武振宇，白培瑞△，劉藝煒，任延德

(1.山東科技大學(xué)電子通信與物理學(xué)院，青島 266590;2青島大學(xué)附屬醫(yī)院放射科,青島 265000)

1 引 言

基于計算機斷層掃描圖像(computed tomography，CT)的自動肺實質(zhì)分割，是提高肺部疾病計算機輔助診斷的關(guān)鍵步驟。目前，肺實質(zhì)分割的主要思路有：一是對簡單閾值操作的改進，比如利用形態(tài)學(xué)操作[1-2]或Snake校正Otsu閾值[3]等。二是對區(qū)域增長算法的改進，比如基于滑降算法的自動選取種子點[4]、結(jié)合輪廓模型的改進[5]、利用凸包算法進行分割結(jié)果的修正[6]等。三是對活動輪廓模型的改進，比如基于鄰域相似度改進的Chan-Vese模型[7]等。四是基于機器學(xué)習(xí)的分割算法，比如結(jié)合超像素算法與分類算法的肺部分割[8]等。其中，針對肺部粘連圖像的分割問題，Noor等采用形態(tài)學(xué)算法進行粘連肺的分離，但是需要根據(jù)圖像設(shè)計特定的模板[1-2]。Mansoor等利用模糊連接度算法進行肺實質(zhì)初始分割，并利用鄰域信息進行后續(xù)粘連區(qū)域分割，但是需要人為干預(yù)[9]。郭圣文等利用全局閾值得到初始的前景區(qū)域，之后利用輪廓跟蹤方法分割粘連區(qū)域[10]。Hu等提出利用閾值法提取肺部區(qū)域，之后使用動態(tài)規(guī)劃算法分割肺粘連區(qū)域[11]。

基于傳統(tǒng)閾值算法的肺實質(zhì)分割算法容易受到圖像對比度的影響，造成肺粘連區(qū)域錯誤分割。本研究提出一種新的基于模糊區(qū)域?qū)Ρ榷仍鰪姷姆螌嵸|(zhì)分割方法，實現(xiàn)粘連肺部圖像的自動準確分割，有效提高分割的正確率。

2 原理和方法

2.1 超像素分割算法

超像素分割算法(simple linear iterative cluster，SLIC)是基于局部K-means聚類的像素分割算法，其原理是對由圖像的顏色空間(g為像素點灰度值，a，b為像素點色度坐標值)和二維坐標(x,y)構(gòu)成的五維空間(g,a,b,x,y)執(zhí)行局部像素點聚類[12]。由于CT圖像為灰度圖像，本研究只考慮由灰度值和二維空間坐標值構(gòu)成的三維向量特征空間[g,x,y]。具體做法為：

(1)初始化種子點：假設(shè)灰度圖像I是邊長為N個像素的正方形圖像，則其總像素數(shù)為N2。將含有N2個像素點的圖像分割為K個相同尺寸的超像素，形成K個網(wǎng)格，則每個網(wǎng)格的大小為N2/K，將每個網(wǎng)格的中心點設(shè)為初始種子點。

(2)初始化聚類中心和聚類標簽：計算以種子點為中心的3×3鄰域內(nèi)所有像素點的梯度值，將該鄰域內(nèi)梯度最小的地方設(shè)為初始聚類中心。設(shè)第j個聚類中心為Cj(即[gj,xj,yj]T)，并將每一個像素點的初始標簽標記為Li= -1，將每一個像素點到聚類中心的初始距離標記為di= ∞。

(1)

(2)

(3)

其中，dc表示第i個像素點與第j個聚類中心點之間的灰度距離。ds表示第i個像素點與第j個聚類中心點之間的空間距離。參數(shù)M是平衡因子，取值范圍為[1,40]。M值越高，分割結(jié)果與圖像實際邊界貼合度越高，本研究中M=10。SLIC0的特點是可以自適應(yīng)地調(diào)整最佳貼合度，減少人工設(shè)置的干擾。

2.2 本研究算法

2.2.1算法總體流程 本研究提出的基于模糊區(qū)域?qū)Ρ榷仍鰪姷淖赃m應(yīng)肺實質(zhì)分割算法流程見圖1。該算法主要包括3個步驟：(1)肺部CT圖像預(yù)處理；(2)模糊區(qū)域自適應(yīng)對比度增強；(3)圖像細化分割，包括肺部掩模的獲取、初始肺部實質(zhì)獲取以及最終肺部實質(zhì)區(qū)域的獲取。

圖1 本研究算法流程圖

2.2.2肺部CT圖像預(yù)處理 肺部體掃描CT圖像不可避免的存在噪聲(見圖2(a))，而且在不同體層圖像中強度和對比度差異很大。為了實現(xiàn)魯棒的閾值分割，首先選用3×3的模板對肺部CT圖像進行中值濾波去噪，同時利用直方圖變換增強圖像的對比度，可以明顯提高肺部CT圖像的整體對比度(見圖2(b))。

2.2.3模糊區(qū)域自適應(yīng)對比度增強 肺部CT圖像經(jīng)過預(yù)處理之后，盡管整體對比度明顯提高，但是在局部粘連區(qū)域仍然存在模糊性，比如圖2(b)中的紅色矩形標注區(qū)域為肺部韌帶。為了能夠準確定位和檢測該區(qū)域，本研究提出基于超像素的模糊區(qū)域自適應(yīng)對比度增強算法。

首先，利用SLIC0算法對預(yù)處理后的CT圖像進行預(yù)分割，突出模糊區(qū)域并進一步增強其對比度。圖2(c)示出了采用K=6200的SLIC0算法超像素分割結(jié)果。為了能夠清楚觀察SLIC0算法對模糊區(qū)域的檢測效果，圖2(d)示出了紅色矩形框?qū)?yīng)區(qū)域的放大圖像?？梢钥吹?，預(yù)分割后的超像素網(wǎng)格能夠識別出圖2(b)中的紅色矩形區(qū)域。

圖2SLIC0預(yù)分割對模糊區(qū)域邊緣檢測能力示意

Fig2AdemooffuzzyregionadaptivecontrastenhancementbasedontheSLIC0algorithm

然后，將SLIC0超像素分割后的結(jié)果用Is表示，其中第i個超像素記為Si，i∈[1,...,K]。設(shè)Ni為第i個超像素Si的像素個數(shù)，Gij表示超像素分割后第i個超像素第j個像素點的灰度，則可以根據(jù)下式計算出每個Si的統(tǒng)計信息：

(4)

(5)

式中，ms(i)表示Si的平均灰度信息，σs(i)表示Si的方差信息。

之后，根據(jù)Si的統(tǒng)計信息確定模糊區(qū)域自動定位的判斷閾值為：

(6)

(7)

圖3(a)和(b)是對比度增強前的圖像及其相應(yīng)的模糊區(qū)域局部放大圖像，圖3(c)和(d)是對比度增強后的圖像及其相應(yīng)的模糊區(qū)域局部放大圖像。可以看出，使用自適應(yīng)局部對比度增強對模糊區(qū)域邊緣信息的檢測性能有明顯的提升。

圖3 基于模糊區(qū)域統(tǒng)計信息的局部對比度增強

Fig3Localcontrastenhancementbasedonstatisticalinformationofthefuzzyregion

2.2.4細化分割方法 自適應(yīng)局部對比度增強算法會受到邊緣噪聲影響，導(dǎo)致增強后的圖像邊緣存在毛刺。為此，本研究綜合采用Otsu閾值[13]處理和形態(tài)學(xué)操作，提出一種細化分割方法，見圖4。該方法分為五個步驟，具體如下：

第一步：初始肺區(qū)域二值圖像的獲取。將預(yù)處理后的圖像A以及模糊區(qū)域自適應(yīng)對比度增強圖像B，綜合利用Otsu閾值算法以及形態(tài)學(xué)算法分別得到初始肺部二值圖像記為A1和B1。

第二步：小連通區(qū)域定位。對二值圖像B1進行基于8-連接邊沿規(guī)則的區(qū)域統(tǒng)計，定位像素個數(shù)小于3 000的區(qū)域，得到B2。

第三步：根據(jù)定位結(jié)果，將A1同區(qū)域處的像素值設(shè)為0，然后利用固定的結(jié)構(gòu)元素SE=[0 1 0;1 1 1;0 1 0]進行開運算，得到結(jié)果A2。

第四步：肺部模板獲取。首先，將第二步定位的區(qū)域像素值設(shè)置為0，得到B2；然后，利用邊緣跟蹤算法得到對應(yīng)輪廓線圖B3；最后，利用凸包算法得到肺部掩模B4。

第五步：將B5與A2進行邏輯“與”，得到最后的肺實質(zhì)分割結(jié)果C。

圖4細化分割流程

Fig4Flowchartoftherefinedsegmentation

3 結(jié)果

本次實驗所用肺部CT圖像均來源于kaggle(https://www.kaggle.com/c/data-science-bowl-2017/data)公開的數(shù)據(jù)集，選擇30位患者，每位10幅圖像，共300幅圖像。其中包含左右肺部粘連、氣管與肺部粘連以及兩種粘連同時存在的圖像各100幅。在Matlab 軟件下，分別對文獻[1]的算法和本研究算法進行測試。測試統(tǒng)計結(jié)果在表1列出，部分分割結(jié)果見圖5，圖中第1列為肺部CT圖像的原始圖像，第2列為手工分割結(jié)果，第3列為采用文獻[1]算法的分割結(jié)果，第4列為本研究算法的分割結(jié)果。圖5(a1)為左右肺部粘連圖像，圖5(a2)為氣管與肺部粘連圖像，圖5(a3)為同時存在兩種粘連的圖像，并分別用紅色矩形框標注出粘連區(qū)域和微弱邊界。

為了定量評估本研究算法的分割性能，我們采用Dice相似度系數(shù)(dice similarity coefficient, DSC)、過分割(over-segmentation, OS)和欠分割率(under-segmentation,US)3個指標進行性能評估。

其中，Dice相似度系數(shù)的定義為：

(8)

式中，R1表示算法分割結(jié)果,R2表示手工分割結(jié)果。(一般用作金標準ground truth)。所以，Dice系數(shù)反映出采用計算機算法分割的結(jié)果與手工分割結(jié)果的接近程度，其值越大表明算法分割性能越好。

過分割率OS的定義為：

(9)

式中，R2表示手工分割目標的面積或像素數(shù)，F(xiàn)S表示誤分割為目標的面積或像素數(shù)。

欠分割率US的定義為：

(10)

表1三種情況的統(tǒng)計結(jié)果

Table1Statisticalresultsofthreedifferentsituations

算法左右肺部粘連成功數(shù)量氣管與肺粘連成功數(shù)量左右肺以及氣管與肺部粘連成功數(shù)量成功總數(shù)量本研究算法1009897295文獻[1]算法949495283

圖5測試肺部CT圖像的分割結(jié)果

Fig5SegmentationresultsofthreepulmonaryCTimages

式中，OS表示誤分割為背景的面積或像素數(shù)。

指標統(tǒng)計結(jié)果見表2，表中列出了本研究算法與文獻[1]算法對300幅測試圖像的平均Dice系數(shù)、過分割率OS和欠分割率US?？梢钥吹?，本研究算法各個指標比文獻[1]算法均有明顯提升。其中，分割準確性平均提高1.45%，過分割率降低0.4%，欠分割率降低1.57%。

表2本研究算法與文獻[1]算法分割性能的定量比較

Table2Thecomparisonbetweentheproposedalgorithmandthealgorithminreference[1]

算法DSCOSUS本研究算法0.98650.00210.0133文獻[1]算法0.97200.00670.0290

4 結(jié)論

本研究將超像素分割算法用于肺部CT圖像的模糊區(qū)域定位和局部對比度增強，可以有效提高模糊區(qū)域或粘連區(qū)域的目標邊緣檢測性能。后續(xù)的閾值和形態(tài)學(xué)的細化分割，可以獲得肺實質(zhì)邊緣光滑的輪廓曲線。

通過與傳統(tǒng)閾值和形態(tài)學(xué)操作算法對比，本研究算法在不需要設(shè)計模板的情況下，可以有效處理不同類型的肺部結(jié)構(gòu)粘連問題，魯棒性和分割準確性均有明顯提升。