基于质心与区域生长的肝脏自动分割方法

夏永泉，乔四海，支 俊，谢希望，叶倩倩

（郑州轻工业大学 计算机与通信工程学院，河南 郑州450000）

0 引 言

肝脏是人体新陈代谢的一个重要器官，也是人体腹部中最重要的消化器官，极其容易引发肝部疾病，如肝癌等[1]。肝脏分割技术[2⁃3]对帮助医生治疗肝部患者起着重要作用。如何精确地将肝脏部分区域从腹部CT图片中分离出来，对医生进行医疗诊断起到关键作用。

对于连通性比较好的腹部CT图片，背景和目标图形相差不大，使用区域生长法比较合适。区域生长算法的关键在于选择合适的种子点和区域生长准则，这两种因素的选取直接影响到图像分割的好坏。本文提出了一种新的肝脏自动分割方法。针对CT图像对比度低的特性，首先对原始图像进行降噪处理和二值化处理；利用肝脏在CT图像中体积最大的特性获取肝脏的初始轮廓，通过寻找初始轮廓中肝脏区域的质心自动获取区域生长的种子点；最后利用改进的双阈值区域生长算法获取肝脏区域，达到精准分割的目的。

1 算法分析

本文采用区域生长算法进行肝脏分割，它将具有相似性的像素点集合起来构成区域。在目标区域中找出种子点，然后将种子像素周围邻域中与种子有相似性质的像素合并到种子像素所在区域中。本文的具体算法流程如图1所示。

图1 算法流程图

获取原始图像后对图像进行预处理，利用非线性空间域图像去噪方法给CT图像降噪，消除图像中的干扰部分，填充CT图像中的空洞部分；利用迭代法选取合适的阈值，将目标图像与背景图像进行分离。然后利用肝脏在CT图像中体积最大的特性锁定初始肝脏区域轮廓，选取锁定区域中的质心作为种子点；利用区域生长算法将肝脏区域精准地从CT图像中分割出来。为了便于比较，最后把肝脏区域在CT图像中进行边缘标记。

1.1 非线性空间域图像去噪方法

对腹部CT图像进行预处理，主要目的是消除图像中无关的信息，增强边缘区域部分的可检测性[10]。腹部CT图像中各个部分没有很明显的分割线，针对腹部CT图片的这个特性，本文采用自适应中值滤波方法对图像进行降噪，具体如图2所示。

根据窗口中心的像素点与判定的像素信息之间的关系改变滤波窗口的大小，能更好地保护图像的纹理细节[11]。采用阈值法进行二值化，把图像分割为目标和背景两部分[12]，经过去噪处理以后，腹部CT图像中各器官之间对比度低，边界不明显的情况已经得到很好的改善。

1.2 肝脏自动分割

针对腹部CT图像这种连通性好的图像，区域生长分割算法能达到很好的效果。区域生长算法依据指定的准则将图像分割为相似的区域[13]。文献[14]等通过对两个阶段的区域生长算法进行改进，达到对CT图像的肝脏分割和血管分割。此方法依赖于生长准则和阈值选取，而且需要人为地选取种子点。上述方法虽然能够精准地分割出目标区域，但需要掺杂人为因素选取种子点或者设置轮廓模型，有一定的局限性。文献[15]提出一种改进的区域生长算法的肝脏管道图像分割方法，它通过坐标系映射转换获取肝脏位置，减少人工交互确定种子点的位置，提高了分割的准确度且不需要很长的分割时间。

(4) 试验结束后，不同土体的稳定梯度比Gr值不一致，稳定梯度比Gr值大小为：粉质黏性土>砂质黏性土>砾质黏性土。

图2 自适应中值滤波方法去噪效果

1.2.1 基于质心的种子点选取

正确地选取种子点，对分割的结果好坏至关重要。把种子点选取在噪声部分或各区域连接区域，会造成分割错误、分割边缘模糊等问题。传统的区域生长算法需要人工交互来获取种子点。针对腹部CT图片的特性，如果在噪声处或者边缘部分选取种子点，会影响分割精度。在获得最大联通区域之后，本文通过获得连通区域的质心作为种子点达到自动分割的目的，如图3所示。

图3 自动选取种子点

求解质心的原理如下：在上一步的基础上，找出最大连通域的最小外接四边形，设其区域为σ，密度为μ(x,y)，取点M(x,y)处面积元素dσ，对应的质量元素dm=μ(x,y)dσ，它 对x轴 的 静 矩 为dM x=xdm=xμ(x,y)dσ，对y轴的静矩为dM y=ydm=yμ(x,y)dσ，再 分 别 对 区 域σ作 积 分

本文通过获取最大联通区域的质心作为区域生长算法的种子点，这是本文的一个创新点。它避免人为选取种子点的主观因素，将种子点选取在错误的位置上，同时避免了将种子点选取在最大联通域的边缘位置，确保能够正确地选取种子点，做到精准分割。

1.2.2 基于区域生长法的自动分割

影响区域生长算法的因素有种子点的选取、区域生长准则和终止条件[16]。区域生长准则和终止条件的选择是一个很重要的因素，选择正确的阈值能够直接影响到分割的完整性和精准度。

文献[17]提出一种改进的生长区域算法，把分割好的区域平均值作为生长条件，定义一个数组记录当前像素点与种子点的距离，找出最小距离。若当前像素点的灰度值与种子点的灰度值相差小于最小距离，归并到种子点集合当中。

文献[18]结合区域生长、置信区间、区域竞争的优势进行肝脏分割，选出一些目标区域的种子点，实现区域选择背景对象。使用置信区间迭代求出最优阈值区间，再使用二分搜索查找出中值，得出最终结果。这两种方法虽然对传统的区域生长算法进行了改进，但分割效果对比不是很明显。

为了能够达到预期的区域生长效果，本文对传统的区域算法进行改进，以种子点为中心的连通域作为已生长区域R，生长规则中规定相邻像素之间的灰度差不大于设定的生长阈值，将满足要求的像素点归并到已生长区域R。将3×3的邻域作为最初的生长区域，采用灰度值的方差和均值作为生长条件，其中均值和方差的计算公式为式（3）和式（4），区域生长准则为式（5）和式（6）。

式中：seedpoint(x,y)是种子点的灰度值；f(x,y)mean和f(x,y)var为当前邻域的均值和方差；th1和th2分别为区域生长的阈值，这里th1和th2分别与方差f(x,y)var有关。

种子点不断地并入肝脏区域以后，肝脏区域也随之增大，th1和th2也会随着方差的改变而改变，与固定阈值比较，此方法在分割上有明显的效果。本文经过大量实验来确定th1和th2与方差f(x,y)var的关系。最终确定th1=2f(x,y)var、th2=f(x,y)var时，分割所产生的空洞最少且与原图像的相似度更加契合，如图4所示。

图4 不同阈值分割结果

在图4中，图4a），图4b）选择的阈值太小，造成分割结果出现了大量的空洞，不利于病灶部分的提取。图4e），图4f）选择的阈值太大，出现了过分割现象，肝脏边缘分割不均匀。图4c），图4d）中不会出现大量的空洞，且图像分割边缘平滑，与原图像非常契合。因此，阈值选择th1=2f(x,y)var，th2=f(x,y)var比较合适。

经过区域生长算法处理之后，能够得到肝脏的粗糙轮廓。与一般的区域生长算法相比，本算法因为用到双阈值的缘故，获得的肝脏区域存在的空洞很少。前面已经降低了各个器官的对比度，与周边组织的黏连性变得很小，再利用双阈值进行肝脏的分割，能够达到很好的分割效果。

2 实验结果与分析

由图4可发现，在对CT图像进行肝脏分割时，会在分割后的肝脏中产生空洞。为了便于比较，本文采用图像处理中形态学的腐蚀、膨胀运算对肝脏区域的空洞进行填充，具体原理为：

式中：A为需要处理的二值化图像；B为自己定义的一个结构元素。式（7）代表用结构B腐蚀图像A，式（8）表示用结构B膨胀图像A。利用形态学对空洞区域进行填充，开运算是先腐蚀再膨胀，闭操作是先膨胀再腐蚀。具体的区域填充如式（9）所示。AC为A的补集，具体是把其中的黑色区域变为白色区域，当ST=ST-1时填充区域完成。

形态学处理和边缘标记效果如图5所示。

本文通过获取最大连通域的质心作为区域生长算法的种子点进行肝脏的自动分割，在测试图像的数据中随机选取4组图片进行测试，实验结果如图6所示。

图5 形态学处理和边缘标记

为了便于突出本算法的可行性，分别与传统的区域生长算法、文献[19⁃20]算法相比较，如图7所示。

实验对比可知，传统的区域生长算法需要人为地设置种子点位置，同时需要设置相应的生长条件。对于这种边界比较模糊的CT图像，分割的结果产生大量的空洞，而且会和其他区域相连，边缘分割相对模糊。

图6 肝脏自动分割结果

图7 不同分割方法结果

文献[19]中使用了改进的生长算法，它结合区域生长和水平集的特点，提出了新的水平集分割算法模型。能够准确地分割出感兴趣的区域，但是对于图像中灰度差异变化不大的地方会产生大量的空洞，区域生长算法的分割效果不好。

文献[20]提出一种基于几何主动轮廓模型的图像分割方法，它利用几何主动轮廓模型对图像进行分割，由于受迭代次数和参数的影响，会造成腹部CT图像出现过分割或欠分割现象。

本文算法的优势在于分割过程不受人为设置参数和初始轮廓等主观因素的影响。把区域的质心作为种子点，能够很好地避免把种子点选取在肝脏边缘部分或者噪声部分所带来的分割错误。利用双阈值区域生长法能够使图像分割的更加精准，自动分割后目标区域的图像空洞较少且边缘相对平滑。分割出的图像更加饱满且与原图像契合，同时不受种子点的影响，做到自动分割。

3 结 语

为了能够精准地分割出腹部CT图像中的肝脏部分，本文通过分析肝脏在CT图像中的特性，提出一种能够自动获取种子点的区域生长方法，来自动地分割肝脏图像。该方法选取CT图像中的最大连通域质心作为区域生长算法中的种子点，同时利用双阈值方法作为区域生长准则，最后利用形态学中的膨胀运算对图像空洞进行填充，使自动分割的图像更加精准。经过实验证明，本文提出的自动分割方法是可行的，它避免了在选取种子点环节过多地受人为因素影响，把种子点选取在噪声或边缘部分所造成的分割错误，对医学图像分割领域有着重要意义。