符曉珠，黃紹輝，王博亮，黃曉陽

（廈門大學(xué)信息科學(xué)與技術(shù)學(xué)院，福建 廈門361005）

血管系統(tǒng)成像能為外科手術(shù)計(jì)劃和血管疾病的診斷等方面提供許多至關(guān)重要的信息.例如在肝臟外科手術(shù)中，需要借助血管對(duì)腫瘤進(jìn)行定位，因此快速且準(zhǔn)確地從醫(yī)學(xué)圖像中提取肝臟血管是制定肝臟手術(shù)計(jì)劃中最重要的一步.目前，關(guān)于血管的分割提取研究依然是國(guó)內(nèi)外研究的熱點(diǎn)，血管的分割方法亦是多種多樣.Foruzan等［1］基于 Hessian濾波的分割方法實(shí)現(xiàn)對(duì)肝臟血管的提??；Beichel等［2］提出了基于圖割的分割方法，實(shí)現(xiàn)了肝臟的分割；Jiang Huiyan等［3］基于光譜信息，提出了利用區(qū)域生長(zhǎng)法實(shí)現(xiàn)對(duì)血管分割的算法；Wang等［4］基于多尺度分割算法實(shí)現(xiàn)了從CT序列中提取血管.

模糊集合的概念由Zadeh于1965年首次提出，Udupa等［5］在此基礎(chǔ)上提出了基于模糊連接度的圖像分割理論框架和模糊連接分割法，可以較好地把計(jì)算機(jī)斷層血管造影（CTA）和磁共振血管造影（MRA）圖像中的血管部分從周圍組織中提取出來.其主要思想是計(jì)算圖像中任意兩個(gè)像素之間的連接強(qiáng)度，再根據(jù)連接強(qiáng)度的大小將血管從周圍組織中分割出來.從此，模糊理論在醫(yī)學(xué)圖像分割領(lǐng)域的應(yīng)用受到了廣泛關(guān)注.Harati等［6］對(duì)模糊連接算法做了改進(jìn)，提出了一種全自動(dòng)、準(zhǔn)確的分割算法，將該算法應(yīng)用到腦部磁共振（MR）圖像的腫瘤區(qū)域檢測(cè)和分割.Llorénsa等［7］提出了基于模糊連接度和形態(tài)學(xué)的分割算法，該方法能夠從三維牙科CT圖像中將牙頜組織分割出來.Ciesielski等［8］提出了基于圖割和相對(duì)模糊連接度的圖像分割方法，實(shí)現(xiàn)了將骨骼從CT圖像中分割出來.Badura P等［9］提出了模糊連接度和進(jìn)化算法相結(jié)合的分割方法，實(shí)現(xiàn)了三維肺結(jié)核的分割.然而，在利用模糊連接算法對(duì)肝臟血管進(jìn)行分割時(shí)，算法將面臨計(jì)算成本過高以及手動(dòng)選取閾值造成分割誤差兩個(gè)問題.本文針對(duì)這兩個(gè)問題對(duì)模糊連接算法進(jìn)行改進(jìn)，提出一種基于查找表和自適應(yīng)閾值搜索的模糊連接分割算法，并將該算法運(yùn)用到肝臟血管的分割中，在縮短運(yùn)算時(shí)間的同時(shí)，取得了比較滿意的分割效果.

1 模糊連接

大多數(shù)物體都由不同種成分組成，不同成分具有各自的強(qiáng)度特征，表現(xiàn)在圖像上就是具有不同的顏色或灰度特征.在醫(yī)學(xué)圖像中，通過醫(yī)療儀器掃描得到的圖像由于儀器或人為的原因，醫(yī)學(xué)圖像中有些組織之間并沒有清晰的界限，并且會(huì)產(chǎn)生許多噪聲點(diǎn).噪聲點(diǎn)在強(qiáng)度信息上雖然會(huì)與物體比較接近，但通常與物體在空間上不具有連續(xù)性.模糊連接算法綜合了圖像中像素的空間距離特征與強(qiáng)度特征，達(dá)到將血管與周圍組織分割開的目的.

1.1 模糊鄰接關(guān)系，親和力，模糊連通度

圖像中任意兩像素之間都存在著一種模糊鄰接關(guān)系，在此需要介紹兩個(gè)概念.一個(gè)是像素間的局部模糊關(guān)系，又稱為親和力，它與相鄰兩像素（a，b）的空間鄰近程度、強(qiáng)度均勻程度和強(qiáng)度相似程度是單調(diào)遞增關(guān)系，其值范圍在［0，1］之間.另一個(gè)是像素間的全局模糊關(guān)系，表達(dá)的是空間中不相鄰的兩像素（a，b）的連接強(qiáng)度，也稱作模糊連通度，其值也在［0，1］之間.全局模糊關(guān)系的確定需要用到局部模糊關(guān)系，具體確定方法是先對(duì)每條始于a止于b的路徑求出兩兩相鄰像素的局部模糊關(guān)系值，并用最小的局部模糊關(guān)系值作為該路徑的強(qiáng)度；然后找出所有路徑強(qiáng)度的最大值，作為像素a和b的全局模糊關(guān)系值.由于血管在CT圖像中是連續(xù)的，只需計(jì)算該像素和它六鄰域相鄰的像素間的親和力，而無需計(jì)算圖像中所有像素對(duì)的親和力.

對(duì)于圖像中的兩個(gè)相鄰像素a和b，親和力用affinity（a，b）表示為

其中，f（x）表示像素x的灰度值，m和s分別表示像素灰度值的平均值和標(biāo)準(zhǔn)方差.當(dāng)a和b越接近時(shí)，其親和力值越大.

全局模糊關(guān)系的表達(dá)式為

其中

a0，a1，…，am是一組像素序列，并且ai與ai＋1是六鄰域相鄰的兩像素，并且a0＝a，am＋1＝b.n表示a 到b的路徑總數(shù).

當(dāng)像素a與像素b是相鄰像素對(duì)時(shí)，像素對(duì)的模糊鄰接關(guān)系值與局部模糊連接關(guān)系值等價(jià)；當(dāng)像素a與像素b不是相鄰像素對(duì)時(shí)，模糊鄰接關(guān)系值與全局模糊連接關(guān)系值等價(jià).模糊鄰接關(guān)系取值在0與1之間，反映了該像素與參考點(diǎn)的相似程度，值越接近1表示該像素與參考點(diǎn)越相似，即和參考點(diǎn)同屬于一種組織類型的可能性更大.

1.2 模糊連接算法

選取目標(biāo)區(qū)域中的一個(gè)初始點(diǎn)作為種子點(diǎn)，計(jì)算圖像中各像素與種子點(diǎn)之間的連接強(qiáng)度，即可通過迭代算法輸出一個(gè)模糊場(chǎng)景.接下來，用戶通過選取閾值對(duì)模糊場(chǎng)景進(jìn)行二值化處理就能得到分割結(jié)果，具體算法如下.

輸入：圖像區(qū)域C，種子點(diǎn)S，閾值T

輸出：C中的目標(biāo)區(qū)域V

輔助數(shù)據(jù)結(jié)構(gòu)：一個(gè)代表連接場(chǎng)景的三維數(shù)組CS，一個(gè)隊(duì)列包含待處理的像素Q

當(dāng)像素c與像素e是相鄰像素對(duì)時(shí)，CS（e）的表達(dá)式與局部模糊連接關(guān)系值等價(jià)；當(dāng)像素c與像素e不是相鄰像素對(duì)時(shí)，CS（e）的表達(dá)式與全局模糊連接關(guān)系值等價(jià).

2 基于自適應(yīng)閾值的模糊連接分割算法

本文提出的基于自適應(yīng)閾值的模糊連接分割方法是一種根據(jù)圖像的連接強(qiáng)度自動(dòng)選取合適的閾值對(duì)目標(biāo)區(qū)域進(jìn)行分割的方法，實(shí)驗(yàn)結(jié)果表明該方法能得到正確的分割結(jié)果，并且基于查找表的計(jì)算方法提高了模糊連接度的計(jì)算效率.

2.1 查找表

使用模糊連接算法進(jìn)行圖像分割的時(shí)耗主要由計(jì)算區(qū)域內(nèi)像素對(duì)的連接強(qiáng)度的時(shí)耗決定.由于全局模糊關(guān)系的確定需要用到局部模糊關(guān)系，所以很多相同像素對(duì)的親和力會(huì)被反復(fù)計(jì)算.本文提出一種基于查找表的計(jì)算優(yōu)化方法，使計(jì)算量大大減少，運(yùn)行速度得到了提高.由于血管在CT圖像中的灰度值介于100～230之間，本文方法在計(jì)算模糊場(chǎng)景之前，首先構(gòu)建一個(gè)大小為256×256大小的查找表.該查找表用于存儲(chǔ)圖像區(qū)域中所有可能灰度值組合的像素對(duì)的連接強(qiáng)度affinity（A，B），其中A＝f（a）∈［0，255］，B＝f（b）∈［0，255］，f（x）表示像素x的函數(shù)，這里直接取成像素x的原始CT值.通過查找表，我們窮盡了256×256種可能的灰度值組合所產(chǎn)生的親和力連接強(qiáng)度.當(dāng)需要獲取任意兩像素（a，b）的親和力時(shí)，我們只需要查詢查找表而無需重新計(jì)算.

2.2 自適應(yīng)閾值

應(yīng)用模糊連接算法對(duì)圖像區(qū)域進(jìn)行分割時(shí)，首先基于查找表計(jì)算出模糊場(chǎng)景，之后需要一個(gè)閾值將模糊場(chǎng)景二值化，從而得到分割結(jié)果.目前只能依靠用戶的經(jīng)驗(yàn)手動(dòng)選取閾值，選取不同的閾值將生成不同的分割結(jié)果.為了克服模糊連接分割算法需要手動(dòng)設(shè)置閾值的缺點(diǎn)，本文提出了一種類分水嶺的自適應(yīng)閾值搜索算法.由于計(jì)算模糊場(chǎng)景時(shí)將連接強(qiáng)度映射到256×256個(gè)區(qū)間，本文方法首先需要統(tǒng)計(jì)出分布在每個(gè)區(qū)間的像素個(gè)數(shù)，從而得到模糊場(chǎng)景的連接強(qiáng)度直方圖.同一肝臟血管的灰度值非常相似，所以屬于同一血管的像素間的連接強(qiáng)度的值較高；不同血管間的連接僅僅在血管末梢部分，灰度值明顯較低，因此不同血管的像素間的鄰接關(guān)系相對(duì)較弱.這個(gè)特征在直方圖中將反映出多個(gè)明顯的峰值，并且在新峰值出現(xiàn)之前會(huì)出現(xiàn)許多谷.新峰值的出現(xiàn)意味著種子點(diǎn)從一個(gè)血管生長(zhǎng)到另一個(gè)血管，或者是另一種組織.當(dāng)血管區(qū)域生長(zhǎng)到肝臟血管的最大體積時(shí)，分割算法將會(huì)停止.經(jīng)過多次實(shí)驗(yàn)的驗(yàn)證，肝臟血管的最大體積不會(huì)超過50mL.給定閾值h，血管總體積的計(jì)算公式如等式（4）所示：

根據(jù)上述分析，利用模糊場(chǎng)景的連接強(qiáng)度直方圖，可以用類分水嶺思想自動(dòng)搜索合適的閾值.自適應(yīng)閾值搜索算法如下：

輸入：模糊場(chǎng)景CS

輸出：分割的閾值T

輔助數(shù)據(jù)結(jié)構(gòu)：存儲(chǔ)模糊場(chǎng)景連接強(qiáng)度直方圖的數(shù)組H

3 結(jié) 果

采用實(shí)驗(yàn)配置環(huán)境為Intel Core i5CPU和4GB內(nèi)存，運(yùn)行環(huán)境為 Windows XP.此外，采用3套肝臟CT圖像為實(shí)驗(yàn)對(duì)象進(jìn)行測(cè)試.表1給出了在分割結(jié)果相同的情況下使用查找表計(jì)算模糊場(chǎng)景對(duì)模糊連接算法性能的影響.實(shí)驗(yàn)結(jié)果表明，采用查找表可以將模糊連接算法運(yùn)算速度提高1.5～2倍.

基于自適應(yīng)閾值的模糊連接分割算法對(duì)3套肝臟CT圖像數(shù)據(jù)進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果分別如圖1～3所示.在模糊場(chǎng)景的連接強(qiáng)度直方圖中，X軸代表區(qū)域中像素對(duì)的連接強(qiáng)度，取值范圍為［0，1］，原點(diǎn)為由自適應(yīng)閾值搜素算法求出的閾值.Y軸代表區(qū)域中具有該連接強(qiáng)度值的像素?cái)?shù)量（為方便起見，使用對(duì)數(shù)表示）.

表1 使用查找表對(duì)模糊連接分割算法性能的影響Tab.1 Data set information and performance without／with a lookup table

本文算法中，種子點(diǎn)是需要手動(dòng)選取的.由于種子點(diǎn)的選擇會(huì)對(duì)分割結(jié)果有明顯影響，所以種子點(diǎn)需要接近血管平均灰度值附近，一般選取血管較粗部分的中間即可.如果選在血管邊緣，由于其與肝實(shí)質(zhì)的灰度過于接近，會(huì)造成二者親和力過大引起誤判.

圖1 模糊連接分割算法對(duì)第I套肝臟CT圖像的測(cè)試結(jié)果Fig.1 The result of the first liver CT image through fuzzy connectedness method

在第I套肝臟CT圖像圖1中手動(dòng)選?。?77，246，77）為種子點(diǎn)，計(jì)算圖像中各像素與種子點(diǎn)之間的連接強(qiáng)度，即可通過迭代算法輸出模糊場(chǎng)景如圖1（b）所示.統(tǒng)計(jì)得到模糊場(chǎng)景的連接強(qiáng)度直方圖（圖1（a）），基于自適應(yīng)閾值搜索算法求出的閾值為0.936，根據(jù)該閾值對(duì)模糊場(chǎng)景進(jìn)行二值化從而得到肝臟血管，如圖1（c）所示.

同理，基于自適應(yīng)閾值的模糊連接算法對(duì)第II套肝臟CT圖像進(jìn)行分割時(shí)（圖2），只需要選取種子點(diǎn)，便可由算法實(shí)現(xiàn)肝臟血管的自適應(yīng)閾值分割，分割結(jié)果如圖2（c）所示.實(shí)驗(yàn)結(jié)果表明該算法可以得到正確的分割.

圖2 模糊連接分割算法對(duì)第II套肝臟CT圖像的測(cè)試結(jié)果Fig.2 The result of the second liver CT image through fuzzy connectedness method

圖3 模糊連接分割算法對(duì)第III套肝臟CT圖像的測(cè)試結(jié)果Fig.3 The result of the third liver CT image through fuzzy connectedness method

在對(duì)第III套肝臟CT圖像進(jìn)行分割時(shí)（圖3），連接強(qiáng)度直方圖反映出明顯的周期振蕩，這是因?yàn)楫?dāng)圖像成像效果不佳時(shí)（例如錯(cuò)過造影劑抓拍時(shí)機(jī)），因CT容積效應(yīng)的存在，血管中灰度值分布不均勻，會(huì)出現(xiàn)一段一段的灰度值聚集現(xiàn)象.直方圖上每一個(gè)小波峰意味著該連接強(qiáng)度值出現(xiàn)頻率較高，也即對(duì)應(yīng)的灰度值對(duì)出現(xiàn)了小部分重疊.但由于總體上血管和肝實(shí)質(zhì)還是有明顯區(qū)分度，因此這些小波峰的高度累加不足以達(dá)到通常血管的體積，因此本文算法會(huì)越過這些小波峰去搜索更高的峰值，這個(gè)更高的峰值就是區(qū)分血管和肝實(shí)質(zhì)的閾值.

4 結(jié) 論

本文針對(duì)模糊連接分割算法需要手動(dòng)設(shè)置閾值和計(jì)算成本過高的缺點(diǎn)，提出了一種改進(jìn)的自適應(yīng)閾值搜索算法，并將其應(yīng)用于肝臟血管的分割.實(shí)驗(yàn)結(jié)果表明，采用該方法可以得到正確的分割結(jié)果，并且基于查找表的模糊場(chǎng)景計(jì)算方法提高了模糊連接分割算法的速度.雖然這種方法的運(yùn)行速度比原算法得到了很大的提升，但是仍不足以滿足交互式分割的需求.今后我們將進(jìn)一步研究基于圖形處理器（GPU）的并行計(jì)算算法，以實(shí)現(xiàn)更高速的分割處理.

［1］Foruzan A H，Zoroofi R A，Sato Y，et al.A Hessian－based filter for vascular segmentati－on of noisy hepatic CT scans［J］.International Journal of Computer Assisted Radiology and Surgery，2012，7（2）：199－205.

［2］Beichel R，Bornik A，Bauer C，et al.Liver segmentation in contrast enhanced CT data using graph cuts and interactive 3Dsegmentation refinement methods［J］.Medical Physics，2012，39（3）：1361－1373.

［3］Jiang Huiyan，He Baochun，F(xiàn)ang Di，et al.A region grow－ing vessel segmentation algor－ithm based on spectrum information［J］.Computational and Mathematical Methods in Medicine，2013，2013：1－10.

［4］Wang Yi，F(xiàn)ang Bin，Pi Jingrui，et al.Automatic multiscale segmentation of intrahepatic vessel in CT images for liver surgery planning［J］.International Journal of Pattern Recognition and Artificial Intelligence，2013，27（1）：1－17.

［5］Udupa J K，Samarasekera S.Fuzzy connectedness and object definition：theory，algorithm and applications in image segmentation［J］.Graphical Models and Image Processing，1996，58（3）：246－261.

［6］Harati V，Khayati R，F(xiàn)arzan A.Fully automated tumor segmentation based on improved fuzzy connectedness algorithm in brain MR images［J］.Comput Biol Med，2011，41（7）：483－492.

［7］Lloréns R，Naranjo V，López F，et al.Jaw tissues segmentation in dental 3DCT images using fuzzy－connectedness and morphological processing［J］.Computers in Biology and Medicine，2012，108（2）：832－843.

［8］Ciesielski K C，Miranda P A，F(xiàn)alc?o A X，et al.Joint graph cut and relative fuzzy connectedness image segmentation algorithm［J］.Medical Image Analysis，2013，17（8）：1046－1057.

［9］Badura P，Pietka E.Soft computing approach to 3Dlung nodule segmentation in CT［J］.Computers in Biology and Medicine，2014，53：230－243.