基于区域生长与K-means聚类结合的肝脏肿瘤分割

林家兴 吕东澔

摘要：获取肝脏肿瘤部分的分割图像一直是现在主流的问题。在原区域生长算法的基础上进行优化，首先用k-means聚类对图像进行预处理，然后按照图片大小和像素值等因素加入了自适应选取区域生长种子节点的过程，并加入了形态学处理和边缘提取的操作显示最终结果。将结果与原区域生长算法和原聚类算法的分割结果进行了对比，结果显示改良后的算法在精度、兼容性和速度上优于原算法，能起到更好的分割效果。

关键词：肝癌;自适应;区域生长;k-means聚类;形态学处理;边缘提取

中图分类号：TP391      文献标识码：A

文章编号：1009-3044（2021）26-0134-04

开放科学（资源服务）标识码（OSID）：

Segmentation of Liver Tumors Based on Regional Growth Combined with K-means Clustering

LIN Jia-xing，LV Dong-hao

（Inner Mongolia University of Science and Technology， Baotou 014010， China）

Abstract：Obtaining segmented images of liver tumors has always been a mainstream problem. In this paper， the optimization is carried out on the basis of the original region growth algorithm. The image is preprocessed by k-means clustering， and the process of seed node growth in the adaptive selected region is added according to the image size， pixel value and other factors， and morphological processing and edge extraction are added to display the final result. The results are compared with the segmentation results of the original region growth algorithm and the original clustering algorithm， and the results show that the improved algorithm is superior to the original algorithm in accuracy， compatibility and speed.

Key words：liver cancer;adaptive; regional growth;k - means clustering;morphological treatment;edge detectio

肝癌的治疗一直是我国医学上的重要课题，治疗肝癌的方法主要是通过医疗手段对肝脏上已癌变的细胞进行染色，确定癌变程度，再根据染色后的肝脏图片确定治疗方案。现在的医学图像获取主要是通过CT、MRI、US等，每种方法都适用于不同的病例，其中获取肝脏图像主要是通过CT设备。如何精准快速地对CT图像中肝脏的癌变部分进行精准的分割一直是现在研究的一个重要课题[2]，分割的精度会直接影响后期对肝脏肿瘤的三维重建效果，相比于医疗人员凭借手动划分肝脏信息，本文提出的自适应区域生长分割方法能更加有效快速的提取肝脏信息。

1 CT图像分割

图像分割的概念 是在目标图片中将自己需要的部分提取出来，在一些简单的目标图像中，这样的分割步骤可以手动进行圈画来完成。但是对于复杂的图像，手动分割就无法实现分割对精度的要求[1]。例如在医学图片中对各种病变器官的分割，这样的分割对分割精度是有严苛要求的，稍有误差就可能对手术的成功率造成极大的影响，甚至有可能直接威胁到患者的生命。CT图片常常被应用于获取各种病变器官信息，如何精准快速地从CT图片中提取出病变区域一直是图像分割这门课题的核心。现在常用的图像分割方法有阈值分割，水平集分割，聚类模型分割，以及区域生长分割等[3]。

1.1区域生長算法

区域生长算法是图像分割中一种比较常用的方法，它的原理是通过设置种子节点和种子节点的生长准则来演化，以达到图像分割的目的[4]。

1.1.1种子节点选取

在区域生长算法中，种子节点的选取是最关键的一步，种子节点的选取根据图像灰度值的分布、目标区域的信息以及算法的不同有着严苛的要求，例如在将生长准则设置成门限值时，种子节点的选取值要为目标区域灰度值的均值点，这样才能避免过分割的情况出现。本文种子节点的选取为灰度值均匀的肝脏癌变部位，肝脏癌变部分经医学染色后在CT图像中能明显的被观测到。

1.1.2生长准则的制定

生长准则的制定相对于种子节点的选取并没有那么严苛的要求，它可以是一个门限值，可以是一个模型，也可以是一个算法，具体的设置需根据对图片目标提取的实际需求来设置，以确保邻域的像素节点能准确地合并到种子节点的演化中[5]。本文的生长准则设定为门限值。

区域生长算法的优缺点很明显，区域生长算法的优点在于分割灰度值均匀图像时速度较快，且效果较好。但是对于灰度值不均匀的图像来说区域生长的分割准确性很差，用时也较长，且无法达到预期标准，容易出现欠分割与过分割的情况。