基于极值自适应中值滤波与区域生长的半自动肝癌分割算法研究

王雷，李靖宇，刘丹丹，孙瑜，赵春兰，侯健俣，林琳，穆伟斌

基于极值自适应中值滤波与区域生长的半自动肝癌分割算法研究

王雷，李靖宇，刘丹丹，孙瑜，赵春兰，侯健俣，林琳，穆伟斌＊

（齐齐哈尔医学院，黑龙江 齐齐哈尔 161006）

：针对肝脏肿瘤CT图像灰度差别小，边缘不明显的特点，为了提高分割精度提出一种基于极值自适应中值滤波与现有区域生长算法相结合的一种新的肝癌分割算法。采用一组临床肝癌CT图像样本进行图像预处理，利用此算法进行第一次滤波，再采用傅里叶变换方法进行第二次滤波，最后与现有算法结合完成分割。采用重叠错误率、相对误差和Dice相似性系数作为图像分割结果评价指标。通过定性分析和定量评价显示，基于本研究算法能精确分割出肝癌区域，获得的图像分割评价指标均优于其他常用算法。

图像分割；极值自适应中值滤波；区域生长；傅里叶变换；噪声检测

肝癌是最常见的恶性肿瘤类型之一[1]。据统计，肝癌发病位居全球所有恶性肿瘤发病的第6位，而肝癌死亡则居第3位。我国每年约13万人死于肝癌，占全球肝癌死亡总数的40％[2]。目前，CT（Computed Tomography）是诊断此疾病的必要检查手段之一，图像分割是提高诊断精度和效率的必备技术和关键手段。而在医学图像分割中，主流标准是通过若干位医学专家完成的人工分割作为金标准。但这种方法主观性较强，缺乏客观，为了改善这一缺点，人们又研究出许多半自动分割算法。

医学图像分割方面的算法很多，例如边缘检测法[3]和迭代阈值分割法[4,5]。边缘检测法一般分为三步，分别是滤波、增强、检测。基本原理是用高斯滤波器进行去噪，再用卷积内核寻找像素梯度。对于边缘检测方法来说，不同的算子会有不同的效果，比较常用的是Sobel算子，Sobel算子检测方法对于灰度渐变和噪声较多的图像效果较好，但缺点就是对于边缘定位不是很准确。而迭代阈值分割法的主要思想是利用最优逼近算法使图像分割后的两部分A和B的均值和基本保持稳定。此类算法所获得的图像分割效果良好且能够较快地获得图像分割结果，但对于图像中的细微之处没有很好的区分度。除上述图像分割方法外，使用较为广泛的图像分割方法则是区域生长法。区域生长法自问世以来，其改进算法也数不胜数。但是影响区域生长法的因素也有很多，比如初始点的选取，生长规则的确立，噪声敏感问题。本文着力从去除噪声着手，来进行生长算法的改进。

1 方法

本实验所用图像均采用齐齐哈尔医学院附属第三医院的某肝癌患者CT图像，其二维CT图像的尺寸大小为512*512像素。采集设备为荷兰飞利浦256排多层螺旋CT机，拍摄体位为仰卧位。电脑型号配置为i5-8265U CPU @ 1.80GHz、4GB内存，Windows-10操作系统，程序实现环境在MATLAB 2018a编程下进行。

1.1 极值自适应中值滤波区域生长算法

1.1.1 图像预处理

图像分析中，图像质量的好坏对识别效果有比较大的影响，因此在图像分析时，进行预处理是有必要的。图像预处理的主要目的是剔除无用信息，提高特征提取、图像分割、匹配和识别的可靠性。而CT图像又具有灰度分布不均的特点，整体灰度值较低，且噪声多，所以对于图像分割的操作可能存在影响，所以在进行分割之前，要先进行大致初步的处理。本文利用的是直方图均衡化[6]。直方图均衡化是一种利用调节图像对比度质量的方式来改变的。在程序中通过函数histeq()对灰度图像进行直方图均衡化处理，运行结果如图1所示，可以看到图像变得更加清晰，细节信息更多的展现出来。

图1 预处理前后CT图像对比

1.1.2 极值自适应中值滤波与傅里叶转换

图像的中值滤波是非线性图像处理。它是通过对邻域内像素按灰度大小从小到大取中间的方式来决定中心像素的灰度。它对脉冲噪声滤出效果比较好，能够保证信号的边缘不丢失，对图像的细节信息有比较好的保护，所以中值滤波使用范围较广[7]。此后人们不断进行改进，极值自适应中值滤波被提出，根据文献[8]，其算法如下：

根据极值中值思想，按3*3模板对图像像素点进行分类：

（2）第二次噪声检测。

对于一维傅里叶变换容易推到二维

反变换为

从图2的结果可以看出，在未经处理之前，原图像的噪声比较明显，图像边缘较模糊。但经过滤波和傅里叶变换后的图像其噪声颗粒大幅减少，图像噪声得到了明显的抑制，图像也变得较为平滑，并且保留了图像的细节特征。

图2 极值自适应滤波和傅里叶转换后的图像与原图像的对比

1.2 区域生长及形态学处理

1.2.1 区域生长法

此方法是根据某种规则将符合条件的像素或者子区域聚拢到一起。其流程是从一组生长点开始，集合与该生长点性质相似的相邻像素或者区域，成为一个新起点，将此过程一直反复到不符合条件才停止。至于判断依据一般可认为灰度值、图像纹理。步骤如图3所示。

图3 区域生长法流程图

1.2.2 形态学处理

形态学操作以图像形状为基础进行的一种方法。需要输入两个参数，原始图像和结构化元素，腐蚀和膨胀最为常见。腐蚀和膨胀运算是互补的，先腐蚀后膨胀的过程称为开运算，主要为了去除亮度区域、在细密点处分离物体，主要是起到平滑边界的作用。而先膨胀后腐蚀是闭运算，是为了填补内较小黑色空洞的区域、连接物、迭代处理，也能起到某部分平滑的作用。为了图像效果，本文采用了开运算和闭运算的方法对区域生长后的图像进行了形态学处理。

图4 本算法的图像分割效果

如图4所示，基于以上方法经过处理后，其显示的肿瘤轮廓已十分清晰地显示出来，与周围分界也较为明显。

2 医学图像分割指标

本文采用定量和定性相结合的方式去评价图像分割质量，定性采用视觉评估的方式，定量采用Dice相似性系数（Dice Similarity Coeffcient, DSC）, 精确率（Precision）, 召回率（Recall），Jaccard相似性系数（Jaccard Similarity Coeffcient, JSC)，见式(12)～(15)。

其中，Dice的取值范围为[0,1]；代表真实区域；代表算法预测的区域。

其中，Recall的取值范围为[0,1]；代表真阳性，代表分割结果和金标准一样；为假阴性，代表分割结果和实际区域不同。

其中，Precision代表分割的准确率；代表真阳性；代表假阳性；取值越接近1，分割效果越明显。

其中，和为两个集合，Jaccard系数定义为和交集的大小与与并集的大小的比值，当集合,都为空时，(,)定义为1。

图5 图像分割效果图

从选取的部分肝癌CT图像分割的结果中可以看出，原始图像在进行中值窗口傅里叶滤波和傅里叶转换之后，噪声大部分被消除，再结合区域生长法之后，较好地实现了区域分割，且同时分割出不连通的几部分。对边缘部分也具有较好的响应，没有出现“过分割”现象，相较于传统区域生长算法中较易出现的空洞和“过分割”现象，本文改进的区域生长法在肝脏肿瘤图像分割上取得了更好的分割结果。

表1 图像分割效果评价表

通过表1可得出以下结论：Dice系数和Recall系数两项评价指标的数值显示了在采用本算法后预测区域与真实的肝肿瘤区域的契合度达到了较高水平，而Precision系数平均值达到了95%以上，说明了分割的准确率较高，分割效果显著。Jaccard系数主要是用于测量两集合间的差异性，从上述数值来看，预测区域与真实区域的差异性较小，相似性较大，分割效果非常明显。从整体来说，本文算法改进了噪声的敏感问题，并对分割后的结果加入形态学的处理，弥补了传统区域生长法造成的图像过分割和不平滑的问题，所以最后分割的结果更加准确。

3 与传统区域生长算法的对比

针对改进的区域生长法，和传统区域生长方法进行对比，选取了部分CT图像进行分割，然后对同一张CT图像分别进行的分割，输出分割图像，如图6，表2所示。

图6 与传统区域生长算法相比

表2 与传统区域生长法的对比

其中，图()和()为采取本算法的结果，图()和()为采取传统区域生长方法的结果。再结合表2的分析数值来看，改进后的区域生长法其相似性系数，精确率，召回率均明显提高，而且图像更加顺滑，降低了噪声，空洞也减少很多，过分割和欠分割的现象明显改善，分割结果较传统区域生长法更准确。

4 结论

由于肝脏肿瘤CT图像本身就具有多样性和模糊性的特点，本文对于肝癌CT图像分割特点仔细分析了传统分割方法的优势劣势，进而提出了极值自适应中值滤波与区域生长相结合的分割算法。此方法从实验结果上看，明显降低了噪声，而且从主客观评价标准上来看，其相似性系数，准确率，召回率均优于其他方法。本文改进的算法也具有通用性，可以应用在其他的领域，例如生物工程领域、机械领域等。此外，肝脏中也较常见存在多个肿瘤的情况，那么可以根据此种情况研究区域生长的并行算法以期进行更进一步的改进。

[1] 姜枫，顾庆，郝惠振. 基于内容的图像分割方法综述[J]. 软件学报，2017, 13(1): 160-183.

[2] 陈筱. 基于区域生长和数学形态学的MRI图像处理研究[D]. 武汉：中南民族大学，2019.

[3] MASHOHOR S. Review of computer assisted detection methods in computed tomography[J]. Artificial Intelligence Review: An International Science and Engineering Journal, 2018, 50(4): 497-537.

[4] 李雯. 基于深度卷积神经网络的CT图像肝脏肿瘤分割方法研究[D]. 深圳：中国科学院深圳先进技术研究院，2016.

[5] LU Y W. Segmentation method for medical image based on improved GrabCut[J]. International Journal of Imaging Systems and Technology, 2017, 27(4): 383-390.

[6] SZEGEDY C, VANHOUCKE V, IOFFE S, et al. Rethinking the inception architecture for computer vision[J]. IEEE Conference on Computer Vision and Pattern Recognition, 2016, 88(4): 2818-2826.

[7] 张腾达，吕晓琪，任晓颖，等. 基于空间模糊核聚类的脑肿瘤图像分割方法[J]. 控制工程，2017, 24(10): 12-13．

[8] 胡娟. 基于小波变换和中值滤波的图像去噪方法研究[D]. 成都：成都理工大学，2017.

Research on semi-automatic liver cancer segmentation algorithm based on extreme value adaptive median filtering and region growing

WANG Lei，LI Jing-yu，LIU Dan-dan，SUN Yu，ZHAO Chun-lan，HOU Jian-yu，LIN Lin，MU Wei-bin＊

(Qiqihar Medical College, Heilongjiang Qiqihar 161006, China)

According to the characteristics of small gray difference and unobvious edge in CT image of liver tumor, a new liver cancer segmentation algorithm based on extremum adaptive median filter and existing region growing algorithm is proposed to improve the segmentation accuracy. A group of clinical liver cancer CT image samples are used for image preprocessing. The algorithm is used for the first filtering, and then the Fourier Transform method is used for the second filtering. Finally, the segmentation is completed by combining with the existing algorithms. Overlapping error rate, relative error and dice similarity coefficient are used as the evaluation indexes of image segmentation results. Qualitative analysis and quantitative evaluation show that the algorithm based on this study can accurately segment the liver cancer region, and the image segmentation evaluation indexes obtained are better than other commonly used algorithms.

image segmentation；extremum adaptive median filter；regional growth；Fourier Transform；noise detection

2021-06-15

黑龙江省省属高等学校基本科研业务费科研项目（2019-KYYWF-1252）

王雷（1993-），男，山东菏泽人，在读硕士，主要从事医学影像技术研究，22983242@qq.com。

穆伟斌（1981-），男，黑龙江齐齐哈尔人，副教授，主要从事医学图像处理研究，yxjs@qmu.edu.cn。

R735.7;R730.44

A

1007-984X(2022)01-0081-06