王娜娜，陈树越

（中北大学 信息与通信工程学院 太原 030051）

0 引言

肺部疾病一直严重威胁着人类健康，在我国肺癌死亡率每年平均以4.4%的速度上升，自1996年以后上升为我国癌症患者的第一杀手。如果肺癌能在早期被诊断和治疗，其5年生存率可达40%～70%[1]。由于CT图像能够提供高清晰度的图像，并且为图像中各组织提供很高的对比度，通常应用于肺部疾病的诊断。在肺部疾病计算机辅助诊断研究中，肺实质的分割是最为核心的步骤，是影响分析自动化、稳定性、结果精确性的关键问题，其处理结果的好坏直接影响到后续的分析过程。图像分割的本质就是按照一定的准则将图像划分为不同且不相交的区域，区域内部具有相同或相近的特性，而相邻区域之间则具有不同的特性且被区域间的边界分开。肺实质的分割指的是将肺实质从肺部CT图像中提取出来，为临床治疗和病理学研究提供可靠依据。

近年来，肺部CT图像在临床上的应用越来越广泛，临床实践证明，能检测肺结节最有效的手段是多层螺旋CT[1-4]。对于肺部CT图像而言，肺实质的分割是实现自动量化诊断的前提，具有十分重要的研究价值：(1)提取肺实质有利于医生进行诊断和治疗，对解剖结构进行几何、物理、统计等参数策略，建立信息数据库；(2)有利于进一步确定病灶的体积大小和病变程度，便于医生

及时准确地制定治疗方案；(3)确定其位置、形状、分布区域，为放射治疗、定向化疗、外科手术等治疗进行定位等。本文对基于CT图像的肺实质分割方法作了总结。

1 分割方法

由于CT成像设备获取的图像具有内在的不确定性，其模糊程度依赖于许多因素：如热/电噪声、生物组织的多样性及部分容积效应等，而肺部图像与周围的肌肉、血管等组织又缺乏良好的灰度对比，这些因素为肺部CT图像分割带来了困难。肺部CT图像分割算法主要集中在以下几类方法：阈值法、区域生长法、遗传算法和主动轮廓模型。

1.1 阈值法

阈值法是一种古老的图像分割方法，它用1个或几个门限值将图像的灰度直方图分成几类，认为灰度值在同一类的像素属于同一个物体。由于CT图像具有较高的密度分辨率，成像后的灰度差异很明显，因此阈值分割对于CT图像分割具有较好的效果，且其算法简单、计算速度快。但在选择阈值时需要用户依据经验判断，或者先做多次尝试性分割后再对阈值进行调整，直至用户满意。它的主要局限是只考虑了像素本身的值，一般并不考虑图像的空间特性。由于阈值分割的局限性，常将它与其他方法结合起来使用，文献[5]中，郭圣文、陈坚等人首先应用基于全局阈值的自动分割方法对肺部CT图像进行分割，然后根据分割结果，应用自动轮廓跟踪方法，准确提取肺部区域。文献[6-7]中，都是综合利用了阈值分割法和区域生长法。

1.2 区域生长法

区域生长法是根据预先定义的标准提取图像中相连接区域的方法。区域生长法弥补了阈值分割法没有或很少考虑空间关系的不足，但它的主要缺陷是每一个需要提取的区域都必须人工给出1个种子点，这样有多个区域就必须给出相应的种子个数，而且对种子点及生长合并规则的选取也比较敏感。胸部轴向CT片一般分为3个部分：上肺、中肺、下肺。在肺实质提取过程中，肺部CT图像经过初步处理之后，上肺层片中间目标区域上还保留有大气管的影像，而在中层肺片上，还保留有左右主支气管的影像，这都是不属于肺实质的部分，需要去除，区域生长法多用于此处。文献[8-9]中，贾同、卞晓月等人在肺实质分割过程中，采用了区域增长法对气管和主支气管进行剔除，排除干扰。文献[10]中，梁洪等在分离气管、主支气管以及心脏和血管等高密度区域这类干扰信息的时候，综合采用区域生长法和小面积计算的方法，这样不仅能剔除一系列干扰信息，还能将原本属于肺部组织的部分血管、结节、纤维化等高密度结构正确地归到肺部区域，从而弥补图像初始化过程中带来的分类误差。

1.3 主动轮廓模型

主动轮廓模型（Active Countor Model）是Kass[11]等人于1987年首次提出的。主动轮廓曲线的运动过程就是寻找能量函数最小点的过程，从人工定义的初始位置开始，在使能量函数递减算法的驱使下产生形变，直至到达目标的边缘。这种模型最显著的优点是将图像数据、初始轮廓的选取、目标轮廓特征的约束条件都集中在一个特征提取过程中。主动轮廓模型根据曲线的不同表示方法可分为2类：参数主动轮廓模型和几何主动模型。

1.3.1 参数主动轮廓模型

参数主动轮廓模型是一条参数化的曲线，它是由图像轮廓自身特征决定的内部能量和图像特征决定的外部能量共同支配的。活动轮廓的所有属性以及它的运动方式都可以通过一个根据物理运动系统中得来的能量函数进行描述。通过解偏微分方程使这条曲线在移动中能量逐步趋于最小并最终止于所要寻找的物体轮廓附近。传统的参数主动轮廓模型算法存在2个主要问题：(1)对初始位置敏感；(2)无法检测到目标边界的凹陷处。

对于主动轮廓模型的缺陷，国内外研究者研究出许多不同模型，也对其进行了各种各样的改进，使之适用于各自的相关领域。Cohen[12]等提出了气球力Snake模型，在Snake模型中增加了一个大小为常数、方向沿曲线的外法线方向的气球力。但是，气球力是一种单向驱动力，初始轮廓线只能设置在目标内部或外部，不能与目标边界相交叉，而且由于气球力的存在，当遇到较弱的边界时，气球力会驱动轮廓线从弱边界泄露出去。随后，Cohen[13]等又提出了距离势能模型，克服了气球模型初始轮廓线不能与目标边界相交以及弱边界泄露的缺点，但是该模型需要利用其他检测算子检测图像目标的真实边界，而且轮廓线难以进入深度凹陷区域。Xu[14]等提出的梯度矢量流场GVF（Gradient Vector Flow，GVF）效果最好。它的初始轮廓既可以在我们感兴趣的物体边缘之外，也可以在它之内，甚至还可以跨越它，GVF模型被广泛的应用于肺实质分割中。

陈允杰，张建伟在文献[15]中针对传统参数主动轮廓模型应用于图像边缘检测时对于噪音过于敏感的不足，提出了一种新的图像力。在新的图像力的作用下，传统的参数主动轮廓模型可以很好地减小噪音的干扰，使模型的分割性能更好。文献[16]中，针对传统的参数活动轮廓模型对初始轮廓曲线非常敏感，提出融合区域信息Snake模型图像分割。该方法将气球力Snake模型中的恒定气球力替换为包含区域信息的变力，以目标和背景两区域平均灰度值距离最大为准则，引导轮廓曲线进化。

1.3.2 几何主动轮廓模型

为了解决参数主动轮廓线模型难于处理拓扑结构变化的问题，Caselles和Malladi提出了基于曲线的几何度量参数（法向矢量、曲率等）的几何主动轮廓模型[17]，它与参数主动轮廓模型最大的区别在于初始轮廓在轮廓曲线几何特性的推动下向着目标的边缘移动，而与轮廓的参数特性无关。而水平集方法的出现极大的推动了几何主动轮廓模型的发展，并得到了广泛的应用。水平集方法是一种简单、精确、灵活的数值方法，具有很多优点，其中最主要的优势在于能够处理外形复杂、拓扑结构变化的图像。文献[18]中，魏颖等人针对Chan-Vese水平集图像分割方法进行分析和改进，提出了结合全局区域均值和局部边界信息的水平集改进算法，应用于肺部CT图像分割和肺结节检测，在图像分割的目标函数中，在Chan-Vese方法基础上，引入局部边界统计特性能量项，以利于提高肺部医学图像分割的准确率和分割速度。实验表明，该方法可以很好地分割出肺实质轮廓和肺结节病灶区域，在分割速度上比Chan-Vese方法有了明显的提高，检测结果不依赖于初始设置，将人工交互降至最低，有利于实现CT图像肺结节自动检测。杨勇等[19]针对测地线主动轮廓（GAC）模型进行了改进，提出了一种基于区域的GAC模型。通过构造基于区域统计信息的符号压力函数取代边界停止函数，有效解决了弱边界目标或离散状边界目标的分割问题。该模型采用二值化水平集方法实现，避免了传统实现方法水平集函数需要重新初始化为符号距离函数，从而导致稳定性差、计算量大、实现复杂等缺点。对不同类型图像的实验结果表明：该算法迭代收敛速度比GAC模型传统实现方法明显加快，且可有效防止边界泄露，分割效果优于传统GAC模型与C-V模型。几何主动轮廓模型在应用中也存在不少问题，例如图像内弱边界区域由于边界梯度变化缓慢导致曲线能量不平衡而越过区域边界；以及噪声的干扰使曲线停止演化而停留在噪声处的情况。目前，研究者们都在水平集方法的基础上不断地降低计算复杂度，提高算法速度和分割准确度。

2 遗传算法

遗传算法（Evolutionary Algorithms）的基本思想是建立在自然选择和群体遗传学机理基础上的随机、迭代、进化，它采用非遍历寻优搜索策略，是一种简单、适于并行处理、具有鲁棒性和广泛适用性的搜索方法。秦晓红等[20]采用了一种基于遗传算法的边缘检测方法直接分割原始胸部CT图像的肺组织，利用遗传算法的全局寻优能力，以最大类间方差为适应函数自动搜索最佳边缘检测阈值，并结合形态学处理提取肺组织边缘以实现肺组织分割。实验结果表明，该方法能简化分割处理，且分割效果较好，有不错的应用前景。遗传算法虽擅长于全局搜索，但局部搜索能力不足，所以在医学图像分割中又常把遗传算法和其他算法结合结合起来应用。唐琳等[21]结合传统的图像分割方法，提出一种将遗传算法与合并分裂法相结合的图像分割算法，通过设计选择、交叉、变异等遗传操作算子及适应度评价函数来降低图像分割产生的误差。计算机仿真结果证明，该算法能够取得较好的图像分割效果。宋家慧在文献[22]中，将遗传算法用于最大熵阈值的图像分割方法中，分别对一维及二维阈值分割的情况进行讨论，并提出了一种基于改进型遗传算法的最大熵阈值图像分割方法。通过对几幅经典图像的分割结果对比，表明了基于遗传算法的最大熵阈值的图像分割方法可以有效地提高最大熵图像分割的计算速度，提高图像处理的实时性。

除了上述提到的这些算法，基于CT图像的肺实质分割还有一些其它的方法。文献[23]中，孟琭等将小波变换与数学形态学引入肺分割算法，通过小波变换对图像进行分解，再运用数学形态学对分解后的各个分量执行不同的修补方法。从而在适当的尺度修正图像的基本特征而不影响细节特征，在重构之后获得理想的肺区域。孙旭辉等[24]采用了一种改进的FCM算法，将直方图引入到FCM算法中，很好地对数据样本进行优化，大幅度减少了图像分割所用的时间，很好地完成了对肺部感兴趣区域的分割。

3 结论

肺实质分割技术仍然是制约其他相关技术发展和应用的一个瓶颈。基于CT图像的肺实质分割技术是开展医学图像在临床和生命科学研究领域广泛应用的一个先行程序，如：三维可视化、不同模式医学图像的配准和融合、放疗计划的制定、外科手术计划的制定和仿真等。现在的分割算法大多是把多种理论结合应用，以达到相互补充的目的。纵观近年来国内外的有关文献可知，目前基于CT图像的肺实质分割方法主要有以下4个方面的趋势：(1) 提高算法的自动化程度，排除或尽可能减少人工干预；(2) 降低算法的复杂度，提高执行速度；(3) 提高算法的分割精度；(4) 提高算法的鲁棒性。主动轮廓模型和基于水平集理论的研究仍将是今后一段时间研究的热点，多种分割方法相结合，包括传统分割方法和现代分割方法的结合仍将是基于CT图像的肺实质分割技术的发展趋势。相信随着各种理论的不断出现、发展、完善和成熟，将有更多的新理论应用于肺实质的分割，基于CT图像的肺实质分割方法会更加成熟。

[1]Matthew S.Brown,Jonathan G.Goldin,Robert D.Suh,et al.Lung mi-cronodules:automated method for detection at thin-section CT-initial experience [J].Radiology,2003,226:256-262.

[2]Ella A.Kazerooni.Lung cancer screening[J].Eur Radiol Suppl,2005,15(4):D48-D51.

[3]Claudia L.Henschke,David F.Yankelevitz,Rosna Mirtcheva,et al.CT screening for lung cancer:frequency and significance of part-solid and nonsolid nodules [J].AJR.,2002,178:1053-1057.

[4]Jane P.Ko,Margrit Betke.Chest CT:Automated nodule detection and assessment of change over time-preliminary experience[J].Radiology,2001,218:268-273.

[5]郭圣文,陈坚,曾庆思.胸部CT图像中肺实质的自动分割与计算机辅助诊断[J].华南理工大学学报,2008,36(1):72-75.

[6]蒋平,张建州,朱建峰,周林.基于胸部CT图像的肺区自动分割[J].计算机工程与应用,2006(24):226-228.

[7]陈旭,庄天戈.胸部高分辨率CT片中肺实质的自动分割[J].上海交通大学学报,2002,36(7):946-948.

[8]贾同,孟琭,赵大哲,王旭.基于CT图像的自动肺实质分割方法[J].东北大学学报,2008, 29(7):965-967.

[9]卞晓月,武妍.基于CT图像的肺实质细分割综合方法[J].重庆邮电大学学报,2010,22(5):665-668.

[10]梁洪,李金.一种肺部CT图像快速分割算法研究[J].中国医疗设备,2011,26(3):26-30.

[11]Kass M,Witkin A,Terzopoulos D.Snake:Active contour models[C]//Proe 1st Int Conf on computer Vision.London:IEEE Computer Society Press,1987:259-268.

[12]Cohen L D.One active contour models and balloons[J].CVGIP:Image Understanding,1991,53(2):211-218.

[13]Cohen L D,Cohen I.Finite element methods for active contour models and balloons for 2-D and 3-D images[J].IEEE Transactions on Pattern Analysis and Machine Intelligen ce,1993,15(11):1131-1147.

[14]Xu C,Prince J L.Snakes,shapes,and gradient vector flow[J].IEEE Transactions on Image Processing,1998,7(3):359-369.

[15]陈允杰,张建伟.一种新的图像力在snake模型中的应用[J].计算机应用,2004,24(12):28-30.

[16]周昌雄,刘淑芬,王峰,范海健,徐荣青.融合区域信息snake模型图像分割[J].计算机应用与软件,2010,27(9):23-25.

[17]Tai X,Chan T F.A Survey of Multiple Level Set Methods with Applications for Identifying Piecewise Constant[J].International Journal of Numerical Analysis and Modeling,2004,1(1):25-47.

[18]魏颖,徐心和,贾同,赵大哲.基于优化水平集方法的CT图像肺结节检测算法[J].系统仿真学报,2006,18(2):909-915.

[19]杨勇,徐春,潘伟民.基于区域GAC模型的二值化水平集图像分割算法[J].计算机应用,2009,29(9):2414-2417.

[20]秦晓红,孙丰荣,王长宇,李艳玲,王晓婧,陈力华.基于遗传算法的胸部CT图像肺组织分割[J].计算机工程,2007,33(19):188-190.

[21]唐琳,蔡德荣,黄猛.一种基于遗传算法的图像分割算法[J].计算机与数字工程,2008,36(7):12-14.

[22]宋家慧.基于遗传算法的最大熵阈值的图像分割[J].电子工程师,2005,31(2):60-63.

[23]孟琭,赵大哲,贾同,赵宏.一种改进的CT胸部图像肺组织分割方法[J].东北大学学报,2009,30(2):187-190.

[24]孙旭辉,田启川,李临生,武志峰.面向CT影像的肺结节计算机辅助诊断算法[J].计算机测量与控制,2011,19(2):295-299.