肝脏肿瘤CT图像的分割算法分析

肖海慧 廖定安

摘要：肝脏是人体中的最大内脏器官，位于腹部位置，采用腹部CT能够对患者的肝脏位置以及形状明确观察，可以发现正常肝脏为楔形，右叶厚而且大，越向左越小越薄。在肝脏医学图像检测中，成像中会受到部分容积效应以及外界 噪声等相关因素的影响，从而导致肝脏分割精确性不高，这一问题也是当前医学图像分割中的研究重点及难点。本文则重点关于肝脏肿瘤CT图像的分割算法展开研究。

关键词：肝脏肿瘤；CT图像；分割算法

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）32-0210-04

肝脏肿瘤早期诊断及治疗直接决定患者的预后和转归。现阶段肿瘤早期诊断主要依靠医生根据自身的医学知识和经验手动勾画出肿瘤区域并对其判断，处理起来不仅费时费力，而且具有较大的主观性，人为因素影响大，严重影响肝脏肿瘤的早期、准确诊断。一方面，人肉眼对图像的区分度远不如机器对图像数据的区分度，但机器对疾病的认知度远赶不上医生对疾病的认知度，这就需要研究计算机识别肝脏肿瘤图像的算法和方法；另一方面，由于医生临床工作繁忙，精力有限，人工识别肿瘤的效率并不高，甚至在长时间疲劳情况下可能会出现识别错误，这就需要研究计算机辅助诊断肝脏肿瘤方法。实现肿瘤的自动识别不仅可以提高肿瘤识别的精确度，还可以减少医生工作负担，提高肿瘤的早期诊断率。虽然研究计算机辅助肿瘤图像诊断的成果很多，研究也很热，但是，目前的识别算法和辅助诊断方法还不能有效地解决肝脏肿瘤早期、准确诊断问题，因此，研究肝脏肿瘤的图像识别算法，探索肝脏肿瘤病理与肝脏图像表现关系的理论问题具有重大的学术意义和临床应用价值。本文重点对肝脏肿瘤CT图像的分割算法展开分析。

1 肝脏图像的获取

本次研究所采用的是肝脏肿瘤CT图像，其中计算机断层扫描技术（Computer Tomography，CT）是针对人体某一范围，采用X射线逐层实施横断扫描，受到透射入组织密度不同，所出现的吸收以及衰减后的强度也具有明显差异。通过探测器的应用可以将接收到的穿透横断层X线信号，成功转化为电信号，这一信号可以采用模/数转换器成功转化为数字信号，对其实施计算机处理也就可以得到相应的重建图像。

2 图像格式转换

在新型医疗器械研究及应用中，医院的成像设备种类也在不断增加，设备的生产厂商不同自然网络接口也具有差异，在医学图像处理中具有一定难度。想要有效实现不同医疗设备之间的通信，也就提出DICOM，也就是通信标准以及数字影像。在当前环境下，支持DICOM标准的设备厂商数量也在不断增加。

其中在DICOM文件中包括有DICOM文件头以及DICOM数据集各一个。其中DICOM文件头为128个字节可以实现数据集标识信息的存储，其余4个字节能够实现DICOM文件前缀标志的存储。DICOM数据集的组成是依照一定顺序排列的数据元素，在DICOM文件中数据元素是最基本的单位。在对DICOM文件分析过程中，也就可以获取相应的医学图像信息，同时也能够得到患者的基本资料，包括医生的诊断结果、图形拍摄医院等信息。

3 图像滤波

在进行图像成像中，难免会受到噪声的影响。在本次研究中我们选用区域生长法，这一方法的应用重点也就是初始种子点的选择，噪声对于肝脏CT图像分割工作具有直接影响，同时也会对肝脏分割精度和后续三重重建造成严重影响。所以，需要实现对肝脏肿瘤CT图像的滤波处理，将其具有干扰因素的噪声实现清除，提高肝脏边缘轮廓清晰化，也能够显著提升区域生长算法应用准确性。

3.1邻域平均滤波

在以上公式中，x和y的取值范围为0，1，2，3…，s代表的则是图像的邻域系统，N代表的是原图像像素个数。这一方法在实际应用中的本质也就是采用模板以及图像实现卷积运算，在图像中把确定大小的窗口实施滑动，也就可以更新图像的灰度。结合实际情况，也能够实现对邻域半径大小的合理选择，通常情况下模板的大小为3×3，5×5.

3.2中值滤波

这一方法属于是一种非线性平滑技术，图像上的每一点灰度值均能够设置相应的邻域窗口中像素点灰度值中值。在图像处理中属于是常用局部平滑技术，不但能够保持图像的细节，也可以保持其边缘信息。这一方法的基本原理为：在图像中采用像素点为奇数的窗口实施滑动，需要处理像素和窗口重合之后，过去相应像素灰度值，并依照相应顺序对其实施排列，最中间的像素灰度值可以将其赋值为没有处理的像素。在此过程中的关键点也是窗口大小的确定。如果确定的窗口比较小，容易导致没有良好的方向性，影响效果；反之，会提高计算量，影响运算速度。

3.3滤波处理后的肝脏图像

在对滤波处理前后的图像进行对比，在本次处理中采用的方法是中值滤波器处理，在试验中确定中值滤波模板大小为5×5。所得切片数量比较大，在本文章中无法一一显示，本次选取某一患者的图像进行对比，选取3张切片，依次为20、30、44。其中 在下图中，图片a、b、c为肝脏原图像，图片d、e、f为中值滤波处理后的图片。对比分析可以发现在中值滤波处理之后，可以明显减少图像中的噪声，显著提升图像信噪比，从而为图片之后的区域生长算法处理奠定基础。

4 改进区域生长算法

4.1原理及实现

从全局灰度均值下的传统区域生长法实施流程主要为4步，其中分别为：第一步，初始化。确定区域范围中的生长初始种子点；第二步，对和相似性准则的符合性进行判定。和已经生长区域中的灰度均值和种子像素8邻域像素灰度值进行对比分析，如果结果发现差的绝对值在一定阈值以下，也就可以在这一区域中将其进行合并；第三步，能够满足第二步中的點也就可以作为新的种子点，并对生长区域中的灰度均值进行计算，确定新的相似性准则，并再次回到第二步，确定新的能够满足相似性准则的像素；第四步，对和终止条件的满足性进行对比，如果没有发现新的种子点，也就代表本次生长过程结束。

在以上分析过程中能够发现，这一方法在应用过程中实施区域生长，只是对比分析已生长区域全局均值和像素灰度值，但是在此研究中发现肝脏灰度特性并不能够采用已生长区域灰度均值进行替代，肺肝脏区域也会对其研究结果有一定的影响。在本次研究过程中针对这一相似性准则实施改进，全局均值可以采用区域生长中的局部区域均值进行替代，以能够最大化减少肝脏CT图像研究过程中，非肝脏部分灰度的干扰作用。因此所得相似性准则为：

在以上公式中，R代表的是区域生长变化过程中的局部区域，Mˊ代表的是能够合并到这一区域中的像素点数量，mˊ代表的是局部区域平均灰度。

在医学图像分割研究过程中，区域生长相似性准则的阈值具有重要影响作用，如果在阈值选择过程中过大，容易出现过分割问题，反之无法将牧宝区域全部完整提取出来。在对概率论以及数理统计学研究中能够发现，对于一个数据集的离散程度可以采用标准差进行表示，在本次研究中对于区域生长准则的阈值设置形式采用的是已生长区域标准差以及固定系数乘积，可以实现阈值大小的动态变化，以能够对实际图像变化有效适应。

在改进区域生长算法实施过程中其流程包括4个步骤，其中分别为：第一步，初始化。确定初始种子点8邻域灰度均值，可以将其作为是局部区域灰度均值初始值，阈值则确定为邻域标准差和一定系数的乘积；第二步，对局部区域灰度均值和种子像素8邻域像素灰度均值大小进行对比分析，对比结果显示在预先设定的阈值之下，即可以将其合并在所在区域，也就是新的种子点；第三步，对这一阶段局部区域灰度均值以及标准差进行计算，所得结果也就是新的种子点，重新回到第二步；第四步，终止条件的判定，如果没有满足需求的新种子点，也就代表区域生长算法结束，不然重新从第二步开始继续执行。

4.2实验结果

对比传统区域生长法和改进后的结果，详情见下图，其中a为原图像，b为传统区域生长，c为改进生长法。

从以上图中可以看出，在传统区域生长法应用中，选取的参考值为已生长区域的全局灰度均值，之中也包括部分不属于肝脏部分，从而出现过分割问题；在改进区域生长算法应用中，采用的是局部区域灰度均值，可以将肝脏区域准确提取出来，另外在应用过程中不必事先设定阈值，在区域生长过程中可以结合实际情况对阈值进行改变。采用区域生长法进行肝脏区域提取，所得结果中存在一定明显的孔洞，边缘也有毛刺，因此针对这一问题需要继续优化分割结果，以能够提高肝脏提取完整性，以及提高边缘轮廓的平滑性。

5 数学形态学处理

在改进区域生长算法应用之后，获取的肝脏图像还需要继续分割。在处理过程中可以采用数学形态学闭运算方法。在多次试验后确定模板为半径为5的圆，对于所得切片大部分均能够得到良好效果。其中试验结果见下图。

以上图中所得的a、b、c分别为切片20、30、44，对其实施数学形态学处理，所得结果如上所示。在闭运算方法的应用下可以有效填充区域生长算法后的肝脏内部空洞。在以上图中出现的显著孔洞主要为肝脏血管，在本次研究中需要对肝脏体积以及灰度均值进行统计分析，因此在闭运算过程中，没有完全填充以上血管孔洞。

6 分割效果评价

在本次图像分割中采用的分割算法为改进的区域生长及数学形态学，在当前研究中针对医学图像分割算法的评价，主要采用的是主观评论方法。为能够对本次采用的分割算法结果进行评估，将分割所得肝脏图像在原始图像上进行叠加，并在原图像中采用红色进行标记，从下图中我们可以看出肝脏边缘部分拟合情况和肝脏分割基本情况，从而实现对本次分割算法的定性评价。其中分割结果见下图：

从以上图中可以看出，改进的区域生长及数学形态学分割结果，为能够对其分割结果有进一步认识，将本次采用的算法和其他算法进行对比分析。

6.1和Otsu法对比

在肝脏CT图像分割算法过程中，应用阈值法中的Otsu法分析，其中在这一算法的应用下所得的实验结果见下图：

在Otsu算法中，属于是一种自适应阈值算法，在对图像分析过程中可以通过最佳阈值将图像分成目标以及背景。从上图中能够看出，和腹腔中的肌肉、肾脏灰度值对比，能够发现肝脏灰度值与其比较接近，容易出现粘连问题，这一算法在感兴趣区域以及背景灰度差异明显中的应用更为合适，所以在肝脏提取中只是采用阈值法可行性不高。

6.2和边缘检测对比

在医学分割中采用的边缘检测法，实现方式主要是采用不同区域中的像素灰度值，在本次研究中针对肝脏CT图像分割过程中采用并行边缘检测算子，在实际应用中常用的有Canny、Roberts、LOG以及Prewitt算子等。下图即为采用不同边缘检测算子实现肝脏切片分割结果。

从图中可以看出，针对CT图像实施不同边缘检测方法实验分析，其中在应用中Roberts算子在应用中对于边缘是采用局部差分算子实现定位，在研究中发现容易出现边缘丢失，更适合应用中边缘明显的图像分割中；Canny算子属于是最优化边缘检测算子，在边缘检测中性能良好，也能够实现对噪声抑制以及边缘检测关系的有效平衡；Sobel算子以及Perwit算子在应用中首先需要对图像实施平滑处理，之后实施微分运算，在应用中图像平滑处理存在差异，在边缘检测中能够取得良好效果，但是也容易出现虚假边缘检测。LOG算子在应用中是采用高斯函数实现图像的平滑滤波，边缘检测中采用的方法为拉普拉斯算子，可以对图像中的噪声起到良好抑制作用。从图中能够发现，肝脏和周围器官、组织灰度比较接近，导致噪声容易对CT成像造成影响，出现图像边缘不够清晰，如果在研究中采用的是传统边缘检测方法，也就导致无法将肝脏边缘有效提取。

6.3和FCM聚类相比

在本次研究中采用的是FCM模糊C-均值算法，所得分割实验结果见下图。

从图中可以看出，FCM算法在应用中，如果是应用在肝脏面积较大CT图像中，能够取得良好的分割效果，也就可以将肝脏区域近乎完整的提取出来。但是在CT序列中肝脏也出现了一系列变化，如果是切片中的序列肝脏面积比较小，也就会导致取得的分割效果比較差。另外在传统FCM算法应用中，容易包括图像中的肾脏错误，主要原因为肝脏和肾脏灰度值比较接近。另外这一方法在应用中，需要和图像灰度值相结合，并提前将聚类数目和初始聚类中心设置出来，在应用中所需时间比较多，也容易受到主观因素的影响。

6.4数学形态学法

在这一方法应用中，首先需要合理选择阈值以能够对肝脏CT图像实施分割，数学形态学在应用中需要实施一系列运算，在处理之后所得肝脏CT图像分割结果见下图。

6.5方法对比

通过对以上几种方法的分割结果进行对比，可以发现数学形态学分割算法在肝脏图像分割中的效果更为显著。就算是这一方法在应用中需要采用人工方式进行种子点选取，然而在运算过程中可以将已生长区域信息加入其中，可以将生长准则中的阈值实现自适应改变，也就有助于进一步提高CT图像中的肝脏区域提取完整性以及准确性，能够取得良好的肝脏CT图像分割结果。

7 结语

在本次研究中，主要是对患者腹部CT图像实施肝脏分割，以能够统计分析患者在不同时刻的肝脏体积以及灰度平均值，对患者肝脏进行分析。基于研究结果可以看出，肝脏信号强度的表现方式为信号强度大、灰度值平均以及平均灰度值大。在本次研究中所采用的改进区域生长以及数学形态学分割算法，有效实现了肝脏肿瘤CT图像的分割，分割效果显著。在腹部CT图像中的噪声比较多，会直接影响分割精确度。

在本次研究中首先采用中值滤波器对其图像中的噪声进行消除，以能够起到良好的滤波以及平滑作用。基于此采用改进区域生长算法实现肝脏图像的分割处理，在研究过程中和肝脏特点相结合，针对传统区域生长算法进行改进，所得肝脏图像上存在一定的毛刺和孔洞，因此需要对其继续进行分割，采用的方法为数学形态学方法。对比分析FCM算法、边缘检测和传统Otsu算法，能够实现对肝脏体积以及灰度平均值的统计分析，从而评估本次分割结果，发现结果良好。

参考文献：

[1] Li Ma，L.Yang.Liver Segmentation Based on Expectation Maximization and Morphological filters in CT images[C].//首届IEEE生物信息与生物醫学工程国际会议.%，2007：702-705.

[2] Jing Xu，Ken Chen，Xiangdong Yang， et al.Adaptive Level Set Method for Segmentation of Liver Tumors in Minimally Invasive Surgery Using Ultrasound Images[C].//首届IEEE生物信息与生物医学工程国际会议.清华大学，2007：1107-1110.

[3] Eugene Vorontsov，Nadine Abi-Jaoudeh，Samuel Kadoury.Metastatic Liver Tumor Segmentation Using Texture-Based Omni-Directional Deformable Surface Models[C].//Abdominal imaging： Computational and clinical applications： 6th International Workshop， ABDI 2014， Held in Conjunction with MICCAI 2014， Cambridge， MA， USA， September 14， 2014.MEDICAL， Ecole Polytechnique de Montreal%Radiology and Imaging Sciences， National Institutes of Health%MEDICAL， Ecole Polytechnique de Montreal，2014：74-83.

[4] Chi Dongxiang，Lu Tiankun.Iterative Quadtree Decomposition Segmentation of Liver MR Image[C].//2009 International Conference on Artificial Intelligence and Computational Intelligence （AICI 2009）. v.3.School of Electronics % Information， Shanghai Dianji University%School of Electronics % Information， Shanghai Dianji University，2009：527-529.

[5] Neha Bangar，Akash Deep.Tumor Detection by Color Segmentation of PET/CT Liver Images[J].Journal of Emerging Technologies in Web Intelligence，2014（1）：148-156.

[6] Rui Lu，P. Marziliano，Choon Hua Thng.Liver Tumor Volume Estimation By Semi-Automatic Segmentation Method[C].//Device Research Conference， IEEE Annual； Santa Barbara， CA.%%，2005：3296-3299.

[7] 刘耀辉，黄展鹏，鲍苏苏.基于数学形态学的CT图像肝脏肿瘤提取研究[J].北京生物医学工程，2012（3）：237-240.

[8] 黄荔丽，王博亮，黄晓阳.基于DICOM格式的肝脏肿瘤CT图像分割[J].计算机技术与发展，2008（1）：48-51.

[9] 宋红，王勇，黄小川，等.基于动态自适应区域生长的肝脏CT图像肿瘤分割算法[J].北京理工大学学报，2014（1）：72-76.

[10] 赵洁，欧陕兴，蒋世忠，等.基于改进窄带水平集的三维肝脏肿瘤分割[J].计算机工程与应用，2015（13）：28-30，46.

[11] 黄佳佳，赵曙光，张笑青，等.基于深度学习的肝脏肿瘤图像分割[J].数字技术与应用，2017（11）：81-82.

[12] 郭颖.基于区域生长的肝脏CT图像肿瘤分割方法研究[D].大连海事大学，2017.

【通联编辑：光文玲】