伍冠楚 吳黎明 林耿萱 鐘楊 蔣丹鳳

學(xué)術(shù)研究

基于改進(jìn)凸包法的肺實(shí)質(zhì)CT圖像分割

伍冠楚 吳黎明 林耿萱 鐘楊 蔣丹鳳

（廣東工業(yè)大學(xué)機(jī)電工程學(xué)院，廣東 廣州 510006）

針對(duì)計(jì)算機(jī)輔助診斷的需求，提出一種基于CT圖像的肺實(shí)質(zhì)分割方法。首先，使用大津法實(shí)現(xiàn)CT圖像肺實(shí)質(zhì)預(yù)分割，并利用數(shù)學(xué)形態(tài)學(xué)去除噪聲；然后，采用區(qū)域生長(zhǎng)法以及小面積刪除法完成肺實(shí)質(zhì)分割；最后，使用改進(jìn)的凸包法對(duì)分割后的肺實(shí)質(zhì)CT圖像進(jìn)行邊界修復(fù)，并將得到的掩膜圖像與原圖像進(jìn)行數(shù)學(xué)運(yùn)算，得到肺實(shí)質(zhì)感興趣區(qū)域。實(shí)驗(yàn)結(jié)果表明：本文提出的方法具有分割精確高、魯棒性強(qiáng)、自動(dòng)化程度較高的特點(diǎn)。

區(qū)域生長(zhǎng)法；凸包法；肺實(shí)質(zhì)；大津法

0　引言

近年來(lái)大氣污染嚴(yán)重，肺部疾病發(fā)病率逐年增高。世界衛(wèi)生組織發(fā)布的報(bào)告顯示，肺癌已經(jīng)成為死亡率最高的癌癥[1]。傳統(tǒng)的肺癌診斷方法是通過(guò)醫(yī)生觀察X光圖像或CT圖像，并結(jié)合病人的病理報(bào)告來(lái)判斷，易受人為因素影響，可能導(dǎo)致誤診。因此，計(jì)算機(jī)輔助診斷成為當(dāng)下熱點(diǎn)。

計(jì)算機(jī)輔助診斷肺部疾病需要大量?jī)?yōu)質(zhì)肺實(shí)質(zhì)數(shù)據(jù)集，同時(shí)肺實(shí)質(zhì)分割質(zhì)量直接影響計(jì)算機(jī)輔助診斷結(jié)果的精確度。然而，由于CT圖像中各組織的灰度分布不均勻、結(jié)構(gòu)復(fù)雜等原因，導(dǎo)致肺部邊界難以精確分割[2]。針對(duì)以上問(wèn)題，本文提出區(qū)域生長(zhǎng)法和凸包法相結(jié)合的方法，實(shí)現(xiàn)肺實(shí)質(zhì)分割。

1　肺實(shí)質(zhì)分割系統(tǒng)

肺實(shí)質(zhì)分割系統(tǒng)是為計(jì)算機(jī)輔助診斷而開發(fā)的CT影像分割系統(tǒng)，它能夠?qū)⒎尾緾T圖像中的肺實(shí)質(zhì)區(qū)域精準(zhǔn)分割出來(lái)。肺實(shí)質(zhì)分割系統(tǒng)主要由圖像預(yù)分割、肺實(shí)質(zhì)區(qū)域提取和輪廓修補(bǔ)3部分組成，其流程如圖1所示。

圖1　肺實(shí)質(zhì)分割系統(tǒng)流程圖

1.1　圖像預(yù)分割

圖像預(yù)分割通過(guò)濾波、通道轉(zhuǎn)換、二值化、膨脹和腐蝕等數(shù)字圖像處理方法，將CT圖像的噪聲去除，使肺實(shí)質(zhì)區(qū)域輪廓變得清晰、明顯。本文用大津法[3]作為預(yù)分割的主要算法。大津法的計(jì)算公式為

圖2　大津法預(yù)分割CT圖像肺實(shí)質(zhì)結(jié)果

本文去除噪聲的辦法是先對(duì)圖像進(jìn)行一次開運(yùn)算：

再進(jìn)行一次閉運(yùn)算：

式中，為像素點(diǎn)集合；為結(jié)構(gòu)元素。

結(jié)構(gòu)元素可以選擇矩形或圓形對(duì)集合進(jìn)行邏輯運(yùn)算，經(jīng)實(shí)驗(yàn)比對(duì)選擇圓形去噪效果最佳。去噪結(jié)果如圖3所示。

圖3　CT圖像去噪結(jié)果

1.2　肺實(shí)質(zhì)區(qū)域提取

區(qū)域生長(zhǎng)法的基本思想是選擇若干個(gè)種子點(diǎn)，將與種子點(diǎn)有相似性質(zhì)的像素點(diǎn)合并到一起，直到?jīng)]有滿足條件的像素點(diǎn)為止[4]。區(qū)域生長(zhǎng)法思想簡(jiǎn)單、容易實(shí)現(xiàn)，生長(zhǎng)準(zhǔn)則自由指定，并且可在同一時(shí)間選擇多個(gè)準(zhǔn)則。本文采用區(qū)域生長(zhǎng)法實(shí)現(xiàn)肺實(shí)質(zhì)區(qū)域提取，提取結(jié)果如圖4所示。

圖4　肺實(shí)質(zhì)區(qū)域提取結(jié)果

1.3 輪廓修補(bǔ)

常用的輪廓修補(bǔ)方法有形態(tài)學(xué)方法、滾球法、Snake算法和凸包算法等[5-8]。由于形態(tài)學(xué)方法和滾球法可能出現(xiàn)過(guò)修復(fù)和欠修復(fù)情況；Snake算法需要一定的人工交互，自動(dòng)化程度較低，所以本文采用改進(jìn)的凸包算法，實(shí)現(xiàn)輪廓修補(bǔ)。改進(jìn)凸包法修補(bǔ)肺實(shí)質(zhì)輪廓流程如圖5所示。

圖5　改進(jìn)的凸包法修補(bǔ)肺實(shí)質(zhì)輪廓流程

1）找到肺實(shí)質(zhì)區(qū)域所有輪廓。利用改進(jìn)的凸包法對(duì)肺實(shí)質(zhì)區(qū)域進(jìn)行輪廓修補(bǔ)時(shí)，需要已知肺實(shí)質(zhì)區(qū)域輪廓點(diǎn)。本文利用findContours函數(shù)找到肺實(shí)質(zhì)區(qū)域輪廓點(diǎn)。

2）利用Graham算法掃描得到凸包。Graham算法不斷保持一個(gè)凸殼通過(guò)加入新的點(diǎn)和去除影響凸性的點(diǎn)，最后形成包含所有點(diǎn)的凸包。凸包在二維歐幾里得空間中可以理解為剛好包含所有點(diǎn)的圈，因此輪廓點(diǎn)包含凸包點(diǎn)。步驟1）找到的第一個(gè)輪廓點(diǎn)作為初始點(diǎn)，凸包上相鄰線段的旋轉(zhuǎn)方向應(yīng)該一致，并且與掃描方向相反，當(dāng)發(fā)現(xiàn)新加入的點(diǎn)使新線段與上一條線段旋轉(zhuǎn)方向不一致，則可以判斷新點(diǎn)不在凸包上。設(shè)掃描方向是逆時(shí)針，新加點(diǎn)為P，上一個(gè)點(diǎn)為P+1，再上一個(gè)點(diǎn)為P+2，即

3）判斷凸包點(diǎn)集合相鄰兩點(diǎn)距離。設(shè)定閾值為

4）修補(bǔ)區(qū)域映射到二值圖像。將步驟3）得到的修補(bǔ)區(qū)域通過(guò)遍歷像素點(diǎn)的方式，得到修補(bǔ)區(qū)域的坐標(biāo)，并在二值圖像上根據(jù)坐標(biāo)一一映射。

5）填充修補(bǔ)后肺實(shí)質(zhì)區(qū)域。將修補(bǔ)區(qū)域映射到二值圖像時(shí)，由于肺實(shí)質(zhì)區(qū)域邊界崎嶇，會(huì)產(chǎn)生空缺部分，利用最小面積刪除法填充肺實(shí)質(zhì)區(qū)域，得到修補(bǔ)后的二值圖像，如圖6所示。

圖6　肺實(shí)質(zhì)輪廓的凸包修補(bǔ)

2　實(shí)驗(yàn)驗(yàn)證

本文采用的數(shù)據(jù)集是廣東某醫(yī)院提供的若干個(gè)病人的胸部CT圖像，從中挑選30幅不同年齡段的病人且邊界模糊的胸部CT圖像（512×512）。其中，每一幅圖像都由2位放射科專家進(jìn)行標(biāo)注。

本文通過(guò)計(jì)算放射科專家的標(biāo)注和算法分割結(jié)果的相似度來(lái)評(píng)價(jià)分割精確度。Dice系數(shù)可計(jì)算2個(gè)序列的相似度[9-11]，計(jì)算公式為

對(duì)于每一張CT圖像，計(jì)算算法分割出的肺實(shí)質(zhì)輪廓序列1與放射科專家標(biāo)注的肺實(shí)質(zhì)序列2的系數(shù)，結(jié)果如表1所示。

表1 Dice結(jié)果

由表1可知：算法分割出的肺實(shí)質(zhì)輪廓與專家標(biāo)注的輪廓系數(shù)達(dá)到97%，意味著序列之間的相似度為97%。隨機(jī)選取5個(gè)實(shí)驗(yàn)圖像分割結(jié)果如圖7所示。

圖7　肺實(shí)質(zhì)CT圖像分割結(jié)果

3　結(jié)論

由于CT圖像中各組織灰度不均勻，且結(jié)構(gòu)復(fù)雜，使用單一的方法分割肺實(shí)質(zhì)很難完整保留其邊信息。本文將區(qū)域生長(zhǎng)法和改進(jìn)的凸包算法結(jié)合，并通過(guò)計(jì)算專家標(biāo)注和分割結(jié)果的相似度來(lái)評(píng)價(jià)該方法性能。實(shí)驗(yàn)表明：本文提出方法能夠較為精確地分割出肺實(shí)質(zhì)區(qū)域，有效保留肺部的邊緣信息。本文方法的不足之處在于：仍然需要一定的人工交互，比較依賴經(jīng)驗(yàn)值（需要人為設(shè)定閾值）。在后續(xù)的工作中，將以降低人工交互程度、提高自適應(yīng)性、減少對(duì)經(jīng)驗(yàn)值的依賴為目標(biāo)，對(duì)方法進(jìn)行改進(jìn)。

[1] 鄔雪濤,林嵐,王婧璇.基于CT圖像的肺實(shí)質(zhì)分割技術(shù)研究進(jìn)展[J].智慧健康,2019,5(20):87-89.

[2]BARTZ D, MAYER D, FISCHER J, et al. Hybrid segmentation and exploration of the human lungs[C]. IEEE Visualization, 2003: 177-184.

[3] OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man & Cybernetics, 2007, 9(1): 62-66.

[4] 陳亞楠,陳麗芳,蘆國(guó)軍.基于otsu和區(qū)域生長(zhǎng)的肺部CT圖像分割方法[J].無(wú)線互聯(lián)科技,2018,15(17):103-104.

[5] 劉瑩芳,柏正堯,李瓊.一種基于CT圖像的肺實(shí)質(zhì)分割方法[J].云南大學(xué)學(xué)報(bào)(自然科學(xué)版),2019,41(3):456-463.

[6] 周茂,曾凱,楊奎,等.肺部CT圖像分割方法研究[J].CT理論與應(yīng)用研究,2018,27(6):683-691.

[7] 張文莉,呂曉琪,谷宇,等.基于肺部CT圖像中肺實(shí)質(zhì)分割的研究進(jìn)展[J].中國(guó)醫(yī)學(xué)物理學(xué)雜志,2017,34(9):902-907.

[8] 耿歡,覃文軍,楊金柱,等.基于CT影像的肺組織分割方法綜述[J].計(jì)算機(jī)應(yīng)用研究,2016,33(7):1929-1935.

[9] KALENDER WA, FICHTE H, BAUTZ W, et al. Semiautomatic evaluation procedures for quantitative CT of the lung[J]. Computer Assist Tomography, 1991, 15(2): 248-255.

[10] YANG XQ, LI B, WEI SM. Method for segmenting medical image based on anatomical model[J]. Space Medicine & Medical Engineering, 2005, 18(1): 62-65.

[11] PRAMOD Kumar S, MRITYUNJAYA V Latte. Lung parenchyma segmentation: fully automated and accurate approach for thoracic CT scan images[J]. IETE Journal of Research, 2018:1-14.

CT Image Segmentation of Lung Parenchyma Based on Improved Convex Hull Method

Wu Guanchu Wu Liming Lin Gengxuan Zhong Yang Jiang Danfeng

(School of Mechanical and Electrical Engineering, Guangdong University of Technology, Guangzhou 510006, China)

To meet the needs of computer-aided diagnosis, this paper proposes a method of lung parenchyma segmentation based on CT images. This method first uses Otsu method to realize pre-segmentation, then uses mathematical morphology to remove noise, then uses region growth method and small area deletion method to complete the segmentation of lung parenchyma, and finally, an improved convex hull method is used to perform boundary repair on the segmented picture. A mathematical operation is performed on the obtained mask image and the original image to obtain a parenchymal region of interest. The experimental results prove that the method used in this paper has the advantages of high accuracy, robustness and high degree of automation.

regional growth method; convex hull method; lung parenchyma; Otsu

TP391

A

1674-2605(2020)06-0004-05

10.3969/j.issn.1674-2605.2020.06.004

伍冠楚，男，1996年生，碩士研究生，主要研究方向：圖像處理與深度學(xué)習(xí)。E-mail: 549713043@qq.com

吳黎明，男，1962年生，教授，主要研究方向：人工智能與深度學(xué)習(xí)。E-mail: jkyjs@gdut.edu.cn

林耿萱，男，1996年生，碩士研究生，主要研究方向：人工智能。E-mail: 452985924@qq.com

鐘楊，男，1997年生，碩士研究生，主要研究方向：人工智能與深度學(xué)習(xí)。E-mail: 769012871@qq.com

蔣丹鳳，女，1992年生，碩士研究生，主要研究方向：人工智能與深度學(xué)習(xí)。E-mail: 815514635@qq.com