CT图像特征的高精度区域分割

李定丽，蒋霜霜，周丹

(四川省绵阳市中心医院放射科，四川 绵阳 621000)

1 引 言

计算机层析医学成像(computed tomograph,CT)是最先进的一种医学疾病检测技术，该技术通过图像的形式，直观地展示出被检测对象体内的结构和形状，该技术常用于医学疾病的诊断和工业精密零件的无损检测[1]，因此,采用CT图像处理技术对被测对象进行量化的自动分析，逐渐成为研究热点。高精度信息对CT图像的分割至关重要，因此,相关学者提出了一些好的方法[2]。文献[3]基于图割和边缘分析的肝脏 CT 序列图像分割方法，具有较强的抗噪性能，但是分割精度并不是很高。文献[4]利用光线透射法并结合ITK和VTK函数库对CT扫描图像序列进行三维重建，得到胸腔三维模型，之后利用区域生长法进行冠状动脉三维分割，实现冠脉模型的重建任务。但是该方法却存在运用单一约束条件的情况，导致分割精度较低。

针对上述问题，本研究提出一种新的CT图像特征的高精度区域分割方法。

2 CT图像特征高精度区域分割方法设计

2.1 血管的初步分割

2.1.1CT图像的灰度腐蚀运算 灰度腐蚀运算是将具有包含类似性质的像素点聚集在一起构成一片区域[5]。在原始CT图像的待分割区域中，随机选取一个种子点作为生长起点，并在与该种子点相邻的区域中筛选与种子点相似度符合生长准则的像素，将这些符合要求的像素与种子所在区域合并，此时将合并后的新像素作为新种子点，并重复进行上述像素搜索与合并操作，直至无可合并像素。

灰度腐蚀运算通过在感兴趣(region of interest，ROI)区域中选择初始种子点S(i,j)，利用公式(1)对该初始种子在3×3领域的灰度值进行计算，并将该结果作为该种子区域的初始值[6-7]，即可降低错选种子和噪声对分割过程的干扰。

(1)

式(1)中g(x,y)代表待归并的初始像素点(x,y)的灰度值，p和q分别为常数。

采用公式(2)计算该种子点5×5邻域的方差值，将该结果作为生长准则的归并阈值。

(2)

式(2)中，(x,y)为种子区域中心的坐标。生长准则表达式见公式(3)：

|g(x,y)-AveGray|<δ

(3)

式(3)中AveGray表示当前区域的平均灰度均值，其初始值用mean(x,y)表示。至此完成对CT图像的灰度腐蚀运算。

2.1.2CT医学图像的滤波处理 在对CT图像进行了灰度腐蚀运算之后，再对分割图像进行滤波处理，具体过程如下：

(1)对待分割的所有图像进行滤波处理[8]，滤波处理过程是一种非线性的图像平滑处理法，该处理过程受脉冲干扰的效果好且能有效保护CT图像的边缘。利用滤波处理对滑动窗口内的所有像素值按灰度进行排列，将窗口中心像素原始的灰度值用中值替换。

(2)从多张CT图像中任选一张图像，从特征区域选取种子点，采用动态自适应生长方法对该种子实施区域增长操作，获取该CT图像特征的分割结果，并将结果保存，记作集合A。

(3)将集合A映射到相邻的CT图像中，得到一组新的投影点记作B，将集合B作为相邻CT图像的初始分割区域，计算投影同式(3)一致。其中，g(x,y)则表示投影点B的灰度值，AveGray则为前一张CT图像的区域平均灰度值。

(4)对投影点B所在区域内的像素点实施区域增长处理，得到最后的CT图像分割结果。

(5)对CT图像中所有切片区域判断是否全部分割，若全部进行分割则退出方法，反之则返回步骤(3)。

2.1.3种子点的自动选取 经过灰度腐蚀运算与滤波处理后的CT图像属于灰度图像，其颜色的呈现是通过灰度直方图实现的，但在单幅CT图像灰度统计结果中，血管灰度特征有可能无法正确体现，因此，需要对CT图像实施灰度统计，依照灰度直方图进行种子点的自动选取，实现对血管的初步分割。

CT图像的灰度级计算依照灰度直方图的统计定义。设置一个自然数集合D和灰度级集合F={0,1,...,255}(F⊆D)，定义CT图像函数表达式为：f:M×N→F，将点(x,y)的灰度用f(x,y)表示，用ni表示灰度值i的像素数量，将Pi=ni/MN表示为灰度值i的出现概率[9]。图像f(x,y)的灰度直方图用{Pi;i∈G}表示，从中可直观了解图像相应的动态区间情况和图像的灰度集中范围。图1为单幅CT图像的灰度统计直方图和整个图像CT的灰度直方图。

由图1可以看出，整个CT 图像的灰度直方图曲线较为光滑，峰值及其隶属的灰度区间也相较单幅CT图像稳定。血管的灰度特性需要结合灰度统计结果的峰值，因此，选取的初始种子应具有较高的灰度值，并且其相邻种子点的灰度值也应较高。经分析可知灰度值的峰值h=160，将血管的灰度区间设置为[h-25，h+25],采用公式(4)来选择种子点：

图1 CT图像的灰度直方图统计Fig 1 Histogram statistics of CT images (h-25)I(i,j,k)(h-25)

(4)

式(4)中I(i,j,k)为待判断种子点的灰度值。

对CT图像中某一像素点以及25邻域内判断所有像素的灰度值是否在血管的灰度值区间，若该像素点符合要求[10]，标记对应像素点；反之，选取与该CT图像相邻图像的种子点，重复进行直至无符合要求灰度区间的像素。依照该过程选取的种子点，能获取所有涵盖血管轮廓的二值图像，完成对血管的初步分割。

2.2 血管区域高精度分割

在上述血管初步分割的基础上，先采用自适应区域生长规划对血管进行区域分割，更新均值，对种子点进行持续分割，分割流程见图2。

图2 血管高精度分割流程图Fig 2 Flow chart of high precision blood vessel segmentation

(5)

式(5)中，Xi为候选点的灰度值。

其生长规划为：

(6)

(7)

3 实验分析

3.1 肝脏CT图像高精度分割分析结果

为验证本研究方法有效性，进行仿真实验。实验以南方某医科大学医疗库中的静脉期肝脏CT序列图像为检测对象，采用本研究方法进行肝脏CT图像特征高精度区域分割，图3为CT序列图像中的第207层CT图像采用本方法前后的滤波处理结果。

由图3可以看出本研究方法对CT图像中的噪声进行了有效过滤，经过滤波处理后的图3(c)CT图像中的空洞，相较于图3(a)和图3(b)207层肝脏CT图像，空洞现象有所减少。

之后，将本方法与专家手工分割进行对比实验。在静脉期CT序列图像中随机选取5张图像，由5位影像处理专家分别对该5幅图像特征进行肝脏高精度轮廓分割，将该分割结果与本研究方法的分割结果进行比较，结果见表1。

(a)

(b)

(c)图3 肝脏CT序列图像特征区域分割结果 (a).207层肝脏序列图像；(b).滤波前分割结果； (c).本研究方法滤波处理后分割结果Fig 3 Segmentation results of liver CT sequence image feature region

分析表1数据结果可知，采用本研究方法的CT图像特征分割结果与实际手工分割结果在面积相对误差不同时，CT图像也有所不同，从表中数据可知图像编码为68、96、166、226和267，CT图像的面积平均相对误差百分比为1.098%，周长平均误差为3.114%，质心偏移像素平均值为3.6。其中，面积特征是最能反应区域分割效果的好坏，从面积平均相对误差百分比1.098可以看出，本研究方法的分割结果是比较满意的。除此之外，在Dice相似度系数方面，本研究的Dice系数都超过了90%，而手工分割方法的Dice系数均低于80%，能看出本研究方法在分割结果方面具有较高的准确度。

表1 手工分割与本研究方法分割结果

3.2 肝脏血管CT图像高精度分割分析结果

为验证本研究方法在分割肝脏血管的有效性，与目前使用范围最广的文献[4]方法进行对比实验。实验以第197幅、222幅的图像为例，分别采用本研究方法和文献[4]方法进行分割，对比两种方法的灵敏度、特异度以及Dice相似度系数，结果见表2。

表2 文献[4]与本研究方法分割对比结果

根据表2的对比结果可知，本研究方法无论是在灵敏度、特异度还是Dice系数方面都超过了90%，与文献[4]方法具有较大的差距，分割精度较高。

4 结论

针对传统CT图像分割存在的精度较低的问题，本研究提出一种约束持续的CT图像特征高精度区域分割方法。首先，对CT图像进行灰度腐蚀运算与滤波处理，并且根据处理结果确定种子点选取原则，以便能够获取所有涵盖血管轮廓的二值图像；其次，通过更新均值、对种子点的持续分割来确定无满足灰度区间像素点，最终实现对CT图像特征的高精度区域分割。对比实验结果表明，所提方法能够减少CT图像的空洞现象，相较于手工方法与传统方法，本研究所提方法的分割精度较高。