基于改进凸包法的肺实质CT图像分割

伍冠楚 吴黎明 林耿萱 钟杨 蒋丹凤

学术研究

基于改进凸包法的肺实质CT图像分割

伍冠楚 吴黎明 林耿萱 钟杨 蒋丹凤

（广东工业大学机电工程学院，广东 广州 510006）

针对计算机辅助诊断的需求，提出一种基于CT图像的肺实质分割方法。首先，使用大津法实现CT图像肺实质预分割，并利用数学形态学去除噪声；然后，采用区域生长法以及小面积删除法完成肺实质分割；最后，使用改进的凸包法对分割后的肺实质CT图像进行边界修复，并将得到的掩膜图像与原图像进行数学运算，得到肺实质感兴趣区域。实验结果表明：本文提出的方法具有分割精确高、鲁棒性强、自动化程度较高的特点。

区域生长法；凸包法；肺实质；大津法

0　引言

近年来大气污染严重，肺部疾病发病率逐年增高。世界卫生组织发布的报告显示，肺癌已经成为死亡率最高的癌症[1]。传统的肺癌诊断方法是通过医生观察X光图像或CT图像，并结合病人的病理报告来判断，易受人为因素影响，可能导致误诊。因此，计算机辅助诊断成为当下热点。

计算机辅助诊断肺部疾病需要大量优质肺实质数据集，同时肺实质分割质量直接影响计算机辅助诊断结果的精确度。然而，由于CT图像中各组织的灰度分布不均匀、结构复杂等原因，导致肺部边界难以精确分割[2]。针对以上问题，本文提出区域生长法和凸包法相结合的方法，实现肺实质分割。

1　肺实质分割系统

肺实质分割系统是为计算机辅助诊断而开发的CT影像分割系统，它能够将肺部CT图像中的肺实质区域精准分割出来。肺实质分割系统主要由图像预分割、肺实质区域提取和轮廓修补3部分组成，其流程如图1所示。

图1　肺实质分割系统流程图

1.1　图像预分割

图像预分割通过滤波、通道转换、二值化、膨胀和腐蚀等数字图像处理方法，将CT图像的噪声去除，使肺实质区域轮廓变得清晰、明显。本文用大津法[3]作为预分割的主要算法。大津法的计算公式为

图2　大津法预分割CT图像肺实质结果

本文去除噪声的办法是先对图像进行一次开运算：

再进行一次闭运算：

式中，为像素点集合；为结构元素。

结构元素可以选择矩形或圆形对集合进行逻辑运算，经实验比对选择圆形去噪效果最佳。去噪结果如图3所示。

图3　CT图像去噪结果

1.2　肺实质区域提取

区域生长法的基本思想是选择若干个种子点，将与种子点有相似性质的像素点合并到一起，直到没有满足条件的像素点为止[4]。区域生长法思想简单、容易实现，生长准则自由指定，并且可在同一时间选择多个准则。本文采用区域生长法实现肺实质区域提取，提取结果如图4所示。

图4　肺实质区域提取结果

1.3 轮廓修补

常用的轮廓修补方法有形态学方法、滚球法、Snake算法和凸包算法等[5-8]。由于形态学方法和滚球法可能出现过修复和欠修复情况；Snake算法需要一定的人工交互，自动化程度较低，所以本文采用改进的凸包算法，实现轮廓修补。改进凸包法修补肺实质轮廓流程如图5所示。

图5　改进的凸包法修补肺实质轮廓流程

1）找到肺实质区域所有轮廓。利用改进的凸包法对肺实质区域进行轮廓修补时，需要已知肺实质区域轮廓点。本文利用findContours函数找到肺实质区域轮廓点。

2）利用Graham算法扫描得到凸包。Graham算法不断保持一个凸壳通过加入新的点和去除影响凸性的点，最后形成包含所有点的凸包。凸包在二维欧几里得空间中可以理解为刚好包含所有点的圈，因此轮廓点包含凸包点。步骤1）找到的第一个轮廓点作为初始点，凸包上相邻线段的旋转方向应该一致，并且与扫描方向相反，当发现新加入的点使新线段与上一条线段旋转方向不一致，则可以判断新点不在凸包上。设扫描方向是逆时针，新加点为P，上一个点为P+1，再上一个点为P+2，即

3）判断凸包点集合相邻两点距离。设定阈值为

4）修补区域映射到二值图像。将步骤3）得到的修补区域通过遍历像素点的方式，得到修补区域的坐标，并在二值图像上根据坐标一一映射。

5）填充修补后肺实质区域。将修补区域映射到二值图像时，由于肺实质区域边界崎岖，会产生空缺部分，利用最小面积删除法填充肺实质区域，得到修补后的二值图像，如图6所示。

图6　肺实质轮廓的凸包修补

2　实验验证

本文采用的数据集是广东某医院提供的若干个病人的胸部CT图像，从中挑选30幅不同年龄段的病人且边界模糊的胸部CT图像（512×512）。其中，每一幅图像都由2位放射科专家进行标注。

本文通过计算放射科专家的标注和算法分割结果的相似度来评价分割精确度。Dice系数可计算2个序列的相似度[9-11]，计算公式为

对于每一张CT图像，计算算法分割出的肺实质轮廓序列1与放射科专家标注的肺实质序列2的系数，结果如表1所示。

表1 Dice结果

由表1可知：算法分割出的肺实质轮廓与专家标注的轮廓系数达到97%，意味着序列之间的相似度为97%。随机选取5个实验图像分割结果如图7所示。

图7　肺实质CT图像分割结果

3　结论

由于CT图像中各组织灰度不均匀，且结构复杂，使用单一的方法分割肺实质很难完整保留其边信息。本文将区域生长法和改进的凸包算法结合，并通过计算专家标注和分割结果的相似度来评价该方法性能。实验表明：本文提出方法能够较为精确地分割出肺实质区域，有效保留肺部的边缘信息。本文方法的不足之处在于：仍然需要一定的人工交互，比较依赖经验值（需要人为设定阈值）。在后续的工作中，将以降低人工交互程度、提高自适应性、减少对经验值的依赖为目标，对方法进行改进。

[1] 邬雪涛,林岚,王婧璇.基于CT图像的肺实质分割技术研究进展[J].智慧健康,2019,5(20):87-89.

[2]BARTZ D, MAYER D, FISCHER J, et al. Hybrid segmentation and exploration of the human lungs[C]. IEEE Visualization, 2003: 177-184.

[3] OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man & Cybernetics, 2007, 9(1): 62-66.

[4] 陈亚楠,陈丽芳,芦国军.基于otsu和区域生长的肺部CT图像分割方法[J].无线互联科技,2018,15(17):103-104.

[5] 刘莹芳,柏正尧,李琼.一种基于CT图像的肺实质分割方法[J].云南大学学报(自然科学版),2019,41(3):456-463.

[6] 周茂,曾凯,杨奎,等.肺部CT图像分割方法研究[J].CT理论与应用研究,2018,27(6):683-691.

[7] 张文莉,吕晓琪,谷宇,等.基于肺部CT图像中肺实质分割的研究进展[J].中国医学物理学杂志,2017,34(9):902-907.

[8] 耿欢,覃文军,杨金柱,等.基于CT影像的肺组织分割方法综述[J].计算机应用研究,2016,33(7):1929-1935.

[9] KALENDER WA, FICHTE H, BAUTZ W, et al. Semiautomatic evaluation procedures for quantitative CT of the lung[J]. Computer Assist Tomography, 1991, 15(2): 248-255.

[10] YANG XQ, LI B, WEI SM. Method for segmenting medical image based on anatomical model[J]. Space Medicine & Medical Engineering, 2005, 18(1): 62-65.

[11] PRAMOD Kumar S, MRITYUNJAYA V Latte. Lung parenchyma segmentation: fully automated and accurate approach for thoracic CT scan images[J]. IETE Journal of Research, 2018:1-14.

CT Image Segmentation of Lung Parenchyma Based on Improved Convex Hull Method

Wu Guanchu Wu Liming Lin Gengxuan Zhong Yang Jiang Danfeng

(School of Mechanical and Electrical Engineering, Guangdong University of Technology, Guangzhou 510006, China)

To meet the needs of computer-aided diagnosis, this paper proposes a method of lung parenchyma segmentation based on CT images. This method first uses Otsu method to realize pre-segmentation, then uses mathematical morphology to remove noise, then uses region growth method and small area deletion method to complete the segmentation of lung parenchyma, and finally, an improved convex hull method is used to perform boundary repair on the segmented picture. A mathematical operation is performed on the obtained mask image and the original image to obtain a parenchymal region of interest. The experimental results prove that the method used in this paper has the advantages of high accuracy, robustness and high degree of automation.

regional growth method; convex hull method; lung parenchyma; Otsu

TP391

A

1674-2605(2020)06-0004-05

10.3969/j.issn.1674-2605.2020.06.004

伍冠楚，男，1996年生，硕士研究生，主要研究方向：图像处理与深度学习。E-mail: 549713043@qq.com

吴黎明，男，1962年生，教授，主要研究方向：人工智能与深度学习。E-mail: jkyjs@gdut.edu.cn

林耿萱，男，1996年生，硕士研究生，主要研究方向：人工智能。E-mail: 452985924@qq.com

钟杨，男，1997年生，硕士研究生，主要研究方向：人工智能与深度学习。E-mail: 769012871@qq.com

蒋丹凤，女，1992年生，硕士研究生，主要研究方向：人工智能与深度学习。E-mail: 815514635@qq.com