基于区域生长的肝影像分割系统的设计与研究

胡紫睿,刘 倩

(宁夏大学信息工程学院,银川 750021)

0 引言

高新科技飞速发展,人们在发展新科技的同时也更注重生活环境与医疗条件,作为医生诊断与治疗的重要手段的医学影像得到了相应的发展。如今,医学影像在临床诊断中具有不可低估的重要作用。电子计算机断层扫描(Computed Tomography,CT)、核磁共振(Magnetic Resonance,MR)、超声(Ultrasound,US)及其他医学影像检查技术是对人体无害的体外器官成像的有力手段,其中CT具有扫描时间短、图像质量高等优势,被广泛应用于腹部及盆部的疾病检查。

肝脏作为人体内最大的腺体及实质性器官,也是新陈代谢最活跃的器官,其疾病种类众多且发病率高,在肝脏处的疾病诊断中,预先确定病灶位置尤为重要。临床检查中,肝功能检查是最常见的检测项目之一,对肝脏的检测可帮助医生判断是否存在肝脏功能损害、肝脏损害程度及了解肝脏损害成因、判断预后及病灶的具体位置等,而实现这些目标的前提是必须尽可能准确地分割出肝脏图像中医生感兴趣的部分,即肝脏CT的医学影像分割。根据肝脏CT的影像特点,介绍了医学影像分割理论方法中的一种—基于区域生长的医学影像分割,针对此方法设计开发基于区域生长的肝脏影像分割系统。肝脏CT图像分割在临床上的应用越来越广泛,已经成为进行肝功能、病理及解剖研究的重要手段。为了给临床医学和肝脏处病理研究提供可靠依据,从医学影像入手,准确分割出所需部分,避免疾病诊断的判断失误,具有实际应用价值。

1 肝脏影像分割方法

目前,在肝脏影像学检查与肝脏疾病治疗方案制定中,电子计算机断层扫描(Computed Tomography,CT)因扫描速度快、成像清晰等特点成为最常见的肝脏疾病诊断手段之一,为临床医生的病理诊断提供了可靠的确诊依据。为了更加准确地提取肝脏器官的特征信息而对肝脏CT图像进行感兴趣区域(Regionofinterest,ROI)的图像处理,即为医学图像分割。医学图像分割是根据医学影像的某种相似性特征(如灰度、面积、形状、局部统计特征及频谱特征等)将医学影像划分为若干个互不相交的连通的区域的过程[1],相关特征在同一区域内表现出一致性或相似性,而在不同区域内表现出明显的不同。一般来说,具有意义的图像分割结果中至少存在一个包含感兴趣目标的区域。而肝脏CT影像的图像分割是把肝脏或肝脏处的病灶作为感兴趣区域从CT图像中分割出来,获取其生理或病理相关信息,从而进一步确认肝脏病灶的位置、大小、数量、形状、病变程度等,有助于计算机辅助诊断、病变组织定位、三维重建、治疗方案设计等,为临床医生的诊断与进一步的病情分析提供可靠依据[2-3]。在此过程存在两个问题:CT图像的采集和传输受到噪声、磁场、组织运动等影响,造成肝脏CT成像不稳定[4]。在拍摄肝脏CT图像时,由于肝脏毗邻人体腹腔中各个器官,彼此密度相差不大,因此会造成图像局部边缘模糊、无法准确拍摄目标器官的问题。因为不同个体间肝脏的大小、形状与病灶数量、大小、形状、灰度值等均存在不同程度的差异,这些因素均为造成肝脏医学影像分割难题的主要原因。肝脏CT图像分割流程如图1所示。

图1 肝脏CT图像分割流程Fig.1 Liver CT image segmentation process

1.1 图像预处理

医学图像处理的对象主要有CT成像、核磁共振成像(MRI)和核医学成像(NMI)等。不论哪种对象(只介绍CT成像的图像预处理),在图像的产生、传输及存储过程中都会不可避免地出现图像清晰度下降、对比度偏低及包含噪声等降质现象。需要对肝脏CT图像进行图像预处理,即采用一些技术和方法优化图像质量,为后续的图像分析过程打好基础。图像预处理大致有两个步骤,即降噪和医学图像增强。图像增强技术是根据图像特点和处理目的突出图像中感兴趣的区域及特征,很好地保留图像边界和结构信息及突出图像中的某些性质等,提高图像的可判读性,改善图像质量,便于医务人员分析医学图像,从中获得更多有价值的信息。而降噪与图像增强实质上是互相矛盾的,通过灰度变换实现降噪功能,但灰度变换会导致图像边缘被破坏,如需保持清晰的边缘细节则会产生大量噪声。能够比较和谐地调和两个问题的滤波方法为中值滤波[5-6]。

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,令周围的像素值接近真实值,从而消除孤立的噪声点。方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的二维数据序列。

二维中值滤波输出表达式如式(1):

g(x,y)=Median{f(x-k,y-l),(k,l∈W)}

(1)

式中,f(x,y)与g(x,y)分别为原始图像和处理后图像,W为二维模板。通常为3×3、5×5区域,也可以是不同的的形状,如线状、圆形、十字形、圆环形等。

图2是使用3×3中值滤波后的肝脏CT图像的处理效果。如图3是使用5×5中值滤波后的肝脏CT图像的处理效果。

图2 使用3×3中值滤波后的肝脏CT图像的处理效果Fig.2 Processing effect of liver CT image with 3×3 median filter

由图可知,虽然图像中的椒盐噪声可以很好的被消除,但随着滤波器越来越大,图像的边缘也越来越模糊,细节也逐渐丢失。至此,中值滤波在消除噪声的同时也会改变边缘的灰度值造成图像边缘模糊。因此模板窗口大小的选取很重要,选取的尺寸太小会导致去噪效果变差且细节边缘模糊,选取尺寸太大又会导致效率降低,计算工作量增大[7]。

1.2 区域生长算法

Zucker 最先提出基于区域生长的图像分割方法[8],这里介绍最基本的区域生长算法的邻接连续阈值法,实现对肝脏CT图像的分割。区域生长算法是一种基于像素邻域信息的图像分割算法,其是根据事先定义好的生长准则将像素点(也称为种子点)或子区域聚合成更大区域的过程。主要思想是选取一个或一些种子点,将与该种子点性质相似的各方向的相邻像素点或区域与种子点合并。将合并后的区域作为新的种子点,继续上述操作不断迭代直到没有新的像素点满足生长准则,即不继续生长。这样一个新的区域就已经分割完成了[9]。种子点生长准则的判断依据为灰度值、颜色、纹理等图像信息,因此影响区域生长算法效果的重要因素包括种子点的选取、生长准则的确定、生长停止条件的确定。

给出一个区域生长实例。图4(a)为原始图像,数字表示像素的灰度值。以灰度值为8的像素点作为种子点,记为f(i,j)。生长准则制定为待测点与种子点灰度值相差1或0。图4(b)为第一次区域生长后的结果,像素f(i-1,j)、(i,j-1)与f(i,j+1)的灰度值都与种子点相差1,因此被合并成为新的种子点。图4(c)是第二次区域生长后的结果,像素f(i+1,j)被合并。图4(d)为第三次区域生长后的结果,像素f(i+1,j-1)与f(i+2,j)被合并,发现各个方向上已不存在符合生长准则的像素点,此时所有的像素点已被划分,停止生长,区域生长完成。图4为区域生长实例。

图4 区域生长实例Fig.4 Regional growth case

可以发现,当选取的种子点不同而生长准则不变时,划分出的目标区域不同。如种子点不变而生长准则改变,划分出的区域也将不同。由此可知,区域生长算法对于图像分割的效果与种子点的选取与生长准则的制定有着密不可分的联系。如果种子点选取不当,无论生长准则如何制定都会导致分割后的结果不理想。如果种子点选取正确,而生长准则设定的阈值过大,则会导致过度分割。如设定的阈值过小,则会导致分割不完全。只有正确选定种子点并制定合适的生长准则才能分割出理想的感兴趣区域[10]。

区域生长算法具有算法思想简单、能将具有相同特征的联通区域分割出来、提供很好的边界信息及分割结果等特点,可用来分割比较复杂的图象,如自然景物、医学图像等。因此使用区域生长算法实现对肝脏CT图像的分割具有实际应用意义。

2 肝脏CT影像分割系统开发及实例验证

2.1 开发平台

采用商业数学软件MATLAB(R2017a)版本进行基于肝脏CT图像处理系统的开发。

2.2 系统总体结构

2.2.1 功能模块设计

基于对肝脏CT图像分割处理的实际需求,设计并开发了基于MATLAB图像处理的有关肝脏CT图像分割的系统。考虑到实际应用中需要实现的功能,将该系统功能分为以下3个模块:①图像预处理模块。该模块负责将收集到的数据集进行图像预处理,如图像降噪、图像增强等操作。②肝脏CT图像分割模块。该模块负责将预处理好的图像进行分割,利用区域生长算法的邻接连续阈值法对肝脏CT图像进行分割。③输出分割结果图像。该模块负责将分割后的图像进行形态学处理,即灰度化与二值化处理,处理完成后输出结果图像。在完成以上3个功能模块操作后,处理结果图像会保存至原图的存储路径中,由此建立储存肝脏CT图像的数据库,方便后续进行病情分析、手术治疗方案制定、了解往期病史等。

2.2.2 工作流程

此系统开发主要应用于对患者肝脏CT图像进行图像分割。获得患者的肝脏CT图像后需对图像进行各种操作。流程如图5所示。

图5 肝脏CT图像分割流程Fig.5 Liver CT image segmentation process

2.3 系统测试

使用了近百张不同的肝脏CT图像进行系统测试。选取的70张CT图像的肝脏形状、大小、图片边缘清晰度、噪声点分布等各不相同,能够切实测试出图片预处理与图像分割的功能效果,对测试效果不理想的部分进行改进,之后再次测试,调试各功能模块效果准确无误为止。

2.3.1 基于区域生长算法的肝脏CT图像分割

系统工作流程:读取原始图像数据,对原始图像进行图像预处理,使用去噪、图像增强等技术使原始图像更加平滑。在肝脏CT图像中手动选取种子点,确定生长准则与停止生长的条件,直到图像中所有像素点没有符合生长准则的点为止,此时所有像素点均已被分好区域,生长停止。此时目标区域已被分割完成,对分割后的图像进行形态学处理,生成被灰度化与二值化处理后的图像。在区域生长算法部分除了手动选取种子点也可以自动选取种子点。读取原始的肝脏CT图像,对图像预处理后进行阈值分割,找寻图像中非零元素的坐标并确定目标区域位置,根据目标区域位置裁剪原始图像。根据裁剪后的图像大小自动选取种子点,开始区域生长分割,获取分割后的图像。进行形态学后处理,填补图像中的孔洞、去除噪点等。绘制边缘得到结果图像。

影响区域生长算法图像分割效果的3大因素:①人工种子点的选取。种子点选取的好坏决定了生长方向的好坏,如没有选取到合适位置的种子点将会导致分割出的区域并不理想,而手动选取不可避免地存在失误与偶然性,导致结果不理想。②生长准则与停止生长条件的制定。生长准则影响着生长速度与生长区域的好坏。如生长准则制定不合理,会导致生长区域过大或感兴趣区域分割不完全等各种情况。③图像噪声的影响。在CT图像的获取、存储、传输等过程中都会出现不可控因素,导致图像质量降低,而图像质量的降低将直接影响后续区域分割效果的好坏。因此要进行图像预处理与形态学后处理等一系列操作,尽量避免这些因素对结果造成影响。

2.3.2 实例验证结果

载入jpg格式图像,在MATLAB环境中运行主程序main1(手动选取种子点)后,系统开始运行。在图像预处理模块对图像进行去噪与图像增强等操作。手动选取种子点后输出分割后的图像。对分割后的图像进行形态学后处理输出结果图像。

在系统中读取原始图像并载入显示区域中的左侧窗口中,对原始图片进行中值滤波去噪后,将处理后的图片载入显示区域中的右侧窗口中。图像预处理后如图6所示。

图6 读取原始图像及中值滤波去噪Fig.6 Original image and remove of the noise with median filter

选择手动选取种子点,利用区域生长算法对图像进行区域分割。具体效果如图7所示。

图7 手动选取种子点进行图像分割Fig.7 Manual selection of the seed points for image segmentation

载入jpg格式图像,在MATLAB环境中运行主程序main2(自动选取种子点)后,系统开始运行。选择自动选取种子点,区域生长算法开始对图像进行区域分割。具体效果如图8所示。

图8 自动选取种子点进行图像分割Fig.8 Automatic selection of seed points for image segmentation

分割完成后的图像都将保存至原图像的存储路径。本实例演示了系统对肝脏CT图像进行分割处理的主要过程。对原始图像进行图像预处理,选择手动或自动选取种子点开始区域生长图像分割,对图像进行形态学后处理(观察分割后的图像是否有必要再次处理),输出结果图像并保存至原图像的存储路径。

3 结束语

研究了区域生长算法对图像分割的具体流程,设计开发了基于区域生长算法的肝脏影像分割系统,采集了70张不同的肝脏CT图像对系统进行实例验证。该系统与肝脏临床检测相结合,可密切关注其感兴趣区域的器官生理或病理的详细情况,为医生判断该处器官是否病变、病变程度如何、病灶大小及数量等提供可靠依据,此系统的开发具有实际应用意义和创新意义。

关于该系统的图像预处理模块,实验并选取的处理技术相对单薄,只使用了中值滤波法对图像进行去噪处理。图像预处理方面还可使用各项异性扩散滤波[11-12],使图像去噪效果与图像增强效果更加明显,图像质量更好,有利于后续对图像的分割处理。