基于改進型區域生長法的心臟三維建模的實現

王章玉，楊翠微

復旦大學信息科學與工程學院電子工程系，上海市，200433

基于改進型區域生長法的心臟三維建模的實現

【作 者】王章玉，楊翠微

復旦大學信息科學與工程學院電子工程系，上海市，200433

圖像分割是圖像處理的關鍵步驟。該研究基于動物實驗采集的心臟CT圖像，設計出改進型區域生長法對其進行圖像分割處理，提取出心臟的輪廓應用于心臟三維建模，并與經典的閾值分割法進行對比。結果表明，該方法可用于臨床電生理標測中心電活動的三維顯示。

CT圖像； 圖像分割； 區域生長法； 心臟三維建模

0 引言

房顫作為一種臨床上常見的心律失常，其電生理機制尚未完全闡明[1]。關于房顫發生和維持機制的各種假說都不能夠完全令人信服。心臟標測在房顫機制研究過程中起到了極其重要的推動作用，可將所研究的心臟各部位的激動分布、傳播途徑通過時空圖表的方式形象地表達出來，很多關于房顫發生和維持機制的理論假說都從心臟標測中得到了支持和驗證。由于心外膜電位標測的電極陣元與心外膜直接接觸，所以標測結果能客觀而精確地反映心電興奮起源及傳播的過程[2]。為了更加直觀的觀察心臟表面的電活動，需要作出三維的動態等電位標測圖。實現這一過程的基礎就是心臟的三維建模。

1 算法原理

近三十年來，研究人員做了大量的工作，提出了很多實用的分割算法。1985年kapur等提出了一維最大熵閾值法，1989年Abutaleb將一維最大熵方法推廣到二維，Kass等提出了著名的活動輪廓模型，Wells等提出了自適應分割方法[3-4]。目前最常見的方法是閾值分割法和區域生長法。閾值分割法作為經典的分割方法，簡單實用，但對灰度不均較敏感。區域生長法相對較小的結構或組織區域進行分割效果較好。因此，本文研究綜合采用區域生長法和閾值分割法對心臟CT圖像進行處理，并對處理結果做了對比。

1.1 區域生長法的原理

區域生長法的基本思想是將具有相似性質的像素集合起來構成區域[5]。其實現過程需要首先選取一個種子點，將種子像素周圍的相似像素合并到種子像素所在的區域中。然后以新的像素繼續做種子向四周生長，依次不斷地合并，直到不能合并為止。

在實際應用區域生長法時需要解決三個問題：

(1) 選擇或確定一組能正確代表所需區域的種子像素( 選取種子) ；

(2) 確定在生長過程中能將相鄰像素包括進來的準則( 確定門限) ；

(3) 確定讓生長過程停止的條件或規則(停止條件)。

1.2 閾值分割法原理

閾值法是一種很簡單實用的圖像分割方法[6]。其中閾值是指用于區分目標和背景的灰度門限。如果圖像只有目標和背景兩大類，那么只需選取一個閾值，將圖像中每個像素的灰度值與閾值相比較，灰度值大于閾值的像素為一類，灰度值小于閾值的像素為另一類，這種方法稱為單閾值分割。如果圖像中有多個目標，就需要選取多個閾值將各個目標及背景分開，這種方法稱為多閾值分割。閾值T 一般可表示成[6]：

其中p(x, y)代表點(x, y)處的灰度值，q(x, y)代表該點鄰域的某種局部特性。根據(1)式可將閾值分為全局閾值、局部閾值和動態閾值。設(x, y)是二維數字圖像平面上的點，f (x, y)是圖像各點的灰度值，圖像灰度級范圍為G=[0, L-1]，閾值T對圖像的分割結果定義為[6]：

2 改進型區域生長法

本文用于分割的原始CT圖像數據來源于犬的心外膜標測動物實驗。圖1是本文所研究的胸腔CT圖樣，圖中可見原始圖像具有較為鮮明的灰度特征。因此我們的分割方法以灰度差為主要的生長準則。

圖1 實驗犬胸腔的CT原始圖像Fig.1 The original CT image of canine chest

首先需要設置種子點I(x, y)。我們將種子點選取在胸腔內非心臟部分，因為在CT圖片中，胸腔內除了心臟并無其他部分，因此，對這一部分進行區域生長，連成同質的整體。傳統的圖像分割是突出感興趣區域(ROI)，在本文中，我們突出背景區域，其實也就相當于突出了感興趣的心臟區域。

選好了種子點，接下來需要利用種子點的灰度特征增長為感興趣區域。本研究對種子點周圍的8個點I(x+u, y+v)(u, v是步長，-1:1)進行測試，每考察一個點，像素點計數器加1。取閾值為10，若像素點與種子點像素差值小于閾值，則為同質區域，并將該像素點的灰度值加入灰度計數器中。用灰度計數器的計數和與像素點計數器的計數和相除，就能得到新的平均灰度，作為新的測試標準測試其他的點。若超過閾值，則對這一點不再測試。

種子點的位置范圍確定后，還需要考慮怎么選取種子點的精確位置。畢竟不同的圖像，種子點的選取位置一般會不同。為了增強實用性，本文采用人機交互的軟件用于精確選取種子點的位置。

3 實驗設計和結果

3.1 實驗設計

由于本文所述的圖像分割是為心外膜電標測信號研究服務的，因此必須考慮以后的實際應用。目前的心臟三維建模采用的圖像分割方法，多數需要較多的人工經驗操作，費時費力，對于實際的應用來講效率不高。而全自動分割算法，又會由于目前本身的技術不成熟以及不同情況下的可能出現的特點難以完全自動把握，從而使得結果不太精確。因此，本研究試著采取一種帶有人機交互的半自動方式，取得精確性和效率的平衡優化。

種子點的選取是一個復雜的問題。因為對于不同的CT圖像，生長點一般是會變化的，因此最好做成會隨機變化的。心臟CT圖像所需種子點的特征應該是：(1) 在胸腔內；(2) 灰度是0。

針對這兩個特征，本研究采用的辦法是設計一個人機交互的程序，人為的判斷胸腔內某一點的位置，輸入點坐標進行測試，如果符合要求，會自動返回“我可以成為種子點”的結果，并進行后續的分割。若不符合要求，則會輸出“我不是種子點”的結果，并停止分割算法。圖2是這種改進型區域生長法的流程圖。

圖2 改進型區域生長法流程圖Fig.2 The fowchart of improved region rowing method

3.2 實驗結果

我們選取了編號為17的CT數據作為原始圖像，本文方法與閾值法的分割結果對比如圖3所示。圖4和圖5分別為采用本文方法與閾值法進行分割后的心臟三維建模圖形。

比較圖4和圖5的心臟三維模型可以看出，改進型區域生長法和閾值分割法分割出的心臟CT圖像大體上基本一致，但該文方法比純由閾值法分割出的圖像建立的模型要平滑一些。為了探明這些誤差影響，我們設計了一組測試程序，用于對分割結果的評價。

圖3 分割結果Fig.3 The segmentation results

圖4 閾值法分割圖像建立的心臟三維模型Fig.4 The 3D heart model built with the threshold segmentation

圖5 改進型區域生長法分割圖像建立的心臟三維模型Fig.5 The 3D heart model built with the improved region growing method

4 分割方法的評價

圖像分割的評價，其實是通過對不同圖像分割算法性能的研究，幫助優化分割算法。同時，通過評價也可以知道不同算法的特點，從而在面對不同的問題時可以選擇最適合的分割方法。

通常一幅圖像分割結果的好壞，主要是由研究者的主觀標準作為評價標準，但由于每個人視覺上存在差異，因此制定一個定量定性的方法很有意義。

圖像分割結果的評價方法可大致分為直接法(又稱分析法)和間接法(或稱實驗法)兩大類[7-10]：前者是直接對算法的原理及性能進行分析，不足之處在于沒有考慮算法的應用環境，評價結果只與算法本身有關；后者是通過同一應用環境下的測試給出評價結果。

(1) 分割建模時間

半自動的區域分割法可以在2 min左右用Matlab完成本文57幅圖的分割并三維建模(測試環境：intel(R) Core(TM)2 Duo CPU T7100 @1.80 GHz，1.96 GB內存)。閾值分割法由于需要手動選取ROI，因此當處理的對象多時工作量很大，對于57張圖，至少需要幾個小時。從效率上來講，區域生長法比閾值分割法更快捷方便。

(2) 目標像素點差異性

本研究利用Matlab設計程序執行，循環測試兩組分割結果。得到差異點最多的十組圖差異數據如表1所示（按從多到少排列）。

表1 分割結果差異點列表Tab.l The difference point list of the segmentation results

(3) 區域內部的均勻性

由于本實驗分割圖像的灰度值被統一為ROI區域為0，背景為1，因此均勻性很好。兩種方法的均勻系數UM均為1。

從整體上來看，閾值分割法簡單，但是費時間。而改進型區域生長法實現了半自動分割，但是所耗費的時間很短，實際差異率也不大。在心外膜標測結果的三維顯示中改進型區域生長法更具有應用潛力。

5 討論

本文基于圖像分割經典方法和心臟三維建模技術，對心臟CT圖像輪廓提取方法進行了分析和探討。結果表明，本研究的兩種分割方法對于心臟CT圖像的處理都具有不錯的效果，根據圖像合成的三維模型與實際十分接近。其中改進型的區域生長法由于兼具實時性和準確性，適合在今后的基于CT圖像的心臟三維建模工作中廣泛應用。

[1] 陳麗麗, 楊水祥. 房顫機制與治療進展[C]. 第二屆國際心血管熱點論壇論文集. 2010

[2] 楊翠微. 基于心外膜標測技術的房顫表征方法及電生理機制研究[D]. 復旦大學, 2008.

[3] 田捷. 醫學影像處理與分析[M]. 北京：電子工業出版社, 2003.

[4] 林麗秋, 陳亮亮. 醫學圖像分割研究概況[J]. 科技信息, 2011, (21): 42-43.

[5] 李久權, 王平, 王永強, 等. CT 圖像分割幾種算法[J]. 微計算機信息, 2006, 22(21): 240-242．

[6] 楊暉. 圖像分割的閾值法研究[J]. 遼寧大學學報自然科學版, 2006, 33(2): 136-137.

[7] 章毓晉. 圖像分割評價技術分類和比較[J]. 中國圖像圖形學報, 1996, 1(2): 151-158.

[8] Zhang YJ. Comparison of segmentation evaluation criteria [C]. Proc ICSP, 1993, 870-873.

[9] Sairanyi T. Subpixel pattern recognition by Image Histogram[J]. Pattern Recognit, 1994, 27: 1079-1092.

[10] Nasif AM, Levine MD. Low level image segmentation: an expert system[J]. IEEE Trans PAMI, 1984, 6: 555-557.

lmplementation of 3D Heart Modeling Based on an lmproved Region Rowing Method

【Writers】Wang Zhangyu, Yang Cuiwei
Electronic Engineering Department, School of Information Science and Technology, Fudan University, Shanghai, 200433

CT image, image segmentation, region growing method, 3D modeling of the heart

TP391.41；R735.7

A

10.3969/j.issn.1671-7104.2014.05.001

1671-7104(2014)05-0315-03

2014-04-29

國家自然科學基金(61071004)；上海市科委資助項目(13441902800)

楊翠微，教授，E-mail: yangcw@fudan.edu.cn

【 Abstract 】Image segmentation is a key step for image processing. This study developed an improved region growing algorithm to extract the outline of the heart for 3D-modeling which based on the acquisition of canine cardiac CT images from animal experiment. In this paper the method was also compared with the classic algorithm of threshold segmentation. The result showed that the method can be used for the 3D display technology of cardiac electrical activity in clinical electrophysiology mapping.