基于低剂量CT图像的肺实质分割方法*

吴凉，吕晓琪,2△， 谷宇,3，李菁，张文莉，任国印，张薇

(1.内蒙古科技大学 信息工程学院，内蒙古自治区模式识别与智能图像处理重点实验室，包头 014010；2.内蒙古工业大学，呼和浩特 010051；3.上海大学 计算机工程与科学学院，上海 200444 )

1 引 言

2011年美国肺癌筛查试验(national lung screening trial，NLST)的研究结果显示，低剂量CT(low-dose computed tomography,LDCT)相比于胸部X线检查可降低20%的肺癌高危人群死亡率，印证了LDCT在肺癌检出方面的价值[1]。

低剂量CT相比于常规CT使患者受到的辐射剂量减少到原来的1/4，更适用于疑似肺癌的筛查或者不一定存在疾病的大众筛查。然而，由于降低辐射剂量导致图像噪声增加，降低了目标区域和背景区域的对比度，进而会影响分割精度。为了提高肺部疾病病变部位定位精度与检测速度，针对低剂量CT图像高精度地提取肺实质方法研究迫在眉睫[2]。文献[3]提出一种基于小波变换的低剂量CT图像的肺实质分割算法具有较强的抗噪性能，但是分割准确率并不是很高。文献[4]在对肺实质分割过程中运用了小波变换预处理，形态学和滚球法等对肺实质进行提取。当今在肺实质分割领域，针对含有强噪声的低剂量的CT图像用单一方法很难进行精确分割。为了提高低剂量CT图像肺实质分割精度，本研究提出一种多种方法结合的肺实质自动分割算法。

2 资料与方法

本研究针对低剂量肺癌筛查提出自动肺实质分割方法，利用多种算法结合实现全自动低剂量肺实质分割。具体步骤见图1。

图1肺实质分割流程图

Fig1Theflowfigureoflungparenchymasegmentation

2.1 研究对象

实验数据来源于ELCAP(早期肺癌行动计划)数据库[5]。为验证本研究算法的有效性，选取ELCAP数据库中的50位筛查者的低剂量CT肺部临床数据进行实验。管电流为40 mA,每层数据均为512×512像素，层厚1.25 mm。在50组临床数据中，每一组都在200层以上，最少的219 层，最多的304层。

2.2 研究方法

2.2.1预处理 在实际应用中,主要通过降低管电流强度(mAs)减少CT扫描时辐射的剂量。然而，低剂量 CT 图像中含有较强的量子噪声也会使图像中一些低对比细节无法显现，进而影响医生的判断，所以，需要先对低剂量 CT 图像进行去噪[6]。本研究提出一种改进的多方向形态学滤波算法。

本研究在总结前人研究基础上[7]，提出一种多方向形态学滤波算法。对于灰度图像，滤除噪声就是进行形态学平滑处理，利用形态学开运算消除与结构元素相比尺寸较小的亮细节，而保持图像整体灰度值和大的亮区域基本不变；用闭运算消除与结构元素相比尺寸较小的暗细节，而保持图像整体灰度值和大的暗区域基本不变。形态学算法的目的和性能由结构元素决定。

由于低剂量CT图像中的量子噪声近似服从泊松分布[6]。本研究选取长度为3的线性结构进行处理。

首先对图像的[0°，45°，90°，180°]四个不同方向分别利用线性结构进行闭运算，取四个方向的最小值,然后对最小值的四个不同方向分别利用线性结构进行开运算，取其最大值即为预处理后的图像。为了验证效果，分别利用中值滤波、维纳滤波与本研究方法进行对比，见表1。中值滤波和维纳滤波都选取3×3的滤波模板。

(1)客观评价：为了验证本研究算法的有效性，本研究采用均方误差(mean square error，MSE)、峰值信噪比(peak signal to noise ratio,PSNR)、平均绝对误差(mean absolute error，MAE)进行效果评价。由表1可以得出本研究算法的去噪效果要优于中值滤波和维纳滤波。

表1不同滤波算法处理结果

Table1Theresultofdifferentfilteringalgorithm

滤波算法MSEPSNRMAE中值滤波0.005822.37600.0451维纳滤波0.002426.16520.0349本研究方法0.002426.27350.0236

(2)主观评价：通过对实验中20组数据的观察，发现中值滤波和维纳滤波对图像边界产生了模糊，并在图像中丢失了一些细节信息；在利用常规滤波算法进行分割时发现肺实质周围仍含有大量的噪声。由本研究算法处理的数据可以看出该算法不仅去除了噪声，而且保留了图像的细节信息(见图2)。

2.2.2背景去除 首先利用聚类法对图像进行二值化，然后利用flood-fill算法去除背景并填充血管。具体步骤如下：

(1)利用聚类法对图像进行二值化[8]，首先将序列图像的每一层进行分块，对每一块中的灰度值进行聚类分析，最终确定二值化阈值，利用聚类法对图像进行二值化处理(见图3C)。

(2)利用flood-fill算法，先对二值图像四邻域填充，去除检查床及肺实质周围的黑色背景区域，接着对肺实质内部的血管进行孔洞填充。

图2预处理图

Fig2Thefigureofpretreatment

图3背景去除图

Fig3Thefigureofbackgroundremoval

2.2.3气管、支气管去除 本研究利用三维区域生长法提取出气管和支气管，进而去除气管，见图4。区域生长[9]的重点在于种子点的选取、生长准则、终止条件。

(1)种子点的选取。在进行CT扫描时，序列图像的前几层往往只有气管，并且在二维切片上显示为类圆形的区域。根据这一先验条件，本研究引入霍夫变换[10]对该区域进行检测，求出圆心坐标，将圆心坐标作为种子点。其基本步骤见图5。

图4气管提取图

Fig4Thefigureoftracheaextraction

图5霍夫变换流程图

Fig5Theflowfigureofhoughtransform

在正常状态下，男性主支气管平均直径在18.3 mm左右，女性平均在16.7 mm左右，为了保证检测的准确性，本研究将参数半径范围设置在5～12 mm范围内。

(2)生长准则。当种子点与种子点的6邻域点的灰度差值小于某个值时，将邻域点加入数组。

(3)终止条件。遍历完整幅图像后，生长结束。

2.2.4分离左右肺 由于局部容积效应，左右肺区会在去除胸腔后粘连在一起，因此需将左右肺分离。在序列CT切片中，左右肺之间的前部和后部均可能存在粘连。大多数国内外文献只针对左右肺的前部粘连进行分离[11]。本研究不但对存在前部粘连的左右肺区进行分离，而且对存在后部粘连的肺区也可以进行分离。具体步骤如下：

(1)判断左右肺是否粘连。在中肺层，左右肺区是较大的连通域，如果左右肺非常接近，经过提取胸腔后，左右肺会发生粘连，本研究通过连通域法来判断左右肺是否粘连，如左右肺粘连，在该层中最大的连通域的面积将远远大于第二个连通域的面积，反之，两个连通域面积接近。本研究计算最大与第二个连通域面积比值大于一定阈值，则认为左右肺粘连。经过多次试验，阈值设置为4[12]。

(2)确定粘连行。在确定粘连层后，在粘连层中找到每层粘连的位置。首先对粘连层求取边界点坐标；然后找出每一行出现两个边界点的行，即为粘连位置。最后在以粘连行为中心取该行上下各N行(本研究经过多组实验取N=50)作为粘连区域。

(3)分离左右肺。分水岭算法常用于处理目标物体粘连在一起的情况，该算法通常在梯度图像中进行，这是因为梯度图像的灰度跃变更为剧烈，更便于构建分水岭[13]。由于低剂量图像强噪声较强，为了防止分水岭过分割的出现，利用形态学重构开闭运算对梯度图像进行进一步的平滑处理。最后利用分水岭算法分离左右肺区。

本研究利用形态学重构运算结合分水岭算法对粘连区域分离，不但减少了程序运行时间，而且降低了分水岭过分割的可能性，见图6。

2.2.5肺实质修补 如果不对粘连在肺壁上的结节进行修补，会影响以后计算机辅助诊断结果。本研究利用凸包算法[14]既修补了肺实质外轮廓缺失部位，又对心脏、纵膈相邻的左右肺之间的凹陷起到良好的修补作用。具体步骤见图7。

图8为外轮廓、内轮廓修补示意图。

图6左右肺分离图

Fig6Thefigureofleftandrightpulmonaryseparation

图7凸包算法修补流程图

Fig7Theflowfigureofconvexhullalgorithm

图8凸包算法修补图

Fig8Thefigureofconvexhullalgorithm

3 结果

本实验采用计算机配置为3.4 GHz处理器，12 G内存。利用本研究算法通过对50个序列图像进行处理。对于数据集中的每组CT数据，都可以自动分割，平均每组数据处理时间在98.31 s，平均每层数据的处理时间为0.38 s。最终分割结果见图9。

为了进一步验证本研究算法对于低剂量CT图像分割的有效性，利用公式(1)(jaccard similarity，JS)指标来验证算法的准确率。式中，S1表示本研究算法分割结果,S2表示人工分割的结果。

(1)

通过对50组临床数据实验，本研究算法的平均分割正确率达到95.75%。与其他文献相比较，见表2，文献[15]同样选取ELCAP数据库中的数据进行处理，分割正确率为93.5%，本研究算法高于该文献方法。与文献[9]相比较，由于该文献数据选取LIDC数据库，本研究算法不仅正确率高于该文献，且处理时间短。因此，该算法不仅适用于低剂量CT序列图像，而且对于常规剂量肺实质分割也有良好的效果。

图9分割结果图

Fig9Thefigureofsegmentation

表2实验结果对比

Table2Thecomparedresultofexperimental

方法数据来源分割精度/%运行时间文献[9]方法LIDC 100例95.50.42 s/幅文献[15]方法ELCAP 50例93.5-本研究方法ELCAP 50例95.750.38 s/幅

对于分割错误的数据进行统计分类：一类是在肺实质内轮廓修补时，由于强噪声的影响，相对大的凹陷无法修补；另一类是在病变肺区，病变隔断了肺区，无法正常处理。肺癌筛查的理想情况是能够利用肺癌筛查，检查出一些潜在的病变而早期干预治疗，降低死亡率，筛查手段必须要在低风险条件下进行。所以本研究分割算法对于辅助肺癌筛查有一定的帮助。

4 结语

针对低剂量CT序列图像，本研究提出了一种自动三维区域生长与分水岭算法相结合的肺实质分割方法。对50组临床数据的实验，本研究算法可以分割出完整的肺实质区域。

由于本实验研究的对象是肺癌筛查数据，在肺实质分割方面与常规剂量相比，有极大地不同。剂量越低，量子噪声越严重，如果用一般的滤波算法，肺实质周围区域的量子噪声无法去除，影响后续的一系列处理。本研究利用改进的形态学滤波算法不仅去除了噪声而且保留了细节信息。