基于模糊区域对比度增强的肺实质鲁棒分割*

武振宇，白培瑞△，刘艺炜，任延德

(1.山东科技大学电子通信与物理学院，青岛 266590;2青岛大学附属医院放射科,青岛 265000)

1 引 言

基于计算机断层扫描图像(computed tomography，CT)的自动肺实质分割，是提高肺部疾病计算机辅助诊断的关键步骤。目前，肺实质分割的主要思路有：一是对简单阈值操作的改进，比如利用形态学操作[1-2]或Snake校正Otsu阈值[3]等。二是对区域增长算法的改进，比如基于滑降算法的自动选取种子点[4]、结合轮廓模型的改进[5]、利用凸包算法进行分割结果的修正[6]等。三是对活动轮廓模型的改进，比如基于邻域相似度改进的Chan-Vese模型[7]等。四是基于机器学习的分割算法，比如结合超像素算法与分类算法的肺部分割[8]等。其中，针对肺部粘连图像的分割问题，Noor等采用形态学算法进行粘连肺的分离，但是需要根据图像设计特定的模板[1-2]。Mansoor等利用模糊连接度算法进行肺实质初始分割，并利用邻域信息进行后续粘连区域分割，但是需要人为干预[9]。郭圣文等利用全局阈值得到初始的前景区域，之后利用轮廓跟踪方法分割粘连区域[10]。Hu等提出利用阈值法提取肺部区域，之后使用动态规划算法分割肺粘连区域[11]。

基于传统阈值算法的肺实质分割算法容易受到图像对比度的影响，造成肺粘连区域错误分割。本研究提出一种新的基于模糊区域对比度增强的肺实质分割方法，实现粘连肺部图像的自动准确分割，有效提高分割的正确率。

2 原理和方法

2.1 超像素分割算法

超像素分割算法(simple linear iterative cluster，SLIC)是基于局部K-means聚类的像素分割算法，其原理是对由图像的颜色空间(g为像素点灰度值，a，b为像素点色度坐标值)和二维坐标(x,y)构成的五维空间(g,a,b,x,y)执行局部像素点聚类[12]。由于CT图像为灰度图像，本研究只考虑由灰度值和二维空间坐标值构成的三维向量特征空间[g,x,y]。具体做法为：

(1)初始化种子点：假设灰度图像I是边长为N个像素的正方形图像，则其总像素数为N2。将含有N2个像素点的图像分割为K个相同尺寸的超像素，形成K个网格，则每个网格的大小为N2/K，将每个网格的中心点设为初始种子点。

(2)初始化聚类中心和聚类标签：计算以种子点为中心的3×3邻域内所有像素点的梯度值，将该邻域内梯度最小的地方设为初始聚类中心。设第j个聚类中心为Cj(即[gj,xj,yj]T)，并将每一个像素点的初始标签标记为Li= -1，将每一个像素点到聚类中心的初始距离标记为di= ∞。

(1)

(2)

(3)

其中，dc表示第i个像素点与第j个聚类中心点之间的灰度距离。ds表示第i个像素点与第j个聚类中心点之间的空间距离。参数M是平衡因子，取值范围为[1,40]。M值越高，分割结果与图像实际边界贴合度越高，本研究中M=10。SLIC0的特点是可以自适应地调整最佳贴合度，减少人工设置的干扰。

2.2 本研究算法

2.2.1算法总体流程 本研究提出的基于模糊区域对比度增强的自适应肺实质分割算法流程见图1。该算法主要包括3个步骤：(1)肺部CT图像预处理；(2)模糊区域自适应对比度增强；(3)图像细化分割，包括肺部掩模的获取、初始肺部实质获取以及最终肺部实质区域的获取。

图1 本研究算法流程图

2.2.2肺部CT图像预处理 肺部体扫描CT图像不可避免的存在噪声(见图2(a))，而且在不同体层图像中强度和对比度差异很大。为了实现鲁棒的阈值分割，首先选用3×3的模板对肺部CT图像进行中值滤波去噪，同时利用直方图变换增强图像的对比度，可以明显提高肺部CT图像的整体对比度(见图2(b))。

2.2.3模糊区域自适应对比度增强 肺部CT图像经过预处理之后，尽管整体对比度明显提高，但是在局部粘连区域仍然存在模糊性，比如图2(b)中的红色矩形标注区域为肺部韧带。为了能够准确定位和检测该区域，本研究提出基于超像素的模糊区域自适应对比度增强算法。

首先，利用SLIC0算法对预处理后的CT图像进行预分割，突出模糊区域并进一步增强其对比度。图2(c)示出了采用K=6200的SLIC0算法超像素分割结果。为了能够清楚观察SLIC0算法对模糊区域的检测效果，图2(d)示出了红色矩形框对应区域的放大图像。可以看到，预分割后的超像素网格能够识别出图2(b)中的红色矩形区域。

图2SLIC0预分割对模糊区域边缘检测能力示意

Fig2AdemooffuzzyregionadaptivecontrastenhancementbasedontheSLIC0algorithm

然后，将SLIC0超像素分割后的结果用Is表示，其中第i个超像素记为Si，i∈[1,...,K]。设Ni为第i个超像素Si的像素个数，Gij表示超像素分割后第i个超像素第j个像素点的灰度，则可以根据下式计算出每个Si的统计信息：

(4)

(5)

式中，ms(i)表示Si的平均灰度信息，σs(i)表示Si的方差信息。

之后，根据Si的统计信息确定模糊区域自动定位的判断阈值为：

(6)

(7)

图3(a)和(b)是对比度增强前的图像及其相应的模糊区域局部放大图像，图3(c)和(d)是对比度增强后的图像及其相应的模糊区域局部放大图像。可以看出，使用自适应局部对比度增强对模糊区域边缘信息的检测性能有明显的提升。

图3 基于模糊区域统计信息的局部对比度增强

Fig3Localcontrastenhancementbasedonstatisticalinformationofthefuzzyregion

2.2.4细化分割方法 自适应局部对比度增强算法会受到边缘噪声影响，导致增强后的图像边缘存在毛刺。为此，本研究综合采用Otsu阈值[13]处理和形态学操作，提出一种细化分割方法，见图4。该方法分为五个步骤，具体如下：

第一步：初始肺区域二值图像的获取。将预处理后的图像A以及模糊区域自适应对比度增强图像B，综合利用Otsu阈值算法以及形态学算法分别得到初始肺部二值图像记为A1和B1。

第二步：小连通区域定位。对二值图像B1进行基于8-连接边沿规则的区域统计，定位像素个数小于3 000的区域，得到B2。

第三步：根据定位结果，将A1同区域处的像素值设为0，然后利用固定的结构元素SE=[0 1 0;1 1 1;0 1 0]进行开运算，得到结果A2。

第四步：肺部模板获取。首先，将第二步定位的区域像素值设置为0，得到B2；然后，利用边缘跟踪算法得到对应轮廓线图B3；最后，利用凸包算法得到肺部掩模B4。

第五步：将B5与A2进行逻辑“与”，得到最后的肺实质分割结果C。

图4细化分割流程

Fig4Flowchartoftherefinedsegmentation

3 结果

本次实验所用肺部CT图像均来源于kaggle(https://www.kaggle.com/c/data-science-bowl-2017/data)公开的数据集，选择30位患者，每位10幅图像，共300幅图像。其中包含左右肺部粘连、气管与肺部粘连以及两种粘连同时存在的图像各100幅。在Matlab 软件下，分别对文献[1]的算法和本研究算法进行测试。测试统计结果在表1列出，部分分割结果见图5，图中第1列为肺部CT图像的原始图像，第2列为手工分割结果，第3列为采用文献[1]算法的分割结果，第4列为本研究算法的分割结果。图5(a1)为左右肺部粘连图像，图5(a2)为气管与肺部粘连图像，图5(a3)为同时存在两种粘连的图像，并分别用红色矩形框标注出粘连区域和微弱边界。

为了定量评估本研究算法的分割性能，我们采用Dice相似度系数(dice similarity coefficient, DSC)、过分割(over-segmentation, OS)和欠分割率(under-segmentation,US)3个指标进行性能评估。

其中，Dice相似度系数的定义为：

(8)

式中，R1表示算法分割结果,R2表示手工分割结果。(一般用作金标准ground truth)。所以，Dice系数反映出采用计算机算法分割的结果与手工分割结果的接近程度，其值越大表明算法分割性能越好。

过分割率OS的定义为：

(9)

式中，R2表示手工分割目标的面积或像素数，FS表示误分割为目标的面积或像素数。

欠分割率US的定义为：

(10)

表1三种情况的统计结果

Table1Statisticalresultsofthreedifferentsituations

算法左右肺部粘连成功数量气管与肺粘连成功数量左右肺以及气管与肺部粘连成功数量成功总数量本研究算法1009897295文献[1]算法949495283

图5测试肺部CT图像的分割结果

Fig5SegmentationresultsofthreepulmonaryCTimages

式中，OS表示误分割为背景的面积或像素数。

指标统计结果见表2，表中列出了本研究算法与文献[1]算法对300幅测试图像的平均Dice系数、过分割率OS和欠分割率US。可以看到，本研究算法各个指标比文献[1]算法均有明显提升。其中，分割准确性平均提高1.45%，过分割率降低0.4%，欠分割率降低1.57%。

表2本研究算法与文献[1]算法分割性能的定量比较

Table2Thecomparisonbetweentheproposedalgorithmandthealgorithminreference[1]

算法DSCOSUS本研究算法0.98650.00210.0133文献[1]算法0.97200.00670.0290

4 结论

本研究将超像素分割算法用于肺部CT图像的模糊区域定位和局部对比度增强，可以有效提高模糊区域或粘连区域的目标边缘检测性能。后续的阈值和形态学的细化分割，可以获得肺实质边缘光滑的轮廓曲线。

通过与传统阈值和形态学操作算法对比，本研究算法在不需要设计模板的情况下，可以有效处理不同类型的肺部结构粘连问题，鲁棒性和分割准确性均有明显提升。