电子技术研发 Electronics R & D
樊 鹏 霍修坤 方良书 陈 建 （安徽大学电子信息工程学院）
摘 要：CT 检测在人体肺部疾病的诊疗中起着重要作用，快速完整地分割出肺实质区域已成为定性、定 量诊断肺部疾病的重要手段。文章在分析研究大量胸部CT 图像的基础上，提出一种新的肺实质分割方法： 将Mean-Shift 算法结合Snake 模型分割出肺实质区域。实验证明，文章所提方法精确度高、分割效果完整， 满足临床诊疗的要求。 关键词：肺实质分割；Mean-Shift ；Snake 模型
Research on the Lung Parenchyma Segmentation Based on Chest C T
Fan Peng Huo Xiukun Fang Liangshu Chen J ia n
（School of Electronics and Information Engineering, Anhui Un i v e rs it y ）
Abstract: CT scan is playing the important role in the human lung disease's diagnosis and fast and complete segmentation of lung parenchyma region has become an important means for qualitative and quantitative diagnosis of lung diseases. Based on the analysis of lots of chest CT images, a new lung parenchyma segmentation method is proposed, which combines Mean-Shift algorithm with Snake model to segment lung parenchyma areas. Experiments show that the proposed method has a high precision and a complete effect of segmentation, so that it can meet the clinical requirements.
Key words: lung parenchyma segmentation; Mean-Shift; Snake model
0 引言 生于肺部的疾病众多，如肺囊肿、肺栓塞等，
肺部肿瘤更是给人类健康构成严重威胁。计算机辅 助诊断系统(CAD)已成为定性、定量诊断肺部疾病 的重要手段[1]。在该系统中，快速准确分割肺部区 域无疑是最核心的步骤，是定量分析肺部疾病，评 估肺功能，检测肺结节的重要依据。
国内外关于肺实质分割已做过很多研究，比较 经典的方法有区域生长法[2]、阈值法[3]及边界追踪 算法[4]等。区域生长法无法自动完成，起始生长点 和生长判断准则的选择影响最终的分割效果，肺实 质内部容易出现孔洞；阈值法虽然简单快速，但无法 有效地去除气管、支气管等区域；边界追踪算法， 虽然能较好地追踪出肺实质区域的外部边缘，但内 侧边缘却容易出现凹陷容易遗漏病灶。
胸部区域内各组织器官结构复杂，病灶的形态 和分布无规律，上述算法均无法完整高效地对胸部 CT 图像进行实现肺实质地分割。鉴于此，本文在研 究大量胸部CT 图像基础上，结合阈值法、形态学方 法，提出一种新的肺实质分割方法：将Mean-Shift 算 法结合Snake 模型分割出肺实质区域。通过大量实验 证明，本文所提方法精确度高、分割效果完整、符 合临床诊疗的要求。
Mean-Shift 算法是一种通过迭代实现快速聚类 的过程。通过不断地计算目标区域中每个像素点的 平均位移继而不断地将当前点移动，不断地修正新 的移动起点，直到区域内所有像素点聚拢于局部密 度的极大值处。
目标区域中任一点x 的Mean-Shift 向量表示为：
（1）
Mean-Shift 算法的实质是样本估计中常用到的
西安文理学院学报
核密度估计[5]。根据统计学规律，距离与影响成反比，
因此，每个采样点的重要性是不同的。在这里，将 扩展Mean-Shift 提高该算法的精确性。扩展的Mean- Shift 表示为：
（2）
其中，
（3）
（4）
w (x i )≥0是赋予采样点x i 的权系数，H 是一个正 定对称矩阵，矩阵大小可根据实际情况调节增加算 法的灵敏度，G (x )是一个单位核函数。通常为了方 便计算，H 常取一个单位矩阵H=h 2I ，上式可以写成：
1 相关算法介绍 1.1 Mean-Shift 算法
(参见下页)
（5）
电子技术研发 Electronics R & D
将其作为新的起始点，计算新的m h (x )：3)重复上述 步骤，直到满足 续执行（1）。 ，结束此循环，否则继 （5）
（4）观察运用Mean-Shift 算法处理后的图像， 肺部区域灰度值介于胸部区域与背景区域之间。因此 对该处理结果进行两次不同取值的阈值处理，设计 一个低阈值，当灰度大于该阈值时，全都为白；再 设计一个高阈值，当灰度值大于该阈值时，全都为白。
（5）将两次不同阈值操作的结果进行“与”操 作。将“与”操作的结果再与预处理之后的结果进 行“与”操作。
（6）将步骤（5）的结果进行形态学操作，先 腐蚀再膨胀，去除干扰点，然后再取面积最大的两 块连通区域，这两个连通区域就是左右肺，计算出 肺部的边缘。
（7）将Mean-Shift 算法分割出的肺实质区域的 边 缘 作 为 初 始 动 态 轮 廓 曲 线 ， 在 原 图 像 中 使 用 Snakes 算法，得到的肺部边缘更加平滑、连续，能 更好地拟合到肺部的边缘区域。
Mean-Shift 向量的取值与单位控制函数G (x )某点 的概率密度取值相关，当该点概率密度取值较大时， 向量移动的距离就长。
1.2 Snake 模型
Snake 模型又称动态轮廓线模型，其思想是：针 对分割目标，引入一条动态曲线，该曲线在两种不 同力量的共同作用下，发生形变并对目标区域渐渐 逼近，同时将这两种力量定义在一个能量函数中， 当动态曲线和目标区域轮廓线拥有的相似属性越多 时，定义的能量函数越小，二者越契合。当该能量 函数取得最小时，动态曲线所在的地方就是分割目 标的边缘线[6]。假设此时引入的曲线表示为：
（6） 则关于曲线的能量函数可以表示为：
（7） 其
中，E ext 表示曲线所受的外部力量，它体现了
一个宏观的作用，促使动态曲线在大的方向上向分 割目标移动。E int 表示曲线所受的内部力量，它
体现 了一个微观的作用，促使动态曲线在细微处更加契 合真实边缘。在能量函数达到最小的过程中，初始 动态曲线就是在这两个力的作用下不断变化，最终 实现分割。
1.3 本文算法
本文首先运用经典的区域生长算法、阈值法、 边界追踪算法对胸部CT 进行分割。后运用本文算法， 首先运用基于Mean-Shift 的分割方法分割出大部分的 肺实质区域，Mean-Shift 促使区域内像素点向密度极 值区域快速聚集，可以快速完成分割，且分割出的 肺部实质内部完整，不会出现空洞，由于肺实质区 域的内边缘较为模糊且不平滑，分割出完整的肺边 缘是肺实质分割中的一个难点，为了保证边缘特别 是内侧边缘的完整性，将Mean-Shift 算法分割提供的 肺部边缘作为初始动态曲线进行Snake 算法。Snake 算法结果受初始动态曲线影响大，如果对肺部实质 直接使用Snake 算法，无较多先验知识，得到的肺部 边缘仍旧是不平滑的。运用本文算法，既保证了肺 实质内部区域内部的完整性，又保证了肺实质边缘 的完整光滑。
3 实验结果与分析
胸部基本解剖结构相同，但由于先天差异、后 天发育，特别是不同病因的影响，不同个体差异较 大。为验证本文算法的有效性，选取20例病人的肺 部CT 图像作为实验样本。患者平均年龄(40 3.5) 岁。每层数据均是512 512像素，像素间距为0.6625 mm ，层厚为1.5mm 。本文仅列出三位病人的C
T 实 验结果。实验结果如下图所示。
图1 三位病人的胸部CT 源图像
图2 区域生长法分割结果
2 实验步骤
（1）读取一张DICOM 格式的胸部CT 图像，进 行数据类型转换，显示原图像。
（2）对原图像进行预处理。取一个较小的阈值 对原图进行阈值化处理，提取部分背景区域。
（3）对原图像运用Mean-Shift 算法。1）计算 Mean-Shift 的向量m h (x )；2)将得到的m h (x )赋予点x ，
图3 阈值法分割结果
图4 边界追踪算法分割结果(参见下页)
空城计剧本图5 本文算法分割结果(参见下页) (下接4页)
电子技术研发 Electronics R & D
动态曲线进行Snake 算法。运用本文算法，既保证了 肺实质内部区域内部的完整性，又保证了肺实质边 缘的完整光滑，较传统方法有了较大改进。 [6] Quinlan J R.C4.5:Programs for Machine Learning[M]. Morgan Kaufmann, 1993.
[7] Quinlan J R.Improved Use of Continuous
Attributes in C4.5[J].J of Artificial Intelligence Research,2006,4:77-90.
[8] 刘小虎，李生.决策树优化算法[J].
软件学报.1998,9(10):787-790.
[9] Fayyad U M,Irani K B. On the handling of
continuous-value attributes in decision tree
generation[J].Machine Learning,1992, 8(1): 87-102.
参考文献：
锵锵三人行2008李志国，肖云龙，伍中根，等.6例胸部结节病的CT
临床分析[J].中国民康医学,2011,23(9):1091. 王海波，李雪耀.基于FCM 聚类算法的颅内出血
CT 图像分割[J].CT 理论及应用研究,2009,18 (2):99-105. 郭津.机器视觉边缘检测技术及应用研究[D]. 广州：广东工业大学,2011. 董玉才，史宏涛，杜建.基于改进型灰度阈值分 割法的爆炸图像研究[J].信息技术，2010,(8):
北京杂谈19-21. 杜鉴豪.监控视频中的人体异常行为检测研究[D]. 杭州：浙江大学硕士论文,2010.
非煤矿山六大系统
丁美林，李光耀，张巧芳.Snakes 模型在卫星图片
道路提取中的应用[J].计算机技术与发展, 2010,20(1):71-73.
[1] [2] [3]
作者简介：
我们的班级冯 帆，中国科学院研究生院 研究生 徐俊刚，中国科学院研究生院 副教授）
[4] [5] [6]
(上接6页)
作者简介 樊鹏(1987)，女，安徽大学，硕士研究生 手机：135****9170 ：****************
霍修坤(1970)，男，安徽大学，副教授，硕士 生导师
：*************
联系地址：安徽合肥市蜀山区肥西路三号安徽 大学305楼303室（230039）
图4 边界追踪算法分割结果
图5 本文算法分割结果
由上述实验结果不难看出，区域生长法分割的 肺实质内部区域不完整，出现了空洞；边界追踪算 法虽然能较好地追踪到肺实质的外部边缘，却无法 完成肺实质内部边缘的追踪，内侧边缘易凹陷；阈 值法不仅边缘出现凹陷，内部也有孔洞；只有本文 算法分割出的肺实质边缘平滑、内部完整，可以达 到目标多样性、重复性、实时性的要求，且算法效 果稳定，较前三种分割方法效果有了很大提高。 4 结论
本文首先运用基于Mean-Shift 的分割方法分割出 大部分的肺实质区域，其促使区域内像素点向密度 极值区域快速聚集，可以快速完成分割，且肺部实 质内部不会出现空洞，为了保证肺实质边缘的完整 性，再将Mean-Shift 算法分割提供的肺边缘作为初始
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议