基于低劑量CT圖像的肺實質分割方法*

吳涼，呂曉琪,2△， 谷宇,3，李菁，張文莉，任國印，張薇

(1.內蒙古科技大學 信息工程學院，內蒙古自治區模式識別與智能圖像處理重點實驗室，包頭 014010；2.內蒙古工業大學，呼和浩特 010051；3.上海大學 計算機工程與科學學院，上海 200444 )

1 引 言

2011年美國肺癌篩查試驗(national lung screening trial，NLST)的研究結果顯示，低劑量CT(low-dose computed tomography,LDCT)相比于胸部X線檢查可降低20%的肺癌高危人群死亡率，印證了LDCT在肺癌檢出方面的價值[1]。

低劑量CT相比于常規CT使患者受到的輻射劑量減少到原來的1/4，更適用于疑似肺癌的篩查或者不一定存在疾病的大眾篩查。然而，由于降低輻射劑量導致圖像噪聲增加，降低了目標區域和背景區域的對比度，進而會影響分割精度。為了提高肺部疾病病變部位定位精度與檢測速度，針對低劑量CT圖像高精度地提取肺實質方法研究迫在眉睫[2]。文獻[3]提出一種基于小波變換的低劑量CT圖像的肺實質分割算法具有較強的抗噪性能，但是分割準確率并不是很高。文獻[4]在對肺實質分割過程中運用了小波變換預處理，形態學和滾球法等對肺實質進行提取。當今在肺實質分割領域，針對含有強噪聲的低劑量的CT圖像用單一方法很難進行精確分割。為了提高低劑量CT圖像肺實質分割精度，本研究提出一種多種方法結合的肺實質自動分割算法。

2 資料與方法

本研究針對低劑量肺癌篩查提出自動肺實質分割方法，利用多種算法結合實現全自動低劑量肺實質分割。具體步驟見圖1。

圖1肺實質分割流程圖

Fig1Theflowfigureoflungparenchymasegmentation

2.1 研究對象

實驗數據來源于ELCAP(早期肺癌行動計劃)數據庫[5]。為驗證本研究算法的有效性，選取ELCAP數據庫中的50位篩查者的低劑量CT肺部臨床數據進行實驗。管電流為40 mA,每層數據均為512×512像素，層厚1.25 mm。在50組臨床數據中，每一組都在200層以上，最少的219 層，最多的304層。

2.2 研究方法

2.2.1預處理 在實際應用中,主要通過降低管電流強度(mAs)減少CT掃描時輻射的劑量。然而，低劑量 CT 圖像中含有較強的量子噪聲也會使圖像中一些低對比細節無法顯現，進而影響醫生的判斷，所以，需要先對低劑量 CT 圖像進行去噪[6]。本研究提出一種改進的多方向形態學濾波算法。

本研究在總結前人研究基礎上[7]，提出一種多方向形態學濾波算法。對于灰度圖像，濾除噪聲就是進行形態學平滑處理，利用形態學開運算消除與結構元素相比尺寸較小的亮細節，而保持圖像整體灰度值和大的亮區域基本不變；用閉運算消除與結構元素相比尺寸較小的暗細節，而保持圖像整體灰度值和大的暗區域基本不變。形態學算法的目的和性能由結構元素決定。

由于低劑量CT圖像中的量子噪聲近似服從泊松分布[6]。本研究選取長度為3的線性結構進行處理。

首先對圖像的[0°，45°，90°，180°]四個不同方向分別利用線性結構進行閉運算，取四個方向的最小值,然后對最小值的四個不同方向分別利用線性結構進行開運算，取其最大值即為預處理后的圖像。為了驗證效果，分別利用中值濾波、維納濾波與本研究方法進行對比，見表1。中值濾波和維納濾波都選取3×3的濾波模板。

(1)客觀評價：為了驗證本研究算法的有效性，本研究采用均方誤差(mean square error，MSE)、峰值信噪比(peak signal to noise ratio,PSNR)、平均絕對誤差(mean absolute error，MAE)進行效果評價。由表1可以得出本研究算法的去噪效果要優于中值濾波和維納濾波。

表1不同濾波算法處理結果

Table1Theresultofdifferentfilteringalgorithm

濾波算法MSEPSNRMAE中值濾波0.005822.37600.0451維納濾波0.002426.16520.0349本研究方法0.002426.27350.0236

(2)主觀評價：通過對實驗中20組數據的觀察，發現中值濾波和維納濾波對圖像邊界產生了模糊，并在圖像中丟失了一些細節信息；在利用常規濾波算法進行分割時發現肺實質周圍仍含有大量的噪聲。由本研究算法處理的數據可以看出該算法不僅去除了噪聲，而且保留了圖像的細節信息(見圖2)。

2.2.2背景去除 首先利用聚類法對圖像進行二值化，然后利用flood-fill算法去除背景并填充血管。具體步驟如下：

(1)利用聚類法對圖像進行二值化[8]，首先將序列圖像的每一層進行分塊，對每一塊中的灰度值進行聚類分析，最終確定二值化閾值，利用聚類法對圖像進行二值化處理(見圖3C)。

(2)利用flood-fill算法，先對二值圖像四鄰域填充，去除檢查床及肺實質周圍的黑色背景區域，接著對肺實質內部的血管進行孔洞填充。

圖2預處理圖

Fig2Thefigureofpretreatment

圖3背景去除圖

Fig3Thefigureofbackgroundremoval

2.2.3氣管、支氣管去除 本研究利用三維區域生長法提取出氣管和支氣管，進而去除氣管，見圖4。區域生長[9]的重點在于種子點的選取、生長準則、終止條件。

(1)種子點的選取。在進行CT掃描時，序列圖像的前幾層往往只有氣管，并且在二維切片上顯示為類圓形的區域。根據這一先驗條件，本研究引入霍夫變換[10]對該區域進行檢測，求出圓心坐標，將圓心坐標作為種子點。其基本步驟見圖5。

圖4氣管提取圖

Fig4Thefigureoftracheaextraction

圖5霍夫變換流程圖

Fig5Theflowfigureofhoughtransform

在正常狀態下，男性主支氣管平均直徑在18.3 mm左右，女性平均在16.7 mm左右，為了保證檢測的準確性，本研究將參數半徑范圍設置在5～12 mm范圍內。

(2)生長準則。當種子點與種子點的6鄰域點的灰度差值小于某個值時，將鄰域點加入數組。

(3)終止條件。遍歷完整幅圖像后，生長結束。

2.2.4分離左右肺 由于局部容積效應，左右肺區會在去除胸腔后粘連在一起，因此需將左右肺分離。在序列CT切片中，左右肺之間的前部和后部均可能存在粘連。大多數國內外文獻只針對左右肺的前部粘連進行分離[11]。本研究不但對存在前部粘連的左右肺區進行分離，而且對存在后部粘連的肺區也可以進行分離。具體步驟如下：

(1)判斷左右肺是否粘連。在中肺層，左右肺區是較大的連通域，如果左右肺非常接近，經過提取胸腔后，左右肺會發生粘連，本研究通過連通域法來判斷左右肺是否粘連，如左右肺粘連，在該層中最大的連通域的面積將遠遠大于第二個連通域的面積，反之，兩個連通域面積接近。本研究計算最大與第二個連通域面積比值大于一定閾值，則認為左右肺粘連。經過多次試驗，閾值設置為4[12]。

(2)確定粘連行。在確定粘連層后，在粘連層中找到每層粘連的位置。首先對粘連層求取邊界點坐標；然后找出每一行出現兩個邊界點的行，即為粘連位置。最后在以粘連行為中心取該行上下各N行(本研究經過多組實驗取N=50)作為粘連區域。

(3)分離左右肺。分水嶺算法常用于處理目標物體粘連在一起的情況，該算法通常在梯度圖像中進行，這是因為梯度圖像的灰度躍變更為劇烈，更便于構建分水嶺[13]。由于低劑量圖像強噪聲較強，為了防止分水嶺過分割的出現，利用形態學重構開閉運算對梯度圖像進行進一步的平滑處理。最后利用分水嶺算法分離左右肺區。

本研究利用形態學重構運算結合分水嶺算法對粘連區域分離，不但減少了程序運行時間，而且降低了分水嶺過分割的可能性，見圖6。

2.2.5肺實質修補 如果不對粘連在肺壁上的結節進行修補，會影響以后計算機輔助診斷結果。本研究利用凸包算法[14]既修補了肺實質外輪廓缺失部位，又對心臟、縱膈相鄰的左右肺之間的凹陷起到良好的修補作用。具體步驟見圖7。

圖8為外輪廓、內輪廓修補示意圖。

圖6左右肺分離圖

Fig6Thefigureofleftandrightpulmonaryseparation

圖7凸包算法修補流程圖

Fig7Theflowfigureofconvexhullalgorithm

圖8凸包算法修補圖

Fig8Thefigureofconvexhullalgorithm

3 結果

本實驗采用計算機配置為3.4 GHz處理器，12 G內存。利用本研究算法通過對50個序列圖像進行處理。對于數據集中的每組CT數據，都可以自動分割，平均每組數據處理時間在98.31 s，平均每層數據的處理時間為0.38 s。最終分割結果見圖9。

為了進一步驗證本研究算法對于低劑量CT圖像分割的有效性，利用公式(1)(jaccard similarity，JS)指標來驗證算法的準確率。式中，S1表示本研究算法分割結果,S2表示人工分割的結果。

(1)

通過對50組臨床數據實驗，本研究算法的平均分割正確率達到95.75%。與其他文獻相比較，見表2，文獻[15]同樣選取ELCAP數據庫中的數據進行處理，分割正確率為93.5%，本研究算法高于該文獻方法。與文獻[9]相比較，由于該文獻數據選取LIDC數據庫，本研究算法不僅正確率高于該文獻，且處理時間短。因此，該算法不僅適用于低劑量CT序列圖像，而且對于常規劑量肺實質分割也有良好的效果。

圖9分割結果圖

Fig9Thefigureofsegmentation

表2實驗結果對比

Table2Thecomparedresultofexperimental

方法數據來源分割精度/%運行時間文獻[9]方法LIDC 100例95.50.42 s/幅文獻[15]方法ELCAP 50例93.5-本研究方法ELCAP 50例95.750.38 s/幅

對于分割錯誤的數據進行統計分類：一類是在肺實質內輪廓修補時，由于強噪聲的影響，相對大的凹陷無法修補；另一類是在病變肺區，病變隔斷了肺區，無法正常處理。肺癌篩查的理想情況是能夠利用肺癌篩查，檢查出一些潛在的病變而早期干預治療，降低死亡率，篩查手段必須要在低風險條件下進行。所以本研究分割算法對于輔助肺癌篩查有一定的幫助。

4 結語

針對低劑量CT序列圖像，本研究提出了一種自動三維區域生長與分水嶺算法相結合的肺實質分割方法。對50組臨床數據的實驗，本研究算法可以分割出完整的肺實質區域。

由于本實驗研究的對象是肺癌篩查數據，在肺實質分割方面與常規劑量相比，有極大地不同。劑量越低，量子噪聲越嚴重，如果用一般的濾波算法，肺實質周圍區域的量子噪聲無法去除，影響后續的一系列處理。本研究利用改進的形態學濾波算法不僅去除了噪聲而且保留了細節信息。