基于人工交互分水岭区域合并的医学图像分割研究

吕晓琪 Lü，Xiaoqi

范运洲1，2 Fan，Yunzhou

谷 宇1 Gu，Yu

刘 静1 Liu，Jing

1.014010 内蒙古包头

内蒙古科技大学信息工程学院

2.200030 上海

上海青蓝科技有限责任公司

医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超声）及其他医学影像设备所获得的图像。随着影像技术在临床诊断过程中日益广泛的应用，图像分割在影像医学中发挥着越来越大的作用。图像分割是提取图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。图像分割结果可用于在不丢失有用信息的前提下进行数据的压缩和传输。这对于提高PACS［3］、远程放射学和Internet中的图像传输速度是至关重要的。

医学图像分割由于被用于临床医疗，因此图像分割的准确性更为重要。图像分割一直是一个很困难的问题，目前的自动分割方法虽然在一些方面取得了一定的成功，但还远不能满足医学图像处理对分割结果准确性的要求。因而，几年来人机交换的分割方法在医学图像分割中受到越来越多的关注。人机交互的分水岭既可以保证目标区域分割的准确性，又可以有效的消除噪声导致的过分割，从图像中分割出医师和研究人员感兴趣的目标［4］。

1 材料与方法

1.1 分水岭算法原理 分水岭算法［5］是较新的基于区域的图像分割方法，属于数学形态学领域。该算法的思想来源于洼地积水的过程：首先，求取梯度图像；然后，将梯度图像视为一个高低起伏的地形图，原图上较平坦的区域梯度值较小，构成盆地，原图上的边界区域梯度值较大，构成分割盆地的山脊；接着，水从盆地内最低洼的地方渗入，随着水位不断长高，有的洼地将被连通，为了防止两块洼地被连通，就在分割两者的山脊上筑起水坝，水位越涨越高，水坝也越筑越高；最后，当水坝达到最高的山脊的高度时，算法结束，每一个孤立的积水盆地对应一个分割区域。

分水岭算法有着较好的鲁棒性，但由于受噪声和物体本身内部细密纹理的影响，分水岭分割存在一个比较严重的问题就是存在过分割现象，使希望得到的正确轮廓信息淹没在过度分割产生的复杂边缘信息中。对此，许多研究人员也提出了许多去除过分割的方法，如何克服过分割一直是研究的热点。当前克服过分割的方法可以分为两种：一种是在分水岭算法之前，通过对图像滤波，进行标记［6］提取，从而有效抑制噪声引起的过分割，为了使分割效果边缘定位更精确，选择滤波器的时候要考虑保留重要形状特征以及抑制图像的边界移动的情况；另一种是在分水岭算法之后，通过一定的合并准则将小区域合并到相邻区域中。考虑到医学图像特别注重细节的特点，本文的方法是先分水岭后再合并，噪声是通过添加人机选择的方式去除的，而且达到了保留病灶部分分割细节的效果。

1.2 排序和浸没过程 本文使用的是Vincent等提出的模拟浸没实现算法，此算法速度快、结果准确，具有实用价值，计算出分水岭分割后的各个区域。Vincent算法可以分为两步：排序［7］和浸没。

步骤1：首先计算图像中各点的梯度，然后扫描整幅图像得到各梯度的概率密度。各像素点在排序数组中的位置由梯度［8］分布的累积概率与该像素点的梯度值计算得到。计算出所有像素点的排序位置并将其存入排序数组。在排序后的数组中，梯度值越低的点存放的位置越靠前。

步骤2：像素点按梯度值从低到高的顺序处理.相同梯度值的点作为一个梯度层级。

步骤3：处理一个梯度层级h（当前层），首先将该层中所有邻域已被标识的点加入到一个先进先出队列中去。

步骤4：若先进先出队列非空，则弹出队列的首元素作为当前处理像素。顺序处理当前像素所有高度为h的相邻点。如果邻点已被标识，则根据该邻点标识刷新当前像素点的标识。如果邻点尚未标识，则将该邻点加入到先进先出队列中去。循环执行本步直至队列空为止。

步骤5：再一次扫描当前梯度层级的像素点，检查是否仍有未标识点。此时的未标识点意味着一个新的极小区。因此，如果发现未标识点，则将当前区域标识值（盆号）加1，并将该值赋为未标识点的标识值。然后，从该点出发执行与步骤4相同的泛洪步骤，标识该极小区的所有像素点。

步骤6：返回步骤3处理下一梯度层级，直至将所有梯度层级都处理完毕为止。

图1是原图，图2是原图叠加噪声分水岭泛洪后的效果图，图3是本文研究的流程图。

图1 原图

图2 泛洪结果

图3 流程图

1.3 相似区域的合并 分水岭算法后，图2被分成了6 626个区域［9］，图中的每个像素点都分配到了相应的区域中，每个区域用不同的数字标号，最大标记号为6 625。每个区域都记录了相邻区域的序号并存在一个数组里。

第一次合并：合并［10］时必须考虑医学图像的特征，因为病变小区域信息含量非常高，如果错将病变小区域合并到背景，其代价特别高。在基于面积合并的准则基础上，采用平均亮度值的合并准则，区域的平均亮度是区域中所有像素点的亮度值之和除以区域像数个数（面积）。例如，区域A的相邻区域有很多，但每次只与区域A的平均亮度最相近的相邻区域进行合并。合并后，区域A的像数个数（面积）更新为两区域的像数个数（面积）之和，同理，区域A的亮度之和也更新为两区域所有像素的亮度之和，然后求出区域A的新的平均亮度。这里用tag来记录某区域是否已被合并，保证每个区域只能合并一次。停止合并的条件：合并后的区域A的像数个数（面积）达到一个阈值T或者区域A的所有相邻区域都已合并。

第一次合并后的效果图为图4，合并阈值T为163，图片的细节被分割出来了，但是由于噪声的原因，背景部分还存在严重的过分割。

图4 第一次合并后的结果图

第二次合并：两个相邻区域是否合并要进行一次判断，如果两区域的平均亮度差的平方小于阈值S则合并，否则不合并。

第二次合并的阈值S设为400，其结果图为图5；可见背景中由于噪声引起的过分割已经全被合并到了背景区域（注：背景也是一个区域），但此时脑部细节部分被过分合并，丢失分割细节来消除过分割是没有意义的；如果第二次合并的阈值设为10，结果图为图6，脑部的细节部分保存较好，没有被过分合并，背景部分存在少量过分割。

所以本文提出一种既能够去除噪声又保留脑部细节的分割方法，即把背景的过分割消除，把脑部的细节部分保留。

第三次合并的具体步骤：在第二次合并后，把所有区域都存进一个数组里，并记录每一个像素点所属的区域号，当把图6感兴趣的部分（病灶部分）圈住时，被圈住区域号不会继续合并，没有圈住的部分则继续合并，合并阈值设置为400，如图7所示操作。之后进行第三次合并，因为已经把感兴趣部分的区域都已经圈住，把这些区域都存在了数组里，当进行合并时进行一次判断，在圈内的区域不进行合并，而在圈外的区域进行合并，合并的阈值为400。

图5 阈值为400

2 结果

第三次合并后的结果如图8所示，可以看到图像底部的细节已经合并，而且由于噪声产生的区域也都已经合并到背景区域。

本文的前两次合并与泛洪的耗时都不大，第三次合并由于而且加入了人工操作，耗时与所圈的区域大小有关。把所有圈住的区域序号都存在了数组里，合并相邻区域的时候要进行一次判断，被合并区域号是否在数组里，是则不合并，进行判断下一个相邻区域。所以第三次合并耗时不确定。计算开销如表1：

图6 阈值为10

图7 操作图

表1 计算开销

图8 第三次合并结果图

3 讨论

图5和图6是传统的分水岭算法的结果图，图5不存在过分割问题，却有过分合并问题，把病灶部分合并了，不符合分割要求；图6存在过分割，由于噪声原因导致的多余区域没有被合并，也不符合分割要求。图8是人工交互合并后的结果图，选择适当的合并阈值，既能把图像的细节部分分割出来，又能把多余的噪声区域合并，基本符合分割要求。

由用户参与控制、引导的交互式分割方法在临床诊断、病理分析、辅助治疗等方面发挥越来越大的作用，对实际的诊断工作有很重要的意义［11］。

本文提出的人机交互方法较好地解决了分水岭算法中由于噪声导致的过分割问题。该方法以传统标记提取为基础，经过前两次的合并后，再通过人机交互的方式保留重要部分，使重要部分不再继续合并，而其他部分继续合并，得到较好的分割效果。

这种人机交互的分水岭算法具有较阔的应用范围。本方法优点：不同的图像重要部分不一样，通过人工选择保留重要的目标信息，使被关注的区域得到较好的分割。

［1］王国权，周小红，蔚立磊 .基于分水岭算法的图像分割方法研究 .计算机仿真，2009，26（5）：255-258.

［2］湛永松，雷德斌 .基于图切分的交互式图像分割算法.系统仿真学报，2008，20（3）：799-802.

［3］王伟军，李堃，刘霞，等 .基于免费软件Efilm与PacsOne的PACS系统的构建 .实用放射学杂志，2008，24（11）：1575-1576.

［4］蔡伟栋，王常生.MR脑图像分割技术 .中国医学影像学杂志，2003，11（6）：461-463.

［5］柴黎，王明泉 .颅脑MRI图像的分水岭分割方法研究.中国生物医学工程学报，2006，26（3）：384-388.

［6］陈琳，刘文奇，蔡光程 .基于分形和分水岭的图像分割方法 .计算机应用与软件，2008，25（8）：227-228.

［7］方鹤鹤，冯宏伟，马煜 .基于形态滤波和分水岭变换的边缘检测方法 .计算机技术与发展，2006，12（1）：49-51.

［8］袁晓辉，许东，夏良正，等 .基于形态学滤波和分水线算法的目标图像分割 .数据采集与处理，2003，18（4）：455-459.

［9］龚天旭，彭嘉雄 .基于分水岭变换的彩色图像分割 .华中科技大学学报（自然科学版），2003，31（9）：74-76.

［10］马丽红，张宇，邓健平 .基于形态开闭滤波二值标记和纹理特征合并的分水岭算法 .中国图象图形学报，2003，8A（1）：77-83.

［11］邢国泉，刘柱，李义兵，等.Matlab在医学图像分割处理中的应用 .中国医学影像学杂志，2008，16（6）：453-455.