基于CT图像的全心脏分割方法研究

尹慧平，张耀楠，何颖

（1.西安思源学院电信学院，西安　710038；2.东北大学中荷生物医学与信息工程学院，沈阳　110819）

基于CT图像的全心脏分割方法研究

尹慧平1，张耀楠2，何颖1

（1.西安思源学院电信学院，西安710038；2.东北大学中荷生物医学与信息工程学院，沈阳110819）

为了解决无法准确分割全心脏的难题，提出一种基于形态学操作和形态学梯度的阈值分割算法。传统的阈值分割由于图像本身灰度分布不均及噪声干扰等多种因素的影响，往往不能得到理想的分割结果。该算法结合形态学开闭操作重构图像，在形态学梯度的基础上，对图像进行自动阈值分割，不但可以消除噪声，还能较好地保留图像的边缘信息，得到全心脏组织。实验结果显示，基于形态学梯度的阈值分割算法对心脏的提取准确率较高，解决仅使用传统阈值分割或直接对普通梯度图像分割存在的问题。

全心脏分割；图像处理；形态学梯度；阈值分割

陕西省教育厅专项科研计划项目（No.16JK2147）、西安思源学院校级重大科研项目（No.XASY-B1601）

0　引言

关于医学图像处理的研究，领域非常广泛，如图像分割、图像配准、三维重建以及图像引导手术等，其中，图像分割是整个医学图像处理的关键之处，也是其他技术实现的重要基础步骤[1-2]。然而在医学图像中，往往存在目标组织与背景对比度小、人们感兴趣的组织区域灰度不均以及图像本身存在各种噪声等问题，很难精确提取出特定组织[3]。针对心脏CT图像，目前还没有一种普遍适用的有效分割方法，想要精确地找到心脏组织还存在一定的困难。在心脏疾病的研究方面，亟需一种有效的技术能准确分割和提取心脏组织，提高医生诊断效率。准确提取心脏中各个腔室，全心脏的定位是第一步。心脏CT图像由于受心脏舒张、收缩以及血液的流动等影响，会导致心脏CT图像出现弱边界、伪影、局部梯度极大值区域等现象，若分别直接使用阈值分割和分水岭方法分割都难以得到满意的分割效果。因此，国内外很多研究者对现有分割算法进行改进，如通过分割前预处理，或者分割后处理[4-5]。本文提出的新算法结合心脏的形态学特点，及心脏CT图像的噪声特点，提出基于形态学重构及形态学梯度的阈值分割算法，在分割前后分别对图像进行形态学开闭操作，以达到去噪效果，最终得到较为理想的分割结果。

1　全心脏定位新算法

心脏的定位主要是从CT心脏图像中把心脏与背景图像分割出来，找到我们研究的目标组织。结合图像特点，使用改进的阈值分割算法找到心脏的边缘轮廓，进行心脏组织分割。

1.1新算法原理

新算法中，结合CT心脏图像本身特征，采用形态学操作重构原始心脏图像，大大削弱了原始图像中存在的噪声等干扰信息，使得形态学梯度图像边缘更加清晰；因形态学梯度图像能更好地反映图像的变化趋势，在梯度图像的基础上进行分割，比在原始图像上直接进行分割效果更好，所以文中把形态学梯度图像作为分割对象，保证图像的边缘信息没有丢失；最后采用阈值分割，得到较为准确的分割结果。

1.2新算法流程

将形态学操作及形态学梯度与阈值分割结合在一起用于心脏图像的分割定位，是一种较新的思路，在某种程度结合了心脏图像的形态学特点，得到较为理想的分割结果，算法的关键在于形态学算子的选取，紧紧围绕人体心脏的形态结构，对原始图像进行形态学重构，并对分割后的心脏CT图像进行三维重建，得到人体心脏的三维结构。

图1　新算法流程图

1.3心脏定位方法

由于直接对原始心脏图像进行阈值分割，效果极差，前景与背景无法辨别，而在形态学重构的基础上对心脏图像进行阈值分割，获得心脏的大致区域，并以此为基础，进行前景、背景标记.实验采用圆盘结构对上述区域进行形态学腐蚀操作得到前景标记；做形态学膨胀后得到背景标记，并把提取的标记强制作为心脏图像的局部极小值修正梯度图像，在经过修正后的形态学梯度图像上进行自动阈值分割，得到较为理想的边缘信息，最终获得心脏图像。

（1）形态学重构

为减少噪声对下一步的干扰，在进行形态学梯度计算之前，首先对图像进行预处理操作，以消除图像中存在的噪声等干扰信息。

根据所分割图像，选择大小合适的圆盘，对原图像进行形态学操作，其中包括形态学膨胀和形态学腐蚀，具体的形态学操作如下[7]：

定义1：假定I（x，y）代表一幅图像，DI表示图像I的定义域，Mn表示一个尺寸为n的结构单元，那么数学形态学的腐蚀和膨胀定义可以定义如下：

膨胀（dilation）:

腐蚀（erosion）：

（2）形态学梯度计算

定义2：图像I（x，y）的形态学梯度的定义如下：

式中▽（.）代表形态学梯度，δ（I）表示利用半径为3个像素的圆盘形结构模板，对图像I进行形态学膨胀操作，ε（I）表示利用同样大小的算子对图像I进行形态学腐蚀操作，▽（I）表示图像I的形态学梯度。

（3）形态学梯度修正

如果直接对形态学梯度图像进行阈值分割[8]，会存在过分割的问题，为得到更加精确的分割结果，需要重构形态学梯度图像。将通过形态学腐蚀和膨胀得到的内、外标用于重构后的形态学梯度图上，并将其进行强制作为全局极小值，以去除过多的局部极小值，对强制极小值化后的梯度图像直接阈值分割得到心脏的边界[11]。最终，对分割结果进行多次腐蚀操作，得到较为清晰的心脏定位结果。

2　实验结果与分析

2.1形态学重构结果

实验使用的心脏CT图像存储格式为DICOM格式，实际处理时，需要分片读取、处理，最终重建得到心脏的三维结构。以下实验结果是以心脏CT图像中的某一片处理为例。

对分片灰度图像进行形态学膨胀和腐蚀操作，是为了消除一些细小的斑点，切断一些细长的搭接，而起到区域分离的作用，并对一些小的缺口进行填充，搭接不该存在的间隔等，最终对这些操作后的图像重构得到更加清晰的待分割对象[12-16]。

图2　原始图像与形态学重构图像对比

下面对比一组对原始图像求普通梯度值和对形态学重构图像求取形态学梯度值的结果：

图3　原始图像与普通梯度图像

图4　原始图像与形态学梯度图像

2.2内外标记提取

选取半径为2的圆盘模板结构对心脏区域腐蚀操作得到心脏的内部标记：

图5　内部标记提取

选取半径为20的圆盘模板结构对心脏区域膨胀操作得到心脏的内部标记：

图6　背景标记提取

2.3形态学梯度图像修正

图7　修正梯度图像

经过形态学梯度的局部极小值修正发现消除了不必要的边缘信息，对图像的进一步分割奠定基础。在此基础上，使用Otsu算法进行分割，分割结果得到进一步的改进：

图8　阈值分割结果

分割后处理，并对分片图像进行三维重建[17-21]，得到心脏CT的三维结构：

图9　心脏CT图像的切片分割效果

图10　心脏三维结构定位效果图

3　结语

改进的阈值分割算法结合形态学梯度，较为准确地实现了对心脏CT图像的分割。实验结果表明该算法分割简单，准确率较高.因算法只提取了含氧血管的心脏组织，并未进行心脏内的四腔分割，所以下一阶段将结合心脏形状特征，和四腔的位置特点，引入适合其分割的算法进一步地提取心脏四腔。

[1]胡晓清.CT心脏图像分割方法研究[D].北京交通大学，2012:12-42.

[2]李志刚.心脏CT图像分割算法研究[D].哈尔滨工程大学，2014:20-56.

[3]刘利雄，马忠梅，赵恒博，等.一种基于主动轮廓模型的心脏核磁共振图像分割方法[J].计算机学报，2012，35（1）:146-153.

[4]Xu X，Xu S，Jin L，et al.Characteristic Analysis of Otsu Threshold and Its Applications[J].Pattern Recognition Letters，2011，32（7）: 956-961.

[5]朱萍，梅婕，朱晓勃，等.双边滤波和标记分水岭的CT心脏图像分割[J].计算机工程与应用，2015，51（8）:170-173.

[6]Chang H H，Chu W C.Double Bilateral Filtering for Image Noise Removal[C].CSIE 2009，2009 WRI World Congress on Computer Science and Information Engineering，March 31-April 2，2009，Los Angeles，California，USA，7 Volumes.2009:451-455.

[7]高丽，杨树元，李海强.一种基于标记的分水岭图像分割新算法[J].中国图象图形学报，2007，12（6）:1025-1032.

[8]戚晓伟，陈秀宏.改进的Otsu方法的双边滤波边缘检测算法[J].计算机工程与应用，2012，48（31）:150-155.

[9]时平，王毅，赵海涛，等.基于数学形态学和Otsu方法的VHP数据心脏图像分割[J].生物医学工程学杂志，2007，24（5）:996-1000. [10]王磊，段会川.Otsu方法在多阈值图像分割中的应用[J].计算机工程与设计，2008，29（11）:2844-2845.

[11]王宇，陈殿仁，沈美丽，等.基于形态学梯度重构和标记提取的分水岭图像分割[J].中国图象图形学报，2008，13（11）:2176-2180.

[12]Yu W，Chen D，Shen M，et al.Watershed Segmentation Based on Morphological Gradient Reconstruction and Marker Extraction[J]. Journal of Image&Graphics，2008，13（11）:2176-2180.

[13]Han B.Watershed Segmentation Algorithm Based on Morphological Gradient Reconstruction[C].International Conference on Information Science and Control Engineering，IEEE，2015:533-536.

[14]Chen L L，Yang C，Min-Juan L I，et al.Study on the Improvement of Watershed Algorithm Based on Morphological Gradient Reconstruction[J].China Printing&Packaging Study，2013.

[15]黄展鹏，易法令，周苏娟，等.基于数学形态学和区域合并的医学CT图像分割[J].计算机应用研究，2010，27（11）:4360-4362.

[16]张艳.基于数学形态学的医学图像分割方法研究[D].西南大学，2011.

[17]韩成虎.CT图像三维重建技术的研究与应用[D].华南理工大学，2010.

[18]Shi-Guo G E，Wang M Z，Liu J J，et al.Improved Watershed Segmentation Algorithm Based on Marker[J].Journal of Sichuan University of Science&Engineering，2013.

[19]商艳丽.基于形态学重构运算的医学CT图像滤波方法[J].中国体视学与图像分析，2011（1）:103-107.

[20]陈家新.医学图像处理及三维重建技术研究[M].科学出版社，2010.

[21]徐梅生.医学图像三维重建技术的研究[D].武汉理工大学，2012.

Whole Heart Location;Image Processing;Morphological Gradient;Threshold Segmentation

Research on an Improved Localization Method of Whole Heart in CT Images

YIN Hui-ping1，ZHANG Yao-nan2，HE Ying1

（1.School of Electronics and Information Engineering，Xi'an Siyuan University，Xi'an 710048；2.School of Sino-Dutch Biomedical and Information Engineering，Northeastern University，Shenyang 11081；3.College of Computer Science and Technology，Xi’an University of Technology，Xi'an 710048）

To solve the problems of accurate location of whole heart in cardiac CT images,proposes an improved threshold segmentation algorithm based on morphological operation and morphological gradient.Because of the influence of image gray distribution is uneven and the noise interference factors,traditional threshold segmentation often cannot get ideal segmentation results.Combined with the morphological opening and closing operation,reconstructs the images,the cardiac images are automatically segmented,which can not only eliminate the image noise,but also better preserves the edge information of the CT images,and gets whole heart finally.The experimental results show that the method has improved segmentation accuracy of cardiac CT images.It can solve the problem of the threshold segmentation or threshold segmentation based on general gradient only used.

1007-1423（2016）32-0062-05

10.3969/j.issn.1007-1423.2016.32.014

尹慧平（1988-），女，河南人，研究生，助教，研究方向为计算机图形图像处理、计算机应用

张耀楠（1962-），男，荷兰人，博士，教授，研究方向为图像处理和分析

何颖（1983-），女，陕西人，研究生，讲师，研究方向为信号与信息处理

2016-09-02

2016-11-18