吳涼，呂曉琪,2△， 谷宇,3，李菁，張文莉，任國印，張薇

(1.內(nèi)蒙古科技大學(xué) 信息工程學(xué)院，內(nèi)蒙古自治區(qū)模式識別與智能圖像處理重點實驗室，包頭 014010；2.內(nèi)蒙古工業(yè)大學(xué)，呼和浩特 010051；3.上海大學(xué) 計算機(jī)工程與科學(xué)學(xué)院，上海 200444 )

1 引 言

2011年美國肺癌篩查試驗(national lung screening trial，NLST)的研究結(jié)果顯示，低劑量CT(low-dose computed tomography,LDCT)相比于胸部X線檢查可降低20%的肺癌高危人群死亡率，印證了LDCT在肺癌檢出方面的價值[1]。

低劑量CT相比于常規(guī)CT使患者受到的輻射劑量減少到原來的1/4，更適用于疑似肺癌的篩查或者不一定存在疾病的大眾篩查。然而，由于降低輻射劑量導(dǎo)致圖像噪聲增加，降低了目標(biāo)區(qū)域和背景區(qū)域的對比度，進(jìn)而會影響分割精度。為了提高肺部疾病病變部位定位精度與檢測速度，針對低劑量CT圖像高精度地提取肺實質(zhì)方法研究迫在眉睫[2]。文獻(xiàn)[3]提出一種基于小波變換的低劑量CT圖像的肺實質(zhì)分割算法具有較強(qiáng)的抗噪性能，但是分割準(zhǔn)確率并不是很高。文獻(xiàn)[4]在對肺實質(zhì)分割過程中運用了小波變換預(yù)處理，形態(tài)學(xué)和滾球法等對肺實質(zhì)進(jìn)行提取。當(dāng)今在肺實質(zhì)分割領(lǐng)域，針對含有強(qiáng)噪聲的低劑量的CT圖像用單一方法很難進(jìn)行精確分割。為了提高低劑量CT圖像肺實質(zhì)分割精度，本研究提出一種多種方法結(jié)合的肺實質(zhì)自動分割算法。

2 資料與方法

本研究針對低劑量肺癌篩查提出自動肺實質(zhì)分割方法，利用多種算法結(jié)合實現(xiàn)全自動低劑量肺實質(zhì)分割。具體步驟見圖1。

圖1肺實質(zhì)分割流程圖

Fig1Theflowfigureoflungparenchymasegmentation

2.1 研究對象

實驗數(shù)據(jù)來源于ELCAP(早期肺癌行動計劃)數(shù)據(jù)庫[5]。為驗證本研究算法的有效性，選取ELCAP數(shù)據(jù)庫中的50位篩查者的低劑量CT肺部臨床數(shù)據(jù)進(jìn)行實驗。管電流為40 mA,每層數(shù)據(jù)均為512×512像素，層厚1.25 mm。在50組臨床數(shù)據(jù)中，每一組都在200層以上，最少的219 層，最多的304層。

2.2 研究方法

2.2.1預(yù)處理 在實際應(yīng)用中,主要通過降低管電流強(qiáng)度(mAs)減少CT掃描時輻射的劑量。然而，低劑量 CT 圖像中含有較強(qiáng)的量子噪聲也會使圖像中一些低對比細(xì)節(jié)無法顯現(xiàn)，進(jìn)而影響醫(yī)生的判斷，所以，需要先對低劑量 CT 圖像進(jìn)行去噪[6]。本研究提出一種改進(jìn)的多方向形態(tài)學(xué)濾波算法。

本研究在總結(jié)前人研究基礎(chǔ)上[7]，提出一種多方向形態(tài)學(xué)濾波算法。對于灰度圖像，濾除噪聲就是進(jìn)行形態(tài)學(xué)平滑處理，利用形態(tài)學(xué)開運算消除與結(jié)構(gòu)元素相比尺寸較小的亮細(xì)節(jié)，而保持圖像整體灰度值和大的亮區(qū)域基本不變；用閉運算消除與結(jié)構(gòu)元素相比尺寸較小的暗細(xì)節(jié)，而保持圖像整體灰度值和大的暗區(qū)域基本不變。形態(tài)學(xué)算法的目的和性能由結(jié)構(gòu)元素決定。

由于低劑量CT圖像中的量子噪聲近似服從泊松分布[6]。本研究選取長度為3的線性結(jié)構(gòu)進(jìn)行處理。

首先對圖像的[0°，45°，90°，180°]四個不同方向分別利用線性結(jié)構(gòu)進(jìn)行閉運算，取四個方向的最小值,然后對最小值的四個不同方向分別利用線性結(jié)構(gòu)進(jìn)行開運算，取其最大值即為預(yù)處理后的圖像。為了驗證效果，分別利用中值濾波、維納濾波與本研究方法進(jìn)行對比，見表1。中值濾波和維納濾波都選取3×3的濾波模板。

(1)客觀評價：為了驗證本研究算法的有效性，本研究采用均方誤差(mean square error，MSE)、峰值信噪比(peak signal to noise ratio,PSNR)、平均絕對誤差(mean absolute error，MAE)進(jìn)行效果評價。由表1可以得出本研究算法的去噪效果要優(yōu)于中值濾波和維納濾波。

表1不同濾波算法處理結(jié)果

Table1Theresultofdifferentfilteringalgorithm

濾波算法MSEPSNRMAE中值濾波0.005822.37600.0451維納濾波0.002426.16520.0349本研究方法0.002426.27350.0236

(2)主觀評價：通過對實驗中20組數(shù)據(jù)的觀察，發(fā)現(xiàn)中值濾波和維納濾波對圖像邊界產(chǎn)生了模糊，并在圖像中丟失了一些細(xì)節(jié)信息；在利用常規(guī)濾波算法進(jìn)行分割時發(fā)現(xiàn)肺實質(zhì)周圍仍含有大量的噪聲。由本研究算法處理的數(shù)據(jù)可以看出該算法不僅去除了噪聲，而且保留了圖像的細(xì)節(jié)信息(見圖2)。

2.2.2背景去除 首先利用聚類法對圖像進(jìn)行二值化，然后利用flood-fill算法去除背景并填充血管。具體步驟如下：

(1)利用聚類法對圖像進(jìn)行二值化[8]，首先將序列圖像的每一層進(jìn)行分塊，對每一塊中的灰度值進(jìn)行聚類分析，最終確定二值化閾值，利用聚類法對圖像進(jìn)行二值化處理(見圖3C)。

(2)利用flood-fill算法，先對二值圖像四鄰域填充，去除檢查床及肺實質(zhì)周圍的黑色背景區(qū)域，接著對肺實質(zhì)內(nèi)部的血管進(jìn)行孔洞填充。

圖2預(yù)處理圖

Fig2Thefigureofpretreatment

圖3背景去除圖

Fig3Thefigureofbackgroundremoval

2.2.3氣管、支氣管去除 本研究利用三維區(qū)域生長法提取出氣管和支氣管，進(jìn)而去除氣管，見圖4。區(qū)域生長[9]的重點在于種子點的選取、生長準(zhǔn)則、終止條件。

(1)種子點的選取。在進(jìn)行CT掃描時，序列圖像的前幾層往往只有氣管，并且在二維切片上顯示為類圓形的區(qū)域。根據(jù)這一先驗條件，本研究引入霍夫變換[10]對該區(qū)域進(jìn)行檢測，求出圓心坐標(biāo)，將圓心坐標(biāo)作為種子點。其基本步驟見圖5。

圖4氣管提取圖

Fig4Thefigureoftracheaextraction

圖5霍夫變換流程圖

Fig5Theflowfigureofhoughtransform

在正常狀態(tài)下，男性主支氣管平均直徑在18.3 mm左右，女性平均在16.7 mm左右，為了保證檢測的準(zhǔn)確性，本研究將參數(shù)半徑范圍設(shè)置在5～12 mm范圍內(nèi)。

(2)生長準(zhǔn)則。當(dāng)種子點與種子點的6鄰域點的灰度差值小于某個值時，將鄰域點加入數(shù)組。

(3)終止條件。遍歷完整幅圖像后，生長結(jié)束。

2.2.4分離左右肺 由于局部容積效應(yīng)，左右肺區(qū)會在去除胸腔后粘連在一起，因此需將左右肺分離。在序列CT切片中，左右肺之間的前部和后部均可能存在粘連。大多數(shù)國內(nèi)外文獻(xiàn)只針對左右肺的前部粘連進(jìn)行分離[11]。本研究不但對存在前部粘連的左右肺區(qū)進(jìn)行分離，而且對存在后部粘連的肺區(qū)也可以進(jìn)行分離。具體步驟如下：

(1)判斷左右肺是否粘連。在中肺層，左右肺區(qū)是較大的連通域，如果左右肺非常接近，經(jīng)過提取胸腔后，左右肺會發(fā)生粘連，本研究通過連通域法來判斷左右肺是否粘連，如左右肺粘連，在該層中最大的連通域的面積將遠(yuǎn)遠(yuǎn)大于第二個連通域的面積，反之，兩個連通域面積接近。本研究計算最大與第二個連通域面積比值大于一定閾值，則認(rèn)為左右肺粘連。經(jīng)過多次試驗，閾值設(shè)置為4[12]。

(2)確定粘連行。在確定粘連層后，在粘連層中找到每層粘連的位置。首先對粘連層求取邊界點坐標(biāo)；然后找出每一行出現(xiàn)兩個邊界點的行，即為粘連位置。最后在以粘連行為中心取該行上下各N行(本研究經(jīng)過多組實驗取N=50)作為粘連區(qū)域。

(3)分離左右肺。分水嶺算法常用于處理目標(biāo)物體粘連在一起的情況，該算法通常在梯度圖像中進(jìn)行，這是因為梯度圖像的灰度躍變更為劇烈，更便于構(gòu)建分水嶺[13]。由于低劑量圖像強(qiáng)噪聲較強(qiáng)，為了防止分水嶺過分割的出現(xiàn)，利用形態(tài)學(xué)重構(gòu)開閉運算對梯度圖像進(jìn)行進(jìn)一步的平滑處理。最后利用分水嶺算法分離左右肺區(qū)。

本研究利用形態(tài)學(xué)重構(gòu)運算結(jié)合分水嶺算法對粘連區(qū)域分離，不但減少了程序運行時間，而且降低了分水嶺過分割的可能性，見圖6。

2.2.5肺實質(zhì)修補(bǔ) 如果不對粘連在肺壁上的結(jié)節(jié)進(jìn)行修補(bǔ)，會影響以后計算機(jī)輔助診斷結(jié)果。本研究利用凸包算法[14]既修補(bǔ)了肺實質(zhì)外輪廓缺失部位，又對心臟、縱膈相鄰的左右肺之間的凹陷起到良好的修補(bǔ)作用。具體步驟見圖7。

圖8為外輪廓、內(nèi)輪廓修補(bǔ)示意圖。

圖6左右肺分離圖

Fig6Thefigureofleftandrightpulmonaryseparation

圖7凸包算法修補(bǔ)流程圖

Fig7Theflowfigureofconvexhullalgorithm

圖8凸包算法修補(bǔ)圖

Fig8Thefigureofconvexhullalgorithm

3 結(jié)果

本實驗采用計算機(jī)配置為3.4 GHz處理器，12 G內(nèi)存。利用本研究算法通過對50個序列圖像進(jìn)行處理。對于數(shù)據(jù)集中的每組CT數(shù)據(jù)，都可以自動分割，平均每組數(shù)據(jù)處理時間在98.31 s，平均每層數(shù)據(jù)的處理時間為0.38 s。最終分割結(jié)果見圖9。

為了進(jìn)一步驗證本研究算法對于低劑量CT圖像分割的有效性，利用公式(1)(jaccard similarity，JS)指標(biāo)來驗證算法的準(zhǔn)確率。式中，S1表示本研究算法分割結(jié)果,S2表示人工分割的結(jié)果。

(1)

通過對50組臨床數(shù)據(jù)實驗，本研究算法的平均分割正確率達(dá)到95.75%。與其他文獻(xiàn)相比較，見表2，文獻(xiàn)[15]同樣選取ELCAP數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行處理，分割正確率為93.5%，本研究算法高于該文獻(xiàn)方法。與文獻(xiàn)[9]相比較，由于該文獻(xiàn)數(shù)據(jù)選取LIDC數(shù)據(jù)庫，本研究算法不僅正確率高于該文獻(xiàn)，且處理時間短。因此，該算法不僅適用于低劑量CT序列圖像，而且對于常規(guī)劑量肺實質(zhì)分割也有良好的效果。

圖9分割結(jié)果圖

Fig9Thefigureofsegmentation

表2實驗結(jié)果對比

Table2Thecomparedresultofexperimental

方法數(shù)據(jù)來源分割精度/%運行時間文獻(xiàn)[9]方法LIDC 100例95.50.42 s/幅文獻(xiàn)[15]方法ELCAP 50例93.5-本研究方法ELCAP 50例95.750.38 s/幅

對于分割錯誤的數(shù)據(jù)進(jìn)行統(tǒng)計分類：一類是在肺實質(zhì)內(nèi)輪廓修補(bǔ)時，由于強(qiáng)噪聲的影響，相對大的凹陷無法修補(bǔ)；另一類是在病變肺區(qū)，病變隔斷了肺區(qū)，無法正常處理。肺癌篩查的理想情況是能夠利用肺癌篩查，檢查出一些潛在的病變而早期干預(yù)治療，降低死亡率，篩查手段必須要在低風(fēng)險條件下進(jìn)行。所以本研究分割算法對于輔助肺癌篩查有一定的幫助。

4 結(jié)語

針對低劑量CT序列圖像，本研究提出了一種自動三維區(qū)域生長與分水嶺算法相結(jié)合的肺實質(zhì)分割方法。對50組臨床數(shù)據(jù)的實驗，本研究算法可以分割出完整的肺實質(zhì)區(qū)域。

由于本實驗研究的對象是肺癌篩查數(shù)據(jù)，在肺實質(zhì)分割方面與常規(guī)劑量相比，有極大地不同。劑量越低，量子噪聲越嚴(yán)重，如果用一般的濾波算法，肺實質(zhì)周圍區(qū)域的量子噪聲無法去除，影響后續(xù)的一系列處理。本研究利用改進(jìn)的形態(tài)學(xué)濾波算法不僅去除了噪聲而且保留了細(xì)節(jié)信息。