数字人图像的自动分割方法*

罗洪艳李敏张绍祥郑小林谭立文刘宁

(1.重庆大学生物工程学院，重庆400030;2.第三军医大学解剖学教研室，重庆400038)

数字人是综合应用现代科学技术对人体信息的数字化进行探讨的新兴研究领域，其研究有着广阔的应用前景.数字人研究的基本步骤之一是切片图像的分割，二维切片图像中器官轮廓分割的准确性直接影响到三维人体模型重建的质量［1］.目前，数字人切片图像的分割主要使用手工分割或半自动分割［2］，分割速度和准确度都难以满足数字人发展的需要.

关于医学图像中CT(计算机断层成像)或MRI(核磁共振成像)图像的自动分割，国内外已有大量的研究.由于数字人切片图像复杂、数据量庞大，与CT、MRI图像的成像原理不同，现有的基于CT或MRI图像的自动分割方法难以适用于切片图像，特别是包含众多解剖结构、形态变化尤为复杂的脑切片图像.近年来，国内外研究者对脑切片图像的自动分割进行了初步探索，主要在脑组织的整体分割方面取得了较大进展，改进的Mean Shift算法［2］、基于高斯混合模型和先验知识的方法［3］、基于模糊C均值方法［4］、基于形态学的方法［5］相继成功应用，而且研究的触角已进一步深入到更具难度的脑内部结构的自动分割，如采用区域生长结合阈值的方法完成了单幅图像中的白质分割［6］.但对于整套脑部切片数据集中脑内重要解剖结构的连续自动分割鲜有报道.

有鉴于此，文中提出了一种基于连通域标记与K-均值聚类的脑切片图像分割方法，旨在在自动分割出脑组织的基础上，实现序列脑切片图像中白质的连续自动分割，并通过与手工分割结果进行对比、结合三维重建效果验证其准确性.

1 数据来源

文中选用首例中国女性数字化可视人体数据集中的360幅脑部切片，从上至下编号为TCVH_1105－TCVH_1464，以香港中文大学做了去背景和配准处理后的图像为实验材料，图像分辨率为3 872×2048，平均大小为22.6MB，为24位真彩色图像.

2 脑切片图像分割方法

脑切片图像分割的实现过程如图1所示，先通过连通域标记、腐蚀删减分割出脑组织，然后运用K-均值聚类方法分割出脑白质.

图1 分割过程框图Fig.1 Block diagram of segmentation process

2.1 连通域标记

连通域标记以二值图像(前景像素灰度值为1，背景像素灰度值为0)为基础，根据像素在图像中具有某种连通规则，将同一连通域的像素用相同的标号表示，达到区分连通区域的目的［5］.一幅二值图像经连通域标记后的图像如图2所示.

图2 连通域标记图例Fig.2 Illustration of connected component labeling

文中采用的连通域标记具体过程如下:

1)将彩色切片图像灰度化，并用大津阈值法［7］进行二值化.

2)标记二值图像.扫描图像，对灰度值为0的像素不做处理，将第一个灰度值为1的像素标记为1，其邻域灰度值为1的像素同样标记，其它灰度值为1的像素，按左上、正上、右上和左边的优先顺序搜索其邻域，如果其上述4个方向的邻域像素中有一个被标记为i(i为不小于1的正整数)，则该像素被标记为i;否则，被标记为i+1.

3)一次连通域标记.分析并确定脑外组织标记值La，该标记值对应的像素灰度值保持不变，其它灰度值置0.

4)二次连通域标记.为去除步骤3)提取的脑外组织，并将此前未能标记出的部分脑外组织剔除，将步骤3)的结果图像取反后重复步骤2)，再确定此时图像的脑外组织标记值，其对应的像素灰度值置0，其它像素灰度值不变.

5)三次连通域标记.对步骤4)的结果再次进行连通域标记，重复步骤2)，分别统计各标记值对应的像素数，寻找像素数最多的标记值，其对应的像素灰度值保持不变，其它像素灰度值置0.

6)将步骤5)的结果按位置映射回原始灰度图像，输出脑组织初始分割结果.

经上述过程得到的脑组织初始分割结果如图3(a)所示.从图3(a)中可见，脑组织轮廓存在“越界”现象，且外部背景中存在一些白色的散点.

图3 TVCH_1269脑组织的初始分割结果和腐蚀操作结果Fig.3 Initial segmentation resultand erosion operation resultof brain tissue from TVCH_1269

2.2 腐蚀删减

为了去除背景散点，同时收缩区域轮廓，文中采用了腐蚀操作，即通过一定形态的结构元素与图像目标区域间的运算［8］，来达到删除图像目标区域的边界像素但不改变其形状信息的目的.设A为输入图像，B为结构元素，A被B“腐蚀”表示为AΘB，a表示平移量，则腐蚀原理可表示为

实验采用3×3的结构元素对初始分割的脑组织区域进行腐蚀操作.3×3的结构元素运算既快速又细致，抗噪性强且边缘变换更接近单像素.由此获得的脑组织区域如图3(b)所示，与图3(a)相比，其脑组织边界更准确.

2.3 K-均值聚类分割

在获得脑组织的基础上采用基于RGB(红绿蓝)空间的K-均值聚类算法来提取白质.该分割算法的基本原理是选取一批样本点作为初始聚类中心，根据对象与这些聚类中心的相似度，通过迭代来调整对象所属的类，使生成的类尽可能地紧凑和独立［9-10］.其主要步骤如图4所示.

图4 基于RGB空间的K-均值聚类算法流程Fig.4 Flowchart of K-means clustering algorithm in RGB space

2.3.1 初始化聚类中心

对于彩色图像，RGB空间是对颜色进行量化的空间.RGB空间的一个坐标对应二维图像矩阵中的一个或多个坐标，对应坐标越多，说明对应的像素密度越大，代表了对象的主要色彩，可能是聚类的中心;反之，则对应的像素密度小，代表对象间的色彩过渡，集中于边缘交界处.

颜色直方图按照颜色级别统计像素所出现的频率，体现了颜色对应的像素密度，是用来表达颜色特征最常用的手段.文中根据图像的颜色直方图信息来确定聚类中心.图5给出了切片TCVH_1269脑组织分割结果的R、G、B颜色分量直方图，从图5可见，各分量直方图均出现了双峰现象，分别对应于白质区域及以灰质为主的背景区域.因此，可将图像分为白质和背景两类，初始聚类中心对应于色彩分量直方图的峰值.

图5 TCVH_1269脑组织分割结果的R、G、B颜色分量直方图Fig.5 Color histograms of R，G and B components in segmented result of brain tissue from TCVH_1269

2.3.2 确定聚集规则

RGB颜色聚类分割实际上是一种基于颜色相似性的测量，即对于图像中的所有像素，如果其颜色信息与某聚类中心的颜色信息之间满足一定的标准，则将其聚为该类.文中根据像素在颜色空间中的距离关系进行归类划分，具体采用像素色彩与聚类中心色彩之间的欧几里得距离(d)为度量标准，定义为

式中:p为聚类中心，p=(pr，pg，pb)，pr、pg、pb分别为该聚类中心的R、G、B值;xr、xg、xb分别为图像上像素点x的R、G、B值，x=(xr，xg，xb).

2.3.3聚类分割过程

在确定了聚类中心和聚集规则之后，进行聚类分割的具体过程如下:

1)确定初始聚类中心.根据颜色直方图将图像分为白质和背景两类，并确定对应的初始聚类中心分别为p1和p2，令p1_old=p1，p2_old=p2.

2)像素聚集.扫描图像，参照式(2)分别计算各像素点与两聚类中心p1、p2的颜色距离d1、d2，按距离较小的原则将特征空间中所有的像素点分配到对应的类别中，即如果d1≤d2，则把该像素归为白质类，否则归为背景类.

3)计算新的聚类中心.设N是步骤2)中以p1_old或p2_old为聚类中心聚集的一个类的内部像素点总数，x是属于该类的像素点，S表示该类的区域范围.根据可分别计算新生成的聚类中心p1_new、p2_new.

4)如果新的聚类中心与原聚类中心重合，即p1_new=p1_old，则认为当前聚类中心为最优聚类中心，停止算法执行;否则，修改聚类中心，令p1_old=p1_new，p2_old=p2_new，返回步骤2).

3 结果与分析

对于首例中国女性数字化可视人体数据集中360幅连续切片图像，采用文中方法完成各断层图像中脑组织和白质的自动分割，其中代表性脑切片图像的自动分割结果与原始图像、手工分割结果的对比如图6所示.由图6可见:脑组织和白质的边缘清晰，完全去除了干扰，分割信息完整;自动分割的脑组织在轮廓上与原始图像和手工分割结果吻合较好，自动分割的白质不仅反映出了整体信息且能捕捉到小分支的细节信息，而且对分散于其中的核团剔除得干净、准确.

为进一步对分割结果进行定量评估，文中引入相似度系数DSI［11］、像素漏检率Qm和像素误检率Qf3个评价指标:

式中:F为手工分割结果为F的补集;T为自动分割结果的补集;为两幅图像的重叠像素数分别为两幅图像各自的像素数.DSI越大、Qm和Qf越小，说明分割越准确.

图6 典型脑切片图像的分割结果比较Fig.6 Comparison of segmentation results of typical slice images

经计算，统计出360幅图像分割结果的评价指标如表1所示.从表1可知，脑组织和白质的平均相似度系数都超过了90.00%，DSI最小值接近80.00%，说明自动分割结果与手工分割结果的重合性较高，通常认为分割结果的DSI大于70.00%即为有效性分割［10］;平均漏检率与平均误检率较低，均在10.00%左右，说明边缘定位较准确.

表1 分割结果的质量评价Table1 Quality evaluation of segmentation results%

图7 脑组织和白质的三维重建结果Fig.7 3D reconstruction results ofbrain tissue and whitematter

对分割结果采用Amira4.1进行三维重建，效果如图7所示.由图7可见:重建的脑组织上下断层间衔接有序，过渡自然，左右脑半球以中间纵裂为轴对称分开，表面沟回起伏，重建结果充分体现了脑组织的解剖学特征;重建的白质轮廓分明，分支连接光滑紧密，层间无断裂，浑然一体，以脑纵裂为轴表现出较好的两侧对称性，其形态走势与理论知识相符.三维重建的良好效果进一步说明了文中所提方法对连续图像的分割准确有效.

由于文中方法在腐蚀删减环节采用的结构元素是对称性矩阵，故对于个别图像中脑组织轮廓曲折多变的部分，其自动分割结果在边界衔接处会出现棱角现象.此外，由于白质分割中的聚类只划分为两类，会造成个别图像中的白质出现轻微的局部过分割.如图8所示，切片TCVH_1360中位于顶部的脑组织在左右两侧的边缘变化曲折丰富，而自动分割的脑组织在该处的边缘变化则稍显陡峭且不及原图丰富，自动分割的白质在底部内侧部分出现了毛边.

图8 文中算法对TCVH_1360的分割结果Fig.8 Segmentation results of TCVH_1360 by using the proposed algorithm

4 结语

针对脑部切片图像，文中提出了一种基于连通域标记和RGB空间K-均值聚类的图像分割方法，实现了首例中国女性数字化可视人体数据集中脑组织与白质的连续分割，并对分割结果分别进行了三维重建.通过定性、定量评价发现，该方法分割准确度较高，连续分割稳定，有较好的应用前景.目前，文中方法对脑组织和白质分割有效，但脑内结构复杂，尚未将该方法应用于其它结构的分割，今后将进一步对此进行探讨，以期通过调整算法使其适用面更广.

［1］Li Qi-yu，Zhang Shao-xiang，Heng Pheng-ann，et al.Segmentation and three-dimension reconstruction of Chinese digitized human cerebrum［J］.Computerized Medical Imaging and Graphics，2006，30(2):89-94.

［2］陈允杰，张建伟，王利，等.基于改进的Mean Shift算法虚拟人脑图像分割［J］.计算机辅助设计与图形学学报，2008，20(1):55-62.Chen Yun-jie，Zhang Jian-wei，Wang Li，et al.Digital human brain image segmentation based on an adapted Mean Shiftmethod［J］.Computer-Aided Design and Computer Graphics，2008，20(1):55-62.

［3］Chen Yunjie，Zhang Jianwei，Pheng Ann Heng，et al.Chinese visible human brain image segmentation［C］∥Proceedings of Congress on Image and Signal.Sanya:IEEE，2008:639-643.

［4］Schmitt O，Bethke S，Sobe P，et al.Parallelized segmentation of a serially sectioned whole human brain［J］.Image and Vision Computing，2008，26(2):289-301

［5］郑小林，李敏，罗洪艳，等.基于数学形态学的新方法在脑组织分割中的应用［J］.仪器仪表学报，2010，31(2):464-469.Zheng Xiao-lin，Li Min，Luo Hong-yan，et al.Application of a new method based on mathematical morphology in brain tissue segmentation［J］.Chinese Journal of Scientific Instrument，2010，31(2):464-469.

［6］罗洪艳，李敏，谭立文，等.一种数字人脑切片图像分割新方法［J］.中国医学影像技术，2009，25(8):1488-1491.Luo Hong-yan，Li Min，Tan Li-wen，et al.A new segmentation method for slice images of digital human brain［J］.Chinese Journal of Medical Imaging Technology，2009，25(8):1488-1491.

［7］Otsu N.A threshold selection method from gray-level histogram［J］.IEEE Transactions on Systems，Man and Cybernetics，1979，9(1):62-66.

［8］刘清，林土胜.基于数学形态学的图像边缘检测算法［J］.华南理工大学学报:自然科学版，2008，36(9):113-116.Liu Qing，Lin Tu-sheng.Image edge detection algorithm based on mathematicalmorphology［J］.Journal of South China University of Technology:Natural Science Edition，2008，36(9):113-116.

［9］何为，余晓锷.基于K均值聚类算法的CT图像金属伪影去除［J］.中国医疗设备，2009，24(6):12-15.He Wei，Yu Xiao-e.Metal artifact reduction in CT usingK-mean cluster algorithm［J］.China Medical Devices，2009，24(6):12-15.

［10］Macaire Ludovic，Vandenbroucke Nicolas，Postaire Jack-Gérard.Color image segmentation by analysis of subset connectedness and color homogeneity properties［J］.Computer Vision and Image Understanding，2006，102(1):105-116.

［11］Cai X，Hou Y，LiC，etal.Evaluation of two segmentation methods on MRI brain tissue structures［C］∥Proceedings of the 28th IEEE EMBSAnnual International Conference.New York:IEEE，2006:3029-3032.