基于CT圖像的肺實質分割技術研究

王娜娜，陳樹越

（中北大學 信息與通信工程學院 太原 030051）

0 引言

肺部疾病一直嚴重威脅著人類健康，在我國肺癌死亡率每年平均以4.4%的速度上升，自1996年以后上升為我國癌癥患者的第一殺手。如果肺癌能在早期被診斷和治療，其5年生存率可達40%～70%[1]。由于CT圖像能夠提供高清晰度的圖像，并且為圖像中各組織提供很高的對比度，通常應用于肺部疾病的診斷。在肺部疾病計算機輔助診斷研究中，肺實質的分割是最為核心的步驟，是影響分析自動化、穩定性、結果精確性的關鍵問題，其處理結果的好壞直接影響到后續的分析過程。圖像分割的本質就是按照一定的準則將圖像劃分為不同且不相交的區域，區域內部具有相同或相近的特性，而相鄰區域之間則具有不同的特性且被區域間的邊界分開。肺實質的分割指的是將肺實質從肺部CT圖像中提取出來，為臨床治療和病理學研究提供可靠依據。

近年來，肺部CT圖像在臨床上的應用越來越廣泛，臨床實踐證明，能檢測肺結節最有效的手段是多層螺旋CT[1-4]。對于肺部CT圖像而言，肺實質的分割是實現自動量化診斷的前提，具有十分重要的研究價值：(1)提取肺實質有利于醫生進行診斷和治療，對解剖結構進行幾何、物理、統計等參數策略，建立信息數據庫；(2)有利于進一步確定病灶的體積大小和病變程度，便于醫生

及時準確地制定治療方案；(3)確定其位置、形狀、分布區域，為放射治療、定向化療、外科手術等治療進行定位等。本文對基于CT圖像的肺實質分割方法作了總結。

1 分割方法

由于CT成像設備獲取的圖像具有內在的不確定性，其模糊程度依賴于許多因素：如熱/電噪聲、生物組織的多樣性及部分容積效應等，而肺部圖像與周圍的肌肉、血管等組織又缺乏良好的灰度對比，這些因素為肺部CT圖像分割帶來了困難。肺部CT圖像分割算法主要集中在以下幾類方法：閾值法、區域生長法、遺傳算法和主動輪廓模型。

1.1 閾值法

閾值法是一種古老的圖像分割方法，它用1個或幾個門限值將圖像的灰度直方圖分成幾類，認為灰度值在同一類的像素屬于同一個物體。由于CT圖像具有較高的密度分辨率，成像后的灰度差異很明顯，因此閾值分割對于CT圖像分割具有較好的效果，且其算法簡單、計算速度快。但在選擇閾值時需要用戶依據經驗判斷，或者先做多次嘗試性分割后再對閾值進行調整，直至用戶滿意。它的主要局限是只考慮了像素本身的值，一般并不考慮圖像的空間特性。由于閾值分割的局限性，常將它與其他方法結合起來使用，文獻[5]中，郭圣文、陳堅等人首先應用基于全局閾值的自動分割方法對肺部CT圖像進行分割，然后根據分割結果，應用自動輪廓跟蹤方法，準確提取肺部區域。文獻[6-7]中，都是綜合利用了閾值分割法和區域生長法。

1.2 區域生長法

區域生長法是根據預先定義的標準提取圖像中相連接區域的方法。區域生長法彌補了閾值分割法沒有或很少考慮空間關系的不足，但它的主要缺陷是每一個需要提取的區域都必須人工給出1個種子點，這樣有多個區域就必須給出相應的種子個數，而且對種子點及生長合并規則的選取也比較敏感。胸部軸向CT片一般分為3個部分：上肺、中肺、下肺。在肺實質提取過程中，肺部CT圖像經過初步處理之后，上肺層片中間目標區域上還保留有大氣管的影像，而在中層肺片上，還保留有左右主支氣管的影像，這都是不屬于肺實質的部分，需要去除，區域生長法多用于此處。文獻[8-9]中，賈同、卞曉月等人在肺實質分割過程中，采用了區域增長法對氣管和主支氣管進行剔除，排除干擾。文獻[10]中，梁洪等在分離氣管、主支氣管以及心臟和血管等高密度區域這類干擾信息的時候，綜合采用區域生長法和小面積計算的方法，這樣不僅能剔除一系列干擾信息，還能將原本屬于肺部組織的部分血管、結節、纖維化等高密度結構正確地歸到肺部區域，從而彌補圖像初始化過程中帶來的分類誤差。

1.3 主動輪廓模型

主動輪廓模型（Active Countor Model）是Kass[11]等人于1987年首次提出的。主動輪廓曲線的運動過程就是尋找能量函數最小點的過程，從人工定義的初始位置開始，在使能量函數遞減算法的驅使下產生形變，直至到達目標的邊緣。這種模型最顯著的優點是將圖像數據、初始輪廓的選取、目標輪廓特征的約束條件都集中在一個特征提取過程中。主動輪廓模型根據曲線的不同表示方法可分為2類：參數主動輪廓模型和幾何主動模型。

1.3.1 參數主動輪廓模型

參數主動輪廓模型是一條參數化的曲線，它是由圖像輪廓自身特征決定的內部能量和圖像特征決定的外部能量共同支配的。活動輪廓的所有屬性以及它的運動方式都可以通過一個根據物理運動系統中得來的能量函數進行描述。通過解偏微分方程使這條曲線在移動中能量逐步趨于最小并最終止于所要尋找的物體輪廓附近。傳統的參數主動輪廓模型算法存在2個主要問題：(1)對初始位置敏感；(2)無法檢測到目標邊界的凹陷處。

對于主動輪廓模型的缺陷，國內外研究者研究出許多不同模型，也對其進行了各種各樣的改進，使之適用于各自的相關領域。Cohen[12]等提出了氣球力Snake模型，在Snake模型中增加了一個大小為常數、方向沿曲線的外法線方向的氣球力。但是，氣球力是一種單向驅動力，初始輪廓線只能設置在目標內部或外部，不能與目標邊界相交叉，而且由于氣球力的存在，當遇到較弱的邊界時，氣球力會驅動輪廓線從弱邊界泄露出去。隨后，Cohen[13]等又提出了距離勢能模型，克服了氣球模型初始輪廓線不能與目標邊界相交以及弱邊界泄露的缺點，但是該模型需要利用其他檢測算子檢測圖像目標的真實邊界，而且輪廓線難以進入深度凹陷區域。Xu[14]等提出的梯度矢量流場GVF（Gradient Vector Flow，GVF）效果最好。它的初始輪廓既可以在我們感興趣的物體邊緣之外，也可以在它之內，甚至還可以跨越它，GVF模型被廣泛的應用于肺實質分割中。

陳允杰，張建偉在文獻[15]中針對傳統參數主動輪廓模型應用于圖像邊緣檢測時對于噪音過于敏感的不足，提出了一種新的圖像力。在新的圖像力的作用下，傳統的參數主動輪廓模型可以很好地減小噪音的干擾，使模型的分割性能更好。文獻[16]中，針對傳統的參數活動輪廓模型對初始輪廓曲線非常敏感，提出融合區域信息Snake模型圖像分割。該方法將氣球力Snake模型中的恒定氣球力替換為包含區域信息的變力，以目標和背景兩區域平均灰度值距離最大為準則，引導輪廓曲線進化。

1.3.2 幾何主動輪廓模型

為了解決參數主動輪廓線模型難于處理拓撲結構變化的問題，Caselles和Malladi提出了基于曲線的幾何度量參數（法向矢量、曲率等）的幾何主動輪廓模型[17]，它與參數主動輪廓模型最大的區別在于初始輪廓在輪廓曲線幾何特性的推動下向著目標的邊緣移動，而與輪廓的參數特性無關。而水平集方法的出現極大的推動了幾何主動輪廓模型的發展，并得到了廣泛的應用。水平集方法是一種簡單、精確、靈活的數值方法，具有很多優點，其中最主要的優勢在于能夠處理外形復雜、拓撲結構變化的圖像。文獻[18]中，魏穎等人針對Chan-Vese水平集圖像分割方法進行分析和改進，提出了結合全局區域均值和局部邊界信息的水平集改進算法，應用于肺部CT圖像分割和肺結節檢測，在圖像分割的目標函數中，在Chan-Vese方法基礎上，引入局部邊界統計特性能量項，以利于提高肺部醫學圖像分割的準確率和分割速度。實驗表明，該方法可以很好地分割出肺實質輪廓和肺結節病灶區域，在分割速度上比Chan-Vese方法有了明顯的提高，檢測結果不依賴于初始設置，將人工交互降至最低，有利于實現CT圖像肺結節自動檢測。楊勇等[19]針對測地線主動輪廓（GAC）模型進行了改進，提出了一種基于區域的GAC模型。通過構造基于區域統計信息的符號壓力函數取代邊界停止函數，有效解決了弱邊界目標或離散狀邊界目標的分割問題。該模型采用二值化水平集方法實現，避免了傳統實現方法水平集函數需要重新初始化為符號距離函數，從而導致穩定性差、計算量大、實現復雜等缺點。對不同類型圖像的實驗結果表明：該算法迭代收斂速度比GAC模型傳統實現方法明顯加快，且可有效防止邊界泄露，分割效果優于傳統GAC模型與C-V模型。幾何主動輪廓模型在應用中也存在不少問題，例如圖像內弱邊界區域由于邊界梯度變化緩慢導致曲線能量不平衡而越過區域邊界；以及噪聲的干擾使曲線停止演化而停留在噪聲處的情況。目前，研究者們都在水平集方法的基礎上不斷地降低計算復雜度，提高算法速度和分割準確度。

2 遺傳算法

遺傳算法（Evolutionary Algorithms）的基本思想是建立在自然選擇和群體遺傳學機理基礎上的隨機、迭代、進化，它采用非遍歷尋優搜索策略，是一種簡單、適于并行處理、具有魯棒性和廣泛適用性的搜索方法。秦曉紅等[20]采用了一種基于遺傳算法的邊緣檢測方法直接分割原始胸部CT圖像的肺組織，利用遺傳算法的全局尋優能力，以最大類間方差為適應函數自動搜索最佳邊緣檢測閾值，并結合形態學處理提取肺組織邊緣以實現肺組織分割。實驗結果表明，該方法能簡化分割處理，且分割效果較好，有不錯的應用前景。遺傳算法雖擅長于全局搜索，但局部搜索能力不足，所以在醫學圖像分割中又常把遺傳算法和其他算法結合結合起來應用。唐琳等[21]結合傳統的圖像分割方法，提出一種將遺傳算法與合并分裂法相結合的圖像分割算法，通過設計選擇、交叉、變異等遺傳操作算子及適應度評價函數來降低圖像分割產生的誤差。計算機仿真結果證明，該算法能夠取得較好的圖像分割效果。宋家慧在文獻[22]中，將遺傳算法用于最大熵閾值的圖像分割方法中，分別對一維及二維閾值分割的情況進行討論，并提出了一種基于改進型遺傳算法的最大熵閾值圖像分割方法。通過對幾幅經典圖像的分割結果對比，表明了基于遺傳算法的最大熵閾值的圖像分割方法可以有效地提高最大熵圖像分割的計算速度，提高圖像處理的實時性。

除了上述提到的這些算法，基于CT圖像的肺實質分割還有一些其它的方法。文獻[23]中，孟琭等將小波變換與數學形態學引入肺分割算法，通過小波變換對圖像進行分解，再運用數學形態學對分解后的各個分量執行不同的修補方法。從而在適當的尺度修正圖像的基本特征而不影響細節特征，在重構之后獲得理想的肺區域。孫旭輝等[24]采用了一種改進的FCM算法，將直方圖引入到FCM算法中，很好地對數據樣本進行優化，大幅度減少了圖像分割所用的時間，很好地完成了對肺部感興趣區域的分割。

3 結論

肺實質分割技術仍然是制約其他相關技術發展和應用的一個瓶頸。基于CT圖像的肺實質分割技術是開展醫學圖像在臨床和生命科學研究領域廣泛應用的一個先行程序，如：三維可視化、不同模式醫學圖像的配準和融合、放療計劃的制定、外科手術計劃的制定和仿真等。現在的分割算法大多是把多種理論結合應用，以達到相互補充的目的。縱觀近年來國內外的有關文獻可知，目前基于CT圖像的肺實質分割方法主要有以下4個方面的趨勢：(1) 提高算法的自動化程度，排除或盡可能減少人工干預；(2) 降低算法的復雜度，提高執行速度；(3) 提高算法的分割精度；(4) 提高算法的魯棒性。主動輪廓模型和基于水平集理論的研究仍將是今后一段時間研究的熱點，多種分割方法相結合，包括傳統分割方法和現代分割方法的結合仍將是基于CT圖像的肺實質分割技術的發展趨勢。相信隨著各種理論的不斷出現、發展、完善和成熟，將有更多的新理論應用于肺實質的分割，基于CT圖像的肺實質分割方法會更加成熟。

[1]Matthew S.Brown,Jonathan G.Goldin,Robert D.Suh,et al.Lung mi-cronodules:automated method for detection at thin-section CT-initial experience [J].Radiology,2003,226:256-262.

[2]Ella A.Kazerooni.Lung cancer screening[J].Eur Radiol Suppl,2005,15(4):D48-D51.

[3]Claudia L.Henschke,David F.Yankelevitz,Rosna Mirtcheva,et al.CT screening for lung cancer:frequency and significance of part-solid and nonsolid nodules [J].AJR.,2002,178:1053-1057.

[4]Jane P.Ko,Margrit Betke.Chest CT:Automated nodule detection and assessment of change over time-preliminary experience[J].Radiology,2001,218:268-273.

[5]郭圣文,陳堅,曾慶思.胸部CT圖像中肺實質的自動分割與計算機輔助診斷[J].華南理工大學學報,2008,36(1):72-75.

[6]蔣平,張建州,朱建峰,周林.基于胸部CT圖像的肺區自動分割[J].計算機工程與應用,2006(24):226-228.

[7]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.

[8]賈同,孟琭,趙大哲,王旭.基于CT圖像的自動肺實質分割方法[J].東北大學學報,2008, 29(7):965-967.

[9]卞曉月,武妍.基于CT圖像的肺實質細分割綜合方法[J].重慶郵電大學學報,2010,22(5):665-668.

[10]梁洪,李金.一種肺部CT圖像快速分割算法研究[J].中國醫療設備,2011,26(3):26-30.

[11]Kass M,Witkin A,Terzopoulos D.Snake:Active contour models[C]//Proe 1st Int Conf on computer Vision.London:IEEE Computer Society Press,1987:259-268.

[12]Cohen L D.One active contour models and balloons[J].CVGIP:Image Understanding,1991,53(2):211-218.

[13]Cohen L D,Cohen I.Finite element methods for active contour models and balloons for 2-D and 3-D images[J].IEEE Transactions on Pattern Analysis and Machine Intelligen ce,1993,15(11):1131-1147.

[14]Xu C,Prince J L.Snakes,shapes,and gradient vector flow[J].IEEE Transactions on Image Processing,1998,7(3):359-369.

[15]陳允杰,張建偉.一種新的圖像力在snake模型中的應用[J].計算機應用,2004,24(12):28-30.

[16]周昌雄,劉淑芬,王峰,范海健,徐榮青.融合區域信息snake模型圖像分割[J].計算機應用與軟件,2010,27(9):23-25.

[17]Tai X,Chan T F.A Survey of Multiple Level Set Methods with Applications for Identifying Piecewise Constant[J].International Journal of Numerical Analysis and Modeling,2004,1(1):25-47.

[18]魏穎,徐心和,賈同,趙大哲.基于優化水平集方法的CT圖像肺結節檢測算法[J].系統仿真學報,2006,18(2):909-915.

[19]楊勇,徐春,潘偉民.基于區域GAC模型的二值化水平集圖像分割算法[J].計算機應用,2009,29(9):2414-2417.

[20]秦曉紅,孫豐榮,王長宇,李艷玲,王曉婧,陳力華.基于遺傳算法的胸部CT圖像肺組織分割[J].計算機工程,2007,33(19):188-190.

[21]唐琳,蔡德榮,黃猛.一種基于遺傳算法的圖像分割算法[J].計算機與數字工程,2008,36(7):12-14.

[22]宋家慧.基于遺傳算法的最大熵閾值的圖像分割[J].電子工程師,2005,31(2):60-63.

[23]孟琭,趙大哲,賈同,趙宏.一種改進的CT胸部圖像肺組織分割方法[J].東北大學學報,2009,30(2):187-190.

[24]孫旭輝,田啟川,李臨生,武志峰.面向CT影像的肺結節計算機輔助診斷算法[J].計算機測量與控制,2011,19(2):295-299.