改进Turbo-pixel算法在CT图像分割中的应用

田连晓，闭应洲

（广西师范学院计算机与信息工程学院，南宁　530032）

改进Turbo-pixel算法在CT图像分割中的应用

田连晓，闭应洲

（广西师范学院计算机与信息工程学院，南宁530032）

0　引言

随着计算机辅助医疗技术的不断发展和提高，医学图像分割技术显示出越来越重要的临床价值。医学图像分割同于图像分割，也是将图像中的感兴趣区域提取出来。但由于医学图像自身的特点，带来了医学图像分割的难题。医学图像种类繁多，功能类别不同，如磁共振（MR）成像、计算机断层（CT）成像等。针对于软组织识别上MR影响比起CT影响有较为明显的优势；但CT图像以其经济廉价的拍摄成本，使用的越来越频繁，但由于其对软组织的显现不如MR图像明显，也使得CT图像不得不与其他种类的医学图像结合使用。

本文利用改进Turbo-pixel超像素块对CT图像进行分割处理，Turbo-pixel超像素可以保留图像像素点位置信息的特点，且有生成的超像素可控的优势，将其应用于医学图像分割中。针对其Turbo-pixel对边界保留不完整的问题，改进Turbo-pixel算法的边界依附能力，使得改进后的Turbo-pixel算法可以更好的保留目标物体的边界信息。在医学图像中的应用解决了CT图像对软组织识别不清晰的问题，后期处理针对每个超像素块为基本处理单元，符合人类视觉习惯，在医学标记提取时，大大降低了医生的工作量。

1　Turbo-pixel超像素

Turbo-pixel超像素是Levinshtein等人［2］在09年描述了一种基于几何流的水平集方法，能快速地产生超像素，便产生了Turbo-pixels超像素算法，其中心思想是对初始的种子点逐步进行碰撞，并结合水平集演化模型将网格状的超像素近似均匀地分布到图像平面上。

Turbo-pixel超像素的特点是可以生成大小尺寸均匀的超像素，且保证每个超像素的内部是连通且闭合的。为达到分割的效果Turbo-pixel超像素也尽可能地保证紧凑性，使得生产的超像素边缘更贴合目标物体的边缘。

综上，生成的Turbo-pixel超像素需要符合五个基本原则：

（1）均匀尺寸 （2）连通性（3）紧凑性（4）平滑和边缘保持（5）超像素不重叠

Turbo-pixels超像素算法过程如下：

（1）将初始化的种子点等间距的平铺在图像上。

（2）迭代以下步骤

（a）第T次演化边界；

（b）估计未划分区域的框架；

（c）更新像素点（边界上的像素点和未划分区域的像素点）。

Turbo-pixel超像素方法生成的超像素块通过紧凑约束条件很好地解决了欠分割问题，算法处理速度快，算法效率V与像素为M·N的关系为V=ζ（M·N）其中为ζ线性参数。处理上万像素级，几分钟可以完成超像素块的输出。

该方法生成的超像素边缘贴合目标物体边缘，并利用TP超像素紧凑性的特点抑制了分割不足的情况，为进一步增强紧凑度还添加了约束条件。算法运行效率高，与图像尺寸成线性关系。

Cigla等人［3］介绍了一种快速的 Turbo-pixel分割方法，该方法效率高效，并在建立的TP超像素上建立带权图，后期结合谱聚类算法，将超像素方法作为预处理方法与谱聚类方法相融合，并得出分割结果，提取感兴趣区域，优化谱聚类方法，解决了谱聚类方法分割效率的问题。相比较几种超像素生成算法而言，Turbo-pixel算法都能产生规则和紧凑的超像素，但Turbo-pixel法对边界的保持较差。

图1　Turbo-pixel超像素算法分割示意图

2　改进的Turbo-pixel算法

Turbo-pixel算法对目标图像的边界信息保持的较差，是由于Turbo-pixel算法过分的注重超像素的形状特点，使其纹理低或者无纹理信息的部分的超像素网格根据其附近的纹理变化发生扭动，错误的记录目标图像的边界信息。本文针对这一点，在原始的Turbopixel算法基础上修正Turbo-pixel生成的超像素的网格，使其针对纹理低或者没有纹理特征的区域以方格网格平铺于图像上，不发生扭曲，使超像素边界良好地保留目标物体的边界信息。

改进方法是首先通过超Turbo-pixel超像素方法分割成指定数目的超像素，得到Turbo-pixel超像素网格图，接着将其所有的超像素结果的集合记为SP=｛SP1，SP2，…，SPn｝；然后对应Turbo-pixel超像素结果，各自提取边缘生成边缘图；其所有的边缘图的集合为E= ｛edge1，edge2，…，edgen｝，其中edgei∈｛0，1｝对应于边缘图中的像素，如果该点的值为0，则表示产生边缘图中该像素点不是边缘，反之，如果该点的值为1，则表示该点是图像的边缘。

根据求取结果进行线性融合得：

其中edge∈［0，1］，产生最终的边缘图。对于通过上述方法产生的边缘图，每个像素点的值是［0，1］，其像素点的大小表示该像素点是不是边缘的概率。

根据得到的边缘图判断并修改输入的Turbo-pixel超像素网格，使其边界更依附于目标对象的边缘，将输入的超像素网格交叉点设置为锚点，修改网格图也就是更改锚点。

本文在应用于TP超像素之间，对图像进行边缘信息提取，简单滤除掉图像中的背景信息，后续结果将在这个初始的边缘信息图中进行。背景部分在边缘信息图中将是没有纹理值的地方。针对于没有纹理值的地方，生成方格网格平铺于图像上。

算法2：基于改进Turbo-pixel超像素算法

输入：CT图；

Begin：

1对图像进行边缘检测，得到预处理边缘图

2将初始化的种子点等间距的平铺在预处理边缘图上；

3迭代步骤4、5、6；

4第T次演化边界；

5估计未分配区域的骨架；

6更新边界上像素点的速度和在边界附近未分配像素点的速度；

7生成Turbo-pixel超像素块；

8//优化超像素网格；

（1）根据生成的超像素网格结果提取边缘图；

（2）边缘图融合并归一化；

（3）重置锚点，调整网格

end

输出：分割形成的超像素区域块

改进的Turbo-pixel算法能够将图像快速划分成区域一致性描述的若干分块且对医学图像周围背景进行方格平铺，对于目标区域的图像部分，改进后的Turbo-pixel算法更好地保留了目标物体的边界，形成大小均匀、数量可控、且封闭的超像素块［4］。如图2（b）所示。根据已生成的超像素块，可以根据视觉信息，选择提取某几个超像素块组成感兴趣区域。

图2　改进Turbo-pixel超像素效果图

3　实验结果

在医学图像处理中，往往不存在什么医生分割结果的金标准，根据不同的病患体征，医学图像的分割结果也不同。目前往往以有经验医生的目测为结果，作为医学图像分割的金标准。本文的实验结果，与医生手抖勾画的目标物体边界做对比，得到了经验临床医生的认可。

实验数据来源是市医院提供的真实的脑部CT图像，为验证本文算法的有效性，将本文算法在MATLAB 2013b上运行，实验结果如下所示，图3为改进Turbopixel的视觉效果图，其中每个颜色均表示一个超像素块。如图3可以得知生成的改进Turbo-pixel超像素块大小均为封闭的区域。

后期人工标记的区域合并算法［5］，提取感兴趣区域，通过简单的人工手动标记，便可获得提取感兴趣的软组织，大大地减少医生的负担。为验证本文算法的应用性，将本文算法对脑部CT图像的脊髓进行提取。实验阶段过程如图下所示。图4为人工区域合并算法的标记图，如图可以本文改进的Turbo-pixel超像素生成的网格可以根据很少的人工标记信息，便可以得到较好的分割效果，如图5所示，较完整的的脊髓软组织。

图3　改进Turbo-pixel块视觉效果图

图4　人工标记

图5　改进Turbo-pixel的结果抠图显示

4　结语

本文利用改进的Turbo-pixel超像素对CT图像进行处理，在Turbo-pixel算法基础上，进一步优化Turbo-pixel超像素分割结果的超像素网格，实验结果表明，本文的方法可以很好地提取目标图像边界，克服了原始Turbo-pixel超像素方法对目标边界不敏感的不足和缺陷，具有良好的稳定性，且Turbo-pixel算法生成的超像素块可控，移植性较高，可广泛应用于不同断层的CT图像中，但由于本文处理图像的数量级较小，算法还有很大提升的空间。

［1］江贵平，秦文健，周寿军，王昌淼.医学图像分割及其发展现状［J］.计算机学报，2015，06：1222-1242.

［2］Levinshtein A，Stere A，Kutulakos K N，et al．Turbopixels：Fast Superpixels Sing Geometric Flows［J］．IEEE Trans on Pattern Analysis and Machine Intelligence，2009，31（12）：2290-2297．

［3］Cigla C，Alatan A A．Efficient Graph-Based Image Segmentation Via Speeded-up Turbo Pixels［C］.Proc of the 17th IEEE International Conference on Image Processing．2010：3013-3016．

［4］王春瑶，陈俊周，李炜.超像素分割算法研究综述［J］.计算机应用研究，2014，01：6-12.

［5］Ji-feng Ning，Lei Zhang，David Zhang，Cheng-ke Wu.Interactive Image Segmentation by Maximal Similarity Based Region Merging［J］. Pattern Recognition，2009（2）

Turbo-pixel；CT Image；Manual Tagging

Application of Improved Turbo-pixel Algorithm on CT Image Segmentation

TIAN Lian-xiao，BI Ying-zhou
（College of Computer and Information Engineering，Guangxi Teachers Education University，Nanning 530023）

1007-1423（2016）24-0044-04DOI：10.3969/j.issn.1007-1423.2016.24.011

田连晓（1992－），男，山东德州人，硕士研究生，研究方向为计算机图像处理

2016-05-10

2016-08-10

医学图像分割是各种医学图像应用的基础，但由于医学图像噪声复杂，纹理低，使得分割极为困难。且目前大多的图像分割算法，忽略像素点的位置信息，应用包含位置信息的Turbo-pixel超像素对CT图像进行处理，后期结合少量的人工标记信息，可完整提取出CT图像的软组织信息，为医生减轻负担，且根据专家目测表明，改进的Turbo-pixel分割提取的软组织较为完全且位置信息正确。

Turbo-pixel；CT图像；人工标记

闭应洲（1967－），男，广西横县人，博士，教授，研究方向为智能计算、智能信息处理

Medical image segmentation is the basis for various medical imaging applications.However，it is extremely difficult to segment the medical image due to the complex noise and low grain.Currently，the position information of pixel is ignored by most of the image segmentation algorithm.Turbo-pixel super pixel is used to process the CT image containing location information，and then the soft tissue information is extracted with little manual tagging information，reduces the burden for doctors.Visual inspection of experts shows that the soft tissue extracted by improved Turbo-pixel segmentation is more complete and the location information is correct.