佳閾值分割的圖像

圖3至圖5中整幅影像的面積是512*512個像素，而肺實質(zhì)區(qū)域的面積大約是100*200個像素[13]。肺實質(zhì)區(qū)域在灰度重建前的二值圖像用0像素表征。

圖3是采用固定閾值為0.3時分割后所得的一組圖像，其中圖3(a)中二值化后為0的像素點不存在，圖3(b)中值為0的像素點數(shù)量很少，很明顯分割不出感興趣區(qū)域。

圖4是采用固定閾值為0.8時分割后的圖像，其中圖4(a)，(b)和(c)中對應二值圖像不存在0像素點，沒有分割出肺區(qū)。

圖5按照最佳閾值法分割，得到了較為合理且細節(jié)完整的肺區(qū)圖像，驗證了最佳閾值分割方法的有效性。

對應于圖3~圖5，分別給出3位患者所對應求取的閾值、仿真時間及不同閾值方法所取得的最大連通區(qū)域下的面積，并進行分析比較，見表1~表3。

表1　最佳閾值法求得閾值

表2　最佳閾值與固定閾值時間比較

表3　最佳閾值與固定閾值面積比較

表1列出了文中方法求得的最佳閾值，表2數(shù)據(jù)比較可見，最佳閾值法比固定閾值法分割圖像需要更多時間，但是從分割后的圖像可以看到效果優(yōu)于固定閾值法。表3中給出不同閾值方法下提取的肺區(qū)面積，為二值化后像素為0的點的個數(shù)。固定閾值為0.3時，分割出的圖像中患者1未提取出0像素點，患者2也僅提取出2個像素點，很顯然無法成功提取肺實質(zhì)區(qū)域。當固定閾值為0.8時，分割出的患者編號為1,2,3的圖片沒有提取出任何為0的像素點，即沒有分割出肺實質(zhì)區(qū)域,而應用最佳閾值法則很好地分割出了肺實質(zhì)區(qū)域，并且具有很好的穩(wěn)定性(其效果見圖5)。

綜上比較，最佳閾值法能夠?qū)D片的肺實質(zhì)區(qū)域進行較為完整的提取，但是最佳閾值法較固定閾值法的仿真時間長，計算復雜度高。由此可見，最佳閾值法是以犧牲計算復雜度和仿真時間為代價來換取圖像分割的魯棒性及有效性。

2基于準則分開左右肺

利用文獻[3]中所描述的區(qū)域生長法逐層去除支氣管。去除支氣管后的肺部CT圖像只剩下肺實質(zhì)區(qū)域，肺實質(zhì)區(qū)域分為左肺和右肺，左右肺的形態(tài)分為左右肺粘連型和左右肺不粘連型。針對左右肺粘連的情況，通過尋找鞍點法來分開左右肺。鞍點為肺實質(zhì)下邊緣的最高點。

左右肺分割主要有3個步驟：如何判斷左右肺是否粘連、如何確定粘連區(qū)域、如何分割。從圖5中可以看出，對于正常的肺實質(zhì)區(qū)域，左右肺面積應基本接近。根據(jù)醫(yī)生經(jīng)驗，在左右肺的肺實質(zhì)區(qū)域中，當小的面積與大的面積之比小于0.5時，可以認為由于病變肺實質(zhì)發(fā)生了大面積的變形。將圖6按照文獻[3]方法分割，將提取的圖像中第一大和第二大連通區(qū)域面積做比較，當差距過大時會誤判為左右肺粘連，由此容易產(chǎn)生誤判。

針對這種情況，文中將該準則進一步修改細化，其步驟如下：

1)去除背景與支氣管的肺區(qū)應該只有左右兩部分。這里用x表示像素行坐標，y表示像素列坐標。先將圖像分為左右相等兩部分，記為y∈[1，256]和y∈[257,512]，并用連通區(qū)域標記法分別計算出這兩部分的最大連通區(qū)域面積，記為n21,n22。

(8)

2)取圖像x∈[1.256]的部分，用連通區(qū)域標記法找出面積最大兩部分，記其面積為n23,

(9)

3)檢查t1,t2，如果t1<0.5,則可能存在肺部大面積變形，如圖6所示。

圖6　容易產(chǎn)生誤判的圖像

對于這種情況，程序輸出“肺部有大面積壞死等情況”；如果t1>0.5且t2>0.5，則左右肺不粘連，該情況不做處理，繼續(xù)運行后續(xù)檢測等步驟；如果t1>0.5且t2<0.5，則左右肺粘連，利用尋找鞍點法分開粘連的左右肺。

3結語

根據(jù)CT圖像特點提出了最佳閾值法對圖像進行二值化處理，該方法較固定閾值法有更好的穩(wěn)定性。左右肺分開過程中采用了尋找鞍點法對粘連型肺實質(zhì)進行分開，并對左右肺是否粘連判斷準則進行修改。實驗表明，該方法對肺實質(zhì)分割得到較好的分割效果，在有效去除支氣管分開左右肺的同時保留了肺區(qū)的細節(jié)，對于一些形變的肺部CT直接給出結論，為肺結節(jié)的提取提供了較好的前期基礎。該方法對粘連型肺實質(zhì)只進行了簡單的分開，不能很好地找到粘連處的肺部邊界，下一步的研究主要是如何更精準地找出左右肺粘連型肺實質(zhì)粘連處的肺部邊緣。

參考文獻：

[1]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].計算工程,2007,33(19):188-189.

[2]陳萬青,張思維,鄒小農(nóng),等.中國肺癌發(fā)病死亡的估計和流行趨勢研究[J].中國肺癌雜志,2010,13(5):488-493.

[3]王青竹.基于三維SVMs的肺部CT中的結節(jié)檢測算法[D]:[博士學位論文].長春：吉林大學，2011.

[4]卞曉月,武妍.基于CT圖像的肺實質(zhì)細分割綜合方法[J].重慶郵電大學學報,2010,22(5):665-668.

[5]曹蕾,占杰,余曉鍔,等.基于自動閾值的CT圖像快速肺實質(zhì)分割[J].計算機工程與應用,2008,44(12):178-181.

[6]劉其濤.經(jīng)典邊緣提取方法在醫(yī)學圖像中的應用[J].生命科學儀器,2005,5(3):29-31.

[7]季虎,孫即祥,邵曉芳,等.圖像邊緣提取方法及展望[J].計算機工程與應用,2004,40(14):70-73.

[8]Hu S, Hoffman E A. Automatic lung segmentation for accurate quantization of volumetric X-ray CT images[J]. IEEE Trans on Medical Image,2001,20(6):490-498.

[9]馬麗紅,張宇,鄧健平.基于形態(tài)開閉濾波二值標記和紋理特征合并的分水嶺算法[J].中國圖像圖形學報,2003,8(1):78-83.

[10]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].計算機工程,2007,33(19):118-189.

[11]姜曉彤,羅立民,汪家旺,等.一種肺部腫瘤CT圖像序列的自動分割方法[J].中國圖像圖形學報,2002,8(9):1028-1033.

[12]師為禮，苗語，顏雁.基于ITK的水平集醫(yī)學圖像分割算法[J].長春工業(yè)大學學報:自然科學版,2008,29(5):616-519.

[13]孫申申.基于CT影像的肺結節(jié)檢測與分割方法研究[D]：[碩士學位論文].沈陽：東北大學,2009.

Lung parenchyma segmentation on CT image

LIU Le,LI Yang*,HOU A-lin,SUN Chun-yan,SUN Li

(School of Computer Science & Engineering, Changchun University of Technology, Changchun 130012， China)

Abstract：For the Computed Tomography (CT) scanning image segmentation of the lung parenchyma, an optimal threshold algorithm is proposed to solve the unstable problem existed in the fixed threshold method. The optimal threshold algorithm is used to divide the image and get the lung parenchyma region after taking the lung mediastinum and clothing and other background out. The supplemental criteria are added to eliminate the misjudgment of left or right lung caused by a large area necrosis due to pathological change. Experimental results show the algorithm is more stable and effective to lung parenchyma segmentation than the others.

Key words：image processing; segmentation; CT image; lung parenchyma.

作者簡介：劉樂(1988-)，女，漢族，吉林長春人，長春工業(yè)大學碩士研究生，主要從事圖像處理方向研究,E-mail:chenxiaomikhun@163.com. *通訊作者：李陽(1979-)，女，漢族，吉林長春人，長春工業(yè)大學講師，博士，主要從事圖像處理方向研究,E-mail:liyang1979@ccut.edu.cn.

基金項目：2012年國家級“大學生創(chuàng)新創(chuàng)業(yè)訓練計劃”(201210190017)； 吉林省科技發(fā)展計劃資助項目青年科研基金(201201129)； 長春工業(yè)大學理工科基金(2011LG04)

收稿日期：2014-07-09

中圖分類號：TP 391.41

文獻標志碼：A

文章編號：1674-1374(2015)01-0072-05

DOI:10.15923/j.cnki.cn22-1382/t.2015.1.15