王光磊，苑昊，魏帥，時(shí)亞松，劉秀玲

(1.河北大學(xué) 電子信息工程學(xué)院，河北省數(shù)字醫(yī)療工程重點(diǎn)實(shí)驗(yàn)室，河北 保定　071002)

?

基于區(qū)域生長(zhǎng)和聚類(lèi)的主動(dòng)脈CTA圖像序列分割算法

王光磊，苑昊，魏帥，時(shí)亞松，劉秀玲

(1.河北大學(xué) 電子信息工程學(xué)院，河北省數(shù)字醫(yī)療工程重點(diǎn)實(shí)驗(yàn)室，河北 保定071002)

摘要：針對(duì)人體主動(dòng)脈CTA序列圖像的特點(diǎn)，提出了一種基于區(qū)域生長(zhǎng)和聚類(lèi)的序列分割新算法.在確定好合適的分割閾值范圍后，結(jié)合基于區(qū)域生長(zhǎng)的算法對(duì)主動(dòng)脈的目標(biāo)區(qū)域進(jìn)行輪廓提取，然后對(duì)得到的目標(biāo)輪廓在基于isodata的算法上進(jìn)行聚類(lèi)處理，由于主動(dòng)脈在空間上的連續(xù)性，可以將聚類(lèi)后得到的目標(biāo)區(qū)域的聚類(lèi)中心作為下一幅CT圖像新的種子點(diǎn)再進(jìn)行區(qū)域生長(zhǎng)，從而實(shí)現(xiàn)僅在選擇單幅圖像種子點(diǎn)的情況下一次性完成整套CT序列圖像的分割.實(shí)驗(yàn)結(jié)果表明，本文算法計(jì)算量小，分割精度高，可以完整準(zhǔn)確地將主動(dòng)脈從CT序列圖像中分割出來(lái).

關(guān)鍵詞：主動(dòng)脈； CTA序列圖像；空間連續(xù)性；區(qū)域生長(zhǎng)；聚類(lèi)

第一作者：王光磊(1983-)，男，天津人，河北大學(xué)講師，博士，主要從事醫(yī)學(xué)圖像處理等方面研究.

E-mail:windlay@hotmail.com

E-mail:liuxiuling121@hotmail.com

近年來(lái)許多主動(dòng)脈疾病的發(fā)病率明顯增高，這里包括由動(dòng)脈粥樣硬化引起的腹主動(dòng)脈瘤和動(dòng)脈閉塞性疾病等，尤其是腹主動(dòng)脈瘤，它的發(fā)病率已經(jīng)超過(guò)了顱內(nèi)動(dòng)脈瘤，成為各種動(dòng)脈瘤發(fā)病率之首，而且還在呈現(xiàn)明顯的上升趨勢(shì)[1].這些疾病嚴(yán)重威脅著人們的身體健康，而如何能快速有效地進(jìn)行診斷和定量分析就變得十分關(guān)鍵，所以對(duì)主動(dòng)脈進(jìn)行三維重構(gòu)是非常有意義的.當(dāng)然這也是主動(dòng)脈虛擬手術(shù)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要保障，而前提則是能在二維CT序列圖中將主動(dòng)脈輪廓完整地提取出來(lái)，考慮到主動(dòng)脈的CT序列圖像數(shù)量過(guò)大，以層厚0.6 mm，層間距0.6 mm的螺旋CT為例，要將主動(dòng)脈完全覆蓋到需要大概600多幅CT圖像，若采取單一的CT圖像提取的方法是十分耗時(shí)且無(wú)意義的，所以序列分割算法的提出是很必要的.

當(dāng)前國(guó)內(nèi)外研究者們實(shí)現(xiàn)序列分割的方法主要也還是利用連續(xù)圖像間的相似性.這其中一種實(shí)現(xiàn)思想是計(jì)算上一張目標(biāo)區(qū)域的質(zhì)心作為下一張分割的種子點(diǎn)來(lái)提取輪廓[2].而另外一種應(yīng)用較多的思想則是將上一幅CT圖像目標(biāo)區(qū)域分割后得到的輪廓點(diǎn)集投影到下一幅CT圖像中，以投影到下一張目標(biāo)區(qū)域中的點(diǎn)集作為新的種子點(diǎn)再繼續(xù)區(qū)域生長(zhǎng)都得到新的輪廓[3-5].基于質(zhì)心的算法的確能夠?qū)崿F(xiàn)一定器官，組織的CT圖像序列分割，但不能很好地適用于有拓?fù)渥兓那樾危员疚难芯康娜梭w主動(dòng)脈為例，在二維橫切CT圖像上目標(biāo)輪廓并不僅僅都是一個(gè)連通區(qū)域，而是由一個(gè)連通區(qū)域逐漸變化到2個(gè)連通區(qū)域，然后再變回到一個(gè)連通區(qū)域的過(guò)程，這時(shí)，基于質(zhì)心的算法就很難將完整的主動(dòng)脈輪廓提取出來(lái).而基于投影點(diǎn)集的算法則在拓?fù)渥兓头指钚Ч隙加泻芎玫膶?shí)現(xiàn)，不過(guò)，該算法由于利用的是輪廓邊緣信息，實(shí)現(xiàn)的前提是上一幅目標(biāo)輪廓的投影點(diǎn)集中必須有包含在下一幅目標(biāo)區(qū)域內(nèi)的像素點(diǎn)，而這增大了對(duì)連續(xù)圖像間距的依賴性.所以，本文提出了基于區(qū)域生長(zhǎng)和聚類(lèi)的CT序列分割新算法.

該算法利用了聚類(lèi)思想中“合并”和“分裂”的特點(diǎn)，很好地解決了主動(dòng)脈在二維分割時(shí)目標(biāo)區(qū)域數(shù)量變化的問(wèn)題，即根據(jù)目標(biāo)區(qū)域的個(gè)數(shù)確定種子點(diǎn)的個(gè)數(shù)，為提取完整的主動(dòng)脈輪廓提供了保障.首先對(duì)上一幅CT圖像的分割結(jié)果進(jìn)行聚類(lèi)處理，得到的聚類(lèi)中心作為下一幅CT圖像的新的種子點(diǎn)，再結(jié)合基于區(qū)域生長(zhǎng)思想的算法進(jìn)行分割.由于主動(dòng)脈在螺旋CT圖像上面積相對(duì)較大，使得本文設(shè)計(jì)的算法減少了對(duì)圖像間距的依賴，另外在調(diào)整好幾個(gè)重要參數(shù)如合并參數(shù)的前提下該算法可以適應(yīng)多種不同的分裂合并情況，提高了分析的智能性.

1算法描述

提出了一種基于區(qū)域生長(zhǎng)和聚類(lèi)的序列分割新算法.基于區(qū)域生長(zhǎng)的算法對(duì)主動(dòng)脈的目標(biāo)區(qū)域進(jìn)行輪廓提取，然后對(duì)得到的目標(biāo)輪廓在基于isodata的算法上進(jìn)行聚類(lèi)處理，將聚類(lèi)后得到的目標(biāo)區(qū)域的聚類(lèi)中心作為下一幅CT圖像新的種子點(diǎn)再進(jìn)行區(qū)域生長(zhǎng)，從而實(shí)現(xiàn)僅在選擇單幅圖像種子點(diǎn)的情況下一次性完成整套CT序列圖像的分割.算法流程如圖1所示.

1.1　基于區(qū)域生長(zhǎng)的分割算法

區(qū)域生長(zhǎng)算法的基本思想是把相同或相似性質(zhì)的像素聚集成區(qū)域.具體是在目標(biāo)區(qū)域內(nèi)找到合適的種子點(diǎn)，作為生長(zhǎng)起點(diǎn)，其次通過(guò)已確定好的生長(zhǎng)準(zhǔn)則，將種子像素周?chē)c其相同或相似的像素并入到種子像素所在的區(qū)域內(nèi)，這些新的像素作為新的種子點(diǎn)繼續(xù)向四周生長(zhǎng)，直到不再有滿足條件的像素包含進(jìn)來(lái)，這時(shí)目標(biāo)區(qū)域就生成了.區(qū)域生長(zhǎng)算法要解決的3個(gè)核心問(wèn)題：1)選擇合適的種子像素；2)確定能把區(qū)域內(nèi)的像素包含進(jìn)來(lái)的生長(zhǎng)準(zhǔn)則；3)確定終止條件[6].

種子點(diǎn)的選取直接關(guān)系到最終的分割效果，因?yàn)楸疚乃惴ㄊ腔诰垲?lèi)ISODATA算法實(shí)現(xiàn)的，所以序列分割時(shí)的種子點(diǎn)就是聚類(lèi)后得到的最終中心坐標(biāo).

生長(zhǎng)準(zhǔn)則的確定：設(shè)初始種子點(diǎn)的坐標(biāo)位置為(x0,y0)，初始種子點(diǎn)的像素值為f(x0,y0)，種子點(diǎn)附近八鄰域像素值為

f(xi,yi)=f(x0+Δx,y0+Δy),(Δx,Δy∈[-1,1])，

(1)

則生長(zhǎng)準(zhǔn)則為

(2)

由上述生長(zhǎng)準(zhǔn)則可以看出，區(qū)域生長(zhǎng)中的閾值范圍的選取直接決定了最后的分割效果.因?yàn)檠芯康臄?shù)據(jù)是CT圖像，各個(gè)區(qū)域的的灰度差別較大，另外CT圖的噪聲相對(duì)較小，因此本文選擇手動(dòng)設(shè)定分割閾值，再結(jié)合區(qū)域生長(zhǎng)便可以比較準(zhǔn)確地分割初步目標(biāo)區(qū)域[7].由于省去了閾值計(jì)算的過(guò)程，也極大地簡(jiǎn)化了分割過(guò)程，縮短了程序運(yùn)行時(shí)間.

關(guān)于生長(zhǎng)方式，本文選擇八鄰域生長(zhǎng)方式.設(shè)定S為出發(fā)點(diǎn)，CD為當(dāng)前搜索方向，它指向要搜索的點(diǎn)方向，CD∈{0，1，2，3，4，5，6，7}.從S點(diǎn)出發(fā)，依據(jù)搜索設(shè)定的方向CD依次尋找下一個(gè)邊界點(diǎn).定義下一個(gè)點(diǎn)的搜索方向?yàn)镹D=(CD+7)mod8.在這個(gè)搜索算法中，下個(gè)邊界點(diǎn)能保存上個(gè)點(diǎn)的搜索方向，并且逆時(shí)針回溯一個(gè)方向，再?gòu)拇朔较蝽槙r(shí)針?biāo)阉?這種搜索方式能優(yōu)先搜索上個(gè)點(diǎn)搜索方向附近的方向，減少了重復(fù)搜索，提高了生長(zhǎng)速度.

為了避免噪聲點(diǎn)的干擾，需要在算法中加入一個(gè)約束條件，即在搜索過(guò)程中，如果生成了閉合邊界，首先計(jì)算此閉合邊界內(nèi)部的面積，一旦面積小于一定值，則說(shuō)明遇到了噪聲點(diǎn)，此時(shí)拋去噪聲點(diǎn)邊界，再繼續(xù)進(jìn)行.搜索過(guò)程一直持續(xù)搜索到出發(fā)點(diǎn)S，則邊界跟蹤完成[2].

1.2　基于ISODATA算法的種子點(diǎn)的確定

ISODATA，迭代自組織分析，該算法是機(jī)器學(xué)習(xí)中非監(jiān)督動(dòng)態(tài)聚類(lèi)算法中的一種，它是在k-均值算法的基礎(chǔ)上，增加了對(duì)聚類(lèi)結(jié)果的“合并”和“分裂”2個(gè)操作，通過(guò)設(shè)定初始參數(shù)而引入人機(jī)對(duì)話環(huán)節(jié)，并使用歸并與分裂的機(jī)制.當(dāng)聚類(lèi)結(jié)果某一類(lèi)中的樣本數(shù)太少，低于設(shè)定值時(shí)，或者2個(gè)類(lèi)間的距離太近時(shí)(由合并參數(shù)調(diào)節(jié))，進(jìn)行合并.而當(dāng)聚類(lèi)結(jié)果中某一類(lèi)中樣本某個(gè)特征類(lèi)內(nèi)方差太大，將該類(lèi)進(jìn)行分裂.

本文利用ISODATA的算法步驟[8]

Step1: 選取5個(gè)對(duì)象c1,c2,c3,c4,c5作為聚類(lèi)中心.

Step2：將每個(gè)樣本像素(灰度值為255)c1依據(jù)公式(3)分派到聚類(lèi)中心為ci的聚類(lèi)塊Ci中.

(3)

對(duì)于任意一個(gè)Ci如果滿足Ni

Step3：按照下面公式修正聚類(lèi)中心值

(4)

Step4：計(jì)算聚類(lèi)塊Ci中的各個(gè)樣本像素距離其中心ci的距離

(5)

Step5：計(jì)算所有樣本像素與其相應(yīng)聚類(lèi)中心的平均距離

(6)

情況1：若迭代完成(由參數(shù)I決定)，令C=0，不再合并，跳轉(zhuǎn)Step10；

情況3：若迭代次數(shù)為偶數(shù)，又或者k≥2K錯(cuò)誤！未找到引用源，則跳轉(zhuǎn)到Step10，否則跳轉(zhuǎn)到Step8.

Step6：用下面公式求得每一個(gè)聚類(lèi)i對(duì)應(yīng)的標(biāo)準(zhǔn)差σi=(σi1,σi2,…,σin)T

(7)

式中xlm是第l個(gè)樣本的第m個(gè)分量，xl在Ci中，xim是第i個(gè)聚類(lèi)中心的第m個(gè)分量；σim是第i個(gè)聚類(lèi)第m個(gè)分量的標(biāo)準(zhǔn)差，n是樣本的維數(shù).

求出每類(lèi)具有最大標(biāo)準(zhǔn)偏差的分量σjmax,j=1,2,…,c.

Step7：如果存在σimax>S,i=1,2,…,k，且滿足以下2個(gè)條件之一

Step8：計(jì)算所有的聚類(lèi)中心兩兩之間的距離

δij=d(ci,cj),i=1,2,…,k,j=i,i+1,…,k.

(8)

Step9： 比較δij和C，把小于C的δij按大小作升序排列，δi1j1<δi2j2<…<δiLjL，其中L是步驟1給出的每次迭代允許的最大聚類(lèi)對(duì)數(shù).

Step10：從最小的δi1j1開(kāi)始，對(duì)于每個(gè)δi1j1合并2個(gè)類(lèi)Cil和Cjl，聚類(lèi)中心為

(9)

并把聚類(lèi)數(shù)減少，k=k-1.

從第2個(gè)δiLjL開(kāi)始，檢查δiLjL是否已在前面合并過(guò)程中被合并，如果兩者未被合并，則執(zhí)行合并過(guò)程.

Step11：如果迭代完成程序結(jié)束，否則根據(jù)需要輸入?yún)?shù)跳轉(zhuǎn)到步驟1，如輸入?yún)?shù)不變，則跳轉(zhuǎn)到Step2.

2實(shí)驗(yàn)與分析

2.1　材料

研究對(duì)象是人體主動(dòng)脈CT斷層序列圖像，該圖像是由德國(guó)西門(mén)子系統(tǒng)醫(yī)療集團(tuán)研制的Sensation 4 多層面螺旋CT 獲取，其主要掃描參數(shù)為層厚0.6 mm，層距0.6 mm.圖2 是利用Sensation 4 多層面螺旋CT 在以上掃描參數(shù)下掃描得到的某一病人腹部的斷層序列圖像，從左至右分別為第176，264，393 張斷層圖像.從斷層序列圖像上可以清晰觀測(cè)到連通區(qū)域的主動(dòng)脈.每個(gè)病人樣品均采集到700張以上分辨力為512~512的12位斷層圖像.為了方便在普通顯示器上進(jìn)行處理，本文中的主動(dòng)脈圖像是由12位的DICOM格式轉(zhuǎn)化為8位JPEG格式的灰度圖像.

2.2　不同閾值的分割結(jié)果

如果圖像中含有噪聲將會(huì)影響區(qū)域生長(zhǎng)的正常進(jìn)行，所以在區(qū)域生長(zhǎng)分割之前，對(duì)圖像要進(jìn)行一些邊緣保持的平滑處理.為了實(shí)現(xiàn)更好的分割效果，本文選擇基于閾值的區(qū)域生長(zhǎng)算法進(jìn)行分割，所以在算法的最開(kāi)始需要為CT圖像找到合適的分割閾值范圍.

序列CT圖像中有些區(qū)域會(huì)在一些特定的狀態(tài)下與目標(biāo)區(qū)域“粘連”，而它們的灰度值又與目標(biāo)區(qū)域十分相近，對(duì)目標(biāo)輪廓的提取造成了很大的干擾.可以檢測(cè)出連接區(qū)域的灰度值都在[200，250]之間， 又因?yàn)橹鲃?dòng)脈內(nèi)部像素灰度值沒(méi)有超過(guò)600的，所以設(shè)定閾值為[280，600].

現(xiàn)在對(duì)特殊位置下的主動(dòng)脈CT圖像進(jìn)行檢測(cè)，將不同的閾值添加到單幅區(qū)域生長(zhǎng)的分割算法中，圖3b是閾值[280，600]的結(jié)果，圖3c是閾值[200，600]的結(jié)果.

很明顯，不同的閾值范圍對(duì)目標(biāo)輪廓的提取影響很大，而檢測(cè)得到的最佳閾值的確可以很好地提取出這種與干擾區(qū)域近似“粘連”狀態(tài)下的目標(biāo)區(qū)域.這也是本文選擇設(shè)定閾值的另一個(gè)重要原因.

2.3　分割精度對(duì)比結(jié)果

在ITK的開(kāi)發(fā)平臺(tái)下，利用面向?qū)ο缶幊陶Z(yǔ)言C++語(yǔ)言實(shí)現(xiàn)上述算法，并對(duì)實(shí)驗(yàn)圖像605幅DICOM格式的人體主動(dòng)脈序列圖像進(jìn)行分割.由于主動(dòng)脈在醫(yī)學(xué)上主要分為主動(dòng)脈升部、主動(dòng)脈弓和主動(dòng)脈降部，所以本文在這3個(gè)部分抽選結(jié)果做檢測(cè)，圖4為本文所描述的算法分割后的結(jié)果，從上到下分別為主動(dòng)脈升部、主動(dòng)脈弓和主動(dòng)脈降部的結(jié)果.從左到右依次為CT原圖、醫(yī)生手動(dòng)分割、單幅的區(qū)域生長(zhǎng)分割以及本文的序列分割的結(jié)果對(duì)比.

需要提出的是，在前2例中，序列分割的結(jié)果本是2個(gè)連通區(qū)域，由于只做主動(dòng)脈特定部位的比較，所以對(duì)序列圖像非針對(duì)部分做了后期隱去處理.

為進(jìn)一步定量考察分割算法的性能，本文采用了Jaccard系數(shù)[9]來(lái)對(duì)分割結(jié)果進(jìn)行定量評(píng)估，該指標(biāo)越接近1，說(shuō)明分割結(jié)果越是接近分割標(biāo)準(zhǔn)，也就是說(shuō)采用的分割算法越好.將A和B看作像素的集合，A是參考圖像，B是分割結(jié)果，則Jaccard系數(shù)的表達(dá)式為

對(duì)圖中單幅CT分割和序列CT圖像分割結(jié)果進(jìn)行質(zhì)量評(píng)估，得到表1.分割標(biāo)準(zhǔn)來(lái)自有經(jīng)驗(yàn)的專家對(duì)圖像進(jìn)行分割得到的結(jié)果.

通過(guò)Jaccard系數(shù)對(duì)比可以看出本文算法在實(shí)現(xiàn)快速序列分割的前提下，依然能夠保證分割精度，與單幅區(qū)域生長(zhǎng)分割的效果近似于相同，這也為后期的主動(dòng)脈三維重構(gòu)提供了基礎(chǔ)和保障.

通過(guò)Jaccard系數(shù)對(duì)比可以看出本文算法在實(shí)現(xiàn)快速序列分割的前提下，依然能夠保證分割精度，與單幅區(qū)域生長(zhǎng)分割的效果近似于相同，這也為后期的主動(dòng)脈三維重構(gòu)提供了基礎(chǔ)和保障.

2.4　多種子點(diǎn)聚類(lèi)追蹤結(jié)果

給定初始種子點(diǎn)的前提下，依據(jù)圖像的連續(xù)性利用ISODATA算法的合并與分裂特點(diǎn)對(duì)主動(dòng)脈種子點(diǎn)進(jìn)行聚類(lèi).為了將整個(gè)追蹤過(guò)程更加直觀、全面地展現(xiàn)出來(lái)，從序列追蹤結(jié)果中選出了具有代表性的10張結(jié)果.

圖5為對(duì)目標(biāo)輪廓的聚類(lèi)結(jié)果，圓圈標(biāo)記處即為聚類(lèi)中心，為了方便觀看，在左上角處將聚類(lèi)中心的個(gè)數(shù)及位置坐標(biāo)顯示了出來(lái).

從圖5可以看到，首先是對(duì)主動(dòng)脈最頂端，即主動(dòng)脈弓的單個(gè)連通的目標(biāo)區(qū)域進(jìn)行聚類(lèi)得到中心，直到目標(biāo)連通區(qū)域的形變超過(guò)一定程度，即聚類(lèi)過(guò)程中2個(gè)聚類(lèi)中心的距離超過(guò)了設(shè)定的合并參數(shù)C，這時(shí)會(huì)分派出2個(gè)聚類(lèi)中心.此時(shí)的目標(biāo)區(qū)域主要是主動(dòng)脈升部和主動(dòng)脈弓2部分.隨著追蹤的進(jìn)行，當(dāng)目標(biāo)區(qū)域形變成第3幅時(shí)，由于左上部似乎又有分裂的趨勢(shì)，所以這時(shí)會(huì)增加到3個(gè)聚類(lèi)中心，不過(guò)，隨著目標(biāo)區(qū)域的恢復(fù)回來(lái)，并沒(méi)有再次分裂成3個(gè)連通區(qū)域，所以上部的2個(gè)聚類(lèi)中心合并，形成第5幅的結(jié)果.接著，隨著主動(dòng)脈升部的結(jié)束，目標(biāo)區(qū)域只還有1個(gè)連通區(qū)域，即主動(dòng)脈降部，當(dāng)然，此時(shí)也只有1個(gè)聚類(lèi)中心.最后當(dāng)目標(biāo)區(qū)域再次發(fā)生分裂時(shí)，就可以認(rèn)為主動(dòng)脈的聚類(lèi)過(guò)程已經(jīng)結(jié)束.

很明顯，基于聚類(lèi)的多種子點(diǎn)追蹤算法可以很好地將主動(dòng)脈各個(gè)階段的目標(biāo)區(qū)域的聚類(lèi)中心檢測(cè)標(biāo)記出來(lái)，無(wú)論是針對(duì)單個(gè)連通的目標(biāo)區(qū)域還是處于分裂狀態(tài)的多個(gè)連通目標(biāo)區(qū)域都能很好地實(shí)現(xiàn)出結(jié)果，計(jì)算出聚類(lèi)中心，再作為種子點(diǎn)反饋給基于區(qū)域生長(zhǎng)的分割算法，最終提高完整主動(dòng)脈序列意義上分割的自動(dòng)化程序.

3結(jié)論

依據(jù)主動(dòng)脈的形狀以及在二維CT圖像上變化的特點(diǎn)，提出了基于區(qū)域生長(zhǎng)和聚類(lèi)的序列分割新算法.在確定好合適的分割閾值的前提下，該算法將聚類(lèi)中“合并”和“分裂”的2個(gè)特點(diǎn)應(yīng)用到目標(biāo)連通區(qū)域的變化中，得到主動(dòng)脈在CT圖像上各個(gè)階段的聚類(lèi)中心，再以得到的聚類(lèi)中心為種子點(diǎn)區(qū)域生長(zhǎng)得到目標(biāo)輪廓，從而實(shí)現(xiàn)主動(dòng)脈的序列分割.

結(jié)果很好地證實(shí)了該算法在保證分割精度的前提下能夠?qū)崿F(xiàn)快速序列分割. 在未來(lái)的研究中可以考慮加入自適應(yīng)閾值算法，即為每一張CT圖像都能計(jì)算出屬于它自己的最優(yōu)閾值，而并非一個(gè)整體的閾值，這樣處理后得到的分割結(jié)果會(huì)更為理想，也為后續(xù)的三維重構(gòu)及虛擬介入手術(shù)提供了更好的數(shù)據(jù)和保障.

參考文獻(xiàn):

[1]胡明. 腹主動(dòng)脈瘤的病因?qū)W分析、治療評(píng)估、經(jīng)濟(jì)學(xué)評(píng)價(jià)[D].南寧:廣西醫(yī)科大學(xué),2013.

[2]吳龍海,周荷琴,張鹿，等.從CT圖像中自動(dòng)分割出肺部區(qū)域的算法研究[J].航天醫(yī)學(xué)與醫(yī)學(xué)工程雜志,2008,21(5):425-429.

WU Longhai,ZHOU Heqin,ZHANG Lu. et al. Research on algorithm for automated lung segmentation in CT images[J].Space Medicine & Medical Engineering, 2008,21(5):425-429.

[3]陳郁淦,周學(xué)成,樂(lè)凱.根系CT序列圖像區(qū)域生長(zhǎng)分割的新方法[J].計(jì)算機(jī)工程與應(yīng)用雜志,2011,47(28):158-161.

CHEN Yugan,ZHOU Xuecheng,LE Kai.New method for region growing segmentation of plant root CT image sequences[J].Computer Engineering and Applications, 2011,47(28):158-161.

[4]周學(xué)成,羅錫文.基于閾值分析與區(qū)域生長(zhǎng)相結(jié)合的根系CT序列圖像分割算法[Z]. 中國(guó)農(nóng)業(yè)工程學(xué)會(huì)2005年學(xué)術(shù)年會(huì), 廣州：2005:336-339.

[5]彭豐平,鮑蘇蘇.一種基于區(qū)域生長(zhǎng)的CT序列圖像分割算法[J].計(jì)算機(jī)與數(shù)學(xué)工程, 2007,35(5):1-2.

[6]孫浩,陸雪松,劉海華.CT圖像中的主動(dòng)脈分割方法[J].現(xiàn)代科學(xué)儀器,2013(2):45-48.

SUN Hao,LU Xuesong,LIU Haihua.A segmentation method of aorta in CT image[J].Modern Scientific Instruments, 2013(2):45-48.

[7]BALAFAR M A.Review of brain MRI image segmentation methods[J].Artificial Intelligence Review, 2010,33(3):261-274.

[8 ]張語(yǔ)涵,孫勁光,苗錫奎.基于改進(jìn)的ISODATA算法彩色圖像分割[J].計(jì)算機(jī)系統(tǒng)應(yīng)用, 2010,19(2):41-45.

ZHANG Yuhan,SUN Jinguang,MIAO Xikui.Color image segmentation based on improved ISODATA[J].Computer Systems & Applications, 2010,19(2):41-45.

[9]詹天明,韋志輝,張建偉,等.腦MR圖像分割和偏移場(chǎng)矯正的耦合水平集模型[J].中國(guó)圖像圖形學(xué)報(bào),2011,16(11):2017-2023.

ZHAN Tianming,WEI Zhihui,ZHANG Jianwei, et al.Coupling level set model for brain MRI CT image segmentation and bias field correction[J].Journal of Image and Graphics, 2011,16(11):2017-2023.

(責(zé)任編輯：孟素蘭)

A novel sequence aorta CTA image segmentation algorithm
based on region growing and clustering

WANG Guanglei,YUAN Hao,WEI Shuai, SHI Yasong, LIU Xiuling

(Key Laboratory of Digital Medical Engineering of Hebei Province, College of Electronic

and Information Engineering, Hebei University, Baoding 071002, China)

Abstract:The paper proposed a new sequence images segmentation algorithm based on region growing and clustering applying for human aorta CTA sequence images. After determination of proper thresholding range, contour extractions of interested region of arteries were carried out with the help of region growing. Furthermore, isodata algorithm was used for clustering of the interested contour region. Owing to the spatial continuity of arteries, we employed the extracted clustering center of interested region as a new seed point of the next CT image for initialization of region growing. The main contribution of the paper was the implementation automatic lumen segmentation for sequence CTA with only one seed point. The experimental results demonstrated that the new method could extract contour of arteries in CTA sequence images entirely with less calculation and high segmentation accuracy.

Key words:aorta; CTA sequence images; spatial continuity; region growing; clustering

DOI：10.3969/j.issn.1000-1565.2015.06.015

中圖分類(lèi)號(hào)：TP399

文獻(xiàn)標(biāo)志碼:A

文章編號(hào)：1000-1565(2015)06-0644-07

收稿日期：2015-09-18

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(61473112; 61203160)

通信作者：劉秀玲(1977-)，女，河北滄州人，河北大學(xué)教授，博士，主要從事醫(yī)學(xué)圖像處理等方面研究.