Print

发布时间: 2017-01-25
摘要点击次数:
全文下载次数:
DOI: 10.11834/jig.20170115
2017 | Volumn 22 | Number 1




    全国第27届CACIS
学术会议专栏    




  <<上一篇 




  下一篇>> 





肺实质CT图像细化分割
expand article info 曲彦1, 魏本征1, 尹义龙2, 楚陪陪1, 丛金玉1
1. 山东中医药大学理工学院, 济南 250355;
2. 山东大学计算机科学与技术学院, 济南 250101

摘要

目的 由于肺部CT图像中各组织结构复杂、灰度分布不均匀,造成肺实质部分难以准确分割和提取。为了提高肺实质分割的准确率,本文提出了一种基于超像素的细化分割与模糊C均值聚类相结合的自动分割算法。 方法 该算法充分利用肺部CT图像的灰度、纹理特征,同时为了正确标记超像素的分类,引入一种空间邻域信息来增强空间约束进而有效地解决灰度不均匀的问题,它能够对肺实质进行分割并除去其周围的主血管,然后利用形态学知识去除肺部的分支血管。 结果 在临床患有四类疾病的患者CT图像数据集上采用改进的图像特征,使得肺实质分割的准确率提高了0.8%。同时,算法准确率提高到99.46%。 结论 实验结果表明,本文算法能够实现肺部CT图像肺实质的自动细化分割,结果准确适用。该算法鲁棒性好、速度快,是一种精确有效的自动肺实质分割方法。

关键词

肺实质分割; 超像素; CT图像; 模糊C均值聚类; 细化分割

Refining segmentation algorithm for lung parenchyma CT image
expand article info Qu Yan1, Wei Benzheng1, Yin Yilong2, Chu Peipei1, Cong Jinyu1
1. College of Science and Technology, Shandong Traditional Chinese Medicine University, Jinan 250355, China;
2. School of Computer Science and Technology, Shandong University, Jinan 250101, China
Supported by: National Natural Science Foundation of China (U1201258, 61572300); Natural Science Fund ation of Shandong Province, China (ZR2015FM010)

Abstract

Objective Lung cancer has become one of the malignant tumors with the fastest growing morbidity and mortality, bringing great threats to human health. Studies have shown that early detection of lung cancer accompanied with early treatment can improve the survival rate and prognostic conditions. Lung computed tomography (CT) images mainly include the lung parenchyma, air outside the lung parenchyma, and checking bed. Gray inhomogeneity always exists because the noise and bias field are strong in lung CT images, and the organizational structure is complex. Consequently, the lung parenchyma is difficult to effectively segmented and extracted in the field of auxiliary technology research for lung disease diagnosis. This study proposes an automatic segmentation algorithm based on superpixel refining segmentation combined with fuzzy c-means clustering to improve the accuracy of lung parenchyma segmentation. Method First, superpixel division is achieved, and refining segmentation is conducted on superpixel regions where an error occurs. Second, the fuzzy c-means clustering algorithm is used based on specific characteristics. Finally, the superpixel regions that share the same classification are merged, and the final segmentation results are obtained. The algorithm can use the gray and texture features of lung CT images. The spatial neighborhood information is introduced to enhance the space constraints for generating the correct superpixel classification, thereby effectively solving the problem of gray inhomogeneity. The algorithm can carry out the segmentation of lung parenchyma, remove the surrounding main blood vessels, and use morphological knowledge to remove branch blood vessels in the lungs. Result In clinical patients with four types of disease on the CT image data set with improved image characteristics, the lung parenchyma segmentation accuracy is increased by 0.8%. The algorithm accuracy is also increased to 99.46%. Conclusion Experimental results show that the proposed algorithm can effectively overcome the interference of bias field and noise during image segmentation. Therefore, this algorithm can achieve the automatic refinement of lung parenchyma segmentation in lung CT image efficiently. The results are accurate and applicative. The algorithm has good robustness, and it is a fast, accurate, and effective automatic lung parenchyma segmentation method.

Key words

lung parenchyma segmentation; superpixel; CT image; fuzzy C-means clustering; refining segmentation

0 引言

目前,中国肺癌的发病率和死亡率均居各种恶性肿瘤之首, 已对居民的健康构成巨大的威胁[1]。研究表明,对肺癌的早发现、早治疗可以有效提高患者的生存率和愈后情况[2]。当前,CT成像是医学影像技术中检查肺部疾病最好的影像学手段[3]。为减轻医生的工作量,更快更准确地检查出肺部疾病,将医学图像处理技术应用于肺部疾病辅助诊断中,对临床肺部疾病的辅助诊断意义重大。从肺部CT图像中分割出肺实质是实现肺部CT图像的计算机辅助诊断的首要任务。“肺实质分割”是为了提取肺实质,即确定左右肺边界的过程。然而,由于肺部CT图像主要包括肺实质和肺实质外的空气、检查床等部分,同时肺部CT图像由于噪声强、组织结构复杂,故快速有效地分割出肺实质区域已成为辅助诊断肺部疾病研究的热点和难点之一。

当前,国内外的研究学者已在肺实质分割领域提出了多种方法。根据图像分割过程是否需要人工干预,一般分为半自动分割算法和自动分割算法。在半自动分割算法方面,文献中的区域生长法[4-8]是通过人工选择种子点,尽管能够很好地分割出肺部区域边缘的高密度区域,但该方法对生长规则和种子点的选取非常敏感,很难达到理想的效果;且因为肺尖内侧的纵隔区域过于狭窄,在分割肺实质的过程中,左右肺部区域往往会连结在一起,造成分割后的双肺边界不准确。半自动化的分割方法[9-10]需要预先给待分割肺实质区域做初始化。此类方法通常比全自动化分割方法的分割效果更精确,但对初始化信息的主观性、敏感性更强。所以,近年来大多数研究学者侧重于全自动化分割方法的研究。在自动分割算法方面,Noor提出一种自动化的分割方法[11-12],该方法利用Otsu阈值与形态学相结合的算法来分割肺实质区域,虽然在准确率上得到一定的提高,但在左右肺距离较近却并不连接的情况下,分割效果并不理想。图搜索算法[13-14]是另一类自动化的分割方法,该类方法虽能够定位到左右肺之间的狭小区域,但因总按预定的路线进行搜索,不能同时兼顾各类问题的特异性,导致最终的搜索路径不佳。此外,魏颖等人[15]基于Chan-Vese水平集设计了一种分割算法,利用全局区域均值和局部边界信息对水平集算法进行改进,在目标函数中添加了基于局部边界信息的统计特性能量项。该方法能够分割出肺实质的轮廓,但计算量较大、复杂度较高。

尽管国内外的专家学者在肺实质分割领域提出的很多算法思想都可以将肺实质分割出来,但并没有清除掉肺部CT图像中的主血管和分支血管,如图 1所示。另外,肺实质细小空洞易发生分割遗漏[16]也易影响到临床上医生对疾病的判断诊疗,如图 2所示。由于肺实质区域与其他区域的边界明显,肺实质区域与肺内部的主干血管的边界也相对明显,而经过主干血管分支后的分支血管与肺部实质间的边界较为模糊但也存在明显边界[17],双肺边界[18-19]难以准确分割,如图 3所示。上述肺实质分割领域的难点问题给后期的计算机辅助诊断过程带来了很大的不便。因此,一种能够在有效除去肺实质周围的主血管、分支血管的同时实现对肺实质完全分割的肺实质细化分割算法是非常必要的。然而,目前已有的肺实质细化分割方法大多还需要人工干预,不能通过算法自动完成对图像的分割,加大了算法的复杂度,因此一种准确、快速的自动化肺实质细化分割算法对于临床肺部疾病的辅助诊断具有重要意义。

图 1 分割后血管未清除示例
Fig. 1 Illustration of vessels not being removed after segmentation
图 2 分割发生遗漏示例图
Fig. 2 Illustration of segmentation omission
图 3 分割双肺边界不准确示例图
Fig. 3 Illustration of the inaccturate lung segmentation boundary

为此,本文针对肺部CT图像中肺实质的细化分割进行了研究,采用一种基于超像素的细化分割与模糊C均值聚类相结合的算法对肺实质进行分割并除去其周围的主血管,然后利用形态学知识去除肺部的分支血管,最终实现肺实质的完全分割,获得理想的分割结果。

1 图像分割算法

1.1 算法框架

本文设计的基于超像素的细化分割与模糊C均值聚类相结合的自动化分割算法框架如图 4所示。算法包括5个主要步骤:1) 图像预处理;2) 超像素分割;3) 基于超像素的细化分割;4) 超像素子区域聚类;5) 分割结果图后处理,最终完成对肺实质的分割。

图 4 算法框架示意图
Fig. 4 Algorithm frame diagram

1.2 超像素分割

为保证肺实质的分割效果,基于肺部区域的低CT值与周围组织的高CT值的特点, 首先通过阈值法将肺部图像中含有空气的组织去除,完成肺实质分割的预处理。

超像素分割[20]是近年来发展较快的一种图像分割方法,利用图像局部相似的特点,将图像分割为若干个同质的超像素子区域。对于以像素为单位的处理方法, 以超像素为单位处理图像能够更有利于局部特征的提取进而为图像保留较多的有效信息,同时能够降低图像后续处理的复杂度。

超像素分割的基本原理为,对于一幅CT图像$ \mathit{\boldsymbol{\boldsymbol{\varLambda} }} $,图片大小为$ \mathit{\boldsymbol{M}} \times \mathit{\boldsymbol{N}}\left( {0 \le x \le \mathit{\boldsymbol{M}}, 0 \le y \le \mathit{\boldsymbol{N}}} \right), \mathit{\boldsymbol{ \boldsymbol{\varLambda} }}\left( {x, y} \right) $表示整幅图像,$ {\mathit{\boldsymbol{R}}_i}、{\mathit{\boldsymbol{R}}_j} \ne \left( {i = j} \right) $表示图像中的超像素子区域。在图像$ \mathit{\boldsymbol{ \boldsymbol{\varLambda} }} $中,超像素分割的过程就是把图像分割成N个非空区域$ \left( {{\mathit{\boldsymbol{R}}_1}, {\mathit{\boldsymbol{R}}_2}, \ldots, {\mathit{\boldsymbol{R}}_N}} \right) $,这些非空区域满足以下5个条件:

1) $ \bigcup\limits_{i = 1}^N {{\mathit{\boldsymbol{R}}_i} = \mathit{\boldsymbol{ \boldsymbol{\varLambda} }}} 。 $

2) 对于所有的$ i $$ j $,当时$ i \ne j $$ {\mathit{\boldsymbol{R}}_i} \cap {\mathit{\boldsymbol{R}}_j} = \emptyset $

3) 对于所有的$ {\mathit{\boldsymbol{R}}_i} $$ i = 1, 2, \ldots, N $$ \mathit{\boldsymbol{P}}\left( {{\mathit{\boldsymbol{R}}_i}} \right) = {\rm{true}} $

4) 对于所有的$ i $$ j $$ \mathit{\boldsymbol{P}}\left( {{\mathit{\boldsymbol{R}}_i} \cap {\mathit{\boldsymbol{R}}_j}} \right) = {\rm{false}} $

5) 对于所有的$ {\mathit{\boldsymbol{R}}_i} $$ i = 1, 2, \ldots, N $$ {\mathit{\boldsymbol{R}}_i} $是连续性的区域。

$ \mathit{\boldsymbol{P}}\left( {{\mathit{\boldsymbol{R}}_i}} \right) $是每个超像素区域$ {\mathit{\boldsymbol{R}}_i} $($ i = 1, 2, \ldots, N $)的逻辑化表示。

目前,超像素的处理方法大致可以分为基于图论的方法以及基于梯度下降的方法。本文采用的基于梯度下降的Turbopixel方法在超像素分割方法中得到广泛使用。该方法获取的超像素子区域的尺寸均匀,超像素子区域的边界较接近原图像的边界,同时实现速度较快。Turbopixel[21]分割结果具有以下5点基本特征:1) 均匀的尺寸,2) 连通性,3) 紧凑性,4) 平滑性和边缘保持性,5) 无重叠性。

$ {\mathit{\boldsymbol{R}}_i}\left\{ {i = 1, 2, \ldots, L} \right\} $表示超像素粗分割后的L个超像素区域。本文算法中对于超像素块个数的选择是根据图像的大小完成的,将超像素的个数设定为4 000。图 5是使用Turbopixel方法进行超像素分割的结果图。

图 5 分割结果
Fig. 5 Segmentation results ((a) a lung CT image after pretreatment; (b) Turbopixel segmentation image)

1.3 细化分割

在超像素粗分割完成后通常出现同一个超像素中含有不同组织的错误发生,主要是由于在CT图像中,肺实质的边缘存在模糊性、CT成像过程中本身存在的偏场等问题。为了减少这类错误,有必要对部分超像素进行细化分割。此类超像素一个显著特点是灰度值方差大,因此可对超像素的灰度值方差进行排序,选择排序在前的超像素进行细化分割。

采用自动阈值分割算法统计每个超像素内部的像素灰度值,并利用灰度直方图选择分割的阈值,将超像素区域分割为多个超像素子区域,然而因为存在噪声,在分割结果中就可能会出现孤立点,所以需要判别这些被重新划分的超像素子区域。如果超像素子区域的大小超过一定数目的像素点,那么进行划分,否则不进行该超像素子区域的划分。引入阈值参数t来排除噪声点的影响,同时对超像素中大于阈值t的区域进行细化分割。

此过程后得到K(KL)个超像素区域$ {\mathit{\boldsymbol{R}}_i}\left\{ {i = 1, 2, \ldots, k} \right\} $,这些区域通过模糊C均值聚类来确定其类别。

该过程的实验结果图 6所示。可以看出,超像素分割后图像中的部分超像素中含有不同种类的肺部组织,分割效果不理想,而经过细化分割过程的自动阈值分割后,该类超像素中的组织大多能够被正确分割,细化分割效果图中蓝色区域即为经过自动阈值分割后添加的。

图 6 超像素分割及细化分割后的实验结果示例图
Fig. 6 An illustration of superpixels division and refining the division of experimental results ((a) superpixel division; (b) refining segmentation)

1.4 超像素聚类和标记

1.4.1 肺部CT图像纹理特征

CT肺图像中每个组织存在着不同的纹理特征,再加上以超像素为基本分割单位进行处理,对图像分割精确度的提高大有帮助。图像特征在图像分割过程中起着重要的作用,所以提取图像特征是图像分割中很重要的一步,优质的图像特征可以有效地提高分割的速度和准确性。目前,大部分的CT肺实质的分割算法在图像分割过程中只使用了图像的灰度特征,而没有使用纹理特征。而纹理特征能更细致地刻画出图像灰度分布的模式,所以本文利用纹理特征信息进一步来描述图像的特征空间。

纹理是由灰度分布在特定空间多次重复出现而形成的,故在图像空间中相隔某距离的两像素之间会存在一定的灰度关系,即图像中灰度的空间相关特性[22]。最常用的提取图像中的纹理特征方法是频谱法和统计法。一般来讲,统计法应用于图像中微观纹理的提取,而宏观纹理的提取则需要将结构法和统计法相结合。CT肺图像中的纹理为微观纹理,因此,在对肺部CT图像进行分析时,主要利用统计法当中的灰度共生矩阵来提取纹理特征。灰度共生矩阵中的元素值表示灰度级间的联合条件概率密度$ \mathit{\boldsymbol{P}}\left( {a, b\left| {d, \theta } \right.} \right) $,即给定距离$ \mathit{\boldsymbol{d}} $和方向$ \mathit{\boldsymbol{\theta }} $,灰度级以$ a $为起点,出现灰度级为$ b $的概率[23]

在灰度共生矩阵能够提取到的纹理特征中,本文选择其中重要的能量和熵两种指标来描述肺部CT图像的纹理特征,并从0°、45°、90°、135°这4个方向分别提取超像素块的纹理特征并计算其均值和方差。能量与熵的指标如下:

1) 能量。能量是衡量图像灰度分布的重要指标。灰度共生矩阵主对角线附近的元素分布较集中,则为较大的能量值,这表示该局部区域内有较均匀的灰度分布;若灰度共生矩阵中的元素值均相等,则为较小的能量值[24]。其公式为

$ E = \sum\limits_{a = 0}^{l-1} {\sum\limits_{b = 0}^{l-1} {p(a, b)} } {\log _2}p(a, b) $ (1)

2) 熵。熵是表示灰度级分布随机性的特征参数。熵值越大,说明图像的纹理越复杂;熵值越小,说明图像的灰度分布均匀[24]。其公式为

$ H =-\sum\limits_{a = 0}^{l-1} {\sum\limits_{b = 0}^{l-1} {p(a, b)} } {\log _2}p(a, b) $ (2)

为了得到最终正确的分割结果,需对超像素进行聚类并标记。这个过程可以分为超像素聚类、超像素标记、超像素合并3个部分。

1.4.2 超像素聚类

利用模糊C均值聚类(FCM)来对细化分割后的超像素子区域进行聚类。FCM聚类是通过隶属度来确定所属类别的算法。其基本原理是通过不断迭代使目标函数达到最小值,目标函数为

$ J = \sum\limits_{i = 1}^c {\sum\limits_{k = 1}^N {u_{ik}^p} {{\left\| {{y_k}-{v_i}} \right\|}^2}} $ (3)

式中,$ \left\{ {{y_k}, {\rm{ }}k = 1, 2, \ldots, N} \right\} $表示一幅像素个数为N、聚类个数为c的图像,$ {vi=1, 2, …, c} $表示每个聚类中心,C=[c1, c2, …, cc]表示聚类中心矩阵。向量$ {\mathit{\boldsymbol{U}}_k} = {\left[{{u_{1k}}, {u_{2k}}, \ldots, {u_{ik}}} \right]^{\rm{T}}} $表示第$ i $类中第$ k $个像素的隶属度,其中$ {u_{ik}}\left( {{u_{ik}} \in \left[{0, 1} \right]} \right) $$ \mathit{\boldsymbol{U}} = \left[{{U_1}, {U_2}, \ldots, {U_k}} \right] $是隶属度矩阵, $ \mathit{\boldsymbol{p}} $是描述聚类结果模糊程度的函数,$ {\left\| {{y_k}-{v_i}} \right\|^2} $是利用欧氏距离来表示的归一化量度。

FCM聚类过程如下:

1) 迭代终止阈值$ \varepsilon $,隶属度矩阵U,聚类中心c,迭代次数$ q $=0。

2) 隶属度函数的更新为

$ {u_{ik}} = \frac{{{{\left( {1/{{\left\| {{y_k}-{v_i}} \right\|}^2}} \right)}^{1/(p-1)}}}}{{\sum\limits_{j = 1}^c {{{\left( {1/{{\left\| {{y_k}-{v_i}} \right\|}^2}} \right)}^{1/(p - 1)}}} }}{\rm{ }} $ (4)

3) 聚类中心的更新为

$ {v_{i}} = \frac{{\sum\limits_{k = 1}^N {u_{ik}^p{y_k}} }}{{\sum\limits_{k = 1}^N {u_{ik}^p} }}{\rm{ }} $ (5)

4) 当目标函数值小于设定的阈值,则算法停止。

为了提高算法的性能,本文中利用每个超像素区域的灰度均值$ \mu $、灰度标准差$ \sigma $以及上述的能量和熵两类指标来描述4个方向纹理特征的均值与标准差共6维特征信息作为聚类的特征参数, 设定FCM聚类分类参数为2。由于肺部CT图像中,FCM算法是对细化分割后产生的$ k $个超像素进行聚类,得到聚类的中心矩阵C=[c1, c2, c3]和隶属度矩阵U。每个超像素的分类标记都是由隶属度矩阵U决定。

1.4.3 超像素标记

由于肺部CT图像中肺实质的边缘存在模糊性、不同肺组织的灰度值相似或相同以及两肺之间界限过小等问题,直接用聚类结果来标记超像素是不可行的。因此,需要引入其他信息来帮助标记超像素。

因为肺部CT图像中各组织间有连续性、超像素的空间邻域信息决定了超像素的类别。$ \mathit{\boldsymbol{S}}\left( {{s_1}, {s_2}, \ldots, {s_n}} \right) $表示相邻超像素间的相似度。$ {\mathit{\boldsymbol{s}}_i} $表示当前超像素与它的第$ i $个相邻超像素间的相似度值。

为了计算超像素之间的相似度,需利用一种函数来定义此种关系:

1) 如果超像素间的灰度值差距很小,则返回很大的相似度值;

2) 如果超像素间的灰度值差距很大,则返回很小的相似度值;

3) 如果超像素间的灰度值超过了某个阈值,则相似度值快速下降。

基于以上的分析,利用巴特沃斯函数[25]来定义此种关系。该函数的形式为

$ {S_i} = \frac{1}{{1 + {{\left( {\left( {\mu-{\mu _i}} \right)/\eta } \right)}^n}}} $ (6)

式中,$ \mu $表示该超像素区域的灰度均值,$ {\mu _i} $表示第$ i $个邻近该超像素的灰度均值,$ \eta $表示设定的灰度阈值,$n $表示一个权重,$n $越大,巴特沃斯函数值下降的越快。

为了正确标记超像素的分类,引入一种基于空间邻域信息的方法。具体的步骤描述如下:

1) 在超像素区域$ {\mathit{\boldsymbol{R}}_i} $中定义隶属度向量$ {\mathit{\boldsymbol{U}}_i} = \left( {{u_1}, {u_2}, {u_3}} \right) $,如果存在$ {u_i} = {\rm{max}}\left\{ {{u_1}, {u_2}, {u_3}} \right\} > {T_c} $($ {T_c} $为置信度阈值),则将该超像素标记为第$ i $类,否则该超像素被标记为集合为F模糊块。

2) 对于某超像素区域$ {\mathit{\boldsymbol{R}}_j} \in \mathit{\boldsymbol{F}} $,假定与它邻近的超像素区域集为$ \mathit{\boldsymbol{ \boldsymbol{\varOmega} }} = \left\{ {{R_{j1}}, {R_{j2}}, \ldots, {R_{jk}}} \right\} $,计算$ \mathit{\boldsymbol{ \boldsymbol{\varOmega} }} $中的每一个$ {\mathit{\boldsymbol{R}}_i} $与该超像素的相似度$ {\mathit{\boldsymbol{S}}_j}\left( {{s_{j1}}, {s_{j2}}, \ldots, {s_{jk}}} \right) $

3) 如果存在一个$ {\mathit{\boldsymbol{s}}_{ij}} = {\rm{max}}{S_j} > {T_s} $,则$ {\mathit{\boldsymbol{R}}_i} $$ {\mathit{\boldsymbol{R}}_ji} $类别标记一致。$ {\mathit{\boldsymbol{T}}_s} $为置信度阈值。

4) 如果迭代次数小于设定的迭代次数且图像中仍然存在模糊块,则返回第2)步再进行。

5) 如果迭代次数超过了设定的迭代次数且集合F中仍然存在模糊块,那么对于超像素区域$ {R_i} $,它的隶属度向量为$ {\mathit{\boldsymbol{U}}_i} = ({u_1}, {u_2}, {u_3}) $,如果集合$ {\mathit{\boldsymbol{U}}_i} $中的最大值为$ {u_j} $,则$ {\mathit{\boldsymbol{R}}_i} $被标记为第$ j $类。

完成了以上步骤,则每个超像素都有一个明确的分类结果。

1.4.4 超像素合并

对属于同一类的邻近的超像素进行合并得到最终的分割结果。图 7(a)-(c)是本文算法中的3个过程的实验结果图。由于灰度不均匀以及噪声的影响,图像中会存在大量的模糊块,而在利用了本文提到的聚类、标记和合并超像素的算法后,这些模糊块就被标记为正确的分类并得到最终的分割结果,如图 7(c)所示。

图 7 分割过程实验结果示例图
Fig. 7 Illustration of results in the segmentation process ((a) superpixel division; (b) cluster and label superpixel regions; (c) merge superpixel regions)

1.5 后处理

通过对超像素聚类、标记及合并后,实验结果如图 7(c)所示。为了得到肺实质区域,采用形态学处理方法,将肺部气管区域和部分纤维组织结构去除。实验结果图如图 8所示。

图 8 超像素合并后及最终的实验结果示例图
Fig. 8 Illustration of superpixels merging and the final experimental results

2 实验结果与分析

2.1 分割结果

为了验证算法的有效性,在ILDs数据库上进行实验。ILDs (interstitial lung diseases)数据库是日内瓦大学医院的一个公开的肺部CT图像数据库。该数据库收集了128名患者的肺部CT图像,所有的图像都已经通过医学专家给出临床诊断。从数据库中随机选择60幅图像,其中包括患有肺结节、肺气肿、毛玻璃3类肺部疾病的和正常的共4类。每幅图像的标记图都是人为手工标记得到的。最终的分割结果图如图 9-图 11所示。

图 9 肺实质区域周围主血管和分支血管的去除
Fig. 9 Get rid of the main blood vessels and branch blood vessels around the lung parenchyma area ((a) lung CT image; (b) the ground truth; (c) segmentation result)
图 10 肺实质细小空洞的分割
Fig. 10 Segment the tiny hollow of lung parenchyma ((a) lung CT image; (b) the ground truth; (c) segmentation result)
图 11 左右肺的分离
Fig. 11 Separate the left and the right lung ((a) lung CT image; (b) the ground truth; (c) segmentation result)

2.2 算法评价

为了进一步验证本文算法的有效性,采用JS (jaccard similarity)指标来评价分割算法的准确率。JS的定义为

$ J\left( {{\mathit{\boldsymbol{S}}_1}, {\mathit{\boldsymbol{S}}_2}} \right) = \frac{{\left| {{\mathit{\boldsymbol{S}}_1} \cap {\mathit{\boldsymbol{S}}_2}} \right|}}{{\left| {{\mathit{\boldsymbol{S}}_1} \cup {\mathit{\boldsymbol{S}}_2}} \right|}} $ (7)

式中,S1表示算法的分割结果,S2表示人工标记的分割结果。

实验中选择的是患者的临床肺部CT图像,该图像中的纹理信息对准确分割肺实质具有重要意义。实验过程中根据灰度、纹理和空间信息对超像素进行分类及修正,合并属于同一类的超像素,进而得到最终的分割结果。如表 1所示,通过对比实验对最终分割的准确率进行检测。

表 1 4类情况下针对不同特征肺实质分割的准确率
Table 1 Comparison of different characteristics of the lung parenchyma segmentation accuracy for four types of cases

下载CSV
肺结节 肺气肿 毛玻璃 正常
灰度 0.993 7 0.991 6 0.978 1 0.982 6
灰度纹理 0.994 7 0.997 9 0.992 2 0.993 5

2.3 同类算法比较分析

文献[26]中利用阈值和基于区域与边缘的归一化图切算法相结合的方法对ILDS库中的肺部CT图像进行肺实质的分割,左右肺的分割准确率分别为98.32%、98.07%。而本文提出算法的平均准确率达到99.46%,两种算法相比,本文算法的准确率平均提高了1.26%。实验结果表明,本文算法在准确率上得到了一定的提高,有较高的准确性。

3 结论

在本文提出的分割算法中,采用超像素区域作为实验过程的基本单位,很好地保留了肺部CT图像的边界信息;经过超像素分割出来的子区域具有以单个像素点为基本单位所不具备的一些特征,比如纹理等;同时大大降低了图像处理在时间、计算方面的复杂程度,使分割结果的准确率得到提升。模糊C均值聚类又合理地解决了医学影像中存在的模糊性问题。因此,基于超像素的细化分割与模糊C均值聚类相结合的分割算法, 充分利用了模糊C均值聚类算法与超像素计算方法的优势,能很好地实现肺部CT图像中肺实质的自动分割。该算法针对经常出现的去除肺实质区域周围的血管、解决肺实质细小空洞易发生分割遗漏、双肺边界难以准确分割等问题,设计了一个快速的解决方法,获得较好的实验结果。

尽管人体基本的解剖学结构大体上一致,但受先天因素和后天发育的影响,不同个体间仍存在很大的差异[27]。尤其是因各种病理因素对人体正常组织结构的影响和破坏,个体之间的结构差异会更明显。本文算法由于充分利用模糊C均值聚类在医学图像中的优势,借助肺部CT图像的灰度、纹理特征,同时为了正确标记超像素的分类,引入一种空间邻域信息来增强空间约束进而有效地解决灰度不均匀的问题,最终在肺部CT图像肺实质的自动化分割过程中得到了理想的分割效果。

由于肺实质的分割目标和具体的临床应用密切关联, 接下来将面向临床的应用需求, 继续学习研究肺实质分割领域的各类方法, 在实现更高的分割准确率的基础上, 能够有效地辅助临床上对疾病的检查与诊断。

参考文献

  • [1] News Center. The current situation of lung cancer incidence in 2014, and the mortality trend of lung cancer in the future[EB/OL]. 2014-04-09[2016-05-10]. http://www.chyxx.com/news/2014/0409/236571.html. [新闻中心. 2014年中国肺癌发病率、死亡率现状肺癌未来趋势解读[EB/OL]. 2014-04-09[2016-05-10]. http://www.chyxx.com/news/2014/0409/236571.html.]
  • [2] Pulagam A R, Kande G B, Ede V K R, et al. Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases[J]. Journal of Digital Imaging , 2016, 29 (4) : 507–519. DOI:10.1007/s10278-016-9875-z
  • [3] Zhou H L, Goldgof D B, Hawkins S, et al. A robust approach for automated lung segmentation in thoracic CT[C]//Proceedings of the 2015 IEEE International Conference on Systems, Man, and Cybernetics. Kowloon Tong, Hong Kong, China:IEEE, 2015.[DOI:10.1109/SMC.2015.396]
  • [4] Chen Y D, Bao S S. Novel segmentation algorithm of region growing based on CT image sequences of liver[J]. Computer Engineering and Applications , 2010, 46 (13) : 188–190. [ 陈彦达, 鲍苏苏. 一种新的肝脏CT序列图像区域生长算法[J]. 计算机工程与应用 , 2010, 46 (13) : 188–190. DOI:10.3778/j.issn.1002-8331.2010.13.056 ]
  • [5] Cheng M, Huang X Y, Huang S H, et al. Directional region growing algorithm and its applications in vessel segmentation[J]. Journal of Image and Graphics , 2011, 16 (1) : 44–49. [ 程明, 黄晓阳, 黄绍辉, 等. 定向区域生长算法及其在血管分割中的应用[J]. 中国图象图形学报 , 2011, 16 (1) : 44–49. DOI:10.11834/jig.20110119 ]
  • [6] Mendoza C S, Acha B, Serrano C, et al. Fast parameter-free region growing segmentation with application to surgical planning[J]. Machine Vision and Applications , 2012, 23 (1) : 165–177. DOI:10.1007/s00138-010-0274-z
  • [7] Ming J T C, Noor N M, Rijal O M, et al. Enhanced automatic lung segmentation using graph cut for interstitial lung disease[C]//Proceedings of the 2014 IEEE Conference on Biomedical Engineering and Sciences. Kuala Lumpur, Malaysia:IEEE, 2014:17-21.[DOI:10.1109/IECBES.2014.7047479]
  • [8] Song J D, Yang C Y, Fan L, et al. Lung lesion extraction using a toboggan based growing automatic segmentation approach[J]. IEEE Transactions on Medical Imaging , 2016, 35 (1) : 337–353. DOI:10.1109/TMI.2015.2474119
  • [9] Chen X, Udupa J K, Bagci U, et al. Medical image segmentation by combining graph cuts and oriented active appearance models[J]. IEEE Transactions on Image Processing , 2012, 21 (4) : 2035–2046. DOI:10.1109/TIP.2012.2186306
  • [10] Xu T, Mandal M, Long R, et al. Gradient vector flow based active shape model for lung field segmentation in chest radiographs[C]//Proceedings of IEEE Engineering in Medicine and Biology Society. Annual Conference. Washington DC:IEEE 2009, 2009:3561.[DOI:10.1109/IEMBS.2009.5334886]
  • [11] Noor N M, Rijal O M, Ming J T C, et al. Segmentation of the Lung Anatomy for High Resolution Computed Tomography (HRCT) Thorax Images[C]//Proceedings of International Visual Informatics Conference. Berlin:Springer International Publishing, 2013:165-175.[DOI:10.1007/978-3-319-02958-016]
  • [12] Than J C M, Noor N M, Rijal O M, et al. Lung segmentation for HRCT thorax images using radon transform and accumulating pixel width[C]//Region 10 Symposium, 2014 IEEE. Washington DC:IEEE, 2014:157-161.[DOI:10.1109/TENCONSpring.2014.6863016]
  • [13] Sorensen L, Shaker S B, De Bruijne M. Quantitative analysis of pulmonary emphysema using local binary patterns[J]. IEEE transactions on medical imaging , 2010, 29 (2) : 559–569. DOI:10.1109/TMI.2009.2038575
  • [14] Cui Y, Wang X P, Yu H, et al. Segmentation method for CT image of lung parenchyma[J]. Computer Engineering and Design , 2015, 36 (5) : 1274–1278. [ 崔颖, 王小鹏, 于挥, 等. 肺实质CT图像分割方法[J]. 计算机工程与设计 , 2015, 36 (5) : 1274–1278. ]
  • [15] Wei Y, Xu X H, Jia T, et al. Lung nodules detection algorithm based on optimal level sets method for CT images[J]. Journal of System Simulation , 2006, 18 (8s) : 909–911. [ 魏颖, 徐心和, 贾同, 等. 基于优化水平集方法的CT图像肺结节检测算法[J]. 系统仿真学报 , 2006, 18 (8s) : 909–911. ]
  • [16] Zeng Y C, Chen M H. Research on the automatic image segmentation method in fuzzy region of lung parenchyma[J]. Computer simulation , 2014, 31 (3) : 376–379. [ 曾羽琚, 陈明辉. 肺部模糊区域的实质自动图像分割方法研究[J]. 计算机仿真 , 2014, 31 (3) : 376–379. DOI:10.3969/j.issn.1006-9348.2014.03.085 ]
  • [17] Yang J F, Zhao J J, Qiang Y. Lung CT image segmentation combined multi-scale watershed method and region growing method[J]. Computer Engineering and Design , 2014, 35 (1) : 213–217. [ 杨建峰, 赵涓涓, 强彦, 等. 结合区域生长的多尺度分水岭算法的肺分割[J]. 计算机工程与设计 , 2014, 35 (1) : 213–217. DOI:10.3969/j.issn.1000-7024.2014.01.040 ]
  • [18] Hu S, Hoffman E A, Reinhardt J M. Automatic lung segmentation for accurate quantitation of volumetric X-Ray CT images[J]. IEEE Transactions on Medical Imaging , 2001, 20 (6) : 490–498. DOI:10.1109/42.929615
  • [19] Wang B, Gu X M, Yang Y, et al. Automated lung segmentation for chest CT images based on random walk algorithm[J]. Journal of Computer Applications , 2015, 35 (9) : 2666–2672. [ 王兵, 顾潇蒙, 杨颖, 等. 基于Random Walk算法的CT图像肺实质自动分割[J]. 计算机应用 , 2015, 35 (9) : 2666–2672. DOI:10.11772/j.issn.1001-9081.2015.09.2666 ]
  • [20] Achanta R, Shaji A, Smith K, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence , 2012, 34 (11) : 22742282. DOI:10.1109/TPAMI.2012.120
  • [21] Levinshtein A, Fleet D J, Dickinson S J, et al. TurboPixels:fast superpixels using geometric flows[J]. IEEETransactions on Pattern Analysis and Machine Intelligence , 2009, 31 (12) : 2290–2297. DOI:10.1109/TPAMI.2009.96
  • [22] Xie Z, Liu G, He C, et al. Texture image retrieval based on gray level co-occurrence matrix and singular value decomposition[C]//Proceedings of International Conference on Multimedia Technology. Washington DC:IEEE, 2010:1-3.[DOI:10.1007/s11760-013-0506-6]
  • [23] Xue J X. The research and application of conditional random field[D]. Shandong University, 2014. [薛俊欣.条件随机场模型研究及应用[D].山东大学, 2014.] http://cdmd.cnki.com.cn/Article/CDMD-10422-1014308932.htm
  • [24] Yang J, Guo J. Image texture feature extraction method based on regional average binary gray level difference co-occurrence matrix[C]//Proceedings of International Conference on Virtual Reality and Visualization.Washington DC:IEEE, 2011:239-242.[DOI:10.1109/ICVRV.2011.20]
  • [25] Liu Y W. A fast image denoising method with revised Butterworth function[J]. Journal of Lanzhou University , 2014 (01) : 122–127. [ 刘岳巍. 修正巴特沃斯函数快速图像降噪方法[J]. 兰州大学学报:自然科学版 , 2014 (01) : 122–127. ]
  • [26] Ming J T C, Noor N M, Rijal O M, et al. Enhanced automatic lung segmentation using graph cut for Interstitial Lung Disease[C]//Biomedical Engineering and Sciences. Washington DC:IEEE, 2015:17-21.[DOI:10.1109/IECBES.2014.7047479]
  • [27] Cao L, Zhan J, Yu X E, et al. Fast lung segmentation algorithm for thoracic CT based on automated thresholding[J]. Computer Engineering and Applications , 2008, 44 (12) : 178–181.