基于区域增长法的新疆哈萨克族食管癌X射线医学图像的分割研究

伊力扎提·阿力甫　木拉提·哈米提　严传波　阿布都艾尼·库吐鲁克

830011 新疆医科大学

姚　娟　杨　芳



基于区域增长法的新疆哈萨克族食管癌X射线医学图像的分割研究

伊力扎提·阿力甫木拉提·哈米提严传波阿布都艾尼·库吐鲁克

830011 新疆医科大学

姚娟杨芳

【摘要】目的为了提高分类和检索准确率从哈萨克族食管癌X射线医学图像中提取感兴趣区域。方法通过40幅新疆哈萨克族食管癌X射线医学图像中得出新疆哈萨克族食管癌医学图像直方图特征并利用此特征分别采用区域增长法和全阈值法分割100新疆哈萨克族食管癌医学图像，并利用面积大小差异和平均表面距离评价分割结果。结果分割后的图像与手工分割的图像进行比较评价得出区域增长法与手工分割图像面积平均相差4.1606%，平均表面距离相差1个像素点而全阈值法分割后图像面积平均相差13.056%，平均表面距离相差3个像素点。结论区域增长法比较适合分割新疆哈萨克族食管癌X射线医学图像。此研究不仅能提高新疆哈萨克族食管癌辅助诊断系统的诊断准确率并对以后的食管癌医学图像分割研究奠定了基础。

【关键词】新疆哈萨克族食管癌医学图像，区域增长法，分割评价

(ThePracticalJournalofCancer,2016,31:443～445)

计算机辅助诊断系统(computer aided diagnosis system，CAD)是通过计算机的帮助下辅助诊断医师来辅助诊断的系统。大量的研究已证实CAD技术有助于降低X射线一些疾病的漏诊率[1]。在CAD系统中准确无误找出病灶或者感兴趣区域是非常重要的环节，因此食管癌图像的分割变成了食管癌辅助诊断系统首要突破的目标。食管癌医学图像中除了食管本身以外还包含了与食管灰度值相似的其他软组织和骨骼使得分割食管癌难度加大[2]。通过观察食管癌医学图像的特点可以发现食管本身是一个灰度接近的，均匀分布的区域并且它与周围的背景有着鲜明的灰度差值[3-4]。

1资料与方法

1.1资料

收集新疆医科大学第一附属医院2013年6月至2014年6月诊断为食管癌患者的X射线图像200幅。并筛选掉其中相似度非常接近和同一患者重复的图片。得到早晚期食管癌图像共140幅。

1.2分析方法

食管癌医学图像中感兴趣区域与其余的部分有着很高的相似性，但是感兴趣区域本身与其背景有着明显的灰度差异。所以本研究从收集140幅的图像中随机抽取40幅图像。分析40副图像的感兴趣区域直方图分布。

1.3分割方法

1.3.1区域增长法区域增长法的基本思路是集合相同点或者相似的点为一个区域，并此区域与灰度相差比较大的区域进行分离的方法[5-6]。在本次研究中由于食管癌医学图像的感兴趣区域与其背景的其余组织之间有着明显的灰度差，感兴趣区域灰度分布均匀所以按照此特性在本研究中选取了以下的增长准则：|I(x+u,y+v)-I(x,y)|

1.3.2全阈值分割法全阈值分割法的基本思路是从整幅图中筛选出所需灰度范围。由于食管癌医学图像感兴趣区域与其背景灰度有着鲜明的差异比较容易判断所获取区域的灰度范围本研究中利用了全阈值分割法并其分割准则定义为：

1.4评价方法

为了评价分割结果，本研究采用医学影像计算与计算机辅助介入(medical image computing and computer assisted intervention,MIC-CAI)准则提出的评价方法，对本研究分割算法与手工分割算法进行比较[8-9]。

面积大小差异评价：

平均表面距离：

在数学表达式中表示分割后的面积，表示手工分割以后的面积A表示计算机分割后图像，B表示手工分割后的图像。a,b分别为A和B上的点,dist(a,b)表示，a与b的距离，NA与NB分别表示A，B上点的个数。这些参数可以直观的表示其分割结果的质量。这些数值越小表示算计分割的与专家手动分割的越接近，等于零是表示计算机分割与专家手动分割结果一致。

2结果

2.1灰度直方图分布情况

从40幅食管癌边界图像的灰度直方图中算出比例最大两块区间上限值和下限值的平均值分别为210和226。并且这40幅食管以外区域灰度最高值的平均值为196。所以thereshold 取值为15。

从与边界灰度比较接近的40幅食管癌X射线医学图像的食管与背景区域的灰度直方图特征来得出每两个区域之间有着明显地差距，并且40幅食管癌X射线医学图像灰度值范围大致一致。综上特点采用区域增长法对100幅类似的食管癌医学图像进行分割。分割结果见图1。

a为原图，b为分割后图像。

从直方图中可以看出食管癌医学图像中食管的灰度值很高，所以还考虑通过全阈值法来分割食管癌医学图像[7]。设食管癌医学图像为I(x,y)令。

从40幅食管癌医学图像的食管灰度直方图中可以看出食管最小灰度值的平均值为210，所以利用全阈值法分割时threshold1取值为210，threshold2取值为230，其分割效果见图2。

2.2分割结果的评价

所分割的图像由新疆医科大学第一附属医院提供，并且影像学专家手动分割的医学图像默认为标准

分割图像，并利用手动分割后图像分别与区域增长法和全阈值分割方法作比较进行评价。其比较结果见图3、图4。

a为原图，b为全阈值法分割后图像。

图3　应用面积大小差异与手动分割图像评价

图4　应用平均表面距离与手工分割图像评价后的折线图

3讨论

从本文图3，4中可以看出，利用区域增长法分割新疆地方性食管癌医学图像与专家手工分割图像进行比较可以得出区域增长法分割以后的面积与手工分割以后图像面积平均相差4.1606%；全阈值分割以后图像与专家手工分割以后的图像面积平均相差13.056%。从图4中可以算出100幅图的区域增长法

分割以后的图像与专家手工分割后图像平均表面距离的平均值为1.019所以区域增长法分割以后的图像与专家手工分割后图像平均表面距离相差1个像素点。两者平均表面距离的平均值为3.03所以全阈值法分割后图像与专家手工分割后图像平均表面距离相差3个像素点。

本研究通过40幅食管癌医学图像灰度直方图中得出食管边缘与背景的灰度特征来分割100幅食管癌医学图像。从40幅食管灰度直方图可以看出食管本身灰度值集中在210～230之间，所以本研究还利用全阈值法来分割食管癌医学图像。全阈值法分割图像虽然对于个别的食管癌医学图像的分割结果比较理想，但是从100幅利用全阈值分割以后的食管癌医学图像中可以看出区域增长法对于全阈值分割法来说比较适合分割食管癌医学图像。

参考文献

[1]Astley SM,Gilbert FJ.Computer-aided detection in mammography〔J〕.Clin Radiol,2004,59(5):390-399.

[2]林瑶,田捷.医学图像分割方法综述〔J〕.模式识别与人工智能,2002,15(2):192-204.

[3]姜慧研,司岳鹏,雒兴刚,等.基于改进的大津方法与区域生长的医学图像分割〔J〕.东北大学学报(自然科学版),2006,27(4):398-401.

[4]黄敏.肝脏CT图像分割及三维重建算法研究〔D〕.重庆大学,2013.

[5]李梦亮,翁正新.基于改进区域生长法和霍夫变换的车道分割法〔J〕.计算机应用与软件,2011,28(12):246-248,262.

[6]於猛,刘向荣,黄晓阳,等.改进区域生长法及其在冠状动脉造影图中的应用〔J〕.厦门大学学报(自然科学版),2013,52(1):38-42.

[7]陶文兵,金海.一种新的基于图谱理论的图像阈值分割方法〔J〕.计算机学报,2007,30(1):110-119.

[8]Deng X.Du G.Editorial：3D segmentation in the clinic：a grand challenge Ⅱ liver tumor segmentation〔C〕.Pro ceedings of MICCAI Workshop on 3D Segmentation in the Clinic：a Grand Challenge Ⅱ〔M〕.New York，USA：MIC-CAI，2008：1-4.

[9]木拉提·哈米提,伊力扎提·阿力甫,严传波,等.基于C均值算法的新疆维吾尔医草药图像的分割研究〔J〕.新疆医科大学学报,2015,(7):810-814.

(编辑：吴小红)

Xinjiang Kazaks’Esophageal Cancer Medical Image Segmentation Based on Region Growing Method

ELZATAlip,MURATHamit,Chuanboyan,etal.

XinjiangMedicalUniversity,Urumqi,830011

【Abstract】ObjectiveTo improve the accuracy of the classification and retrieval Xinjiang Kazak esophageal cancer medical image segmentation.MethodsSegment 100 Xinjiang Kazak esophageal cancer medical images using regional growth method and full image threshold method which based on the features taken by other 40 Xinjiang Kazak esophageal cancer medical images.Evaluate the segmentation accuracy of the 2 methods by segment area and average surface distance.ResultsThe average area gap between region growing method and experts was 4.1606%.The average gray gap between region growing method and experts was 1 pixel.The average area gap between all threshold method and experts was 13.056%.The average gray gap between all threshold method and experts was 3 pixels.ConclusionRegional growing method is suitable for segmentation of Xinjiang Kazak esophageal cancer medical image.This study can improve the diagnostic accuracy of Kazak esophageal cancer assistant diagnosis system and later laid the foundation for esophageal cancer medical image segmentation research.

【Key words】Xinjiang Kazaks’Esophageal cancer medical image；Region growing method；Segment evaluation

(收稿日期2015-04-10修回日期 2015-10-17)

中图分类号：R735.1

文献标识码：A

文章编号：1001-5930(2016)03-0443-03

DOI：10.3969/j.issn.1001-5930.2016.03.028

通讯作者：木拉提·哈米提

基金项目：国家自然科学基金项目(编号：81460281)