肺部CT图像气管树分割技术研究进展

段辉宏 龚 敬 王丽嘉 李鑫宇 聂生东

(上海理工大学医疗器械与食品学院，上海 200082)

引言

肺部气管是人体重要的组织器官，同时也是与外界环境进行气体交换的重要场所。由于肺部气管长时间暴露于外界环境中，受辐射污染、化学污染以及空气污染等外界因素的影响，肺部呼吸道系统疾病的发病率呈现出逐年上升的趋势，慢性阻塞性肺疾病等慢性呼吸系统疾病，已经成为仅次于恶性肿瘤的主要疾病死因[1-2]。因此，探究呼吸道系统相关疾病的成因及其后续影响，对于预防和诊断肺部疾病有着重要的意义。

肺部气管由结缔组织、肌肉组织以及环状软骨组成，它们彼此相互连接从而形成中空管状腔体。从咽喉部的主气管开始至末端支气管，肺部气管树约分为17级，且随着气管级数升高，对应的气管半径与气管长度也随之减小。最终末端气管与肺泡组织相连，从而在肺泡内完成气体交换。由于肺部气管特殊的解剖结构和生理功能，肺部疾病与肺部气管的病变有着密切的联系[3-4]。而肺部气管的病变往往伴随着气管解剖结构的改变，因此肺部气管的解剖结构信息，常被用于肺部疾病的诊断以及治疗效果的评估[5-7]。

计算机断层扫描(computed tomography，CT)图像因具有良好的空间分辨率和成像质量，被广泛运用于肺部疾病的诊断。但由于CT图像的切层数较多且肺部气管树的结构复杂，通过人工阅片的方式对病变组织进行筛查或分割，往往费时费力[8]。同时，人工阅片的主观性较强，长时间地阅片也容易导致错误的判断。因此，基于肺部CT图像的气管树自动鉴别与病理分析能够极大地减少临床工作量，为临床诊断提供定量参考的同时也降低了误诊率。其中肺部气管树的自动分割与获取是定量分析与自动诊断的前提[9]，同时也是虚拟支气管镜、手术模拟导航等技术的基础[10-11]。

肺部气管树分割技术始于20世纪90年代末，CT图像技术的发展与进步，使得气管分割成为可能。在CT图像中，气管壁与管腔内部区域的灰度值相差较大，且气管各级分枝之间的连通性较好。同时，各级气管分枝被气管壁所包围，形成封闭的管状区域。但由于噪声、运动伪影以及病变组织的影响，气管壁会出现模糊或断裂，进而容易在分割过程中造成分割泄漏，导致气管被肺实质区域包裹，使分割结果失去临床意义。图1为本研究利用传统三维区域生长方法所获取的分割泄漏结果，展示了分割泄漏对分割结果的影响。而针对这一难题，不同的分割方法与分割策略被提出。

图1 肺部气管分割泄漏结果。(a)传统三维区域生长方法获取的结果；(b)冠状位二维CT图像，其中红色区域表示对应的分割结果Fig.1 The segmentation result of airway with leakage. (a)The result obtained by using traditional 3D region-growing；(b) A CT slice in the coronal planes, in which the segmentation result is marked as red

本研究总结了多年来国内外肺部气管树的分割方法，对其研究现状进行了综述，同时依据方法的主要技术路线将这些方法划分为：传统方法、基于管状结构检测的方法以及基于机器学习的方法。

1 肺部气管树分割

1.1 传统方法

由于肺部气管具有良好的连通性、相对较好的封闭性以及有规律的结构先验知识，使得基于区域生长的方法[12-20]、基于形态学的方法[21-32]以及基于规则和模糊逻辑的方法[8,33-39]成为了较为常见的肺部气管树分割方法。其中基于区域生长的方法，通过设定一定的区域生长规则，从自动或手动确定的种子点出发，对肺部气管树进行分割。因此区域生长的种子点选取与生长规则的设定，决定了该算法的分割效果。与三维区域生长类似的方法还有前向传播法(front propagation method)，该类方法通过检测波面前端的传播状态从而控制分割过程，并依据波面半径的大小判断并阻止泄漏的发生[40-41]。

基于区域生长与前向传播法的肺部气管树分割方法对噪声较为敏感，对气管壁的完整性要求也较高，因此易发生分割泄漏并且不能有效地分割出细小气管。后续的方法通常将三维区域生长用于主支气管的分割，然后结合其他的分割技术，对肺部气管树的细小气管进行分割。

而基于形态学的方法，主要利用了气管壁与气管内腔的结构与灰度特性。即在CT图像的二维切层中，成像较暗的管腔被较亮的气管壁所包围，从而形成局部极值区域。因此可以采用形态学的方法对局部极值区域进行检测，从而标记出潜在的气管区域。

基于形态学的方法一般会与三维区域生长相结合。通常会采用三维区域生长获取主支气管，然后利用形态学方法标记出细小气管，最后利用标记结果引导后续的精细分割。虽然较单一的三维区域生长方法，基于形态学的方法能够检测出更多的气管分枝数，但该类方法并未利用气管的三维管状结构特征。因此在噪声较多的案例中，容易标记出大量伪气管区域，从而导致在提取细小气管时发生局部泄漏。

基于规则与模糊逻辑的肺部气管树分割方法，主要利用了气管树的结构特点以及气管树与周围邻近组织的先验知识，并以此对分类规则或模糊逻辑进行设计。

基于规则和模糊逻辑的方法需要对分类规则、隶属函数以及亲和力函数进行设计。因为引入了模糊逻辑的概念，较前两类方法而言，其受噪声和气管壁断裂的影响稍小。严格的限制条件虽然有效降低了泄漏发生的概率，但检测出的气管分枝数会因此受到影响。并且该类方法的初始分割结果为概率结果，需要采用适当的阈值或方法提取出最终的气管树，因此阈值的设置和提取方法的选取同样也会对最终结果产生较大影响。图2分别列举了上述3种传统方法中，具有代表性方法的分割结果。

图2 传统方法的分割结果。(a)基于三维区域生长分割方法所获取的结果[15]；(b)基于形态学分割方法所获取的结果[25]；(c)基于模糊逻辑分割方法所获取的结果[35]Fig.2 The results obtained by using traditional methods. (a)The result obtained by using the method based on 3D region-growing[15]；(b)The result obtained by using the method based on morphology[25]；(c)The result obtained by using the method based on fuzzy logic [35]

1.2 基于管状结构检测的方法

上述传统的气管分割方法，虽然经过改进与结合，但分割结果依然容易受到噪声以及图像质量的影响。因此，后续研究提出了基于管状结构检测的气管分割方法。管状结构检测即指利用管状结构滤波器，在图像中检测出类似管状结构的物体。因为气管天然的管状解剖结构，可以依据气管的局部或整体管状结构特征，先对图像中的管状结构进行检测，然后再对检测出的结果进行精细分割，从而实现肺部气管分割。程远熊等[42]利用多尺度Hessian矩阵对像素点的三维局部特征进行分析，从而计算出像素点隶属于管状结构的可能性大小。然后将计算结果用于构建生长条件，最后使用三维区域生长对气管树进行精细分割。程远熊等定义的管状结构特征为

(1)

式中，λ1、λ2以及λ3分别为Hessian矩阵的3个特征值。

依据Hessian矩阵特征值与三维图像特征对应关系可知，若一个像素点属于气管区域，则对应的Hessian矩阵理想特征值关系为0←λ1≪λ2≈λ3。即特征值λ1、λ2以及λ3的大小都应大于零，并且应满足λ1趋近于零而λ2约等于λ3，同时λ2与λ3又远大于λ1。程远熊等利用了上述理论，通过Hessian矩阵特征值的大小关系判断像素点是否属于气管区域，然后通过阈值常数δ2剔除伪气管区域。该分割方法虽然运用了气管的管状结构特征，但特征判断公式较为单一，阈值常数δ2对检测结果影响较大，δ2取值过小则检出的气管区域将减少，反之则假阳性率将上升。此外，由于利用了像素点的二阶导数信息，基于Hessian矩阵分析的肺部气管分割方法往往对图像中的噪声较为敏感。同时利用基于高斯滤波的多尺度Hessian矩阵分析方法，会造成气管壁模糊，使得细小气管腔内与气管壁的对比度下降，从而导致部分细小气管被漏检。因此，针对上述问题，Bauer等在文献[43]与文献[44]中提出了改进方法。Bauer等的主要分割思想是将气管整体看作连通的管状结构，采用Krissian等提出的管状区域检测方法[45]，对潜在的肺部气管区域进行提取。文献[43]与文献[44]的共同之处在于，Bauer等均采用了Krissian等在文献[45]中提出的管状结构检测算法。该检测算法利用像素点Hessian矩阵的特征值与特征向量，构建出以该像素点为圆心的一系列圆周点，然后通过插值计算求出对应圆周点的平均响应值，并以此作为该像素点的响应值。最后通过多尺度分析，取该像素点在多尺度空间中的最大响应值，以此判定该像素点是否属于气管区域。Krissian等提出的管状结构检测算子为

(2)

式中：I表示原始图像，R+(x,σ,θ)表示点x在尺度σ下的管状响应值；bi表示在尺度σ下第i个圆周点在x+θσVai处的响应值，其中θ为尺度σ与检测半径的比例值；bi表示该点属于边界点的可能性大小，即该点属于气管壁区域的可能性大小；Vai=cos(ai)V1+sin(ai)V2表示第i个圆周点对应的旋转相量(rotating phasor)，用于估算圆周点的位置；V1和V2分别表示Hessian矩阵主曲率方向对应的两个特征向量，对应的特征值关系为|λ1|>|λ2|。αi=2πi/N代表第i个圆周点的离散相量角，其中N=[2πσ+1]表示离散圆周点的个数。

文献[43]与文献[44]的不同之处在于，文献[43]中Bauer等直接将结构检测算子运用于原始CT图像，从而获取潜在管状结构，然后提取出管状结构区域的中轴线。最后以中轴线为基础，通过角度与半径限制连接各气管分枝，从而获取最终的气管树。在文献[44]中，为了解决高斯滤波在多尺度分析中存在的问题，Bauer等首先利用梯度矢量流(gradient vector flow，GVF)的方法[46]获取气管壁的GVF幅值场，然后再将管状结构检测算子运用于GVF幅值场，从而获取潜在的气管区域，之后潜在气管区域的中轴线被提取。最后以中轴线为基础，Bauer等提出了反向追踪GVF幅值场的方法分割气管。在GVF幅值场中气管壁区域的幅值最大，向气管中心与背景区域延伸的过程中幅值逐渐减少，最后趋近于零。因此可利用GVF场的幅值由气管中心区域向气管壁区域递增的特性，从中轴线上的像素点开始，逐步纳入像素点，从而获取最终的气管树。同时在GVF幅值场中，不同尺度大小的气管壁梯度幅值，在指向气管中心区域的方向上都得到了延伸。因此可用GVF幅值场代替基于高斯滤波的多尺度分析过程，避免了高斯滤波带来的边界模糊，同时也消除了噪声的影响。文献[44]中的方法较文献[43]中的方法，平均气管分枝数由146.8上升至152.1，而假阳性率由2.44%下降至1.44%。通过对比分析可知，管状结构检测算子主要利用了气管壁的平均梯度信息，受气管壁断裂的影响较小，所以两个方法均取得了较好的分割结果。但原始图像中的噪声会对管状结构算子的检测精度造成影响，造成假阳性率上升，同时高斯滤波也会造成细小气管被漏检。因此，文献[44]中Bauer等利用GVF算子有效减少了噪声与高斯模糊的影响，从而取得了更好的分割结果。

不同于采用Hessian矩阵分析高阶信息的方法，Graham等[47]以及李艳波等[48]将分析重点侧重于气管影像的二维形状结构特征。该类方法依旧采用三维区域生长方法获取主支气管，并对原始CT图像利用阈值法获取包含细小气管的初始区域I，然后通过判定函数f(Ai)筛选气管区域。最后选取由f(Ai)函数得到的潜在气管区域的3层连续切层{Ai-1,Ai,Ai+1}，计算由每层气管区域质心组成的回归线。接着分别将3个切层中潜在的气管区域投影至回归线的法平面，依据3个投影的区域重合度以及中心重合度对潜在气管进行筛选，并最终将提取筛选出的细小气管与主支气管结合，从而得到最终的气管树。用于确定潜在气管区域函数f(Ai)的公式为

(I(x,y,zj)≤-600)

(3)

式中，f(Ai)为判断函数，I(x,y,zj)代表第j层CT图像中点(x,y,zj)处的CT值，Ai表示第j层CT图像中第i个四连通区域，而∂Ai与|Ai|则分别表示第i个四连通区域的边界与像素点数目。

式(3)通过判断连通域边界最小CT值与连通域平均CT值的差值大小，筛选出潜在气管区域。若f(Ai)>0，则将此四连通区域判定为有效的潜在气管区域。该方法虽然利用了气管区域的局部灰度、形状以及中心点特征，进一步提高了气管的分割效果，但计算量较大，并且若细小气管壁断裂，细小气管区域将无法通过阈值法与肺实质有效的分离，从而导致f(Ai)函数无法提取细小气管区域。

基于Hessian矩阵与局部图像特征的分割方法，都是在图像域中对肺部气管进行提取与分割。而Pu等[49]则采用了一种新颖的方式对肺部气管进行分割。与传统方法的不同之处在于，Pu等将气管分割问题转换到了几何空间域，通过分析不同组织结构的几何特性对肺部气管树进行分割。该方法首先通过移动立方体法(marching cubes algorithm)构建肺部的几何结构模型，即将肺部组织器官转化为三角面片结构，然后通过计算各三角面片顶点的主曲率和主方向，从肺部几何结构模型中筛选出气管区域。该方法不需要追踪气管路径，几乎不受气管壁断裂以及气管内腔连通性的影响。同时只需设置多个等值面提取阈值，便能构建出不同尺度大小的气管几何结构模型，所以该方法发生分割泄漏的情况极少。但从分割结果可看出，气管分枝之间存在较明显的断裂，分枝间的连通性较差。

基于管状结构分析的方法主要利用了气管的局部结构特征与几何特征，因此较以往的方法具有更好的适用性，能够依据分割案例的实际管状结构对气管进行分割。与传统的方法相比，适应性更强，发生泄漏的情况更少，同时检测出的气管分枝数也进一步提高了。但在图像分辨率较低，噪声较多的分割案例中，该类方法会导致部分细小气管被漏检，并且只利用几何结构特征对气管树进行分割，容易造成气管分枝间的断裂。图3列举了文献[44]与文献[49]中所获取的部分分割结果。

图3 基于管状结构检测方法获取的肺部气管树分割结果。(a)文献[44]中的实验结果；(b)文献[49]中的实验结果Fig.3 The results obtained by using the method based on detection of tube structure. (a) The result in Ref[44]；(b)The result in Ref [49]

1.3 基于机器学习的方法

基于机器学习的肺部气管树分割方法是近年来的研究重点，也是目前为止肺部气管分割效果最好，假阳性率最低的分割方法。研究者主要利用气管的结构以及灰度等特征，将机器学习的方法运用于气管分割步骤或者泄漏消除步骤。具有代表性的方法为Lo等在文献[50]中提出的方法。该方法首先利用三维区域生长获取未泄漏与发生泄漏的分割结果，然后将两个结果用于训练K最邻近分类器(k-nearest neighbor，KNN)[51]。同时采用多尺度Hessian矩阵分析提取分割案例的气管树及血管树轴向方向。最后依据局部气管与血管的方向差值，以及分类器的分类结果分割出最终的气管树。因此Lo等提出的分类函数表达式为

(4)

图5 文献[56]中，气管分割方法与泄漏剔除方法相结合的算法示意(Ci表示通过参数调整获取的第i个气管树；气管树中蓝色部分表示气管区域，红色部分代表泄漏区域；CiΓ表示气管树Ci经过泄漏剔除后得到的气管树，表示取气管树的并集)Fig.5 The overview of the method combined airway segmentation and leakage elimination method in Ref [56] (The stands for the i th airway tree obtained by varying parameters; The airway region is marked in blue and the leakage is marked in red; The is the leakage reduced segmentation, and the indicates the union of all

基于机器学习的方法因为引入了训练与学习的概念，使得算法能进行自主学习，并对气管区域与非气管区域进行有效地分类，进而能够有效地剔除分割泄漏。但用于训练分类器的特征以及训练集的选取会对分类结果造成较大的影响，并且目前还未出现特征选取与优化问题对气管分割结果影响的文献和报道。同时，利用机器学习方法获取的分割结果，虽然有最低的假阳性率，但检测出的气管分枝数与气管长度还有待进一步提升。

2 总结与展望

笔者依据主要技术路线，对国内外的气管树分割方法进形了总结和归纳。为了更好地突出各方法的特性，在表1中进一步列举并对比了部分具有代表性的方法。

表1代表方法信息统计

Tab.1Summaryandcomparisonofseveralairwaysegmentationmethod

作者案例数采用方法分割结果Kitasaka [17]3ROI划分区域生长6级气管Schlathoelter[40]1前向传播法25%的6级气管Bartz [41]22区域生长前向传播法模板匹配法敏感性85%(5级气管)敏感性58%(6级气管)阳性率90%以上Aykac [25]8区域生长形态学重建闭空间膨胀最高检测出10级气管全部检测出7级气管Tschirren [34]22ROI划分模糊连接度敏感性76.5%Pu [49]75微分几何法最高分割至11级气管Lo [50]15机器学习区域生长平均分枝数12351.2%探测率Meng [52]50管状检测SVM图割法平均探测率为79.1%

从表1中可看出，各方法采用不同的评价指标对分割结果进行了定量分析，其中主要包括气管分枝数、气管级数、敏感性以及假阳性率等指标。因为气管解剖结构复杂，分枝数众多，手动分割的金标准难以获取。因此，在肺部气管分割技术的发展初期，没有统一全面的评价标准。采用的实验数据也各不相同，所以对各方法进行定量比较是十分困难的。但值得一提的是，Lo等在2009年举办的EXACT09气管分割竞赛中，首次提供了20组训练数据以及20组测试数据用于气管分割[57]。20组测试数据不仅涵盖了临床中常见的肺部疾病，用于图像采集的参数与机器也各不相同。同时EXACT09竞赛还提出了较为全面的评价指标，包括了气管总分枝数、气管总长度、泄漏体积以及假阳性率。在竞赛中也涌现出了较多的方法，这些方法以及评价指标对后续的研究产生了较大的影响。通过对多年来国内外的肺部气管分割方法对比研究发现，气管分割方法逐渐从简单的灰度分析向管状结构分析方向发展，并且正在逐步地引入机器学习的方法。同时，分割结果的分枝数与气管长度得到了大幅度提升，假阳性率也大幅度降低，而且分割结果的评价指标也得到了完善。最后，通过总结分析发现，限制分割泄漏与更高的气管探测率往往是相互矛盾的。因为严格的分割条件虽然限制了泄漏的发生，但也丢失了潜在的气管区域，反之泄漏发生的概率又将加大。因此，如何在保证假阳性率较低的基础上，进一步提升气管树的分割效果，成为了制约肺部气管树分割技术发展的瓶颈。

基于上述分析可以发现，传统的分割思想在分割过程中兼顾气管分割与泄漏检测，即在气管分割过程中同时检测并防止泄漏的发生。这样的分割思想往往会摒弃许多潜在的气管区域，从而造成检测出的气管分枝数较少。Charbonnier等利用基于卷积神经网络的方法，对EXACT09的参赛结果进行泄漏检测和消除[56]。实验结果表明，该方法能够很好地消除各种类型的泄漏，大大降低了分割结果的假阳性率。实验证明，泄漏剔除方法可以独立于气管分割方法，且将气管分割方法与独立的泄漏剔除方法相结合，先进行气管分割再进行泄漏剔除，能够在降低假阳性率的同时，使气管的分割效果进一步提高。文献[56]中泄漏剔除算法的效果如图6所示。

图6 文献[56]中泄漏剔除算法的效果。(a)分割发生大量泄漏的结果；(b)剔除泄漏后的气管树，红色箭头指向区域对应(a)中的泄漏区域Fig.6 The result obtained by using the leakage elimination method in Ref [56]. (a) The leakages in a given airway segmentation; (b) The leakage reduced result, in which the red arrows indicate the corresponding leakages in (a)

因此后续的气管分割方法，可以将气管分割与泄漏检测划分为两个相互独立的步骤，然后将两个独立的方法进行结合。即在气管分割步骤中尽可能多地分割出潜在的气管区域，然后再通过泄漏剔除算法对分割步骤中产生的泄漏进行消除，从而进一步提升肺部气管分割算法的效果。此外，上述分割思想还能适用于低剂量CT的气管分割。在低剂量CT图像中噪声较多且分辨率低，传统的方法很难在保证敏感性的同时防止泄漏。因此采用上述分割思想，即便在分割步骤中产生了如图6所示的大量泄漏，泄漏剔除步骤也会将大部分典型的泄漏清除。综上所述，该分割思想保证了敏感性的同时，也降低了分割结果的假阳性率，且能够适用于各类临床数据。

此外，为进一步发展肺部气管分割技术，还可结合以下领域进行研究：一是结合血管分割领域的方法，将新的管状结构提取与增强方法运用于气管分割；二是将深度学习进一步运用于气管的分割和泄漏检测步骤中，同时研究气管特征的提取以及特征的筛选与优化，从而进一步提高分类结果的准确性；三是建立肺部气管树金标准数据库，为比较研究气管分割方法提供便利。