区域生长法肺实质分割

区域生长法肺实质分割肺实质分割方法研究王晓飞 122601672 1.近年来国内外研究现状近年来，医学图像处理领域得到了惊人的发展。医学图像处理是目前一个热门的研究方向，也是一个富有挑战性的领域，而医学图像处理中的一个关键性的问题就是图像分割。图像分割被广泛地应用到临床诊断和科学研究中的应用分析中。分割方法主要包括阂值法、区域生长法、基于模式分类的分割方法、分水岭分割法等几种。但是这些方法仍然得不到令人满意的效果。最近几年来，随着各学科领域都得到了飞速的发展，面对传统图像分割方法中存在的很多问题，医学图像研究人员不断改进传统方法，并且将其他学科的一些理论知识和方法加入到图像分割中，提出了不少新的图像分割方法。总体来说，医学图像分割技术的发展是从人工分割到半自动分割再到自动分割这样一个顺序。由于早期技术的落后，医生和研究人员只能依靠手动在源图像上画出需要的边界，完成图像分割的目的。例如，当临床医生检查病人脑图像时，往往要对成百上千的脑切片图像进行手动边界描绘工作，根据得到的信息推断病变区域的结构信息以及与周围组织的关系，然后以此决定如何诊断疾病。人工方法不仅是费时费力，而且分割出来的结果往往是依赖于操作者的知识水平，并且多人对同一图像多次分害，甚至同一人不同时间对同一图像分割的结果往往也会不同。随着计算机技术的发展产生了半自动的分割方法，它将操作者的知识与计算机的快速数据处理能力结合在一起，从而达到对医学图像分割的目的。相比人工分割方法，半自动的分割不但分割速度快，而且分割精度也高。半自动分割方法一定程度上减少了人工干预的影响，但是有的步骤仍然需要人工参与其中。近年来，随着大量的新兴技术如人工智能和小波变换等在图像分割中的应用，在图像分割领域中也出现一些自动的分割技术。自动分割方法的处理过程完全不需要人为的干预，整个医学图像分割过程完全计算机独自实现。就目前情况来看，图像分割技术在临床上的应用，自动分割方法并没有完全取代人工分割方法与半自动分割方法，甚至有医院，仍然采用人工方法来进行图像分割。造成这种现象的原因是医学图像通常表现为对比度低，不同软组织之间或病灶与软组织之间存在边界的模糊性、组织特性的可变性以及形状结构和微细结构（如血管、神经）分布的复杂性等，而计算机在处理这些信息时还没有很好的解决方案，使得自动分割技术有极大的困难。自动分割得出的结果并不令人满意，在实际临床应用中，往往需要人工来干预分割过程来得到比较理想的分割效果。虽然目前已经产生了很多自动的图像分割方法，但是诊断准确率仍然不是很高，在临床上的应用效果仍然不理想。尽管如此，研究出方便、准确、实用的自动分割方法来取代繁杂的人工操作一直是医学图像领域研究的热门，也是图像分割领域目前以及今后一定时期内的研究重点。几十年来，广大学者和研究人员对医学图像分割做了大量的研究工作，并且取得了丰富的研究成果。传统的医学图像分割方法一般包括基于阂值的方法、基于边缘检测的方法以及区域生长法等。闽值分割法是最简单、最常用的分割方法。闽值分割法分为单闽值分割和多闽值分割，它的优点就是实现简单，对于具有不同特性的物体灰度值或者是灰度值相差很大的情况下，能够非常有效的对图像进行分割。阂值分割法一般不单独使用，而是和其他方法结合起来作为医学图像分割系统的预处理过程。闽值分割法的缺点是在处理图像中物体特征值差别不大或者是多通道图像时效果不好，对于图像中灰度差别不明显以及灰度值范围内有较大重叠的图像分割问题，得不到准确的结果。基于边缘检测的方法，是根据相邻像素灰度值的突变性来检测获得不同区域之间的边缘。而边缘点的判断是基于检测点的本身和与它临近的一些点，一般是包括局部微分算子，如canny 算子、sobel 梯度算子和RobertS 梯度算子等。边缘检测方法对噪声比较敏感，抗噪性和检测精度之间存在矛盾，若提高检测精度，则噪声会影响产生不合理的边缘；若提高抗噪性，则可能得不到需要的轮廓。区域生长方法，在医学影像分割中应用的非常广泛，该方法的原理是先选取一个像素作为种子点，然后将种子点周围的相似像素依次加入到种子点像素所在的区域中，这样就将图像划分成了不同的区域。这种方法的优点是简单，对分割小的结构非常适用。它的缺点是需要人工手动的获取种子点。目前也有专家学者通过研究提出了一些自动获取种子点的方法，从一定程度上解决了需要人工干预的问题，但是在效果上仍然需要进一步研究。为解决传统医学图像分割技术中存在的难题，近年来，研究者们将其他学科的一些理论知识加入到图像分割中来，取得了很大的进展。一些新理论如模糊集理论、形态学理论、小波理论等在图像分割技术中的应用日趋广泛。如模糊均值聚类（FCM, FuzzyC-means）方法，这种方法通过优化图像像素点和C 类中心之间的相似的目标函数来获取局部极大值,以此得到最优聚类。这种方法的缺点是计算量大，不具备实时性。尽管如此，FCM 方法还是常被用于医学图像分割。Lee 和Vannie 通过扩充模糊C-均值算法来纠正了医学图像中的强度偏差，但是在实际应用中仍然需要进一步研究。一些学者和研究人员将神经网络技术加入到图像分割中。Blanz 和Gish结合前向三层网络技术来解决图像分割问题。数学形态学在图像处理中应用得到了较好的效果，这一技术也日趋受到重视。LucVincent 等人提出了水线算法。专家学者以及研究人员到目前为止已经提出了许多种使用水线方法进行图像分割的的形态学分割方法。2021 年在Siggraph会议上提出了一种基于Graphcuts 的新的图像分割方法-LazySnapping ，该方法能够通过交互的方式，进行快速的图像分割，并且达到了实时分割效果。Haitham 结合RegionGrowing 方法与Graphcuts方法，提出了一种针对三维CT图像数据进行处理的分割方法，方法能够保持分割后的边界区域平滑，但它存在的缺点是只对规则的机械零件有效，对于复杂的医学图像数据得不到令人满意的效果。目前新提出的图像分割方法依然存在很多不足之处，在医学图像分割上的应用效果也均不理想。综上所述，不管是传统的分割方法还是新提出来的方法都有两个局限性(1)一种方法一般只能解决某种具体的情况，还不存在能处理所有情况的通用解决方法，目前为解决这个问题的研究方向主要有两个，一些研究人员致力于将新的理论知识、新的方法引入到图像分割技术领域，更多的研究人员重视将多种分割方法结合运用，近几年涌现出很多结合了多种方法的新的分割方法；(2）自动分割的问题，随着计算机技术的发展，虽然不少专家提出了一些自动分割方法，这些方法能够解决一部分问题，但是其分割的准确性还远远不能满足医学图像分割的在实际应用中的要求。因而，目前在医学图像分割领域中应用的大多数分割方法，仍然是一些需要用户在一定程度上参与控制的交互式的分割方法。2肺实质的分割肺实质分割属于图像分割在医学图像上的一种运用。大体可以分为阈值分割法、区域生长法、模式分类方法以及数学形态学的方法等。2.1阈值分割法阈值分割是最常见的并行直接检测区域的分割方法，它特别适用于目标和背景灰度级相差较大的图像，目前已经存在着十几种阈值选取算法，其中最具代表的是大津法、最大嫡法和直方图法。2.1.1大津法由Otsu于1978 年提出的最大类间方差法（也称为Otsu 法、大津法）被认为是阈值自动选取的最佳方法，它具有计算简单、稳定有效、自适应性强的特点，被广泛的应用在图像分析处理中。利用方差分割图像的原理是：方差作为度量灰度分布均匀性的一种方式，设把一幅图像分为目标和背景两部分，方差值越大，表明目标和背景的差别越大，当把部分目标区域错划分到背景中或部分背景区域错划分到目标中，都会导致方差值变小，因此使目标和背景之间方差最大的分割是错分概率最小的分割。这便是大津法的真正含义。对一幅图像，设用阈值t将图像分为前景与背景，前景的像素数占总像素数的比例为wo ，平均灰度值为uo；背景的像素数占总像素数的比例为wl ，平均灰度值为ul 。那么我么可以计算出图像总平均灰度为u = wo * uo + wl * ul 。从最小灰度值到最大灰度值取值遍历t ，当t 的取值使得式子g = wo * ( uo 一u ) 2 + wl * ( ul 一u ) 2 最大时，我们就认为此时的t 值是最佳阈值。大津法是一种自动选取阈值的方法，思想简单，得到的阈值能够达到准确合理的分割效果。但是大津法的一个缺点就是计算量大。大津法不仅适合于单阈值分割，而且也应用在多阈值分割中。在图像的直方图特征不明显时，大津法也可以得到满意的阈值，但是大津法也存在一个很大的问题，通过实验研究证明当图像中目标和背景大小之比很小时，得到的阈值往往存在较大的误差。2.1.2最大嫡法最大嫡法是一种自动选取阈值的方法，它的理论基础是信息论中的最大嫡准则。80 年代以来，许多学者将嫡的概念应用于图像分割中，其基本思想都是确定一个阈值，这个阈值使分割后的目标和背景的嫡总值最大，或是使分割前后图像的信息量差异最小，我们称之为最佳阈值。Pun 最早提出了此方法。Kapur等人对最大嫡法进行了改进。假定目标和背景服从两个不同的概率分布和定义：使得嫡达到最大求得最佳阈值，此方法又称为KSW嫡方法。但是仍存在计算量大，执行效率低等缺点。2.1.3直方图法20 世纪60 年代中期，Prewitt 提出了直方图双峰法，当直方图具有双峰明显或者谷底较深的特性时，取双峰之间的谷底作为阈值，应该能达到比较理想的图像分割效果，但是实际的直方图是离散的，当有噪声干扰时，有可能形成多个谷底，这种情况下的阈值选取需要根据实际情况而定。实践证明，直方图法虽然简单易行，但是因为同一个直方图可能对应若干种不同的图像，所以使用双峰法需要有一定的图像先验知识，但是当双峰法差别不明显或图像目标和背景比例差异很大以及单峰直方图的情况时，直方图法就得不到理想的效果。尽管这种方法存在很多的局限性，但是很多方法都是以这种方法的理论为基础发展起来的。2.2区域生长法区域生长法的基本思想是先选取一个像素点作为种子点，然后根据强度、灰度级等特性将种子点周围的相似像素点加入到种子点所在的区域来，然后将新像素点作为新的种子点继续进行操作。这是一个迭代的过程，直到没有满足条件的像素可被包括进来。区域生长法在肺实质分割中的应用，我们可以在肺实质内部选取一个种子点，然后进行区域生长，就可以得到整个肺部的区域。区域生长法的主要优点是思想简单，通常能将具有相同特征的联通区域分割出来。缺点是计算代价大，对噪声很敏感，可能会造成空洞，或者使连通的区域变得非连通，而非联通的区域变得连通，对图像中的阴影效果往往也不是很好。区域生长法的每分割一个区域就需要人工指定一个种子点，并且分割效果对选取的种子依赖很大。目前已有很多学者对种子点的自动选取进行了研究，取得了一定的成果。2.3数学形态学数学形态学（Mathmatical Morphology ）是一门新兴的综合了多种学科知识的用来分析几何形状和结构的交叉科学，最初是建立在集合论基础上的代数系统。形态学运算可以通过具有一定形状或尺寸的结构元素，提取出图像中形状或尺寸与结构元素相似的几何结构，滤除其余的特征。从应用的角度来说，在许多方面都可以用到数学形态学，比如边缘检测、图像滤波、图像分割等。数学形态学在图象处理中的应用，主要包括以下两个方面：( 1 ）利用形态学的基本运算，观察图像并对图像进行一定的处理，以此可以改善图像的质量；( 2 ）描述和定义图像的几何参数以及特征，比如周长、骨架、面积、颗粒度、方向性和连通度等。数学形态学所用的数学基础是集合论，因此它的数学基础是非常的严格的，这就为数学形态学在图像分析和处理等领域奠定了坚实的基础。在应用中，我们可以利用数学形态学将图像数据简化，但是它们的形状特性基本保持不变，并除去图像中不需要或者不相关的结构。数学形态学中一个很重要的结构称作结构元素，用它可以达到收集图像信息的目的。使用一定尺寸的结构元素在图像中不断的移动，我们就能考察得到图像的结构特征信息，并且过滤掉不需要的信息。3全自动肺实质分割3.1基本思想因为人体肺部充满空气, 与周围其它组织比较, 其CT 值很低, 所以适合用阈值化方法对其进行粗分割; 然而, 肺部的动静脉血管、气管、支气管等解剖结构非常复杂, 因此分割的细化工作难度很大。特别是在特殊的生理、病理条件下, 胸部CT 图像表现各异, 使肺实质的自动分割成为一项非常具有挑战性的工作。常用的肺实质的自动分割过程如图1 所示。 图1 肺实质自动分割流程图3.2具体流程为了实现快速分割，减少计算量，本文采用以下方法进行分割：首先自动计算阈值，利用大津法方法计算阈值，进行阈值分割，然后将分割的图像反向，再采用闭运算，使肺实质区域的气管与肺实质连接为一体，此时利用区域生长的方法，分别生长出左右肺，但生长出来的肺实质上仍然存在一些空洞，因此还需要利用函数imfill 填充，最后将掩膜盖上，实现肺实质的分割。3.2.1 阈值分割首先利用大津法方法计算阈值：Matlab 工具箱提供了一个称为graythresh 的函数，该函数使用大津法方法来计算阈值。该算法对输入的灰度图像的直方图进行分析，将直方图分成两个部分，使得两部分之间的距离最大。划分点就是求得的阈值。假设图像的直方图为一个离散概率密度函数的归一化直方图，如下所示：nn q )(r p q r （q=0,1,2,L -1）其中，n 是图像中的像素总数，n q 是灰度级为r q 的像素数目，L 是图像中所开始 阈值分割区域生长 填充空洞盖上掩膜读取图像结束有可能的灰度级数。假设我们现在已经选定了一个阈值k ，C 0是一组灰度级为0,1,k -1的像素，C 1是一组灰度级为k,k+1,L -1的像。Otsu 方法选择最大化类间方差2B 的阈值k,类间方差定义为：2112021)()(T T B -+-=其中， -=100)(k q q q r p -=1L 1)(k q q q r p 0100/)(-=k q q q r qp 11L 1/)(-=k q q q r qp-=1L 0)(q q q T r qp 函数graythresh 取一幅图像，计算它的直方图，找到最大化的2B 的阈值。阈值返回为0.0和1.0之间的归一化值。函数graythresh 的调用语法为：T=graythresh(f)其中f 是输入图像，T 是产生的阈值。为了分割图像，我们在函数im2bw 中使用该阈值T 。然后对于阈值分割的图像进行二值化，在Matlab 中函数g=im2bw(f,T)用来实现图像的二值化。该函数通过阈值处理，将一副亮值图像f 转换为一副二值图像g 。输出二值图像g 中值为0的像素点对应于输入亮度图像f 中值小于阈值T 的像素点，输出二值图像g 中值为1的像素点则对应于输入亮度图像f 中的其他像素点。im2bw 自动将输出二值图像声明为一个logical 数组。在阈值分割后，将分割后的图像反向，此时肺实质区域内因为存在很多气管，血管等需进行闭运算，可使肺实质区域的气管与肺实质融合为一体。腐蚀是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意义的物体。腐蚀的算法：用3x3的结构元素，扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”。操作如果都为1，结果图像的该像素为1，否则为0。结果：使二值图像减小一圈。膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。可以用来填补物体中的空洞。膨胀的算法：用3x3的结构元素，扫描图像的每一个像素；用结构元素与其覆盖的二值图像做“与”操作。如果都为0，结果图像的该像素为0，否则为1。结果：使二值图像扩大一圈。先腐蚀后膨胀的过程称为开运算。用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。先膨胀后腐蚀的过程称为闭运算。用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。3.2.2 生成肺实质掩膜区域生长方法的基本思想是将具有相似性质的那些像素集合起来构成区域。具体先对每个需要分割的区域找1 个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样1 个区域就生长成了。在实际的区域生长过程中有三个主要问题需要解决： ( l ）选择或确定1 组能正确代表所需区域的种子像素；( 2 ）确定在生长过程中能将相邻像素包括进来的准则；( 3 ）制定让生长停止的条件或规则。对于种子点的选取方法，目前主要分为两大类：交互式选取方法和自动选取方法，通过对肺实质图像解剖特性的分析，本文将种子点的选取设定为一个自动的过程。在cr 序列图像包含肺部的第一层图像中，气管都居于图像的中心，根据这一特性，种子点被选取为图像的中心点。待种子点取定之后，要进行的就是依据一定的准则进行生长。根据之前的处理结果，本文选取的生长准则为像素的相似性，在种子点的四邻域范围内按照顺时针的方向进行搜索，与种子点像素一致的四邻域点被纳入生长区域内，同时作为新的种子点。直到没有满足条件的四邻域点被纳入到生长区域内的时候，生长结束。由于每相邻层的图像位移非常小，所以可以将上一层的种子点繁殖到下一层上，通过这一过程，不仅可以避免了手工逐层选取种子点的费时费力，也可以减少了人为操作对结果的影响。依据以上方法生长出的掩膜是基于原来CT图像上去除了周围器官，支气管，血管，检查床等不期望得到的图像，得到分割后的肺实质图像。3.2.3 修补叠加肺实质掩膜利用函数imfill，可以填充输入二值图像bw中的空洞。空洞是一个背景像素集合。它不能通过图像边缘来填充背景达到这一目的。imfill函数功能：该函数用于填充图像区域和“空洞”。语法格式：BW2=imfill（BW）这种格式将一张二值图像显示在显示屏幕上，允许用户使用鼠标在图像上点几个点，这几个点围成的区域即要填充的区域。要以这种交互方式操作，BW必须是一个二维的图像。用户可以通过按Backspace键或者Delete键来取消之前选择的区域；通过shift+鼠标左键单击或者鼠标右键单击或双击可以确定选择区域。BW2，locations = imfill(BW)这种方式，将返回用户的取样点索引值。注意这里索引值不是选取样点的坐标。BW2 = imfill(BW,locations)这种格式允许用户编程时指定选取样点的索引。locations是个多维数组时，数组每一行指定一个区域。BW2 = imfill(BW,holes)填充二值图像中的空洞区域。如，黑色的背景上有个白色的圆圈。则这个圆圈内区域将被填充。I2 = imfill(I)这种调用格式将填充灰度图像中所有的空洞区域。BW2 = imfill(BW,locations,conn)程序示例close all; clear; clc;BW4 = im2bw(imread(coins.png);BW5 = imfill(BW4,holes);subplot(121), imshow(BW4), title(源图像二值化)subplot(122), imshow(BW5), title(填充后的图像图2 填充空洞前后对比最后将生长出的肺实质掩膜与原图像相乘得到分割后的肺实质图像。乘法运算可用于去除图像中部分影像。首先构造一副掩膜图像，在需要保留区域，图像灰度值为1；而在被去除区域，图像灰度值为0；然后将掩膜图像乘原始图像。3.3实验结果本文所提出的提取肺实质自动分割算法的每一步都是通过计算机自动完成的，不需要人为的干涉，将人机交互减少到最少。图二是一个完整的实验过程，给出了本文提出的基于CT图像的肺实质分割算法的各步处理的结果。原图像（a）经过肺实质的自动分割，最后得到的肺实质图像结果如图（h）所示。分割用时:1.1304s（计算机性能不同，数据略有差别）图（a）原图像图(b)阈值分割图(c)取反图(d)左肺实质区域生长图(e) 右肺实质区域生长图(f)左右肺实质区域生长后的图像图(g) 填充空洞图(h) 盖上掩膜tic;Nimage=imread(Nimage.jpg);figure;imshow(Nimage,); %原图(a)%自动计算阈值，阈值分割T=graythresh(Nimage);g_Nimage=im2bw(Nimage,T);figure;imshow(g_Nimage,); %图（b）%反向g_Nimage=g_Nimage;%闭运算se=strel(disk,7);BWmid_close=imclose(g_Nimage,se);figure;imshow(BWmid_close,); %图（c）%区域生长midx=280;midy=230;while BWmid_close(midx,midy)=1midy=midy-1;if (midy=0)midx=midx+1;midy=256;endendBWmid_left=bwselect(BWmid_close,midy,midx,4); figure;imshow(BWmid_left); %图（d）midx=280;midy=280;while BWmid_close(midx,midy)=1midy=midy+1;if (midy=512)midx=midx+1;midy=256;endendBWmid_right=bwselect(BWmid_close,midy,midx,4); figure;imshow(BWmid_right); %图(e)BW_mode=BWmid_left+BWmid_right;figure;imshow(BW_mode); %图（f）%填充空洞BW_mode2=imfill(BW_mode,holes);figure;imshow(BW_mode2); %图（g）%盖上掩膜Nimage=double(Nimage);CT_seg=Nimage.*BW_mode2;figure;imshow(CT_seg,); %图（h）%保存结果imwrite(CT_seg,CT_seg.jpg);time=toc;disp(分割用时: num2str(time) s);