劉　樂，　李　陽,　侯阿臨,　孫春艷，　孫　麗

(長春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長春　130012)

?

基于CT圖像的肺實(shí)質(zhì)分割

劉樂，李陽*,侯阿臨,孫春艷，孫麗

(長春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長春130012)

摘要：在肺部計(jì)算機(jī)斷層掃描圖像的肺實(shí)質(zhì)分割中，針對固定閾值法分割圖像不穩(wěn)定的問題，提出最佳閾值法對圖像進(jìn)行二值化，分割出肺實(shí)質(zhì)區(qū)域，剔除肺縱膈區(qū)域及衣物等背景。與固定閾值法相比，該方法有較高的穩(wěn)定性。針對由病變造成的肺部大面積壞死所引起的左右肺分開判斷錯(cuò)誤的問題補(bǔ)充了判斷準(zhǔn)則，直接給出結(jié)論。實(shí)驗(yàn)表明,該方法對肺實(shí)質(zhì)分割具有較高的魯棒性。

關(guān)鍵詞：圖像處理； 分割； CT圖像； 肺實(shí)質(zhì)

0引言

肺癌是全球死亡率最高的癌癥，現(xiàn)已成為癌癥患者的頭號(hào)殺手，肺癌患者的5年生存率僅為15%[1]。如果肺癌能夠早期識(shí)別、診斷并治療，患者的5年生存率可提高到49%[2]。肺癌的早期表現(xiàn)形式是肺結(jié)節(jié)，計(jì)算機(jī)斷層掃描成像(Computed Tomography， CT)技術(shù)是檢測早期肺結(jié)節(jié)的重要手段。CT值代表X線穿過組織被吸收后的衰減值。每種物質(zhì)的CT值等于該物質(zhì)的衰減系數(shù)與水的衰減系數(shù)之差再與水的衰減系數(shù)相比之后乘以1 000，其單位名稱為HU(Hounsfield Unit)，不同組織的CT值各異，骨骼的CT值最高,為1 000 HU,軟組織的CT值為20~70 HU，空氣的CT值為-1 000 HU。 CT影像中CT值通常處于-1 000~1 000 HU之間，肺CT影像中肺結(jié)節(jié)和血管CT值通常大于-750 HU，而肺實(shí)質(zhì)區(qū)域CT值通常小于這個(gè)值。實(shí)驗(yàn)時(shí)使用的圖像是將CT圖像中的CT值映射成為0~255的灰度值。

肺實(shí)質(zhì)的準(zhǔn)確分割為肺部結(jié)節(jié)檢測及假陽篩除提供良好的前期基礎(chǔ)。肺實(shí)質(zhì)分割包括去除背景、肺實(shí)質(zhì)提取、小血管移除及左右肺的分開。 目前，肺實(shí)質(zhì)分割可采用閾值法[3-5]、區(qū)域增長法[6]、邊緣檢測法[7-8]、形態(tài)學(xué)處理法[9]、遺傳算法[10]、基于模式分析法[11]以及水平集法[12]等。

1最佳閾值法分割圖像

1.1　肺實(shí)質(zhì)分割原理

根據(jù)肺部螺旋CT圖像特點(diǎn)，首先針對現(xiàn)有的固定閾值法分割圖像出現(xiàn)不穩(wěn)定的問題，提出最佳閾值法對肺部CT圖像進(jìn)行初步處理。現(xiàn)有固定閾值法利用了很少的時(shí)間復(fù)雜度完成了對肺部圖像的分割，但其穩(wěn)定度不高，對感興趣區(qū)域可能產(chǎn)生過度分割的情況。

針對固定閾值法存在的問題，文中采用最佳閾值法進(jìn)行肺實(shí)質(zhì)分割。最佳閾值法二值化后的圖像用連通區(qū)域標(biāo)記法去除背景，再應(yīng)用區(qū)域生長法去除支氣管，最后對粘連的左右肺采用尋找鞍點(diǎn)法分開[3]。左右肺分開過程中對已有判斷左右肺是否粘連的準(zhǔn)則進(jìn)行修改。

人體肺部充滿氣體，與胸腔組織相比，其CT值很低，表現(xiàn)在灰度圖像上為灰度值較低。胸腔的灰度值較高，胸腔外部的空氣灰度值均較低。針對固定閾值法不穩(wěn)定的問題，提出最佳閾值法對圖像進(jìn)行二值化。設(shè)一幅圖像為f(x,y)，其中(x,y)為圖像中某一點(diǎn)坐標(biāo)，f(x,y)表示該坐標(biāo)的像素值，x∈[0,512],y∈[0,512],f(x,y)∈[0,255]。最佳閾值法分割圖像首先選取初始閾值將圖像分割為二值圖像，其中初始閾值的選取見步驟1。然后通過迭代算法使最終閾值達(dá)到最優(yōu)，最佳閾值對圖像進(jìn)行分割的方法如下：

步驟1：計(jì)算初始閾值，并對圖像進(jìn)行二值化處理。初始閾值選取如下式：

(1)

f(x,y)大于T0的像素設(shè)為1，小于T0的設(shè)為0，從而得到原始圖像用T0為閾值分割后的二值圖像f1(x,y)。

步驟2：計(jì)算用初始閾值分割后得到的二值圖像f1(x,y)值為1的f11(x,y)的個(gè)數(shù)，記為n1，f1(x,y)值為0的f10(x,y)的個(gè)數(shù)，記為n2。計(jì)算f11(x,y)的坐標(biāo)下原圖像f(x,y)的和，記為m1以及f10(x,y)的坐標(biāo)下原圖像的和，記為m2。分別計(jì)算灰度平均值

(2)

(3)

(4)

(5)

其灰度平均值為：

(6)

步驟3：計(jì)算新的閾值

(7)

步驟4：用新閾值對原圖像分割，令T0=T1，重復(fù)步驟2和3直到當(dāng)前閾值與上一次閾值之差小于某個(gè)正的小數(shù)ε，迭代結(jié)束，文中ε值取0.001。最佳閾值算法流程如圖1所示。

圖1　最佳閾值法的流程

1.2　基于最佳閾值法的仿真與分析

采用圖片來自LIDC數(shù)據(jù)庫及吉林省某三甲醫(yī)院，并且附有醫(yī)生的金標(biāo)準(zhǔn)。仿真軟件使用MATALB7.1，共對20位患者的100幅CT圖片進(jìn)行仿真實(shí)驗(yàn)。最終得到的二值化后的圖像肺實(shí)質(zhì)區(qū)域用黑色表示，背景(衣物、病床等)用白色表示。最大的連通區(qū)域?yàn)楸尘皡^(qū)域，然后應(yīng)用連通區(qū)域標(biāo)記法去除原圖像中的背景。最后將肺實(shí)質(zhì)區(qū)域按照原圖像重構(gòu)。最佳閾值法分割肺區(qū)步驟如圖2所示。

(a) 原圖像　　　　　(b) 最佳閾值分割圖像　　　　(c) 肺區(qū)重構(gòu)圖2　最佳閾值法分割肺區(qū)步驟

對其中3位患者的單層CT在不同閾值下進(jìn)行分割所得到的最終圖片如圖3~圖5所示。

(a) 患者1　　　　　　　　(b) 患者2　　　　　　　　(c) 患者3圖3　固定閾值為0.3分割后的圖像

(a) 患者1　　　　　　　　(b) 患者2　　　　　　　　(c) 患者3圖4　固定閾值為0.8分割后的圖像

(a) 患者1　　　　　　　　(b) 患者2　　　　　　　　(c) 患者3圖5　最佳閾值分割的圖像

圖3至圖5中整幅影像的面積是512*512個(gè)像素，而肺實(shí)質(zhì)區(qū)域的面積大約是100*200個(gè)像素[13]。肺實(shí)質(zhì)區(qū)域在灰度重建前的二值圖像用0像素表征。

圖3是采用固定閾值為0.3時(shí)分割后所得的一組圖像，其中圖3(a)中二值化后為0的像素點(diǎn)不存在，圖3(b)中值為0的像素點(diǎn)數(shù)量很少，很明顯分割不出感興趣區(qū)域。

圖4是采用固定閾值為0.8時(shí)分割后的圖像，其中圖4(a)，(b)和(c)中對應(yīng)二值圖像不存在0像素點(diǎn)，沒有分割出肺區(qū)。

圖5按照最佳閾值法分割，得到了較為合理且細(xì)節(jié)完整的肺區(qū)圖像，驗(yàn)證了最佳閾值分割方法的有效性。

對應(yīng)于圖3~圖5，分別給出3位患者所對應(yīng)求取的閾值、仿真時(shí)間及不同閾值方法所取得的最大連通區(qū)域下的面積，并進(jìn)行分析比較，見表1~表3。

表1　最佳閾值法求得閾值

表2　最佳閾值與固定閾值時(shí)間比較

表3　最佳閾值與固定閾值面積比較

表1列出了文中方法求得的最佳閾值，表2數(shù)據(jù)比較可見，最佳閾值法比固定閾值法分割圖像需要更多時(shí)間，但是從分割后的圖像可以看到效果優(yōu)于固定閾值法。表3中給出不同閾值方法下提取的肺區(qū)面積，為二值化后像素為0的點(diǎn)的個(gè)數(shù)。固定閾值為0.3時(shí)，分割出的圖像中患者1未提取出0像素點(diǎn)，患者2也僅提取出2個(gè)像素點(diǎn)，很顯然無法成功提取肺實(shí)質(zhì)區(qū)域。當(dāng)固定閾值為0.8時(shí)，分割出的患者編號(hào)為1,2,3的圖片沒有提取出任何為0的像素點(diǎn)，即沒有分割出肺實(shí)質(zhì)區(qū)域,而應(yīng)用最佳閾值法則很好地分割出了肺實(shí)質(zhì)區(qū)域，并且具有很好的穩(wěn)定性(其效果見圖5)。

綜上比較，最佳閾值法能夠?qū)D片的肺實(shí)質(zhì)區(qū)域進(jìn)行較為完整的提取，但是最佳閾值法較固定閾值法的仿真時(shí)間長，計(jì)算復(fù)雜度高。由此可見，最佳閾值法是以犧牲計(jì)算復(fù)雜度和仿真時(shí)間為代價(jià)來換取圖像分割的魯棒性及有效性。

2基于準(zhǔn)則分開左右肺

利用文獻(xiàn)[3]中所描述的區(qū)域生長法逐層去除支氣管。去除支氣管后的肺部CT圖像只剩下肺實(shí)質(zhì)區(qū)域，肺實(shí)質(zhì)區(qū)域分為左肺和右肺，左右肺的形態(tài)分為左右肺粘連型和左右肺不粘連型。針對左右肺粘連的情況，通過尋找鞍點(diǎn)法來分開左右肺。鞍點(diǎn)為肺實(shí)質(zhì)下邊緣的最高點(diǎn)。

左右肺分割主要有3個(gè)步驟：如何判斷左右肺是否粘連、如何確定粘連區(qū)域、如何分割。從圖5中可以看出，對于正常的肺實(shí)質(zhì)區(qū)域，左右肺面積應(yīng)基本接近。根據(jù)醫(yī)生經(jīng)驗(yàn)，在左右肺的肺實(shí)質(zhì)區(qū)域中，當(dāng)小的面積與大的面積之比小于0.5時(shí)，可以認(rèn)為由于病變肺實(shí)質(zhì)發(fā)生了大面積的變形。將圖6按照文獻(xiàn)[3]方法分割，將提取的圖像中第一大和第二大連通區(qū)域面積做比較，當(dāng)差距過大時(shí)會(huì)誤判為左右肺粘連，由此容易產(chǎn)生誤判。

針對這種情況，文中將該準(zhǔn)則進(jìn)一步修改細(xì)化，其步驟如下：

1)去除背景與支氣管的肺區(qū)應(yīng)該只有左右兩部分。這里用x表示像素行坐標(biāo)，y表示像素列坐標(biāo)。先將圖像分為左右相等兩部分，記為y∈[1，256]和y∈[257,512]，并用連通區(qū)域標(biāo)記法分別計(jì)算出這兩部分的最大連通區(qū)域面積，記為n21,n22。

(8)

2)取圖像x∈[1.256]的部分，用連通區(qū)域標(biāo)記法找出面積最大兩部分，記其面積為n23,

(9)

3)檢查t1,t2，如果t1<0.5,則可能存在肺部大面積變形，如圖6所示。

圖6　容易產(chǎn)生誤判的圖像

對于這種情況，程序輸出“肺部有大面積壞死等情況”；如果t1>0.5且t2>0.5，則左右肺不粘連，該情況不做處理，繼續(xù)運(yùn)行后續(xù)檢測等步驟；如果t1>0.5且t2<0.5，則左右肺粘連，利用尋找鞍點(diǎn)法分開粘連的左右肺。

3結(jié)語

根據(jù)CT圖像特點(diǎn)提出了最佳閾值法對圖像進(jìn)行二值化處理，該方法較固定閾值法有更好的穩(wěn)定性。左右肺分開過程中采用了尋找鞍點(diǎn)法對粘連型肺實(shí)質(zhì)進(jìn)行分開，并對左右肺是否粘連判斷準(zhǔn)則進(jìn)行修改。實(shí)驗(yàn)表明，該方法對肺實(shí)質(zhì)分割得到較好的分割效果，在有效去除支氣管分開左右肺的同時(shí)保留了肺區(qū)的細(xì)節(jié)，對于一些形變的肺部CT直接給出結(jié)論，為肺結(jié)節(jié)的提取提供了較好的前期基礎(chǔ)。該方法對粘連型肺實(shí)質(zhì)只進(jìn)行了簡單的分開，不能很好地找到粘連處的肺部邊界，下一步的研究主要是如何更精準(zhǔn)地找出左右肺粘連型肺實(shí)質(zhì)粘連處的肺部邊緣。

參考文獻(xiàn)：

[1]秦曉紅,孫豐榮,王長宇，等.基于遺傳算法的胸部CT圖像肺組織分割[J].計(jì)算工程,2007,33(19):188-189.

[2]陳萬青,張思維,鄒小農(nóng),等.中國肺癌發(fā)病死亡的估計(jì)和流行趨勢研究[J].中國肺癌雜志,2010,13(5):488-493.

[3]王青竹.基于三維SVMs的肺部CT中的結(jié)節(jié)檢測算法[D]:[博士學(xué)位論文].長春：吉林大學(xué)，2011.

[4]卞曉月,武妍.基于CT圖像的肺實(shí)質(zhì)細(xì)分割綜合方法[J].重慶郵電大學(xué)學(xué)報(bào),2010,22(5):665-668.

[5]曹蕾,占杰,余曉鍔,等.基于自動(dòng)閾值的CT圖像快速肺實(shí)質(zhì)分割[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(12):178-181.

[6]劉其濤.經(jīng)典邊緣提取方法在醫(yī)學(xué)圖像中的應(yīng)用[J].生命科學(xué)儀器,2005,5(3):29-31.

[7]季虎,孫即祥,邵曉芳,等.圖像邊緣提取方法及展望[J].計(jì)算機(jī)工程與應(yīng)用,2004,40(14):70-73.

[8]Hu S, Hoffman E A. Automatic lung segmentation for accurate quantization of volumetric X-ray CT images[J]. IEEE Trans on Medical Image,2001,20(6):490-498.

[9]馬麗紅,張宇,鄧健平.基于形態(tài)開閉濾波二值標(biāo)記和紋理特征合并的分水嶺算法[J].中國圖像圖形學(xué)報(bào),2003,8(1):78-83.

[10]秦曉紅,孫豐榮,王長宇,等.基于遺傳算法的胸部CT圖像肺組織分割[J].計(jì)算機(jī)工程,2007,33(19):118-189.

[11]姜曉彤,羅立民,汪家旺,等.一種肺部腫瘤CT圖像序列的自動(dòng)分割方法[J].中國圖像圖形學(xué)報(bào),2002,8(9):1028-1033.

[12]師為禮，苗語，顏雁.基于ITK的水平集醫(yī)學(xué)圖像分割算法[J].長春工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2008,29(5):616-519.

[13]孫申申.基于CT影像的肺結(jié)節(jié)檢測與分割方法研究[D]：[碩士學(xué)位論文].沈陽：東北大學(xué),2009.

Lung parenchyma segmentation on CT image

LIU Le,LI Yang*,HOU A-lin,SUN Chun-yan,SUN Li

(School of Computer Science & Engineering, Changchun University of Technology, Changchun 130012， China)

Abstract：For the Computed Tomography (CT) scanning image segmentation of the lung parenchyma, an optimal threshold algorithm is proposed to solve the unstable problem existed in the fixed threshold method. The optimal threshold algorithm is used to divide the image and get the lung parenchyma region after taking the lung mediastinum and clothing and other background out. The supplemental criteria are added to eliminate the misjudgment of left or right lung caused by a large area necrosis due to pathological change. Experimental results show the algorithm is more stable and effective to lung parenchyma segmentation than the others.

Key words：image processing; segmentation; CT image; lung parenchyma.

作者簡介：劉樂(1988-)，女，漢族，吉林長春人，長春工業(yè)大學(xué)碩士研究生，主要從事圖像處理方向研究,E-mail:chenxiaomikhun@163.com. *通訊作者：李陽(1979-)，女，漢族，吉林長春人，長春工業(yè)大學(xué)講師，博士，主要從事圖像處理方向研究,E-mail:liyang1979@ccut.edu.cn.

基金項(xiàng)目：2012年國家級(jí)“大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃”(201210190017)； 吉林省科技發(fā)展計(jì)劃資助項(xiàng)目青年科研基金(201201129)； 長春工業(yè)大學(xué)理工科基金(2011LG04)

收稿日期：2014-07-09

中圖分類號(hào)：TP 391.41

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1674-1374(2015)01-0072-05

DOI:10.15923/j.cnki.cn22-1382/t.2015.1.15