肺實質CT圖像分割方法

崔 穎，王小鵬，于 揮，陳 璐

（蘭州交通大學 電子與信息工程學院，甘肅 蘭州730070）

0 引 言

肺實質分割在肺部疾病診斷中是最為關鍵的步驟之一，得到了眾多國內外研究者的重視。Denison D M 等［1］提出通過手動跟蹤邊界的方法估計正常人肺內的氣體區域和組織體積來判斷肺區輪廓的位置，但手動方法費時費力，而且會因觀察者不同而得出不同的結論，致使肺區輪廓定位不準確；Armato S G 等［2］結合肺部CT 圖像中的灰度特征動態地選取閾值來確定肺區邊界，該方法雖然優于固定閾值法，但由于肺區內組織復雜多變，而且灰度對比度較低，因此提取的肺區輪廓誤差較大；文獻 ［3－5］中闡述了手動指定種子點的區域生長法，雖然可以很好地分割出肺區邊緣高密度區域，但該方法對種子點和生長規則的選取十分敏感，很難達到預期效果；基于模式分類［6］的分割方法可以對肺區定量或結構化描述，但需要大量的樣本統計并提取多個特征。另外，肺實質分割的過程中，左右肺區往往會因為肺尖內側的縱隔區相對狹窄而連結在一起。圖搜索算法［7］雖然可以有效定位左右肺區連接線的狹窄區域，由于搜索總是按預先規定的路線進行，沒有考慮問題本身的特性，所以最優搜索途徑較難選擇；像素分析法雖然可以通過像素的分布連接形成像素分界線將左右肺區分開，但該法在狹窄區域內難以精確定位有效像素。

綜合以上分析，本文提出的肺實質分割方法，首先結合Otsu多閾值算法［8，9］和形態學開運算對圖像進行粗分割和干擾區域的去除；然后針對左右肺區連結的情況采用基于投影的標記控制分水嶺分割方法［10］分離左右肺區；最后進行細化處理，實現肺實質分割。

1 肺實質分割方法實現

根據人體肺部結構分析，肺腔中布滿了空氣，其CT值較周圍其它組織相對較低，同時肺部中存在著復雜的血管、組織液、氣管、主支氣管等解剖結構，尤其在特殊的病理情況下，肺部CT圖像形態各異，常常會遇到左右肺區連結的情況。本文分割過程主要包括4個步驟，具體如圖1所示。首先，依據肺部CT 圖像中不同組織間的灰度級差異采用多閾值法得到肺實質粗分割輪廓；利用形態學開運算去除肺部CT圖像中的氣管和主支氣管等干擾區域影像；然后采用基于投影的標記控制分水嶺分割解決左右肺區連結的情況；最后，運用形態學開閉運算細化肺實質輪廓。

圖1 肺實質分割過程

1.1 肺實質粗分割

肺部CT 圖像中，考慮到肺區密度較低，且肺區周圍組織灰度分布不均勻，復雜交錯。為此，本文將Otsu閾值法擴展到多閾值的圖像分割，在肺部CT 圖像的不同灰度級組織類中使用局部Otsu法進行處理，以得到較準確的肺區輪廓。

假設圖像中有n個待分割的類，則有n－1個閾值t1，…，tm，…，tn－1將圖像分成n個類，所得到的類分別為

同時定義類間方差

其中

其中ωi為第i類圖像灰度的概率比例，μi 為第i類圖像灰度的均值，Pi為圖像灰度直方圖中各灰度級的出現概率（i＝1，2，…，L）。當σAB最大時，則該組閾值即為最優閾值。

多閾值分割的最優閾值個數是不確定的，但對于分割的效果至關重要。因此引入一個截止參數CP 作為圖像分割類別數目的判斷條件，定義為

分割過程具體步驟如下：

步驟1 令CP ＝0并計算γT；

步驟2 判斷CP 是否滿足一定條件，滿足轉到步驟6，否則執行步驟3；

步驟3 對已存在的不同類進行分析，并計算尋找類內方差最大的一個類；

步驟4 對找到的類內方差最大類使用Otsu法產生新的分割閾值，并加入原先存在的閾值組中；

步驟5 重新計算γT并對CP 重新賦值，執行步驟2；

步驟6 得到最優閾值組，對圖像進行閾值分割。分割結果如圖2所示。

圖2 多閾值粗分割

1.2 氣管和主支氣管去除

肺實質粗分割后，圖像內部通常會存在一些干擾區域，比如血管、氣管和主支氣管，尤其是氣管和主支氣管的干擾對肺區后續分割帶來很大影響。為此采用二值形態學開運算，即

去除肺部區域中分散的小的干擾區域和小于預設面積（5000Pixel）的干擾連通區域，實現結果如圖3所示。其中f 表示多閾值粗分割后的二值圖像，b表示半徑為6的圓形結構元素。

圖3 去除干擾和氣管

1.3 左右肺區分離

肺部CT 圖像形態各異、結構復雜，若多閾值粗分割后出現左右肺區未分離的情況，則必須進行再分割。針對左右肺區連結的特殊病理，本文提出了一種基于投影的標記控制分水嶺分割方法，具體實現步驟如下：

（1）定位左右肺區連結區域：建立XY 坐標系，并沿Y軸對圖像正半軸部分進行積分投影如圖4所示。

（2）標記左右肺區連結區域：設置一個以P0（x0，y0）為中心的矩形區域R（P0，r），則該區域即為左右肺區連結的感興趣區域，如圖5所示。P0定義為

（3）左右肺區連結區域再分割：針對左右肺區連結處的感興趣區域R 以高密度狀態存在、連接線非常狹窄的特點，采用分水嶺分割的方法常常會導致 “過分割”，因此引入基于標記符的概念來控制過分割現象，效果較為理想。實現步驟如下：

步驟1 根據肺區感興趣區域的灰度值選擇一個閾值進行內部標記；

步驟2 對步驟1中的標記圖像進行距離變換分水嶺分割，所得曲線輪廓即為外部標記。

步驟3 采用強制最小技術修改圖像灰度，使局部最小區域只出現在標記位置。

步驟4 對所得梯度圖像進行標準分水嶺變換。如圖6所示。

圖4 積分投影定位連結區域

圖5 標記左右肺區連結區域

1.4 肺實質輪廓細化

肺實質分割的目的在于找出肺區內部的肺結節，由于肺實質邊緣結節密度和周圍組織密度非常相近，在肺實質粗分割時無法包含這部分區域，因此需要對肺區輪廓缺口進行修補［11］。開運算能夠消除圖像中無法容納結構元素的凸區域，閉運算能夠填充圖像中無法容納結構元素的凹區域。因此利用結構元素b對圖像f 進行閉運算操作，記作f·b，定義為

圖6 連結區域再分割結果

式中：b——橢圓形結構元素，長軸半徑為11，短軸半徑為8。通過二值形態學開閉運算可達到肺實質輪廓修補的目的，如圖7所示。

圖7 肺實質輪廓細化

2 實驗結果與分析

由于不同個體之間生理結構差異較大，為了驗證本文方法的有效性，實驗選取了121張臨床醫學肺部CT圖像，分辨率均為512×512，并在MATLAB7.0平臺下進行了仿真實驗。

圖8第一行給出了肺部CT 圖像集中的3 幅數據樣本CT－1，CT－2和CT－3的原始圖像，第二行分別為原始圖像CT－1，CT－2和CT－3采用本文方法分割后的結果?？梢钥闯觯瑘D8 （d）～ （f）中去除了胸腔內不同灰度級存在的復雜組織以及肺部區域內的血管、氣管和主支氣管，并修補了肺區輪廓缺口。另外，在樣本CT－3中存在左右肺區連結的特殊狀況，其分割結果如圖8 （f）所示，左右肺區分離的效果較為理想，驗證了本文分割方法能夠有效解決肺部中存在的特殊病理情況。為了直觀地體現本文方法的分割效果，圖9第一行給出了CT－1，CT－2和CT－3分割結果與原始肺部CT 圖像疊加后的效果圖。對比本文方法 （圖9第一行）和專家手工分割結果 （圖9第二行），可以看出，本文方法的肺實質輪廓分割接近于專家勾畫的結果。

為定量分析本文方法分割的準確率，首先收集專家對10組不同病人CT 圖像數據集的手工分割結果，然后分別與本文方法分割后的相應區域進行比較，并采用如下公式計算準確率

式中：P（i）——肺實質輪廓區域分割的準確率，Nc（i）——專家手工分割結果與機器分割結果重疊部分的像素數，Nh（i）——專家手工勾畫的肺實質區域像素總數。

表1給出了本文方法對121張不同病理特征的肺部CT圖像進行分割后的準確率統計，其中對于左右肺區未連結情況分割準確率為94.7%，左右肺區連結情況分割準確率為93.1%，總體分割準確率可達到93.9%以上。

表1 肺實質分割準確率

3 結束語

本文提出的肺實質CT 圖像分割方法，針對肺部CT 圖像中各組織結構復雜、形態各異等實際情況，綜合利用了多閾值、形態學、投影和標記控制分割等算法進行了有效處理。運用多閾值法提取肺部中各類不同灰度級組織，便于肺實質輪廓的粗分割及二值化處理，然后結合形態學開運算去除肺實質的干擾區域?？紤]到多閾值法無法分離左右肺區連結的問題，采用投影法標記定位感興趣區域并引入標記控制的分水嶺變換進行左右肺區的再分割。最后，利用形態學開閉運算細化肺實質輪廓，修補肺區輪廓缺口，進一步完善分割結果。實驗結果表明，該方法能夠有效對肺實質進行分割，并且分割準確率接近于專家手工分割。

圖8 不同肺部CT 圖像分割結果

圖9 肺部CT 圖像分割結果對比分析

［1］Denison D M，Morgan M D，Millar A B.Estimation of regional gas and tissue volumes of the lung in supine man using computed tomography ［J］. Thorax，1986，41 （8）：620－628.

［2］Armato S G，Sensakovic W F.Automated lung segmentation for thoracic CT：Impact on computer－aided dignosis［J］.Acad Radiol，2004，11 （9）：1011－1021.

［3］Chen Yada，Bao Susu.A new region growing method on liver CT serial images［J］.Computer Engineering and Applications，2010，46 （13）：188－190.

［4］Cheng Ming，Huang Xiaoyang，Huang Shaohui.Directional region growing algorithm and its application in the vessel segmentation ［J］.Chinese Journal of Image and Graphics，2011，16 （1）：44－49.

［5］Acha B，Serrano C，Gomez－Cia T，et al.Fast parameter－free region growing segmentation with application to surgical planning ［J］.Springer Machine Vision and Applications，2012，23 （1）：165－177.

［6］Sorensen Lauge，Shaker Saher B，Bruijne M de.Quantitative analysis of pulmonary emphysema using local binary patterns［J］.IEEE Transactions on Medical Imaging，2010，29 （2）：559－569.

［7］Liu X，Chen D Z，Wu X，et al.Optimal graph search based image segmentation for objects with complex topologies［C］//Proc SPIE，2009.

［8］WANG Lei，DUAN Huichuan.Application of Otsu’method in multi－threshold image segmentation ［J］.Computer Engineering and Design，2008，29 （11）：2844－2846 （in Chinese）.［王磊，段會川.Otsu方法在多閾值圖像分割中的應用 ［J］.計算機工程與設計，2008，29 （11）：2844－2846.］

［9］LIU Yan，ZHAO Yingliang.Quick approach of multi－threshold Otsu method for image segmentation ［J］.Journal of Computer Applications，2011，31 （12）：3363－3365 （in Chinese）.［劉艷，趙英良.Otsu多閾值快速求解算法 ［J］.計算機應用，2011，31 （12）：3363－3365.］

［10］CAO Lei，ZHAN Jie，YU Xiao’e，et al.Fast lung segmentation algorithm for thoracic CT based on automated thresholding ［J］.Computer Engineering and Applications，2008，44（12）：178－181 （in Chinese）.［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.］

［11］ZHANG Xin，WANG Bing，YANG Ying，et al.Automatic repair of lung boundary concave in chest CT images［J］.Computer Engineering and Applications，2013，49 （24）：191－194 （in Chinese）.［張欣，王兵，楊穎，等.胸部CT圖像肺區域邊界凹陷自動修補［J］.計算機工程與應用，2013，49（24）：191－194.］