隨著大氣環(huán)境的不斷惡化，肺部疾病的發(fā)病率逐年提高。據(jù)統(tǒng)計(jì)數(shù)字表明，肺癌占癌癥患者的比率高達(dá)21%，死亡率也居高不下。臨床發(fā)現(xiàn)，早期肺癌的治愈率高達(dá)90%以上，及早發(fā)現(xiàn)肺部異常情況可以控制病情，降低死亡率。目前，主要通過觀察肺部CT序列圖像來尋找病灶信息，精確地分割出肺部區(qū)域是定位腫瘤的關(guān)鍵前提條件。針對(duì)肺部區(qū)域的分割，國內(nèi)外專家學(xué)者主要從閾值法、區(qū)域法、遺傳法、水平集法及人工神經(jīng)網(wǎng)絡(luò)等來實(shí)現(xiàn)。

    閾值法是最常用和簡單的一種分割方法，原理是繪制圖像的灰度直方圖，通過選取直方圖中的閾值，對(duì)圖像進(jìn)行分類，得到分割結(jié)果。文獻(xiàn)[1]中，郭圣文等提出首先應(yīng)用自適應(yīng)閾值法二值化肺部區(qū)域圖像，然后應(yīng)用特征分類器精確地分割出肺部區(qū)域。閾值法要求圖像的灰度值要均勻分布，直方圖里能明顯地觀察到峰谷，否則就不能準(zhǔn)確地分割指定區(qū)域，局限性比較大。文獻(xiàn)[2]中，Gao Guorong等提出區(qū)域生長法分割肺部區(qū)域，根據(jù)設(shè)定的種子點(diǎn)，準(zhǔn)確地剔除掉粘連肺部的氣管及血管等高密度信息，但需要人工選取種子點(diǎn)，誤差比較大，實(shí)際應(yīng)用中需結(jié)合其他算法分割結(jié)果更好。文獻(xiàn)[3]中，秦曉紅等提出利用遺傳算法中的全局尋優(yōu)能力策略實(shí)現(xiàn)肺部區(qū)域的分割，該算法能使分割簡化，并提高搜索范圍，但是需要提供大量的訓(xùn)練樣本，提取特征也需要花費(fèi)大量的時(shí)間，收斂速度也比較慢，實(shí)用性不高。文獻(xiàn)[4]-[5]中，魏穎等人應(yīng)用幾何主動(dòng)輪廓模型(Geometric Active Contour，CAC)中的C-V水平集方法來分割肺部區(qū)域，并結(jié)合肺部結(jié)構(gòu)特征改進(jìn)了C-V方法，肺部邊界分割的精度和準(zhǔn)確度都有提高。與傳統(tǒng)的GAC模型相比，該方法的分割精度更高，收斂速度更快，也有效防止了邊緣的漏損。綜上所述，主動(dòng)輪廓模型發(fā)展起來的水平集方法的分割性能比較好，算法復(fù)雜度也低，也可處理復(fù)雜的圖像。因此，本文把傳統(tǒng)的分割方法與現(xiàn)代的分割方法進(jìn)行優(yōu)化組合，提出一種基于區(qū)域生長法與水平集相融合的肺部CT圖像的分割。首先采用自適應(yīng)閾值法對(duì)肺部CT圖像進(jìn)行二值化處理，然后應(yīng)用區(qū)域生長法對(duì)肺部區(qū)域進(jìn)行粗分割[6]。最后運(yùn)用水平集方法中的幾何活動(dòng)輪廓模型實(shí)現(xiàn)精確分割，在MATLAB軟件平臺(tái)進(jìn)行仿真測試后，實(shí)驗(yàn)結(jié)果表明，在肺部CT圖像的分割中應(yīng)用本文的方法取得了較好的分割效果。

    閾值法[7]是一種區(qū)域分割技術(shù)，把灰度值分成兩個(gè)或者更多的灰度區(qū)間，選擇一個(gè)或者多個(gè)合適的閾值，根據(jù)目標(biāo)和背景的差異，判斷區(qū)域是否滿足閾值要求，把背景和目標(biāo)分開產(chǎn)生二值圖像。閾值處理有兩種形式：全局閾值和自適應(yīng)閾值。全局閾值只設(shè)定一個(gè)閾值，自適應(yīng)閾值設(shè)定多個(gè)閾值，通過灰度直方圖的峰谷處確定閾值來分割目標(biāo)和背景區(qū)域。

    閾值選取得是否合適，決定圖像分割的好壞，本文選用自適應(yīng)閾值法二值化肺部圖像。肺部區(qū)域結(jié)構(gòu)復(fù)雜，在不同的環(huán)境及條件下，圖像表現(xiàn)也各異，應(yīng)用自適應(yīng)閾值法，動(dòng)態(tài)地選取多個(gè)閾值可以達(dá)到對(duì)肺部區(qū)域更好的二值化處理。

    本文應(yīng)用比較受歡迎的OSTU算法選取閾值?；驹硎牵豪瞄撝蛋阎狈綀D分為兩部分，當(dāng)被分成的兩部分方差最大時(shí)，獲得最優(yōu)閾值[8]。自適應(yīng)閾值法最終把DICOM格式的醫(yī)學(xué)CT圖像轉(zhuǎn)化為只有黑白色的二值圖像，以便于后期對(duì)圖像進(jìn)行分割、提取、識(shí)別等處理。

    區(qū)域生長法基本思想是：根據(jù)預(yù)先定義的生長準(zhǔn)則來把像素或子區(qū)域合成較大區(qū)域的處理方法，基本處理方法是以一組“種子”點(diǎn)開始來形成生長區(qū)域，即將那些預(yù)定義屬性（如像素的灰度級(jí)或顏色）類似于種子點(diǎn)的鄰域像素附加到每個(gè)種子點(diǎn)上[9]。區(qū)域生長的關(guān)鍵問題是相似性準(zhǔn)則的選擇和區(qū)域生長中停止規(guī)則的設(shè)定。準(zhǔn)則可以通過圖像的亮度值、紋理、色彩的相似性設(shè)定，當(dāng)不再有像素滿足該區(qū)域所包含的準(zhǔn)則時(shí)，生長區(qū)域的過程就停止。基于區(qū)域生長的分割方法計(jì)算簡單，可實(shí)現(xiàn)肺部區(qū)域的初始分割，獲得區(qū)域的初始輪廓信息。

    水平集方法是主動(dòng)輪廓模型(Active Contour，AC)中的幾何主動(dòng)輪廓模型(Geomet Active Contour，GAC)，是近幾年發(fā)展起來的一種圖像分割方法。水平集法進(jìn)行圖像分割的基本思想是[10]：通過曲線運(yùn)動(dòng)的不斷演化一直尋找圖像的邊界，直到找到目標(biāo)輪廓，停止移動(dòng)曲線。曲線需要沿著CT圖像的每一個(gè)三維切面層移動(dòng)，對(duì)不同層次的三維曲面切取薄片，獲得每一層的封閉曲線，隨著時(shí)間的推移，改變水平級(jí)，最終得到一個(gè)相應(yīng)的形狀提取輪廓。

    常用的水平級(jí)模型有3種，MS(Mumford-shah)模型、CV(Chan-Vese)模型、DRLSE(Distance Regularized Level Set Evolution)模型[11]，前兩類模型是傳統(tǒng)的水平集模型，都是利用區(qū)域統(tǒng)計(jì)量進(jìn)行分割，克服了利用梯度(邊緣)信息導(dǎo)致弱邊緣漏檢、多噪聲敏感等問題。但是尋找近似區(qū)域需要不斷地初始化水平集函數(shù)，仍然具有計(jì)算效率低和實(shí)現(xiàn)困難等問題。DRLSE模型對(duì)傳統(tǒng)的方法做出了改進(jìn)，即在水平集函數(shù)里增加一個(gè)約束項(xiàng)，避免了水平集函數(shù)周期性地初始化，提高了收斂速度，減化了運(yùn)行時(shí)間。根據(jù)以上模型的分析，本文選用DRLSE模型來提取肺部輪廓區(qū)域。

    在得到DICOM格式的CT圖像后，本文的工作是把完整的肺實(shí)質(zhì)區(qū)域精確地分割出來，便于后續(xù)對(duì)肺部疾病的診斷和定量的數(shù)據(jù)分析。肺部區(qū)域的分割分為4部分：圖像二值化、區(qū)域生長法初步定位肺部邊界區(qū)域、肺部邊界的修補(bǔ)、水平集法精確提取肺部區(qū)域輪廓。圖1給出分割肺部區(qū)域算法的流程圖。

    采集后的DICOM格式圖像不能在計(jì)算機(jī)屏幕上顯示，必須要轉(zhuǎn)換成BMP格式，由于兩種圖像格式的存儲(chǔ)方式不同，本文應(yīng)用垂直鏡像變換進(jìn)行格式轉(zhuǎn)換。醫(yī)學(xué)圖像垂直鏡像公式表示為： 

其中，G0(-n0，k0)表示DICOM格式原始圖像I0中像素點(diǎn)(-n0，k0)的像素值，Gvm(n0，k0)表示垂直鏡像后BMP格式圖像Ivm中像素點(diǎn)的像素值。

    OSTU方法是一種自動(dòng)化閾值分割方法，根據(jù)閾值把圖像區(qū)域分為兩組，當(dāng)被分成的兩個(gè)區(qū)域方差達(dá)到最大時(shí)，用得到最佳分割閾值來對(duì)圖像進(jìn)行分割。它屬于單閾值分割，將圖像分為背景和目標(biāo)兩類，經(jīng)過處理后，灰度圖像轉(zhuǎn)換成只有黑白兩色的圖像。處理的步驟如下所示：

    (1)讀取肺部CT圖像，轉(zhuǎn)成BMP格式的圖像。

    (2)應(yīng)用MATLAB軟件工具箱中的imhist函數(shù)繪制圖像的灰度直方圖，公式為：

    其中，I為原始圖像，n為灰度級(jí)，M為圖像I的灰度直方圖。根據(jù)肺部區(qū)域與周圍器官的灰度差異，使得直方圖中重疊區(qū)域最小，求出兩個(gè)區(qū)域的最大類間方差值，得到最佳分割閾值，根據(jù)閾值分割出肺部區(qū)域作為目標(biāo)區(qū)域，其他區(qū)域作為背景區(qū)域，使用OSTU法二值化后的圖像如圖2所示。

    二值化后的肺部CT圖像并沒有把肺實(shí)質(zhì)與圖像背景精確地分離開，肺實(shí)質(zhì)的邊緣信息還混淆在背景區(qū)域內(nèi)，同時(shí)，肺實(shí)質(zhì)區(qū)域內(nèi)還包括一些氣管、空氣等一些噪聲，本文應(yīng)用區(qū)域生長法初步定位肺部區(qū)域邊界并剔除噪聲等干擾信息。

    區(qū)域生長法需要解決3個(gè)問題：(1)需要確定區(qū)域內(nèi)某個(gè)像素點(diǎn)作為生長種子點(diǎn)；(2)確定種子點(diǎn)的生長準(zhǔn)則；(3)確定種子點(diǎn)在生長過程中終止條件。

    定位肺部邊界算法的步驟如下所示：

    (1)輸入二值化后的圖像，計(jì)算獲得圖像上X、Y軸方向的最大分辨率Amax、Bmax。

    (2)選取目標(biāo)區(qū)域R，計(jì)算該目標(biāo)區(qū)域的灰度平均值Tm，設(shè)該區(qū)域內(nèi)有N像素，則該區(qū)域的灰度平均值為：

    (4)種子點(diǎn)的選擇：從目標(biāo)區(qū)域圖像的最左側(cè)出發(fā)，設(shè)定四鄰域模板，掃描周圍像素點(diǎn)，如果像素點(diǎn)的灰度值小于Tm，即為種子點(diǎn)。

    (5)設(shè)定區(qū)域生長準(zhǔn)則T：其中I(Ai，Bi)為原始圖像的任意像素值，N4(Ai，Bi)是Ai、Bi的四鄰域像素點(diǎn)。用四鄰域像素點(diǎn)與灰度平均值進(jìn)行比較。

    從左上到右下掃描目標(biāo)區(qū)域，找出滿足式(6)～式(8)的所有像素點(diǎn)。

    (6)把滿足準(zhǔn)則的所有種子點(diǎn)周圍的四鄰域像素進(jìn)行搜索，直到不滿足條件結(jié)束生長，分割完成。

    應(yīng)用區(qū)域生長法可初步定位肺實(shí)質(zhì)輪廓區(qū)域，提取輪廓區(qū)域結(jié)果如圖3所示。

    提取肺實(shí)質(zhì)外部氣管的算法思想是：設(shè)定種子點(diǎn)后，應(yīng)用棋盤距離標(biāo)記方法生成區(qū)域內(nèi)的像素，確定好棋盤間的距離K，經(jīng)過第N次迭代后，依據(jù)區(qū)域生長規(guī)則，搜索滿足條件的所有像素點(diǎn)，最后設(shè)置生長終止條件，檢測到氣管區(qū)域。設(shè)V(K)為滿足區(qū)域生長的面積值，繪制V(K)值的曲線變化圖，觀察曲線圖中值的變化，如果數(shù)值突然變大，表明檢測到管狀器官，提取并去掉該區(qū)域，具體步驟如下：

    (1)種子點(diǎn)的選擇：從中肺野層片上開始搜索種子點(diǎn)，設(shè)定4×4模板，搜索所有滿足像素點(diǎn)的區(qū)域，利用區(qū)域生長法獲得種子點(diǎn)。

    (2)生長規(guī)則：搜索種子點(diǎn)周圍四鄰域像素的值，保留T+4與T-4之間的像素值，搜索不少于100個(gè)像素的面積區(qū)域。

    (3)終止條件：計(jì)算函數(shù)V(K)的面積導(dǎo)數(shù)，如果面積導(dǎo)數(shù)值大于零，則停止搜索，提取氣管區(qū)域，獲得無干擾信息的肺實(shí)質(zhì)區(qū)域。

    去除氣管的肺部輪廓區(qū)域如圖4所示。

    大量的氣管、血管等都分布在肺部邊界，在去除氣管的同時(shí)，造成了邊界區(qū)域的凹凸不平，需要對(duì)邊緣進(jìn)行修復(fù)，以獲得光滑、完整的肺實(shí)質(zhì)輪廓區(qū)域。

    修復(fù)肺部邊界之前，要對(duì)邊界進(jìn)行平滑處理，否則無法準(zhǔn)確自動(dòng)地選取參數(shù)來計(jì)算曲線的曲率，對(duì)邊界進(jìn)行精確的修復(fù)。

    本文應(yīng)用迭代采樣點(diǎn)算法對(duì)肺部輪廓曲線進(jìn)行平滑處理。提取肺部輪廓區(qū)域，提取邊緣一系列點(diǎn)列{i}，獲取系列點(diǎn)連接線的凹凸區(qū)域，對(duì)凹凸區(qū)域應(yīng)用牛頓-柯特斯公式進(jìn)行凹凸點(diǎn)的修整，經(jīng)過多次迭代，使得系列邊緣點(diǎn)近似服從線性關(guān)系，達(dá)到平滑邊緣的效果的過程。算法的實(shí)現(xiàn)步驟為：

    (1)設(shè)步長λ=0.9，根據(jù)牛頓-柯特斯公式：

    本文應(yīng)用自適應(yīng)曲率閾值法修復(fù)肺部邊界，經(jīng)過光滑后的邊緣可以準(zhǔn)確地計(jì)算出點(diǎn)的曲率閾值，其中具有較大曲率值的凹點(diǎn)就是要待修補(bǔ)的靠近肺部邊緣的區(qū)域點(diǎn)。算法步驟如下：

    (1)設(shè)點(diǎn)的曲率閾值為μ，邊界區(qū)域用P表示，計(jì)算區(qū)域點(diǎn)高度的平均值，設(shè)μ=，采樣區(qū)域P的離散點(diǎn)。

    (2)計(jì)算區(qū)域P內(nèi)每個(gè)離散點(diǎn)i的高度，設(shè)為ωi，并找到所有凹點(diǎn)區(qū)域，如果ωi>μ，刪除i點(diǎn)，連接i點(diǎn)的鄰域點(diǎn)。

    (3)重復(fù)步驟(1)、(2)，直到搜索完邊界區(qū)域所有的點(diǎn)，區(qū)域長度和原長度一致為止。

    最后，獲得光滑完整的肺部輪廓區(qū)域，對(duì)比修復(fù)前后的效果圖見圖5。

    本文選用DRLSE模型來對(duì)肺部區(qū)域進(jìn)行精確提取。該模型的優(yōu)點(diǎn)是在利用迭代方法尋找圖像中相匹配的點(diǎn)時(shí)無需重復(fù)初始化水平集函數(shù)，提高了運(yùn)算速度，減少數(shù)據(jù)計(jì)算量。其中水平集函數(shù)φ的數(shù)學(xué)公式表示為：

    (3)重復(fù)步驟(2)，不斷地迭代水平集函數(shù)，直到達(dá)到滿意效果，i的值不超出300，停止迭代，獲得水平集迭代后的肺部邊界精確的輪廓區(qū)域，邊界曲線也得到較好的收斂，提取的最終的肺部區(qū)域圖像如圖6所示。

    為了驗(yàn)證本方法的可行性和分割的精確性，從LIDC肺部圖像公開數(shù)據(jù)庫中隨機(jī)抽取120幅圖像，從包頭某醫(yī)院抽取30幅含有病變信息的圖像，每一幅圖像都配有專家分割的“金標(biāo)準(zhǔn)”，這也是評(píng)價(jià)算法好壞的重要準(zhǔn)則。經(jīng)過篩選和鑒別大約有110幅圖像有肺部病變的跡象，90%以上肺部區(qū)域中左右肺是分離的，因此本文沒有提及左右肺分離。圖像的分辨率大約在0.6 mm~0.8 mm之間，大小為512×512，掃描層大約有30層。

    本實(shí)驗(yàn)的實(shí)驗(yàn)平臺(tái)為：Windows 7操作系統(tǒng)，i5處理器CPU，8 GB RAM，編程軟件為MATLAB R2015a、Visual Studio 2012。

    為了驗(yàn)證兩種方法融合后對(duì)圖像分割的可行性，再列出兩組不同肺部病變圖像的分割結(jié)果，如圖7所示。

    從分割結(jié)果可以看出，本文的方法能準(zhǔn)確、完整地提取出肺實(shí)質(zhì)區(qū)域，克服了單獨(dú)使用區(qū)域生長法存在邊界漏檢等問題，結(jié)合后期的水平集法的精確分割，能清晰地觀察肺實(shí)質(zhì)內(nèi)部的細(xì)節(jié)信息和更精確地定位肺部邊緣信息，也避免了圖像的過分割等問題。同時(shí)，也可處理多種類型病變的肺部圖像，為后續(xù)圖像的進(jìn)一步的分析和處理打下基礎(chǔ)。

    由表1可知，本文的算法是犧牲了時(shí)間，但提高了的分割精度。從分割結(jié)果可知，本算法有很強(qiáng)的可行性。本算法是計(jì)算機(jī)自動(dòng)分割，時(shí)間和效率上依然比半自動(dòng)或者手動(dòng)分割的時(shí)效性高。

    肺部圖像的分割是計(jì)算機(jī)輔助臨床醫(yī)生檢測肺部疾病的前提條件，分割結(jié)果的好壞直接影響對(duì)疾病檢測的準(zhǔn)確率等。本文提出一種區(qū)域生長與水平集相融合的肺部分割方法。經(jīng)過仿真實(shí)驗(yàn)，該算法能有效、準(zhǔn)確地分割出肺部區(qū)域，而且保留了肺內(nèi)部的細(xì)節(jié)信息，對(duì)后續(xù)肺結(jié)節(jié)的檢測和提取奠定了基礎(chǔ)。

    本文的算法也存在不足，沒有對(duì)左右肺粘連情況的肺部區(qū)域進(jìn)行分割，在抽選的圖片中，剔除了兩幅左右肺有粘連的圖片。后續(xù)將開展針對(duì)左右肺粘連區(qū)域分割的研究。同時(shí)，也可以把本算法應(yīng)用于肺結(jié)節(jié)、胸膜結(jié)節(jié)的分割，來測試該方法的通用性，對(duì)分割出現(xiàn)的問題提出改進(jìn)、優(yōu)化等。

參考文獻(xiàn)

[1] 郭圣文，陳堅(jiān)，曾慶思.胸部CT圖像中肺實(shí)質(zhì)的自動(dòng)分割與計(jì)算機(jī)輔助診斷[J].華南理工大學(xué)報(bào)，2008，36(1)：72-75.

[2] Gao Guorong.Multi-focus image fusion based on non-subsampled Shear let transform[J].Image Processing，2013，6(7)：633-639.

[3] 秦曉紅，孫豐榮，王長宇，等.基于遺傳算法的胸部CT圖像肺組織分割[J].計(jì)算機(jī)工程，2007，33(19)：188-190.

[4] 魏穎，徐心和，賈同，等.基于優(yōu)化水平集方法的CT圖像肺結(jié)節(jié)檢測算法[J].系統(tǒng)仿真學(xué)報(bào)，2006，18(S2)：909-915.

[5] 楊勇，徐春，潘偉民.基于區(qū)域GAC模型的二值化水平集圖像分割算法[J].計(jì)算機(jī)應(yīng)用，2009，29(9)：2414-2417.

[6] 張紅民，王一博.一種改進(jìn)的細(xì)胞圖像分山嶺分割方法[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，26(11)：59-62.

[7] 章毓晉.圖像處理和分析[M].北京：清華大學(xué)出版社，2003.

[8] 范九倫，趙鳳.灰度圖像的二維otsu曲線閾值分割法[J].電子學(xué)報(bào)，2017，35(4)：751-755.

[9] SRINARKA T，KAMBHAMETTUB C.A framework for multiple snakes and its applications[J].Pattern Recognition，2016，39(9)：1555-1565.

[10] VESE L A，CHAN T F.A multiphase level set frame-work for image segmentation using the Mumford and Shah model[J].International Journal of Computer Vision，2002，50(3)：271-293.

[11] MUMFORD D，SHAH J.Boundary detection by minimizing functional[C].IEEE Conference on Computer Vision and Pattern Recognition，1985：22-26.

[12] ZHOUA S J，CHENG Y Z，TAMURA S C.Automated lung segmentation and smoothing techniques for inclusion of nodules and pulmonary vessels on chest CT images[J].Biomedical Signal Processing and Control，2014，3(13)：62-70.

作者信息:

唐思源，楊  敏，苗  玥，白金牛

(內(nèi)蒙古科技大學(xué)包頭醫(yī)學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)系，內(nèi)蒙古 包頭014040)