辽宁中医药大学学报稿件信息
基于自适应阈值法的肺实质分割及提取
冷春玲 鞠霄 张晓峰 刘丹梅 蒋西然
（辽东学院农学院，辽宁丹东118001）
（中国医科大学生物医学工程系，辽宁沈阳110013）
摘 要：
肺CT图像中结节区域的自动分割技术具有较高的临床应用价值，现有的肺结节分割算法容易造成边缘信息丢失，实际应用效果有限。本研究开发了一种基于自适应阈值的分割算法，结合肺部间组织灰度熵差异、数学形态学运算和区域增长算法对CT图像进行分割处理。同时，对采集自辽宁省肿瘤医院肺癌患者的肺部CT图像进行了实际应用测试。结果表明本研究开发的算法从CT图像中分割得到肺实质完整性良好，细节信息丢失较少，结节边缘保留较好，分割获得的肺结节区域与医生给出的金标准相吻合，具有一定的应用前景。
关键词：肺结节；分割；自适应阈值法
Lung Parenchyma Segmentation and Extraction using Adaptive Threshold Method based on CT images
Leng Chunling1 Ju Xiao1 Zhang Xiaofeng1 Liu Danmei1 Jiang Xiran2*
1 (Eastern Liaoning University, Agricultural College, Dandong 118001, China)
2* (China Medical University, Department of biomedical engineering, Shenyang 110013,China)
Abstract：In the field of medical image segmentation, almost no general segmentation algorithm can adapt to all CT images and pulmonary nodules of all types of this problem, in patients with lung cancer CT images as the experimental materials, using an adaptive segmentation algorithm based on the basis of lung tissue between the gray entropy difference, mathematics morphology, regional growth algorithm of lung CT image segmentation, so as to explore the effect of the method of pulmonary nodules. First, the threshold segmentation algorithm based on iterative method of lung CT image gray value differences in the characteristics of segmentation, and then the regional growth algorithm details to make up for the loss of pulmonary nodules, pulmonary nodules on the extracted edge and texture features, gray classification judgment. The results show that the lung parenchyma integrity is relatively good from CT image segmentation, and the loss of details is not much, especially the edge information is relatively intact. The final segmentation of lung nodules is not consistent with the gold standard given by doctors. It is basically the same on the outline. The size of the computed area is not very different. So the scheme described in this paper has a good segmentation effect for solitary pulmonary nodules. It is a feasible extraction and segmentation scheme.
Key words：pulmonary parenchyma; pulmonary nodule; adaptive threshold method
引言
近年来，肺癌逐渐成为威胁人类生命健康的首要疾病。据世界卫生组织统计，肺癌在全球范围内已成为男性第一、女性第二的肿瘤死因[1]。目前在临床医学上主诊医生对肺癌诊断的依据主要来源于放射影像学所产生的数字图像[2]。生物信息学的高速发展对肺癌检测提出了新的解决方案，结合生物科学和计算机科学产生了肺部肿瘤计算机辅助诊断技术[3]。计算机辅助诊断肺部肿瘤首要前提是精确高效的完成肺实质的分割及肺结节的提取[4]。
数字图像处理领域历经三十余年发展，在解决各种背景下的图像处理问题中产生了许多经典分割算法，目前为止，已经有上千种分割算法被提出。传统上分为基于边缘的分割算法、基于区域的分割算法、基于阈值的分割算法和基于特定理论的分割算法[5]。但对于整个医学图像分割领域来说，几乎没有一种通用的分割算法能解决医学图像处理中的所有问题。各种算法所遇到的最大问题是适应性问题，几乎没有一种算法可以适应所有的CT图像、所有类型的肺结节[6]。另一个主要问题是金标准的缺失，并非所有的CT图像均存在金标准[7]。
本研究针对上述问题，以肺癌患者CT图像为实验材料，采用一种基于自适应阈值的分割算法，在此基础上结合肺部间组织灰度熵差异、数学形态学运算，区域增长算法等对肺部CT图像进行处理，从而探讨该方法对肺结节的分割效果。自适应阈值法又被称为最大类间方差法，利用自适应阈值法求阈值的思路有别于迭代法求阈值[8]，分割效果更令人满意。其基本思想是利用阈值将图像分为两部分，每一部分分别作为前景和背景出现，当两部分平均值的方差达到最大时，说明该阈值为利用自适应阈值法确定的最佳分割阈值[9]。方差作为衡量一组数据波动情况的重要指标，当部分的背景被错分到前景中时，图像的两部分的差的绝对值会变小；当图像的两部分间的方差的差的绝对值达到最大的时候，证明前景和背景分离的最好[10]。
1 材料和方法
本研究工作以肺癌患者CT图像为实验材料，基于一种自适应阈值分割算法，在此基础上结合肺部间组织灰度熵差异、数学形态学运算，区域增长算法等对肺部CT图像进行处理，从而探讨该方法对孤立型肺结节的分割效果。
1.1 图像数据来源与实验环境
本研究采用的分析软件是美国 MathWorks 公司推出的商业数学软件MATLAB，具有非常方便并且强大的矩阵处理运算能力，除自身提供功能丰富的工具箱外，还拥有大量第三方开发的工具函数，因此广泛的用于算法研发，数据分析，数据可视化等以数值分析计算为主的科研相关领域。使用的CT图像数据均来自辽宁省肿瘤医院。
1.2 方法
1.2.1 肺实质分割
肺癌以肺结节的形式出现，肺结节又分为良性结节和恶性结节；不管是良性结节还是恶性结节，识别前都必须从肺实质中进行分割。但是CT产生的肺部数字图像不仅包括肺实质，而且包括了CT床、空气背景、血管、气管、支气管等影响医生进行判断结节的组织或结构[11]。进行肺癌自动检测识别的不可或缺的步骤就是正确高效的从原始肺部CT图像中提取得到肺结节[12]。
肺结节存在于肺实质中，因此提取肺结节的首要任务就是将肺实质从原始的CT图像中分离出来。一幅典型的肺部CT图像包括手术床、空气、骨骼、肺实质以及其他的脏器组织。由于人体各组织的CT值吸收量不同，表现在CT图像上即为灰度值的相异[13]。肺实质部分在CT图像上属于低密度区域，骨骼、手术床、胸壁等组织属于高密度区域。本研究从原始CT图像中分割肺实质所运用的算法是基于迭代法的阈值分割算法，该算法正是依据肺部CT图像灰度值差异的特点进行分割，算法的优点是计算量小，运算速度快。具体的算法流程如下：
a.首先从原始的dicom格式肺部CT图像中读取灰度数据；
b.将图像归一化至0-255的灰度范围内。原始图像的灰度表示范围在0-65535，无法以灰度图的形式在计算机屏幕上进行显示，不利于观看效果和后期处理，因此需要进行归一化处理；
c.对归一到0-255灰度范围内的CT图像执行迭代求阈值操作，得到最终的阈值T；
d.肺实质中的肺结节、血管、气管等组织的灰度值大于T，因此若直接分割在肺结节、血管、气管等组织的部位会形成空洞。因此需要进行形态学开运算弥补因灰度大于阈值产生的空洞；
e.进行形态学闭运算，消除工作台结构，计算得到二值化图像，得到最终的肺实质模板；
f.记原始CT图像为 f(x,y)，记得到的模板为 m(x,y)，把最终得到的肺实质记为d(x,y)。经过掩模运算后可以得到肺实质：
if (m(x,y) == 0)；d(x,y)=f(x,y)；
If (m(x,y) == 1)；d(x,y)=0。
1.2.2 肺结节提取
提取到的肺实质中包括血管、气管、肺结节等组织。肺部作为人体的气体交换组织，气管的数量更是繁多杂乱，在进行CT扫描的过程中，血管、气管与CT扫描平面之间的角度分布范围在0-90度之间[13]。当血管、气管与CT扫描面呈平行关系时，血管、气管在CT图像上表现为线形；当血管、气管与CT扫描面呈垂直关系时，为圆形或类圆形[7]。肺结节在肺实质中的形态学表现为圆形或类圆形，在灰度级别上表现为高于普通的肺实质区域，比如血管、气管；在连续性上即在熵值上表现为肺结节的熵值相对于普通血管、气管的熵偏低，故可以利用该特点排除掉该种形状血管、气管的影响[14]。
血管、气管与CT扫描面呈平行或近似平行关系时，表现为线性关系，根据该特点可设计响应的近似于圆形的椭圆形形态学结构元素，使用该形态元素对图像进行开运算处理后，可明显的抑制分割后得到的肺实质中表现为线性形状的血管和气管[15]；同时可增强表现为类形结构的肺结节。使用形态学结构进行开运算的副作用就是使得与CT扫描面呈垂直或近似垂直关系的血管、气管等组织同时得到了增强，因此在肺结节的提取过程中必须考虑该因素的影响。
运用上述的算法分割完成后，不可避免的丢失掉了非常重要的边缘细节信息。肺结节的提取不同于肺实质的提取，肺结节的提取质量影响着结节的良恶性的判断[16]。肺结节的良恶性判断中需要对提取得到的肺结节的边缘，纹理，灰度等特征进行分类判断，因此最大完整性的保存肺结节的细节特征对肺结节良恶性判断至关重要。区域增长算法可以有效的保存对象边缘的细节信息[17]，所以初步提取后运用区域增长算法弥补丢失掉的肺结节的细节信息能得到令人满意的效果。肺结节的具体提取流程如下：
a.创建圆形或则类圆形的结构,运用创建好的结构元素与分割得到的肺实质进行开关运算，消除在CT图像中表现为线性的气管、血管的影响；
b.初步运用迭代阈值分割算法分割之前得到的与结构元素进行开关运算后的肺实质图像；
c.区域增长算法弥补丢失掉的细节边缘信息；
d.自适应阈值算法获取阈值，进行掩模运算，分割得到肺结节；
e.利用气管、血管与结节灰度熵的差异，排除表现为假阳性的血管、气管等组织。
2 结果
2.1 肺实质分割提取结果
实验中共处理四位患者肺部CT图像，对图像分割提取分别得到相应肺实质、肺结节图像如图1-4所示。
（a） （b） （c）
图1 1号患者分割结果。（a）肺实质；（b）肺结节（c）金标准
Fig.1 Pulmonary parenchyma segmentation results of patient No.1.(a)Pulmonary parenchyma；(b)Pulmonary nodule；(c)Gold standard
（a） （b） （c）
图2 2号患者分割结果。（a）肺实质；（b）肺结节（c）金标准
Fig.2 Pulmonary parenchyma segmentation results of patient No.2.(a)Pulmonary parenchyma；(b)Pulmonary nodule；(c)Gold standard
（a） （b） （c）
图3 3号患者分割结果。（a）肺实质；（b）肺结节（c）金标准
Fig.3 Pulmonary parenchyma segmentation results of patient No.3.(a)Pulmonary parenchyma；(b)Pulmonary nodule；(c)Gold standard
（a） （b） （c）
图4 4号患者分割结果。（a）肺实质；（b）肺结节（c）金标准
Fig.4 Pulmonary parenchyma segmentation results of patient No.4.(a)Pulmonary parenchyma；(b)Pulmonary nodule；(c)Gold standard
从图1-图4所代表的四位患者图像来看，利用本文所述方案从CT图像分割提取得到的肺实质效果特别好，无明显边缘细节丢失，无多余的不属于肺实质区域出现；得到的肺结节与金标准同样效果很好，目测二者在大小和轮廓上差别不大。
表1为计算得到的分割结果，表第一列表示的是患者CT编号，第二列表示的是使用自适应阈值法初步分割得到的肺结节区域与金标准的比值，第三列表示的是使用区域增长法在自适应阈值法初步分割得到的肺结节的基础上进行增长得到的新的区域与金标准的比值。
表1 肺实质分割提取结果
Tab.1 The extraction of pulmonary parenchyma
|
实验组 |
初步自适应阈值分割 / 金标准 |
区域增长完善后 / 金标准 |
|
患者1 |
77.9% |
95.6% |
|
患者2 |
85.2% |
94.3% |
|
患者3 |
81.7% |
92.4% |
|
患者4 |
91.5% |
95.8% |
表1表示分割结果(提取得到的肺结节区域 / 金标准区域)，从两列数据对比来看，使用区域增长算法修复后的肺结节占金标准的比例均在95%左右，而使用自适应阈值初步分割得到的肺结节区域丢失信息相对修复后来说相当严重，例如在图1中甚至丢失掉22.1%的数据，也有例外的情况，比如图4中一度达到91.5的分割率。对比两组数据说明仅仅利用自适应阈值法进行分割提取肺结节并不能保证数据的可靠性和精确度，如果进一步利用区域增长算法则可以重新找到丢失的部分信息。
2.2 自适应阈值处理结果
图5表示分别进行初步自适应阈值处理和进一步进行区域增长修正处理得到肺结节区域的波动情况。
图5 初步自适应分割与区域增长完善的比较
Fig.5 Comparison of preliminary adaptive segmentation and improvement of regional growth
图5表示初步自适应阈值分割和区域增长修复对于多个患者图像分割的曲线走势，图像曲线表明初步使用自适应阈值分割得到的结果相对与区域增长修复得到的结果明显波动更为明显，说明如果使用自适应阈值分割提取得到肺实质后，再使用区域增长对得到的肺结节进行修复更为接近金标准，结果走势平稳，稳定性更高，证明是一种稳定可行的分割提取方案。
3 讨论
本实验研究了一种基于自适应阈值法，结合区域增长，以及不同组织间灰度熵的差异性对肺实质进行分割提取。首先采用基于迭代法的阈值分割算法对肺部CT图像灰度值差异的特点进行分割，然后采用区域增长算法弥补丢失掉的肺结节的细节信息，对提取得到的肺结节的边缘、纹理、灰度等特征进行分类判断。由实验获取到的结果来看，从CT图像中分割得到肺实质完整性相对良好，最终分割得到的肺结节目测和医生给出的金标准相差不多，在轮廓上基本吻合。关于从医学CT图像中分割提取肺结节，依旧有很多问题需要进行进一步的深入研究。
（1）算法对于其他类型肺结节的适应性。肺结节存在状态众多，不仅仅只是以孤立型结节的形态存在，而本文算法只是对于孤立性肺结节有良好的适应性，对于其他类型结节适应性有待加强。
（2）分割过程中的参数设置。本文结节分割的过程中曾人为选取一些特定的参数，比如区域增长停止的条件，但不同CT机、不同患者所产生的CT图像不尽相同，因此可以考虑对算法添加分割参数自动调整的功能。
（3）对肺结节良性恶性识别模型的创建。肺实质的分割提取是完成图像识别的重要前提，我们的最终目的是建立一套肺癌自动识别的计算机辅助诊断系统，因此只有构建该模型我们方能通过计算机得知分割提取到的肺结节在医学上表现是什么。
4 结论
由实验获取到的结果来看，从CT图像中分割得到肺实质完整性相对良好，细节信息丢失不多，特别是边缘信息保留相对完好；最终分割得到的肺结节目测和医生给出的金标准相差不多，在轮廓上基本吻合，由计算得到的区域大小相差不多，故本文所述方案对于孤立型肺结节具有良好分割效果，是一种可行的提取分割方案。
参考文献
[1] 孙申申. 基于CT影像的肺结节检测与分割方法研究[D]. 东北大学，2009.
[2] Jirapatnakul AC，Mulman YD，Reeves AP, et al. Segmentation of juxtapleural pulmonary nodules using a robust surfa Biomedical Imaging，2011，63:2195-2209.
[3] Hugo J.W.L. Aerts. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nature communications，2014，5:4006.
[4] 王化，唐光健. 多层螺旋CT在肺结节诊断中的应用及展望[J]. 国外医学（临床放射学分册），2005，(06):53-56,60.
[5] 张军贤. 基于改进模糊聚类算法的医学图像分割研究[D]. 华中科技大学，2012.
[6] 司广磊. 基于胸部CT图像肺结节分割算法研究与实现[D]. 东北大学，2012.
[7] 李越. 基于形态学及灰度熵的肺结节检测算法[D]. 北京交通大学，2011.
[8] Marios A Gavrielides，Lisa M Kinnard，Kyle J Myers，et al. A resource for the assessment of lung nodule size estimation methods: database of thoracic CT scans of an anthropomorphic phantom [J]. Optics Express，2010，18(14): 15244-15255.
[9] 曹蕾，占杰，余晓锷，陈武凡. 基于自动阈值的CT图像快速肺实质分割算法[J]. 计算机工程与应用，2008，(12):178-181.
[10] 常莎，王瑞平. 基于CT三维图像的肺结节良恶性鉴别研究[J]. 北京生物医学工程，2013，32(1): 12-16.
[11] 刘士远，肖湘生. 孤立型肺结节的处理策略[J]. 中华放射学杂志，2005，(01):6-8.
[12] 赖均. 面向肺疾病检测的胸腔CT影像分割研究[D]. 电子科技大学，2013.
[13] C Schneider，A Amjadi，A Richter，et al. Automated lung nodule detection and segmentation [C]. Proceedings of the SPIE-The International Society for Optical Engineering，2009，7260:1-9.
[14] 张文玉，黄勇，申洪明，李文武. 肺癌患者肺内小结节良恶性的CT诊断价值[J]. 临床放射学杂志，2011，(11):1604-1608.
[15] Wan SY，Higgins WE. Symmetric region growing[J]. Image Processing IEEE Transactions on，2000，12(9):1007-1015.
[16] 刘慧，张彩明，邓凯，苏志远. 改进局部自适应的快速FCM肺结节分割方法[J]. 计算机辅助设计与图形学学报，2014，(10):1727-1736.
[17] Omar S A1-Kad，D Watson. Texture Analysis of Aggressive and Nonaggressive Lung Tumor CE CT Images. IEEE transactions on biomedical engineering， 2008，55(7):1826-1829.
