基于CT圖像肺實質(zhì)分割的方法

摘 要：醫(yī)學影像研究的發(fā)展為現(xiàn)階段肺癌病例的分析提供了平臺，對肺部CT圖像進行病灶區(qū)域的分割工作是對病灶區(qū)域定位的關(guān)鍵步驟。文章改進的閾值分割算法的基礎(chǔ)上，提出一種簡潔有效的基于模板卷積的CT肺實質(zhì)割算法：首先對圖像進行預處理，消除原CT圖像中的邊界噪聲，然后將其二值化，并修補模板邊界。在得到完整肺實質(zhì)二值模板后，將其與原灰度圖卷積，反復實驗證明了本分割方法的有效性和快捷性。

關(guān)鍵詞：CT圖像；肺實質(zhì)；閾值分割

1 引言

CT 圖像的處理廣泛應(yīng)用于肺癌的診斷和治療中。近些年來，肺癌的發(fā)病率和病死率均迅速上升，目前已居所有癌癥之首。跟隨病人數(shù)量的擴大，醫(yī)生對CT圖像的工作量也提高了不少，在這種情況下難免工作效率降低并出現(xiàn)誤診[1]。為了幫助醫(yī)生減少重復性工作，CT圖像的計算機輔助檢測技術(shù)已經(jīng)成為圖像處理領(lǐng)域的研究熱點。現(xiàn)代醫(yī)學領(lǐng)域已經(jīng)越來越離不開計算機輔助醫(yī)學影像處理技術(shù)[2]的研究。

本文通過對改善的最佳閾值分割法的實驗進行改進，提出一種簡潔高效的肺實質(zhì)分割方法。分割法的主要步驟如圖2所示。首先，讀入原始CT圖像，對其進行預處理，然后分割目標區(qū)域。

2 CT圖像預處理

考慮到 CT 成像過程中可能受到不同來源的噪聲（如病人的衣服、空氣、檢查床等）干擾，預處理過程需要濾除隨機噪聲的影響[3]。首先對原CT 圖像進行裁切，然后進行灰度變換，增強對比度，濾波增強處理[4]。圖1 所示為CT圖像預處理結(jié)果圖，預處理的過程中，通過灰度變換和對比度增強等方法可以拉伸原CT圖像的灰度，使原來病不清晰的病灶邊緣信息顯現(xiàn)出來，有助于醫(yī)生對病灶的全面觀察。

3 CT圖像分割

CT圖像的分割，從處理結(jié)果上分析就是將圖像中有意義的區(qū)域和和其他不同區(qū)域分開，相互之間沒有交叉聯(lián)通部分[5]。在醫(yī)學 CT圖像中，主要是處理醫(yī)學圖像中的器官和組織之間的關(guān)系[6]。醫(yī)學圖像在臨床診斷中的發(fā)展是借助計算機及圖像圖形技術(shù)對感興趣區(qū)域進行精確的分割，定位。醫(yī)學圖像處理與分析過程中的關(guān)鍵技術(shù)是醫(yī)學圖像分割并且圖像中感興趣的分割是圖像分析與識別的重要問題。

3.1 最佳閾值分割法

最佳閾值算法就是通過迭代的方式選取最佳閾值。得到好的閾值的標準就是快速收斂和每次迭代的產(chǎn)生的新閾值相對上一次的閾值要有優(yōu)越性。最佳閾值分割算法的步驟如下[8]：

第一步：設(shè)閾值，首先根據(jù)圖像的最大灰度值和最小灰度值，求平均值，其公式為如下：

第二步：根據(jù)閾值Tn將圖像分割成骨骼區(qū)域和肺部區(qū)域兩部分，如將圖像的灰度值用P來表示，用N表示圖像分割區(qū)域，則這一部分應(yīng)該滿足一下的條件：

第三步：通過n次迭代最終求出最優(yōu)的閾值；

第四步：根據(jù)上面所獲取Tn+1值，判斷Tn+1=Tn，如果Tn+1=Tn，結(jié)束循環(huán)，否則轉(zhuǎn)第二步，一直到Tn+1=Tn位置進行循環(huán)。

圖4改進的模板卷積分割結(jié)果

3.2 改進的模板卷積分割方法

本文通過對閾值分割法及改善的最佳閾值分割法的實驗進行改進，提出一種簡潔有效的肺實質(zhì)分割方法。針對不粘連胸壁的結(jié)節(jié)和粘連胸壁的結(jié)節(jié)兩種情況就醫(yī)學圖像而言[9]，得到完整的肺實質(zhì)。作原理如下：（1）將原RGB格式的CT圖像轉(zhuǎn)換為灰度圖像，然后將灰度圖像轉(zhuǎn)為二值圖像，其中二值化的閾值選擇方法參考3.2節(jié)提出的最佳閾值法。（2）使用matlab圖像處理的填充函數(shù)imfill對二值圖像進行填充操作，填充類型為“holes”，填補二值圖中肺實質(zhì)中的空洞，這是為了獲取完整的肺實質(zhì)模板。（3）對填補后的圖像進行二值標記，并按面積大小將連通域降序排列標記，獲取其中面積最大的連通域，也就是我們需要的肺實質(zhì)模板，并將其保存。（4）如果填補后的模板邊緣有缺口，說明此時病灶處于粘連胸壁的位置，對缺口進行手工填補，若模板完整邊緣無缺口，則保存為肺實質(zhì)模板。如圖4.b所示。（5）對原灰度CT圖像進行預處理，突出病灶區(qū)，拉伸對比度后，與肺實質(zhì)模板進行卷積，得到肺實質(zhì)圖像，如圖4.c所示。

4 實驗結(jié)果分析

為了驗證CT圖像分割算法的有效性，利用本問題到的算法在 Matlab 2010a 的平臺上進行一系列實驗，實驗中用到的圖片分辨率為 512×512。

實驗結(jié)果證明，前兩種閾值分割法只能部分的分離開病灶區(qū)域，大多數(shù)情況下病灶區(qū)域與肺實質(zhì)仍有黏連部分，而且分割結(jié)果是二值圖像，病灶區(qū)無灰度對比，雖然強調(diào)其邊緣信息但是無法觀察病灶的全貌，當閾值選擇不當時更會丟失病灶信息，給后期病灶區(qū)域的提取帶來困難。本文提出改進的模板卷積肺實質(zhì)分割法，不但去除了原CT圖像所有邊界噪聲，還完整保留了肺實質(zhì)的邊緣及灰度特征信息，拉伸了病灶區(qū)與背景的對比度，可以清晰觀察到病灶。經(jīng)過反復實驗分割成功率達到87%，未能成功分割的圖片多由于原始圖像肺部邊界不完整或圖像已經(jīng)經(jīng)過其他處理有過多噪聲所致。

5 結(jié)束語

本章主要介紹了CT圖像的分割方法并且提出了一種提出一種簡潔有效的基于模板卷積的CT肺實質(zhì)割算法。提出的新方法可以彌補閾值分割方法的不足，解決不粘連胸壁的結(jié)節(jié)和粘連胸壁的結(jié)節(jié)兩種情況下問題的同時也分割出了比較理想的肺實質(zhì)部分。這一過程為后續(xù)的定位出病灶區(qū)域提供了很好的研究基礎(chǔ)。

參考文獻

[1]伊力亞爾·達吾提，哈力旦·A.基于CT胸部圖像肺結(jié)核球的定位[J].CT 理論與應(yīng)用研究，2012，21（1）：61-65.

[2]王義國.醫(yī)學圖像自動特征提取[D].長春：長春理工大學，2008.

[3]周林.基于CT圖像的肺部周圍型腫瘤特征提取與識別[D].計算機應(yīng)用研究，2007，24（4）：154-155.

[4]吳過，哈力旦oA.醫(yī)學圖像基本預處理簡析[J].科技風，2010.

[5]章毓晉.圖像分割[M].北京：科學出版社，2001.

[6]LI GJ，WAHB W.The design of optimal systolic arrays[J].IEEE Transactions on Computers，2000.

[7]思瑜.基于CT圖像肺部病灶區(qū)域的特征提取[D].吉林大學.2011.

[8]蔡梅艷，吳慶憲，姜長生.改進Otsu 法的目標圖像分割[J].電光與控制2007，12，118-120.

[9]楊娜娜，哈力旦·阿布都熱依木.孤立肺結(jié)節(jié)計算機輔助檢測系統(tǒng)設(shè)計.中國醫(yī)院藥學雜志[J].2012.

作者簡介：娜孜古麗·庫爾曼別克（1985-），女，新疆大學控制理論與控制工程學士研究生，研究方向：智能信息處理-圖像處理。

哈力旦·阿布都熱依木（1959-），女，新疆大學電氣工程學院教授，主要研究方向：醫(yī)學圖像處理、模式識別。

楊娜娜（1989-），女，在讀研究生，主要研究方向：醫(yī)學圖像處理。