基于模糊區域對比度增強的肺實質魯棒分割*

武振宇，白培瑞△，劉藝煒，任延德

(1.山東科技大學電子通信與物理學院，青島 266590;2青島大學附屬醫院放射科,青島 265000)

1 引 言

基于計算機斷層掃描圖像(computed tomography，CT)的自動肺實質分割，是提高肺部疾病計算機輔助診斷的關鍵步驟。目前，肺實質分割的主要思路有：一是對簡單閾值操作的改進，比如利用形態學操作[1-2]或Snake校正Otsu閾值[3]等。二是對區域增長算法的改進，比如基于滑降算法的自動選取種子點[4]、結合輪廓模型的改進[5]、利用凸包算法進行分割結果的修正[6]等。三是對活動輪廓模型的改進，比如基于鄰域相似度改進的Chan-Vese模型[7]等。四是基于機器學習的分割算法，比如結合超像素算法與分類算法的肺部分割[8]等。其中，針對肺部粘連圖像的分割問題，Noor等采用形態學算法進行粘連肺的分離，但是需要根據圖像設計特定的模板[1-2]。Mansoor等利用模糊連接度算法進行肺實質初始分割，并利用鄰域信息進行后續粘連區域分割，但是需要人為干預[9]。郭圣文等利用全局閾值得到初始的前景區域，之后利用輪廓跟蹤方法分割粘連區域[10]。Hu等提出利用閾值法提取肺部區域，之后使用動態規劃算法分割肺粘連區域[11]。

基于傳統閾值算法的肺實質分割算法容易受到圖像對比度的影響，造成肺粘連區域錯誤分割。本研究提出一種新的基于模糊區域對比度增強的肺實質分割方法，實現粘連肺部圖像的自動準確分割，有效提高分割的正確率。

2 原理和方法

2.1 超像素分割算法

超像素分割算法(simple linear iterative cluster，SLIC)是基于局部K-means聚類的像素分割算法，其原理是對由圖像的顏色空間(g為像素點灰度值，a，b為像素點色度坐標值)和二維坐標(x,y)構成的五維空間(g,a,b,x,y)執行局部像素點聚類[12]。由于CT圖像為灰度圖像，本研究只考慮由灰度值和二維空間坐標值構成的三維向量特征空間[g,x,y]。具體做法為：

(1)初始化種子點：假設灰度圖像I是邊長為N個像素的正方形圖像，則其總像素數為N2。將含有N2個像素點的圖像分割為K個相同尺寸的超像素，形成K個網格，則每個網格的大小為N2/K，將每個網格的中心點設為初始種子點。

(2)初始化聚類中心和聚類標簽：計算以種子點為中心的3×3鄰域內所有像素點的梯度值，將該鄰域內梯度最小的地方設為初始聚類中心。設第j個聚類中心為Cj(即[gj,xj,yj]T)，并將每一個像素點的初始標簽標記為Li= -1，將每一個像素點到聚類中心的初始距離標記為di= ∞。

(1)

(2)

(3)

其中，dc表示第i個像素點與第j個聚類中心點之間的灰度距離。ds表示第i個像素點與第j個聚類中心點之間的空間距離。參數M是平衡因子，取值范圍為[1,40]。M值越高，分割結果與圖像實際邊界貼合度越高，本研究中M=10。SLIC0的特點是可以自適應地調整最佳貼合度，減少人工設置的干擾。

2.2 本研究算法

2.2.1算法總體流程 本研究提出的基于模糊區域對比度增強的自適應肺實質分割算法流程見圖1。該算法主要包括3個步驟：(1)肺部CT圖像預處理；(2)模糊區域自適應對比度增強；(3)圖像細化分割，包括肺部掩模的獲取、初始肺部實質獲取以及最終肺部實質區域的獲取。

圖1 本研究算法流程圖

2.2.2肺部CT圖像預處理 肺部體掃描CT圖像不可避免的存在噪聲(見圖2(a))，而且在不同體層圖像中強度和對比度差異很大。為了實現魯棒的閾值分割，首先選用3×3的模板對肺部CT圖像進行中值濾波去噪，同時利用直方圖變換增強圖像的對比度，可以明顯提高肺部CT圖像的整體對比度(見圖2(b))。

2.2.3模糊區域自適應對比度增強 肺部CT圖像經過預處理之后，盡管整體對比度明顯提高，但是在局部粘連區域仍然存在模糊性，比如圖2(b)中的紅色矩形標注區域為肺部韌帶。為了能夠準確定位和檢測該區域，本研究提出基于超像素的模糊區域自適應對比度增強算法。

首先，利用SLIC0算法對預處理后的CT圖像進行預分割，突出模糊區域并進一步增強其對比度。圖2(c)示出了采用K=6200的SLIC0算法超像素分割結果。為了能夠清楚觀察SLIC0算法對模糊區域的檢測效果，圖2(d)示出了紅色矩形框對應區域的放大圖像。可以看到，預分割后的超像素網格能夠識別出圖2(b)中的紅色矩形區域。

圖2SLIC0預分割對模糊區域邊緣檢測能力示意

Fig2AdemooffuzzyregionadaptivecontrastenhancementbasedontheSLIC0algorithm

然后，將SLIC0超像素分割后的結果用Is表示，其中第i個超像素記為Si，i∈[1,...,K]。設Ni為第i個超像素Si的像素個數，Gij表示超像素分割后第i個超像素第j個像素點的灰度，則可以根據下式計算出每個Si的統計信息：

(4)

(5)

式中，ms(i)表示Si的平均灰度信息，σs(i)表示Si的方差信息。

之后，根據Si的統計信息確定模糊區域自動定位的判斷閾值為：

(6)

(7)

圖3(a)和(b)是對比度增強前的圖像及其相應的模糊區域局部放大圖像，圖3(c)和(d)是對比度增強后的圖像及其相應的模糊區域局部放大圖像。可以看出，使用自適應局部對比度增強對模糊區域邊緣信息的檢測性能有明顯的提升。

圖3 基于模糊區域統計信息的局部對比度增強

Fig3Localcontrastenhancementbasedonstatisticalinformationofthefuzzyregion

2.2.4細化分割方法 自適應局部對比度增強算法會受到邊緣噪聲影響，導致增強后的圖像邊緣存在毛刺。為此，本研究綜合采用Otsu閾值[13]處理和形態學操作，提出一種細化分割方法，見圖4。該方法分為五個步驟，具體如下：

第一步：初始肺區域二值圖像的獲取。將預處理后的圖像A以及模糊區域自適應對比度增強圖像B，綜合利用Otsu閾值算法以及形態學算法分別得到初始肺部二值圖像記為A1和B1。

第二步：小連通區域定位。對二值圖像B1進行基于8-連接邊沿規則的區域統計，定位像素個數小于3 000的區域，得到B2。

第三步：根據定位結果，將A1同區域處的像素值設為0，然后利用固定的結構元素SE=[0 1 0;1 1 1;0 1 0]進行開運算，得到結果A2。

第四步：肺部模板獲取。首先，將第二步定位的區域像素值設置為0，得到B2；然后，利用邊緣跟蹤算法得到對應輪廓線圖B3；最后，利用凸包算法得到肺部掩模B4。

第五步：將B5與A2進行邏輯“與”，得到最后的肺實質分割結果C。

圖4細化分割流程

Fig4Flowchartoftherefinedsegmentation

3 結果

本次實驗所用肺部CT圖像均來源于kaggle(https://www.kaggle.com/c/data-science-bowl-2017/data)公開的數據集，選擇30位患者，每位10幅圖像，共300幅圖像。其中包含左右肺部粘連、氣管與肺部粘連以及兩種粘連同時存在的圖像各100幅。在Matlab 軟件下，分別對文獻[1]的算法和本研究算法進行測試。測試統計結果在表1列出，部分分割結果見圖5，圖中第1列為肺部CT圖像的原始圖像，第2列為手工分割結果，第3列為采用文獻[1]算法的分割結果，第4列為本研究算法的分割結果。圖5(a1)為左右肺部粘連圖像，圖5(a2)為氣管與肺部粘連圖像，圖5(a3)為同時存在兩種粘連的圖像，并分別用紅色矩形框標注出粘連區域和微弱邊界。

為了定量評估本研究算法的分割性能，我們采用Dice相似度系數(dice similarity coefficient, DSC)、過分割(over-segmentation, OS)和欠分割率(under-segmentation,US)3個指標進行性能評估。

其中，Dice相似度系數的定義為：

(8)

式中，R1表示算法分割結果,R2表示手工分割結果。(一般用作金標準ground truth)。所以，Dice系數反映出采用計算機算法分割的結果與手工分割結果的接近程度，其值越大表明算法分割性能越好。

過分割率OS的定義為：

(9)

式中，R2表示手工分割目標的面積或像素數，FS表示誤分割為目標的面積或像素數。

欠分割率US的定義為：

(10)

表1三種情況的統計結果

Table1Statisticalresultsofthreedifferentsituations

算法左右肺部粘連成功數量氣管與肺粘連成功數量左右肺以及氣管與肺部粘連成功數量成功總數量本研究算法1009897295文獻[1]算法949495283

圖5測試肺部CT圖像的分割結果

Fig5SegmentationresultsofthreepulmonaryCTimages

式中，OS表示誤分割為背景的面積或像素數。

指標統計結果見表2，表中列出了本研究算法與文獻[1]算法對300幅測試圖像的平均Dice系數、過分割率OS和欠分割率US。可以看到，本研究算法各個指標比文獻[1]算法均有明顯提升。其中，分割準確性平均提高1.45%，過分割率降低0.4%，欠分割率降低1.57%。

表2本研究算法與文獻[1]算法分割性能的定量比較

Table2Thecomparisonbetweentheproposedalgorithmandthealgorithminreference[1]

算法DSCOSUS本研究算法0.98650.00210.0133文獻[1]算法0.97200.00670.0290

4 結論

本研究將超像素分割算法用于肺部CT圖像的模糊區域定位和局部對比度增強，可以有效提高模糊區域或粘連區域的目標邊緣檢測性能。后續的閾值和形態學的細化分割，可以獲得肺實質邊緣光滑的輪廓曲線。

通過與傳統閾值和形態學操作算法對比，本研究算法在不需要設計模板的情況下，可以有效處理不同類型的肺部結構粘連問題，魯棒性和分割準確性均有明顯提升。