胡俊，李平

(華僑大學(xué) 信息科學(xué)與工程學(xué)院，福建 廈門 361021)

X光胸片是臨床上廣泛使用的醫(yī)學(xué)影像，對于肺部疾病的分析、診斷具有非常重要的臨床意義.隨著計算機輔助診斷(CAD)技術(shù)的普及，其高效性和實用性受到人們的關(guān)注，將計算機輔助診斷技術(shù)應(yīng)用到X光胸片上，可有效地幫助醫(yī)生檢查關(guān)于肺部的各種疾病，如氣胸、肺氣腫、肺炎、肺癌等[1].因此，X光胸片肺野的精確分割成了計算機輔助醫(yī)生進行高效、準確地診斷肺部疾病的重要基礎(chǔ)[2].

一直以來，X光胸片肺野分割就是醫(yī)學(xué)圖像處理的研究熱點，許多分割方法被應(yīng)用于這一任務(wù)中.曹新華等[3]通過閾值法進行分割，并利用直方圖特征自動確定閾值.張繼武等[4]采用了水平集方法，分割效果要優(yōu)于閾值法.劉炎等[5]采用了多種分割方法聯(lián)合使用的策略，達到了提高分割精度的目的.近年來，深度學(xué)習(xí)日益受到人們的重視，文獻[6-7]均采用神經(jīng)網(wǎng)絡(luò)對X光胸片肺野進行分割，雖然能得到較好的分割效果，但由于計算量巨大，對數(shù)據(jù)集、算力的要求頗高，難以推廣到實際應(yīng)用中去.就目前而言，傳統(tǒng)方法也能實現(xiàn)較好的分割效果，對數(shù)據(jù)集、算力的要求又相對較低，所以將傳統(tǒng)方法應(yīng)用于醫(yī)學(xué)圖像分割時更具有優(yōu)勢.Kass等[8]提出的Snake模型作為一種經(jīng)典的傳統(tǒng)圖像分割方法，被廣泛應(yīng)用于圖像分割、運動跟蹤、目標識別等領(lǐng)域[9].

傳統(tǒng)的Snake模型對輪廓初始位置選擇十分敏感，輪廓初始化是采用人機交互的方式完成的.然而，采用人工初始化輪廓具有極強的主觀性，初始輪廓的選擇完全依賴于人的判斷，而初始輪廓又決定了分割結(jié)果.所以，經(jīng)常會發(fā)生因初始輪廓選擇的不合理而引起分割結(jié)果不夠準確的情況，甚至?xí)?dǎo)致分割失敗，出現(xiàn)欠分割、過分割的問題.針對上述問題，本文提出一種基于自動初始化Snake模型的X光胸片肺野自動分割方法.

1 X光胸片肺野分割中的問題

1.1 X光胸片圖像的特點

X光成像的原理是基于人體不同組織密度、厚度的差別，當(dāng)X線透過人體不同組織結(jié)構(gòu)時，被吸收的程度有所不同，到達熒屏或膠片上的X線能量則存在差異，因此形成明暗或黑白對比不同的影像[10].相較于計算機斷層掃描(CT)、磁共振成像(MRI)圖像，X光胸片圖像最大的缺陷是分辨率較低，容易引入噪聲，對一些細微組織、病灶的對比度較差.由于X光成像具有投射、吸收的特點，導(dǎo)致成像時各組織投影呈現(xiàn)重疊的狀態(tài)，往往使得各組織結(jié)構(gòu)模糊不清.

1.2 X光胸片肺野分割存在的問題

圖1是一張典型的X光正位胸片圖像.因為背景、人體肺部內(nèi)存在大量空氣，密度較低，吸收的X線能量較少，在圖像上呈現(xiàn)為黑影；而人體內(nèi)其他組織、器官密度相對較大，吸收的X線能量多，在圖像上則呈現(xiàn)為白影.從圖1可知：雖然肺野與其他組織也表現(xiàn)出一定的灰度差，但由于組織投影彼此重疊，使得肺野與其他組織之間并沒有非常明確的邊界；此外，在肺野內(nèi)部還包含大量骨骼、血管等組織信息.

圖1 X光胸片圖像

正是因為X光胸片圖像存在上述特點，這使得肺野的精確分割成了一個難題.想要完成對肺野的精確分割，需要解決3個方面的問題：1)如何克服弱邊界、偽邊界的影響，避免分割陷入局部極小值；2)如何排除肺野內(nèi)其他組織信息的干擾，防止收斂到錯誤的邊界；3)如何增加對凹陷區(qū)域、角點的分割能力，提高分割的精度.只有解決了這幾個方面的問題，才能獲得較精確的分割結(jié)果.

2 X光胸片肺野的自動分割

所提出的X光胸片肺野自動分割方法，主要分為3個步驟:1)對圖像進行預(yù)處理；2)采用Otsu法對圖像進行二值化，再結(jié)合邊緣檢測和形態(tài)學(xué)方法完成Snake模型輪廓的自動初始化；3)利用自動初始化的輪廓，進行Snake模型分割，得到最終的分割結(jié)果.X光胸片肺野的自動分割流程，如圖2所示.

圖2 分割流程圖

2.1 圖像預(yù)處理

在X光胸片成像、存儲及傳輸?shù)倪^程中，通常會混入一些噪聲.對于計算機輔助診斷系統(tǒng)來說，為了獲得準確的分割輸出，在分割之前必須消除噪聲，而且在消除噪聲的同時，還需要保留圖像的基本特征.高斯濾波是比較常用的濾波技術(shù)，它在濾除噪聲的同時不會丟失邊緣信息等基本特征.

如圖2所示，采用二維零均值、標準差σ=1的高斯濾波器對尺寸為1 024 px×1 024 px的原始X光胸片圖像I1(x，y)進行去噪，得到輸出圖像I2(x，y).

二維零均值、標準差為σ的高斯函數(shù)表達式為

(1)

設(shè)二維零均值、標準差σ=1的高斯濾波器響應(yīng)為H(r，s)，去噪過程可用離散卷積表示，即

(2)

式(2)中：k，l的值根據(jù)所選濾波器窗口的大小來確定，通常選擇k，l=3或k，l=5的窗口，文中選擇的濾波器窗口大小為k，l=3.

為了減小計算量，提高分割效率，需要對圖像尺寸進行歸一化.尺寸歸一化是通過圖像縮放來實現(xiàn)，尺寸歸一化后得到尺寸縮小的圖像.在尺寸歸一化的過程中，會損失圖像中部分局部信息，但保留了全局信息，這有助于提高算法對大目標的檢測、分割能力，也有助于增強算法的魯棒性.此外，為了提升算法對凹陷區(qū)域的分割能力，需要對肺野進行邊界增強.邊界增強能增加肺野邊緣像素點的灰度值，以此來提高肺野的邊緣梯度，從而增加肺野邊緣對分割輪廓線的吸引力，這有助于輪廓線收斂到肺野的凹陷區(qū)域，可以提高分割精度.

如圖2所示，對高斯去噪后的圖像I2(x，y)進行縮放，得到尺寸為512 px×512 px的圖像I3(x，y)；然后，利用圖像金字塔[11]得到肺野邊緣圖像I4(x，y)；最后，通過將圖像I3(x，y)與圖像I4(x，y)進行融合，就可得到邊界增強的圖像I5(x，y).圖像增強前后，分割結(jié)果對比，如圖3所示.

從圖3可知：對圖像進行邊界增強后，文中算法對凹陷區(qū)域的分割更為準確.其中，紅色(虛線)為初始輪廓線，藍色(實線)為分割結(jié)束時的輪廓線.

(a)原圖 (b)對原圖的分割結(jié)果 (c)邊緣增強圖 (d)對增強圖的分割結(jié)果

2.2 基于改進Snake模型的X光胸片肺野分割

2.2.1 Snake模型算法簡介 考慮到Snake模型在應(yīng)用于圖像分割時，具有只關(guān)注分割輪廓線鄰域內(nèi)圖像信息的特點，而初始分割輪廓通常又位于待分割目標的真實邊界附近.所以，采用Snake模型算法對X光胸片肺野進行分割，這樣可以有效降低X光胸片肺野內(nèi)部及背景區(qū)域中其他組織信息對分割過程的干擾.傳統(tǒng)的Snake模型依賴人工來初始化輪廓，分割效果在很大程度上取決于人對初始輪廓的選擇.這種初始化方式既不能保證分割結(jié)果的準確性和穩(wěn)定性，也不利于批量化的處理.所以，文中在應(yīng)用Snake模型進行肺野分割之前，對Snake模型輪廓進行了自動初始化.

作為一種經(jīng)典的活動輪廓模型，Snake模型是Kass等[12]于1987年提出的，最開始用于追蹤人嘴部的運動.由于其具有能將圖像底層特征(灰度、紋理等)和上層信息有機結(jié)合起來的特點，受到國內(nèi)外大量學(xué)者的關(guān)注與研究.時至今日，它已經(jīng)被廣泛的應(yīng)用于目標分割、運動追蹤、邊緣檢測等領(lǐng)域.

Snake模型通過設(shè)定一條可變形的閉合參數(shù)曲線，并利用曲線變形的具體規(guī)律來定義相應(yīng)的能量函數(shù)[13]；然后，通過最小化能量函數(shù)，來驅(qū)動參數(shù)曲線發(fā)生形變.在構(gòu)造能量函數(shù)時，把待分割目標輪廓處設(shè)置為能量最小處；而在最小化能量函數(shù)的過程中，參數(shù)曲線會逐步收斂到待分割目標輪廓處，以此完成對目標的分割.

2.2.2 Snake模型輪廓的自動初始化 文中Snake模型輪廓的自動初始化分為背景區(qū)域的消除和肺野區(qū)域外輪廓的提取兩個部分.背景消除旨在于消除肺野以外的區(qū)域，只保留肺野區(qū)域.這個過程是為了確保在進行肺野輪廓提取的時候不受背景信息的干擾，以得到較準確的肺野區(qū)域外輪廓.在進行背景消除之前，需要對圖像進行二值化處理.圖像二值化就是通過一個合適的閾值，把圖像分割成只包含前景、背景這兩部分的黑白圖像.這個過程會損失圖像的紋理、顏色等特征，但也突出了形狀特征.文中Snake模型輪廓的自動初始化，只需要利用圖像中的形狀特征.因此，對X光胸片圖像進行二值化處理，能起到簡化圖像的作用，有利于Snake模型輪廓的自動初始化.

假設(shè)圖像中當(dāng)前像素點的灰度值為G(x，y)，通過遍歷圖像，對圖像中每一像素點的灰度值進行操作，即

(3)

式(3)中：T為所選擇的灰度閾值.

選擇閾值的方法有很多，最常用的有雙峰直方圖法[14]、模糊熵法[15]、Otsu法[16].文中分別用這3種方法對邊界增強后的圖像I5(x，y)進行二值化，得到效果圖，如圖4所示.

從圖4可知：雙峰直方圖法和模糊熵法都不能避免骨骼帶來的影響，二值化后的肺野區(qū)域內(nèi)部包含大量的骨骼邊緣，若此時進行邊緣提取，難以得到精確的肺野區(qū)域外輪廓；而Otsu法則不受骨骼紋理的干擾，相較于前兩種方法，Otsu法的二值化效果最好.因此，選擇Otsu法對圖像進行二值化處理，得到二值圖像S1(x，y).

(a)原圖 (b)雙峰直方圖法 (c)模糊熵法 (d)Otsu法

一般來說，對于二值圖像，通常把白色區(qū)域稱為前景區(qū)域，黑色區(qū)域稱為背景區(qū)域，目標區(qū)域一般歸屬于前景區(qū)域.但對于X光胸片來說，肺野區(qū)域像素點的灰度值通常比其他區(qū)域的要低，在經(jīng)過二值化以后，肺野區(qū)域內(nèi)像素點灰度值被置0，所以在圖像中顯示為黑色.為了方便對肺野區(qū)域進一步的處理，需要對二值化后的X光胸片圖像進行取反，即把原本顯示為白色的區(qū)域轉(zhuǎn)換成黑色，原本顯示為黑色的區(qū)域轉(zhuǎn)換成白色.

假設(shè)二值圖像中當(dāng)前像素點的灰度值為G(x，y)，因為二值圖像中所有像素的灰度值只有0和255這兩種，故只需要經(jīng)過如下操作就可以得到取反后的灰度值，其表達式為

G(x，y)=255-G(x，y).

(4)

通過遍歷圖像S1(x，y)中所有像素點，并對每個像素點執(zhí)行式(4)的操作，就可得到取反后的二值圖像S2(x，y)，圖像S2(x，y)中肺野區(qū)域此時顯示為白色.然而，在整張圖像中，除了肺野區(qū)域以外，還有大片背景區(qū)域也顯示為白色，這些背景區(qū)域會給肺野輪廓的提取帶來干擾，所以需要消除這些背景區(qū)域.對于二值圖像S2(x，y)，通過連通域檢測，標記出圖像中所有連通域，然后通過消除背景所在連通域，就得到只含有肺野區(qū)域的二值圖像S3(x，y).

接下來，需要對圖像進行邊緣檢測，其目的在于獲取肺野區(qū)域的外輪廓，用以Snake模型輪廓的自動初始化.

一般來說，Snake模型的初始輪廓需要滿足兩個條件：一是初始輪廓需要包裹目標區(qū)域；二是初始輪廓需要盡量接近真實的目標邊界.滿足這兩個條件的初始輪廓，更有利于肺部區(qū)域的分割.然而，由于圖像S3(x，y)的肺野區(qū)域內(nèi)存在孔洞，若直接進行邊緣檢測，孔洞的邊緣也會被檢測出來，這將干擾初始輪廓的確定.所以，在邊緣檢測之前，還需要消除孔洞.通過形態(tài)學(xué)膨脹，不僅可以消除這些孔洞，還能略微擴大肺野區(qū)域，此時再通過邊緣檢測所得的輪廓更滿足Snake模型對初始輪廓的要求.由圖2可知：對圖像S3(x，y)進行形態(tài)學(xué)膨脹，得到肺野區(qū)域內(nèi)不含孔洞的圖像S4(x，y).

邊緣檢測的方法多種多樣，最常用的方法是使用邊緣檢測算子來檢測邊緣.邊緣檢測算子是利用圖像邊緣的突變性質(zhì)來檢測邊緣，主要分成兩種類型[17]：一類是以一階導(dǎo)數(shù)為基礎(chǔ)，通過計算圖像的梯度值來檢測邊緣，如Robert算子、Sobel算子、Prewitt算子等；另一類是以二階導(dǎo)數(shù)為基礎(chǔ)，通過尋找二階導(dǎo)數(shù)的過零點來檢測邊緣，如Laplacian算子、LOG算子、Canny算子等.Canny算子作為最常用的邊緣檢測算子，具有結(jié)構(gòu)簡單，檢測出的邊緣清晰、連續(xù)的優(yōu)勢，因此選擇使用Canny算子對二值圖像進行邊緣檢測.

用Canny算子對形態(tài)學(xué)膨脹前后的圖像進行邊緣檢測，結(jié)果如圖5所示.從圖5可知：對于未經(jīng)形態(tài)學(xué)膨脹的圖像，其肺野區(qū)域內(nèi)部的孔洞邊緣也被檢測出來；而在經(jīng)過形態(tài)學(xué)膨脹后，肺野區(qū)域內(nèi)部的孔洞被消除，通過邊緣檢測，得到唯一的肺野外輪廓.

(a)未經(jīng)形態(tài)學(xué)膨脹 (b)膨脹前的檢測結(jié)果 (c)經(jīng)過形態(tài)學(xué)膨脹 (d)膨脹后的檢測結(jié)果

通過對圖像S4(x，y)進行邊緣檢測，得到了肺野區(qū)域的外輪廓，然后在所得外輪廓上等距離地選擇控制點，用以構(gòu)造Snake模型的初始輪廓.經(jīng)此步驟，即完成了Snake模型輪廓的自動初始化.初始輪廓可視化，如圖6所示.圖6中：紅色(虛線)為Snake模型自動初始化輪廓的所在處.通過實驗可知，在外輪廓上等距離地選擇一半的點所構(gòu)造出的初始輪廓，既能滿足分割精度的需要，也能保證分割效率.

圖6 初始輪廓可視化

2.2.1 X光胸片肺野分割過程 在完成Snake模型輪廓的自動初始化后，利用Snake模型算法對X光胸片進行肺野分割.X光胸片肺野的分割過程，實際上是通過最小化能量函數(shù)驅(qū)動Snake模型參數(shù)曲線移動的過程.

在實驗中，文中將自動初始化的輪廓線作為Snake模型算法的參數(shù)曲線，將初始輪廓上各像素點作為控制點，表示為

v(s)=(x(s)，y(s))s∈(0，1).

(5)

式(5)中：x(s)，y(s)是每個控制點的坐標位置；s是以傅里葉變換形式描述曲線弧長的自變量.

在參數(shù)曲線上定義Snake模型的能量函數(shù)，表示為

(6)

由式(6)可知：Snake模型的能量函數(shù)由兩部分組成，一部分稱之為內(nèi)部能量，另一部分稱為外部能量.內(nèi)部能量僅與參數(shù)曲線的形狀有關(guān)，而外部能量則由圖像特征構(gòu)成，例如灰度值、梯度等.文中使用彈性能量和彎曲能量構(gòu)造內(nèi)部能量，用梯度來構(gòu)造外部能量.

內(nèi)部能量表示為

(7)

式(7)中：一階導(dǎo)數(shù)項稱為彈性能量，反映曲線的連續(xù)性，彈性能量越大，曲線越不易被拉伸；α是彈性系數(shù)，它的值越大，曲線收縮越快，若其值為零，允許曲線產(chǎn)生不連續(xù)的點；二階導(dǎo)數(shù)項稱為彎曲能量，反映曲線的平滑性，彎曲能量越大，曲線越不易變形；β是彎曲系數(shù)，它的值越大，曲線越平滑，若其值為零，允許曲線產(chǎn)生拐角.

外部能量表示為

(8)

式(8)中：?為梯度算子.由于外部能量和梯度值有關(guān)，且此項是非正項，所以梯度值越大，對應(yīng)的外部能量越小.當(dāng)參數(shù)曲線靠近目標邊緣時，梯度值會增大，外部能量則會減??；而當(dāng)參數(shù)曲線收斂到待分割目標輪廓處時，梯度值達到最大，外部能量則達到最小.

在定義了能量函數(shù)以后，就需要通過最小化能量函數(shù)來驅(qū)動參數(shù)曲線移動，以達到分割的目的.因為圖像中像素點都是離散的，所以最小化能量函數(shù)的是一個典型的變分問題.通過變分法求解時，參數(shù)曲線需滿足歐拉方程，即有

-αv″+βv″″+?Eext=0.

(9)

對于圖像而言，可以用差分近似代替微分，即有

vs=(xs，ys)，

(10)

v″≈vs+1+vs-1-2vs，

(11)

v″″≈(vs+2+vs-2vs+1)+(vs+vs-2-2vs-1)-2(vs+1+vs-1-2vs).

(12)

把式(8)，(10)，(11)，(12)代入式(9)中，整理可得

(13)

把Snake模型的參數(shù)曲線看成關(guān)于時間t的函數(shù)，當(dāng)參數(shù)曲線移動到目標邊緣處后，不再隨時間發(fā)生變化.此時v(t)=(xt，yt)=0，代入式(13)中，求解可得

(14)

式(14)中：γ為時間步長.

通過對Snake模型參數(shù)曲線上的每一控制點執(zhí)行上述計算，得到每個控制點新位置的坐標，以此達到驅(qū)使參數(shù)曲線移動的目的.通過算法的迭代運算，驅(qū)使參數(shù)曲線向肺野輪廓處移動，當(dāng)達到最大迭代次數(shù)或者所有控制點都滿足停止條件時，迭代停止.

停止條件為

|Eext(v(s))+Eint(v(s))|<δ.

(15)

式(15)中：δ為停止閾值，通常為趨近于0的正數(shù).停止閾值需要根據(jù)算法需求來確定.一般來說，選擇較小的閾值有利于提升分割精度，選擇較大的閾值有利于提升分割效率.經(jīng)過大量實驗，文中將此閾值選為0.1，即可滿足本文對分割算法要同時擁有高精度、高效率的需求.

由式(15)可知：當(dāng)?shù)Ｖ箷r，每個控制點的總能量近似為0，保證了剩余的能量無法再使任何一個控制點移動，這代表了分割過程的結(jié)束.

X光胸片肺野的分割結(jié)果，如圖7所示.圖7(a)中的藍色曲線為分割結(jié)束時的Snake模型輪廓所在位置；圖7(b)為采用文中所提方法分割X光胸片肺野的結(jié)果.

(a)最終輪廓可視化 (b)肺野分割結(jié)果的二值圖

3 實驗結(jié)果與分析

3.1 不同方法的分割效果對比

實驗所使用的X光胸片數(shù)據(jù)集來自AI研習(xí)社所發(fā)布的肺炎X光病灶識別競賽，圖像尺寸大小均為1 024 px×1 024px.文中進行了兩組實驗.第一組是采用不同方法對同一張X光胸片進行肺野分割，然后對分割結(jié)果進行比較、分析，用以評判文中所提方法的分割效果；第二組是采用文中所提方法對不同X光胸片進行肺野分割，通過對分割結(jié)果進行比較、分析，用以評判方法的適用性.

分別使用文獻[5]中所提的柔性形態(tài)學(xué)與聚類分割方法、文獻[18]中所提的基于ASM和GrabCut分割方法、文獻[19]中所提的密度特征匹配分割方法、人工初始化輪廓的傳統(tǒng)Snake模型分割方法和文中所提的自動初始化輪廓Snake模型分割方法對同一張X光胸片原圖進行肺野分割，得到的效果圖，如圖8所示.

從圖8可知：文獻[5]方法對于X光胸片肺野的分割不夠精確，所得到的肺野輪廓也不夠平滑.主要原因是X光胸片中的弱、偽邊界及骨骼紋理對分割造成了很大干擾，使得分割輪廓線難以收斂到真實的邊界.文獻[18]方法雖然能排除弱、偽邊界以及骨骼紋理的干擾，但對凹陷區(qū)域的分割卻不夠準確.文獻[19]方法具有良好的凹陷區(qū)域分割能力，但容易受到血管以及骨骼紋理的影響，導(dǎo)致分割精度的下降.傳統(tǒng)Snake模型方法能得到平滑的肺野輪廓，但不能準確分割出凹陷區(qū)域，也無法排除弱、偽邊界造成的干擾，容易陷入局部極小值.相較于以上方法，文中所提方法既能有效地克服弱、偽邊界及骨骼紋理的干擾，又能完成對凹陷區(qū)域的精準分割.通過對比可知，文中所提方法的分割效果更好.

為了定量的分析不同方法對X光胸片肺野的分割性能，引入了靈敏度和特異性作為評判標準.靈敏度是指在X光胸片肺野區(qū)域內(nèi)，正確分類的肺野像素占整個肺野區(qū)域像素的比例；特異性是指在X光胸片背景區(qū)域內(nèi)，正確分類的背景像素占整個背景區(qū)域像素的比例.靈敏度越高，代表對肺野的分割越準確；特異性越高，代表把背景誤分割成肺野的比率越小.靈敏度和特異性的表達式分別為

IS=NTP/(NTP+NFN)，

(16)

IP=NTN/(NTN+NFP).

(17)

式(16)中：IS表示靈敏度；IP表示特異性；NTP表示正確分類的肺野像素數(shù)量，NFN表示將肺野像素誤判成背景像素的數(shù)量；NTN表示正確分類的背景像素數(shù)量，NFP表示將背景像素誤判成肺野像素的數(shù)量.

對上述5種方法所得的X光胸片肺野分割結(jié)果數(shù)據(jù)進行整理，結(jié)果如表1所示.由表1可知，相較于其他方法，文中所提方法的靈敏度和特異性均更高，表明其具備更好的分割性能，對X光胸片肺野的分割更為準確.

表1 5種分割方法的性能對比

3.2 文中所提方法的分割效果對比

為了測試文中所提方法的適用性，從上述X光胸片數(shù)據(jù)集中隨機選擇4張肺野形態(tài)大小各異，亮度、對比度各不相同的圖像，按照順序進行編號；然后，通過采用文中所提方法進行測試，得到分割結(jié)果，如圖9所示.

(a)圖像1原圖 (b)圖像1分割結(jié)果 (c)圖像2原圖 (d)圖像2分割結(jié)果

由圖9可知：文中所提方法對肺野形態(tài)、大小各不相同的X光胸片圖像均能完成有效的分割，所分割出的肺野邊緣連續(xù)、平滑.對于亮度較大、對比度較低的X光胸片圖像，文中所提方法也能完成較精確的分割.當(dāng)圖像中肺野邊緣存在凹陷區(qū)域時，分割曲線能有效收斂到凹陷處；此外，對于圖像中弱邊界、偽邊界的干擾，文中所提方法能有效排除，不易陷入局部極小值，大大提高了對肺野的分割精度.

對上述所得的X光胸片肺野分割結(jié)果數(shù)據(jù)進行整理，結(jié)果表2所示.由表2可知，對于不同的X光胸片圖像，文中所提方法都獲得了較高的靈敏度和特異性，表明文中所提方法對于不同的X光胸片都能完成較精確的分割，具有較好的適用性.

表2 文中所提方法對不同X光胸片的分割結(jié)果

4 結(jié)論

針對傳統(tǒng)Snake模型依賴人工初始化輪廓而導(dǎo)致X光胸片肺野分割不準確的問題，提出了一種自動初始化Snake模型輪廓的X光胸片肺野分割方法.首先，利用Otsu法二值化X光胸片圖像，分割出肺野區(qū)域和背景區(qū)域，再通過背景消除和邊緣提取，完成對Snake模型輪廓的自動初始化，最后利用Snake模型算法對初始輪廓進行迭代，得到分割結(jié)果.

該方法擺脫了Snake模型對人工初始化輪廓的依賴，通過自動初始化輪廓，有效解決了傳統(tǒng)Snake模型算法存在的一些問題，提高了分割效率和分割精度.此外，與人工初始化輪廓相比，自動初始化輪廓還具備一致性和穩(wěn)定性的優(yōu)點，提高了分割的魯棒性.實驗結(jié)果表明：相較于傳統(tǒng)的Snake模型算法以及一些其他的分割方法，該方法簡單實用，不僅提高了分割結(jié)果的準確性，而且還具有良好的適用性和穩(wěn)定性.