張 偉，張小龍，趙涓涓+，強(qiáng) 彥，唐笑先

(1.太原理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山西 晉中 030600；2.賓夕法尼亞州立大學(xué) 信息科學(xué)與技術(shù)學(xué)院，賓西法尼亞州 尤尼弗西蒂帕克 16802；3.山西省人民醫(yī)院 PET/CT中心，山西 太原 030024)

0 引 言

肺癌是當(dāng)今發(fā)病率和死亡率最高的惡性腫瘤[1]。早期肺癌的5年生存率超過70%[2]。因此，早發(fā)現(xiàn)早治療就顯得尤為重要。而肺部病灶中，血管粘連型結(jié)節(jié)的惡性度非常大，其早期CT影像的病變區(qū)域卻難以被準(zhǔn)確的分割，導(dǎo)致后續(xù)的識(shí)別和診斷出現(xiàn)誤差。同時(shí)，為了提高肺結(jié)節(jié)的檢出率，在CT掃描中常常采用超微小間隔CT掃描，因而又出現(xiàn)影像數(shù)據(jù)爆炸式增長(zhǎng)與人工診斷力量嚴(yán)重不足的問題。因此，當(dāng)前迫切需要一種既高效又能準(zhǔn)確分割該類型結(jié)節(jié)的方法。

1 相關(guān)工作

肺結(jié)節(jié)圖像的準(zhǔn)確分割是后續(xù)特征提取和良惡性診斷的基礎(chǔ)。因此，近年來對(duì)肺結(jié)節(jié)圖像分割算法的研究日益受到人們重視。

Sun等[3]提出一種流向特征熵和測(cè)地線距離的K均值聚類算法來分割肺結(jié)節(jié)，取得較好的結(jié)節(jié)分割結(jié)果，但是隨著結(jié)節(jié)半徑增加，算法執(zhí)行效率就越低；Wei Y等[4]先利用多尺度Hessian矩陣對(duì)疑似結(jié)節(jié)進(jìn)行增強(qiáng)，再通過設(shè)計(jì)mean-shift聚類的核函數(shù)，最終實(shí)現(xiàn)結(jié)節(jié)疑似感興趣區(qū)域(region of interest，ROI)的分割；Sivakumar S等[5]提出一種基于無監(jiān)督分割模型的possibilistic-fuzzy聚類算法，提高了肺結(jié)節(jié)分割的速度和準(zhǔn)確率；鄒瑜等[6]針對(duì)自組織特征映射(self-organizing feature map，SOM)網(wǎng)絡(luò)隨著神經(jīng)元增加分割效果變差的問題，提出一種將有限脈沖響應(yīng)加入SOM中的方法，并通過合并聚類實(shí)現(xiàn)對(duì)乳腺超聲檢查圖像的有效分割；趙涓涓等[7]利用PET圖像中SUV閾值結(jié)合分水嶺分割實(shí)現(xiàn)了孤立性肺結(jié)節(jié)圖像的分割，分割效果較好。

雖然這些算法對(duì)實(shí)性結(jié)節(jié)的分割都很有效，但是血管粘連型結(jié)節(jié)的灰度值和血管的灰度值非常接近，分割結(jié)果中不能有效將血管和結(jié)節(jié)分離開。

因此，本文針對(duì)血管粘連型結(jié)節(jié)的序列CT圖像，提出了一種序列分割方法。與文獻(xiàn)中提到的其它方法進(jìn)行比較，驗(yàn)證了本方法的有效性和通用性。

2 CT圖像預(yù)處理

2.1 序列肺實(shí)質(zhì)圖像分割

該部分使用此前項(xiàng)目組提出的序列肺實(shí)質(zhì)分割方法[8]對(duì)CT序列圖像進(jìn)行肺實(shí)質(zhì)分割。所使用的方法分為4個(gè)階段：第一，利用肺實(shí)質(zhì)圖像的位置特征得到肺部CT序列ROI圖像；第二，利用改進(jìn)的超像素序列圖像分割算法對(duì)序列ROI圖像進(jìn)行超像素分割；第三，采用遺傳算法(genetic algorithm，GA)優(yōu)化的自生成神經(jīng)森林(self-generating neural forest，SGNF)算法對(duì)超像素樣本進(jìn)行聚類；第四，根據(jù)聚類后超像素集的灰度特征和位置特征識(shí)別肺實(shí)質(zhì)。

2.2 感興趣區(qū)域提取

該部分采用Song J等[9]提出的改進(jìn)的雪橇算法實(shí)現(xiàn)肺結(jié)節(jié)的準(zhǔn)確定位，并以此結(jié)節(jié)為中心，提取30×30的感興趣區(qū)域ROI，排除較大部分背景噪聲干擾的同時(shí)顯著提高后續(xù)圖像分割的效率。

3 改進(jìn)的超像素序列分割

超像素[10]是由一系列位置相鄰且顏色、亮度、紋理等特征相似的像素點(diǎn)組成的小區(qū)域。其把具有相似特征的像素集合起來進(jìn)行操作，降低了圖像處理的復(fù)雜度。

本文充分考慮CT圖像中血管和結(jié)節(jié)類型的特征，提出自適應(yīng)相似度系數(shù)的超像素序列分割算法(adaptive similarity coefficient sequential linear iterative clustering，ACSLIC)，算法使用Lab顏色空間中的L，a，b這3種顏色信息和像素點(diǎn)的x，y坐標(biāo)構(gòu)成5維特征向量[L，a，b，x，y]T來表示CT圖像的單個(gè)像素點(diǎn)，并在像素間距離計(jì)算中引入自適應(yīng)相似度系數(shù)，設(shè)計(jì)新的適用于肺部CT圖像像素間相似性衡量的距離計(jì)算方法，如式(1)～式(3)所示

(1)

(2)

ds=w*dLab+dxy

(3)

其中，ds表示系數(shù)疊加后CT圖像兩個(gè)像素點(diǎn)間的相似度；dLab表示像素與聚類中心間的顏色特征距離；dxy表示像素與聚類中心間的空間位置特征距離；k是超像素的聚類中心，i是其搜索范圍內(nèi)某一像素點(diǎn)；w是k、i像素點(diǎn)間的自適應(yīng)相似度系數(shù)，其由式(8)所確定。

在CT圖像中，假設(shè)λ1和λ2為Hessian矩陣的兩個(gè)特征值，則線性結(jié)構(gòu)滿足條件λ1≈0，λ2?0，圓形結(jié)構(gòu)滿足λ1≈λ2?0。并且依據(jù)肺結(jié)節(jié)的類圓形特征和尺度不一特征。本文將Hessian矩陣與高斯函數(shù)相結(jié)合，通過設(shè)計(jì)多尺度的結(jié)節(jié)相似度函數(shù)來對(duì)CT圖像中的所有像素進(jìn)行結(jié)節(jié)相似度值的計(jì)算，從而構(gòu)造自適應(yīng)的相似度系數(shù)w。其很大程度上拉大了血管和結(jié)節(jié)區(qū)域的相似度，有效避免了血管和結(jié)節(jié)被分割到同一個(gè)超像素樣本中，極大提高后續(xù)肺結(jié)節(jié)分割的準(zhǔn)確率。如式(4)～式(8)所示

(4)

(5)

(6)

(7)

(8)

式(4)為2D圖像的Hessian矩陣定義；式(5)和式(6)實(shí)現(xiàn)圓形結(jié)構(gòu)的多尺度融合，其中σmin=dmin/4，σmin=dmax/4，dmin為肺結(jié)節(jié)圖像的最小直徑，dmax為肺結(jié)節(jié)圖像的最大直徑，實(shí)驗(yàn)中設(shè)置dmin=3和dmax=30，N取8，并通過不斷的迭代尺度因子σ，選取各個(gè)尺度上響應(yīng)最大的點(diǎn)，此時(shí)具有最好的效果；式(7)為構(gòu)造的結(jié)節(jié)相似度函數(shù)，w1,w2表示R1和R2的權(quán)重系數(shù)，實(shí)驗(yàn)中設(shè)置w1=0.5，w2=15；式(8)中No(λ)i表示第i個(gè)像素點(diǎn)的結(jié)節(jié)相似度值。

提出的ACSLIC算法的優(yōu)勢(shì)同樣還體現(xiàn)在如下兩個(gè)方面：

(1)采用近似符合肺結(jié)節(jié)類圓形形狀特征的六邊形進(jìn)行聚類。在像素聚類的過程中不會(huì)以為不同方向上距離不同而導(dǎo)致聚類效果有所差異，從而分割得到的超像素樣本可以更好保留圖像的邊緣信息；

(2)精確定位肺結(jié)節(jié)，直接提取ROI進(jìn)行操作，加快序列圖像分割速度的同時(shí)消除了較大部分背景噪聲的干擾；算法具體步驟如下：

算法1：改進(jìn)的超像素序列分割算法(ACSLIC)

輸入：肺部ROI圖像序列；

輸出：超像素分割后的序列圖像；

(1)初始化六邊形網(wǎng)格中的K個(gè)聚類中心Ck=[Lk,ak,bk,xk,yk]T，六邊形網(wǎng)格間距S；

(2)執(zhí)行式(4)～式(8)，構(gòu)造顏色特征距離和空間位置特征距離間的自適應(yīng)相似度系數(shù)；

(3)在2*S為邊長(zhǎng)的區(qū)域中，以[xk,yk]為開始點(diǎn)采用新構(gòu)造的相似度度量函數(shù)來搜尋與之相似的所有像素點(diǎn)，得到K個(gè)超像素樣本；

(4)計(jì)算所有超像素樣本中L、a、b、x、y的均值來更新聚類中心；

(5)重復(fù)(3)～(4)步，直到殘差小于固定的閾值T;

(6)對(duì)分割結(jié)果計(jì)算所有超像素樣本的鄰接矩陣，用于后續(xù)特征提??；

(7)輸入下一張待分割的ROI圖像，重復(fù)執(zhí)行(2)～(6)步；

(8)重復(fù)(1)～(7)步，直到ROI圖像序列分割完畢。

4 超像素樣本特征提取

4.1 提取新特征

4.1.1 對(duì)比度增強(qiáng)直方圖特征

灰度特征是肺結(jié)節(jié)區(qū)域與其余肺部組織最明顯的差異。然而肺部CT圖像通常因?yàn)樵肼?、偽影等?dǎo)致成像模糊、對(duì)比度低等問題，有必要在提取灰度特征之前對(duì)ROI圖像進(jìn)行增強(qiáng)來突出像素間的差別,但是在圖像增強(qiáng)的過程中，會(huì)導(dǎo)致邊緣信息有所丟失。

因此，本文提出一種線性組合canny算子邊緣檢測(cè)圖像與直方圖均衡化圖像的方法，在增強(qiáng)ROI圖像對(duì)比度的同時(shí)保留了較多的圖像細(xì)節(jié)信息。具體步驟如下所示。

(1)計(jì)算ROI圖像各灰度級(jí)出現(xiàn)的概率，計(jì)算如式(9)所示

(9)

其中，nk表示ROI圖像中灰度級(jí)為gk的像素點(diǎn)的數(shù)目，L為最大的灰度級(jí)數(shù)。

(2)通過如式(10)的變換函數(shù)，建立gk到Gk的映射關(guān)系

(10)

(3)將原ROI圖像，標(biāo)記為I；變換后的灰度值Gk對(duì)應(yīng)的圖像，標(biāo)記為J1；

(4)利用canny算子提取ROI圖像的邊緣檢測(cè)圖像，標(biāo)記為J2；

(5)將圖像J1和J2進(jìn)行線性組合，作為最終圖像，標(biāo)記為J；

(6)對(duì)圖像J進(jìn)行超像素分割，提取每個(gè)超像素樣本對(duì)應(yīng)的灰度直方圖特征。

本文提出的方法與傳統(tǒng)的直方圖均衡化的對(duì)比如圖1所示。

圖1 本文方法與傳統(tǒng)直方圖均衡化的對(duì)比

4.1.2 超像素樣本鄰域紋理特征

對(duì)于原始ROI圖像，為了更好地辨別超像素樣本所處肺部組織的具體類型，比如結(jié)節(jié)類型、血管類型及背景類型。本文從突出每個(gè)超像素樣本與其鄰域超像素樣本的差異角度出發(fā)，設(shè)計(jì)了一組新特征來量化每個(gè)超像素樣本與其鄰接超像素樣本的紋理差異。

但是，由于：①血管粘連型結(jié)節(jié)的灰度值和血管的灰度值非常接近，不能有效將血管和結(jié)節(jié)分離開；②血管和結(jié)節(jié)區(qū)域的特征盡管很相似，但是在結(jié)節(jié)內(nèi)部往往會(huì)包含其它構(gòu)成成分(包含5種情況，分別為鈣化，軟組織，液體，脂肪和氣體)，并且結(jié)節(jié)在結(jié)構(gòu)上是類圓形，血管更趨向于線性結(jié)構(gòu)。因此，提取有效的紋理特征對(duì)區(qū)分血管和結(jié)節(jié)具有很大用處；③但是單個(gè)超像素的紋理特征不能有效提取血管和結(jié)節(jié)的紋理特征，這是因?yàn)檠芎徒Y(jié)節(jié)的紋理變化通常來自比超像素更大面積的區(qū)域，類似于文獻(xiàn)[11]中闡述。

因此，本文提出一種超像素樣本鄰域紋理特征，具體步驟如下：

圖2 高斯金字塔圖像與差異圖像的計(jì)算

(2)由于Level間的尺度不同，因此，先通過雙線性插值調(diào)整Level2，使其與Level1尺度相同；

(3)計(jì)算Level1與Level2的差異圖像，標(biāo)記為S1，如圖2(c)(S1)所示；

(4)類似步驟(2)和步驟(3)，計(jì)算Level1與Level3、Level2與Level3以及Level2與Level4間的差異圖像，分別標(biāo)記為S2，S3，S4。

(5)調(diào)整S1-S4為原ROI圖像大小，并對(duì)其分別執(zhí)行改進(jìn)后的超像素分割算法。對(duì)每個(gè)超像素樣本分別提取灰度均值與灰度方差特征。計(jì)算如式(11)和式(12)所示

(11)

(12)

其中，ui(j)為圖像Sj中第i個(gè)超像素樣本的灰度均值；vari(j)為圖像Sj中第i個(gè)超像素樣本的灰度方差；因此，實(shí)驗(yàn)中標(biāo)記單個(gè)圖像中單個(gè)超像素樣本對(duì)應(yīng)的特征為SFi=[ui,vari]。

(6)構(gòu)造當(dāng)前超像素樣本及其鄰近左上、左下、右下、右上4個(gè)超像素樣本的特征集合，標(biāo)記為ASFi=[SFi,SFi1,SFi2,SFi3,SFi4]，如圖3所示。從而構(gòu)成最終4×2×5=40維的特征向量。

圖3 超像素樣本的鄰域關(guān)系

4.1.3 位置信息特征

除辛北斷層外，研究區(qū)內(nèi)的斷層級(jí)別稍低，延伸也較短，在沙三下亞段至沙四段形成了一些地塹和地壘。除X176西的南北向斷層外，這些斷層大都向下貫穿至沙四下-孔店組，雖然這些斷層活動(dòng)強(qiáng)度均較弱，斷距10～50m，對(duì)沙四段沉積無明顯的控制作用，但由于其切穿沙四下亞段的鹽膏層，在斷層活動(dòng)期，仍可對(duì)流體起到斷裂輸導(dǎo)作用。

本文根據(jù)提取的ROI圖像的中心坐標(biāo)必處于肺結(jié)節(jié)區(qū)域，從而提出一種新的超像素樣本位置信息特征。表示如式(13)和圖4所示

(13)

其中，(xc,yc)為ROI圖像的中心坐標(biāo)；(xi,yi)為第i個(gè)超像素樣本的中心坐標(biāo)；H和W分別為ROI圖像的高度和寬度。

圖4 ROI圖像中心與超像素樣本中心的距離關(guān)系

4.2 特征數(shù)據(jù)歸一化

特征數(shù)據(jù)的歸一化是后續(xù)聚類的預(yù)處理步驟。歸一化的主要目的是：有效避免具有更大數(shù)值范圍特征的主導(dǎo),并在聚類的過程中顯著降低數(shù)值計(jì)算的困難,因此，本文采用如式(14)所示的方式對(duì)特征數(shù)據(jù)進(jìn)行歸一化

(14)

其中，F(xiàn)是一個(gè)原始的特征值；F′是歸一化后的特征值；從而，特征向量中的每個(gè)值的取值范圍都為[0,1]。

5 距離約束稀疏子空間聚類

稀疏子空間聚類(sparse sub-space clustering，SSC)[12]是一種基于譜聚類的子空間聚類方法。給定一組數(shù)據(jù)，該聚類方法先將所有數(shù)據(jù)作為字典來線性表示每個(gè)數(shù)據(jù)，接著采用表示系數(shù)矩陣的稀疏約束使數(shù)據(jù)盡可能被同一子空間的數(shù)據(jù)線性表示，并構(gòu)造關(guān)于子空間系數(shù)的相似度矩陣，最后利用譜聚類等方法得到數(shù)據(jù)聚類的結(jié)果。

在本文中，提取的ROI圖像是以結(jié)節(jié)為中心的，并且肺結(jié)節(jié)圖像具有類圓形狀特性?；诖讼闰?yàn)知識(shí)，提出一種基于距離約束的稀疏子空間聚類方法。距離約束的引入有利于結(jié)節(jié)數(shù)據(jù)能夠更好的被同一子空間內(nèi)鄰近的結(jié)節(jié)特征數(shù)據(jù)線性表示，進(jìn)一步有效排除血管對(duì)結(jié)節(jié)聚類的影響。采用的距離約束函數(shù)如式(15)所示

(15)

其中，Di和Dj為第i和第j個(gè)超像素樣本到ROI圖像中心的距離。引入距離約束的稀疏子空間聚類模型，如式(16)所示

(16)

(17)

其中，u為子空間表示系數(shù)；U=[u1,u2,…,uK]∈RK×K，為表示系數(shù)矩陣；距離越大，1/wji越小，否則1/wji越大；W為相似度矩陣；因此，距離約束有利于結(jié)節(jié)數(shù)據(jù)盡可能被同一子空間鄰近的最相似的數(shù)據(jù)線性表示。具體的算法描述如下：

算法2：距離約束稀疏子空間聚類

輸入：待聚類圖像I，分割后的超像素樣本總個(gè)數(shù)K；

輸出：聚類后的肺結(jié)節(jié)圖像；

(1)ACSLIC分割得到K個(gè)超像素樣本；

(2)對(duì)每個(gè)超像素樣本提取對(duì)比度增強(qiáng)直方圖特征、鄰域紋理特征以及位置信息特征。得到N個(gè)特征矩陣；

(3)利用式(15)計(jì)算超像素間的距離約束值；

(4)利用式(16)得到子空間表示系數(shù)矩陣U；

(5)利用式(17)構(gòu)造相似度矩陣W；

(6)根據(jù)W，采用歸一化割法(normalized cut，Ncut)算法得到超像素樣本聚類結(jié)果。

6 實(shí)驗(yàn)結(jié)果與分析

本文算法的實(shí)驗(yàn)平臺(tái)是Visual Studio 2013和MATLAB R2014b，PC處理器為Intel(R) Core(M) i7-4770，主頻3.40 GHz，內(nèi)存8 GB。實(shí)驗(yàn)數(shù)據(jù)來源于LIDC-IDRI[13]和山西省人民醫(yī)院，挑選80組血管粘連型CT序列圖像共1468張，單張CT圖像大小為512×512。實(shí)驗(yàn)中我們邀請(qǐng)到兩位影像科醫(yī)師做手動(dòng)肺結(jié)節(jié)分割。同時(shí)為了驗(yàn)證本文方法的有效性，針對(duì)所有的CT序列圖像，對(duì)本文方法、脈沖耦合神經(jīng)網(wǎng)絡(luò)算法(PCNN-pulse coupled neural network,PCNN)[14]、模糊c均值聚類算法(fuzzy c-means，F(xiàn)CM)[15]以及最新的流向特征熵和測(cè)地線距離的粘連血管型肺結(jié)節(jié)聚類分割方法(flowing entropy and geodesic distance，F(xiàn)EGD)[3]進(jìn)行了大量的對(duì)比實(shí)驗(yàn)。

6.1 定性分析

實(shí)驗(yàn)中CT序列圖像數(shù)目較多,本文只對(duì)部分分割過程進(jìn)行說明，如圖5所示。

同時(shí)，本文與FEGD、PCNN以及FCM算法進(jìn)行了對(duì)比實(shí)驗(yàn)。部分結(jié)果如圖6所示。

圖5 本文方法對(duì)血管粘連型結(jié)節(jié)圖像序列的分割結(jié)果注:(a)原始CT序列圖像;(b)分割得到的序列肺實(shí)質(zhì)圖像;(c)提取的ROIs圖像;(d)ACSLIC對(duì)ROIs圖像分割的結(jié)果;(e)距離約束稀疏子空間聚類得到的肺結(jié)節(jié)圖像掩膜序列;(f)本文方法的分割結(jié)果;(g)醫(yī)師手動(dòng)分割的結(jié)果

圖6 4種方法對(duì)血管粘連型結(jié)節(jié)圖像分割結(jié)果的對(duì)比 注：(a)原始CT圖像；(b)對(duì)(a)局部放大的結(jié)果；(c)～(f)分別為PCNN、FCM、FEGD以及本文方法分割得到的肺結(jié)節(jié)圖像掩膜；(g)醫(yī)師手動(dòng)分割的結(jié)果。

從結(jié)果圖可以直觀觀察到，PCNN和FCM對(duì)血管粘連型結(jié)節(jié)的分割結(jié)果不準(zhǔn)確，不能有效分離血管和結(jié)節(jié)，導(dǎo)致分割得到的結(jié)節(jié)粘連有較多的血管組織；此外，F(xiàn)EGD的分割效果較好，結(jié)果優(yōu)于PCNN和FCM，但是分割結(jié)果存在少量的邊界泄露(如圖6，行1-4，行6所示)；并且FEGD在特定的CT圖像中會(huì)不可避免的引入部分血管(如圖6，行5所示)，這是因?yàn)镕EGD不能有效處理血管橫斷面為圓形的血管；然而，本文方法可以有效的分離血管和結(jié)節(jié)，并且改進(jìn)的超像素分割算法保留了更多的邊界信息，分割結(jié)果更平滑。相比這3種典型分割算法，本文方法都能取得最好的分割效果。并且與醫(yī)師手動(dòng)分割的結(jié)果基本一致。

6.2 定量比較

本文通過采用變化信息、概率邊緣指數(shù)以及時(shí)間復(fù)雜度來對(duì)分割方法進(jìn)行定量比較。

6.2.1 變化信息

變化信息(variation of information，VoI)是計(jì)算圖像像素點(diǎn)從一個(gè)聚類轉(zhuǎn)變?yōu)榱硗庖粋€(gè)聚類丟失或獲得信息量的大小[16]。假設(shè)參考分割圖像與實(shí)際分割結(jié)果分別用Sa和Sb表示。則可利用參考分割圖像Sa的熵[17]H(Sa)、實(shí)際分割結(jié)果Sb的熵H(Sb)以及Sa和Sb的聯(lián)合熵I(Sa,Sb)，得VoI計(jì)算如式(18)所示

VoI(Sa,Sb)=H(Sa)+H(Sb)-2I(Sa,Sb)

(18)

(19)

(20)

(21)

其中，P(m)表示一個(gè)像素被分割到第m個(gè)區(qū)域中的概率。VoI越小，表示實(shí)際分割結(jié)果與參考分割圖像越接近，分割效果越好。

6.2.2 概率邊緣指數(shù)

概率邊緣指數(shù)(probabilistic rand index，PRI) 檢驗(yàn)實(shí)際分割結(jié)果與參考結(jié)果之間的屬性共生的一致性的參量[18]。假設(shè)(xi,yi)是原圖S中的一個(gè)像素對(duì)，如果在Sa中標(biāo)記為(ai,aj)且相同，則在Sb中標(biāo)記為(bi,bj)也應(yīng)該相同。PRI的計(jì)算如式(22)所示

(22)

其中，M為原始圖像S中的像素個(gè)數(shù)；I為判別函數(shù)，主要作用是判斷像素對(duì)是否具有相同標(biāo)記。PRI 值越大，說明實(shí)際分割結(jié)果與醫(yī)師手動(dòng)分割結(jié)果的屬性共生一致性越好，表明分割結(jié)果越好。

此外，為了驗(yàn)證本文方法的通用性，實(shí)驗(yàn)中計(jì)算了所有序列CT數(shù)據(jù)分割結(jié)果的VoI與PRI的均值。見表1。

表1 4種算法對(duì)所有血管粘連型結(jié)節(jié)圖像序列的VoI與RPI均值

實(shí)驗(yàn)結(jié)果表明，對(duì)血管粘連型結(jié)節(jié)的CT序列圖像，PCNN和FCM兩種算法的分割效果基本一致；FEGD的分割效果遠(yuǎn)優(yōu)于PCNN和FCM；但是，相比PCNN、FCM和FEGD這3種分割算法，本文方法都達(dá)到最低的VoI均值和最高的PRI均值，從而，從客觀的定量比較結(jié)果進(jìn)一步驗(yàn)證了本文方法的在分割這類型結(jié)節(jié)圖像上的優(yōu)越性。

6.2.3 時(shí)間復(fù)雜度

通過對(duì)所有的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)一個(gè)CT序列圖像包含結(jié)節(jié)的平均數(shù)量為8張。因此，表2顯示了4種算法序列分割的平均處理時(shí)間。雖然對(duì)于單個(gè)CT序列，平均處理時(shí)間比FCM算法多出0.48 s，但是本文方法的分割效果遠(yuǎn)優(yōu)于FCM算法的分割結(jié)果，在醫(yī)學(xué)上這種用時(shí)間來?yè)Q取分割的精度是值得的。

表2 4種算法分割序列CT圖像的平均處理時(shí)間

7 結(jié)束語

針對(duì)血管粘連型結(jié)節(jié)的序列CT圖像，本文提出一種基于超像素和稀疏子空間聚類的肺結(jié)節(jié)圖像序列分割方法，能夠?qū)崿F(xiàn)對(duì)血管粘連這種困難分割結(jié)節(jié)圖像的準(zhǔn)確分割。該方法的主要貢獻(xiàn)是：在超像素分割算法中構(gòu)造了自適應(yīng)相似度系數(shù)；在超像素樣本特征提取中，設(shè)計(jì)提取了對(duì)比度增強(qiáng)直方圖特征、超像素樣本鄰域紋理特征以及位置信息特征等多個(gè)新特征；在稀疏子空間聚類算法中引入距離約束項(xiàng)；這3個(gè)方面都有效分離了血管和結(jié)節(jié)。從定性分析和定量比較結(jié)果可以看出，本文能更好地分離血管和結(jié)節(jié)，邊緣輪廓平滑，具有最好的序列分割結(jié)果，且與醫(yī)師手動(dòng)分割結(jié)果基本一致。因此，本文的序列分割方法能更完整、準(zhǔn)確地分割出血管粘連型結(jié)節(jié)圖像序列。