基于CT 圖像的肺實質分割技術研究進展

鄔雪濤，林嵐，王婧璇

（北京工業大學 生命科學與生物工程學院，北京 100124）

0 前言

肺癌是最常見也是致死率最高的惡性腫瘤，且其發病率和致死率仍在不斷升高。對肺癌患者進行早期診斷篩查并及時治療可以有效提高肺癌患者的五年生存率[1]。由于肺癌的早期癥狀不明顯，80%以上的患者被確診為肺癌時已進入晚期，錯失最佳的治療機會[2]。因此，肺癌的早期診斷對于肺癌的治療和患者生命的延長具有重要意義。

電子計算機斷層掃描（Computed Tomography，CT）是胸部影像學中常用的方法之一，它被廣泛應用于肺癌的早期診斷與檢測中。基于低劑量高精度CT 影像的計算機輔助檢測（Computer Aided Detection, CAD）系統可以對肺部CT 影像中包含的病理特征進行高速計算與自動處理，大大方便了醫生對肺癌的檢測和診斷。基于肺部CT 圖像的CAD 系統主要流程包括：肺實質分割、侯選結節分割、特征提取與選擇優化、肺結節分類識別等[3]，其中肺實質分割為影響CAD 系統魯棒性的關鍵性步驟。肺實質分割主要包括圖像預處理、肺實質粗分割、肺部氣管去除、左右肺分割、輪廓修補五個步驟。

近年來，隨著低劑量高精度CT 圖像與CAD 技術的發展，許多新的分割方法被應用于肺實質分割領域。本文主要圍繞肺實質分割中的五個主要步驟，分析對比了每個步驟中具體實現方法對肺實質分割效果的影響，概括了近年來肺實質分割技術手段的發展情況，并對該領域未來技術發展進行了展望。

1 肺實質分割中主要步驟方法比較

1.1 圖像預處理

由于肺部組織結構復雜，肺實質與肺氣道等組織難以準確分離[4]；同時受低劑量CT 掃描設備的影響，肺部CT 圖像還存在高噪聲和偽影現象，這些問題一定程度上影響了基于CT 圖像的肺實質分割的準確性[5]。為了減少上述因素對分割準確性的干擾，在肺實質分割前一般要進行圖像預處理。傳統的圖像預處理環節多采用濾波的方法，首先對肺部CT 圖像進行裁剪處理，然后通過灰度變換來增強對比度，并進行濾波處理[6]。該類方法一般運算簡單，易于操作，對單一種類的噪聲處理效果較好；但當多種類型噪聲混合時去噪效果不佳，且部分算法存在圖像過度平滑或邊緣丟失等缺點。

基于變換域去噪和基于統計學去噪（極大似然估計算法和偏微分方程算法等）也是常用的圖像預處理方法。其中，基于變換域的去噪方法主要有小波變換和曲波變換等。方舸等[7]運用小波變換進行圖像去噪和增強處理，發現小波變換對單一噪聲的去除效果較好，且能在一定程度上提升圖像清晰度。但小波變換較為復雜，一般所需的運算量較大。曲波變換是在小波變換的基礎上引入方向參數得到的。何勁等[8]使用曲波變換算法進行去噪，結果發現曲波變換在去噪效果與維持圖像清晰度方面較小波變換均有一定提高，但在處理圖像平滑部分時仍會殘留部分噪聲。

針對單一算法去噪局限性較大的問題，多名學者[9-11]也將多種去噪手段融合，提出混合去噪算法，并取得較好的去噪結果。另外，隨著人工智能的發展，深度學習也被應用于肺部CT 圖像去噪。呂曉琪等[12]提出一種基于深度卷積神經網絡的去噪方法，同時引入殘差學習，大大提高了去噪的精度和準確度。

1.2 粗分割

粗分割可以從預處理過的圖像中得到肺區的大致輪廓。由于肺實質存在區域密度較低、灰度不均勻、結構錯綜復雜等特點，粗分割方法的選取顯得尤為重要。目前，粗分割所采用的算法主要為基于區域分割的方法，包括閾值法、區域生長法與聚類法等。閾值法的優點在于計算量小，運算速度快，且較為穩定；其缺點是當圖像整體灰度差異不大時不易得到準確的分割結果。閾值法可以分為固定閾值法和自適應閾值法（又稱動態閾值法）等。袁克虹等[13]采用固定閾值法從整幅圖像中綜合選取出一個較為均衡的HU 值作為固定閾值，對從圖像實現了二值化分割。但由于肺實質區域存在灰度不均勻等情況，閾值選擇往往不能最優化。針對這一問題，曾羽琚等[14]采用自適應閾值法，對圖像按坐標進行分塊，并對每塊區域分別選取閾值進行分割。相對于固定閾值法，自適應閾值算法的時間復雜度和空間復雜度一般較大，但在抗噪能力上有較大的提升，對于一些固定閾值法分割效果不佳的圖像能取得較好的分割效果。針對自適應閾值法算法復雜度較大的問題，裴曉敏等[15]采用量子粒子群算法對自適應閾值的二維Otsu 算法進行改進，在閾值選取速度上提升了效率。

區域生長法的核心思想是將具有相似性質的像素點合并到一起，其關鍵在于種子點的選取和相似區域判定準則的確定，不同的判定準則可能會產生不同的分割結果。它的優勢在于算法相對簡單，但迭代計算量大，效率較低。代雙鳳等[16]將傳統的二維區域生長算法擴展到三維空間，在三維信息的保留和算法精度方面有了較好的提升。

聚類法按所基于的原理不同可分為基于密度、網格、模糊等多種方法。其中，基于模糊的聚類方法可以有效地針對存在模糊，特別是邊界模糊的圖像的醫學圖像進行分割。對于這類醫學圖像，基于模糊的聚類方法比其他的傳統分割方法更有優勢。在基于模糊的聚類方法中，模糊C 均值（Fuzzy C-mean, FCM）聚類算法具有無需監督、實現簡單、允許圖像中像素點以不同的程度隸屬于多個類別等優點，因此被廣泛應用。陳晶晶等[17]將FCM 聚類法與改進后的Otsu法進行了對比，發現當圖像存在較強不確定性和模糊性時，FCM 聚類法要優于改進的Otsu 法，但FCM 聚類法在抗噪性和分割精度方面還有待進一步提升。

除上述基于區域分割的方法外，王曉襯[18]通過Mallat 邊緣檢測算子方法對含有強噪聲的低劑量肺CT 圖像進行處理，在分割精度和速度方面較傳統Snake 算法均有明顯提升，但對于左右肺粘連情況處理效果不佳，算法魯棒性有待優化；王兵等[19]采用Random Walk 算法對肺CT 圖像先后進行兩次分割，對于情況較為復雜的圖像有較好的分割效果，但在計算效率上仍有提升空間。目前，大多數粗分割方法在分割速度、精度與魯棒性三方面難以達到全面均衡的效果，往往在算法速度或魯棒性方面有所欠缺，這也是目前制約粗分割領域發展的技術瓶頸之一。針對這一難點，已有學者將神經網絡算法應用于粗分割領域。廖曉磊等[20]通過超像素和基于神經網絡的自生成神經樹SGNT（Self-Generating Neural Tree）相結合的方法對肺實質進行分割，超像素有效地保留了圖像的邊界信息且減少了像素樣本量，在保證圖像分割精度的情況下降低了后續處理的復雜程度，SGNT 算法較好地提高了聚類速度，同時也保證了聚類結果的精度。近年來，神經網絡算法方興未艾，如何將其更好地應用于肺實質粗分割領域，已成為重點研究方向之一。

1.3 肺部氣管去除

經過肺實質粗分割后的圖像，其內部仍會存在著諸如主支氣管等干擾區域。特別是肺部氣管樹的存在，其細小末端易造成肺氣管分割過程中的泄漏現象，為肺實質分割帶來較大的不便。因此需對肺部氣管進行去除。常用的肺部氣管去除方法有：區域生長法，數學形態法以及基于輪廓的方法等。針對單一算法氣管去除效果欠佳的情況，何瑞華等[21]將基于主動輪廓的全局凸分割方法引入到肺氣管分割中，并將灰度重建方法與三維區域生長方法結合，最終穩定地分割出支氣管樹，且大大增加了分割結果的支氣管分叉數，在氣管樹細節分割方面表現較好。

1.4 左右肺分割

由于肺部CT 圖像易存在復雜情況，特別是在特殊的病理情況下（例如肺氣腫等），常常會出現左右肺粘連現象，需要進通過左右肺分割對其進行分離。通常，左右肺分割包括三個步驟：判斷左右肺是否粘連，確定左右肺粘連區域，對粘連部分進行分割。在左右肺分割領域中常見的方法有：基于連通區域（包括分水嶺算法、連通區域標記法等）的方法[22]、形態學方法[23]、鞍點法[24]、行掃描法等。目前，對于左右肺較難分割的情況，大多數研究者采用多種方法結合的手段對左右肺進行分割。曹蕾等[25]提出了一種三維包圍盒的算法，同時結合三維區域生長，能夠較為完整地對左右肺進行分割。谷宇等[26]用灰度積分投影法、行掃描方法以及線性插值法對左右肺粘連進行判定和處理，在圖像處理速度上有較大提升。

1.5 輪廓修補

經過上述操作被提取出的肺實質有時會在邊界產生凹陷現象，主要有胸膜結節型凹陷與血管型凹陷兩種凹陷類型。肺實質分割時，若未進行邊緣輪廓修補，易將肺部結節、血管等部分丟失，對后續醫生的診斷帶來較大影響[27]。常用的輪廓修補法包括：滾球法[28]、Snake 算法、凸包算法[29]、鏈碼法[30]等，其中Snake 算法和凸包算法的應用尤為廣泛，部分學者根據傳統的Snake 算法、凸包算法等進行創新。孟琭等[31]通過結合Live-wire 模型對Snake 算法進行改進，對肺實質邊緣修正效果較好，當邊緣彎曲程度較大時也適用，但缺點是仍需要少量的人工交互，自動性有待提升。李金等[32]對肺實質外輪廓采用改進的二維凸包算法進行修復，對肺實質內輪廓利用區域生長和形態學運算進行修復，最終較為完整地保留了邊緣病灶信息，但缺點是容易出現過修復的現象。目前，絕大多數算法對于一些邊緣復雜的病例修補精確度較差，修補算法的魯棒性有待進一步提升。

2 結果與討論

肺實質分割對于肺部疾病特別是肺癌的篩查和診斷具有關鍵性意義。提升肺實質分割的精準度與速度、優化魯棒性和自動性依舊是眾多學者的主要研究方向。近年來，大量學者致力于基于肺部CT 圖像的肺實質分割研究領域，在傳統分割方法的基礎上貢獻了許多創新算法和融合算法。從我們前文中的對比分析可以發現，傳統肺實質分割算法以其經典性等優勢仍占據一定地位，但隨著技術發展，結構較單一的傳統算法已經無法滿足肺實質進行快速精準分割的需要，近年來有越來越多的研究者將多種方法融合或同時引入新的分割方法，來修正傳統方法中存在的缺點和不足。多種算法相結合以取長補短、優勢互補的融合方法將繼續發展并成為主流研究趨勢。特別是人工智能的崛起使得深度學習等方法被應用到肺實質分割領域中來。以深度學習為代表的創新算法也將為肺實質分割領域帶來新的突破。深度學習算法具有精度較高、速度較快、魯棒性和遷移性均較強等優勢，但由于其具體機制尚處于黑箱狀態，還需要進一步的分析和研究。肺實質分割的發展也將促進肺部CAD 系統的優化和提升，同時對肺部疾病的診斷和病理分析等方面具有巨大的臨床應用價值和研究前景。