一种肺部CT图像快速分割算法研究

梁洪，李金

哈尔滨工程大学 自动化学院生物医学工程研究所，黑龙江 哈尔滨 150001

一种肺部CT图像快速分割算法研究

梁洪，李金

哈尔滨工程大学 自动化学院生物医学工程研究所，黑龙江 哈尔滨 150001

针对临床辅助诊断的需求，本文提出一种肺部感兴趣区域快速分割算法。该算法首先利用最大类间方差（OTSU）法对图像进行预分割，然后利用区域生长及小面积消除方法剔除干扰信息，并生成掩模图像，最后运用数学形态学方法对模板进行细化，并将原始图像与掩模图像进行数学运算，从而获得肺部感兴趣区域。实验结果表明，本文提出的算法自动化程度高，分割较为准确。

CT图像；最大类间方差；数学形态学；肺部感兴趣区域；CT肺部成像

在临床影像诊断过程中，医生一般只关注有利于疾病诊断的感兴趣区域（Region of Interest，ROI）。通过对肺部CT图像的特点进行分析，我们可以发现能够反映肺部病变的信息全部集中在肺部区域中，而其它如胸廓、心脏、检查床和患者衣物等属于不相关信息，但这些信息会干扰病变区域特征提取的准确性，因此，对胸部CT图像进行分割提取肺部组织是一种有效提取病变区域的特征，同时也是降低非相关信息干扰的行之有效的手段[1]。

通过对现有图像处理算法的总结与应用，本文提出一种适用于肺部病变CT图像的快速分割方案，能够快速有效地提取肺部感兴趣区域。

1 总体设计

根据胸部CT图像的影像学和解剖学特点，首先利用最大类间方差法（OTSU法）对图像进行预分割，然后利用区域生长及小面积消除方法剔除干扰信息，同时生成掩模图像，最后运用数学形态学方法对模板进行细化，将原始图像与掩模图像进行数学运算即可得到肺部区域。具体方法如图1所示。

图1 肺部区域提取示意图

2 快速分割算法

2.1 基于OTSU方法的图像预分割

最大类间方差法由日本学者Nobuyuki Otsu[2]首先提出，是一种自适应的阈值确定方法，又叫大津法，简称OTSU法。该方法应用类判别法寻找最佳阈值，以获得最好的分离特性。考察肺部医学图像，可以发现背景和目标的灰度差值很大，如图2所示。因此，利用OTSU法依据类间距离极大准则来确定区域分割阈值就意味着错分概率最小。

图2 胸部CT图像及其直方图

设图像f(x,y)有L个灰度级，则图像的灰度统计直方图可以由以下离散函数表示：

式中， sk为图像f(x,y)的第k级灰度值， nk为f(x,y)中具有灰度值sk的像素的个数， n为图像像素总数。

选定阈值t，将图像分成灰度区间为O:t的目标 和灰度区间为(t+1):(L-1)的背景f2(x,y)两类，则f1(x,y)和f2(x,y)的概率可由下式表示：

两类图像的灰度均值和图像总体均值则可以表示为：

OTSU方法把两类的类间方差作为得到最优分割阈值的判别准则，认为使得分离度为最大的 值为最佳阈值。

本文利用大量图像进行了实验，在此仅以一幅胸部CT图像为例。图3的(a)为原始图像，(b)为利用OTSU法预分割得到的结果。

图3 胸部CT图像OTSU法分割结果

2.2 基于区域生长与小面积计算的无关信息消除

胸部轴向 CT层片一般分为三层：上肺野层片、 中肺野层片和下肺野层片，我们选取的CT测试图像大多集中在上肺野层片和中肺野层片。经过OTSU法分割后，肺部CT图像根据灰度值分布情况将肺部区域和背景大致分开，然而，在上肺野层片的中间目标区域上还保留有大气管的影像，在中肺野层片上，保留有左右主支气管的影像。另外，图像中还存在检查床、心脏和血管等高密度区域，这些区域都会对提取完整的肺部区域形成干扰，为了去除这些无关信息，我们利用基于区域生长的方法和小面积计算的方法继续进行分割。

区域生长是一种典型的串行区域技术，其基本思想是将具有相似性质的像素集合起来构成区域，从某个像素出发，按照一定的准则，逐步加入临近像素，当满足一定条件时区域生长终止，可以用图4表示。

图4 区域生长流程图

影像区域生长结果的好坏有以下3个原因：初始点（种子点）的选取、生长准则和终止条件。

初始点的选择，可以是人工加入的交互信息，也可以让计算机自己选取种子点进行区域生长。针对胸部CT图像的特点，本文采用 邻域模板，种子点选取为图像的中心，生长准则是相邻象素的象素值小于10，终止条件是一直进行到再没有满足生长准则需要的象素时为止。经过区域生长再分割和反色变换后得到的图像如图5(a)所示。

除了大部分肺部组织外，气管、支气管因内部充满空气，也显示为低密度影区，而原本属于肺部组织的部分血管、结节、纤维化等则显示为高密度影区[3]。通过目测就能发现，气管、支气管对应的低密度影区的面积要明显小于肺部组织对应的白色区域面积；而肺实质内的血管、结节、纤维化等对应的高密度影区的面积也远不及肺部组织的面积。由此，我们分别对图像的两个密度区域进行连通域标记，测得各连通区域的面积，同时选取合适的面积阈值，并对面积小于相应阈值的区域内的像素值取反，这样不仅可以自动去除气管、支气管等干扰，而且能够将上述高密度结构正确的归到肺部区域，从而弥补二值化过程带来的分类误差。处理结果如图5(b)所示。

图5 去除无关信息的结果

2.3 基于形态学方法的掩模生成与细化

通过上述一系列的处理，肺部模板已经基本成形，但是，对图5(b)进行分析可以看到，由于肺实质边缘密度和周围组织非常相近，在肺部区域预分割时常常将其误分为背景，因此，本文利用形态学的闭运算对模板进行细化。

图6(a)为利用闭运算细化得到的最终模板，将原图与模板做减运算即得到了肺部区域的完整图像，如图6(b)所示。可见，闭运算能够填平小的空洞，弥合小的裂缝，而总的位置和形状不变，原图经过闭运算后，断裂的地方被弥合了。

图6 分割最终结果

3 结论

本文提出的算法对大量肺部CT图像进行分割，并与现有的肺部区域分割算法比较[4-6]，其实验结果表明，本文提出的算法简单且易于实现，能够较为迅速且准确的分割出双肺区域，并能够有效地去除气管和支气管等干扰。与此同时，在处理含有血管、结节、纤维化等高密度影区的图像时，能够进行高效且准确的分割。但由于人体胸部解剖结构的差异，该分割算法还不能适用于在靠近胸廓位置含有高密度影等类型的图像。为了更好地满足临床辅助诊断的需求，对算法进行改进是未来的工作目标。

[1] 曹蕾,占杰,余晓锷,等.基于自动阈值的 CT 图像快速肺实质分割算法[J]. 计算机工程与应用, 2008, 44 (12):178-181.

[2] Otsu N.A threshold selection method from gray level histogram[J].IEEE Trans on Syst Man,Cybern,1979,9(1):62-66.

[3] 吴恩惠.医学影像诊断学[M].北京:人民卫生出版社, 2001.

[4] 陈旭,庄天戈.胸部高分辨率CT片中肺实质的自动分割[J].上海交通大学学报, 2002,(36)7:946-948.

[5] Shojaii R, Alirezaie J, Babyn P. Automatic lung segmentation in CT images using watershed transform. Image Processing, 2005. ICIP 2005. IEEE International Conference on,2005,2: II-1270-3.

[6] Lu Meng, Hong Zhao. Interactive Lung Segmentation Algorithm for CT Chest Images Based on Live-Wire Model and Snake Model[M]. Electronic Computer Technology, 2009 International Conference on, 2009:461-466.

[7] 柳渊,等.基于MITK的医学图像三维重建方法研究[J].中国医疗设备,2009,24(1):10-13.

[8] 李庆玲.CT图像肺结节自动检测算法研究与实现[D].北京:北京交通大学,2010.

[9] 曹蕾.肺结节图像的分析与识别[D].广州:南方医科大学,2009.

A Fast Segmentation Algorithm Approach on Lung ROI

LIANG Hong, LI Jin
Biomedical Institution, College of Automation, Harbin Engineering University, Harbin Heilongjiang 150001, China

According to the request of clinical diagnostic-assisted, a fast segmentation algorithm approach on lung ROI is proposed in this paper. Firstly, maximum between-cluster variance method is applied to presegment the image. Secondly, the method of region growing and small area elimination is applied to get rid of disturb information and generate mask image in the meantime. Lastly, the mathematical morphology method is applied to refine the template image. And arithmetical operation is used to original image and mask image to get lung region of interest. The experimental results indicate that the algorithm in this paper has a high automation degree and accuracy segmentation.

CT images; maximum between-cluster variance; mathematical morphology; lung region of interest; lung CT imaging

TP391.4

A

10.3969/j.issn.1674-1633.2011.03.010

1674-1633(2011)03-0028-03

2010-09-30

作者邮箱：lh@hrbeu.edu.cn