一種ct圖像肺實質(zhì)的自動分割方法
【技術領域】
[0001] 本發(fā)明涉及一種肺實質(zhì)分割方法，具體地說是一種基于隨機游走算法的CT圖像 肺實質(zhì)的自動分割方法。
【背景技術】
[0002] 目前，肺癌是發(fā)病率和死亡率增長最快，對人類健康和生命威脅最大的惡性腫瘤 之一。根據(jù)世界衛(wèi)生組織2014年5月發(fā)布的最新研宄資料表明，肺癌在全球前十位死亡原 因中占第五位，居癌癥死亡的首位。而我國以吸煙人數(shù)廣大、空氣污染嚴重等原因，肺癌死 亡率增加明顯，每年平均以4. 4%的速度上升，自1996年以來肺癌上升為我國癌癥患者的 第一殺手。如果肺癌能在早期被診斷和治療，其五年生存率可達40 %~70 %。
[0003] 計算機斷層掃描（Computed Tomography，CT)能夠提供高清晰度的圖像，并且為圖 像中各組織提供很高的對比度，因此被廣泛用于胸肺部疾病檢測診斷中。臨床表明肺結節(jié) 是肺癌在CT圖像中最為常見的表現(xiàn)形式，而肺結節(jié)形狀多樣，大小不同，分布位置也不固 定，易與其他組織緊密連接，密度與肺部血管相近，在CT圖像中大多表現(xiàn)為圓形或近似圓 形的致密斑點，僅憑人眼很難區(qū)別。而且，一次肺部CT掃描將產(chǎn)生近百張CT圖像，其中有 結節(jié)的圖像僅有幾張。對于所有影像數(shù)據(jù)進行分析非?？菰锓爆崳词褂薪?jīng)驗的醫(yī)生也難 免因診斷疲勞導致漏診或者誤診，特別是在數(shù)據(jù)量急劇增長的情況下。因而，肺部疾病的計 算機輔助診斷（Computer-Aided Diagnosis，CAD)系統(tǒng)應運而生，在此過程中，肺實質(zhì)的分 割是實現(xiàn)自動量化診斷的前提，同時也是進行肺結節(jié)檢測和肺功能評估的基礎，其分割結 果的好壞直接影響到后續(xù)的分析過程。因此，自動、準確、快速地分割肺實質(zhì)可為臨床治療 和病理學研宄提供可靠依據(jù)，具有重要的現(xiàn)實意義和臨床價值。
[0004] 近年來，國內(nèi)外已提出很多肺實質(zhì)分割方法，主要基于閾值法、聚類法、區(qū)域生長、 邊緣檢測、主動輪廓模型等，這些方法能夠充分利用肺部CT圖像影像學的特點，針對正常 的肺組織取得有效的分割結果，但對于病灶粘連胸膜、肺門區(qū)域存在高密度血管、肺區(qū)域邊 界模糊、病灶或組織引起的肺區(qū)斷開以及左右肺連接在一起等復雜情況，采用上述分割方 法均難以獲得理想的分割效果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的就是提供一種CT圖像肺實質(zhì)的自動分割方法，以解決現(xiàn)有肺實質(zhì) 分割方法無法對復雜情況下的CT圖像肺實質(zhì)進行有效分割的問題。
[0006] 本發(fā)明是這樣實現(xiàn)的：一種CT圖像肺實質(zhì)的自動分割方法，包括如下步驟：
[0007] a、對CT圖像進行預處理，獲得目標掩膜和背景掩膜；
[0008] b、在目標掩膜對應的CT圖像中肺實質(zhì)區(qū)域內(nèi)選取目標種子點，在背景掩膜對應 的CT圖像中胸骨部位以及兩肺之間的區(qū)域內(nèi)選取背景種子點；
[0009] C、依據(jù)步驟b中所選取的目標種子點和背景種子點，采用隨機游走算法對CT圖像 進行分割，獲取近似肺實質(zhì)掩膜，在CT圖像中與近似肺實質(zhì)掩膜的邊界對應的部位存在缺 陷；
[0010] d、調(diào)整目標種子點和背景種子點位置：采用半徑為ri的結構元對近似肺實質(zhì)掩膜 做膨脹運算，得到膨脹后的肺實質(zhì)掩膜；采用半徑為r 2的結構元對膨脹后的肺實質(zhì)掩膜做 腐蝕運算，得到腐蝕后的肺實質(zhì)掩膜；ri< r2;在CT圖像中選取與膨脹后的肺實質(zhì)掩膜邊 界對應的點作為背景種子點，在CT圖像中選取與腐蝕后的肺實質(zhì)掩膜邊界對應的點作為 目標種子點；
[0011]e、依據(jù)步驟d中調(diào)整后的目標種子點和背景種子點，采用隨機游走算法對CT圖像 進行分割，修補CT圖像中與近似肺實質(zhì)掩膜邊界對應的缺陷，得到精確的肺實質(zhì)圖像。
[0012] 步驟C和步驟e中采用隨機游走算法對CT圖像進行分割的具體過程為：
[0013] 定義一個帶權無向圖G= (V，E)，用圖G= (V，E)給CT圖像建模，其中V是圖中頂 點的集合，v G V，v對應CT圖像中的每個像素，E是圖中任意兩個頂點間的無向邊的集合， ? ￡ g K x r , e對應CT圖像中像素的連接關系；連接兩個頂點 '和v』的邊e用e。表示， 邊e。.的權值用w表示；定義頂點v i的度為d i= E w屯是連接頂點的所有邊的權值之 和；通過定義邊的權值，構建Laplace矩陣，求解Dirichlet問題。
[0014] 邊e。.的權值w定義為：
[0015]
[0016] 式（1)中，gi表示頂點灰度值；hi表示頂點Vi的坐標值；bJPb2是自由參數(shù)， h表示像素灰度差特征的權重，b 2表示像素幾何距離特征的權重。
[0017]圖 G = (V，E)的 Laplace 矩陣 L 定義為：
[0018]
[0019] L可通過公式L = A'CA進行構建；其中，A是邊與頂點的mXn關聯(lián)矩陣，定義為：
[0020]
[0021] C是圖G= (V，E)的mXm本構矩陣，定義為對角矩陣，對角矩陣中的對角元素是相 對應的邊的權值。
[0022] Dirichlet積分的離散形式可表示為：
[0023]
C2)
[0024] 求解Dirichlet問題即是求解式⑵最小化的離散調(diào)和函數(shù)x;
[0025] 將CT圖像的頂點V分為兩個集合VjP V "，集合VM中的頂點為標記點，集合V "中 的頂點為未標記點；VMU V"= V，vMnV"=巾，則式（2)可分解為： L1N丄A H 6/ (j；^
[0026]
[0027]通過對D [xj關于
1"求微分來尋找其極值點：= _STxA/ ;
[0028] 假設:x丨表示頂點\屬于標簽s的概率，標記點的標簽集合定義為Q(v p = s， Vv,eG/，其中s G Z，0〈s彡K，Z為整數(shù)集合，K為標簽s的數(shù)量，因此有：
[0029]
[0030] 則求解離散Dirichlet問題即求解：LuXs= -B "或L J = -BTM，其中 Zx; =1,Vv,.gF。 s
[0031] 步驟a具體包括如下步驟：
[0032] al、采用高斯模板對CT圖像進行濾波處理，以降低噪聲；
[0033] a2、采用大津閾值分割技術對降噪后的CT圖像進行二值化處理，得到背景掩膜 和目標掩膜；背景掩膜中包含有胸骨及心臟，目標掩膜中包含有肺實質(zhì)、氣管、支氣管和胃 氣；
[0034] a3、去除目標掩膜中的氣管、支氣管和胃氣，并在CT圖像中相應的位置做刪除標 記。
[0035] 步驟 d 中，9mm < 10mm，11mm < r 12mm〇
[0036] 本發(fā)明針對復雜情況下肺實質(zhì)的分割問題，提供了一種基于隨機游走（Random Walk)算法的CT圖像肺實質(zhì)的自動分割方法。在本發(fā)明中，首先根據(jù)胸部組織解剖學及其 CT圖像的影像學特征，在肺實質(zhì)及其周圍組織內(nèi)分別確定目標種子點和背景種子點位置； 然后使用隨機游走算法對CT圖像進行分割，提取近似肺實質(zhì)掩膜；接著對近似肺實質(zhì)掩膜 實施數(shù)學形態(tài)學運算，來進一步調(diào)整目標種子點和背景種子點的標定位置，使其適合具體 的復雜情況；最后再次使用隨機游走算法分割CT圖像，得到最終的肺實質(zhì)分割結果。采用 本發(fā)明可解決以下幾種復雜情況下肺實質(zhì)的分割問題：胸膜結節(jié)及肺門附近高密度血管的 存在造成分割結果有遺漏病灶的、兩肺距離較近或連接在一起引起分割結果錯誤的、病灶 或組織造成的肺區(qū)斷開、肺邊界模糊使得分割結果不完整等復雜情況。
[0037] 本發(fā)明采用了兩次隨機游走算法對CT圖像進行分割以得到準確的肺實質(zhì)，第一 次采用隨機游走算法分割CT圖像，得到近似肺實質(zhì)掩膜；第二次采用隨機游走算法對CT圖 像中對應近似肺實質(zhì)掩膜邊界部位的缺陷進行修補，分割后得到準確的肺實質(zhì)分割結果。 隨機游走算法的權值計算，包括了像素的灰度差及像素間的幾何距離，使得各邊的權值不 僅反映圖像像素的灰度變化，還反映像素間距離，提高了算法對肺部圖像的適用性和有效 性。隨機游走算法本身無需迭代，計算速度較快，在強噪聲、弱邊界或沒有顯著邊界的情況 下也能獲得較好的分割效果，為上述復雜情況的肺實質(zhì)分割提供有效可行的方案。
[0038] 本發(fā)明中種子點是通過大津閾值和數(shù)學形態(tài)學等方法快速且自動地獲取，無需手 工標定，大大減少