李定麗，蔣霜霜，周丹

(四川省綿陽市中心醫(yī)院放射科，四川 綿陽 621000)

1 引 言

計算機(jī)層析醫(yī)學(xué)成像(computed tomograph,CT)是最先進(jìn)的一種醫(yī)學(xué)疾病檢測技術(shù)，該技術(shù)通過圖像的形式，直觀地展示出被檢測對象體內(nèi)的結(jié)構(gòu)和形狀，該技術(shù)常用于醫(yī)學(xué)疾病的診斷和工業(yè)精密零件的無損檢測[1]，因此,采用CT圖像處理技術(shù)對被測對象進(jìn)行量化的自動分析，逐漸成為研究熱點。高精度信息對CT圖像的分割至關(guān)重要，因此,相關(guān)學(xué)者提出了一些好的方法[2]。文獻(xiàn)[3]基于圖割和邊緣分析的肝臟 CT 序列圖像分割方法，具有較強(qiáng)的抗噪性能，但是分割精度并不是很高。文獻(xiàn)[4]利用光線透射法并結(jié)合ITK和VTK函數(shù)庫對CT掃描圖像序列進(jìn)行三維重建，得到胸腔三維模型，之后利用區(qū)域生長法進(jìn)行冠狀動脈三維分割，實現(xiàn)冠脈模型的重建任務(wù)。但是該方法卻存在運用單一約束條件的情況，導(dǎo)致分割精度較低。

針對上述問題，本研究提出一種新的CT圖像特征的高精度區(qū)域分割方法。

2 CT圖像特征高精度區(qū)域分割方法設(shè)計

2.1 血管的初步分割

2.1.1CT圖像的灰度腐蝕運算 灰度腐蝕運算是將具有包含類似性質(zhì)的像素點聚集在一起構(gòu)成一片區(qū)域[5]。在原始CT圖像的待分割區(qū)域中，隨機(jī)選取一個種子點作為生長起點，并在與該種子點相鄰的區(qū)域中篩選與種子點相似度符合生長準(zhǔn)則的像素，將這些符合要求的像素與種子所在區(qū)域合并，此時將合并后的新像素作為新種子點，并重復(fù)進(jìn)行上述像素搜索與合并操作，直至無可合并像素。

灰度腐蝕運算通過在感興趣(region of interest，ROI)區(qū)域中選擇初始種子點S(i,j)，利用公式(1)對該初始種子在3×3領(lǐng)域的灰度值進(jìn)行計算，并將該結(jié)果作為該種子區(qū)域的初始值[6-7]，即可降低錯選種子和噪聲對分割過程的干擾。

(1)

式(1)中g(shù)(x,y)代表待歸并的初始像素點(x,y)的灰度值，p和q分別為常數(shù)。

采用公式(2)計算該種子點5×5鄰域的方差值，將該結(jié)果作為生長準(zhǔn)則的歸并閾值。

(2)

式(2)中，(x,y)為種子區(qū)域中心的坐標(biāo)。生長準(zhǔn)則表達(dá)式見公式(3)：

|g(x,y)-AveGray|<δ

(3)

式(3)中AveGray表示當(dāng)前區(qū)域的平均灰度均值，其初始值用mean(x,y)表示。至此完成對CT圖像的灰度腐蝕運算。

2.1.2CT醫(yī)學(xué)圖像的濾波處理 在對CT圖像進(jìn)行了灰度腐蝕運算之后，再對分割圖像進(jìn)行濾波處理，具體過程如下：

(1)對待分割的所有圖像進(jìn)行濾波處理[8]，濾波處理過程是一種非線性的圖像平滑處理法，該處理過程受脈沖干擾的效果好且能有效保護(hù)CT圖像的邊緣。利用濾波處理對滑動窗口內(nèi)的所有像素值按灰度進(jìn)行排列，將窗口中心像素原始的灰度值用中值替換。

(2)從多張CT圖像中任選一張圖像，從特征區(qū)域選取種子點，采用動態(tài)自適應(yīng)生長方法對該種子實施區(qū)域增長操作，獲取該CT圖像特征的分割結(jié)果，并將結(jié)果保存，記作集合A。

(3)將集合A映射到相鄰的CT圖像中，得到一組新的投影點記作B，將集合B作為相鄰CT圖像的初始分割區(qū)域，計算投影同式(3)一致。其中，g(x,y)則表示投影點B的灰度值，AveGray則為前一張CT圖像的區(qū)域平均灰度值。

(4)對投影點B所在區(qū)域內(nèi)的像素點實施區(qū)域增長處理，得到最后的CT圖像分割結(jié)果。

(5)對CT圖像中所有切片區(qū)域判斷是否全部分割，若全部進(jìn)行分割則退出方法，反之則返回步驟(3)。

2.1.3種子點的自動選取 經(jīng)過灰度腐蝕運算與濾波處理后的CT圖像屬于灰度圖像，其顏色的呈現(xiàn)是通過灰度直方圖實現(xiàn)的，但在單幅CT圖像灰度統(tǒng)計結(jié)果中，血管灰度特征有可能無法正確體現(xiàn)，因此，需要對CT圖像實施灰度統(tǒng)計，依照灰度直方圖進(jìn)行種子點的自動選取，實現(xiàn)對血管的初步分割。

CT圖像的灰度級計算依照灰度直方圖的統(tǒng)計定義。設(shè)置一個自然數(shù)集合D和灰度級集合F={0,1,...,255}(F?D)，定義CT圖像函數(shù)表達(dá)式為：f:M×N→F，將點(x,y)的灰度用f(x,y)表示，用ni表示灰度值i的像素數(shù)量，將Pi=ni/MN表示為灰度值i的出現(xiàn)概率[9]。圖像f(x,y)的灰度直方圖用{Pi;i∈G}表示，從中可直觀了解圖像相應(yīng)的動態(tài)區(qū)間情況和圖像的灰度集中范圍。圖1為單幅CT圖像的灰度統(tǒng)計直方圖和整個圖像CT的灰度直方圖。

由圖1可以看出，整個CT 圖像的灰度直方圖曲線較為光滑，峰值及其隸屬的灰度區(qū)間也相較單幅CT圖像穩(wěn)定。血管的灰度特性需要結(jié)合灰度統(tǒng)計結(jié)果的峰值，因此，選取的初始種子應(yīng)具有較高的灰度值，并且其相鄰種子點的灰度值也應(yīng)較高。經(jīng)分析可知灰度值的峰值h=160，將血管的灰度區(qū)間設(shè)置為[h-25，h+25],采用公式(4)來選擇種子點：

圖1 CT圖像的灰度直方圖統(tǒng)計Fig 1 Histogram statistics of CT images (h-25)I(i,j,k)(h-25)

(4)

式(4)中I(i,j,k)為待判斷種子點的灰度值。

對CT圖像中某一像素點以及25鄰域內(nèi)判斷所有像素的灰度值是否在血管的灰度值區(qū)間，若該像素點符合要求[10]，標(biāo)記對應(yīng)像素點；反之，選取與該CT圖像相鄰圖像的種子點，重復(fù)進(jìn)行直至無符合要求灰度區(qū)間的像素。依照該過程選取的種子點，能獲取所有涵蓋血管輪廓的二值圖像，完成對血管的初步分割。

2.2 血管區(qū)域高精度分割

在上述血管初步分割的基礎(chǔ)上，先采用自適應(yīng)區(qū)域生長規(guī)劃對血管進(jìn)行區(qū)域分割，更新均值，對種子點進(jìn)行持續(xù)分割，分割流程見圖2。

圖2 血管高精度分割流程圖Fig 2 Flow chart of high precision blood vessel segmentation

(5)

式(5)中，Xi為候選點的灰度值。

其生長規(guī)劃為：

(6)

(7)

3 實驗分析

3.1 肝臟CT圖像高精度分割分析結(jié)果

為驗證本研究方法有效性，進(jìn)行仿真實驗。實驗以南方某醫(yī)科大學(xué)醫(yī)療庫中的靜脈期肝臟CT序列圖像為檢測對象，采用本研究方法進(jìn)行肝臟CT圖像特征高精度區(qū)域分割，圖3為CT序列圖像中的第207層CT圖像采用本方法前后的濾波處理結(jié)果。

由圖3可以看出本研究方法對CT圖像中的噪聲進(jìn)行了有效過濾，經(jīng)過濾波處理后的圖3(c)CT圖像中的空洞，相較于圖3(a)和圖3(b)207層肝臟CT圖像，空洞現(xiàn)象有所減少。

之后，將本方法與專家手工分割進(jìn)行對比實驗。在靜脈期CT序列圖像中隨機(jī)選取5張圖像，由5位影像處理專家分別對該5幅圖像特征進(jìn)行肝臟高精度輪廓分割，將該分割結(jié)果與本研究方法的分割結(jié)果進(jìn)行比較，結(jié)果見表1。

(a)

(b)

(c)圖3 肝臟CT序列圖像特征區(qū)域分割結(jié)果 (a).207層肝臟序列圖像；(b).濾波前分割結(jié)果； (c).本研究方法濾波處理后分割結(jié)果Fig 3 Segmentation results of liver CT sequence image feature region

分析表1數(shù)據(jù)結(jié)果可知，采用本研究方法的CT圖像特征分割結(jié)果與實際手工分割結(jié)果在面積相對誤差不同時，CT圖像也有所不同，從表中數(shù)據(jù)可知圖像編碼為68、96、166、226和267，CT圖像的面積平均相對誤差百分比為1.098%，周長平均誤差為3.114%，質(zhì)心偏移像素平均值為3.6。其中，面積特征是最能反應(yīng)區(qū)域分割效果的好壞，從面積平均相對誤差百分比1.098可以看出，本研究方法的分割結(jié)果是比較滿意的。除此之外，在Dice相似度系數(shù)方面，本研究的Dice系數(shù)都超過了90%，而手工分割方法的Dice系數(shù)均低于80%，能看出本研究方法在分割結(jié)果方面具有較高的準(zhǔn)確度。

表1 手工分割與本研究方法分割結(jié)果

3.2 肝臟血管CT圖像高精度分割分析結(jié)果

為驗證本研究方法在分割肝臟血管的有效性，與目前使用范圍最廣的文獻(xiàn)[4]方法進(jìn)行對比實驗。實驗以第197幅、222幅的圖像為例，分別采用本研究方法和文獻(xiàn)[4]方法進(jìn)行分割，對比兩種方法的靈敏度、特異度以及Dice相似度系數(shù)，結(jié)果見表2。

表2 文獻(xiàn)[4]與本研究方法分割對比結(jié)果

根據(jù)表2的對比結(jié)果可知，本研究方法無論是在靈敏度、特異度還是Dice系數(shù)方面都超過了90%，與文獻(xiàn)[4]方法具有較大的差距，分割精度較高。

4 結(jié)論

針對傳統(tǒng)CT圖像分割存在的精度較低的問題，本研究提出一種約束持續(xù)的CT圖像特征高精度區(qū)域分割方法。首先，對CT圖像進(jìn)行灰度腐蝕運算與濾波處理，并且根據(jù)處理結(jié)果確定種子點選取原則，以便能夠獲取所有涵蓋血管輪廓的二值圖像；其次，通過更新均值、對種子點的持續(xù)分割來確定無滿足灰度區(qū)間像素點，最終實現(xiàn)對CT圖像特征的高精度區(qū)域分割。對比實驗結(jié)果表明，所提方法能夠減少CT圖像的空洞現(xiàn)象，相較于手工方法與傳統(tǒng)方法，本研究所提方法的分割精度較高。