一种新的多区域肝脏CT图像分割方法

收稿日期:2007-09-28　修回日期:2007-10-24
第25卷　第10期
计　算　机　仿　真
2008年10月
文章编号:1006-9348(2008)10-0202-04
一种新的多区域肝脏CT 图像分割方法
刘子奇
1,2
,韩旭里1,陈志军
2
(1.中南大学数学科学与计算技术学院,湖南长沙410083;
2.中国科学院香港中文大学深圳先进集成技术研究所,中国科学院深圳先进技术研究院,广东深圳518067)
摘要:肝脏CT 图像分割是肝脏计算机辅助诊断系统中最关键的部分,也是医学图像分割中的一个难点。

已有的算法一般只能分割出多区域肝脏CT 图像中某一区域,针对这一问题,提出了一种新的多区域肝脏CT 图像分割方法。

首先利用自动双阈值方法进行初步分割,然后利用图像的灰度信息及相邻肝脏CT 图像的面积、形状变化比较小等信息来进行多区域肝脏CT 图像分割。

通过仿真实验,证明该方法能够准确、快速的对多区域肝脏CT 图像进行自动分割。

关键词:计算机辅助诊断系统;多区域肝脏CT 图像;图像分割中图分类号:TP391141 文献标识码:A
A New Seg m en t a ti on M ethod for CT I mages w ith M ulti ple L i ver Reg i on s
L IU Zi -qi 1,2
,HAN Xu -li 1
,CHEN Zhi -jun
2
(1.School of Mathe matical Science&Computing Technol ogy,Central South University,Changsha Hunan 410083,China;
2.Shenzhen I nstitute of Advanced I ntegrati on Technol ogy,Chinese Acade my of Sciences/
Chinese University of Hong Kong,Shenzhen Guangdong 518067,China )
ABSTRACT:The seg mentati on of liver CT i m ages is one of the most i m portant parts of the liver computer aided di 2agnosis syste m.It als o continues t o be large challenge in the i m age seg mentati on field .This paper p resents a ne w seg mentati on method f or CT i m ages with multi p le liver regi ons f or the reas on that most existing methods may only ob 2tain single liver area within such i m ages .Firstly,this method app lies an aut omatic double thresholding technique t o perfor m initial seg mentati on,foll owed by the use of adjacent inter CT slice feature si m ilarities as deter m inants t o seg 2ment the multi p le liver regi ons .Experi m ents show that the method is aut omatic,fast and effective in seg menting mul 2ti p le liver regi ons .
KE YWO R D S:Computer aided diagnosis system;CT i m ages with multi p le liver regi ons;I m age seg mentati on
1　引言
CT 由于成像速度较快,效果较好,因而在肝脏疾病的诊
断中发挥越来越重要的作用。

但大量的影像分析会耗费医生大量的时间,并有可能使医生做出错误的诊断。

因此,帮助医生提高诊断率的肝脏计算机辅助诊断系统(Computer
A ided D iagnosis )的研究具有很重要的意义[1]。

肝脏计算机辅助诊断系统中最关键的部分是肝脏区域的分割。

肝脏三维模型的建立、血管系统的模拟、病变组织的准确定位都是以其为基础的。

由于肝脏CT 图像分割的重要性和复杂性,肝脏CT 图像分割吸引了广大科研工作者的注意[2-7]。

一部分CT 轴向切片(axial slice )图像中往往含有多个肝
脏区域,但现有肝脏图像分割方法一般只能分割出肝脏多块
区域中的某一区域,如形变模型的方法[2][6]在分割多区域图像或形状比较复杂的图像时有困难,而水平集的方法是一个半自动的方法[7],而且计算速度较慢。

J iang 等人[9]提出了一个多区域肝脏MR I 图像的分割方法,该方法主要利用了灰度和多块肝脏区域的距离信息来进行分割,但此方法主要针对MR I 图像。

因此提出一个自动的、快速的多区域肝脏CT 图像分割方法是很有必要的。

与已有的方法相比,本文的算法不仅利用了图像的灰度信息,也同时利用了相邻肝脏CT 图像的面积、形状变化比较小等信息对多区域的肝脏CT 图像进行自动分割。

该算法可以弥补已有算法的不足,而且计算速度较快,可以为肝脏计算机辅助诊断系统的研究,如病变组织的定位提供一些帮助。

—
202—
2　算法原理与步骤
在多区域肝脏CT图像中,各肝脏区域灰度很相似,并且不同的肝脏区域相隔一定的距离,所以很难用现有的方法将多个肝脏区域分割出来[9]。

J iang等人[9]首先利用改进的区域增长方法分出面积较大的一个肝脏区域,然后在已分割出的肝脏区域附近进行搜索,当某一区域的灰度和已分割出的肝脏灰度相似,并且满足一定的距离条件,则该区域就可被认为是另一肝脏区域。

该算法在距离参数取的比较合理时可以得到较好的效果,但如果距离过小,则有可能找不到其它的肝脏区域,过大则有可能将其它非肝脏区域划为肝脏。

因此,仅仅利用原始分割图像的信息,很难分割出多个肝脏区域。

我们注意到由于肝脏解剖结构的特点及CT成像原理,在切片间距离较小的条件下,相邻切片的肝脏面积和形状变化是比较小的[5]。

从图1(a)和图1(b)(相隔115mm)可以看出两幅图像对应肝脏区域的面积和形状变化比较小。

因此,我们可以对原始分割图像进行初步分割后,结合相邻肝脏CT图像的面积、形状变化比较小等信息对多区域的肝脏CT图像进行自动分割。

本文算法分为初步分割和多区域肝脏分割两部分。

初步分割要分别对原始分割图像和辅助分割图像进行分割,对原始分割图像分割可以得到某一肝脏区域,并为其它肝脏区域的分割提供的感兴趣区域。

对辅助分割图像的分割可为要分割的图像提供多区域肝脏面积和形状变化信息。

初步分割分为两步,第一步要对原始分割图像进行分割。

首先通过中值滤波对图像进行预处理,再用文献[5]的自动双阈值
分割方法自动分割。

然后形态学处理后得到多个8连通区域得,进行区域增长得到肝脏多区域图像中的某一区域。

形态学算子处理后得到的多个8连通为其它肝脏区域的分割提供的感兴趣区域。

第二步同样利用文献[5]的方法对辅助分割图像进行分割,用形态学算子处理后得到多个连通区域,这些连通区域可以为多区域肝脏CT图像分割提供面积和形状的变化信息。

多区域肝脏分割主要是利用原始分割图像初步分割后提供的感兴趣区域和辅助分割图像提供的感兴趣区域进行分割。

主要利用相邻肝脏CT图像的面积、形状变化比较小等特点对多区域的肝脏CT图像进行自动分割。

图2所示是本文提出的多区域肝脏CT图像分割算法的流程图。

本文中辅助分割图像一般为要分割图像在图像序列中相隔大约115mm-2mm处的图像。

下面详细的介绍本文的算法。

2.1　初步分割
初步分割要分别对原始分割图像和辅助分割图像进行分割,对原始分割图像分割可以得到某一肝脏区域,如图3 (d)所示,并为其它肝脏区域的分割提供的感兴趣区域,如图3(c)所示。

由于对原始分割图像和辅助分割图像的分割方法相同,所以我们只着重描述原始分割图像的分割方法。

肝脏CT图像的分割有许多种方法,其中双阈值法是一种简单、快速的算法。

Gao等人[2]根据直方图选择双阈值来分割肝脏CT图像,这种方法是一种半自动的分割方法。

Zheng等人[5]提出了一种自动确定阈值的方法,这种方法结合肝脏本身的解剖信息,可以灵活的挑选阈值,我们利用这种方法来对肝脏CT图像做初步分割。

首先,得到肝脏CT图像外围矩形边界,然后分别找到外围矩形左右边界的中线,和上下边界的中线,为方便阐述,我们利用图3进行说明,ABCD是包含腹腔外部轮廓的最小矩形,GH是左右边界的中线,I J是上下边界的中线,E、F分别是AG、DH线段三分之一处的点。

我们选取EF和I J的交点作为种子点。

以该点为中心,取其31×31的邻域内图像灰度的均值μ和标准方差σ(见图3(a))。

我们以μ-5σ为下阈值,以μ+5σ为上阈值。

接着以这两个阈值进行二值化处理,分割结果见图3(b)。

然后通过形态学开操作等后续处理后得分割结果如图3(c)所示。

我们以第一步选取的交点作为种子点,对形态学操作后的图像进行区域增长,得到初步的分割结果如图3(d)所示。

由此图3(d)可知,仅仅能得到一部分肝脏CT图像,剩下的肝脏区域须通过其它办法得到。

利用形态学处理后得分割结果如图3(c)所示,这为肝
—
3
2
—
脏其它区域的分割提供了感兴趣区域。

然后利用上面所描述的方法对辅助分割图像进行同样分割,进行形态学处理后可以同样得到多个连通区域,这些连通区域的信息可以用来辅助分割多区域肝脏。

图3　初步分割结果
2.2　多区域肝脏CT 图像分割算法
J iang 等人
[9]
利用了灰度和距离等信息来寻找CT 图像
中的多个肝脏区域。

但如图3(c )所示,在较大的肝脏区域
附近有许多大小不一的且具有相似灰度的小区域,仅利用灰度和距离信息很难确定肝脏的其他区域。

然而相邻的肝脏切片图像中肝脏的形状、面积变化是很小的[5],这一信息可用来辅助分割肝脏。

在本文中,利用相邻若干幅图像中的一幅作为辅助分割图像,为原始分割的图像提供形状、面积的变化信息。

我们选择距离原始分割图像115mm -2mm 的图像来辅助分割多区域肝脏。

假设currentI m age 为原始分割图像,nextI m age 为辅助分割图像。

多区域肝脏CT 图像的完整分割算法如下:
①利用211节中的双阈值法对currentI m age 进行分割,得到形态学处理后的图像,并利用区域增长得到单一的肝脏区域。

同时计算图像(如图3(c )所示)中8连通区域的个数及每个连通区域的面积A current 和质心。

②利用211节中的双阈值法对nextI m age 进行分割,得到形态学处理后的图象,计算图像中8连通区域的个数及每个连通区域的面积A next 和质心。

③由于肝脏解剖结构的特点,肝脏一般位于CT 左上部的区域(特别是在多区域肝脏CT 图像中),因此我们不考虑肝脏图像中右下块中的连通区域,即图3所示的由OJCH 所
包围的区域[10]。

同时也不考虑第一步已分割出的肝脏区域,对currentI m age 的其它8连通区域进行遍历,如果curren 2tI m age 的某个8连通区域的质心处于nextI m age 的某个连通区域中,则进入第④步,否则继续对currentI m age 下一连通区域的判断,如果遍历完毕,则进入第⑤步。

④如果这两个连通区域的面积满足A current >s 1,A next >s 2,其质心距离d 满足d 1≤d ≤d 2,且这两个连通块的面积之差
绝对值满足ε1<A curr ent -A next <ε2(面积用mm 2
表示),则我们认为该区域是另一肝脏区域,如果currentI m age 的连通区域遍历完毕则进入第⑤步,否则进入第③步。

⑤合并第①步与第④步的分割结果得到最终的分割结果。

第④步是本文算法比较关键的地方,多区域肝脏的面积变化是由原始分割图像和辅助分割图像对应连通区域面积ε1、ε2的差来体现。

形状变化通过原始分割图像和辅助分割图像对应连通区域质心d 1、d 2位置变化来体现,通过这两个条件的限制,可以成功的分割多区域肝脏。

这些参数的设置我们会在接下来的文中进行说明。

3　实验结果与分析
为验证本文算法的有效性,采用多套CT 数据进行实验(所有肝脏CT 数据是从肝脏上部开始向下连续扫描获得),并和文献[5]中的算法进行比较。

图4、5、6是本文提出的方法在三种不同情况的实验结果。

图4是原始分割图像图1(a )分别用文献[5]中的算法和本文的算法分割的结果。

辅助分割图像图1(b )是在原始分割图像后的第三幅图像(所在图像序列的层间距为015mm )。

基于文献[5]的方法分割结果如图4(a )所示,基于本文方法的结果如图4(b )所示。

可以看出,文献[5]中的算法只能分割出一个肝脏区域,本文的方法可以准确地将所有肝脏区域分割出。

图4　选择的辅助分割图像在原始分割图像后面
图5中选择的辅助分割图像是在原始分割图像前的第
三幅图像(所在图像序列的层间距为015mm ),基于文献[5]的方法分割结果如图5(c )所示,基于本文方法的结果如图5(d )所示。

通过图4和图5的实验表明了本文的算法在选择
—
402—
辅助分割图像时可以灵活的选择,使算法具有较好的适用性。

图5　选择的辅助分割图像在原始分割图像前面
在有的多区域肝脏CT 图像中,CT 图像层间距较大,多
个肝脏区域相隔较远,图6便是一个例子(所在图像序列的层间距为210mm ),辅助分割图像是原始分割图像后第一幅图像。

文献[5]的方法分割结果如图6(c )所示,本文所提出的分割结果如图6(d )所示。

这表明我们的算法在多肝脏区域相隔较远时也可以有较好的分割效果。

在实验中辅助分割图像一般选择与原始分割图像相隔大约115mm -2mm 的图像。

如果CT 图像序列的层间距小于115mm,则选择相应的图像数,使得原始分割图像和辅助分割图像的间距在此范围之内。

例如,如果一套CT 图像序列的层间距为015mm,则应选择原始分割图像后面或前面第3或第4幅图像作为辅助分割图像;如果大于2mm,则选择原始分割图像后面或前面的第一片作为辅助分割图像。

本文中的几个例子用的是同样参数,s 1=s 2=107mm 2,ε1=
10mm 2
,ε2=161mm 2
,d 1=0
.1,d 2=2,可见本文的算法对参数并不太敏感。

用本文的方法平均分割一幅图像的时间为
215秒,这说明本文的算法具有较快的计算速度。

通过实验表明,本文的算法可以灵活的选择辅助分割图
像,并且在不同的肝脏区域相隔较远时也可以准确、快速的对多区域肝脏CT 图像进行分割,因而具有较好的实用性。

4　结论
本文给出了一种新的多区域肝脏CT 图像的自动分割方法,该方法不仅利用了当前要分割肝脏CT 图像自身的一些信息,同时也利用了相邻的肝脏CT 图像的信息,
因此能够得
图6　不同的肝脏区域相隔较远的情况
到较好的结果。

将该方法应用于实际CT 图像,显示了其对
于多区域肝脏CT 图像分割的有效性。

本文的方法只利用了当前分割图像的在图像序列中后面(或前面)某一片的信息,如果能够利用更多片的信息及其它信息,如脊椎的位置等信息,并结合纹理分析、形变模型的方法,则有可能得到更好的结果,这是将来要进行的工作。

参考文献:
[1]　Y Masutani,K Uozum i,M Akahane,K Oht omo .L iver CT i m age
p r ocessing:A short intr oducti on of technical ele ments[J ].Eur ope 2an Journal of Radi ol ogy,2006,58:246-251.
[2]　L Gao,etc .Aut omatic liver seg mentati on technique for three -di 2
mensi onal visualizati on of CT data [J ].Radi ol ogy,1996,201(2):359-364.
[3]　H Park,P H B land,C R Meyer .Constructi on of an abdom inal
p r obabilistic atlas and its app licati on in seg mentati on [J ].I EEE
Transacti on on Medical I m aging,2003,22(4):483-492.[4]　E Chen,P Chung,C Chen .An Aut omatic D iagnostic System f or
CT L iver I m age Classificati on[J ].I EEE Transacti on on B i omedical Engineering,1998,45(6):783-794.
[5]　Y Zheng,ect .Fully aut omatic seg mentati on of liver fr om multi 2
phase liver CT[C ].Pr oceeding of SP I E Medical I m aging .I m age Pr ocessing,6512:65122x -1--65122x -8,2007.
[6]　刘聚卑,庄天戈.样条几何形变模型及其在CT 图像分割上的
应用[J ].上海交通大学学报,2002,36(1):79-82.
[7]　高琳,罗晓辉,何立新.水平集方法在CT 肝脏图像分割中的应
用[J ].计算机工程与应用,2005,36:201-203.
(下转第222页)
—
502—
考虑到声纳系统的时效性,去噪算法的计算速度是一个重要的因素,因此在实验中分析了PCNN 迭代次数对去噪效果的影响,仿真结果如图5所示,其中去噪效果以PS NR 表示。

图5　PCNN 迭代次数对去噪效果的影响
从图5可以看出,PC NN 迭代次数在6次之后以PS NR
表示的去噪指数基本稳定,继续进行迭代运算不能更好的抑制图像中的噪声,出于对算法运算时间的考虑,可将迭代次数限制在6次以内,以达到算法的最佳性能时间比。

5　结语
图像噪声抑制是声纳图像识别过程中重要的环节,本文
在脉冲耦合神经网络(PC NN )简化模型的基础上,结合数学
形态学运算和中值滤波算法,有效的滤除了声纳图像中的高斯和脉冲噪声,实验证明其效果比传统去噪方法优越,并且由于PCNN 的内在并行性,更适合应用于工作在实时环境下的声纳系统。

参考文献:
[1]　J L JOHNS ON,M L P ADGETT .PCNN model and app licati ons
[J ].I EEE Transacti ons on Neural Net w orks,1999,10(3):480
-498.
[2]　马义德,李廉,王亚馥.脉冲耦合神经网络原理及其应用[M ].
北京:科学出版社,2006.
[3]　MA YI D E,SH I FE I,L I L I A N.Gaussian noise filter based on PC 2
NN.Neural Net w orks and Signal Pr ocessing [C ].Pr oceedings of the 2003I nternati onal Conference .2003,1:149-151.
[4]　MA YI D E,SH I FE I,L I L I A N.A ne w kind of i m pulse noise filter
based on PCNN.Neural Net w orks and Signal Pr ocessing[C ].Pr o 2ceedings of the 2003I nternati onal Conference .2003,1:152
-155.
[5]　张军英,李博云.基于PCNN 的图像纹理平滑度的特征提取
[J ].计算机仿真,2003,20(9):103-
105.
[作者简介]
刘晨晨(1977-),女(汉族),河北沧州人,博士,讲
师,主要研究方向:信号与图像处理、自动目标识别。

李　晨(1979-),男(汉族),河北邯郸人,硕士,讲
师,主要研究方向:数字媒体技术、计算机视觉。

张之猛(1977-),男(汉族),山东庆云人,博士生,
主要研究方向:声纳信号处理、目标识别。

(上接第205页)
[8]　周永新,白净.基于V I P —Man 图谱配准的腹部器官分割方法
[J ].北京生物医学工程,2007,26(3):233-236.
[9]　H J iang,H Fujita .Research on seg mentati on method of multi -re 2
gi on liver i m age[C ].p r oceedings of the 6th
wold congress on intel 2ligent contr ol and aut omati on,2006.9992-9995.
[10]　S L i m ,Y Jeong,Y Ho .Aut omatic liver seg mentati on f or volume
measure ment in CT I m ages[J ].Journal of V isual Communicati on and I m age Rep resentati on,2006,17:860-
875.
[作者简介]
刘子奇(1984-),男(汉族),湖南常德人,硕士
生,主要研究方向:医学图像分析、计算机图形学。

韩旭里(1957-),男(汉族),湖南邵阳人,博士,
教授,博士生导师,主要研究方向:数值分析、计算机辅助几何设计、图像处理。

陈志军(1984-),男(汉族),湖北仙桃人,硕士,
软件工程师,主要研究方向:图像处理。

—
222—。