韩俊翔，张学昌，郑洲,郑四鸣，施岳定

1. 浙江大学宁波理工学院(宁波,315100) 2. 宁波医疗中心李惠利医院(宁波,315041)

肝脏是人体内排毒的重要场所， 肝脏的健康程度直接影响人体的健康， 因此对于肝脏治疗至关重要。但是， 由于肝脏周围组织和器官的干扰， 如果直接由CT图像建立肝脏三维模型是非常困难的， 而且往往要配合手动操作， 这要就难免带有主观因素， 精度难以保证。因此， 先提取出肝脏边缘特征然后再进行三维建模是一个有效的途径。

肝脏特征提取主要是通过图像分割算法实现的。基于边缘的分割方法是根据图像边缘来达到图像分割的目的。基于区域的分割方法是按照某种属性将图像划分为相应的区域， 如生长种子法、 分裂合并法等。特征空间分割方法实际上是一种聚类分析， 比较常用的聚类分割算法有C-Means算法[1]和FCM算法[2-3]。基于能量的分割方法主要是利用活动轮廓模型(Active Contour Model)， 比较经典的是Kass等提出的Snake模型[4-9]， 而几何活动轮廓模型是利用曲线的某种参数适应拓扑变化， 水平集(Level Set)方法[10-12]和几何活动轮廓模型[13]结合的效果更加明显， 比较经典的区域水平集方法是由Chan和Vese提出的Chan-Vese模型[14-17]。现有各类算法均不能完全分割出肝脏， 它们的优缺点及在肝脏特征提取问题上的可行性， 见表1。

肝脏三维数据建模即由离散的医学断层数据构造出肝脏的三维数学表示。肝脏三维建模的方法大致可分为基于曲面的重建和基于体素的重建两大类型。曲面重建方法[18-19]主要有：基于断层轮廓线的表面重建方法、 基于体素的等值面重建方法和几何变形法。常用的肝脏建模方法有：MC算法、 光线投射算法和基于Mimics的建模方法， 其优缺点，见表2。

表2 各类建模方法优缺点及可行性

1 基于灰度分离的边缘特征提取

1.1 腹部CT图像说明

CT图像序列以三视图的形式进行呈现， 分别为轴状位(Transverse/Axis plane)、 冠状位(Coronal/Frontal plane)和矢状位(Sagittal plane)。其中， 轴状位表示以身高方向为法线的横切面， 冠状位指沿左、 右方向将人体纵切为前后两部分的断面， 矢状位即按前后方向将人体纵切为左、 右两部分的断面。图1所示为轴状位。

图1 腹部CT图像器官结构

肝脏是人体内最大的实质性脏器和消化腺， 其大小因人而异。左右径(长)约25 cm， 前后径(宽)15 cm， 上下径(厚)6 cm， 重约1 200～1 500 g。肝脏的右顶部与右肺相邻， 左顶部与心脏以及左肺低的小部分相毗连； 肝的左侧脏面于胃及胰腺相连； 右侧肝的脏面与胆囊、 右肾及肾上腺等器官相邻。

CT图像的灰度值反映的是人体组织对X射线的衰减系数。密度越大的物质对X射线的衰减越大， 灰度值也越大； 反之， 密度越小的物质灰度值也越小。CT的发明者Godfrey Newbold Hounsfield将水的CT值定义为0， 故医学上定义以该标度换算的灰度值单位为Hounsfield Unit(简称Hu值)。图2对肝脏、 心脏和胃Hu值进行了比较， 心脏Hu值最大， 对应曲线在图像最上方； 肝脏的Hu值其次， 位于三条曲线中间； 胃Hu值最小， 其曲线位于最下方。

图2 肝脏、心脏和胃Hu值分布

所以， 由于和肝脏毗连的或Hu值相近的器官对肝脏分割造成的干扰， 使得肝脏特征提取益发困难。鉴于此， 本文提出了一种新的分割方法来解决这个难题。

1.2 灰度分离

“灰度分离”是指将相邻的灰度区间距离拉大。假设待分割图像U0中存在p(p≥2)个目标区域(或干扰区域)， 第k个目标区域用Tk表示，Tk对应的灰度范围是[Tk,1,Tk,2](灰度分离区间)且Tk+1,1-Tk,2=εk≤c， 其中εk为非负数，c为设定的可以进行有效的区域增长阈值(区域增长是将灰度值接近且相邻的像素点集合在一起， 并且去除灰度值差别较大或不相连的像素点， 这样就可以把肝脏特征提取出来。通常的区域增长算法是先设定一个阈值c， 然后选取一个像素点作为起始种子点， 其灰度值记为t0， 再遍历起始种子点周围的像素点， 若该像素点的灰度值t∈[t0-c,t0+c]， 则将该像素点灰度值置为1， 直到没有像素点满足条件为止， 不满足条件的灰度值置为0， 过小会计入一些无关的像素点， 过大会丢失部分相关的像素点)，k=1,2,3Λp，U0的像素为m×n， 位于第i行、 第j列的像素点对应的灰度值为ui,j， 则其灰度矩阵U为:

(1)

当ui,j

当T11≤ui,j≤T12时， 令u'i,j=ui,j+c1；

当T12

Λ

当Tp-1,2

当ui,j>Tp,2时， 令u'i,j=0。

其中i=1,2,3Λm,j=1,2,3Λn,c1、c2Λcp称为灰度分离常数(其值可以为负)且对于任意k=1,2,3Λp、k+=1,2,3Λp， 当k≠k+时， 有(Tk,1+ck)-(Tk',2+ck')≥c或 ， 则进行灰度分离后的图像U0的灰度矩阵变成U+， 其值为:

(2)

如图所示将灰度值小于肝脏部分的器官看成目标区域(干扰区域)1， 肝脏部分看成目标区域2， 灰度值大于肝脏部分的器官为目标区域3， 即 ， 对于这种目标区域较少的图像， 第k个目标区域Tk对应的灰度分离常数ck值可以直观确定， 如果p较大， 那么灰度区间划分后目标区域Tk对应的灰度区间记为[T'k,1,T'k,2]， 则：

(3)

(4)

灰度分离和其它算法的效果如图3所示。

图3 灰度分离与其它算法处理效果比较

从图3可以很明显的看出， 灰度分离相较于其它算法， 把肝脏特征更好地呈现了出来。

2 基于MATLAB和MIMICS的肝脏三维重建方法

现有的肝脏建模方法耗时巨大且需要手动配合， 鉴于此， 本文提出了一种改进的方法(基于Matlab和Mimics的肝脏三维重建方法)， 方法是先利用灰度分离算法将肝脏原始数据导入Matlab进行处理， 之后即可导入Mimics直接生成肝脏三维模型。

在Matlab中利用灰度分离算法对整个文件夹下肝脏原始DICOM数据文件进行批量处理后(仍然保留为DICOM格式)， 导入Mimics时， 无需调整视窗， 整个窗口只显示肝脏部分， 其余为黑色背景，如图4所示。

图4 Matlab处理后导入Mimics

之后阈值分割时选取全局阈值即可， 无需选取具体为软组织(Soft tissue)或肌肉组织(Muscle tissue)等预设阈值范围见图5。

图5 改进后阈值分割

选择默认的全局阈值后的分割效果如图6所示。

阈值分割后无需手动修改模板， 可直接由此计算出肝脏三维模型， 因此使得生成肝脏三维模型的过程变得非常容易， 操作极为简单、 效率大大提升， 建模和光滑处理后的效果， 如图7、 图8所示。

图6 阈值分割后

图7改进方法得到的肝脏三维模型图8光滑处理

Fig.73Dlivermodelobtainedbyimprovedmethod

Fig.8Modelsmoothing

3 实验验证

由于肝脏三维建模过程繁琐、耗时较长并且需要一定的专业知识，本文通过对现有的算法改进和整合，以灰度分离算法为基础，建立了Matlab和Mimics的纽带，对两位病人的腹部CT图像成功实现了肝脏特征自动提取并使得模型三维重建大大简化，其处理流程如图9所示。

图9 特征提取流程图

灰度线性变换是一种图像增强， 它使得图像显示更加清晰， 其作用是使得水平集提取轮廓更加清晰。效果如图10所示。

图10 灰度线性变换

图11 灰度频数直方图

接着对水平集方法分割后的轮廓线内的灰度进行分析， 确定目标区域个数以及划分适当的灰度分离区间， 例如：由于肝脏灰度有先验知识， 那么从图11可以看出， 病人甲肝脏灰度大致分布在[95,115]， 由于只需提取肝脏边缘特征， 而靠近肝脏的灰度区间[75,95]、 [115,125]对肝脏灰度区间造成了干扰， 则目标区域 ， 故将灰度区间划分为[75,95],[95,115],[115,125]， 其余灰度范围[0,75] 、 [125,255]可以忽略， 看成背景(灰度值置0)， 取灰度分离常数分别为-50,0,+50， 则灰度区间变为[25,45],[95,115],[165,175]。

如果是对整幅图像处理， 由于灰度区间[125,255]内像素点个数较少， 可以忽略， 看成背景(灰度值置为0)； 而灰度区间[0,75]内的像素点则不可忽略了， 则， 那么灰度区间将划分为[0,25],[25,75],[75,95],[95,115],[115,125]， 灰度分离常数分别为15,35,55,75,95， 则灰度区间变为[15,40],[60,110],[130,150],[170,190],[210,220]。

原始图像如图12所示。

根据得到的灰度区间和灰度分离常数参数， 用灰度分离方法对图像进行处理， 灰度分离后如图13所示。

区域增长需要手动选取种子点， 并且将满足条件的像素点灰度值置为1， 不满足条件的灰度值置为0， 但这样会使得图像变成二值图， 造成图像灰度信息丢失。本文对现有的区域增长算法进行了改进， 因为虽然每个人的肝脏形状不一， 但是它在图像中的大致位置是事先知道的(位于图像左上方)， 所以只要灰度值在灰度区间[95,115]内且满足位置限制条件的像素点都可以作为起始种子点， 同时， 把满足条件的像素点灰度值保留， 其余为0， 这样， 处理过的图像就依然是灰度图像而不是二值图像了。使用改进的区域增长算法分割后的图像如图14所示。

图12原始图像(增强显示)图13灰度分离

Fig.12EnhancedCTimageFig.13Grayseparation

图14 改进后区域增长图

重复以上步骤可得到肝脏边缘特征序列， 如图15所示。

图15 肝脏特征序列

病人肝脏底端到顶端每间隔一定层距所选取的切片进行灰度分离和改进区域增长算法处理后得到的特征序列。

由提取到肝脏特征序列， 就可以直接导入三维建模软件Mimics进行建模， 无需手动选取阈值， 大大缩短了时间。三维重建完成后， 再对其进行形态学处理， 去除周边毛刺， 处理之后效果如图16、 图17所示。

图16肝脏三维模型图17肝脏三维模型断面

Fig.163DlivermodeltomographFig.173Dlivermodeltomograph

经实验验证， 使用基于Matlab和Mimics的肝脏建模方法较之于传统的只利用Mimics建模不仅使得操作简化， 建模时间也大为缩短， 它们的耗时比较见表3。

由表3可知， 即使一个非常熟练的医师用传统的Mimics进行肝脏建模的时间也要2小时1分45秒， 并且依赖医师的临床经验， 模型精度和质量无法保证， 而用本文的基于Matlab和Mimics的肝脏建模方法仅用5分30秒即可完成肝脏建模整个过程并且无需依赖任何经验， 操作简单， 精度和质量均可保证。

表3 耗时对比

4 结论

结合灰度线性变换、 水平集方法和改进的区域增长算法等， 通过灰度分离的分割方法， 成功解决了肝脏边缘特征无法完全正确提取问题， 并在肝脏特征序列的基础上利用Mimics进行了分层重构， 简化了传统的肝脏建模过程并提高了精度。综合比较了各类图像分割算法在肝脏特征提取上的不足， 提出了灰度分离的分割方法并给出了如何确定灰度分离区间, 以及如何使各个灰度区间分离的具体方法, 确定了各项参数求法， 可以较好地将腹部CT图像中肝脏特征提取出来， 实现了自动分割， 避免了人工分割误差， 同时也大大加快了分割效率。同时， 针对现有的肝脏建模算法不足之处， 提出了基于Matlab和Mimics的肝脏三维建模方法， 大大简化了建模过程, 缩短了肝脏建模时间。最后， 以两位病人的腹部CT图像原始DICOM数据， 通过灰度分离算法、 基于Matlab和Mimics肝脏三维建模方法成功构建了肝脏三维模型并打印了肝脏实体模型，证明了本文方法的正确性。

[1] 胡世英,周源华.Fuzzy C-Means算法中隶属度信息在特征空间的分布特性分析及改进方法[J]. 红外与毫米波学报,1999,18(1):69-74.

[2] 葛琦,韦志辉,张建伟,等.结合改进FCM算法的多相位CV模型[J].中国图象图形学报,2011,16(4):547-553.

[3] 丁震,胡钟山,杨静宇,等.FCM算法用于灰度图象分割的研究[J]. 电子学报,1997,25(5):39-43.

[4] 曹治国,彭博,桑农,等.基于Snake模型的血管树骨架三维重建技术[J].计算机学报,2010,33(3):603-612.

[5] 周则明,王平安,夏德深.基于Snake模型的低对比度噪声心脏MRI图像分割[J].系统仿真学报,2004,16(11):2493-2496+2500.

[6] 裴晓敏,李文娜. 超像素优化Snake模型的乳腺X线图像胸肌分割[J].光电子·激光,2015,26(8):1633-1638.

[7] 严加勇,庄天戈.序列超声图像边缘检测与跟踪的改进Snake模型[J].上海交通大学学报,2003,37(S2):106-108+117.

[8] 王元全,贾云得.一种新的心脏核磁共振图像分割方法[J].计算机学报,2007,30(1):129-136.

[9] 耿俊卿,孙丰荣,刘泽,等.基于自适应形变模型的胸部CT图像肺组织分割[J]. 系统仿真学报,2007,19(23):5419-5422.

[10] 钱芸,张英杰. 水平集的图像分割方法综述[J]. 中国图象图形学报,2008,13(1):7-13.

[11] Huang CC, LI Z, Level set evolution model for image segmentation based on variable exponent p-Laplace equation[J]. Appl Math Model,2016,40(17-18):7739-7750.

[12] Liu C, Liu W B, Xing WW. An improved edge-based level set method combining local regional fitting information for noisy image segmentation[J]. Sign Proc,2016,130:12-21.

[13] 何传江,唐利明. 几何活动轮廓模型中停止速度场的异性扩散[J]. 软件学报,2007,18(3):600-607.

[14] 蒋宁,章日康,蒲立新等. Chan-Vese图像分割模型的快速实现算法的研究[J]. 电子科技大学学报,2008,37(5):705-708.

[15] 解立志,周明全,田沄等. 基于区域增长与局部自适应C-V模型的脑血管分割[J]. 软件学报,2013,24(8):1927-1936.

[16] Hao J S, Chen H. An incremental Chan-Vese model for fast medical image segmentation[J]. IFAC Proc,2013,46(20):18-22.

[17] Wang X M, Guo L X, Yin J W, et al. Narrowband Chan-Vese model of sonar image segmentation: an adaptive ladder initialization approach[J]. Appl Acoust,2016,113:238-254.

[18] 刘胜兰,周儒荣,张丽艳.三角网格模型的特征线提取[J].计算机辅助设计与图形学学报,2003,15(4):444-448+453.

[19] 金征宇,张竹花,林松柏,等.十六层螺旋CT冠状动脉造影的初步探讨[J].中华医学杂志,2003,83(13):42-47.