張俊杰，周　濤，夏　勇，王文文，師宏斌

1.寧夏醫(yī)科大學(xué) 理學(xué)院，寧夏 銀川 750004；2.西北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，陜西 西安 710100；

3.寧夏醫(yī)科大學(xué)總醫(yī)院 泌尿外科，寧夏 銀川 750004)

?

基于空間分布的三維自動(dòng)化肺結(jié)節(jié)分割算法

張俊杰1，周濤1，夏勇2，王文文1，師宏斌3

(

1.寧夏醫(yī)科大學(xué) 理學(xué)院，寧夏 銀川 750004；2.西北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，陜西 西安 710100；

3.寧夏醫(yī)科大學(xué)總醫(yī)院 泌尿外科，寧夏 銀川 750004)

針對肺結(jié)節(jié)分割中存在的自動(dòng)化程度低、較少考慮空間結(jié)構(gòu)以及粘附型肺結(jié)節(jié)分割不充分問題，提出了一種基于空間分布的三維自動(dòng)化肺結(jié)節(jié)分割算法。該算法首先利用C-means聚類算法分割出肺實(shí)質(zhì)，然后根據(jù)肺結(jié)節(jié)空間分布的差異性將其分為3類：孤立性肺結(jié)節(jié)、胸膜粘附性肺結(jié)節(jié)、血管粘附性肺結(jié)節(jié)，并對3種不同類型的肺結(jié)節(jié)分別采用基于連通性、灰度下降和散度差異的分割算法進(jìn)行分割，70個(gè)肺結(jié)節(jié)(其中孤立性肺結(jié)節(jié)38個(gè)，血管粘附性肺結(jié)節(jié)17個(gè)，胸膜粘附性肺結(jié)節(jié)15個(gè))CT圖像的實(shí)驗(yàn)結(jié)果表明，算法能夠準(zhǔn)確、自動(dòng)地分割出3種不同部位的肺結(jié)節(jié)。

肺結(jié)節(jié)分割；自動(dòng)化分割；三維分割；醫(yī)學(xué)圖像處理

1　肺結(jié)節(jié)分割方法

近年來，隨著空氣質(zhì)量的惡化、二手煙危害的加深、職業(yè)因素的影響等原因，肺癌已成為世界范圍內(nèi)發(fā)病率及死亡率最高的惡性腫瘤[1]，計(jì)算機(jī)輔助診斷(Computer-Aided Diagnosis，CAD)能夠在降低醫(yī)生工作量的同時(shí)提供具有重要參考價(jià)值的圖像解釋信息[2]，聯(lián)合醫(yī)生進(jìn)行肺結(jié)節(jié)的雙重篩選，從而輔助醫(yī)生作出定性判別結(jié)果[3]，因此，進(jìn)行CAD研究具有重要的現(xiàn)實(shí)意義。目前，計(jì)算機(jī)斷層掃描成像(Computed Tomography，CT)是多種模態(tài)醫(yī)學(xué)成像中最能夠凸顯肺部疾病征象的影像學(xué)手段[4]，而肺癌最常見的早期形態(tài)為肺結(jié)節(jié)(lung nodules)[5]，該階段正是肺癌患者進(jìn)行有效治療的最佳時(shí)期[6]，因此，利用CT圖像進(jìn)行肺結(jié)節(jié)的輔助診斷對于肺癌的早期發(fā)現(xiàn)具有重要意義。感興趣區(qū)域(Region of Interest，ROI)的精確分割是進(jìn)行特征刻畫和分類識(shí)別的重要前提，因此，肺結(jié)節(jié)分割算法一直是CAD研究的熱點(diǎn)之一，國內(nèi)外眾多學(xué)者提出了許多新型肺結(jié)節(jié)分割方法，如Diciotti[5]等提出了一種基于三維測地距離圖來進(jìn)行局部形狀分析的分割算法，該算法利用一種自動(dòng)校正的方法進(jìn)行了血管粘附性結(jié)節(jié)的局部優(yōu)化，提高了近血管結(jié)節(jié)的分割質(zhì)量；Dehmeshki[7]等以一個(gè)固定的尺寸結(jié)合形態(tài)學(xué)算子方法去除了血管區(qū)域，進(jìn)一步用迭代的方法重建形態(tài)學(xué)算子，但這種重建會(huì)使一部分附著在血管上的小結(jié)節(jié)體積估算偏大；Santos[8]等利用區(qū)域生長法分割出肺實(shí)質(zhì)，并根據(jù)高斯混合模型和海森矩陣從肺實(shí)質(zhì)中分離出肺結(jié)節(jié)；Netto[9]等利用增長型神經(jīng)氣體(Growing Neural Gas，GNG)進(jìn)行聚類粗分割，然后根據(jù)三維距離變換把肺結(jié)節(jié)從含有血管、支氣管的組織中分離出來。然而，目前已有的肺結(jié)節(jié)分割方法還存在以下不足：

1)分割過程需要人工干預(yù)，難以滿足自動(dòng)化的分割要求；

2)較少考慮肺結(jié)節(jié)與其他組織的毗鄰關(guān)系，并且對不同類型的肺結(jié)節(jié)采用相同的分割算法，導(dǎo)致分割誤差較大；

3)基于二維圖像處理的分割算法通常會(huì)丟失空間結(jié)構(gòu)信息，不利于ROI三維特征的提取。

基于以上原因，本文提出了一種基于空間分布的三維自動(dòng)化肺結(jié)節(jié)分割算法，該算法首先在三維連通的基礎(chǔ)上利用C-means聚類算法分割出肺實(shí)質(zhì)，然后在充分考慮肺結(jié)節(jié)的空間分布的基礎(chǔ)上將肺結(jié)節(jié)分為3類：孤立性肺結(jié)節(jié)、胸膜粘附性肺結(jié)節(jié)和血管粘附性肺結(jié)節(jié)，最后針對以上3種類型肺結(jié)節(jié)的灰度分布和幾何結(jié)構(gòu)特點(diǎn)，分別采用基于連通性、灰度下降、散度差異的算法進(jìn)行分割。為了驗(yàn)證算法的有效性和可行性，本文做了5組實(shí)驗(yàn)，即肺實(shí)質(zhì)分割實(shí)驗(yàn)、孤立型肺結(jié)節(jié)分割實(shí)驗(yàn)、胸膜粘附型肺結(jié)節(jié)分割實(shí)驗(yàn)、血管粘附型分割實(shí)驗(yàn)、分割正確率檢測實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，該算法能夠比較理想地分割出不同部位的肺結(jié)節(jié)。

2　肺結(jié)節(jié)分類

醫(yī)學(xué)圖像往往涉及人體各類組織器官，具有數(shù)據(jù)海量性、灰度模糊性、結(jié)構(gòu)復(fù)雜性、噪聲顯著性等特點(diǎn)，因此，肺結(jié)節(jié)分割算法不僅要關(guān)注閾值的設(shè)定，更要探討目標(biāo)成像的拓?fù)浣Y(jié)構(gòu)，本文在基于空間分布的醫(yī)學(xué)劃分上進(jìn)行了更細(xì)致的描述[5]，如圖1所示(圖中圓圈區(qū)域即為不同類型的肺結(jié)節(jié))，根據(jù)肺結(jié)節(jié)生長位置的不同將其分為3類：孤立型肺結(jié)節(jié)、胸膜粘附型肺結(jié)節(jié)、血管粘附型肺結(jié)節(jié)。

圖1　肺結(jié)節(jié)分類示意圖

從單層CT切片來看，3種不同類型的肺結(jié)節(jié)分別具有以下特點(diǎn)：

孤立型肺結(jié)節(jié)：結(jié)節(jié)周圍無明顯的雜質(zhì)，通常呈圓形或橢圓形，易于實(shí)現(xiàn)二值化分割。

胸膜粘附型肺結(jié)節(jié)：結(jié)節(jié)通常表現(xiàn)為氣管、支氣管、胸膜上的凸起組織，外形不規(guī)則，其中胸膜粘附型肺結(jié)節(jié)與胸膜、心臟等組織灰度極其接近，且灰度值呈小范圍、低亮度分布。

血管粘附型肺結(jié)節(jié)：結(jié)節(jié)粘附在血管上，與胸膜粘附型肺結(jié)節(jié)不同的是，該類型結(jié)節(jié)與血管連接通路的灰度由兩極向中間呈下降趨勢分布。

3　本文算法

CT序列切片實(shí)際是1組三維灰度圖像，影像醫(yī)生一般只對每張斷層圖像中進(jìn)行逐一觀測，但卻缺少Z方向的動(dòng)態(tài)鏈接，因此，這種CT讀片方式會(huì)丟失一定的三維結(jié)構(gòu)信息，基于以上分析，本文以三維體素為數(shù)字圖像運(yùn)算單元對肺部CT圖像進(jìn)行分割，根據(jù)CT圖像中肺部成像的結(jié)構(gòu)特點(diǎn)，肺結(jié)節(jié)分割算法主要包括肺實(shí)質(zhì)分割和肺結(jié)節(jié)分割兩大內(nèi)容。肺實(shí)質(zhì)分割是去除CT影像中的雜質(zhì)區(qū)域(包括背景、胸腔骨骼、脂肪、肌肉、氣管等)，只保留對肺結(jié)節(jié)檢測與識(shí)別有價(jià)值的肺實(shí)質(zhì)部分；肺結(jié)節(jié)分割是從肺實(shí)質(zhì)(包括肺泡、血管、胸膜等)中分離出3種不同類型的肺結(jié)節(jié)。本文算法思想如下：

肺實(shí)質(zhì)分割：首先用Otsu算法對肺部CT序列切片進(jìn)行二值化處理，然后對二值化圖像進(jìn)行三維連通，然后以CT圖像中各連通區(qū)域與圖像中心的距離為特征進(jìn)行聚類，分割出二值化的肺實(shí)質(zhì)，最后，為避免胸膜粘附型結(jié)節(jié)在以上處理過程中被刪除，則采用形態(tài)學(xué)算子膨脹二值化的肺實(shí)質(zhì)，并將結(jié)果圖像與原始灰度圖像進(jìn)行掩模運(yùn)算，得到具有灰度信息的肺實(shí)質(zhì)。

肺結(jié)節(jié)分割：首先根據(jù)連通區(qū)域面積大小從得到的肺實(shí)質(zhì)圖像中分離出胸膜區(qū)域(胸膜區(qū)域?yàn)樽畲筮B通區(qū)域面積，用于提取胸膜粘附型肺結(jié)節(jié))和肺內(nèi)區(qū)域(提取孤立性肺結(jié)節(jié)和血管粘附型肺結(jié)節(jié))，然后根據(jù)醫(yī)生標(biāo)記的坐標(biāo)從肺內(nèi)區(qū)域中分割出孤立性肺結(jié)節(jié)；分離出的胸膜區(qū)域與拉普拉斯算子進(jìn)行卷積，得到其散度圖像，并根據(jù)設(shè)定的閾值(本文為0.5)分割出散度較大的區(qū)域，即胸膜粘附型肺結(jié)節(jié)；血管粘附型肺結(jié)節(jié)與血管連通區(qū)域的灰度值由兩端向中間遞減，首先進(jìn)行局部灰度峰值檢測，將這些峰值體素點(diǎn)作為種子點(diǎn)進(jìn)行灰度值下降的區(qū)域生長，最后刪除區(qū)域生長中的重復(fù)區(qū)域便可分割出血管粘附型肺結(jié)節(jié)。

基于以上算法思想，圖2給出了該算法的流程圖。

圖2　基于空間分布的三維自動(dòng)化肺結(jié)節(jié)分割流程圖

4　仿真實(shí)驗(yàn)

本文實(shí)驗(yàn)所涉及的軟、硬件環(huán)境如下：

軟件環(huán)境：Windows 7操作系統(tǒng)，Matlab R2014b，ImageJ 1.48u。

硬件環(huán)境：Intel Core i5 4670-3.4GHz(CPU)，8.0 Gbyte(內(nèi)存)，2.0 Gbyte顯存(顯卡)，500 Gbyte(硬盤)。

實(shí)驗(yàn)數(shù)據(jù)：采用經(jīng)過影像科醫(yī)生標(biāo)記的70例肺結(jié)節(jié)患者的CT圖像(共2 232幅，其中孤立性肺結(jié)節(jié)38例，血管粘附性肺結(jié)節(jié)17例，胸膜粘附性肺結(jié)節(jié)15例)作為實(shí)驗(yàn)樣本，大小均為512×512，厚度為2 mm。

4.1實(shí)驗(yàn)一：肺實(shí)質(zhì)分割

原始的胸部 CT 圖像通常包括背景、肺組織、血管、氣管、骨骼、脂肪、肌肉等，而真正對肺結(jié)節(jié)檢測與識(shí)別有價(jià)值的只有肺實(shí)質(zhì)部分，因此，肺實(shí)質(zhì)的精準(zhǔn)分割直接影響CAD系統(tǒng)的實(shí)際臨床應(yīng)用價(jià)值[10]。本文提出分割算法中的肺實(shí)質(zhì)分割主要包括以下5個(gè)步驟：

1)圖像二值化：采用Otsu 算法對肺部CT序列切片圖像(圖3a)進(jìn)行二值化處理，得到二值化肺部CT序列切片圖像(圖3b)。

圖3　圖像二值化

2)三維連通：實(shí)現(xiàn)二值化肺部CT序列切片圖像的三維方向6鄰域(即上、下、左、右、前、后)連通(圖4a)，重建的肺部三維圖像如圖4b所示。

圖4　三維連通

3)聚類分割：對肺部的三維圖像利用C-means進(jìn)行聚類(連通區(qū)域中心點(diǎn)與圖像中心點(diǎn)的距離作為聚類特征，各連通區(qū)域中心點(diǎn)分布如圖5a所示)，得到不同的三維連通區(qū)域(如肺實(shí)質(zhì)、背景、胸腔輪廓、噪聲等)，保留由二值化的肺實(shí)質(zhì)構(gòu)成的三維連通區(qū)域，其他區(qū)域用“白色”代替。

圖5　聚類分割

4)膨脹運(yùn)算：利用形態(tài)學(xué)算子對二值化肺實(shí)質(zhì)進(jìn)行膨脹運(yùn)算(保留胸膜粘附性結(jié)節(jié))，形態(tài)學(xué)膨脹相當(dāng)于對二值圖像中值為1的像素連接區(qū)域的進(jìn)行擴(kuò)展，用B(x)代表結(jié)構(gòu)元素，對工作空間E中的每一點(diǎn)x，膨脹結(jié)果F為

F=E?B={x:B(x)?E}

(1)

膨脹后得到的三維肺實(shí)質(zhì)輪廓如圖6所示。

圖6　膨脹運(yùn)算

5)掩模運(yùn)算：膨脹后的肺實(shí)質(zhì)輪廓與原始CT圖像進(jìn)行“乘積”掩模運(yùn)算，得到包含灰度信息的肺實(shí)質(zhì)圖像(圖7)。

圖7　掩模運(yùn)算

圖8給出了部分肺實(shí)質(zhì)的分割結(jié)果，圖中大圓圈區(qū)域?yàn)榉欠尾拷M織，但其灰度與肺部極其接近，卻沒有被誤分割到肺部區(qū)域中去，并且某些切片內(nèi)肺部沒連接到一起的小區(qū)域(如小圓圈區(qū)域)，也能被很好地劃分成肺部區(qū)域，由此可見，該算法在肺實(shí)質(zhì)分割過程中既沒有過分割，也沒有遺漏候選區(qū)域，這說明該算法對肺實(shí)質(zhì)的分割是極其有效的。

圖8　肺實(shí)質(zhì)示例圖

4.2實(shí)驗(yàn)二：孤立型肺結(jié)節(jié)分割

孤立型肺結(jié)節(jié)在3類結(jié)節(jié)中的所占比例最大，圖9是通過三維連通并進(jìn)行不同顏色標(biāo)記的孤立型肺結(jié)節(jié)。

經(jīng)過肺實(shí)質(zhì)分割過程中的形態(tài)學(xué)膨脹和組織填充，肺部已變成了帶血管和胸膜的凸體，因此只需要再對這個(gè)肺部反過來進(jìn)行與膨脹算子同樣大小的形態(tài)學(xué)腐蝕操作即可得到肺內(nèi)區(qū)域(包括血管、血管粘附型肺結(jié)節(jié)、孤立型肺結(jié)節(jié)、肺泡等，如圖10a)，而被分離的胸膜區(qū)域可以作為胸膜粘附型結(jié)節(jié)分割對象(圖10b)，然后根據(jù)醫(yī)生標(biāo)記的坐標(biāo)在肺內(nèi)區(qū)域中分割出孤立型肺結(jié)節(jié)，部分孤立型肺結(jié)節(jié)的分割結(jié)果如圖11所示。

圖9　孤立型肺結(jié)節(jié)示例圖

圖10　肺內(nèi)區(qū)域與胸膜分離

圖11　孤立型肺結(jié)節(jié)分割結(jié)果

4.3實(shí)驗(yàn)三：胸膜粘附型肺結(jié)節(jié)分割

胸膜粘附型結(jié)節(jié)與其他兩類結(jié)節(jié)的差異表現(xiàn)在其與胸膜區(qū)域的灰度值差異較小(除了胸膜外的肋骨和其他特殊組織)，基于灰度的分割方法難以進(jìn)行有效的分割，通過實(shí)驗(yàn)可知，胸膜粘附型肺結(jié)節(jié)的內(nèi)部灰度變化為由內(nèi)向外不斷降低，其散度與周圍組織存在較大的差異，因此選用散度結(jié)果區(qū)分胸膜粘附性結(jié)節(jié)與其周圍粘連組織是可行的。三維CT數(shù)據(jù)x，y，z三個(gè)方向的微分量表示該區(qū)域向周圍擴(kuò)散的灰度變化，而拉普拉斯算子作為最簡單的各向同性微分算子，具有旋轉(zhuǎn)不變性，其特性非常適用于處理該問題，因此本文采用拉普拉斯算子作為濾波器對ROI進(jìn)行卷積運(yùn)算計(jì)算散度，得到其散度圖像(圖12b)，然后根據(jù)對CT數(shù)據(jù)的測試可知，散度閾值設(shè)定為均值0.5時(shí)(0和1代表最小和最大的L的值)效果最好，取大于0.5的區(qū)域獲得胸膜粘附性肺結(jié)節(jié)(圖12c)，部分胸膜粘附型肺結(jié)節(jié)的分割結(jié)果如圖13所示。

圖12　胸膜粘附型肺結(jié)節(jié)分割示例圖

圖13　胸膜粘附型肺結(jié)節(jié)分割結(jié)果

(2)

式中：f為ROI灰度值；L為其散度值。

4.4實(shí)驗(yàn)四：血管粘附型肺結(jié)節(jié)分割

為解決血管粘附型肺結(jié)節(jié)的分割和肺內(nèi)血管組織粘連的問題，本文采用基于灰度下降的區(qū)域生長算法。

如圖14所示，分別取“山脈”和“山丘”(“山丘”為結(jié)節(jié)，如峰1；“山脈”為血管，如峰3)的頂峰作為種子點(diǎn)，進(jìn)行灰度下降的區(qū)域生長(即每個(gè)體素只往周圍灰度值比它低的點(diǎn)擴(kuò)散)，因此，要完成粘連部分的分割只需將兩個(gè)生長區(qū)域中的重合區(qū)域刪除(如圖14中最下方的深色區(qū)域)即可，便可得到血管粘附型肺結(jié)節(jié)。

圖14　基于灰度下降的區(qū)域生長算法示意圖

為彌補(bǔ)算法對噪聲敏感而產(chǎn)生誤差，本文首先對圖片進(jìn)行三維高斯平滑濾波，然后采用灰度窗口變換，將灰度值大于l的體素x(M)的灰度值都修改為l

(3)

式中：I(x(M))表示體素x(M)的取值；M是感興趣區(qū)域掩模，是與圖像一樣規(guī)格的邏輯矩陣，值為x(M)表示只訪問M中值為l的元素，l的取值如下

(4)

即三維影像感興趣區(qū)域中灰度值小于l的體素個(gè)數(shù)Nl占該區(qū)域總體素個(gè)數(shù)Nx(M)的比值應(yīng)大于等于α。根據(jù)實(shí)驗(yàn)測試，α取0.7效果最好。

處理結(jié)果如圖15所示(“山丘”及“山脈”的“峰頂”會(huì)被剃平)，再對整個(gè)ROI求區(qū)域灰度極大值，便可獲得這些“平頂”(此時(shí)的峰頂就由單個(gè)體素變成了多個(gè)體素區(qū)域，與其相臨體素的灰度值均低于該區(qū)域)，最后取該區(qū)域作為種子點(diǎn)進(jìn)行灰度下降，便可成功地分離出與血管相連的結(jié)節(jié)區(qū)域，部分血管粘附型肺結(jié)節(jié)的分割結(jié)果如圖16所示。

圖15　窗口變換后的基于灰度下降的區(qū)域生長算法示意圖

圖16　血管粘附型肺結(jié)節(jié)分割結(jié)果

4.5實(shí)驗(yàn)五:肺結(jié)節(jié)分割結(jié)果分析

經(jīng)過對70例肺結(jié)節(jié)進(jìn)行分割提取，并與標(biāo)記的肺結(jié)節(jié)數(shù)量進(jìn)行比對，其分割正確率和算法耗時(shí)如表1所示。

表1分割正確率和算法耗時(shí)

結(jié)節(jié)類型結(jié)節(jié)總數(shù)/個(gè)正確分割數(shù)/個(gè)正確率/%平均分割耗時(shí)/s孤立性肺結(jié)節(jié)383694.71.8血管粘附性肺結(jié)節(jié)171694.11.3胸膜粘附性肺結(jié)節(jié)151493.31.1

由此可見，本文算法的平均分割正確率在93%以上，算法耗時(shí)也保持在較低的水平，已基本滿足不同類型肺結(jié)節(jié)的分割提取。

5　小結(jié)

本文在分析肺結(jié)節(jié)分割算法研究現(xiàn)狀的基礎(chǔ)上，總結(jié)出算法研究中存在的3個(gè)問題(通常采用二維分割，較少考慮三維空間結(jié)構(gòu)；自動(dòng)化程度低，需要過多的人工干預(yù)；肺結(jié)節(jié)分類不明確，對不同類型的肺結(jié)節(jié)采用相同的分割算法)，并提出了一種基于空間分布的三維自動(dòng)化肺結(jié)節(jié)分割算法，該算法首先剔除雜質(zhì)區(qū)域，分割出具有研究價(jià)值的肺實(shí)質(zhì)，然后利用肺結(jié)節(jié)的空間分布差異性分別采取不同的三維分割提取算法，實(shí)驗(yàn)結(jié)果證明該算法能夠無監(jiān)督且準(zhǔn)確地分割出肺結(jié)節(jié)，保留了其三維結(jié)構(gòu)信息，對于肺結(jié)節(jié)的檢測與識(shí)別研究具有重要意義。

[1]RIAZSP，LüCHTENBORGM，COUPLANDVH，etal.Trendsinincidenceofsmallcelllungcancerandalllungcancer[J].Lungcancer，2012，75(3)：280-284.

[2]THEODORIDISS，KOUTROUMBASK.Patternrecognition[M].NewYork：AcademicPress，2008.

[3]SAHINERB，CHANHP，HADJIISKILM，etal.EffectofCADonradiologists'detectionoflungnodulesonthoracicctscans：analysisofanobserverperformancestudybynodulesize[J].Acadradiol，2009，16(12)：1518-1530.

[4]BALDWINDR.Predictionofriskoflungcancerinpopulationsandinpulmonarynodules：significantprogresstodrivechangesinparadigms[J].Lungcancer，2015，89(1)：1-3.

[5]DICIOTTIS，PICOZZIG，F(xiàn)ALCHINIM，etal. 3-DsegmentationalgorithmofsmalllungnodulesinspiralCTimages[J].IEEEtransactionsoninformationtechnologyinbiomedicine，2008，12(1)：7-19.

[6]FERLAYJ，SOERJOMATARAMI，DIKSHITR，etal.Cancerincidenceandmortalityworldwide：sources，methodsandmajorpatternsinGLOBOCAN2012[J].International

journalofcancer，2015，136(5)：359-386.

[7]KOSTISWJ，REEVESAP，YANKELEVITZDF，HENSCHKECI.Three-dimensionalsegmentationandgrowth-rateestimationofsmallpulmonarynodulesinhelicalCTimages[J].IEEEtransactionsonmedicalimaging，2003，22(10)：1259-74.

[8]SANTOSAM，F(xiàn)ILHOA，SILVAAC，etal.Automaticdetectionofsmalllungnodulesin3DCTdatausinggaussianmixturemodels，tsallisentropyandSVM[J].Engineeringapplicationsofartificialintelligence，2014(36)：27-39.

[9]NETTOSMB，SILVAAC，NUNESRA，etal.Automaticsegmentationoflungnoduleswithgrowingneuralgasandsupportvectormachine[J].Computersinbiologyandmedicine， 2012，42(11)：1110-1121.

[10]李彬，田聯(lián)房，歐陜興.惡性肺結(jié)節(jié)早期診斷智能識(shí)別相關(guān)技術(shù)綜述[J].生物醫(yī)學(xué)工程學(xué)雜志，2009，26(5)：1140-1145.

責(zé)任編輯：時(shí)雯

Three-dimensional automation segmentation algorithm of lung nodule based on spatial distribution

ZHANG Junjie1，ZHOU Tao1，XIA Yong2，WANG Wenwen1，SHI Hongbin3

(1.SchoolofScience，NingxiaMedicalUniversity，Yinchuan750004，China；2.SchoolofComputerScience，NorthwesternPolytechnicalUniversity，Xi’an710100，China；3.UrinarySurgery，GeneralHospitalofNingxiaMedicalUniversity，Yinchuan750004，China)

In terms of the low degree automation in lung nodules segmentation，the spatial structure is less considered and insufficient segmentation in adhesion nodules，a three-dimensional lung nodules automatic segmentation algorithm based on spatial distribution was put forward. C-means clustering algorithm is firstly used to segment the lung parenchyma， and then lung nodules are divided into three categories according to the difference of the spatial distribution： isolation lung nodules， pleural adhesion lung nodules， and vascular adhesion lung nodules， methods based on connectivity， gray level decrease and the difference of divergence are respectively used to segment lung nodules of three different types， the the experimental results of CT images about 70 lung nodules(solitary pulmonary nodule：38，vascular adhesion lung nodules：17，pleural adhesion lung nodules：15)show that the algorithm can accurately and automatically segment the lung nodules of three different parts.

lung nodules segmentation； automated segmentation； three-dimensional segmentation； medical image processing

TN391

A

10.16280/j.videoe.2016.08.004

國家自然科學(xué)基金項(xiàng)目(81160183；61561040)；寧夏自然科學(xué)基金項(xiàng)目(NZ14085)；陜西省語音與圖像信息處理重點(diǎn)實(shí)驗(yàn)室開放課題項(xiàng)目(SJ2013003)

2015-11-05

文獻(xiàn)引用格式：張俊杰，周濤，夏勇，等.基于空間分布的三維自動(dòng)化肺結(jié)節(jié)分割算法[J].電視技術(shù)，2016，40(8)：19-25.

ZHANG J J，ZHOU T，XIA Y，et al. Three-dimensional automation segmentation algorithm of lung nodule based on spatial distribution [J].Video engineering，2016，40(8)：19-25.