基于迭代算法的CT肺部兴趣区图像提取

李玲，余后强

湖北科技学院 a.生物医学工程学院，b.数学与统计学院， 湖北 咸宁，437100

基于迭代算法的CT肺部兴趣区图像提取

李玲a，余后强b

湖北科技学院 a.生物医学工程学院，b.数学与统计学院， 湖北 咸宁，437100

目的 自动提取CT肺部兴趣区，以辅助医生诊断和治疗肺部疾病。方法 利用迭代算法自动提取肺部兴趣区，并和影像医生手工提取的肺部兴趣区作对比。结果 自动提取的肺部兴趣区图像与手工提取的肺部兴趣区图像在外形、灰度和方差方面，结果非常接近。结论 利用迭代算法自动提取肺部兴趣区的方法可行。

CT图像；迭代算法；肺部兴趣区；兴趣区提取

0 引言

肺癌是最常见的恶性肿瘤之一，其死亡率较高，若能在早期发现并加以治疗，将能提高患者的生存质量。近几年来，临床结果初步证明，计算机断层扫描（Computer Tomography，CT）是检测早期肺癌最有效的影像学方法[1]。然而，对一个病人进行CT检查可获得几十张图片，数据量较为庞大，增加了医生的阅片负担。若能利用计算机辅助医生对CT图像进行分析，则可帮助医生筛选病变图像以利于更加准确的诊断。因此，利用计算机提取肺部肿瘤的特征，检测和识别肺部兴趣区，具有十分重要的意义和研究价值[2-3]。

医学图像分割是一种计算机辅助诊断技术，其目的是辅助医生对疾病进行诊断和治疗。通常分割是为了进一步对图像进行分析、识别，图像分割的准确性直接影响后续计算机辅助诊断的有效性[4]。本文比较了基于迭代算法自动分割提取的肺部兴趣区与手工分割提取的肺部兴趣区，旨在探讨迭代算法在肺部兴趣区提取中的应用价值。

1 资料与仪器

本研究选用的是一名男性患者的CT图像，此患者年龄60岁，病理确诊为中心型肺癌。选择GE ProSpeed系列16排螺旋CT，扫描视野50 cm，层厚5 mm，管电压140 kV，管电流300 mA，螺距1 mm。图像重建矩阵512×512，图像显示矩阵1024×1024，位分配16位，位存储12位，灰度级4096。为了验证本实验对兴趣区的提取效果，所选用的CT图像未做任何相关处理。

2 肺部提取

首先通过离散Snake算法与分段DP算法来获取胸部CT图像的特征边缘点。基于特征边缘点的坐标，利用roipoly函数显示原输入图像，得到BW的二值图片，最终显示完整的CT值没有改变的肺部组织图像[5]。原始的胸部CT图像，见图1；分割提取的肺部CT图像，见图2。

图1 原始的胸部CT图像

图2 分割提取的肺部CT图像

3 迭代算法

对已分割出的肺部CT图像，通过迭代算法提取其肺部兴趣区。

利用迭代算法计算图像分割阈值。首先取图像灰度范围的中值作为初始阈值T0(共设有L个灰度），然后按以下公式进行迭代[6-8]：

其中hk是灰度为k值的像素个数，迭代一直进行到Ti+1=Ti结束，取结束时的Ti为分割阈值。

上述方法得到的阈值处在与两个灰度区域的重心成反比的位置，所以从路径规划的角度看也是一种最优阈值。

4 分割结果

医学影像科医生利用手动分割软件，根据影像诊断要求以及肺部兴趣区和肺部正常组织的灰度差别，手工勾勒出兴趣区的边缘轮廓并进行提取。手工分割提取的兴趣区图像，见图3；迭代算法分割提取的兴趣区图像，见图4。

迭代算法分割提取的肺部兴趣区和影像医生手工分割提取的肺部兴趣区相比，外形轮廓及大小非常接近。应用MATLAB软件比较其灰度均值和方差，结果见表1。

图3 手工分割提取的肺部兴趣区图像

图4 迭代算法分割提取的肺部兴趣区图像

表1 手工分割和迭代算法分割提取的兴趣区的灰度均值及方差比较

表1结果显示，手工分割提取的兴趣区和迭代算法分割提取的兴趣区其灰度均值和方差近似。因此可以看出，迭代算法不仅可以完整地分割提取肺部病灶，而且可以保留原图像的灰度值。

手工分割提取后的剩余肺部图像，见图5；迭代算法分割提取后的剩余肺部图像，见图6。手工分割和迭代算法分割提取后的剩余肺部图像灰度均值及方差，见表2。

表2 手工分割和迭代算法分割提取后的剩余肺部图像的灰度均值及方差比较

图5 手工分割的剩余肺部图像

图6 迭代算法分割的剩余肺部图像

由图5和图6可以看出，在相同条件下，手工分割提取后的剩余肺部图像和迭代算法自动分割提取后的剩余肺部图像轮廓接近。由表2可以看出，手工分割提取后的剩余肺部图像和自动分割提取后的剩余肺部图像的灰度均值和方差近似。由此可以看出，迭代算法自动提取肺部肿瘤的方法不仅可以完整的分割提取出兴趣区图像，而且还可以完整地保留剩余图像。所以迭代算法自动提取肺部兴趣区的方法是可行的。

5 结论

以上实验结果表明，迭代算法自动提取的肺部兴趣区图像和医生手工提取的肺部兴趣区图像在外形、灰度和方差方面非常接近。但迭代算法也有一定的缺点，在对大量图像进行分割时，速度稍慢，因而迭代算法一般在实验室利用较多。因此，对不同的图像应分析具体情况，根据图像本身的特点对图像进行适宜的预处理。总体而言，迭代算法对于肺部肿瘤的提取效果比较理想。

[1] Vovk U,Pernus F,Likar B.A review of methods for correction of intensity inhomogeity in MR I[J].IEEE T rans Med Imaging,2007,26(3):405-421.

[2] Dehmeshki J,Amin H,Valdivieso M,et al.Segmentation of pulmonary nodules in thoracic CT scans:a region growing approach[J].IEEE Trans Med Imaging,2008,27(4):467-480．

[3] 程勇,牛艳坤,陈卫国,等.CAD技术在医疗诊断中的应用研究进展[J].中国医师杂志,2006,8(9):1295-1296．

[4] 孙蕾,耿国华,周明全,等.基于可变形模型提取肿瘤区域的方法研究[J].计算机仿真,2005,22(2):236-238.

[5] 李玲,余后强.几种分割算法在CT肝脏兴趣区提取方面的比较[J].医疗卫生装备,2012,33(1):22-25.

[6] 张娟,侯庆峰,王昌元,等.多尺度增强算法在肺结节计算机辅助检测中的应用探讨[J].泰山医学院学报,2009,30(6): 410-412.

[7] 梁洪,李金.一种肺部CT图像快速分割算法研究[J].中国医疗设备,2011,26(3):28-30.

[8] 李玲,叶华山,余后强.基于熵分割算法对CT肝脏兴趣区的提取[J].CT理论与应用研究,2012,21(1):53-60.

Extraction of Region of Interest from Lung CT Images Based on Iterative Algorithm

LI Linga, YU Hou-qiangb
a.School of Biomedical Engineering; b.School of Mathematics and Statistics, Hubei University of Science and Technology, Xianning Hubei 437100, China.

Objective Extracting region of interest (ROI) from lung CT images automatically to assist doctors to diagnose and treat lung diseases. Methods Iterative algorithm is used to extract lung ROI automatically, which was then compared with the ROI extracted manually by a radiologist. Results Lung ROI extracted by the two different methods are extremely close in the aspects of shape, grayscale and variance. Conclusion Using iterative algorithm to extract lung ROI is feasible.

CT image; iterative algorithm; lung ROI; extraction of ROI

R734.2；R814.42

B

10.3969/j.issn.1674-1633.2015.01.017

1674-1633(2015)01-0058-02

2014-05-26

2014-06-30

余后强，博士，讲师。

校级科研项目（KY13087）。

通讯作者邮箱：23247921@qq.com