基于胸部CT影像的肺血管树分割关键技术研究

杨志永，肖洪旭，李雨泽，姜海松，姜 杉



基于胸部CT影像的肺血管树分割关键技术研究

杨志永，肖洪旭，李雨泽，姜海松，姜 杉

(天津大学机械工程学院，天津 300350)

肺支气管的排除和血管组织的精确探测，是影响肺血管树分割精度的重要因素．经形态学处理后的CT影像可提高对器官信息的探测能力，因此提出形态学辅助的区域生长方法用于支气管分割，并引入泄漏判断条件抑制分割泄漏．针对血管组织的提取，提出多阈值分割方法，通过引入多尺度滤波器获取不同尺寸半径血管的最大响应尺度信息，计算血管组织相应的分割阈值，实现分割阈值的动态匹配．实验结果表明：应用于10套CT影像，血管组织分割准确率为97.062%,，血管分支抽取率为93.95%,，肺血管树分割精度得到较大提高．

肺血管树；胸部CT影像；区域生长；多阈值分割

从CT影像中准确分割肺血管树，在肺部疾病辅助诊断和放射科治疗环节中具有极其重要的应用价值[1]．手动分割影像中的组织器官对医生精力、体力消耗极大，影像中模糊的血管边界、低的组织对比度和部分容积效应等影响，使得血管组织难以准确分 割[2-4]．近年来，肺血管分割技术成为研究热点．现有肺血管分割方法主要包括基于阈值的分割方法、基于区域的分割方法和基于形态学的分割方法等[5]．基于阈值的血管分割方法实现相对简单，主要采用局部分割阈值或局部灰度结构分析的分割策略，分割结果易出现轮廓模糊和误分割现象[6]．基于区域生长的血管分割方法应用最为广泛，主要基于影像中血管组织的灰度信息进行判断，容易出现过度分割和空洞现象[7-9].基于形态学的血管分割方法，主要利用算子对血管组织进行探测，例如SMDC连接成本算子、Canny算子等，这类方法能较好地消除影像中噪声的干扰，保留血管分支的细节，但由于血管形态结构复杂，算子参数很难固定，分割结果中常有粘连现象发生[10-11]．此外，还有基于机器学习、空间滤波的血管分割方法 等[12-13]，分割效果较好，但算法复杂度较高．

综上所述，笔者提出形态学辅助的三维区域生长和多阈值分割相结合的血管树分割方法．通过对原始影像进行形态学运算处理，并将其处理结果作为区域生长方法的辅助生长条件，实现支气管分割．此外，引入多尺度滤波器，利用不同尺寸半径血管和最大滤波尺度响应参数间的关系，提高血管探测的准确性，最终获得完整的肺血管树．

1 本文方法

笔者提出的肺血管树分割算法主要分为4个步骤：首先，载入采集的胸部CT影像作为算法的原始数据输入，通过自适应阈值分割[8]、取反和形态学运算实现初步预分割(Step,1)；其次，通过使用基于形态学辅助的区域生长法分割支气管组织，并应用减运算移除肺实质中的支气管，进而获得极为重要的初步肺实质分割结果(Step,2)；然后，应用多尺度滤波处理原始CT影像，并与Step,2中的处理结果进行与运算，进而获得增强后的血管组织(Step,3)；最后，通过多阈值分割方法和连通性分析，提取出丰富的肺血管组织，并应用Marching Cubes方法[14]重建肺血管树(Step,4)．分割流程如图1所示．

1.1 支气管的排除

肺实质中支气管的移除，是肺血管分割流程中的重要预处理步骤．区域生长方法被广泛应用于支气管分割，然而分割过程中常出现分割泄漏现象，主要原因在于成像时人的呼吸和部分容积效应易导致影像中的支气管组织边界模糊[15]，如图2所示．Bartz等[16]对胸部CT影像中支气管组织的灰度分布进行了概括总结，支气管组织所在像素点的CT值通常小于-950,HU(Hounsfield unit)，CT值大于-750,HU为非支气管组织，两CT值范围间为不确定组织，需要进一步进行判断．

图2 CT影像中的支气管和分割泄漏现象

   (1)

与传统区域生长方法的生长条件相比，笔者改进后的生长条件不仅考虑图像中像素点本身的灰度值信息，也引入原始图像经形态学运算处理后的结果．此处的形态学处理方法主要是基于圆形结构元素对二值图像进行形态学闭运算操作，填充支气管组织内部的细小空洞并消除细小裂纹，提高对支气管组织的探测能力．形态学处理前后对比如图4所示．

算法运行过程中，为了判断是否发生支气管分割泄露现象，引入式(2)和式(3)作为分割泄露判断条件．类似管状的支气管大致为垂直走向，如果已分割相邻切片层中支气管所属区域内体素总量变化较大，说明分割泄漏现象发生．

图4 形态学处理前后对比

   (2)

   (3)

该方法应用于CT影像中进行支气管的分割，成功避免了分割泄漏现象的发生，分割出的支气管结构清晰完整，如图5所示．后续肺血管树分割流程中，经过减运算处理可将支气管从肺实质中移除，进而排除支气管对肺血管分割的干扰．

图5 支气管分割结果

1.2 血管组织的增强

CT影像中肺血管组织通常具有不确定的血管半径和不均匀的灰度分布，因此CT影像中的血管组织需要进行增强处理，提高血管组织与其他非血管组织的对比度．血管组织的灰度分布如图6所示．

图6 CT影像中血管组织的灰度分布

   (4)

如果像素点属于血管组织，为方便讨论，Hessian矩阵的3个特征值应满足

   (5)

为了减小随机噪声对增强滤波器的干扰，引入弗罗贝尼乌斯范数

   (6)

基于上述推导，多尺度滤波器可定义为

(7)

   (8)

1.3 血管组织的提取

在CT影像中，细小的血管组织往往呈现出低的灰度值和弱的对比度．多阈值图像分割与固定阈值分割相比，具有更高的分割精度，且适用于灰度分布多样化的血管组织分割．为了实现不同尺寸半径血管分割阈值的动态匹配，引入血管增强滤波器对不同尺寸半径血管的最大尺度响应参数，进而提高血管的探测能力．

   (9)

考虑到噪声可能存在于血管组织的抽取结果中，笔者引入三维高斯滤波用于消除噪声，平滑血管表面．最终关系式为

     (11)

2 实验结果评估

为量化评估本文算法分割结果，笔者采用最常用的手动分割结果作为黄金标准．手动分割工作主要由两位经验丰富的肺部疾病医师完成，由于分割整个序列影像的工作量巨大，因此重点选择肺实质内部存在支气管分支、肺部裂隙、微小肺栓塞或肿瘤的图像作为手动分割关键层．定义评价指标如下．

正确率(TR)和错误率(FR)[18]分别为

   (12)

   (13)

   (14)

肺血管树的量化评估结果如表1所示，可以看出笔者提出的肺血管树分割方法能准确分割出绝大多数真实的血管组织像素点，左、右肺血管分割TR值分别为97.095%,和97.028%,，平均分割准确率为97.062%,，ASED值分别为0.365,mm和0.306,mm.本文算法分割后的肺血管树三维重建结果如图7所示．为进一步验证本文算法分割效果，引入中心线抽取技术[5]，并与其他肺血管分割结果进行了比较．如图8所示，可以看出笔者提出的肺血管分割方法血管分支抽取率高于其他分割方法，经统计其平均血管分支抽取率达到93.95%,．

表1 肺血管分割结果评价

图7 部分肺血管树分割结果

图8 几种算法血管分支抽取率的比较结果

本文算法分割得到的血管组织，左、右肺分割结果中仍有0.979%,和0.939%,的错误率存在，主要是在预处理步骤中，支气管的分割由于部分容积效应、干扰噪声和其自身结构特点，无法进行完全的分割提取，成为后续血管提取中的“干扰组织”．此外，增强处理后的影像不仅有助于提高算法对微小血管的探测能力，部分非血管组织也会得到一定程度的增强，进而被算法错误地判定为血管组织．由于这些被错误提取的非血管组织其尺寸相对较小，对肺部肿瘤探测、心肺功能评估和肺裂隙探测等临床准确诊断影响较小，本文算法分割出的丰富血管组织了满足临床诊断需要．

值得注意的是由于部分容积效应的影响肺裂纹往往不易察觉．本文算法分割重建出的肺血管树能清晰地展示出肺部存在的裂纹(如图9所示)，这对医生的临床诊断有极大的帮助．

图9 血管树中的肺裂纹

3 结 语

笔者提出了一个高效的肺血管树分割方法，成功应用于胸部CT影像分割．提出的形态学辅助的区域生长方法成功分割出支气管，并有效避免分割泄漏现象的发生．此外，提出的多阈值分割方法，实现了血管组织分割阈值的动态匹配．实验结果表明，本文方法能成功地探测出丰富的血管组织．

［1］ van Rikxoort E M，van Ginneken B. Automated segmentation of pulmonary structures in thoracic computed tomography scans：A review[J].，2013，58(17)：187-220.

［2］ Zhu Y，Tan Y，Hua Y，et al. Automatic segmentation of ground-glass opacities in lung CT images by using Markov random field-based algorithms[J].，2012，25(3)：409-422.

［3］ El-Baz A，Suri J S.[M]. FL，USA：CRC Press，2011：189-219.

［4］ Chen B，Kitasaka T，Honma H，et al. Automatic segmentation of pulmonary blood vessels and nodules based on local intensity structure analysis and surface propagation in 3D chest CT images[J].，2012，7(3)：465-482.

［5］ 刘忠强. CT图像中的肺血管分割方法[D]. 武汉：华中科技大学计算机科学与技术学院，2016.

Liu Zhongqiang. Pulmonary Vascular Segmentation Methods in CT Images[D]. Wuhan：School of Computer Science and Technology，Huazhong University of Science and Technology，2016(in Chinese).

［6］ van Dongen E，van Ginneken B. Automatic segmentation of pulmonary vasculature in thoracic CT scans with local thresholding and airway wall removal[C]//：Rotterdam，Netherlands，2010：668-671.

［7］ Park S，Lee S M，Kim N，et al. Automatic reconstruct-

tion of the arterial and venous trees on volumetric chest CT[J].，2013，40(7)：563-572.

［8］ Fabijańska A. Segmentation of pulmonary vascular tree from 3D CT thorax scans[J].，2015，35(2)：106-119.

［9］ Lai J，Huang Y，Wang Y，et al. Three-dimension segmentation of pulmonary vascular trees for low dose CT scans[J].，2016，17(1)：1-15.

［10］ 黄煜峰，王兴家，赖 凯，等. 基于SMDC 连接代价算子的肺血管分割算法研究[J]. 北京生物医学工程，2010，29(3)：235-240.

Huang Yufeng，Wang Xingjia，Lai Kai，et al. Algorithm of lung segmentation based on SMDC-connection cost[J].，2010，29(3)：235-240(in Chinese).

［11］ 高齐新，杨金柱，赵大哲，等. 一种基于Canny算子的level-set肺部血管分割算法[J]. 系统仿真学报，2008，20(20)：5534-5537.

Gao Qixin，Yang Jinzhu，Zhao Dazhe，et al. Pulmonary vessel for X-ray CT images segmented through Canny level-set[J].，2008，20(20)：5534-5537(in Chinese).

［12］ Orkisz M，Hoyos M H，Romanello V P，et al. Segmentation of the pulmonary vascular trees in 3D CT images using variational region-growing[J].，2014，35(1)：11-19.

［13］ Manivila K D. Automatic vessel segmentation of lung affected patterns in MDCT using decision tree classification[J].，2014，22(11)：1679-1685.

［14］ Lorenson W E，Cline H E. Marching cubes：A high resolution 3D surface construction algorithm[J].，1987，21(4)：163-169.

［15］ Zhu C，Qi S，Han V T，et al. Automatic 3D segmentation of human airway tree in CT image[C]//. Yantai，China，2010：132-136.

［16］ Bartz D，Mayer D，Fischer J，et al.[C]//14(’03). Washington，USA，2003：177-184.

［17］ Frangi A F，Niessen W J，Vincken K L，et al. Multiscale vessel enhancement filtering[C]//. MA，USA，1998：130-137.

［18］ Shikata H，Mclennan G，Hoffman E A，et al. Segmentation of pulmonary vascular trees from thoracic 3D CT images using level-set[C]//Qin-huangdao，China，2009：24.

［19］ Zhou X，Hayashi T，Fujita H，et al. Automatic segmentation and recognition of anatomical lung structures from high-resolution chest CT images[J].，2006，30(5)：299-313.

(责任编辑：金顺爱)

Research on Key Technologies of Pulmonary Vascular Trees Segmentation Based on Thoracic CT Images

Yang Zhiyong，Xiao Hongxu，Li Yuze，Jiang Haisong，Jiang Shan

(School of Mechanical Engineering，Tianjin University，Tianjin 300350，China)

The elimination of lung bronchus and the precise detection of vascular tissues are the major factors affecting the segmentation accuracy of pulmonary vascular trees．The morphological disposal with CT image could improve the ability of organ detection，thus a morphology-assisted region growing method was proposed to segment bronchus．Besides，the leak judgment function was also introduced to avoid the leakage phenomenon．In order to extract vascular tissues，the multi-threshold segmentation method was proposed，which is based on the multi-scale enhancement filter．By acquiring the max response information of vascular tissues with different radius，the corresponding segmentation threshold of vascular tissues was calculated and the dynamic matching between vascular tissues and segmentation threshold was achieved．Being applied to 10 sets of CT images，the proposed algorithm exhibited promising results．The segmentation accuracy rate of vascular tissues and the extraction rate of vascular branches were 97.062%, and 93.95%,，respectively，considerably improving the segmentation accuracy of pulmonary vascular trees.

pulmonary vascular trees；thoracic CT images；region growing；multi-threshold segmentation

10.11784/tdxbz201706043

TP391

A

0493-2137(2018)02-0175-06

2017-06-19；

2017-08-22.

杨志永（1972—  ），男，博士，教授，meyang@tju.edu.cn.

肖洪旭，xiaohxying@163.com.

国家自然科学基金重点项目(51775368)；天津市重大科技专项资助项目(14ZCDZGX00490)；广东省省级科技计划项目(2017B020210004).

the Key Program of the National Natural Science Foundation of China(No.,51775368)，the Special Fund for Key Program of Science and Technology of Tianjin，China(No.,14ZCDZGX00490)and the Science and Technology Planning Project of Guangdong Province，China(No.,2017B020210004).