一種肺部CT圖像快速分割算法研究

梁洪，李金

哈爾濱工程大學 自動化學院生物醫學工程研究所，黑龍江 哈爾濱 150001

一種肺部CT圖像快速分割算法研究

梁洪，李金

哈爾濱工程大學 自動化學院生物醫學工程研究所，黑龍江 哈爾濱 150001

針對臨床輔助診斷的需求，本文提出一種肺部感興趣區域快速分割算法。該算法首先利用最大類間方差（OTSU）法對圖像進行預分割，然后利用區域生長及小面積消除方法剔除干擾信息，并生成掩模圖像，最后運用數學形態學方法對模板進行細化，并將原始圖像與掩模圖像進行數學運算，從而獲得肺部感興趣區域。實驗結果表明，本文提出的算法自動化程度高，分割較為準確。

CT圖像；最大類間方差；數學形態學；肺部感興趣區域；CT肺部成像

在臨床影像診斷過程中，醫生一般只關注有利于疾病診斷的感興趣區域（Region of Interest，ROI）。通過對肺部CT圖像的特點進行分析，我們可以發現能夠反映肺部病變的信息全部集中在肺部區域中，而其它如胸廓、心臟、檢查床和患者衣物等屬于不相關信息，但這些信息會干擾病變區域特征提取的準確性，因此，對胸部CT圖像進行分割提取肺部組織是一種有效提取病變區域的特征，同時也是降低非相關信息干擾的行之有效的手段[1]。

通過對現有圖像處理算法的總結與應用，本文提出一種適用于肺部病變CT圖像的快速分割方案，能夠快速有效地提取肺部感興趣區域。

1 總體設計

根據胸部CT圖像的影像學和解剖學特點，首先利用最大類間方差法（OTSU法）對圖像進行預分割，然后利用區域生長及小面積消除方法剔除干擾信息，同時生成掩模圖像，最后運用數學形態學方法對模板進行細化，將原始圖像與掩模圖像進行數學運算即可得到肺部區域。具體方法如圖1所示。

圖1 肺部區域提取示意圖

2 快速分割算法

2.1 基于OTSU方法的圖像預分割

最大類間方差法由日本學者Nobuyuki Otsu[2]首先提出，是一種自適應的閾值確定方法，又叫大津法，簡稱OTSU法。該方法應用類判別法尋找最佳閾值，以獲得最好的分離特性?？疾旆尾酷t學圖像，可以發現背景和目標的灰度差值很大，如圖2所示。因此，利用OTSU法依據類間距離極大準則來確定區域分割閾值就意味著錯分概率最小。

圖2 胸部CT圖像及其直方圖

設圖像f(x,y)有L個灰度級，則圖像的灰度統計直方圖可以由以下離散函數表示：

式中， sk為圖像f(x,y)的第k級灰度值， nk為f(x,y)中具有灰度值sk的像素的個數， n為圖像像素總數。

選定閾值t，將圖像分成灰度區間為O:t的目標 和灰度區間為(t+1):(L-1)的背景f2(x,y)兩類，則f1(x,y)和f2(x,y)的概率可由下式表示：

兩類圖像的灰度均值和圖像總體均值則可以表示為：

OTSU方法把兩類的類間方差作為得到最優分割閾值的判別準則，認為使得分離度為最大的 值為最佳閾值。

本文利用大量圖像進行了實驗，在此僅以一幅胸部CT圖像為例。圖3的(a)為原始圖像，(b)為利用OTSU法預分割得到的結果。

圖3 胸部CT圖像OTSU法分割結果

2.2 基于區域生長與小面積計算的無關信息消除

胸部軸向 CT層片一般分為三層：上肺野層片、 中肺野層片和下肺野層片，我們選取的CT測試圖像大多集中在上肺野層片和中肺野層片。經過OTSU法分割后，肺部CT圖像根據灰度值分布情況將肺部區域和背景大致分開，然而，在上肺野層片的中間目標區域上還保留有大氣管的影像，在中肺野層片上，保留有左右主支氣管的影像。另外，圖像中還存在檢查床、心臟和血管等高密度區域，這些區域都會對提取完整的肺部區域形成干擾，為了去除這些無關信息，我們利用基于區域生長的方法和小面積計算的方法繼續進行分割。

區域生長是一種典型的串行區域技術，其基本思想是將具有相似性質的像素集合起來構成區域，從某個像素出發，按照一定的準則，逐步加入臨近像素，當滿足一定條件時區域生長終止，可以用圖4表示。

圖4 區域生長流程圖

影像區域生長結果的好壞有以下3個原因：初始點（種子點）的選取、生長準則和終止條件。

初始點的選擇，可以是人工加入的交互信息，也可以讓計算機自己選取種子點進行區域生長。針對胸部CT圖像的特點，本文采用 鄰域模板，種子點選取為圖像的中心，生長準則是相鄰象素的象素值小于10，終止條件是一直進行到再沒有滿足生長準則需要的象素時為止。經過區域生長再分割和反色變換后得到的圖像如圖5(a)所示。

除了大部分肺部組織外，氣管、支氣管因內部充滿空氣，也顯示為低密度影區，而原本屬于肺部組織的部分血管、結節、纖維化等則顯示為高密度影區[3]。通過目測就能發現，氣管、支氣管對應的低密度影區的面積要明顯小于肺部組織對應的白色區域面積；而肺實質內的血管、結節、纖維化等對應的高密度影區的面積也遠不及肺部組織的面積。由此，我們分別對圖像的兩個密度區域進行連通域標記，測得各連通區域的面積，同時選取合適的面積閾值，并對面積小于相應閾值的區域內的像素值取反，這樣不僅可以自動去除氣管、支氣管等干擾，而且能夠將上述高密度結構正確的歸到肺部區域，從而彌補二值化過程帶來的分類誤差。處理結果如圖5(b)所示。

圖5 去除無關信息的結果

2.3 基于形態學方法的掩模生成與細化

通過上述一系列的處理，肺部模板已經基本成形，但是，對圖5(b)進行分析可以看到，由于肺實質邊緣密度和周圍組織非常相近，在肺部區域預分割時常常將其誤分為背景，因此，本文利用形態學的閉運算對模板進行細化。

圖6(a)為利用閉運算細化得到的最終模板，將原圖與模板做減運算即得到了肺部區域的完整圖像，如圖6(b)所示。可見，閉運算能夠填平小的空洞，彌合小的裂縫，而總的位置和形狀不變，原圖經過閉運算后，斷裂的地方被彌合了。

圖6 分割最終結果

3 結論

本文提出的算法對大量肺部CT圖像進行分割，并與現有的肺部區域分割算法比較[4-6]，其實驗結果表明，本文提出的算法簡單且易于實現，能夠較為迅速且準確的分割出雙肺區域，并能夠有效地去除氣管和支氣管等干擾。與此同時，在處理含有血管、結節、纖維化等高密度影區的圖像時，能夠進行高效且準確的分割。但由于人體胸部解剖結構的差異，該分割算法還不能適用于在靠近胸廓位置含有高密度影等類型的圖像。為了更好地滿足臨床輔助診斷的需求，對算法進行改進是未來的工作目標。

[1] 曹蕾,占杰,余曉鍔,等.基于自動閾值的 CT 圖像快速肺實質分割算法[J]. 計算機工程與應用, 2008, 44 (12):178-181.

[2] Otsu N.A threshold selection method from gray level histogram[J].IEEE Trans on Syst Man,Cybern,1979,9(1):62-66.

[3] 吳恩惠.醫學影像診斷學[M].北京:人民衛生出版社, 2001.

[4] 陳旭,莊天戈.胸部高分辨率CT片中肺實質的自動分割[J].上海交通大學學報, 2002,(36)7:946-948.

[5] Shojaii R, Alirezaie J, Babyn P. Automatic lung segmentation in CT images using watershed transform. Image Processing, 2005. ICIP 2005. IEEE International Conference on,2005,2: II-1270-3.

[6] Lu Meng, Hong Zhao. Interactive Lung Segmentation Algorithm for CT Chest Images Based on Live-Wire Model and Snake Model[M]. Electronic Computer Technology, 2009 International Conference on, 2009:461-466.

[7] 柳淵,等.基于MITK的醫學圖像三維重建方法研究[J].中國醫療設備,2009,24(1):10-13.

[8] 李慶玲.CT圖像肺結節自動檢測算法研究與實現[D].北京:北京交通大學,2010.

[9] 曹蕾.肺結節圖像的分析與識別[D].廣州:南方醫科大學,2009.

A Fast Segmentation Algorithm Approach on Lung ROI

LIANG Hong, LI Jin
Biomedical Institution, College of Automation, Harbin Engineering University, Harbin Heilongjiang 150001, China

According to the request of clinical diagnostic-assisted, a fast segmentation algorithm approach on lung ROI is proposed in this paper. Firstly, maximum between-cluster variance method is applied to presegment the image. Secondly, the method of region growing and small area elimination is applied to get rid of disturb information and generate mask image in the meantime. Lastly, the mathematical morphology method is applied to refine the template image. And arithmetical operation is used to original image and mask image to get lung region of interest. The experimental results indicate that the algorithm in this paper has a high automation degree and accuracy segmentation.

CT images; maximum between-cluster variance; mathematical morphology; lung region of interest; lung CT imaging

TP391.4

A

10.3969/j.issn.1674-1633.2011.03.010

1674-1633(2011)03-0028-03

2010-09-30

作者郵箱：lh@hrbeu.edu.cn