基于复合超像素技术的肺部CT图像分割算法

楚陪陪, 魏本征, 曲 彦, 杨 凯, 尹义龙

(1.山东中医药大学 理工学院,山东 济南 250355; 2.山东大学 计算机科学与技术学院,山东 济南 250101)

基于复合超像素技术的肺部CT图像分割算法

楚陪陪1, 魏本征1, 曲 彦1, 杨 凯1, 尹义龙2

(1.山东中医药大学 理工学院,山东 济南 250355; 2.山东大学 计算机科学与技术学院,山东 济南 250101)

基于肺部CT图像灰度不均匀、纹理变化大的特点,文章提出一种超像素与随机森林相结合的肺部CT图像分割算法。该算法首先采用阈值和形态滤波的方法对图像进行预处理;再通过TurboPixels算法将图像分割为超像素;然后运用灰度共生矩阵提取超像素的纹理特征,并融合灰度特征形成特征矩阵;最后基于特征矩阵和随机森林算法获取分割图像。实验结果表明,该文提出的分割算法对肺部CT图像处理具有一定的有效性,健康肺部图像的分割准确率为98.07%,病变图像的准确率为96.23%,且该算法具有全自动、高准确率、鲁棒性好等特点。

CT图像;超像素;灰度共生矩阵;纹理特征;随机森林

近年来随着空气质量的不断恶化,肺部疾病已经逐渐成为威胁我国居民生命健康最常见的病症之一。2015年国家癌症中心公布的统计数据表明,肺癌发病率接近17.09%,死亡率高达21.68%,在各种肿瘤中位居第1[1]。研究表明,及早有效的影像学诊断对肺部疾病的治愈具有重要的临床意义[2]。肺部疾病常用的影像学检测技术有X线、MRI、CT等,其中CT图像因其高清晰度、高对比度的优点成为近年来主要的影像检测方式。虽然CT图像包含大量病灶信息，但是它具有灰度不均匀的缺点,给医学专家的解读造成了一定的困难。研究表明,准确有效的肺部CT图像分割能够减少计算量,提高整个诊断系统的效率,减少误诊,在肺部疾病和功能性评估过程中具有重要作用[3]。

肺部CT图像分割通常先根据图像质量和成像特点做预处理,再采用有效的分割模型实现图像分割。依据是否应用机器学习算法,现有的肺部CT图像分割算法可分为基于非机器学习及机器学习的图像分割算法两类。

(1) 基于非机器学习的肺图像分割算法。阈值法、区域增长法、分水岭法是该类算法中应用比较广泛的3种算法；其中,阈值分割法是比较传统的肺部分割方法。文献[4]提出基于全局阈值结合形态学滤波算法实现肺实质的粗分割,然后通过图切法将分割错误的图像进行归一化增强;文献[5]提出运用灰度级阈值算法对图像进行初分割,再对双肺连接的图像通过Radon变换实现分离。总的来说,阈值分割算法简单直观,但未能有效去除肺实质周围的噪声;文献[6-9]提出区域生长算法需要手动选取种子点,通过比较种子像素与其相邻像素灰度值,最后实现图像分割。这种方法可以快速准确区分肺实质部分,并且对于边界区域比较鲁棒;但手动选取的种子点对增长合并规则中的参数敏感,运算过程比较耗时。由于肺部CT图像中噪声和局部极小点的存在致使文献[10]建立的分水岭分割算法存在严重的过分割现象。随着相关算法的不断发展,分水岭分割法得到了一些改进[11-12],其中文献[13]运用标记分水岭算法处理初分割后左右肺粘连的图像。这种方法克服了传统分水岭过分割和欠分割的缺点,但是对于微弱的边缘灰度变化比较敏感。诸多研究者已经在这方面做了一些研究,但这类算法计算复杂度高,所需参数繁杂且没有既定规则,需要人工干预,不适用于实时临床诊断。

(2) 基于机器学习的肺图像分割算法。近年来，基于机器学习的肺部图像分割算法成为一个比较热门的研究方向，这类算法的研究主要包括特征(形状、纹理、灰度等)提取和分类器选择2个方面。文献[14-15]通过提取图像的纹理特征结合阈值法实现了多种病变类型的肺部CT图像的分割;文献[16]设计提取图像的几何、彩色特征,再选用人工神经网络(artificial neural network,ANN)和支持向量机(support vector machine,SVM)集成的分类器进行分类以完成最终的图像分割;文献[17]提取纹理特征之后通过k-means分类器完成图像的分割;文献[18]建立了一种几何特征和聚类相结合的肺部CT图像分割模型;文献[19]通过统计学方法提取纹理、灰度、形状等特征,运用SVM和水平集完成肺部图像的分割。综上所述,这类方法对于图像分割具有很高的鲁棒性和运算效率,但还需进一步研究特征提取和分类器模型以提高分割的精度。

基于机器学习的肺部CT图像分割算法取得了良好的效果,但是也存在一定的问题。在像素级上进行图像分割,多采用矩形窗,这种表达方式破坏了图像边界的原始信息,直接影响后续的分类;针对特定图像的成像特点选择一种有效的特征提取算法以及提取特征之后分类器的选择都是算法研究的重点问题。

综合以上问题,本文提出一种超像素和随机森林相结合的肺部CT图像分割算法。首先采用Turbopixels的方法将图像分割为超像素,然后运用灰度共生矩阵提取纹理特征后结合灰度特征形成特征矩阵,最后通过随机森林分类以实现最终的分割。

1 算法基础

1.1 Turbopixels基本原理及算法

文献[20]于2003年首次提出超像素的概念。超像素是由一系列位置相邻且特征相似的像素组成的小区域。一幅图像就是由许多个这样的小区域组成的。文献[21]认为由相邻像素点聚合形成的超像素是一种更自然和更具感知意义的表示;文献[22-23]研究表明针对图像处理超像素所具有的信息特征,有利于提高分割的准确性和降低时间的复杂度。超像素分割算法利用图像局部相似的特点,将图像分割为若干个同质的超像素子区域。对于以像素为单位的处理方法,以超像素为单位处理图像能够更有利于局部特征的提取进而为图像保留较多的有效信息。当今比较流行的计算超像素的图像分割算法主要分为:① 基于图论的算法,这类方法包括graph-based[24]、Ncut[25]、superpixel lattice[26]和基于熵率[27]的方法；② 以梯度下降为基础的算法,应用最广泛的有简单线性迭代聚类(simple linear interative clustering,SLIC)[28]、Turbopixels算法[29]。

本文采用Turbopixels超像素分割算法,设水平集的曲线演化方程为:

(1)

其中,C为演化的平面闭合曲线;t为时间;S为曲线演化速度;N为曲线的内法向量,这个方程可将曲线C嵌入到水平集函数ψ:R2×[0,τ)→R2来实现其具体的演化方程为:

(2)

将(2)式进行一级离散化得到:

(3)

其中,Δt为曲线演化的时间步长;SISB为原始方程中S的2个部分,分别表示图和边界的演化速度;SI控制着曲线的变化;SB来保证边界上的超像素都是相对独立的。SI表达式如下:

(4)

Turbopixels算法具体实现步骤如下:

(1) 对种子点进行初始化,同时增加一个扰

动防止噪声干扰。

(2) 标记图像中的所有像素点。

(3) 对水平集函数进行初始化。

(4) 进行下列步骤,直到种子点膨胀边缘的演化速度接近0时停止迭代过程:① 水平集曲线函数开始演化;② 对未分配的估计进行估计比较;③ 依据比较结果,更新边界上所有像素点的曲线演化速度。

(5) 返回边界。

1.2 随机森林算法

随机森林是由文献[30]提出的基于决策树的分类器集成算法。该算法具有高准确率处理大样本数据,平衡数据内部误差、分类速度快等特点。在随机森林中,每棵树依据以下步骤构造:

(1) 每棵树的训练样本集是均采用自助法重采样获得。自助法(bootstrap)是一种从给定的训练集中有放回的均匀抽样。一个自助样本集生长为一棵分类树,如果独立抽样k次,将会生成相互独立的自助样本集k个,可以用于训练随机森林中的k棵分类树。

(2) 在分类树的每一节点处,从M个总属性中随机选择m个属性(m≤M),根据这m个属性计算最佳的分裂方式。

(3) 每棵树在生长过程中不进行剪枝操作直至完整。

(4) 决策树在预测新数据时,由多数投票决定分类结果并评估其误差。

2 肺部CT图像分割算法

肺部CT图像分割算法流程如图1所示。

图1 基于复合超像素技术的肺部CT图像分割算法

所提的方法包括以下3个算法步骤:超像素分割、特征提取和随机森林分类。

2.1 超像素分割

为保证后续肺部CT图像的分割效果,首先通过阈值法将肺部图像周围含气组织(主要为支气管等)去除,然后在此基础上采用Turbopixels算法来获取超像素。该方法采用基于几何流的水平集,通过初始种子点之间的相互碰撞[29],最后实现超像素图像分割,如图2所示。

图2 超像素分割实验结果

过分割并不是简单地使用超像素对肺部CT图像进行处理,其中也要考虑超像素的块数。超像素块数过多或过少会导致图像信息的不足或交叉,从而失去超像素应具有的作用，影响分割结果。本文算法基于图片尺寸和经验选择1 500块超像素。

2.2 特征提取

基于运算效率和计算复杂度的考虑,本文采用了灰度共生矩阵来获得超像素纹理特征,同时融合灰度特征形成特征矩阵。

灰度共生矩阵是一种统计方法,通常用于描述图像的纹理信息。通过计算特定值的像素对在空间中交替产生的灰度关系创建一个灰度共生矩阵[31]。尽管灰度共生矩阵可以提取14种纹理特征且具有不错的分类能力,但是过多的特征会增加计算的复杂度,影响特征提取的速率。文献[32]表明,熵、相关度、能量、对比度这4个特征分类精度是有效可靠且不相关的，因此,本文选取这4种特征表达图像的信息特征。

(1) 熵。熵值是一种度量图像随机性的标量,熵值越大表示随机性越强,图像也就越复杂。

(5)

(2) 相关度。相关度是指各个元素在灰度共生矩阵中行或列方向上的相似程度。元素之间的像素值差距越大相关度就越小,反之亦然。

(6)

(3) 能量。能量用来衡量图像分布和纹理的均匀程度,若矩阵中的灰度值均相等,则能量较小,反之亦然。

(7)

(4) 对比度。对比度可以有效表示图像的清晰度和纹理深浅程度,纹理越浅则对比度越小,反之亦然。

(8)

灰度共生矩阵的大小反映了矩阵表达图像信息的能力。基于原始图像的灰度共生矩阵,能够保持原始图像的全局信息,但当图像分辨率较大时,特征维数较高,计算复杂。根据肺部CT图像的实质区域与非实质区域在灰度分布的均匀性、变化程度和纹理清晰度的不同,本文依据经验选用每个超像素块0°、45°、90°、135° 4个不同方向的纹理特征值与灰度特征相结合,这样不仅降低了特征维数,还减小了计算的复杂度,同时满足了特征的提取和存储,有利于后续工作的进行。

2.3 随机森林分类

对于一个模式识别系统,在提取特征之后,如何选择一个有效可靠的分类器是关键步骤之一。随机森林算法以其独有的特点在当今机器学习领域得到了广泛的应用和研究[33]。

随机森林算法是一种由多个决策树集成的学习方法。在分类过程中对于每一个变量都可以给出一个评价来确定该变量的重要性,对于遗失的数据依然能够实现有效估计,测试中训练好的随机森林可以为其他数据所用,提高了运算效率。基于以上优点,选择随机森林作为分类器。

肺实质区域标记为1,非实质区域标记为0,通过随机森林提取出预测的标记超像素,然后将所有属于同一类别并且相邻的超像素进行合并,实现肺部CT图像的分割,如图3所示。

图3 随机森林分类实验结果

3 实验及其分析

3.1 数据集

ILDs(Interstitial Lung Diseases)是日内瓦大学医院一个公开的肺部图像数据库。这个数据库收集了128名患者的肺部CT图像,所有的图像都已通过医学专家给出临床诊断。从中随机选择150幅图像,其中,30幅没有显示出间质性肺病病变的任何迹象,即为健康状态;120幅显示出不同类别和程度的间质性肺病的病变迹象。随机将100幅图像分为训练集,其余50幅分为测试集。对于每一幅图像都对应着一幅也是唯一一幅专家手工分割结果。

3.2 评价准则

使用Jaccard similarity (JS)标准对肺部CT图像分割算法的性能进行评估,其计算公式如下:

(9)

其中,S1为算法的分割结果;S2为医学专家手工标记分割结果,可以作为算法分割效果的衡量准则。由(9)式可以看出,当分割结果与医学专家标记的结果比较贴合时,S1∪S2具有较小的数值,S1∩S2的数值比较大,J(S1,S2)的数值也比较大,即算法的分割准确率比较高。而当分割结果与医学专家标记的结果相差较远时,S1∪S2具有较大的数值,S1∩S2则具有较小的数值,J(S1,S2)的数值也就较小,即算法的分割准确率比较低。因此,JS标准可以对算法的有效性进行正确的评估。

3.3 实验结果及分析

通过对数据库中选取的150幅肺部CT图像实验,来检测本文所提出分割算法的有效性。

(1) Turbopixels与SLIC算法分割实验。为了验证Turbopixels算法对于肺部CT图像的过分割的适用性,实验选用应用比较广泛的算法Turbopixels和SLIC。每幅图像分割超像素块数均为1 500,实验分割结果如图4所示。从图4中能够直观的看出，Turbopixels算法最终的分割结果明显比SLIC算法的结果边缘更加平滑,与专家标记的分割结果更加贴合。

图4 Turbopixels与SLIC算法分割实验对比结果

从肺部CT图像分割的准确率进一步验证Turbopixels算法的有效性,见表1所列,从表1中能够明显地看到无论是对于健康的图像还是患病的图像,Turbopixels算法的分割结果的准确率都比SLIC算法高。

表1 Turbopixels和SLIC算法分割结果准确率统计结果 %

(2) 不同类别肺部CT图像分割对比实验。鉴于正常、纤维化、肺结节、毛玻璃、肺气肿5种类别肺部CT图像纹理和灰度对比度明显的特点,在数据集中选择以上5种肺部CT图像,每种图像随机选择30幅,通过Turbopixels算法分割为1 500个均匀的超像素,然后在同一个分割模型下完成图像的分割,实验对比结果如图5所示，准确率见表2所列。

从表2中可以看出，正常的肺部CT图像的准确率高达99.09%,不同种类别疾病的图像分割准确率均在90%以上,实验结果表明Turbopixels算法的有效准确性。

图5 不同类别肺部CT图像分割实验对比结果

表2 5种不同类别肺部图像分割准确率统计结果 %

类别正常纤维化肺结节毛玻璃肺气肿最大值99．0997．6399．0798．4298．00最小值95．4388．4897．9092．9496．55均值98．0792．1398．8096．4097．60

(3) 肺部CT图像分割是否融合灰度特征对比实验。针对肺部CT图像丰富的纹理和灰度特点,通过比较特征提取方面是否融合灰度特征,验证本文算法的分割有效性,其准确率均值见表3所列。

从表3中可以看出，当融合灰度特征之后,分割的准确率都有了明显的提高,平均提高1.4%。

表3 肺部CT图像不同特征分割准确率均值统计结果 %

(4) 肺部CT图像分割不同的分类器对比实验。选择K最邻近分类(k-nearest neighbor,KNN)、SVM、随机森林分类器进行肺部CT图像的分割,其准确率见表4所列,从表4中可以直观地看出，随机森林算法对于本分割模型的适用性和有效性。

表4 不同分类器下分割准确率均值统计结果 %

(5) 同类肺部CT图像分割算法对比实验。文献[34]提出首先采用模糊学相关算法对肺部图像进行粗分割,然后运用高斯卷积实现图像特征的提取,最后通过随机森林分类器完成分割。其中,文献选用美国国立卫生研究院的数据库测试算法的可靠性,实验选取了坏死肺结核、弥漫性肺出血、甲型流感等3种病症的肺部CT图像。文献[34]中算法的分割准确率与本文算法分割准确率见表5所列。

表5 不同分割算法准确率对比结果 %

从表5可以看出,本文算法针对正常和肺结节、肺气肿病症的肺部CT图像准确率均高于文献[34]算法的实验结果,患有肺结核病症的图像分割准确率高于患纤维化和毛玻璃的图像,这是因为本文的实验室数据集是随机选择的,其中含有一定数量患病严重的图像,致使分割效果不是特别的理想。但是,总体上来说本文所设计的肺部CT图像分割算法具有一定的可靠性和有效性。

(6) 运行时间。本文算法实验运行所用计算机的配置如下:Core i7 950 3.06 GHz 处理器,24 GB的内存,four GTX 580 显卡,全部实验都是在Matlab编程环境下实现的。

本实验旨在统计所提分割算法分割单幅肺部CT图像时,在不同阶段的平均运行时间见表6所列。

表6 本文算法分割单幅图像时在不同阶段的平均运行时间 s

从表6可以看出,本文所提算法分割单幅图像的平均运行时间大约是54 s,因此该算法基本上能够满足实际应用。

4 结 论

针对肺部CT图像灰度纹理变化明显的特点,本文提出超像素和随机森林相结合的肺部CT图像分割算法,充分利用超像素计算方法和随机森林分类器的优势,并在计算的过程中利用肺部CT图像的特征信息,取得了比较好的分割效果。该方法首先通过Turbopixels算法过分割得到尺寸均匀的超像素块,然后通过灰度共生矩阵提取每个超像素块4个不同方向的纹理特征,融合灰度特征形成特征矩阵,最后运用随机森林分类器分类从而得到最终的分割结果。从实验中可以看出本文提出的算法对于正常、患病肺部CT图像都有很好的分割效果。

本文算法仍有后续工作需要完成。首先,通过实验发现本文算法对于某些严重患病的肺部CT图像分割效果不是很理想,准确率不高,因此接下来应着重关注严重患病的CT图像分割算法的研究;其次,如何提取更加有区别力的超像素特征也是本文算法后续工作之一;最后尝试使用其他的分类器,并将此算法应用于其他领域也是未来的研究目标。

[1] WANG qingchen,ZHENG Rongzhou,BAADE P D,et al,Cancer statistics in China,2015[J].CA：A Cancer Journal for Clinicians,2016,66(2):115-132.

[3] SHARMAN P,WOOD-BAKER R.Interstitial lung disease due to fumes from heat-cutting polymer rope[J].Occup Med,2013,63(6):451-453.

[4] MIGN J T C,NOOR N ,RIJAL O M,et al.Enhanced automatic lung segmentation using graph cut for Interstitial Lung Disease[C]//2014 IEEE Conference on Biomedical Engineering and Sciences.[S:l.:s.n.],2014:17-21.

[5] MIGN J T C,NOOR N ,RIJAL O M,et al.Lung segmentation for HRCT thorax images using radon transform and accumulating pixel width[C]//2014 IEEE Region 10 Symposium.[S:l.:s.n.],2014:157-161.

[6] GAO Huilin,DOU Lihua,CHEN Weijie,et al.The applications of Image segmentation techniques in medical CT Images[C]//Proceedings of the 30th Chinese Control Conference.[S:l.].IEEE,2011:3296-3299.

[7] CHEN Yada,BAO Susu.A new region growing method on liver CT serial images[J].Computer Engineering and Applications,2010,46(13):188-190.

[8] CHEN Ming,HUANG Xiaoyang,HUANG Shaohui.Directional region growing algorithm and its application in the vessel segmentation[J].Chinese Joural of Image and Graphics,2011,16(1):44-49.

[9] MENDOZA C S,ACHA B,SERRANO C,et al.Fast parameter-free region growing segmentation with application to surgical planning[J].Machine Vision and Application,2012,23(1):165-177.

[10] VINCEN T L,SOILLE P.Watersheds in digital spaces:an efficient algorithm based on immersion simulation [J].IEEE Transactions on Pattern Anlysis and Machine Intelli-gence,1991,13(6):583-598.

[11] NG H P,ONG S H,FOONG K W C,et al.Masseter segmentation using an improved watershed algorithm with unsupervised classification[J].Computers in Biology and Medicine,2008,38(2):171-184.

[12] RAO A R,SRINIVS V V.Regionlization of watersheds by fuzzy cluster analysis[J].Journal of Hydrology,2006,318(1/2/3/4):57-79.

[13] TAN Yongqiang,SCHWARTZ H,ZHAO Binsheng.Segmentation of lung lesions on CT scans using watershed,active contours,and Markov random field[J].Medical Physics,2013,40(4):043502-2-1-043502-10.

[14] WANG Jiahui,LI Feng,DOI K,et al.A novel scheme for detection of diffuse lung disease in MDCT by use of statistical texture features[J].Proc of SPIE,2009,7260:726039-1-7026039-8.

[15] WANG Jiahui,LI Feng,LI Qiang.Usefulness of texture features for segmentation of lungs with severe diffuse interstitial lung disease[J].Proc of SPIE,2010,7624W-1-7264W-8.

[16] TAHER F,WERGHI N,Al-AHMAD H.Computer aided diagnosis system for early lung cancer detection[J].Algorithms 2015,8:1088-1110.

[17] KORFIATIS P,KAZANTZI A,KALOGEROPOULOU C,et al.Optimizing lung volume segmentation by texture classification[C]//Proceedings of the IEEE/EMBS Region & International conference on Information Technology Application in Biomedicine.[S.l.]:IEEE,2010:1-4.

[18] CHAMA C K,MUKHOPADHYAY S，BISWAS P K,et al.Automated lung field segmentation in CT images using mean shift clustering and geometrical features[J].Medical Imaging,Computer-Aided Diagnosis,2013,53(11):1-10.

[19] WANG Xiaopeng,ZHANG Wen,CUI Ying.Tumor segmentation in lung CT images based on support vector machine and improved level set[J].Optoelectronics Letters,2015,11(5):395-400.

[20] MALIK J,REN X F.Learning a classification model for segmentation[C]//Proceedings Ninth IEEE International Conference on Computer Vision.[S.l.]:IEEE,2003:10-17.

[21] WANG J,WANG X Q.Vells:simple and efficient superpixels using edge-weighted centroidal Voronoi tessellations [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(6):1241-1247.

[22] LUCCHI A,SMITH K,ACHARTA R,et al.A fully automated approach to segmentation of irregularly shaped cellular structures in EM images[C]//Proceedings of the Proceedings of the 13th International Conference on Medical Image Computing and Computer-Assisted Intervention,Berlin Heidelberg:Springer,2010:463-471.

[23] HAMMOUDI A A,Li F H,GAO L,et al.Automated nuclear segmentation of coherent anti-Stokes Raman scattering microscopy images by coupling superpixel context information with artificial neural networks[C]//International Coneference on Machine Learning in Medical Imaging.Heidelberg Heidary:Springer-verlag,2011:317-325.

[24] FELZENSZWALB P F,HUTTENLOCHER D P.Efficient graph-based image segmentation[J].International Journal of Computer Vision,2004,59(2):167-181.

[25] SHI J B,MALIK J.Normalized cuts and image segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(8):888-905.

[26] MOORE A P,MOHAMMED U,PRINCE S J D,et al.Superpixel lattices[C]//IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE,2008:1-8.

[27] LIU M Y,TUZEL O,Ramalingam S,et al.Entropy rate superpixel segmentation[C]//IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE,2011:2097-2104.

[28] ACHANTA R,SHAJI A,SMITH K,et al.SLIC Superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.

[29] LEVINSHTEIN A,STERE A,KUTULAKOS K N,et al.Turbopixels:fast superpixels using geometric flows[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(12):2290-2297.

[30] BREIMAN L.Random forests[J].Machine Learning,2001,45(1):5-32.

[31] ZHANG Zhenmin,WU Qingxian,WANG Xuan,et al.Training spiking neural networks with the improved grey-level co-occurrence matrix algorithm for texture analysis[C]//2015 11th International Conference on Natural Computation (ICNC).[S.l.]:IEEE,2015:1069-1074.

[32] ULABY F,KOUYATE F,BRISCO B,et a1.Texturalinformation in SAR images[J].IEEE Transactions On Geoscience and Remote Sensing,1986,24(2):235-245.

[33] CUTLE D R,EDWARDS T C,BEARD K H,et al.Random forests for classification in ecoligy[J].Ecology,2007,88(11):2787-2792.

[34] MANSOOR A,BAGCI U,XU Z,et al.A generic approach to pathological lung segmentation[J].IEEE Transactions on Medical Imaging,2014,33(12):2293-2310.

(责任编辑 张 镅)

A lung CT image segmentation algorithm based on composite super pixel technology

CHU Peipei1, WEI Benzheng1, QU Yan1, YANG Kai1, YIN Yilong2

(1.College of Science and Technology, Shandong University of Traditional Chinese Medicine, Jinan 250355, China; 2.School of Computer Science and Technology, Shandong University, Jinan 250101, China)

Based on the characteristics of intensity inhomogeneity and texture changes in the lung CT images, a novel segmentation method for lung CT images with the combination of super pixels and random forest is proposed. Firstly, the threshold and morphological filtering methods are used to preprocess the image. Then the image is divided into uniform super pixels by using the TurboPixels method. The gray level co-occurrence matrix is used to extract the texture features of the super pixels, and the feature matrix is formed by fusing the gray features. Finally, the segmentation image is obtained based on the feature matrix and random forest algorithm. The experimental results indicate that the proposed segmentation algorithm shows a promising performance when processing lung CT image. The segmentation accuracy rate of healthy and diseased lung images is 98.07% and 96.23% respectively, and the algorithm has the characteristics of automatic, high accuracy, good robustness and so on.

CT image; super pixel; gray level co-occurrence matrix; texture feature; random forest

2016-07-21；

2016-08-15

国家自然科学基金资助项目(61572300);国家自然科学基金-广东省联合基金重点资助项目(U1201258)；山东省自然科学基金资助项目(ZR2015FM010)和山东高校科技计划资助项目(J15LN20)

楚陪陪(1991-),女,山东济南人,山东中医药大学硕士生; 魏本征(1976-),男,山东临沂人,博士,山东中医药大学副教授,硕士生导师; 尹义龙(1972-),男,山东菏泽人,博士,山东大学教授,博士生导师.

10.3969/j.issn.1003-5060.2017.03.009

TP391

A

1003-5060(2017)03-0332-08