肖海慧 廖定安

摘要：肝臟是人體中的最大內(nèi)臟器官，位于腹部位置，采用腹部CT能夠?qū)颊叩母闻K位置以及形狀明確觀察，可以發(fā)現(xiàn)正常肝臟為楔形，右葉厚而且大，越向左越小越薄。在肝臟醫(yī)學(xué)圖像檢測(cè)中，成像中會(huì)受到部分容積效應(yīng)以及外界 噪聲等相關(guān)因素的影響，從而導(dǎo)致肝臟分割精確性不高，這一問題也是當(dāng)前醫(yī)學(xué)圖像分割中的研究重點(diǎn)及難點(diǎn)。本文則重點(diǎn)關(guān)于肝臟腫瘤CT圖像的分割算法展開研究。

關(guān)鍵詞：肝臟腫瘤；CT圖像；分割算法

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）32-0210-04

肝臟腫瘤早期診斷及治療直接決定患者的預(yù)后和轉(zhuǎn)歸?，F(xiàn)階段腫瘤早期診斷主要依靠醫(yī)生根據(jù)自身的醫(yī)學(xué)知識(shí)和經(jīng)驗(yàn)手動(dòng)勾畫出腫瘤區(qū)域并對(duì)其判斷，處理起來不僅費(fèi)時(shí)費(fèi)力，而且具有較大的主觀性，人為因素影響大，嚴(yán)重影響肝臟腫瘤的早期、準(zhǔn)確診斷。一方面，人肉眼對(duì)圖像的區(qū)分度遠(yuǎn)不如機(jī)器對(duì)圖像數(shù)據(jù)的區(qū)分度，但機(jī)器對(duì)疾病的認(rèn)知度遠(yuǎn)趕不上醫(yī)生對(duì)疾病的認(rèn)知度，這就需要研究計(jì)算機(jī)識(shí)別肝臟腫瘤圖像的算法和方法；另一方面，由于醫(yī)生臨床工作繁忙，精力有限，人工識(shí)別腫瘤的效率并不高，甚至在長(zhǎng)時(shí)間疲勞情況下可能會(huì)出現(xiàn)識(shí)別錯(cuò)誤，這就需要研究計(jì)算機(jī)輔助診斷肝臟腫瘤方法。實(shí)現(xiàn)腫瘤的自動(dòng)識(shí)別不僅可以提高腫瘤識(shí)別的精確度，還可以減少醫(yī)生工作負(fù)擔(dān)，提高腫瘤的早期診斷率。雖然研究計(jì)算機(jī)輔助腫瘤圖像診斷的成果很多，研究也很熱，但是，目前的識(shí)別算法和輔助診斷方法還不能有效地解決肝臟腫瘤早期、準(zhǔn)確診斷問題，因此，研究肝臟腫瘤的圖像識(shí)別算法，探索肝臟腫瘤病理與肝臟圖像表現(xiàn)關(guān)系的理論問題具有重大的學(xué)術(shù)意義和臨床應(yīng)用價(jià)值。本文重點(diǎn)對(duì)肝臟腫瘤CT圖像的分割算法展開分析。

1 肝臟圖像的獲取

本次研究所采用的是肝臟腫瘤CT圖像，其中計(jì)算機(jī)斷層掃描技術(shù)（Computer Tomography，CT）是針對(duì)人體某一范圍，采用X射線逐層實(shí)施橫斷掃描，受到透射入組織密度不同，所出現(xiàn)的吸收以及衰減后的強(qiáng)度也具有明顯差異。通過探測(cè)器的應(yīng)用可以將接收到的穿透橫斷層X線信號(hào)，成功轉(zhuǎn)化為電信號(hào)，這一信號(hào)可以采用模/數(shù)轉(zhuǎn)換器成功轉(zhuǎn)化為數(shù)字信號(hào)，對(duì)其實(shí)施計(jì)算機(jī)處理也就可以得到相應(yīng)的重建圖像。

2 圖像格式轉(zhuǎn)換

在新型醫(yī)療器械研究及應(yīng)用中，醫(yī)院的成像設(shè)備種類也在不斷增加，設(shè)備的生產(chǎn)廠商不同自然網(wǎng)絡(luò)接口也具有差異，在醫(yī)學(xué)圖像處理中具有一定難度。想要有效實(shí)現(xiàn)不同醫(yī)療設(shè)備之間的通信，也就提出DICOM，也就是通信標(biāo)準(zhǔn)以及數(shù)字影像。在當(dāng)前環(huán)境下，支持DICOM標(biāo)準(zhǔn)的設(shè)備廠商數(shù)量也在不斷增加。

其中在DICOM文件中包括有DICOM文件頭以及DICOM數(shù)據(jù)集各一個(gè)。其中DICOM文件頭為128個(gè)字節(jié)可以實(shí)現(xiàn)數(shù)據(jù)集標(biāo)識(shí)信息的存儲(chǔ)，其余4個(gè)字節(jié)能夠?qū)崿F(xiàn)DICOM文件前綴標(biāo)志的存儲(chǔ)。DICOM數(shù)據(jù)集的組成是依照一定順序排列的數(shù)據(jù)元素，在DICOM文件中數(shù)據(jù)元素是最基本的單位。在對(duì)DICOM文件分析過程中，也就可以獲取相應(yīng)的醫(yī)學(xué)圖像信息，同時(shí)也能夠得到患者的基本資料，包括醫(yī)生的診斷結(jié)果、圖形拍攝醫(yī)院等信息。

3 圖像濾波

在進(jìn)行圖像成像中，難免會(huì)受到噪聲的影響。在本次研究中我們選用區(qū)域生長(zhǎng)法，這一方法的應(yīng)用重點(diǎn)也就是初始種子點(diǎn)的選擇，噪聲對(duì)于肝臟CT圖像分割工作具有直接影響，同時(shí)也會(huì)對(duì)肝臟分割精度和后續(xù)三重重建造成嚴(yán)重影響。所以，需要實(shí)現(xiàn)對(duì)肝臟腫瘤CT圖像的濾波處理，將其具有干擾因素的噪聲實(shí)現(xiàn)清除，提高肝臟邊緣輪廓清晰化，也能夠顯著提升區(qū)域生長(zhǎng)算法應(yīng)用準(zhǔn)確性。

3.1鄰域平均濾波

在以上公式中，x和y的取值范圍為0，1，2，3…，s代表的則是圖像的鄰域系統(tǒng)，N代表的是原圖像像素個(gè)數(shù)。這一方法在實(shí)際應(yīng)用中的本質(zhì)也就是采用模板以及圖像實(shí)現(xiàn)卷積運(yùn)算，在圖像中把確定大小的窗口實(shí)施滑動(dòng)，也就可以更新圖像的灰度。結(jié)合實(shí)際情況，也能夠?qū)崿F(xiàn)對(duì)鄰域半徑大小的合理選擇，通常情況下模板的大小為3×3，5×5.

3.2中值濾波

這一方法屬于是一種非線性平滑技術(shù)，圖像上的每一點(diǎn)灰度值均能夠設(shè)置相應(yīng)的鄰域窗口中像素點(diǎn)灰度值中值。在圖像處理中屬于是常用局部平滑技術(shù)，不但能夠保持圖像的細(xì)節(jié)，也可以保持其邊緣信息。這一方法的基本原理為：在圖像中采用像素點(diǎn)為奇數(shù)的窗口實(shí)施滑動(dòng)，需要處理像素和窗口重合之后，過去相應(yīng)像素灰度值，并依照相應(yīng)順序?qū)ζ鋵?shí)施排列，最中間的像素灰度值可以將其賦值為沒有處理的像素。在此過程中的關(guān)鍵點(diǎn)也是窗口大小的確定。如果確定的窗口比較小，容易導(dǎo)致沒有良好的方向性，影響效果；反之，會(huì)提高計(jì)算量，影響運(yùn)算速度。

3.3濾波處理后的肝臟圖像

在對(duì)濾波處理前后的圖像進(jìn)行對(duì)比，在本次處理中采用的方法是中值濾波器處理，在試驗(yàn)中確定中值濾波模板大小為5×5。所得切片數(shù)量比較大，在本文章中無法一一顯示，本次選取某一患者的圖像進(jìn)行對(duì)比，選取3張切片，依次為20、30、44。其中 在下圖中，圖片a、b、c為肝臟原圖像，圖片d、e、f為中值濾波處理后的圖片。對(duì)比分析可以發(fā)現(xiàn)在中值濾波處理之后，可以明顯減少圖像中的噪聲，顯著提升圖像信噪比，從而為圖片之后的區(qū)域生長(zhǎng)算法處理奠定基礎(chǔ)。

4 改進(jìn)區(qū)域生長(zhǎng)算法

4.1原理及實(shí)現(xiàn)

從全局灰度均值下的傳統(tǒng)區(qū)域生長(zhǎng)法實(shí)施流程主要為4步，其中分別為：第一步，初始化。確定區(qū)域范圍中的生長(zhǎng)初始種子點(diǎn)；第二步，對(duì)和相似性準(zhǔn)則的符合性進(jìn)行判定。和已經(jīng)生長(zhǎng)區(qū)域中的灰度均值和種子像素8鄰域像素灰度值進(jìn)行對(duì)比分析，如果結(jié)果發(fā)現(xiàn)差的絕對(duì)值在一定閾值以下，也就可以在這一區(qū)域中將其進(jìn)行合并；第三步，能夠滿足第二步中的點(diǎn)也就可以作為新的種子點(diǎn)，并對(duì)生長(zhǎng)區(qū)域中的灰度均值進(jìn)行計(jì)算，確定新的相似性準(zhǔn)則，并再次回到第二步，確定新的能夠滿足相似性準(zhǔn)則的像素；第四步，對(duì)和終止條件的滿足性進(jìn)行對(duì)比，如果沒有發(fā)現(xiàn)新的種子點(diǎn)，也就代表本次生長(zhǎng)過程結(jié)束。

在以上分析過程中能夠發(fā)現(xiàn)，這一方法在應(yīng)用過程中實(shí)施區(qū)域生長(zhǎng)，只是對(duì)比分析已生長(zhǎng)區(qū)域全局均值和像素灰度值，但是在此研究中發(fā)現(xiàn)肝臟灰度特性并不能夠采用已生長(zhǎng)區(qū)域灰度均值進(jìn)行替代，肺肝臟區(qū)域也會(huì)對(duì)其研究結(jié)果有一定的影響。在本次研究過程中針對(duì)這一相似性準(zhǔn)則實(shí)施改進(jìn)，全局均值可以采用區(qū)域生長(zhǎng)中的局部區(qū)域均值進(jìn)行替代，以能夠最大化減少肝臟CT圖像研究過程中，非肝臟部分灰度的干擾作用。因此所得相似性準(zhǔn)則為：

在以上公式中，R代表的是區(qū)域生長(zhǎng)變化過程中的局部區(qū)域，Mˊ代表的是能夠合并到這一區(qū)域中的像素點(diǎn)數(shù)量，mˊ代表的是局部區(qū)域平均灰度。

在醫(yī)學(xué)圖像分割研究過程中，區(qū)域生長(zhǎng)相似性準(zhǔn)則的閾值具有重要影響作用，如果在閾值選擇過程中過大，容易出現(xiàn)過分割問題，反之無法將牧寶區(qū)域全部完整提取出來。在對(duì)概率論以及數(shù)理統(tǒng)計(jì)學(xué)研究中能夠發(fā)現(xiàn)，對(duì)于一個(gè)數(shù)據(jù)集的離散程度可以采用標(biāo)準(zhǔn)差進(jìn)行表示，在本次研究中對(duì)于區(qū)域生長(zhǎng)準(zhǔn)則的閾值設(shè)置形式采用的是已生長(zhǎng)區(qū)域標(biāo)準(zhǔn)差以及固定系數(shù)乘積，可以實(shí)現(xiàn)閾值大小的動(dòng)態(tài)變化，以能夠?qū)?shí)際圖像變化有效適應(yīng)。

在改進(jìn)區(qū)域生長(zhǎng)算法實(shí)施過程中其流程包括4個(gè)步驟，其中分別為：第一步，初始化。確定初始種子點(diǎn)8鄰域灰度均值，可以將其作為是局部區(qū)域灰度均值初始值，閾值則確定為鄰域標(biāo)準(zhǔn)差和一定系數(shù)的乘積；第二步，對(duì)局部區(qū)域灰度均值和種子像素8鄰域像素灰度均值大小進(jìn)行對(duì)比分析，對(duì)比結(jié)果顯示在預(yù)先設(shè)定的閾值之下，即可以將其合并在所在區(qū)域，也就是新的種子點(diǎn)；第三步，對(duì)這一階段局部區(qū)域灰度均值以及標(biāo)準(zhǔn)差進(jìn)行計(jì)算，所得結(jié)果也就是新的種子點(diǎn)，重新回到第二步；第四步，終止條件的判定，如果沒有滿足需求的新種子點(diǎn)，也就代表區(qū)域生長(zhǎng)算法結(jié)束，不然重新從第二步開始繼續(xù)執(zhí)行。

4.2實(shí)驗(yàn)結(jié)果

對(duì)比傳統(tǒng)區(qū)域生長(zhǎng)法和改進(jìn)后的結(jié)果，詳情見下圖，其中a為原圖像，b為傳統(tǒng)區(qū)域生長(zhǎng)，c為改進(jìn)生長(zhǎng)法。

從以上圖中可以看出，在傳統(tǒng)區(qū)域生長(zhǎng)法應(yīng)用中，選取的參考值為已生長(zhǎng)區(qū)域的全局灰度均值，之中也包括部分不屬于肝臟部分，從而出現(xiàn)過分割問題；在改進(jìn)區(qū)域生長(zhǎng)算法應(yīng)用中，采用的是局部區(qū)域灰度均值，可以將肝臟區(qū)域準(zhǔn)確提取出來，另外在應(yīng)用過程中不必事先設(shè)定閾值，在區(qū)域生長(zhǎng)過程中可以結(jié)合實(shí)際情況對(duì)閾值進(jìn)行改變。采用區(qū)域生長(zhǎng)法進(jìn)行肝臟區(qū)域提取，所得結(jié)果中存在一定明顯的孔洞，邊緣也有毛刺，因此針對(duì)這一問題需要繼續(xù)優(yōu)化分割結(jié)果，以能夠提高肝臟提取完整性，以及提高邊緣輪廓的平滑性。

5 數(shù)學(xué)形態(tài)學(xué)處理

在改進(jìn)區(qū)域生長(zhǎng)算法應(yīng)用之后，獲取的肝臟圖像還需要繼續(xù)分割。在處理過程中可以采用數(shù)學(xué)形態(tài)學(xué)閉運(yùn)算方法。在多次試驗(yàn)后確定模板為半徑為5的圓，對(duì)于所得切片大部分均能夠得到良好效果。其中試驗(yàn)結(jié)果見下圖。

以上圖中所得的a、b、c分別為切片20、30、44，對(duì)其實(shí)施數(shù)學(xué)形態(tài)學(xué)處理，所得結(jié)果如上所示。在閉運(yùn)算方法的應(yīng)用下可以有效填充區(qū)域生長(zhǎng)算法后的肝臟內(nèi)部空洞。在以上圖中出現(xiàn)的顯著孔洞主要為肝臟血管，在本次研究中需要對(duì)肝臟體積以及灰度均值進(jìn)行統(tǒng)計(jì)分析，因此在閉運(yùn)算過程中，沒有完全填充以上血管孔洞。

6 分割效果評(píng)價(jià)

在本次圖像分割中采用的分割算法為改進(jìn)的區(qū)域生長(zhǎng)及數(shù)學(xué)形態(tài)學(xué)，在當(dāng)前研究中針對(duì)醫(yī)學(xué)圖像分割算法的評(píng)價(jià)，主要采用的是主觀評(píng)論方法。為能夠?qū)Ρ敬尾捎玫姆指钏惴ńY(jié)果進(jìn)行評(píng)估，將分割所得肝臟圖像在原始圖像上進(jìn)行疊加，并在原圖像中采用紅色進(jìn)行標(biāo)記，從下圖中我們可以看出肝臟邊緣部分?jǐn)M合情況和肝臟分割基本情況，從而實(shí)現(xiàn)對(duì)本次分割算法的定性評(píng)價(jià)。其中分割結(jié)果見下圖：

從以上圖中可以看出，改進(jìn)的區(qū)域生長(zhǎng)及數(shù)學(xué)形態(tài)學(xué)分割結(jié)果，為能夠?qū)ζ浞指罱Y(jié)果有進(jìn)一步認(rèn)識(shí)，將本次采用的算法和其他算法進(jìn)行對(duì)比分析。

6.1和Otsu法對(duì)比

在肝臟CT圖像分割算法過程中，應(yīng)用閾值法中的Otsu法分析，其中在這一算法的應(yīng)用下所得的實(shí)驗(yàn)結(jié)果見下圖：

在Otsu算法中，屬于是一種自適應(yīng)閾值算法，在對(duì)圖像分析過程中可以通過最佳閾值將圖像分成目標(biāo)以及背景。從上圖中能夠看出，和腹腔中的肌肉、腎臟灰度值對(duì)比，能夠發(fā)現(xiàn)肝臟灰度值與其比較接近，容易出現(xiàn)粘連問題，這一算法在感興趣區(qū)域以及背景灰度差異明顯中的應(yīng)用更為合適，所以在肝臟提取中只是采用閾值法可行性不高。

6.2和邊緣檢測(cè)對(duì)比

在醫(yī)學(xué)分割中采用的邊緣檢測(cè)法，實(shí)現(xiàn)方式主要是采用不同區(qū)域中的像素灰度值，在本次研究中針對(duì)肝臟CT圖像分割過程中采用并行邊緣檢測(cè)算子，在實(shí)際應(yīng)用中常用的有Canny、Roberts、LOG以及Prewitt算子等。下圖即為采用不同邊緣檢測(cè)算子實(shí)現(xiàn)肝臟切片分割結(jié)果。

從圖中可以看出，針對(duì)CT圖像實(shí)施不同邊緣檢測(cè)方法實(shí)驗(yàn)分析，其中在應(yīng)用中Roberts算子在應(yīng)用中對(duì)于邊緣是采用局部差分算子實(shí)現(xiàn)定位，在研究中發(fā)現(xiàn)容易出現(xiàn)邊緣丟失，更適合應(yīng)用中邊緣明顯的圖像分割中；Canny算子屬于是最優(yōu)化邊緣檢測(cè)算子，在邊緣檢測(cè)中性能良好，也能夠?qū)崿F(xiàn)對(duì)噪聲抑制以及邊緣檢測(cè)關(guān)系的有效平衡；Sobel算子以及Perwit算子在應(yīng)用中首先需要對(duì)圖像實(shí)施平滑處理，之后實(shí)施微分運(yùn)算，在應(yīng)用中圖像平滑處理存在差異，在邊緣檢測(cè)中能夠取得良好效果，但是也容易出現(xiàn)虛假邊緣檢測(cè)。LOG算子在應(yīng)用中是采用高斯函數(shù)實(shí)現(xiàn)圖像的平滑濾波，邊緣檢測(cè)中采用的方法為拉普拉斯算子，可以對(duì)圖像中的噪聲起到良好抑制作用。從圖中能夠發(fā)現(xiàn)，肝臟和周圍器官、組織灰度比較接近，導(dǎo)致噪聲容易對(duì)CT成像造成影響，出現(xiàn)圖像邊緣不夠清晰，如果在研究中采用的是傳統(tǒng)邊緣檢測(cè)方法，也就導(dǎo)致無法將肝臟邊緣有效提取。

6.3和FCM聚類相比

在本次研究中采用的是FCM模糊C-均值算法，所得分割實(shí)驗(yàn)結(jié)果見下圖。

從圖中可以看出，F(xiàn)CM算法在應(yīng)用中，如果是應(yīng)用在肝臟面積較大CT圖像中，能夠取得良好的分割效果，也就可以將肝臟區(qū)域近乎完整的提取出來。但是在CT序列中肝臟也出現(xiàn)了一系列變化，如果是切片中的序列肝臟面積比較小，也就會(huì)導(dǎo)致取得的分割效果比較差。另外在傳統(tǒng)FCM算法應(yīng)用中，容易包括圖像中的腎臟錯(cuò)誤，主要原因?yàn)楦闻K和腎臟灰度值比較接近。另外這一方法在應(yīng)用中，需要和圖像灰度值相結(jié)合，并提前將聚類數(shù)目和初始聚類中心設(shè)置出來，在應(yīng)用中所需時(shí)間比較多，也容易受到主觀因素的影響。

6.4數(shù)學(xué)形態(tài)學(xué)法

在這一方法應(yīng)用中，首先需要合理選擇閾值以能夠?qū)Ω闻KCT圖像實(shí)施分割，數(shù)學(xué)形態(tài)學(xué)在應(yīng)用中需要實(shí)施一系列運(yùn)算，在處理之后所得肝臟CT圖像分割結(jié)果見下圖。

6.5方法對(duì)比

通過對(duì)以上幾種方法的分割結(jié)果進(jìn)行對(duì)比，可以發(fā)現(xiàn)數(shù)學(xué)形態(tài)學(xué)分割算法在肝臟圖像分割中的效果更為顯著。就算是這一方法在應(yīng)用中需要采用人工方式進(jìn)行種子點(diǎn)選取，然而在運(yùn)算過程中可以將已生長(zhǎng)區(qū)域信息加入其中，可以將生長(zhǎng)準(zhǔn)則中的閾值實(shí)現(xiàn)自適應(yīng)改變，也就有助于進(jìn)一步提高CT圖像中的肝臟區(qū)域提取完整性以及準(zhǔn)確性，能夠取得良好的肝臟CT圖像分割結(jié)果。

7 結(jié)語(yǔ)

在本次研究中，主要是對(duì)患者腹部CT圖像實(shí)施肝臟分割，以能夠統(tǒng)計(jì)分析患者在不同時(shí)刻的肝臟體積以及灰度平均值，對(duì)患者肝臟進(jìn)行分析?；谘芯拷Y(jié)果可以看出，肝臟信號(hào)強(qiáng)度的表現(xiàn)方式為信號(hào)強(qiáng)度大、灰度值平均以及平均灰度值大。在本次研究中所采用的改進(jìn)區(qū)域生長(zhǎng)以及數(shù)學(xué)形態(tài)學(xué)分割算法，有效實(shí)現(xiàn)了肝臟腫瘤CT圖像的分割，分割效果顯著。在腹部CT圖像中的噪聲比較多，會(huì)直接影響分割精確度。

在本次研究中首先采用中值濾波器對(duì)其圖像中的噪聲進(jìn)行消除，以能夠起到良好的濾波以及平滑作用?；诖瞬捎酶倪M(jìn)區(qū)域生長(zhǎng)算法實(shí)現(xiàn)肝臟圖像的分割處理，在研究過程中和肝臟特點(diǎn)相結(jié)合，針對(duì)傳統(tǒng)區(qū)域生長(zhǎng)算法進(jìn)行改進(jìn)，所得肝臟圖像上存在一定的毛刺和孔洞，因此需要對(duì)其繼續(xù)進(jìn)行分割，采用的方法為數(shù)學(xué)形態(tài)學(xué)方法。對(duì)比分析FCM算法、邊緣檢測(cè)和傳統(tǒng)Otsu算法，能夠?qū)崿F(xiàn)對(duì)肝臟體積以及灰度平均值的統(tǒng)計(jì)分析，從而評(píng)估本次分割結(jié)果，發(fā)現(xiàn)結(jié)果良好。

參考文獻(xiàn)：

[1] Li Ma，L.Yang.Liver Segmentation Based on Expectation Maximization and Morphological filters in CT images[C].//首屆IEEE生物信息與生物醫(yī)學(xué)工程國(guó)際會(huì)議.%，2007：702-705.

[2] Jing Xu，Ken Chen，Xiangdong Yang， et al.Adaptive Level Set Method for Segmentation of Liver Tumors in Minimally Invasive Surgery Using Ultrasound Images[C].//首屆IEEE生物信息與生物醫(yī)學(xué)工程國(guó)際會(huì)議.清華大學(xué)，2007：1107-1110.

[3] Eugene Vorontsov，Nadine Abi-Jaoudeh，Samuel Kadoury.Metastatic Liver Tumor Segmentation Using Texture-Based Omni-Directional Deformable Surface Models[C].//Abdominal imaging： Computational and clinical applications： 6th International Workshop， ABDI 2014， Held in Conjunction with MICCAI 2014， Cambridge， MA， USA， September 14， 2014.MEDICAL， Ecole Polytechnique de Montreal%Radiology and Imaging Sciences， National Institutes of Health%MEDICAL， Ecole Polytechnique de Montreal，2014：74-83.

[4] Chi Dongxiang，Lu Tiankun.Iterative Quadtree Decomposition Segmentation of Liver MR Image[C].//2009 International Conference on Artificial Intelligence and Computational Intelligence （AICI 2009）. v.3.School of Electronics % Information， Shanghai Dianji University%School of Electronics % Information， Shanghai Dianji University，2009：527-529.

[5] Neha Bangar，Akash Deep.Tumor Detection by Color Segmentation of PET/CT Liver Images[J].Journal of Emerging Technologies in Web Intelligence，2014（1）：148-156.

[6] Rui Lu，P. Marziliano，Choon Hua Thng.Liver Tumor Volume Estimation By Semi-Automatic Segmentation Method[C].//Device Research Conference， IEEE Annual； Santa Barbara， CA.%%，2005：3296-3299.

[7] 劉耀輝，黃展鵬，鮑蘇蘇.基于數(shù)學(xué)形態(tài)學(xué)的CT圖像肝臟腫瘤提取研究[J].北京生物醫(yī)學(xué)工程，2012（3）：237-240.

[8] 黃荔麗，王博亮，黃曉陽(yáng).基于DICOM格式的肝臟腫瘤CT圖像分割[J].計(jì)算機(jī)技術(shù)與發(fā)展，2008（1）：48-51.

[9] 宋紅，王勇，黃小川，等.基于動(dòng)態(tài)自適應(yīng)區(qū)域生長(zhǎng)的肝臟CT圖像腫瘤分割算法[J].北京理工大學(xué)學(xué)報(bào)，2014（1）：72-76.

[10] 趙潔，歐陜興，蔣世忠，等.基于改進(jìn)窄帶水平集的三維肝臟腫瘤分割[J].計(jì)算機(jī)工程與應(yīng)用，2015（13）：28-30，46.

[11] 黃佳佳，趙曙光，張笑青，等.基于深度學(xué)習(xí)的肝臟腫瘤圖像分割[J].數(shù)字技術(shù)與應(yīng)用，2017（11）：81-82.

[12] 郭穎.基于區(qū)域生長(zhǎng)的肝臟CT圖像腫瘤分割方法研究[D].大連海事大學(xué)，2017.

【通聯(lián)編輯：光文玲】