基于K-means聚類算法的肝臟腫瘤分割

范智浩 呂東澔 王曉峰

摘要：肝癌一種常見的惡性疾病，對人的危害性極大。該文以腹部CT為處理對象，使用了一種基于K-means聚類算法的圖像分割方法對腹部CT中的肝臟腫瘤進行分割，并將此方法的分割結果與傳統的區域生長算法的分割結果進行了對比，實驗結果表明該文采用的分割方法具有更高的分割精度，分割結果更接近金標準分割。結論：隨著新的圖像處理理論與工具不斷提出和改進，越來越多的圖像處理方法可以應用到醫學圖像中，醫務工作者可以根據臨床需要的不同，選擇合適的圖像處理算法。

關鍵詞：腹部CT;區域生長;腫瘤;K-means

中圖分類號：TP391.41 文獻標識碼：A

文章編號：1009-3044（2020）19-0165-03

開放科學（資源服務）標識碼（OSID）：

醫學是與我們每個人都息息相關的應用學科，其發展水平與人們的生活的質量密切相關。目前的醫學影像設備可以為醫務人員提供多模態的二維影像信息，如：CT（ computed tomog-raphy）圖像、US （ultrasonography）圖像、MRI（magnetic resonanceimaging）圖像等，每一種醫學影像在臨床中都不可替代[1]。隨著計算機技術與圖像處理技術的大大提高，現代醫學的進步和醫學影像技術的發展不可分割。CT圖像分辨率高，價格適中，在肝臟腫瘤的診斷過程中起著重要作用，因此本文選用腹部CT為處理對象。然而，肝臟腫瘤沒有固定的形狀和大小，其灰度值與周圍組織也比較相近，如何從腹部CT圖像中快速準確的分割出腫瘤成為科研人員的研究熱點。在目前的臨床實踐中采用最多的還是手動描繪肝臟腫瘤的邊緣，此項工作十分乏味，分割速度緩慢[2]。相比于手動分割，本文采用的基于K-means聚類算法的圖像分割方法不僅能節省大量的時間而且不需要醫務工作者過多的參與，分割結果能夠滿足臨床需要。

1 腹部CT圖像腫瘤分割

圖像分割是指從一張完整圖片中抽取出我們感興趣的部分。與普通圖像分割相比，由于人體的組織器官無固定形狀、大小，所以醫學圖像的分割更加具有難度。當前臨床中使用最多的還是專家們的手動分割，工作乏味且分割速度慢。傳統的圖像分割算法分為兩大類，邊緣分割及區域分割，邊緣分割主要利用像素的不連續性，區域分割則利用了像素的相似性。近年來，圖像分割算法有了大幅度的發展，一些數學中的方法被應用于圖像分割之中，常見的有：遺傳算法，小波變換，馬爾科夫隨機模型等[3]。隨著全卷積神經網絡成功應用到圖像分割中，深度學習+圖像分割也成為一種新的選擇[4]。全卷積神經網絡是一種有監督的學習算法，該方法需要大量的訓練樣本，訓練時間長，分割結果對訓練器參數選擇依賴性很大[5]。本文采用一種無監督的基于K-means聚類算法的圖像分割方法來對腹部CT中的肝臟腫瘤進行分割，并與傳統的區域生長分割算法進行比較，實驗結果表明，兩種分割算法都能大幅度提高分割效率，但本文采用的基于K-means聚類算法的圖像分割方法具有更高的分割精度。

1.1 K-means聚類算法

K-means算法是一種常用的聚類方法，具有強大的數據處理能力和搜索能力，算法也十分簡潔。K-means算法通過迭代把數據集劃分為不同的類別，使評價聚類性能的準則函數達到最優。本文采用歐式距離作為樣本間的相似性度量指標，即認為兩個對象的歐式距離越近，其相似性就越大，使用誤差平方和準則函數來評價聚類性能。

假設數據集X中包含k個聚類子集x1，x2，…，xk，各個子集的聚類中心分別為m1，m2，…，mk，K-means算法的具體步驟如下：

Step1確定分類的類數k;

Step2：確定初始聚類中心mi（i=1，…，k）;

Step3：依次計算對象xi與每個聚類中心mi的距離d，將對象劃分到距離最小的類中;

Step4：計算新生成的各個類的均值，并將其作為新的聚類中心;

Step5：重復Step3-Step5，直至滿足迭代終止條件（誤差函數變化值小于設定的閾值或人為設定好迭代次數）。

1.2 區域生長算法

為了檢驗算法的分割性能，將本文采用的分割算法與傳統的區域生長分割算法進行對比。區域生長的含義是：選擇種子點，制定相應的合并準則，將滿足合并條件的鄰域并入，直到找不到可合并的鄰域。區域生長一般可分為兩個步驟：

（1）初始種子點的選取。區域生長分割算法要想取得理想的效果，種子點的選取至關重要，理想的種子點應該具有某些明顯特征，如亮度，集合位置等。如果種子點的選擇條件比較寬松，就會導致運算量的增加，一般情況下，種子點選取的標準要求很高，而生長過程中相似性的條件要求可以適當地放寬一點。

（2）生長準則的制定。制定生長準則，我們第一步要做得就是確定與種子點相似到什么程度的鄰域才能被合并到區域中，在合并的過程中我們也要考慮連通性和相鄰性，即合并的點應該是與種子點相聯通的點。

1.3圖像形態學處理

由于噪聲的影響，K-means聚類分割算法和區域生長分割算法得到的分割結果內部可能含有孔洞，本文采用基于數學形態學的方法填充孔洞。常見的形態學運算有腐蝕、膨脹、開閉運算等。

2 實驗結果

本文算法是在Windowsl0.MATLABR2018a的編程環境下實現的。圖1為隨機選擇的一張腹部含有腫瘤的CT圖像，初始種子點的選取圖像（種子點用紅色進行標記）如圖2所示，運用區域生長算法對CT腫瘤圖像進行分割，分割結果如圖3所示。從圖中可以看出輸出的腫瘤分割結果中存在較多的孔洞和噪聲邊緣，這會對醫生的診斷分析造成一定干擾，為此我們考慮用數學形態學的方法對分割結果進行改進。圖4為對區域生長分割結果進行形態學后處理，去除孔洞、噪聲后的處理結果。

圖5為本文采用的基于K-means均值聚類算法對原始CT圖像進行分割的分割結果，圖6為專家手動描繪的黃金分割結果圖。

對兩種算法的分割速度和精度進行比較，對比結果如表1所示。從表中我們可以看出兩種分割算法的執行時間都在5s之內，區域生長分割算法運行時間更短一些。分割性能評價指標本文采用分割區域的質心坐標和分割區域內的像素數，通過和黃金分割對比表明k-means聚類算法具有更高的分割精度。

3 結論

肝癌一種常見的惡性疾病，對人的危害性極大，我國每年因肝癌造成的死亡人數居全球第一，目前治療肝癌的主要方式有手術、化療和放療等[1]。實現對病灶區域的準確分割是治療肝癌的重要前提，圖像分割同時也是三維重建的基礎。本文采用的基于K-means聚類算法的圖像分割方法相比于專家的手動分割減少了人工干預，大幅度提高分割速率，比傳統的區域生長分割算法有更高的分割進度，具有一定的研究意義。

應用的兩種分割算法簡潔易于實現，每種算法都有自己的特點，我們可以根據臨床需要選擇合適的算法。

參考文獻：

[1]陳家新.醫學圖像處理及三維重建技術研究[M].北京：科學出版社，2010：1-15.

[2]鄭洲，張學昌，鄭四鳴，等.基于區域增長與統一化水平集的CT肝臟圖像分割[J].浙江大學學報（工學版），2018，52（12）：2382-2396.

[3]丁亮，張永平，張雪英，圖像分割方法及性能評價綜述[Jl.軟件，2010，31（12）：78-83.[4] Shelhamer E，Long J，Darrel T.Ful-ly Convolution Networks for Semantic Segmentation[J].lEEETransdactions on Pattern Analysis&Machinelntrlligence，2014，39（4）：1-1.

[5]周莉莉，姜楓，圖像分割方法綜述研究[Jl.計算機應用研究，2017，34（7）：1921-1928.

[6]曾箏，董芳華，陳曉，等.利用MATLAB實現CT斷層圖像的三維重建[J].CT理論與應用研究，2004，13（2）：24-29.

[7] Rafael C.Gonzalez，RichardE.Woods，StevenL.Eddins.數字圖像處理[Ml.阮秋琦，譯.北京：電子工業出版社，2016：231-234.

[8]趙于前，柳建新，劉劍.基于形態學重構運算的醫學圖像分割[J].計算機工程與應用，2007，43（10）：238-240.

[9]沈宗毅，李卯晨，白素杭，等.肝癌免疫治療新進展[Jl.生物工程學報，2019，35（12）.

[10]彭豐平，鮑蘇蘇，曾碧卿.基于自適應區域生長算法的肝臟分割[J].計算機工程與應用，2010，46（33）：198-200.

[11]高展宏，徐文波.基于MATLAB的圖像處理案例教程[M].北京：清華大學出版社，2011：217-256.

【通聯編輯：代影】

基金項目：內蒙古自治區自然科學基金（2019BS06004）

作者簡介：范智浩（1996-），男，江蘇徐州人，內蒙古科技大學在讀研究生，主要研究方向為醫學圖像處理。