基于扩散算法的CT图像中肺实质的分割算法

工作。本文根据影像学和解剖学特征， 结合最佳阈值法、数学形态学方法， 对图像进行粗分割； 然后利用定向扩散算法修复掩膜图像，得到最终肺实质，为计算机辅助诊断和医学图像在临床和生命科学研究领域的应用打下良好的基础。

2 肺实质分割

2.1 Ostu（最大类间方差法）法

肺部和周围区域密度不同，因此其灰度值相差明显，可用阈值法分割。阈值分割的目的是把CT图像中对应于肺实质，肺实质边界和肺实质周围组织的像素区分开。[5]在本文中采用的是Ostu算法[6，7]对肺部区域进行粗分割，该方法可以自动的选择阈值，得到较好的结果。

2.2 区域生长

区域生长实质是对像素点或选定的子区域进行操作，让其在满足所定义的准则下去聚合成更大区域，以达到生长目的。其基本思想是先获取种子点，然后从生长点开始，将与生长点性质相似的相邻像素或区域与生长点合并，形成新的生长点，不断重复直到无法生长为止。[8]

本文对CT图像进行区域生长处理的算法实现步骤为：

（1）在肺实质部分定位得到种子点；

（2）利用区域增长算法，在种子点的8*8*8邻域内进行增长，阈值在灰度范围内自动选取最优阈值；

（3）相邻区域的像素被合并，对图像中黑色像素点进行连通区域标记，面积最大的连通区域是该CT图像的掩膜图像。

2.3 肺部图像预分割

肺部图像经上述处理后，与原始图像（图1）进行逻辑与运算，得到预分割图像（图2）。

2.4 左右肺的分离

CT图像中常出现肺片粘连情况，粘连发生在CT图像的上部分。对图像的上1/3部分扫描，并统计图像每一行中的边缘点的个数，当边缘点数大于等于4的时候，表明肺片并未粘连，但是，当边缘点数小于4的时候，左右肺是粘连的。[10]肺片粘连情况下，对上半部分投影积分，将积分值最小的一列及其左右4列的像素值取反，从而实现左右肺的准确分离。

3 图像修复

对肺部图像进行预处理的过程中，接近于肺壁的结节可能会被去掉，因此在预分割后要修补图像。本文采用的修复算法是扩散算法来。[11]

将完整的肺实质图像定义为函数，在时刻，图像质量为。图像受损过程可以用以下模型来表示，

拉普拉斯算子利用点的四邻点来进行离散，得到如下的式子

利用该方法可以对逐次对各个像素点进行计算并修复。下面的图像是当取不同数值时相应的恢复图像。当b取值较小时，图像变化不明显，当b的取值较大时候，图像受损。经反复调试，当b取值在20～25中间时，图像的恢复情况最佳，本文中b取值为23。

图3中的图片从左至右分别为b的取值为0，5，10，15，20，23，25，30，35时的恢复图像。

4 实验结果

在美国国家癌症中心（NCI）的RIDER库中选取了50张CT图像，将本文算法与运用”滚球法”修复的算法比较，计算处理之后图像的准确率和精度。[12]

图4为结果对比，从上到下依次为原始CT图像，医生手工分割结果，本文分割结果，文献[14]分割结果。

4.1 分割准确率

CT图像分割的准确率即为肺实质区域的重合程度。分割准确率的公式为

其中表示准确率，表示分割后图像面积，表示医生手动分割的区域面积。

根据上述公式可知，。的值越大，则结果与医生手工分割的肺实质越相近，即分割的准确率越高。[13]的值越小，则准确率越低。结果见表1。

4.2 分割精度

将本文算法和使用滚球法的文献[14]与医生手工分割方法相比较。通过计算两种分割方法的最大轮廓距离和平均轮廓距离来确定其分割精度。本文的方法为方法1，文献[14]的方法为方法2，手工分割方法为方法3.方法1，2，3分割后提取的边界点分别为，，。定义方法1分和方法3分割后的轮廓边界点之间的轮廓距离为

分别计算本算法与手动分割算法、文献[9]方法与医生手动分割算法的平均轮廓距离和最大轮廓距离。

计算结果见表2。

因此，本文的算法和医生手动分割方法的结果相比于文献[14]的方法更为相近，本文的方法提取的肺实质部分精度更高。

5 结论

在CT图像中精确提取肺实质是对肺部疾病计算机诊断的关键，重点是保证提取出来的肺实质是完整的。本文的分割方法结合了最优阈值分割，区域生长以及数学形态学方法，将CT图像的胸腔和背景区域去除，从而避免了直接对肺实质部分进行操作所造成的信息损失。同时，将左右肺相粘连的情况也考虑在内，采用了行扫描的方法来确定是否粘连，如果粘连则将其分离。并且对分割后得到的肺部边界信息丢失的问题，采用定向扩散的修复算法来对预分割图像进行修复以保证肺实质的完整性。使用本文的算法对大量LIDC库中CT图像进行处理，并与现有的滚球法修复算法相比较，本文方法分割的准确率及其分割的精度都较高。因此，本文中所提到的在CT图像中提取肺实质的方法能够准确有效的对肺实质进行提取，为计算机辅助诊断工作奠定了基础。

由于人体的胸部结构存在着明显的差异，因此任何一种分割方法都不能适用于所有的CT图像。基于此，接下来的工作任务就是在分割的基础上，对每一步分割再进行细化，以得到一种能够正确分割绝大多数CT图像的方法。

基于 CT 图像的肺实质分割技术是制约医学图像在临床和生命科学研究领域的应用的一个瓶颈， 我们将继续研究更完善的分割方法，提高肺实质的分割精度，为计算机辅助诊断奠定基础。

参考文献

[1]張跃海，孔令伟，张刚.CT检查对肺尘埃沉着病与粟粒性肺转移瘤的鉴别诊断价值[J].中国医药导报，2014，11（25）：35-38.

[2]秦婵婵.基于随机游走算法的图像分割算法研究[D].上海：华东师范大学，2014.

[3]王兵，顾潇蒙等.基于Random Walk算法的CT图像肺实质自动分割[J].计算机应用，2015，35（9）：2666-2612.

[4]El-Baz A， Beache GM， Gimel’ farb G， et al.. Computer-aided diagnosis systems for lung cancer： challenges and methodologies [J].International Journal of Biomedical Imaging，2013，2013：1-46.

[5]李金，邓冰.基于改进凸包算法的肺实质分割研究[J].中国生物医学工程学报，2013，32（04）：484-490.

[6]Pulagam A R， Kande G B， Ede V K R，et al.Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases [J].Journal of Digital Imaging， 2016，29（4）：507-519.

[7]Zhou H L， Goldgof D B， Hawkins S， et al.A robust approach for automated lung segmentation in thoracic CT.Kowloon Tong[C]，Hong Kong，China：IEEE，2015.

[8]李艳波，于翔.基于区域生长增长法的三维支气管树分割算法[J].计算机科学，2015，42（S2）：192-194.

[9]Tasci E， Ugur A， Shape and texture based novel features for automated juxtapleural nodule detection in lung CTs[J].Journal of Medical Systems，2015，39（5）：1-13.

[10]裴晓敏，郭红宇，戴建平.胸部CT中肺实质的自动分割及粘连肿瘤检测[J].哈尔滨工程大学学报，2010，31（5）：679-682.

[11]洪志全.遥感模糊降质图像的扩散恢复算法研究及实现[J].成都理工大学学报，2003，30（6）：617-622.

[12]HEIMANN T，van GINNEKEN B，STYNER M A，et al.Comparison and evaluation of methods for liver segmentation from CT datasets[J].IEEE Transactions on Medical IMAGING， 2009，28（8）：1251-1265（4）：4-90.

[13]龚敬，涅升东.CT图像肺结节计算机辅助检测技术研究进展[J].北京生物医学工程，2016，35（1）：81-86.

[14]袁克虹，向兰茜.用于计算机辅助诊断的肺实质自动分割方法[J].清华大学学报，2011，51（1）：90-95.

推荐访问:算法 扩散 分割 实质 图像