基于改进型区域生长法的心脏三维建模的实现

王章玉，杨翠微

复旦大学信息科学与工程学院电子工程系，上海市，200433

基于改进型区域生长法的心脏三维建模的实现

【作 者】王章玉，杨翠微

复旦大学信息科学与工程学院电子工程系，上海市，200433

图像分割是图像处理的关键步骤。该研究基于动物实验采集的心脏CT图像，设计出改进型区域生长法对其进行图像分割处理，提取出心脏的轮廓应用于心脏三维建模，并与经典的阈值分割法进行对比。结果表明，该方法可用于临床电生理标测中心电活动的三维显示。

CT图像； 图像分割； 区域生长法； 心脏三维建模

0 引言

房颤作为一种临床上常见的心律失常，其电生理机制尚未完全阐明[1]。关于房颤发生和维持机制的各种假说都不能够完全令人信服。心脏标测在房颤机制研究过程中起到了极其重要的推动作用，可将所研究的心脏各部位的激动分布、传播途径通过时空图表的方式形象地表达出来，很多关于房颤发生和维持机制的理论假说都从心脏标测中得到了支持和验证。由于心外膜电位标测的电极阵元与心外膜直接接触，所以标测结果能客观而精确地反映心电兴奋起源及传播的过程[2]。为了更加直观的观察心脏表面的电活动，需要作出三维的动态等电位标测图。实现这一过程的基础就是心脏的三维建模。

1 算法原理

近三十年来，研究人员做了大量的工作，提出了很多实用的分割算法。1985年kapur等提出了一维最大熵阈值法，1989年Abutaleb将一维最大熵方法推广到二维，Kass等提出了著名的活动轮廓模型，Wells等提出了自适应分割方法[3-4]。目前最常见的方法是阈值分割法和区域生长法。阈值分割法作为经典的分割方法，简单实用，但对灰度不均较敏感。区域生长法相对较小的结构或组织区域进行分割效果较好。因此，本文研究综合采用区域生长法和阈值分割法对心脏CT图像进行处理，并对处理结果做了对比。

1.1 区域生长法的原理

区域生长法的基本思想是将具有相似性质的像素集合起来构成区域[5]。其实现过程需要首先选取一个种子点，将种子像素周围的相似像素合并到种子像素所在的区域中。然后以新的像素继续做种子向四周生长，依次不断地合并，直到不能合并为止。

在实际应用区域生长法时需要解决三个问题：

(1) 选择或确定一组能正确代表所需区域的种子像素( 选取种子) ；

(2) 确定在生长过程中能将相邻像素包括进来的准则( 确定门限) ；

(3) 确定让生长过程停止的条件或规则(停止条件)。

1.2 阈值分割法原理

阈值法是一种很简单实用的图像分割方法[6]。其中阈值是指用于区分目标和背景的灰度门限。如果图像只有目标和背景两大类，那么只需选取一个阈值，将图像中每个像素的灰度值与阈值相比较，灰度值大于阈值的像素为一类，灰度值小于阈值的像素为另一类，这种方法称为单阈值分割。如果图像中有多个目标，就需要选取多个阈值将各个目标及背景分开，这种方法称为多阈值分割。阈值T 一般可表示成[6]：

其中p(x, y)代表点(x, y)处的灰度值，q(x, y)代表该点邻域的某种局部特性。根据(1)式可将阈值分为全局阈值、局部阈值和动态阈值。设(x, y)是二维数字图像平面上的点，f (x, y)是图像各点的灰度值，图像灰度级范围为G=[0, L-1]，阈值T对图像的分割结果定义为[6]：

2 改进型区域生长法

本文用于分割的原始CT图像数据来源于犬的心外膜标测动物实验。图1是本文所研究的胸腔CT图样，图中可见原始图像具有较为鲜明的灰度特征。因此我们的分割方法以灰度差为主要的生长准则。

图1 实验犬胸腔的CT原始图像Fig.1 The original CT image of canine chest

首先需要设置种子点I(x, y)。我们将种子点选取在胸腔内非心脏部分，因为在CT图片中，胸腔内除了心脏并无其他部分，因此，对这一部分进行区域生长，连成同质的整体。传统的图像分割是突出感兴趣区域(ROI)，在本文中，我们突出背景区域，其实也就相当于突出了感兴趣的心脏区域。

选好了种子点，接下来需要利用种子点的灰度特征增长为感兴趣区域。本研究对种子点周围的8个点I(x+u, y+v)(u, v是步长，-1:1)进行测试，每考察一个点，像素点计数器加1。取阈值为10，若像素点与种子点像素差值小于阈值，则为同质区域，并将该像素点的灰度值加入灰度计数器中。用灰度计数器的计数和与像素点计数器的计数和相除，就能得到新的平均灰度，作为新的测试标准测试其他的点。若超过阈值，则对这一点不再测试。

种子点的位置范围确定后，还需要考虑怎么选取种子点的精确位置。毕竟不同的图像，种子点的选取位置一般会不同。为了增强实用性，本文采用人机交互的软件用于精确选取种子点的位置。

3 实验设计和结果

3.1 实验设计

由于本文所述的图像分割是为心外膜电标测信号研究服务的，因此必须考虑以后的实际应用。目前的心脏三维建模采用的图像分割方法，多数需要较多的人工经验操作，费时费力，对于实际的应用来讲效率不高。而全自动分割算法，又会由于目前本身的技术不成熟以及不同情况下的可能出现的特点难以完全自动把握，从而使得结果不太精确。因此，本研究试着采取一种带有人机交互的半自动方式，取得精确性和效率的平衡优化。

种子点的选取是一个复杂的问题。因为对于不同的CT图像，生长点一般是会变化的，因此最好做成会随机变化的。心脏CT图像所需种子点的特征应该是：(1) 在胸腔内；(2) 灰度是0。

针对这两个特征，本研究采用的办法是设计一个人机交互的程序，人为的判断胸腔内某一点的位置，输入点坐标进行测试，如果符合要求，会自动返回“我可以成为种子点”的结果，并进行后续的分割。若不符合要求，则会输出“我不是种子点”的结果，并停止分割算法。图2是这种改进型区域生长法的流程图。

图2 改进型区域生长法流程图Fig.2 The fowchart of improved region rowing method

3.2 实验结果

我们选取了编号为17的CT数据作为原始图像，本文方法与阈值法的分割结果对比如图3所示。图4和图5分别为采用本文方法与阈值法进行分割后的心脏三维建模图形。

比较图4和图5的心脏三维模型可以看出，改进型区域生长法和阈值分割法分割出的心脏CT图像大体上基本一致，但该文方法比纯由阈值法分割出的图像建立的模型要平滑一些。为了探明这些误差影响，我们设计了一组测试程序，用于对分割结果的评价。

图3 分割结果Fig.3 The segmentation results

图4 阈值法分割图像建立的心脏三维模型Fig.4 The 3D heart model built with the threshold segmentation

图5 改进型区域生长法分割图像建立的心脏三维模型Fig.5 The 3D heart model built with the improved region growing method

4 分割方法的评价

图像分割的评价，其实是通过对不同图像分割算法性能的研究，帮助优化分割算法。同时，通过评价也可以知道不同算法的特点，从而在面对不同的问题时可以选择最适合的分割方法。

通常一幅图像分割结果的好坏，主要是由研究者的主观标准作为评价标准，但由于每个人视觉上存在差异，因此制定一个定量定性的方法很有意义。

图像分割结果的评价方法可大致分为直接法(又称分析法)和间接法(或称实验法)两大类[7-10]：前者是直接对算法的原理及性能进行分析，不足之处在于没有考虑算法的应用环境，评价结果只与算法本身有关；后者是通过同一应用环境下的测试给出评价结果。

(1) 分割建模时间

半自动的区域分割法可以在2 min左右用Matlab完成本文57幅图的分割并三维建模(测试环境：intel(R) Core(TM)2 Duo CPU T7100 @1.80 GHz，1.96 GB内存)。阈值分割法由于需要手动选取ROI，因此当处理的对象多时工作量很大，对于57张图，至少需要几个小时。从效率上来讲，区域生长法比阈值分割法更快捷方便。

(2) 目标像素点差异性

本研究利用Matlab设计程序执行，循环测试两组分割结果。得到差异点最多的十组图差异数据如表1所示（按从多到少排列）。

表1 分割结果差异点列表Tab.l The difference point list of the segmentation results

(3) 区域内部的均匀性

由于本实验分割图像的灰度值被统一为ROI区域为0，背景为1，因此均匀性很好。两种方法的均匀系数UM均为1。

从整体上来看，阈值分割法简单，但是费时间。而改进型区域生长法实现了半自动分割，但是所耗费的时间很短，实际差异率也不大。在心外膜标测结果的三维显示中改进型区域生长法更具有应用潜力。

5 讨论

本文基于图像分割经典方法和心脏三维建模技术，对心脏CT图像轮廓提取方法进行了分析和探讨。结果表明，本研究的两种分割方法对于心脏CT图像的处理都具有不错的效果，根据图像合成的三维模型与实际十分接近。其中改进型的区域生长法由于兼具实时性和准确性，适合在今后的基于CT图像的心脏三维建模工作中广泛应用。

[1] 陈丽丽, 杨水祥. 房颤机制与治疗进展[C]. 第二届国际心血管热点论坛论文集. 2010

[2] 杨翠微. 基于心外膜标测技术的房颤表征方法及电生理机制研究[D]. 复旦大学, 2008.

[3] 田捷. 医学影像处理与分析[M]. 北京：电子工业出版社, 2003.

[4] 林丽秋, 陈亮亮. 医学图像分割研究概况[J]. 科技信息, 2011, (21): 42-43.

[5] 李久权, 王平, 王永强, 等. CT 图像分割几种算法[J]. 微计算机信息, 2006, 22(21): 240-242．

[6] 杨晖. 图像分割的阈值法研究[J]. 辽宁大学学报自然科学版, 2006, 33(2): 136-137.

[7] 章毓晋. 图像分割评价技术分类和比较[J]. 中国图像图形学报, 1996, 1(2): 151-158.

[8] Zhang YJ. Comparison of segmentation evaluation criteria [C]. Proc ICSP, 1993, 870-873.

[9] Sairanyi T. Subpixel pattern recognition by Image Histogram[J]. Pattern Recognit, 1994, 27: 1079-1092.

[10] Nasif AM, Levine MD. Low level image segmentation: an expert system[J]. IEEE Trans PAMI, 1984, 6: 555-557.

lmplementation of 3D Heart Modeling Based on an lmproved Region Rowing Method

【Writers】Wang Zhangyu, Yang Cuiwei
Electronic Engineering Department, School of Information Science and Technology, Fudan University, Shanghai, 200433

CT image, image segmentation, region growing method, 3D modeling of the heart

TP391.41；R735.7

A

10.3969/j.issn.1671-7104.2014.05.001

1671-7104(2014)05-0315-03

2014-04-29

国家自然科学基金(61071004)；上海市科委资助项目(13441902800)

杨翠微，教授，E-mail: yangcw@fudan.edu.cn

【 Abstract 】Image segmentation is a key step for image processing. This study developed an improved region growing algorithm to extract the outline of the heart for 3D-modeling which based on the acquisition of canine cardiac CT images from animal experiment. In this paper the method was also compared with the classic algorithm of threshold segmentation. The result showed that the method can be used for the 3D display technology of cardiac electrical activity in clinical electrophysiology mapping.