基于数据网格的肝脏CT图像感兴趣区域分割

基于数据网格的肝脏CT图像感兴趣区域分割
焦蓬蓬
【摘要】通过图像分割获取医学图像感兴趣区域是医学图像处理与分析要解决的首要问题及技术难点.为了获取肝脏CT图像中的感兴趣区域,针对肝脏CT图像的自身特点,提出了一种基于数据网格和改进的区域生长法相结合的肝脏CT图像感兴趣区域分割方法.首先利用数据网格对肝脏CT图像做粗分割,最大程度地去除骨骼及背景对后期分割的影响.其次,利用先验知识,确定区域生长的种子点,做基于改进的区域生长法的二次分割.实验结果表明,能较完整的分割出CT图像的肝脏区域.实验结果为进一步的医学肝脏图像的处理与分析奠定了基础.
【期刊名称】《科学技术与工程》
【年(卷),期】2014(014)012
【总页数】3页(P250-252)
【关键词】图像分割;数据网格;医学图像;区域生长法
【作者】焦蓬蓬
【作者单位】南京师范大学泰州学院,泰州225300
【正文语种】中文
【中图分类】TP391.41;R322.47
图像分割就是把图像分成各具特性的不同区域并提取出感兴趣目标的技术和过程［1］，它是图像理解、机器视觉和模式识别等领域的关键技术。

图像分割是计算
机图像研究领域中的一个经典难题，目前还没有一种适合于所有图像的通用的分割算法。

典型的图像分割算法有阈值法、基于边缘的方法［2］、基于区域的方法［3］和结合特定理论的图像分割方法［4］等。

由于医学图像通常由感兴趣区域和背景区域构成，其中感兴趣区域包含重要的诊断信息，把感兴趣区域分割出来是医学图像处理与分析要解决的首要问题及技术难点。

由于人体解剖结构的复杂性、组织器官形状的不规则性及不同个体间的差异性，将一般的图像分割方法直接应用于医学图像的分割效果并不理想。

因此，医学图像分割除一般的分割技巧外，还须结合医学领域中的知识，才能做出合理的分割。

其中，对区域生长法进行改进用于医学图像感兴趣区域分割一直受到国内外学者的持续关注。

Angelina S等［5］提出一种区域生长法与遗传算法相结合的医学图像分割算法，用于恶性黑色素瘤等皮肤癌的早期诊断;Wu Haishan等［6］提出采用迭代的区域生长算法分割卵巢细胞内染色质;宋子国等［7］提出将区域生长法与Graph Cut相结合，用于颅脑及肝CT图像分割;陈彦达等［8］提出了一种新的肝脏CT
序列图像区域生长算法，主要改进了种子点的选取。

考虑到肝脏CT图像病灶边界模糊，而对CT图像做网格划分可以增强边界界限，去除骨骼、背景等对后期分割的影响［9］。

因此，针对肝脏CT图像的成像特点，提出了一种基于数据网格和
改进的区域生长法相结合的肝脏CT图像自动分割方法，基本思想是先通过数据网格划分对原始图像做粗分割，后利用肝脏CT图像的先验知识确定区域生长的种子点，并提出一种自适应获取生长阈值的方法，进而利用改进的区域生长法及后继处理获取感兴趣区域肝脏。

实验表明，该方法可以完整的提取肝脏，实验取得了较为满意的实验效果，为医学肝脏CT图像的自动分割提供了新思路。

1 相关理论与方法
1.1 数据网格的概念
所谓网格，是指向量空间中由一组(超)平面所界定的空间区域的集合［10］。

以下
是Rd空间意义下空间网格划分的概念。

d维空间Rd上的剖分平面是满足式(1)的(d-1维)超平面。

如果系数向量 (w1，w2，…，wd)中只有一个非零分量，即:存在wi≠0 ，而
wj=0 ，j=1，…，i－1，i+1，…，d，则称该剖分平面为正剖分平面;否则称为斜
剖分平面。

空间Rd上的网格结构是由一组可数个互异的剖分平面H={H1，
H2，…，Hm}所界定的空间区域组成的集合。

如果全部的剖分平面Hj(j=1，2，…，m)均为正剖分平面，则所得的网格结构称为规则网格，否则称为非规则网格。

当N all满足式(3)时，映射的网格单元标记为稠密网格。

式(3)中，L代表该灰度图像的灰度级，ξ为阈值，满足ξ∈［0，0.5］。

同理，当
N all满足式(4)时，映射的网格单元标记为稀疏网格。

当N all满足式(5)时，映射的网格单元标记为有效数据网格。

1.2 改进的区域生长法
区域生长法主要考虑像素及其空间邻域像素之间的关系，首先确定一个或多个像素点作为种子，然后按某种相似性准则增长区域，逐渐合并以形成所需的分割结果［11］。

区域生长法主要涉及三个关键点:选择合适的种子点、确定相似性准则以及确定生
长停止条件。

具体到本文讨论的医学肝脏CT图像，由于感兴趣区域肝脏在整幅
CT图像中的位置是相对固定的，所以可以根据先验知识，人工选择种子点。

确定
种子点后，以该点为中心，按相邻八像素向外生长。

若种子点像素值为g，取阈值为t，则g±t作为生长像素的条件。

生长阈值t的选取可以通过反复实验选取。

现
在实验的基础上，提出通过在迭代式阈值选择法的基础上自适应选取。

基本步骤如下:
(1)选择一个初始阈值T0。

(2)用T0分割图像。

大于T0的所有像素组成的区域记为G1，小于或等于T0的像素区域记为G2。

(3)计算G1和G2中的所有像素的平均灰度值μ1和μ2。

(4)按式(6)计算新的阈值。

(5)重复步骤(2)～(4)，直到逐次迭代所得到的T值之差小于某个给定值，取t=|T －T avg|，T avg为图像平均灰度值。

实验证实这种预先自适应选择生长阈值t的方法对肝脏CT图像切实有效。

对特定的M×N的灰度图像D，如果根据参数σ进行等距规则网格划分，将每一个像素点映射到适当的网格中，然后根据落在网格单元中的灰度值之和N all，可以将网格分成三大类:稠密网格、有效数据网格和稀疏网格。

N all的定义如式(2)所示
2 实验结果及分析
2.1 图像数据网格划分
为了验证算法的可行性与有效性，分别以一副正常和异常的腹部CT图像为例进行仿真分析。

原始图像的灰度级L为256，图像分辨率M ×N=512×512。

按照网格划分理论进行粗分割，效果分别如图1和图2所示。

对于灰度级为L的灰度图像，众所周知，图像在存储的时候用灰度值0代表纯黑，灰度值L-1代表纯白。

对实验结果的观察可以发现，网格划分正是利用了医学肝脏CT图像的这一特点，经过网格划分后，稠密网格多对应医学图像的骨骼组织，稀疏网格多对应医学图像的背景区域，这些区域都是非感兴趣区域。

因此，剩下的有效数据网格部分即为粗
分割的结果。

图1 一副典型正常图像及其网格划分
图2 一副典型异常图像及其网格划分
对肝脏CT图像做网格划分时应当注意，参数ξ的选取非常重要。

如果取值过小，背景去除的就过少，影响后期区域生长法的分割效果;但如果取值过大，就会导致
过分割。

实验表明，针对肝脏CT图像，ξ取0.38左右是比较合适的。

2.2 区域生长法分割结果及讨论
由于肝脏在CT图像中的位置相对固定，总是在CT图像的左偏下位置，因此，接
下来对经过上述步骤网格划分后的图像做改进的区域生长法分割时，可以利用先验知识选取合适种子点。

仍以上两幅图像为例，正常异常肝脏CT图像的分割结果分别如图3和图4所示。

区域生长法分割后的图像后期需要做连通域目标面积统计，以便消除小面积伪目标，最终才得到理想的分割结果。

从上述实验结果看，采用本文方法可以较为准确的获取肝脏CT图像中的感兴趣区域——肝脏。

此外，细心观察会发现，分割结果的边界存在有一定的块效应，边界不平滑，原因是前期网格划分造成的，但对图像的后期分析与理解影响不大。

图3 正常图像种子点选取及分割结果
图4 异常图像种子点选取及分割结果
3 结束语
由于医学图像的特殊性，至今还没有一种适用于任何医学图像的通用分割方法，也不存在判断分割是否有效的客观标准。

医学图像分割技术仍然是制约医学图像处理中其他相关技术发展和应用的一个瓶颈。

由于考虑到肝脏CT图像的自身特点，提出了一种基于数据网格和区域生长法相结合的肝脏CT图像感兴趣区域分割方法，并实验验证了算法的可行性与有效性。

通过本文方法提取的肝脏较为完整，但算法
中参数ξ的自适应选取仍是未来的研究重点。

参考文献
【相关文献】
1 黄文博，燕杨，王云吉.医学图像分割方法综述.长春师范学院学报(自然科学版)，
2013;32(2):22—25
2 Jiang Huiyan，Gao Xihe.Semi-automatic liver segmentation using improved GVF snake model.Advanced Materials Research，2010;121—122:435—440
3 Kaura P，Sonib A K，Gosain A.A robust kernelized intuitionistic fuzzy c-means clustering algorithm in segmentation of noisy medical images.Pattern Recognition Letters，2012;34(2):163—175
4 Liu Jianli，Zuo Baoqi.The segmentation of skin cancer image based on genetic neural network，CSIE，2009;5:594—599
5 Angelina S，Suresh L P，Veni SH K..Image segmentation based on genetic algorithm for region growth and region merging.ICCEET，2012;E95—D(8):970—974
6 Wu H S，Gil J，Deligdisch L.Region growing segmentation of chromatin clumps of ovarian cells using adaptive gradients.Journal of Imaging Science and Technology，2004;48(1):22—27
7 宋子国，战荫伟.基于Graph Cut与区域生长的连续CT图像分割算法.计算机系统应用，
2012;21(9):206—209
8 Chen Yanda，Bao Susu.Novel segmentation algorithm of region growing based on CT image sequences of puter Engineering and Applications，2010;46(13):188—190 9 郭依正，焦蓬蓬.基于有效数据网格的Gabor小波纹理特征提取算法.微型机与应用，
2009;19:18—21
10 胡云，孙志挥，李存华.基于数据空间网格划分的PK树索引结构.计算机应用研究，
2005;12:33—35
11 Jiang Huiyan，Si Yuepeng.Medical image segmentation based on improved Otsu algorithm and regional growth algorithm.Journal of Northeastern University，
2006;27(4):398—401。