基于CT图像的肺实质分割

刘　乐，　李　阳,　侯阿临,　孙春艳，　孙　丽

(长春工业大学 计算机科学与工程学院， 吉林 长春　130012)



基于CT图像的肺实质分割

刘乐，李阳*,侯阿临,孙春艳，孙丽

(长春工业大学 计算机科学与工程学院， 吉林 长春130012)

摘要：在肺部计算机断层扫描图像的肺实质分割中，针对固定阈值法分割图像不稳定的问题，提出最佳阈值法对图像进行二值化，分割出肺实质区域，剔除肺纵膈区域及衣物等背景。与固定阈值法相比，该方法有较高的稳定性。针对由病变造成的肺部大面积坏死所引起的左右肺分开判断错误的问题补充了判断准则，直接给出结论。实验表明,该方法对肺实质分割具有较高的鲁棒性。

关键词：图像处理； 分割； CT图像； 肺实质

0引言

肺癌是全球死亡率最高的癌症，现已成为癌症患者的头号杀手，肺癌患者的5年生存率仅为15%[1]。如果肺癌能够早期识别、诊断并治疗，患者的5年生存率可提高到49%[2]。肺癌的早期表现形式是肺结节，计算机断层扫描成像(Computed Tomography， CT)技术是检测早期肺结节的重要手段。CT值代表X线穿过组织被吸收后的衰减值。每种物质的CT值等于该物质的衰减系数与水的衰减系数之差再与水的衰减系数相比之后乘以1 000，其单位名称为HU(Hounsfield Unit)，不同组织的CT值各异，骨骼的CT值最高,为1 000 HU,软组织的CT值为20~70 HU，空气的CT值为-1 000 HU。 CT影像中CT值通常处于-1 000~1 000 HU之间，肺CT影像中肺结节和血管CT值通常大于-750 HU，而肺实质区域CT值通常小于这个值。实验时使用的图像是将CT图像中的CT值映射成为0~255的灰度值。

肺实质的准确分割为肺部结节检测及假阳筛除提供良好的前期基础。肺实质分割包括去除背景、肺实质提取、小血管移除及左右肺的分开。 目前，肺实质分割可采用阈值法[3-5]、区域增长法[6]、边缘检测法[7-8]、形态学处理法[9]、遗传算法[10]、基于模式分析法[11]以及水平集法[12]等。

1最佳阈值法分割图像

1.1　肺实质分割原理

根据肺部螺旋CT图像特点，首先针对现有的固定阈值法分割图像出现不稳定的问题，提出最佳阈值法对肺部CT图像进行初步处理。现有固定阈值法利用了很少的时间复杂度完成了对肺部图像的分割，但其稳定度不高，对感兴趣区域可能产生过度分割的情况。

针对固定阈值法存在的问题，文中采用最佳阈值法进行肺实质分割。最佳阈值法二值化后的图像用连通区域标记法去除背景，再应用区域生长法去除支气管，最后对粘连的左右肺采用寻找鞍点法分开[3]。左右肺分开过程中对已有判断左右肺是否粘连的准则进行修改。

人体肺部充满气体，与胸腔组织相比，其CT值很低，表现在灰度图像上为灰度值较低。胸腔的灰度值较高，胸腔外部的空气灰度值均较低。针对固定阈值法不稳定的问题，提出最佳阈值法对图像进行二值化。设一幅图像为f(x,y)，其中(x,y)为图像中某一点坐标，f(x,y)表示该坐标的像素值，x∈[0,512],y∈[0,512],f(x,y)∈[0,255]。最佳阈值法分割图像首先选取初始阈值将图像分割为二值图像，其中初始阈值的选取见步骤1。然后通过迭代算法使最终阈值达到最优，最佳阈值对图像进行分割的方法如下：

步骤1：计算初始阈值，并对图像进行二值化处理。初始阈值选取如下式：

(1)

f(x,y)大于T0的像素设为1，小于T0的设为0，从而得到原始图像用T0为阈值分割后的二值图像f1(x,y)。

步骤2：计算用初始阈值分割后得到的二值图像f1(x,y)值为1的f11(x,y)的个数，记为n1，f1(x,y)值为0的f10(x,y)的个数，记为n2。计算f11(x,y)的坐标下原图像f(x,y)的和，记为m1以及f10(x,y)的坐标下原图像的和，记为m2。分别计算灰度平均值

(2)

(3)

(4)

(5)

其灰度平均值为：

(6)

步骤3：计算新的阈值

(7)

步骤4：用新阈值对原图像分割，令T0=T1，重复步骤2和3直到当前阈值与上一次阈值之差小于某个正的小数ε，迭代结束，文中ε值取0.001。最佳阈值算法流程如图1所示。

图1　最佳阈值法的流程

1.2　基于最佳阈值法的仿真与分析

采用图片来自LIDC数据库及吉林省某三甲医院，并且附有医生的金标准。仿真软件使用MATALB7.1，共对20位患者的100幅CT图片进行仿真实验。最终得到的二值化后的图像肺实质区域用黑色表示，背景(衣物、病床等)用白色表示。最大的连通区域为背景区域，然后应用连通区域标记法去除原图像中的背景。最后将肺实质区域按照原图像重构。最佳阈值法分割肺区步骤如图2所示。

(a) 原图像　　　　　(b) 最佳阈值分割图像　　　　(c) 肺区重构图2　最佳阈值法分割肺区步骤

对其中3位患者的单层CT在不同阈值下进行分割所得到的最终图片如图3~图5所示。

(a) 患者1　　　　　　　　(b) 患者2　　　　　　　　(c) 患者3图3　固定阈值为0.3分割后的图像

(a) 患者1　　　　　　　　(b) 患者2　　　　　　　　(c) 患者3图4　固定阈值为0.8分割后的图像

(a) 患者1　　　　　　　　(b) 患者2　　　　　　　　(c) 患者3图5　最佳阈值分割的图像

图3至图5中整幅影像的面积是512*512个像素，而肺实质区域的面积大约是100*200个像素[13]。肺实质区域在灰度重建前的二值图像用0像素表征。

图3是采用固定阈值为0.3时分割后所得的一组图像，其中图3(a)中二值化后为0的像素点不存在，图3(b)中值为0的像素点数量很少，很明显分割不出感兴趣区域。

图4是采用固定阈值为0.8时分割后的图像，其中图4(a)，(b)和(c)中对应二值图像不存在0像素点，没有分割出肺区。

图5按照最佳阈值法分割，得到了较为合理且细节完整的肺区图像，验证了最佳阈值分割方法的有效性。

对应于图3~图5，分别给出3位患者所对应求取的阈值、仿真时间及不同阈值方法所取得的最大连通区域下的面积，并进行分析比较，见表1~表3。

表1　最佳阈值法求得阈值

表2　最佳阈值与固定阈值时间比较

表3　最佳阈值与固定阈值面积比较

表1列出了文中方法求得的最佳阈值，表2数据比较可见，最佳阈值法比固定阈值法分割图像需要更多时间，但是从分割后的图像可以看到效果优于固定阈值法。表3中给出不同阈值方法下提取的肺区面积，为二值化后像素为0的点的个数。固定阈值为0.3时，分割出的图像中患者1未提取出0像素点，患者2也仅提取出2个像素点，很显然无法成功提取肺实质区域。当固定阈值为0.8时，分割出的患者编号为1,2,3的图片没有提取出任何为0的像素点，即没有分割出肺实质区域,而应用最佳阈值法则很好地分割出了肺实质区域，并且具有很好的稳定性(其效果见图5)。

综上比较，最佳阈值法能够对图片的肺实质区域进行较为完整的提取，但是最佳阈值法较固定阈值法的仿真时间长，计算复杂度高。由此可见，最佳阈值法是以牺牲计算复杂度和仿真时间为代价来换取图像分割的鲁棒性及有效性。

2基于准则分开左右肺

利用文献[3]中所描述的区域生长法逐层去除支气管。去除支气管后的肺部CT图像只剩下肺实质区域，肺实质区域分为左肺和右肺，左右肺的形态分为左右肺粘连型和左右肺不粘连型。针对左右肺粘连的情况，通过寻找鞍点法来分开左右肺。鞍点为肺实质下边缘的最高点。

左右肺分割主要有3个步骤：如何判断左右肺是否粘连、如何确定粘连区域、如何分割。从图5中可以看出，对于正常的肺实质区域，左右肺面积应基本接近。根据医生经验，在左右肺的肺实质区域中，当小的面积与大的面积之比小于0.5时，可以认为由于病变肺实质发生了大面积的变形。将图6按照文献[3]方法分割，将提取的图像中第一大和第二大连通区域面积做比较，当差距过大时会误判为左右肺粘连，由此容易产生误判。

针对这种情况，文中将该准则进一步修改细化，其步骤如下：

1)去除背景与支气管的肺区应该只有左右两部分。这里用x表示像素行坐标，y表示像素列坐标。先将图像分为左右相等两部分，记为y∈[1，256]和y∈[257,512]，并用连通区域标记法分别计算出这两部分的最大连通区域面积，记为n21,n22。

(8)

2)取图像x∈[1.256]的部分，用连通区域标记法找出面积最大两部分，记其面积为n23,

(9)

3)检查t1,t2，如果t1<0.5,则可能存在肺部大面积变形，如图6所示。

图6　容易产生误判的图像

对于这种情况，程序输出“肺部有大面积坏死等情况”；如果t1>0.5且t2>0.5，则左右肺不粘连，该情况不做处理，继续运行后续检测等步骤；如果t1>0.5且t2<0.5，则左右肺粘连，利用寻找鞍点法分开粘连的左右肺。

3结语

根据CT图像特点提出了最佳阈值法对图像进行二值化处理，该方法较固定阈值法有更好的稳定性。左右肺分开过程中采用了寻找鞍点法对粘连型肺实质进行分开，并对左右肺是否粘连判断准则进行修改。实验表明，该方法对肺实质分割得到较好的分割效果，在有效去除支气管分开左右肺的同时保留了肺区的细节，对于一些形变的肺部CT直接给出结论，为肺结节的提取提供了较好的前期基础。该方法对粘连型肺实质只进行了简单的分开，不能很好地找到粘连处的肺部边界，下一步的研究主要是如何更精准地找出左右肺粘连型肺实质粘连处的肺部边缘。

参考文献：

[1]秦晓红,孙丰荣,王长宇，等.基于遗传算法的胸部CT图像肺组织分割[J].计算工程,2007,33(19):188-189.

[2]陈万青,张思维,邹小农,等.中国肺癌发病死亡的估计和流行趋势研究[J].中国肺癌杂志,2010,13(5):488-493.

[3]王青竹.基于三维SVMs的肺部CT中的结节检测算法[D]:[博士学位论文].长春：吉林大学，2011.

[4]卞晓月,武妍.基于CT图像的肺实质细分割综合方法[J].重庆邮电大学学报,2010,22(5):665-668.

[5]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[J].计算机工程与应用,2008,44(12):178-181.

[6]刘其涛.经典边缘提取方法在医学图像中的应用[J].生命科学仪器,2005,5(3):29-31.

[7]季虎,孙即祥,邵晓芳,等.图像边缘提取方法及展望[J].计算机工程与应用,2004,40(14):70-73.

[8]Hu S, Hoffman E A. Automatic lung segmentation for accurate quantization of volumetric X-ray CT images[J]. IEEE Trans on Medical Image,2001,20(6):490-498.

[9]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[J].中国图像图形学报,2003,8(1):78-83.

[10]秦晓红,孙丰荣,王长宇,等.基于遗传算法的胸部CT图像肺组织分割[J].计算机工程,2007,33(19):118-189.

[11]姜晓彤,罗立民,汪家旺,等.一种肺部肿瘤CT图像序列的自动分割方法[J].中国图像图形学报,2002,8(9):1028-1033.

[12]师为礼，苗语，颜雁.基于ITK的水平集医学图像分割算法[J].长春工业大学学报:自然科学版,2008,29(5):616-519.

[13]孙申申.基于CT影像的肺结节检测与分割方法研究[D]：[硕士学位论文].沈阳：东北大学,2009.

Lung parenchyma segmentation on CT image

LIU Le,LI Yang*,HOU A-lin,SUN Chun-yan,SUN Li

(School of Computer Science & Engineering, Changchun University of Technology, Changchun 130012， China)

Abstract：For the Computed Tomography (CT) scanning image segmentation of the lung parenchyma, an optimal threshold algorithm is proposed to solve the unstable problem existed in the fixed threshold method. The optimal threshold algorithm is used to divide the image and get the lung parenchyma region after taking the lung mediastinum and clothing and other background out. The supplemental criteria are added to eliminate the misjudgment of left or right lung caused by a large area necrosis due to pathological change. Experimental results show the algorithm is more stable and effective to lung parenchyma segmentation than the others.

Key words：image processing; segmentation; CT image; lung parenchyma.

作者简介：刘乐(1988-)，女，汉族，吉林长春人，长春工业大学硕士研究生，主要从事图像处理方向研究,E-mail:chenxiaomikhun@163.com. *通讯作者：李阳(1979-)，女，汉族，吉林长春人，长春工业大学讲师，博士，主要从事图像处理方向研究,E-mail:liyang1979@ccut.edu.cn.

基金项目：2012年国家级“大学生创新创业训练计划”(201210190017)； 吉林省科技发展计划资助项目青年科研基金(201201129)； 长春工业大学理工科基金(2011LG04)

收稿日期：2014-07-09

中图分类号：TP 391.41

文献标志码：A

文章编号：1674-1374(2015)01-0072-05

DOI:10.15923/j.cnki.cn22-1382/t.2015.1.15