夏永泉，喬四海，支 俊，謝希望，葉倩倩

（鄭州輕工業(yè)大學(xué) 計算機與通信工程學(xué)院，河南 鄭州450000）

0 引 言

肝臟是人體新陳代謝的一個重要器官，也是人體腹部中最重要的消化器官，極其容易引發(fā)肝部疾病，如肝癌等[1]。肝臟分割技術(shù)[2?3]對幫助醫(yī)生治療肝部患者起著重要作用。如何精確地將肝臟部分區(qū)域從腹部CT圖片中分離出來，對醫(yī)生進行醫(yī)療診斷起到關(guān)鍵作用。

對于連通性比較好的腹部CT圖片，背景和目標(biāo)圖形相差不大，使用區(qū)域生長法比較合適。區(qū)域生長算法的關(guān)鍵在于選擇合適的種子點和區(qū)域生長準(zhǔn)則，這兩種因素的選取直接影響到圖像分割的好壞。本文提出了一種新的肝臟自動分割方法。針對CT圖像對比度低的特性，首先對原始圖像進行降噪處理和二值化處理；利用肝臟在CT圖像中體積最大的特性獲取肝臟的初始輪廓，通過尋找初始輪廓中肝臟區(qū)域的質(zhì)心自動獲取區(qū)域生長的種子點；最后利用改進的雙閾值區(qū)域生長算法獲取肝臟區(qū)域，達(dá)到精準(zhǔn)分割的目的。

1 算法分析

本文采用區(qū)域生長算法進行肝臟分割，它將具有相似性的像素點集合起來構(gòu)成區(qū)域。在目標(biāo)區(qū)域中找出種子點，然后將種子像素周圍鄰域中與種子有相似性質(zhì)的像素合并到種子像素所在區(qū)域中。本文的具體算法流程如圖1所示。

圖1 算法流程圖

獲取原始圖像后對圖像進行預(yù)處理，利用非線性空間域圖像去噪方法給CT圖像降噪，消除圖像中的干擾部分，填充CT圖像中的空洞部分；利用迭代法選取合適的閾值，將目標(biāo)圖像與背景圖像進行分離。然后利用肝臟在CT圖像中體積最大的特性鎖定初始肝臟區(qū)域輪廓，選取鎖定區(qū)域中的質(zhì)心作為種子點；利用區(qū)域生長算法將肝臟區(qū)域精準(zhǔn)地從CT圖像中分割出來。為了便于比較，最后把肝臟區(qū)域在CT圖像中進行邊緣標(biāo)記。

1.1 非線性空間域圖像去噪方法

對腹部CT圖像進行預(yù)處理，主要目的是消除圖像中無關(guān)的信息，增強邊緣區(qū)域部分的可檢測性[10]。腹部CT圖像中各個部分沒有很明顯的分割線，針對腹部CT圖片的這個特性，本文采用自適應(yīng)中值濾波方法對圖像進行降噪，具體如圖2所示。

根據(jù)窗口中心的像素點與判定的像素信息之間的關(guān)系改變?yōu)V波窗口的大小，能更好地保護圖像的紋理細(xì)節(jié)[11]。采用閾值法進行二值化，把圖像分割為目標(biāo)和背景兩部分[12]，經(jīng)過去噪處理以后，腹部CT圖像中各器官之間對比度低，邊界不明顯的情況已經(jīng)得到很好的改善。

1.2 肝臟自動分割

針對腹部CT圖像這種連通性好的圖像，區(qū)域生長分割算法能達(dá)到很好的效果。區(qū)域生長算法依據(jù)指定的準(zhǔn)則將圖像分割為相似的區(qū)域[13]。文獻(xiàn)[14]等通過對兩個階段的區(qū)域生長算法進行改進，達(dá)到對CT圖像的肝臟分割和血管分割。此方法依賴于生長準(zhǔn)則和閾值選取，而且需要人為地選取種子點。上述方法雖然能夠精準(zhǔn)地分割出目標(biāo)區(qū)域，但需要摻雜人為因素選取種子點或者設(shè)置輪廓模型，有一定的局限性。文獻(xiàn)[15]提出一種改進的區(qū)域生長算法的肝臟管道圖像分割方法，它通過坐標(biāo)系映射轉(zhuǎn)換獲取肝臟位置，減少人工交互確定種子點的位置，提高了分割的準(zhǔn)確度且不需要很長的分割時間。

(4) 試驗結(jié)束后，不同土體的穩(wěn)定梯度比Gr值不一致，穩(wěn)定梯度比Gr值大小為：粉質(zhì)黏性土>砂質(zhì)黏性土>礫質(zhì)黏性土。

圖2 自適應(yīng)中值濾波方法去噪效果

1.2.1 基于質(zhì)心的種子點選取

正確地選取種子點，對分割的結(jié)果好壞至關(guān)重要。把種子點選取在噪聲部分或各區(qū)域連接區(qū)域，會造成分割錯誤、分割邊緣模糊等問題。傳統(tǒng)的區(qū)域生長算法需要人工交互來獲取種子點。針對腹部CT圖片的特性，如果在噪聲處或者邊緣部分選取種子點，會影響分割精度。在獲得最大聯(lián)通區(qū)域之后，本文通過獲得連通區(qū)域的質(zhì)心作為種子點達(dá)到自動分割的目的，如圖3所示。

圖3 自動選取種子點

求解質(zhì)心的原理如下：在上一步的基礎(chǔ)上，找出最大連通域的最小外接四邊形，設(shè)其區(qū)域為σ，密度為μ(x,y)，取點M(x,y)處面積元素dσ，對應(yīng)的質(zhì)量元素dm=μ(x,y)dσ，它 對x軸 的 靜 矩 為dM x=xdm=xμ(x,y)dσ，對y軸的靜矩為dM y=ydm=yμ(x,y)dσ，再 分 別 對 區(qū) 域σ作 積 分

本文通過獲取最大聯(lián)通區(qū)域的質(zhì)心作為區(qū)域生長算法的種子點，這是本文的一個創(chuàng)新點。它避免人為選取種子點的主觀因素，將種子點選取在錯誤的位置上，同時避免了將種子點選取在最大聯(lián)通域的邊緣位置，確保能夠正確地選取種子點，做到精準(zhǔn)分割。

1.2.2 基于區(qū)域生長法的自動分割

影響區(qū)域生長算法的因素有種子點的選取、區(qū)域生長準(zhǔn)則和終止條件[16]。區(qū)域生長準(zhǔn)則和終止條件的選擇是一個很重要的因素，選擇正確的閾值能夠直接影響到分割的完整性和精準(zhǔn)度。

文獻(xiàn)[17]提出一種改進的生長區(qū)域算法，把分割好的區(qū)域平均值作為生長條件，定義一個數(shù)組記錄當(dāng)前像素點與種子點的距離，找出最小距離。若當(dāng)前像素點的灰度值與種子點的灰度值相差小于最小距離，歸并到種子點集合當(dāng)中。

文獻(xiàn)[18]結(jié)合區(qū)域生長、置信區(qū)間、區(qū)域競爭的優(yōu)勢進行肝臟分割，選出一些目標(biāo)區(qū)域的種子點，實現(xiàn)區(qū)域選擇背景對象。使用置信區(qū)間迭代求出最優(yōu)閾值區(qū)間，再使用二分搜索查找出中值，得出最終結(jié)果。這兩種方法雖然對傳統(tǒng)的區(qū)域生長算法進行了改進，但分割效果對比不是很明顯。

為了能夠達(dá)到預(yù)期的區(qū)域生長效果，本文對傳統(tǒng)的區(qū)域算法進行改進，以種子點為中心的連通域作為已生長區(qū)域R，生長規(guī)則中規(guī)定相鄰像素之間的灰度差不大于設(shè)定的生長閾值，將滿足要求的像素點歸并到已生長區(qū)域R。將3×3的鄰域作為最初的生長區(qū)域，采用灰度值的方差和均值作為生長條件，其中均值和方差的計算公式為式（3）和式（4），區(qū)域生長準(zhǔn)則為式（5）和式（6）。

式中：seedpoint(x,y)是種子點的灰度值；f(x,y)mean和f(x,y)var為當(dāng)前鄰域的均值和方差；th1和th2分別為區(qū)域生長的閾值，這里th1和th2分別與方差f(x,y)var有關(guān)。

種子點不斷地并入肝臟區(qū)域以后，肝臟區(qū)域也隨之增大，th1和th2也會隨著方差的改變而改變，與固定閾值比較，此方法在分割上有明顯的效果。本文經(jīng)過大量實驗來確定th1和th2與方差f(x,y)var的關(guān)系。最終確定th1=2f(x,y)var、th2=f(x,y)var時，分割所產(chǎn)生的空洞最少且與原圖像的相似度更加契合，如圖4所示。

圖4 不同閾值分割結(jié)果

在圖4中，圖4a），圖4b）選擇的閾值太小，造成分割結(jié)果出現(xiàn)了大量的空洞，不利于病灶部分的提取。圖4e），圖4f）選擇的閾值太大，出現(xiàn)了過分割現(xiàn)象，肝臟邊緣分割不均勻。圖4c），圖4d）中不會出現(xiàn)大量的空洞，且圖像分割邊緣平滑，與原圖像非常契合。因此，閾值選擇th1=2f(x,y)var，th2=f(x,y)var比較合適。

經(jīng)過區(qū)域生長算法處理之后，能夠得到肝臟的粗糙輪廓。與一般的區(qū)域生長算法相比，本算法因為用到雙閾值的緣故，獲得的肝臟區(qū)域存在的空洞很少。前面已經(jīng)降低了各個器官的對比度，與周邊組織的黏連性變得很小，再利用雙閾值進行肝臟的分割，能夠達(dá)到很好的分割效果。

2 實驗結(jié)果與分析

由圖4可發(fā)現(xiàn)，在對CT圖像進行肝臟分割時，會在分割后的肝臟中產(chǎn)生空洞。為了便于比較，本文采用圖像處理中形態(tài)學(xué)的腐蝕、膨脹運算對肝臟區(qū)域的空洞進行填充，具體原理為：

式中：A為需要處理的二值化圖像；B為自己定義的一個結(jié)構(gòu)元素。式（7）代表用結(jié)構(gòu)B腐蝕圖像A，式（8）表示用結(jié)構(gòu)B膨脹圖像A。利用形態(tài)學(xué)對空洞區(qū)域進行填充，開運算是先腐蝕再膨脹，閉操作是先膨脹再腐蝕。具體的區(qū)域填充如式（9）所示。AC為A的補集，具體是把其中的黑色區(qū)域變?yōu)榘咨珔^(qū)域，當(dāng)ST=ST-1時填充區(qū)域完成。

形態(tài)學(xué)處理和邊緣標(biāo)記效果如圖5所示。

本文通過獲取最大連通域的質(zhì)心作為區(qū)域生長算法的種子點進行肝臟的自動分割，在測試圖像的數(shù)據(jù)中隨機選取4組圖片進行測試，實驗結(jié)果如圖6所示。

圖5 形態(tài)學(xué)處理和邊緣標(biāo)記

為了便于突出本算法的可行性，分別與傳統(tǒng)的區(qū)域生長算法、文獻(xiàn)[19?20]算法相比較，如圖7所示。

實驗對比可知，傳統(tǒng)的區(qū)域生長算法需要人為地設(shè)置種子點位置，同時需要設(shè)置相應(yīng)的生長條件。對于這種邊界比較模糊的CT圖像，分割的結(jié)果產(chǎn)生大量的空洞，而且會和其他區(qū)域相連，邊緣分割相對模糊。

圖6 肝臟自動分割結(jié)果

圖7 不同分割方法結(jié)果

文獻(xiàn)[19]中使用了改進的生長算法，它結(jié)合區(qū)域生長和水平集的特點，提出了新的水平集分割算法模型。能夠準(zhǔn)確地分割出感興趣的區(qū)域，但是對于圖像中灰度差異變化不大的地方會產(chǎn)生大量的空洞，區(qū)域生長算法的分割效果不好。

文獻(xiàn)[20]提出一種基于幾何主動輪廓模型的圖像分割方法，它利用幾何主動輪廓模型對圖像進行分割，由于受迭代次數(shù)和參數(shù)的影響，會造成腹部CT圖像出現(xiàn)過分割或欠分割現(xiàn)象。

本文算法的優(yōu)勢在于分割過程不受人為設(shè)置參數(shù)和初始輪廓等主觀因素的影響。把區(qū)域的質(zhì)心作為種子點，能夠很好地避免把種子點選取在肝臟邊緣部分或者噪聲部分所帶來的分割錯誤。利用雙閾值區(qū)域生長法能夠使圖像分割的更加精準(zhǔn)，自動分割后目標(biāo)區(qū)域的圖像空洞較少且邊緣相對平滑。分割出的圖像更加飽滿且與原圖像契合，同時不受種子點的影響，做到自動分割。

3 結(jié) 語

為了能夠精準(zhǔn)地分割出腹部CT圖像中的肝臟部分，本文通過分析肝臟在CT圖像中的特性，提出一種能夠自動獲取種子點的區(qū)域生長方法，來自動地分割肝臟圖像。該方法選取CT圖像中的最大連通域質(zhì)心作為區(qū)域生長算法中的種子點，同時利用雙閾值方法作為區(qū)域生長準(zhǔn)則，最后利用形態(tài)學(xué)中的膨脹運算對圖像空洞進行填充，使自動分割的圖像更加精準(zhǔn)。經(jīng)過實驗證明，本文提出的自動分割方法是可行的，它避免了在選取種子點環(huán)節(jié)過多地受人為因素影響，把種子點選取在噪聲或邊緣部分所造成的分割錯誤，對醫(yī)學(xué)圖像分割領(lǐng)域有著重要意義。