裴宏亮 蔣蕰莙 樊慶文

【摘要】目前肺穿刺手術(shù)主要是醫(yī)生參考CT圖像信息憑借臨床經(jīng)驗(yàn)和主觀判斷進(jìn)行“盲穿”。在肺部穿刺過程中，穿刺針需要避開肺部大氣管、血管，否則會(huì)引起氣胸、肺出血等并發(fā)癥，嚴(yán)重時(shí)會(huì)導(dǎo)致病人死亡，而通過建立人體胸部器官和組織三維模型可以有效的解決上述問題，本文研究重點(diǎn)為肺氣管樹的提取。以華西醫(yī)院提供的人體斷層CT掃描切片集為源數(shù)據(jù)，基于區(qū)域生長算法提取肺部大氣管。在包含主氣道的CT圖像中選擇氣道中心點(diǎn)作為種子像素點(diǎn)，并設(shè)定閾值生長準(zhǔn)則將種子像素鄰域中與種子像素有相似性質(zhì)的像素歸并到種子像素所在的區(qū)域中，分割肺部大氣管。在雙線性插值后CT圖像的基礎(chǔ)上，使用直方圖均衡化原理，改進(jìn)區(qū)域生長算法，突出肺氣管壁邊界信息，提取肺氣管。改進(jìn)后的區(qū)域生長算法可以較好的解決區(qū)域生長算法普遍存在的生長泄漏現(xiàn)象，可以快速、完整地提取6級(jí)以下的肺氣管。為醫(yī)生進(jìn)行肺穿刺手術(shù)提供三維可視化的參考依據(jù)，保證穿刺手術(shù)時(shí)可以有效的避開肺部大氣管，降低肺穿刺手術(shù)引發(fā)起的并發(fā)癥發(fā)病率與死亡率，具有重要的理論價(jià)值和現(xiàn)實(shí)意義。

【關(guān)鍵詞】肺穿刺;肺氣管樹;三維重建;區(qū)域生長

【中圖分類號(hào)】R32 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】ISSN.2095.6681.2020.21..03

根據(jù)國際癌癥研究機(jī)構(gòu)的統(tǒng)計(jì)數(shù)據(jù)[1-2]：2018年全球因肺癌死亡的人數(shù)高達(dá)180萬，占癌癥總死亡人數(shù)的18.4%，而且肺癌的發(fā)病人數(shù)還在逐年增加;由于工業(yè)發(fā)展、環(huán)境破壞和人口基數(shù)過大等一系列原因，全球超過半數(shù)的癌癥死亡人數(shù)和接近一半的癌癥發(fā)病人數(shù)出現(xiàn)在亞洲地區(qū)，其中肺癌仍是該地區(qū)癌癥患者中的頭號(hào)殺手，對(duì)肺癌的檢查和預(yù)防在國內(nèi)逐漸被人們重視起來。用于判斷肺占位性質(zhì)是否為惡性腫瘤（肺癌）的方法[3-4]主要包括：放射學(xué)檢查、痰細(xì)胞學(xué)檢查、支氣管鏡檢查、縱隔鏡檢查以及病理檢查等。其中準(zhǔn)確判斷是否為肺癌最直接、最常用的方法依然是病理檢查，也就是肺部穿刺手術(shù)[5-8]。肺穿刺手術(shù)時(shí)，穿刺針需要穿透肌肉組織、肺部組織達(dá)到病灶位置，提取出病變組織。目前，肺部穿刺手術(shù)主要依靠醫(yī)生參考CT圖片的信息憑借臨床經(jīng)驗(yàn)和主觀判斷進(jìn)行“盲穿”。在肺部穿刺手術(shù)過程中，穿刺針需要避開肋骨、肺部大氣管、肺部血管、否則會(huì)引起氣胸、肺出血等嚴(yán)重并發(fā)癥，嚴(yán)重時(shí)會(huì)導(dǎo)致病人死亡。

利用CT圖像對(duì)人體肺部器官和組織進(jìn)行三維重建[9-11]，特別是重建肺部的氣管，為醫(yī)生進(jìn)行肺穿刺手術(shù)提供三維可視化的參考依據(jù)，指導(dǎo)醫(yī)生從三維角度對(duì)病情進(jìn)行全面準(zhǔn)確的觀察分析，以設(shè)計(jì)精確的治療方案，保證穿刺手術(shù)時(shí)可以有效的避開肺部大氣管，降低肺穿刺手術(shù)引發(fā)起的并發(fā)癥發(fā)病率與死亡率，具有重要的理論價(jià)值和現(xiàn)實(shí)意義。

1 基于區(qū)域生長算法提取肺氣管

區(qū)域生長算法是提取肺氣管時(shí)最常用的圖像處理方法[12-14]，其原理是根據(jù)圖像像素及其空間鄰域像素之間的關(guān)系來進(jìn)行肺氣管提取;利用傳統(tǒng)的區(qū)域生長算法對(duì)肺氣管進(jìn)行提取時(shí)，可以有效地避免其他圖像提取算法不能利用圖像空間信息的缺點(diǎn)，區(qū)域生長算法提取肺氣管的流程圖如圖1所示，該算法的兩個(gè)關(guān)鍵步驟為：生長種子點(diǎn)選擇與生長準(zhǔn)則制定。

1.1 生長種子點(diǎn)選擇

區(qū)域生長種子點(diǎn)是氣管區(qū)域生長起始位置，一般選取氣管特征明顯區(qū)域的某一個(gè)像素作為種子點(diǎn)。我們選擇氣管半徑較大，顯示效果較好的某一層主氣道的中心點(diǎn)作為為生長種子點(diǎn)。

1.2 生長準(zhǔn)則制定

區(qū)域生長的準(zhǔn)則就是根據(jù)圖像像素值之間的連續(xù)性制定的一些相似性（灰度值、紋理以及顏色等信息）生長準(zhǔn)則，決定將哪些像素納入到生長區(qū)域中，若生長準(zhǔn)則制定過于寬松，會(huì)將圖像中其他器官圖像像素納入到生長區(qū)域，導(dǎo)致生長泄露;若生長準(zhǔn)則制定的過于嚴(yán)謹(jǐn)，則會(huì)出現(xiàn)欠生長情況。由于肺氣道內(nèi)充盈著空氣，閾值較小，與氣管壁之間存在相對(duì)較高的對(duì)比度，故而采用閾值范圍作為氣管提取的生長準(zhǔn)則，滿足設(shè)定閾值范圍的像素為氣管像素，否則認(rèn)為是其他組織像素。

由于原CT圖像的分辨率較低（512×512），使用區(qū)域生長算法只能將原CT圖像中4級(jí)以下較大氣管完整的提取出來，丟失了很多支氣管細(xì)節(jié)，如圖2所示。

當(dāng)生長閾值范圍過大時(shí)，會(huì)出現(xiàn)嚴(yán)重的生長泄漏現(xiàn)象，導(dǎo)致提取失敗，如圖3所示。為了解決上述問題，采用以下幾種圖像處理方法對(duì)區(qū)域生長算法進(jìn)行改進(jìn)。

2 基于區(qū)域生長算法改進(jìn)

2.1 圖像雙線性插值改進(jìn)算法

由于原CT圖像分辨率較低（512×512），高級(jí)數(shù)支氣管所占的像素個(gè)數(shù)過少，有的位置甚至占不到一個(gè)像素，導(dǎo)致使用區(qū)域生長算法對(duì)原CT圖像進(jìn)行氣管提取時(shí)，提取的支氣管數(shù)量較少，更小的細(xì)節(jié)提取不出來。為了能提取到更高級(jí)數(shù)的氣管，使用雙線性插值法[15-16]將原CT圖像轉(zhuǎn)為高分辨率圖像（1024×1024），增加高級(jí)數(shù)肺氣管氣道所占有的像素個(gè)數(shù)。

在Matlab軟件中對(duì)高分辨率圖像進(jìn)行氣管提取實(shí)驗(yàn)，結(jié)果發(fā)現(xiàn)：使用區(qū)域生長算法對(duì)插值細(xì)化后的CT圖像進(jìn)行氣管提取時(shí)，可以有效的提高細(xì)小支氣管的數(shù)量與氣管提取級(jí)數(shù)，但由于噪聲、偽影以及部分容積作用的影響，使得在細(xì)小的支氣管壁處會(huì)出現(xiàn)模糊甚至斷裂情況（如圖4所示），導(dǎo)致在提取到該位置時(shí)依然會(huì)發(fā)生生長泄漏現(xiàn)象（提取到肺實(shí)質(zhì)區(qū)域）。

經(jīng)過多組氣管提取實(shí)驗(yàn)結(jié)果表明：不同范圍的生長閾值，導(dǎo)致的泄漏位置與泄漏范圍大小不同。閾值范圍選擇25～49時(shí)，氣管生長泄漏如圖5（a）所示;閾值范圍選擇15～49時(shí)，氣管的生長泄漏如圖5（b）所示;閾值范圍選擇0～49時(shí)，氣管的生長泄漏如圖5（c）所示。使用區(qū)域生長算法對(duì)插值細(xì)化后的高分辨率CT圖像進(jìn)行肺氣管提取實(shí)驗(yàn)時(shí)，不管選擇什么范圍的生長閾值，都會(huì)出現(xiàn)生長泄露現(xiàn)象，導(dǎo)致氣管提取失敗。

2.2 直方圖均衡化改進(jìn)算法

通過CT掃描獲得的原始人體CT圖像的灰度分布集中在狹窄的區(qū)間內(nèi)，對(duì)比度非常弱，細(xì)小支氣管壁處的細(xì)節(jié)不清楚，且容易發(fā)生氣管壁斷裂現(xiàn)象。細(xì)小支氣管壁薄弱導(dǎo)致的圖像中氣管壁局部斷裂是生長泄漏的主要原因。此時(shí)，可以采用圖像直方圖均衡化處理的方法來改進(jìn)區(qū)域生長算法。經(jīng)過直方圖均衡化處理后的CT圖像灰度間距被拉開，圖像反差加大，圖像中氣管壁邊界信息被突出，從而達(dá)到提高圖像對(duì)比度、改善圖像質(zhì)量的目的。CT圖像局部支氣管圖像直方圖均衡化前后的對(duì)比如圖6所示。

從上圖可以看出，經(jīng)過處理后的圖像直方圖分布更為均勻，原圖像中包含像素?cái)?shù)較多的灰度級(jí)間隔被拉大，實(shí)際視覺能夠接收的信息量大大增強(qiáng)，圖像中氣管壁與氣道對(duì)比度更高。經(jīng)多組氣管提取實(shí)驗(yàn)驗(yàn)證，使用該方法改進(jìn)域生長算法可有效地防止區(qū)域生長算法在提取肺氣管時(shí)普遍存在在生長泄漏的現(xiàn)象，提取效果較好，提取級(jí)數(shù)可達(dá)到6級(jí)，如圖7所示。

3 肺氣管的三維重建

通過上述方法提取得到氣管圖像為軸位掃描CT切片上的400張二維氣管二值圖像。氣管的二維圖像不能直觀的體現(xiàn)出氣管的結(jié)構(gòu)，所以需要將這些提取的二維氣管圖像進(jìn)行三維重建，重建方法如下。

首先將提取的400張肺氣管二維圖像構(gòu)造為一個(gè)三維矩陣MAT，得到的數(shù)據(jù)集MAT是一個(gè)x×y×400的矩陣;然后利用find函數(shù)找到三維矩陣中為1（氣管像素）的位置坐標(biāo)，并使用函數(shù)plot3對(duì)這些肺氣管像素點(diǎn)進(jìn)行三維點(diǎn)云構(gòu)建，如圖7所示;最后將肺氣管的三維點(diǎn)云坐標(biāo)數(shù)據(jù)導(dǎo)入CATIA軟件的“Digitized Shape Editor”模塊，進(jìn)行去除噪音、數(shù)據(jù)插補(bǔ)、數(shù)據(jù)平滑、網(wǎng)格化、曲面擬合處理，得到肺氣管的三維實(shí)體模型，如圖8所示。

4 結(jié) 論

根據(jù)四川大學(xué)華西醫(yī)院提供的患者胸部CT切片，利用區(qū)域生長原理，提取出了肺部大氣管。使用雙線性差值以及直方圖均衡化原理，改進(jìn)了區(qū)域生長算法，突出肺氣管壁邊界信息，改進(jìn)后的區(qū)域生長算法可以較好的解決了區(qū)域生長算法提取肺氣管時(shí)普遍存在的生長泄漏現(xiàn)象?；趨^(qū)域生長算法運(yùn)算速度快，提取的肺氣管連續(xù)完整，能夠有效地提取6級(jí)以下的肺部大氣管。

參考文獻(xiàn)

[1] Bray F，F(xiàn)erlay J，Soerjomataram I，et al.Global cancer statistics 2018：GLOBOCANestimates of incidence and mortality worldwide for 36 cancers in 185 countries[J].CA Cancer J Clin，2018，68（6）：394-424.

[2] 王 寧，劉 碩，楊 雷，張 希，袁延楠，李慧超，季加孚.2018全球癌癥統(tǒng)計(jì)報(bào)告解讀[J].腫瘤綜合治療電子雜志，2019，5（01）：87-97.

[3] 王 麗.中國原發(fā)性肺癌診療規(guī)范（2015年版）解讀[J].世界臨床藥物，2016，37（07）：433-436.

[4] 沈洪兵，俞順章.我國肺癌流行現(xiàn)狀及其預(yù)防對(duì)策[J].中國腫瘤，2004（05）：18-20.

[5] Petranovic M，Gilman MD，Muniappan A et al.Diagnostic Yield of CT-Guided Per-cutaneous Transthoracic Needle Biopsy for Diagnosis of Anterior Mediastinal Masses[J].American Journal of Roentgenology.2015，205（4）：774-779.

[6] Matsuura K，Kadoya T，Masumoto N et al.The role of lung biopsy in the management of lung nodules in breast cancer patients[J].Cancer Research.2015，79（7 Supplement）.

[7] 葉小軍.CT定位下經(jīng)皮肺穿刺活檢在肺部塊狀病變?cè)\斷中的應(yīng)用[J].影像技術(shù)，2019，31（02）：8-10.

[8] 任君清，吳 偉.經(jīng)皮肺穿刺與支氣管鏡活檢對(duì)周圍性肺癌的診斷價(jià)值[J].醫(yī)學(xué)信息，2019，32（05）：111-113.

[9] 岳玉亮，樊慶文，王德麾，李 煥.輻照仿真人體模型三維建模及裝配原理與方法[J].中國醫(yī)學(xué)物理學(xué)雜志，2016，33（05）：463-467.

[10] 趙志鍵，樊慶文，王德麾，李海博，裴宏亮.輻射等效假人數(shù)字化建模方法[J].中國醫(yī)物理學(xué)雜志，2018，35（03）：275-280.

[11] 姚小芬，潘慧紅，鐘玉敏，邱海嵊.3D打印技術(shù)在先天性心臟病伴氣管軟化診斷與治療中的應(yīng)用[J].中國醫(yī)學(xué)物理學(xué)雜志，2018，35（05）：580-584.

[12] Rafael C.Gonzalez，Richard E.Woods.Digital image Processing，Third Edition[M].BEIJING：Publshing House of Electronics Industry，2017.

[13] 楊 杰.數(shù)字圖像處理及MATLAB實(shí)現(xiàn)（第2版）[M].北京：電子工業(yè)出版社，2013.

[14] Pu J，Gu S，Liu S et al.CT based computerized identification and analysis of human airways：A review[J].Medical Physics，2012，39（5）：2603-2616.

[15] 丁雪晶.實(shí)現(xiàn)圖像縮放功能的Matlab插值算法研究與比較[J].湖北大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，40（04）：396-400+406.

[16] 徐鵬飛.雙線性插值和三次卷積在圖像縮放中的應(yīng)用及實(shí)現(xiàn)[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2017（12）：51+67.