梁洪，李金

哈爾濱工程大學(xué) 自動化學(xué)院生物醫(yī)學(xué)工程研究所，黑龍江 哈爾濱 150001

一種肺部CT圖像快速分割算法研究

梁洪，李金

哈爾濱工程大學(xué) 自動化學(xué)院生物醫(yī)學(xué)工程研究所，黑龍江 哈爾濱 150001

針對臨床輔助診斷的需求，本文提出一種肺部感興趣區(qū)域快速分割算法。該算法首先利用最大類間方差（OTSU）法對圖像進行預(yù)分割，然后利用區(qū)域生長及小面積消除方法剔除干擾信息，并生成掩模圖像，最后運用數(shù)學(xué)形態(tài)學(xué)方法對模板進行細化，并將原始圖像與掩模圖像進行數(shù)學(xué)運算，從而獲得肺部感興趣區(qū)域。實驗結(jié)果表明，本文提出的算法自動化程度高，分割較為準確。

CT圖像；最大類間方差；數(shù)學(xué)形態(tài)學(xué)；肺部感興趣區(qū)域；CT肺部成像

在臨床影像診斷過程中，醫(yī)生一般只關(guān)注有利于疾病診斷的感興趣區(qū)域（Region of Interest，ROI）。通過對肺部CT圖像的特點進行分析，我們可以發(fā)現(xiàn)能夠反映肺部病變的信息全部集中在肺部區(qū)域中，而其它如胸廓、心臟、檢查床和患者衣物等屬于不相關(guān)信息，但這些信息會干擾病變區(qū)域特征提取的準確性，因此，對胸部CT圖像進行分割提取肺部組織是一種有效提取病變區(qū)域的特征，同時也是降低非相關(guān)信息干擾的行之有效的手段[1]。

通過對現(xiàn)有圖像處理算法的總結(jié)與應(yīng)用，本文提出一種適用于肺部病變CT圖像的快速分割方案，能夠快速有效地提取肺部感興趣區(qū)域。

1 總體設(shè)計

根據(jù)胸部CT圖像的影像學(xué)和解剖學(xué)特點，首先利用最大類間方差法（OTSU法）對圖像進行預(yù)分割，然后利用區(qū)域生長及小面積消除方法剔除干擾信息，同時生成掩模圖像，最后運用數(shù)學(xué)形態(tài)學(xué)方法對模板進行細化，將原始圖像與掩模圖像進行數(shù)學(xué)運算即可得到肺部區(qū)域。具體方法如圖1所示。

圖1 肺部區(qū)域提取示意圖

2 快速分割算法

2.1 基于OTSU方法的圖像預(yù)分割

最大類間方差法由日本學(xué)者Nobuyuki Otsu[2]首先提出，是一種自適應(yīng)的閾值確定方法，又叫大津法，簡稱OTSU法。該方法應(yīng)用類判別法尋找最佳閾值，以獲得最好的分離特性?？疾旆尾酷t(yī)學(xué)圖像，可以發(fā)現(xiàn)背景和目標(biāo)的灰度差值很大，如圖2所示。因此，利用OTSU法依據(jù)類間距離極大準則來確定區(qū)域分割閾值就意味著錯分概率最小。

圖2 胸部CT圖像及其直方圖

設(shè)圖像f(x,y)有L個灰度級，則圖像的灰度統(tǒng)計直方圖可以由以下離散函數(shù)表示：

式中， sk為圖像f(x,y)的第k級灰度值， nk為f(x,y)中具有灰度值sk的像素的個數(shù)， n為圖像像素總數(shù)。

選定閾值t，將圖像分成灰度區(qū)間為O:t的目標(biāo) 和灰度區(qū)間為(t+1):(L-1)的背景f2(x,y)兩類，則f1(x,y)和f2(x,y)的概率可由下式表示：

兩類圖像的灰度均值和圖像總體均值則可以表示為：

OTSU方法把兩類的類間方差作為得到最優(yōu)分割閾值的判別準則，認為使得分離度為最大的 值為最佳閾值。

本文利用大量圖像進行了實驗，在此僅以一幅胸部CT圖像為例。圖3的(a)為原始圖像，(b)為利用OTSU法預(yù)分割得到的結(jié)果。

圖3 胸部CT圖像OTSU法分割結(jié)果

2.2 基于區(qū)域生長與小面積計算的無關(guān)信息消除

胸部軸向 CT層片一般分為三層：上肺野層片、 中肺野層片和下肺野層片，我們選取的CT測試圖像大多集中在上肺野層片和中肺野層片。經(jīng)過OTSU法分割后，肺部CT圖像根據(jù)灰度值分布情況將肺部區(qū)域和背景大致分開，然而，在上肺野層片的中間目標(biāo)區(qū)域上還保留有大氣管的影像，在中肺野層片上，保留有左右主支氣管的影像。另外，圖像中還存在檢查床、心臟和血管等高密度區(qū)域，這些區(qū)域都會對提取完整的肺部區(qū)域形成干擾，為了去除這些無關(guān)信息，我們利用基于區(qū)域生長的方法和小面積計算的方法繼續(xù)進行分割。

區(qū)域生長是一種典型的串行區(qū)域技術(shù)，其基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域，從某個像素出發(fā)，按照一定的準則，逐步加入臨近像素，當(dāng)滿足一定條件時區(qū)域生長終止，可以用圖4表示。

圖4 區(qū)域生長流程圖

影像區(qū)域生長結(jié)果的好壞有以下3個原因：初始點（種子點）的選取、生長準則和終止條件。

初始點的選擇，可以是人工加入的交互信息，也可以讓計算機自己選取種子點進行區(qū)域生長。針對胸部CT圖像的特點，本文采用 鄰域模板，種子點選取為圖像的中心，生長準則是相鄰象素的象素值小于10，終止條件是一直進行到再沒有滿足生長準則需要的象素時為止。經(jīng)過區(qū)域生長再分割和反色變換后得到的圖像如圖5(a)所示。

除了大部分肺部組織外，氣管、支氣管因內(nèi)部充滿空氣，也顯示為低密度影區(qū)，而原本屬于肺部組織的部分血管、結(jié)節(jié)、纖維化等則顯示為高密度影區(qū)[3]。通過目測就能發(fā)現(xiàn)，氣管、支氣管對應(yīng)的低密度影區(qū)的面積要明顯小于肺部組織對應(yīng)的白色區(qū)域面積；而肺實質(zhì)內(nèi)的血管、結(jié)節(jié)、纖維化等對應(yīng)的高密度影區(qū)的面積也遠不及肺部組織的面積。由此，我們分別對圖像的兩個密度區(qū)域進行連通域標(biāo)記，測得各連通區(qū)域的面積，同時選取合適的面積閾值，并對面積小于相應(yīng)閾值的區(qū)域內(nèi)的像素值取反，這樣不僅可以自動去除氣管、支氣管等干擾，而且能夠?qū)⑸鲜龈呙芏冉Y(jié)構(gòu)正確的歸到肺部區(qū)域，從而彌補二值化過程帶來的分類誤差。處理結(jié)果如圖5(b)所示。

圖5 去除無關(guān)信息的結(jié)果

2.3 基于形態(tài)學(xué)方法的掩模生成與細化

通過上述一系列的處理，肺部模板已經(jīng)基本成形，但是，對圖5(b)進行分析可以看到，由于肺實質(zhì)邊緣密度和周圍組織非常相近，在肺部區(qū)域預(yù)分割時常常將其誤分為背景，因此，本文利用形態(tài)學(xué)的閉運算對模板進行細化。

圖6(a)為利用閉運算細化得到的最終模板，將原圖與模板做減運算即得到了肺部區(qū)域的完整圖像，如圖6(b)所示?？梢姡]運算能夠填平小的空洞，彌合小的裂縫，而總的位置和形狀不變，原圖經(jīng)過閉運算后，斷裂的地方被彌合了。

圖6 分割最終結(jié)果

3 結(jié)論

本文提出的算法對大量肺部CT圖像進行分割，并與現(xiàn)有的肺部區(qū)域分割算法比較[4-6]，其實驗結(jié)果表明，本文提出的算法簡單且易于實現(xiàn)，能夠較為迅速且準確的分割出雙肺區(qū)域，并能夠有效地去除氣管和支氣管等干擾。與此同時，在處理含有血管、結(jié)節(jié)、纖維化等高密度影區(qū)的圖像時，能夠進行高效且準確的分割。但由于人體胸部解剖結(jié)構(gòu)的差異，該分割算法還不能適用于在靠近胸廓位置含有高密度影等類型的圖像。為了更好地滿足臨床輔助診斷的需求，對算法進行改進是未來的工作目標(biāo)。

[1] 曹蕾,占杰,余曉鍔,等.基于自動閾值的 CT 圖像快速肺實質(zhì)分割算法[J]. 計算機工程與應(yīng)用, 2008, 44 (12):178-181.

[2] Otsu N.A threshold selection method from gray level histogram[J].IEEE Trans on Syst Man,Cybern,1979,9(1):62-66.

[3] 吳恩惠.醫(yī)學(xué)影像診斷學(xué)[M].北京:人民衛(wèi)生出版社, 2001.

[4] 陳旭,莊天戈.胸部高分辨率CT片中肺實質(zhì)的自動分割[J].上海交通大學(xué)學(xué)報, 2002,(36)7:946-948.

[5] Shojaii R, Alirezaie J, Babyn P. Automatic lung segmentation in CT images using watershed transform. Image Processing, 2005. ICIP 2005. IEEE International Conference on,2005,2: II-1270-3.

[6] Lu Meng, Hong Zhao. Interactive Lung Segmentation Algorithm for CT Chest Images Based on Live-Wire Model and Snake Model[M]. Electronic Computer Technology, 2009 International Conference on, 2009:461-466.

[7] 柳淵,等.基于MITK的醫(yī)學(xué)圖像三維重建方法研究[J].中國醫(yī)療設(shè)備,2009,24(1):10-13.

[8] 李慶玲.CT圖像肺結(jié)節(jié)自動檢測算法研究與實現(xiàn)[D].北京:北京交通大學(xué),2010.

[9] 曹蕾.肺結(jié)節(jié)圖像的分析與識別[D].廣州:南方醫(yī)科大學(xué),2009.

A Fast Segmentation Algorithm Approach on Lung ROI

LIANG Hong, LI Jin
Biomedical Institution, College of Automation, Harbin Engineering University, Harbin Heilongjiang 150001, China

According to the request of clinical diagnostic-assisted, a fast segmentation algorithm approach on lung ROI is proposed in this paper. Firstly, maximum between-cluster variance method is applied to presegment the image. Secondly, the method of region growing and small area elimination is applied to get rid of disturb information and generate mask image in the meantime. Lastly, the mathematical morphology method is applied to refine the template image. And arithmetical operation is used to original image and mask image to get lung region of interest. The experimental results indicate that the algorithm in this paper has a high automation degree and accuracy segmentation.

CT images; maximum between-cluster variance; mathematical morphology; lung region of interest; lung CT imaging

TP391.4

A

10.3969/j.issn.1674-1633.2011.03.010

1674-1633(2011)03-0028-03

2010-09-30

作者郵箱：lh@hrbeu.edu.cn