胸部CT图像肺实质分割技术研究

张磊 陈星材 陆万里 平钦文 陈怡然 柏森

摘  要： 计算机断层扫描（Computed Tomography， CT）是诊断肺部疾病常用的方法之一，CT能显示人体肺部的断层图像，但CT图像中对于诊断肺部疾病有帮助的只有肺实质区域。因此，提供干扰更少、病灶更加明显的肺部断层图，会使医生更容易发现一些早期的疾病或得到更加准确的诊断结果。文章归纳总结了边缘检测、U-net和U-net++等CT图像的肺实质分割技术，并将其中的Matlab的边缘检测与U-net神经网络进行对比分析。对比结果显示，U-net神经网络的图像分割效果远好于Matlab的边缘检测。

关键词： 肺实质; 图像分割; U-net; U-net++

中图分类号：TP391;R-331          文献标识码：A     文章编号：1006-8228（2021）03-17-03

Research on segmentation technology of lung parenchyma in chest CT image

Zhang Lei， Chen Xingcai， Lu Wanli， Ping Qinwen， Chen Yiran， Bai Sen

（Chongqing Institute of Engineering， School of Big Data and Artificial Intelligence， ChongQing 400056， China）

Abstract： Computed tomography （CT） is one of the commonly used methods for diagnosing lung diseases. CT can display tomographic images of human lung， but only the lung parenchyma region in CT image is helpful in the diagnosis of lung diseases. Therefore， if provides a tomogram of the lungs with less interference and more obvious lesions may make it easier for the doctor to detect some early diseases or get more accurate diagnosis results. This paper summarizes the lung parenchyma segmentation techniques for CT images such as edge detection， U-net and U-net++， and compares and analyzes the Matlab edge detection and U-net neural network. The comparison results show that the image segmentation effect of U-net neural network is much better than that of Matlab edge detection.

Key words： lung parenchyma; image segmentation; U-net; U-net++

0 引言

2019年12月以来，以肺部作为靶器官的新型冠状病毒“COVID-19”席卷全球，给世界人民带来了巨大的伤害。在人类历史上，肺部的各种疾病给人类带来的伤害远远不止于此。医生对肺炎病情的评估中主要依赖胸部CT图像[1]，而胸部CT图像中仅有肺实质部分可以为医生提供参考信息，因此，肺实质分割技术对肺炎疾病的诊断有着非常重要的意义，通过对肺部CT图像进行精准的肺实质分割提取可以帮助医生实现病灶精确定位、精确诊断、精确治疗。在肺实质分割领域，除传统的分割技术外，还有新型的分割神经网络。

本文主要讲述传统的分割技术Matlab以及U-net、U-net++等新型神经网络的研究现状，以及展望肺实质分割技术的发展趋势。

1 基于Matlab边缘检测的肺实质分割

Matlab的图像分割的主要方法有四种，分别是基于边缘检测的图像分割、基于区域的图像分割、局部阈值分割、霍夫变换。本文提到的Matlab肺实质分割的方法是基于边缘的图像分割来实现的[2]。

图1为三个不同的病人某层的CT断层图基于边缘分割的步骤展示，分为A，B，C三组。使用imbinarize（）方法将图像进行二值化处理，开始计算连通分量和最大连通分量。得到最大连通分量图（步骤1）后使用imfill（）方法填充肺实质区域得到填充图（步骤2），最后使用填充图减去最大连通分量图即得到肺实质的掩膜图（步骤3），若有较多噪点即可以使用bwareaopen（）方法删除較小的连通分量。最后，将掩膜图与原图的数组相乘，得到最终的肺实质分割图（步骤4）[3]。

肺炎是最常见的肺部疾病之一，CT断层图中肺炎患者的肺部可能会出现局部“毛玻璃不透明”的现象[4]。本文对比了C组原图与分割结果，发现该方法对于肺部正常或者有着轻度“毛玻璃不透明”的现象等图像的分割效果较为理想，但在A、B两组中“毛玻璃不透明”现象严重的区域的分割效果并不好，该区域呈现一种腐蚀状、锯齿状，导致肺实质并不完整。

2 基于U-net神经网络的肺实质分割

U-net神经网络采用的是Encode-Decode的架构，图2为U-net的架构图，左半部分的作用是特征提取，也就是编码过程。右半部分是上采样过程，也就是解码的过程[5]。U-net与其他常见的分割网络相比它的特征融合方式非常特殊，它将下采样过程中得到的特征与对应的上采样结果进行拼接融合，这样有效缓解了在上采样过程中导致的特征丢失[6]。本文认为这个特点是让U-net神经网络即使在少量的医学图像数据中依然可以保持良好表现的关键。

图3是U-net神经网络对肺实质的分割情况，第一列为CT成像，第二列是U-net神经网络得出的肺实质掩膜图，第三列是肺实质区域的成像图。这里分别使用A、B、C三组进行对比，目的是对比U-net在有病灶、无病灶、肺实质不明显三种情况下的表现。从图B、C两组的对比中可以看到U-net神经网络即使在面对因病灶产生的复杂情况时依然能准确提取肺实质。再使用A、C两组进行对比可以发现，U-net在提取不明显肺实质上表现依然良好。综上所述U-net在肺实质切割中具有以下优点：面对复杂数据表现的强大适应性;肺实质边缘处理顺滑无锯齿;肺实质提取的高精确性。

3 基于Matlab边缘检测与U-net网络的肺实质分割对比

介绍完以上两种方法后，本文将Matlab边缘检测与U-net网络这两种方法进行对比，进而来检测这两种方法的优劣。因为肺实质的分割效果取决于肺实质掩膜图的效果，所以，直接通过肺实质掩膜图的完整性来进行评价，图4中，挑选了A组数据无病灶和B、C两组有病灶两类原图进行测试。

在A组中，可以看到Matlab边缘检测与U-net网络的表现均不错，分割出了较为完整的“月牙状”肺实质。而在B，C组中，从这两组的原图来看，很明显的存在着“毛玻璃不透明”的现象，即病灶区域。再来看对应的肺实质掩膜图，基于Matlab边缘检测方法提取的掩膜图的下方有着严重的锯齿状。腐蚀状，这是明显的缺陷，缺陷所在的地方正是原图中的病灶区域。而基于U-net网络提取的掩膜图依然“光滑、完整”。U-net网络的表现仍表现优异。

最终可以得出结论，当原图无病灶区域时Matlab边缘检测和U-net的分割效果均较为理想，但前者的掩膜图中仍会存在着一些噪点。而病灶区域对于Matlab边缘检测的方法干扰巨大，使得肺实质掩膜图有着较大缺陷。U-net则不会受到病灶区域的影响，无论有无病灶U-net网络的表现均优于Matlab边缘检测的方法。

4 基于Unet+Multi-class segmentation的病灶分割展望

在此之前，本文概括了目前比较主流的几种分割肺实质的方法，其中U-net全卷积神经网络的表现较为优异。而怎样基于肺实质分割的基础来做病灶区域的分割成了当前的新问题[7]。基于Unet +Multi-class segmentation的方法能直接预测出肺实质中的病灶区域。这样可以给医生提供更加直观的病情程度，从而进一步提高医生的诊断效率。

U-net+Multi-class segmentation网络是将U-net扩展成多分类肺部感染的检测算法[8]。在文献[8]中，作者使用的是Semi-inf-net+ Multi-class Unet网络，目的是为了在病灶区域中获得进一步的分类效果，即把病灶区域中细分毛玻璃不透明状（GGO）和固结进行细分。所以，文献[8]中作者测试时提供了病灶的掩膜图。而在本文中，目的只是预测病灶的范围，所以，本文将作者的Semi-inf-net部分替换为U-net，直接将肺实质的掩膜图输入到算法中。直接对肺实质这个范围内进行二分类，预测正常区域与不正常区域（病灶区域），图5为Unet+multi-class segmentation的流程图。

首先，肺部的CT断层图通过U-net神经网络成功分割出肺实质的掩膜图，然后基于原图与掩膜图使用Multi-class segmentation做肺实质区域中的二分类，预测出病灶区域。白色区域即正常区域，灰色区域则是病灶区域。

由于肺炎的这种毛玻璃不透明现象是呈弥漫状的，没有绝对的精标准。所以，本方法的预测结果只是在肺实质的基础上做了进一步的缩小了范围。在后面的研究中将考虑加入注意力机制，用热力图来显示病灶区域中的病情严重程度[9]，这样也许会让病灶更加直观和精确。

5 结束语

本文对肺实质分割技术进行了研究，实验证明基于神经网络的分割技术优于传统的边缘分割技术，尤其在面对复杂病灶的情况下。在深度学习快速发展的今天，基于神经网络的分割技术也不断更新迭代，准确提升的同时参数量更少、速度更快。其中，在神经网络中添加注意力机制，就能使得病灶区域的预测更加准确。

参考文献（References）：

[1] 龚晓明，李航，宋璐等.新型冠状病毒肺炎（COVID-19）CT表现初步探讨[J].放射学实践，2020.35（3）：261-265

[2] 段瑞玲，李庆祥，李玉和.图像边缘检测方法研究综述[J].光学技术，2005.31（3）：10-15

[3] 唐高阳.探索基于MATLAB计算机模拟的图像分割技术[J].科技创新导报，2020.17（17）：77-78

[4] 陈惠林，余任辉，郑晓松等.疑似新型冠状病毒肺炎的磨玻璃样病灶CT征象分析[J].江西医药，2020.55（5）：609-611

[5] Hofmanninger J， Prayer F， Pan J， et al. Automatic lung

segmentation in routine imaging isprimarily a data diversity problem， not a methodology problem[J]，2020.4（1）：1804-1812

[6] 郭亞.基于全卷积神经网络的建筑物自动提取方法研究[D].中国地质大学，2020.

[7] 李锐.肺部病灶感兴趣区域分割算法研究[D].东北大学，2009.

[8] Fan D P， Zhou T， Peng J G， et al. Inf-Net： AutomaticCOVID-19 lung infection segmentation from CT images，2020.39（8）：2626-2637

[9] 周鹏，姚剑敏，林志贤等.融合注意力机制的移动端人像分割网络[J].液晶与显示，2020.35（6）：547-554