文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.2015.09.040
中文引用格式： 王霏霏，陳國棟. 基于曲線自適應的肝臟病灶CT批量分割算法[J].電子技術應用，2015，41(9)：146-148，156.
英文引用格式： Wang Feifei，Chen Guodong. Liver lesion CT volume segmentation algorithm based on self-adaptive curve[J].Application of Electronic Technique，2015，41(9)：146-148，156.
0 引言
現(xiàn)代臨床醫(yī)學中，實現(xiàn)病灶輪廓精準地自提取成為當下醫(yī)務人員關注的焦點之一[1]。Kass[2]等人在1987年提出的Snake模型能夠動態(tài)擬合目標區(qū)域的輪廓，但其同樣存在著缺陷[3]：模型初始輪廓曲線的捕獲范圍小，且無法收斂到模型的凹陷區(qū)域。1998年Chenyang等人[4]提出了梯度矢量流模型，克服了Snake模型的缺陷。但是，其捕獲范圍的增大是以犧牲迭代次數(shù)為代價的[5]，這在醫(yī)學圖像集的批量處理過程中是不被允許的。本文針對傳統(tǒng)GVF-Snake模型出現(xiàn)的問題，提出了一種優(yōu)化的分割算法，使初始輪廓線盡可能地設置在模型邊緣，最后再利用本文提出的改進G-S模型進行曲線自適應，實現(xiàn)病灶信息的精準提取。
1 基于區(qū)域的初始輪廓線
利用G-S模型分割圖像的關鍵點之一是初始輪廓線的設定[6]。若初始輪廓線設定在GVF力場作用域外，則收斂時可能出現(xiàn)能量為零的情況；若擴大了GVF力場作用域，則必須增加迭代次數(shù)才能使曲線逼近輪廓線。
在肝病診斷過程中，實現(xiàn)初始輪廓線的自動設定按目前技術而言是難以完成的。因此，本文將人機交互結合區(qū)域算法，半自動地實現(xiàn)腹部CT切片集中肝臟病灶初始輪廓線的設定。算法流程如圖1所示。
肝臟病灶表現(xiàn)為圓狀局部暗影,且絕大多數(shù)肝臟占位性病變區(qū)域較小，在CT平掃時屬于低密度，而門靜脈和膽管也表現(xiàn)為低密度[7]。這些都為肝臟病灶的提取增加了難度。為了保證病變位置的準確判定，首先利用鼠標手動標定病灶輪廓點，并對擬合后的輪廓線進行逐張映射，最后只需要采取一些簡單的步驟對輪廓進行修正。
1.1 預處理
1.1.1 開閉運算
區(qū)域內部的細節(jié)對基于區(qū)域的算法影響較大。所以在修正前需要對區(qū)域進行數(shù)學形態(tài)學中的開閉運算處理以去除噪聲、填補缺口[8]。
1.1.2 區(qū)域生長
區(qū)域生長是以區(qū)域內部某個點作為種子點，并以此為起點搜索出區(qū)域內的所有像素。該算法是這樣定義邊界的[9]：區(qū)域邊界上像素點的灰度都是某個定值，且區(qū)域邊界內部均不取這個值，而區(qū)域外部的像素點可以取。
1.1.3 區(qū)域填充
用區(qū)域生長算法串行構造病灶區(qū)域，易于實現(xiàn)，但生長過程中區(qū)域內可能還存在著一些孤立點，若直接進行二值化處理會出現(xiàn)許多噪聲。這時需要通過區(qū)域填充法填補區(qū)域內部剩余的孔洞。區(qū)域填充結果如圖2所示。
1.2 區(qū)域優(yōu)化
由于相鄰切片具有部分差異，經過預處理后的分割區(qū)域仍然不能體現(xiàn)當前切片的真實輪廓。其可能存在著弱對象漏分割或對象域溢出的現(xiàn)象[10]。
先求出當前分割結果與上一張分割結果的共有區(qū)域（如圖3（a））的灰度均值α及標準差ｄ，再求出上一張分割結果的特有區(qū)域（如圖3（b））的灰度均值α0及標準差d0。若|α-α0|<λ，|d-d0|<δ，λ、δ為門限值，則認為這個特有區(qū)域為弱對象區(qū)域，也屬于病灶的一部分。
假設弱對象區(qū)域（Ω）的灰度為ω，已分割區(qū)域（Ω1）的灰度為ω1，背景區(qū)域（Ω2）的灰度為ω2，則有ω1<ω<ω2。此時填充對象域，將Ω1的灰度值變?yōu)棣?，即令已分割區(qū)域變?yōu)楸尘皡^(qū)域的一部分，并讓此時的弱對象區(qū)域合并入原先的已分割區(qū)域。
類似地，若出現(xiàn)分割溢出的現(xiàn)象，可以通過背景域填充法，將Ω2的灰度值轉化為區(qū)域的平均灰度值α2，使得背景區(qū)域與病灶區(qū)域相接，去除了多余的分割區(qū)域。得到的初始輪廓如圖4所示。
2 改進的G-S模型
2.1 基本思想
Snake模型可以表示為曲線(s)=(x(s)，y(s))，其中s∈[0，1]。令內力Fint=c1ss+c2ssss，外力Fext=Eext，則Fint+Fext=0時能量最小。
GVF利用梯度矢量流場作為外部能量以增加外力的作用范圍，即用F(x，y)作為模型中的Fext[11]：
Fext=FGVF=F(x，y)=[u(x，y)，v(x，y)](1)
2.2 改進模型的提出
在患者的一張腹部CT圖像中，非目標病灶或是陰影區(qū)域是普遍存在的，這些都可能致使擬合的最終結果產生偽邊界。而傳統(tǒng)的GVF模型無法減少偽邊界的影響，尤其當偽邊界具有高強度或是在目標區(qū)域附近時，影響更為顯著[12]。為了突顯真實邊界，使輪廓線能夠更充分地收斂至凹陷區(qū)域，利用區(qū)域內部信息，假設在CT圖I(x，y)中病灶區(qū)域為R，輪廓線為Γ(s)，圖像大小為a×b，且沿著Γ(s)正方向運動時R總在其左側。在這里將R的灰度信息SR定義為：
則Snake模型的能量函數(shù)可以被改寫為：
其中c3為加權系數(shù)，ER表示病灶區(qū)域的能量。
根據(jù)初始輪廓線與病灶區(qū)域的位置關系，假定曲線做收縮運動時，則可以得到轉換算子H如下：
3 實驗與分析
為驗證算法的可行性與通用性，本文以網(wǎng)站http://www.iiyi.com提供的患者腹部CT圖像為實驗素材，選取出其中3組具有代表性的切片集，即肝囊性占位、肝腫瘤和肝轉移癌，采用Microsoft Visual C++6.0，調用庫OpenCV 1.0.0版在PC上實現(xiàn)了上述算法，對肝臟的病灶信息進行了提取。圖5采用了傳統(tǒng)的GVF算法。圖6為利用本文算法進行提取的結果，其中圖6（a）為設定的初始輪廓線，經過兩次GVF迭代后最終獲取結果如圖6（b）、圖6（c）所示。
設Γ1為最終擬合的病灶輪廓，Γ2為真實輪廓，利用擬合指數(shù)AOM和距離系數(shù)MCD來判定提取的精確度，具體如下：
其中S表示面積，C1和C2分別為Γ1、Γ2所包圍的區(qū)域，dis(x，y)為線上的點x與線y之間的垂直距離，N代表對應線上的總點數(shù)。AOM反映了曲線間的相似性，而MCD反映了曲線的差異性。編程對實驗的3組切片數(shù)據(jù)進行計算，結果如表1所示。
通過對比表1中的數(shù)據(jù)可以看出，本文提出的算法能夠精準地分割出病灶區(qū)域，且對于復雜區(qū)域的提取有著較大優(yōu)勢。傳統(tǒng)的模型進行輪廓線提取時一般需要經過幾十次以上的迭代，對于灰度特征較復雜的病灶區(qū)域來說容易擬合至偽邊界，導致提取結果不準確。本文改進了初始輪廓線的設定方法，半自動地限定了主動輪廓的運動范圍，使提取過程更具針對性，迭代時間縮短至5 s左右，大大提高了提取的效率。實驗結果表明，在內外力的共同作用下，運動的曲線可以在達到平衡時很好地自適應病灶的真實輪廓。
4 結論
本文提供了一種快速有效的提取方法，既保留了G-S模型能夠收斂于凹陷區(qū)域的優(yōu)越性，又克服了其因擴大了捕獲范圍而增大了運算量的缺陷。同時，結合區(qū)域信息，本文改進了傳統(tǒng)的G-S模型，提高了輪廓提取的精度。該算法適用于CT切片集的批量處理，可實現(xiàn)病灶復雜區(qū)域的連續(xù)精準分割，為CT圖像分割問題提供了新的解決方案。
參考文獻
[1] 彭微．基于區(qū)域的肝臟病灶CT圖像分割及實現(xiàn)[J]．信息技術，2011(11)：132-133.
[2] LU H Y，YU Y M，BAO S L.Note：on modeling techniquesin active contours[C].Beijing：IEEE，ICSP，2012：956-961.
[3] 王雅萍，郭雷．一種基于輪廓自擴展的GVF算法[J]．火力與指揮控制，2009，34(4)：147-149.
[4] SONG X D，TANG G A，LI F Y，et al.Extraction of loess shoulder-line based on the parallel GVF snake model in the loess hilly area of China[J].Computers & Geosciences，2013(10)：11-20.
[5] 范延濱，劉彩霞，賈世宇，等．GVF Snake模型中初始輪廓線設置算法的研究[J]．中國圖象圖形學報，2008，13(1)：61-66.
[6] DU J H，ZHAO G S，ZHANG H L，et al.A novel method in extracranial removal of brain MR images[J].Procedia Computer Science，2014(3)：1160-1169.
[7] 吳錦．CT平掃與多期增強對肝臟實性占位病變檢出價值的探討[D]．長沙：中南大學，2014.
[8] 胡濤，呂虹，孫小虎，等．基于水平垂直灰度開運算的車牌字符分割算法[J].電子技術應用，2012，38(10)：11-13．
[9] 秦曉薇．區(qū)域填充算法的研究[J]．赤峰學院學報(自然科學版)，2011，27(6)：28-30.
[10] 王瑞鑫．GVF Snake算法的改進及其在肺癌檢測技術中的應用[D]．秦皇島：燕山大學，2010.
[11] LI X G，SHEN L S，LAM K M.An image magification algorithm using the GVF constraint model[J].Journal of Electronics，2008，25(4)：568-571.
[12] ZHAO J，ZHANG L，YIN M M.Medical image segmenta-tion based on wavelet analysis and gradient vector flow[J].Journal of Software Engineering and Applications，2014，7(12)：1019-1030.