首页 > 论文范文 > 医药卫生论文 > 肿瘤科论文 > 肝脏肿瘤论文 > 基于改进区域生长法分割CT图像肝肿瘤的研究

基于改进区域生长法分割CT图像肝肿瘤的研究

2024-05-21 51 上传者：管理员

摘要：针对腹部内存在组织器官多、解剖结构复杂、组织器官边界模糊等特点，该文提出改进区域生长法分割CT图像肝肿瘤。算法根据肝肿瘤CT值与正常肝组织CT值差异遍历整幅图像预判种子点位置。种子区域的生长结合局部区域像素的均值和局部区域像素梯度均值。通过对不同类型的CT图像肝肿瘤进行分割，并以面积迭代度和误分率评判分割效果。研究结果表明，改进算法的面积迭代度是0.98±0.16、误分率是0.08±0.03，明显高于传统区域分割法（面积迭代度是0.78±0.32、误分率是0.35±0.18）。因此，改进区域生长法可以较好地实现肝组织中感兴趣区域的提取，并保持肝组织的完整，为后续肝脏肿瘤的三维重构和外科手术治疗提供准确的临床数据。

关键词：
医学图像分割
相似性准则
自适应区域生长
计算机辅助诊断
高斯滤波
加入收藏

肝癌位居世界常见恶性肿瘤第6位，其死亡率居第3位[1]。为了便于对肝脏肿瘤进行治疗，必须在术前对肿瘤的大小、位置、形态等进行精确分割，以获取有效的临床信息。因此，很多科研工作者采用不同的算法对肝脏肿瘤CT图像进行有效分割[2,3,4]。但是，腹腔内器官分布复杂，肝组织和肝肿瘤之间的界线不清。因此，肝肿瘤CT图像的分割一直是当前医学图像处理的一个重要研究方向[5,6,7]。通过精确分割CT肝肿瘤图像，可为医生提供丰富的肿瘤信息，为后续制定治疗计划、手术定位、病情档案建立、肿瘤模型建立等各个环节中发挥着关键作用[8,9]。

为此，该研究提出了一种基于自适应的区域生长算法来提取肝肿瘤区域。根据肝肿瘤和肝组织的CT值差异，预判种子点位置。种子的生长条件结合局部区域内像素的均值和局部区域内像素梯度均值对分割过程的影响。

1、区域生长算法概述

由于肝肿瘤细胞的连通性、封闭性和序列化切片之间存在一定的联系。因此，区域生长算法适合CT肝肿瘤的分割。它是将灰阶相近的像素点在特定的约束下聚集在一起，形成一个区域。但是，区域生长算法的分割效果受以下几个方面的影响：①初始生长种子点的选取；②区域生长准则；③终止条件。其中，种子点是否停止生长的条件如式（1）所示：

式中，I是指邻域像素的灰度值；Iseed是指人工选择种子点的灰度值；Tthreshold是指人机交互设定的阈值即种子点停止生长的条件。

2、改进区域生长算法

从式（1）可知，区域生长算法的核心是选择种子像素、制定相似性准则以及终止生长条件，满足以上三个条件就可以获得较为理想的区域分割效果。但是传统分割算法能否获得理想的分割太依赖手动选择的种子点。在此基础上，该研究提出了一种改进区域生长算法，该算法的技术路线，如图1所示。该算法首先遍历整幅图像查找确定种子点位置，消除了人工选择错误像素点所产生的误分割。在一定范围内找到一个满足条件的种子像素作为开始分割的起始生长点，再依据制定的生长准则，在种子像素附近搜索出符合相同标准的邻域像素点。把相同条件的邻域像素和种子像素相结合，成为一个新的区域，然后将邻域像素作为目标像素与周围像素继续进行比较，直至所有邻域像素都不满足生长准则。所有满足相同条件像素的集合就是感兴趣区。因此，生长准则是能否准确分割肿瘤区域的至关因素。该研究中生长准则考虑了局部区域内像素均值与像素梯度均值对分割结果的影响。当某像素由于噪声影响灰度值偏大或偏小，梯度变化幅度太大超出生长条件，则会被当作异常值。这样可以有效避免把被噪声污染的像素点当作种子点引起误分割，从而提高图像的分割精度。

图1 改进区域生长算法的方框图

2.1 图像预处理

螺旋CT采集数据是连续的，层与层之间的信息存在高度的相关性。为了降低CT图像噪声对图像分割的影响，该研究在相邻层之间采取高斯滤波去除噪声，并采用各向异性滤波算法对同一层图像进行降噪处理。高斯滤波器是根据邻域像素与种子像素的距离赋予不同的权重，计算滤波模板中各像素点的加权平均值来替代图像上的每一个像素值。这样可以限制种子点周围局部区域存在的干扰信息，影响该种子点的生长，从而有效提取局部信息和克服边界效应。高斯滤波器采用3×3的滤波模板，其公式如下：

式中，f(x,y)是感兴趣区域的像素值；g(x,y)是高斯滤波处理后感兴趣区域的灰度值。这样高斯滤波后的图像既能保持图像的局部信息，也不会受到边缘灰度信息的干扰。如果将组织结构对X线的衰减系数当作常数，那噪声在图像上的分布就是均值为零的高斯分布。因此，在该研究中预处理采用高斯滤波可以有效抑制CT图像上的噪声，如图2所示。从图2可知，该方法能够有效地滤除图片中的噪声，达到较好的效果。

图2 CT图像的预处理

2.2 感兴趣区域的定义

在改进区域生长算法中，为了提高分割的准确性，避免感兴趣区域内异常像素点对分割结果的影响。该研究以半径ζ的圆形在当前已生长出来区域的边缘寻找新区域，如式（3）和图3所示。

式中，R[t]表示当前已经分割出来的区域；Ωin(x)区域表示像素位置到搜索圆中心距离小于距离半径ζ组成的区域。

图3 改进生长法分割出来的区域

2.3 感兴趣区域的局部参数

该研究中改进区域生长算法是在传统算法的基础上结合了局部区域的平均灰度ux[t]和局部区域的平均梯度对分割结果的贡献。其中，局部平均灰度ux[t]和局部平均梯度如式（4）和式（5）所示：

式中，card(Ωin(x))表示相交区域内像素个数，I(y)表示相交区域内的像素值，∇I(y)表示采用Robert算子计算相交区域Ω(x)内所有像素的梯度均值。

2.4 种子点的选取

传统的区域生长算法中，种子点的选择需要在医生的辅助下才能完成，整个过程工作量大且效率低。为此，该研究建立了自适应种子生长准则，以一个种子为起点，将所有满足生长条件的像素点合并到生长区域中，形成更大的区域。为了减小用户交互，获得理想的分割效果，根据正常肝组织的CT值40～70 HU，肝肿瘤组织的CT值是20～30 HU[14]。通过3×3矩阵遍历整幅图像，并在该矩阵中求出像素点的平均值，取肿瘤区域内像素平均值最大的位置作为生长起始点开始区域生长。该方法能在不需要人工干预的情况下，自动地判断CT肝肿瘤影像中种子点的位置，为后续得到理想的分割结果做准备。

2.5 生长准则的制定

生长准则是把所有满足条件的像素合并在一起，所以它会直接影响分割的结果。该文提出的改进区域生长算法的相似性判断准则不仅参考了局部区域内像素的平均值还有局部区域内像素梯度的平均值，如式（6）所示：

式中，I(y)表示当前分割区域的灰度值，α和β为根据CT图像的实际情况，人为设置的常量系数。从式（6）可知，生长区域内像素的局部梯度变化与局部均值变化只有同时满足相似性准则才能纳入到生长区域。若该像素点梯度变化太大或像素值偏高或低，超出了生长条件，则该像素点就会被当作异常像素，不合并进生长区域。

3、实验结果与分析

系统的运行环境是CPU G640,2.8 GHz的主频率，4 GB的存储空间。在Matlab GUI的平台上开发了该系统。研究应用64层螺旋CT设备对肝癌病人进行CT成像，共获得320幅CT影像，尺寸均为512 pixel×512 pixel。

区域生长算法是一种影像分割技术。从某个像素出发，按照一定的准则，逐步加入邻近像素。当所有的邻域像素都不满足生长条件时，区域生长终止。该算法的基本思想是在待划分的区域寻找一个种子像素作为起始点。根据相似性准则，将种子像素与周围的像素进行区别，相似性较高的像素进行合并，最终形成一个分割区域。但是，传统方法分割CT肝肿瘤区域需要人为判定和手动选择种子点，工作量大、计算速度慢，并且分割结果在很大程度上取决于对人工种子点的选取。若选择不同的种子像素，分割出来的区域就不一样，这就限制了传统区域生长算法在临床中的应用和普及。因此，初始种子点的选取直接关系到后续感兴趣区域的分割。如果种子点选择出现严重偏离，则会导致后期的分割效果不理想。为了验证该研究提出算法分割肿瘤的准确性，采用该算法分割CT肝肿瘤图像，并在分割出来的肿瘤区域重建肿瘤模型，如图4所示。从图4可知，采用高斯滤波对序列化的CT图像进行预处理能有效抑制局部噪声信息，提取有价值的信息。根据肿瘤组织CT值与肝组织CT值的差异，遍历整幅CT影像，可以减少用户交互，预判种子点位置。在种子点生长过程中，将局部像素均值和局部像素梯度均值作为生长条件分割得到的肿瘤区域较理想。最后，将所有分割出来的肿瘤区域进行三维重建，得到较为理想的肿瘤模型，为后续治疗方案的制定提供数据支持。

图4 肝脏肿瘤三维重建效果

在CT设备采集数据的过程中，容易受到外界噪声和设备内部因素的干扰使得图像上会有孤立的噪声点存在。区域生长算法的原理是基于像素。若图像中存在一些灰度不正常的噪声点会导致分割出来的区域不连续或不完整，如图5所示。该研究采用3×3的矩形滤波窗口(取像素点及周围共8个点计算加权平均值作为新的灰度值)对图像进行降噪处理。去噪的同时还可实现图像的平滑。

为了验证改进的区域生长算法能有效分割出不同类型的肝肿瘤CT图像。该研究采用改进区域生长算法对大、中和小等不同类型的肝肿瘤CT图像进行分割，如图6所示。由图6可知，采用该研究提出的算法分割出来肝肿瘤，能够达到较为理想的效果，原图上标记出来的区域较满意，该算法在临床应用上具备一定的可行性和有效性，可以有效地防止过分割或欠分割。

图5 比较平滑处理前后，CT肝肿瘤的分割结果

该研究以手动勾勒出来的区域作为理想的分割区域。通过比较改进区域生长算法和传统区域生长算法的分割效果，以评价改进算法分割效果，如图7所示。从图7可知，改进区域生长算法的分割效果与手动勾勒出来的区域基本一致，该算法克服了传统区域生长算法的不足，大大提高分割效果的准确性。

图6 采用改进区域生长算法对不同类型肝肿瘤进行分割的结果

为了评价该算法分割效果的有效性，该研究采用了面积迭代度(Area Overlap Measure,AOM)法[15]和误分率(Misclassified Error,ME)法[16]对所提出改进区域生长算法分割结果进行度量，以评价改进算法对CT肝肿瘤图像的分割效果。其中，面积迭代度的定义为:

图7 对比两种不同算法对CT肝脏肿瘤的分割结果

式中，SA表示采用改进算法分割出来的区域；SB表示通过手动分割出来的区域。这些区域的面积可以用像素点数来表示。面积迭代度的数值区间为[0,1]。若面积迭代度等于1，则表明该方法的分割效果和人工分割的效果是完全吻合的；数值越接近1，则说明分割的品质越好。ME=误分像素数/目标像素数，则ME可写为:

误差率的数值区间为[0,1]。ME值越低，表明其分割越准确。如果ME=0，那么分割效果类似于人工分割的效果。从表1可知，改进区域生长算法分割得到的区域与手动分割区域接近，面积迭代度高，误差率小。因此，改进区域生长法是一种自动分割计算CT肝肿瘤图像的有效算法。

4、结论

该研究根据肝组织与肝肿瘤组织CT值的差异，自动选择种子点位置，并考虑局部平均值和局部梯度对分割结果的影响。实验证明，该算法能有效避免人工干预、减小边缘信息干扰，取得了良好的分割效果。与传统区域生长算法相比，该算法可以较好地实现大、中和小等不同尺寸肿瘤的有效分割。改进自适应区域生长算法能精确地提取出肝脏，为下一步的肝脏三维可视化重建和外科手术治疗提供丰富的临床信息。

表1 改进区域生长算法与传统区域生长算法的对比

参考文献:

[1]施婷婷,刘振球,樊虹,等. 2005-2016年中国肝癌发病趋势分析[J].中华流行病学杂志,2022,43(3):330-335.

[7]董晓莹,陈平.基于瓶颈残差注意力机制U-net的肝脏肿瘤分割[J].CT理论与应用研究,2021,30(6):661-670.

[8]邓鸿,邓雅心,丁廷波,等.基于生成对抗网络的肝脏CT图像分割[J].北京生物医学工程,2021,40(4):367-376.

[9]冯少美,林跃辉,刘海迪,等.原发性肝脏淋巴瘤的CT､MRI影像学特点及其临床诊断价值分析[J].中国CT和MRI杂志,2022(7):98-100.

[10]郭敬强,张坤,林巧妹,等.四例肝细胞腺瘤影像学和病理特征分析[J].肝胆胰外科杂志,2022,34(4):237-240.

[11]刘元振,林伟,朱玲英,等.区域生长法结合多竞争最小二乘拟合算法去除乳腺X线摄影图像中胸大肌影[J].中国医学影像技术,2022,38(6):923-927.

[12]赵飞,刘杰.基于卷积神经网络和图像显著性的心脏CT图像分割[J].北京生物医学工程,2020,39(1):48-55.

[13]崔应谱,孙兆男,刘想,等.用深度学习和阈值算法自动检出CT平扫图像中肾结石的可行性研究[J].中华放射学杂志,2020,54(9):869-873.

[14]傅志中,李晓峰,周宁,等.基于问题学习的数字图像高斯滤波器教学研究[J].实验室研究与探索,2020,39(4):138-142.

[15]邱志强,张初挺,陈亮.肝脏CT值与急性胰腺炎严重程度的相关性研究[J].现代医用影像学,2022,31(8):1503-1505,1522.