摘 要：在ITK平臺的基礎上對水平集圖像分割算法進行研究，目的是設計一個以水平集圖像分割算法為核心的醫(yī)學圖像分割系統(tǒng)。針對ITK平臺存在的系統(tǒng)無法可視化的問題，通過充分分析ITK開發(fā)包的編程特點，建立了以VS2010的MFC為基礎的用戶界面，并利用C++編程開發(fā)基于ITK的可視化圖像分割系統(tǒng)。系統(tǒng)充分利用了ITK中管道結(jié)構(gòu)的數(shù)據(jù)管理思想，分三大模塊來實現(xiàn)圖像的分割顯示。實驗表明，該系統(tǒng)能有效的實現(xiàn)MRI圖像的分割，得到清晰的腦部解剖結(jié)構(gòu)圖像。

關鍵詞：ITK平臺；水平集；圖像分割；可視化

前言

圖像分割是醫(yī)學圖像處理和分析中的關鍵技術(shù)，利用圖像分割，可以把圖像中感興趣的目標從背景中分離出來[1]。而從醫(yī)學研究和臨床應用的角度來看，圖像分割是病變區(qū)域提取、特定組織測量以及實現(xiàn)三維重建的基礎。然而由于人體解剖結(jié)構(gòu)的復雜性、組織器官形狀的不規(guī)則以及不同個體間的差異性，再加上醫(yī)學圖像在形成時受到諸如噪聲、場偏移效應、局部體效應和組織運動等的影響，造成了醫(yī)學圖像的復雜性和多樣性，從而大大增加了圖像分割的難度。

ITK是一個專門針對醫(yī)學影像領域開發(fā)，提供醫(yī)學圖像處理、圖像分割與配準的算法平臺，它起源于美國的可視化人體項目[2]（Visible Human Project）。ITK采用數(shù)據(jù)管道體系結(jié)構(gòu)，提供大量的濾波器用來處理圖像。作為一個開源的項目，全世界的學者都可以在該平臺上研究新的分割和配準算法，并創(chuàng)造新的應用，從而促進醫(yī)學事業(yè)的發(fā)展。美中不足的是，ITK平臺并非一個可視化系統(tǒng)，它只提供單一的分割或配準算法以供研究。

綜上所述，文章將在ITK平臺的基礎上，根據(jù)醫(yī)學圖像的特點，實現(xiàn)以水平集分割算法為核心的可視化醫(yī)學圖像分割系統(tǒng)。

1 水平集方法概述

1.1 水平集方法的基本思想

水平集方法（Level set method，LSM）是一種用于跟蹤輪廓和表面演化的數(shù)值方法[3][4]。它的主要思想是，將輪廓作為零水平集嵌入高一維的水平集函數(shù)中，主要由閉超曲面的演化方程可得到水平集函數(shù)的演化方程，而嵌入的閉超曲面總是其零水平集，最終只要確定零水平集即可確定輪廓演化的結(jié)果[5][6]。該方法的主要特征是輪廓曲線或曲面可以自然地改變拓撲，因為水平集不需要被簡單連通，即使在水平集改變拓撲時，更高維曲面依然保持為一個簡單函數(shù)。

以二維情況為例，水平集方法是把二維平面的閉合曲線？祝（t）視為三維空間連續(xù)函數(shù)曲面 （水平集函數(shù)）的一個（？漬=0）的零水平層，即

可用下面的微偏分方程來表示演化函數(shù)：

為了求解該方程，可設曲面在法向上的運動速度為F，則方程可化為式（3），這是一個偏微分方程（Partial Differential Equaton.PDE）的初值問題。

（3）

其中：d（x，y）為有符號距離函數(shù)（Signed Distance Function，SDF），表示從像素（x，y）到界面？祝（t）的最短距離，符號根據(jù)像素點的位置確定，若在初始界面外部為正，內(nèi)部則為負。在任意時刻，曲線上的點就是距離函數(shù)值為0的點集（即距離函數(shù)的零水平集）。F一般與圖像數(shù)據(jù)和零水平集曲線的幾何性質(zhì)如曲率有關。由此可見，圖像分割輪廓就是通過水平集函數(shù)表面的零水平集得到的，而水平集函數(shù)通常由符號距離函數(shù)來表示。

1.2 水平集圖像分割的一般性算法

基于水平集的圖像分割算法的主要步驟[5]如下：

（1）設定水平集函數(shù)的初態(tài)；

（2）確定動力F的形式；

（3）按基本方程推演水平集函數(shù)的各狀態(tài)；

（4）對每一水平集狀態(tài)求解零水平集。

2 基于ITK的圖像分割系統(tǒng)的實現(xiàn)

2.1 ITK平臺的特點

ITK的主要設計思想是采用管道結(jié)構(gòu)來管理數(shù)據(jù)流程[7][8]，即：以數(shù)據(jù)處理為中心，將數(shù)據(jù)對象和處理對象連結(jié)起來就構(gòu)成了管道模型。其數(shù)據(jù)對象（itk：DataObject類）有兩種類型：圖像Image（itk：：Image類）和網(wǎng)格Mesh（itk：：Mesh類）。圖像表示的是N維、規(guī)則采樣的數(shù)據(jù)。采樣的方向平行于X-Y-Z坐標軸，采樣起點、各方向的采樣間距和采樣大小都可以指定。像素類型和圖像的空間維數(shù)可確定一個圖像對象。網(wǎng)格則是由點和單元組成。ITK中的處理對象分為三種類型，包括Source、Filter和Mapper。Source類型對象的輸出為數(shù)據(jù)對象，包括各種圖像的讀取類（itk：：ImageFileReader類）；Filter類型對象則以一個或多個數(shù)據(jù)對象作為輸入、然后輸出一個或多個數(shù)據(jù)對象，包括實現(xiàn)各種數(shù)字圖像處理算法的類；Mapper類型對象是管道處理的最后一步，它將最終的處理結(jié)果存到硬盤上。其數(shù)據(jù)處理流程如圖1所示。

2.2 ITK與MFC的集成

由于ITK是一個基于C++語言設計和開發(fā)的跨平臺、開放源碼、面向?qū)ο蟮能浖到y(tǒng)，為了在VS2010平臺上將其與MFC進行結(jié)合開發(fā)。首先，需要利用CMake工具把ITK和VTK軟件開發(fā)包構(gòu)建在VS2010平臺上運行。其次，需要在VS2010環(huán)境中設置所需要的ITK頭文件及庫文件的路徑。在VS2010環(huán)境下找到項目屬性配置屬性C/C++附加包含目錄，將ITK頭文件路徑輸入其中。由于庫文件分為靜態(tài)庫和動態(tài)庫。因此，若使用靜態(tài)庫，則庫文件的設置與頭文件的設置類似，在鏈接器目錄下將庫文件路徑輸入，并添加依賴項。而對于動態(tài)庫，則需要將ITK的動態(tài)庫文件所在路徑加入操作系統(tǒng)的環(huán)境變量PATH中。至此，ITK與MFC的集成環(huán)境初步搭建完成。

2.3 系統(tǒng)的設計與實現(xiàn)

鑒于ITK采用管道結(jié)構(gòu)來處理數(shù)據(jù)的特點，本系統(tǒng)主要由三個模塊組成：醫(yī)學圖像文件打開/保存模塊、ITK圖像預處理/分割模塊和圖像顯示模塊。其中，醫(yī)學圖像文件打開/保存模塊主要負責利用ITK的圖像讀取類（itk：：ImageFileReader類）將各種格式的醫(yī)學圖像信息轉(zhuǎn)換并提取到指定的內(nèi)存塊中，同時支持對分割處理后的圖像的保存和打?。籌TK圖像預處理/分割模塊則利用C++類將相關的水平集算法濾波器加以對象化，從而在MFC中應用水平集濾波器對醫(yī)學圖像進行分割；圖像顯示模塊則通過MFC的OnDraw類對內(nèi)存中的圖像信息加以顯示。其主要核心代碼如下所示：

（1）圖像文件打開/保存模塊（見圖2）

（2）ITK圖像預處理/分割模塊（見圖3）

（3）圖像顯示模塊（圖4）

綜上，結(jié)合ITK和MFC的特點，最終實現(xiàn)水平集圖像分割系統(tǒng)如圖5所示。

3 實驗與分析

為了驗證系統(tǒng)的有效性，本次試驗以結(jié)合Canny邊緣檢測的水平集分割算法對腦部MRI圖像進行了腦室結(jié)構(gòu)的分割。在實驗過程中，設定水平集參數(shù)如下：閾值為7.0；水平對流權(quán)值為10；等值面初始值為125.7。圖3a是一副腦部MRI圖像，圖6b是腦室的預分割圖像，圖6c是迭代15次后的腦室分割圖像，圖6d是迭代到收斂的腦室分割圖像。

由圖6可以看出，從迭代15次到迭代到收斂，腦室圖像中鋸齒狀的邊緣被拉直，并消除了特征圖像右下角的小刺。這使得圖像的邊緣平滑性得到保持，有效地分割了腦室結(jié)構(gòu)，得到更加準確的分割輪廓線。

4 結(jié)束語

ITK是醫(yī)學圖像分割算法設計的一個有力助手，為醫(yī)學圖像處理工作者的研究帶來了便利，但遺憾的是其不提供可視化界面。文章在充分研究ITK平臺特點的基礎上，利用MFC強大的編程功能設計并實現(xiàn)了基于水平集分割算法的可視化系統(tǒng)。這是對ITK可視化開發(fā)的一個初步嘗試，對在此基礎上的其他可視化功能（諸如圖像配準、三維重建、虛擬手術(shù)導航等）還有待進一步深入探討和研究。

參考文獻

[1]林瑤，田捷.醫(yī)學圖像分割綜述[J].模式識別與人工智能，2002（2）.

[2]溫鐵祥，楊豐.基于ITK、VTK和MFC的醫(yī)學圖像處理系統(tǒng)集成[J].醫(yī)療設備信息，2007，22（5）：1-3.

[3]周震，馬斌榮.結(jié)合水平集和區(qū)域生長的腦MR圖像分割[J].北京生物醫(yī)學工程，2007（1）.

[4]KEH S C， HONG L T， SHARON C， et al. Fuzzy c-means clustering with spatial information for image segmentation[J]. Computerized Medical Imaging and Graphics，2006，30（1）：9-15.

[5]羅嘉，張建偉，陳允杰.結(jié)合均值聚類的窄帶水平集曲線演化[J].計算機應用與軟件，2007，24（7）：91-93.

[6]于洪川，王德軍，唐澤圣，等.水平集演化中的奇點與改進的窄帶算法[J].軟件學報，2003，14（4）：811-817

[7]肖紅.醫(yī)學圖像的格式轉(zhuǎn)換與分析處理[D]；北京交通大學，2008.

[8]姜紅.基于ITK的MR腦組織圖像分割方法的研究[D].泰山醫(yī)學院，2009.

作者簡介：紀曉靜（1986-），女，福建莆田人，福州大學物理與信息工程學院，碩士研究生。主要研究方向：圖像處理與識別。