matlab气管分割,一种基于区域生长法与水平集相融合的肺部CT图像的分割

摘要：为精确分割肺部区域，本文提出了一种基于区域生长法与水平集相融合的算法。首先，采用自适应阈值法对肺部CT图像进行二值化处理，去除气管等噪声干扰；接着，利用区域生长法初步定位肺部边界，并结合自适应曲率阈值法修复边界；最后，应用DRLSE模型进行精确分割，获得肺部轮廓区域。实验结果表明，该方法在分割精度和计算效率上表现优异，准确率达到96.9%，分割时间稳定。尽管算法在处理左右肺粘连等情况时存在一定局限性，但其对肺结节检测等后续应用具有重要价值。

摘要：

为从含有背景和噪声的胸腔区域中分离出肺实质区域，首先，采用传统的区域生长法对肺部边界轮廓进行初步定位；其次，通过自适应曲率阈值法对肺部边界进行去噪处理，以修复边界；最后，应用水平集法中的DRLSE模型进行精确分割，以提取肺部区域。将两种方法结合使用，有效避免了图像边缘的漏检问题，能够处理多种类型的病变肺部图像。通过对150例随机选取的图像进行测试，发现该算法的分割准确率高达96.9%，每幅图像的平均分割时间为0.72秒，具有很强的鲁棒性和较高的分割精度。该算法不仅能够精确、完整地分割出肺部区域，还能有效保留肺区内的细节信息。

0引言

随着大气环境持续恶化，肺部疾病发病率逐年攀升。统计数据显示，肺癌在癌症患者中的占比高达21%，死亡率持续攀升。临床研究显示，早期肺癌治愈率超过90%，及早发现肺部异常有助于控制病情，降低死亡率。目前，主要通过肺部CT图像分析来识别病灶信息，精确划分肺部区域是肿瘤定位的关键前提。在肺部区域分割方面，国内外学者主要采用基于阈值的方法、基于区域的方法、基于遗传算法的方法、基于水平集的方法，以及基于人工神经网络的方法来实现。

阈值法是最常用且 simplest 的分割方法，其原理是基于绘制图像的灰度直方图，通过选择直方图中的阈值点，将图像分为不同区域，从而实现分割。文献[1]中，郭圣文等学者首先采用自适应阈值法对肺部区域图像进行二值化处理，随后利用特征分类器精确提取肺部区域。该方法要求图像灰度值分布均匀，直方图中需明显可见峰谷特征，否则分割精度会受到影响，其局限性较为明显。文献[2]中，GaoGuorong 等人提出区域生长法，通过设定初始种子点，结合肺部结构的高密度信息进行剔除，从而实现更精确的分割。然而，该方法需要人工选择种子点，且分割精度受初始点选取影响较大，误差容易积累，实际应用中需结合其他算法以提高分割效果。文献[3]中，秦晓红等学者应用遗传算法的全局寻优策略进行肺部区域分割，该方法简化了分割过程并扩大了搜索范围，但需要大量训练样本和较长的特征提取时间，收敛速度较慢，实用性有限。文献[4]-[5]中，魏颖等人将几何主动轮廓模型中的 C-V 水平集方法应用于肺部区域分割，并结合肺部结构特征改进了算法，显著提升了边界分割的精度和准确性。

相较于传统GAC模型，该方法在分割效果和收敛速率上均表现出显著优势，同时有效降低了边缘漏损的风险。从整体来看，水平集方法在分割性能上具有较高的稳定性，其算法的计算复杂度相对较低，且能够较好地处理复杂图像特征。基于此，本文提出了一种创新性分割方法，将传统分割技术与现代算法进行了深度融合。具体而言，该方法首先采用了自适应阈值法对肺部CT图像进行了精确的二值化处理，随后通过区域生长法实现了肺部区域的初步分割[6]。为了进一步提升分割精度，本文创新性地将水平集方法中的几何活动轮廓模型应用于分割过程。在MATLAB平台进行仿真实验后，实验数据显示，采用本文方法进行肺部CT图像分割能够获得较为理想的效果。通过对比分析，本文方法在分割效果和计算效率方面均优于传统方法，为临床医学图像分析提供了有力的技术支撑。

1算法原理

1.1阈值法原理

阈值法[7]是一种图像分割方法，通过将灰度值划分为多个灰度区间，设定若干合适的阈值，基于目标与背景的差异，判断区域是否达到阈值标准，从而生成二值化图像。其处理方式可分为全局阈值和自适应阈值两类。全局阈值仅设定单一阈值，而自适应阈值则设定多个阈值，通过分析灰度直方图的峰值和谷值来确定合适的阈值，从而实现目标与背景的分离。

是否恰当选择阈值将直接影响图像分割的效果？本文采用自适应阈值法对肺部图像进行二值化处理。肺部区域具有复杂的结构特征，在不同环境和条件下，其表现形式也会有所差异。通过动态调整多个阈值，自适应阈值法能够更有效地实现肺部区域的二值化处理。

本文采用了广受关注的OSTU算法来确定阈值位置。其核心思想是：通过阈值将直方图划分为两个区域，当这两个区域的方差达到最大值时，即可确定最优阈值[8]。自适应阈值法主要实现了将DICOM格式的医学CT图像转换为黑白二值图像，从而为后续的图像分割、提取和识别提供了便利。

1.2区域生长法原理

区域生长法的核心概念在于，基于预先设定的生长标准，将具有属性特征的像素或子区域整合为更大的区域。其基本处理策略是通过一组初始点来启动生长过程，随后将与这些初始点属性特征一致的邻域像素逐步纳入，从而形成扩展区域[9]。区域生长面临的核心问题在于选择合适的相似性标准以及设定合理的终止条件。这些标准通常基于图像的亮度、纹理和色彩特征的一致性，当不再存在符合当前区域标准的像素时，生长过程自然终止。基于区域生长的分割方法计算简便，能够有效实现肺部区域的初始分割，并获取区域的初始轮廓信息。

1.3水平集法原理

水平集方法属于主动轮廓模型（Active Contour，AC）中的几何主动轮廓模型（Geometrical Active Contour，GAC），是近年来兴起的一种图像分割技术。根据文献[10]所述，水平集法进行图像分割的基本思想是：通过曲线的持续运动过程，持续识别图像的边界特征，直至捕获目标轮廓并稳定其运动轨迹。具体而言，该方法要求曲线沿着CT图像的每一个三维切面层进行移动，对不同层次的三维曲面进行截取薄片，获得每一层的封闭曲线。随着时间的推移，调整水平集参数，最终生成相应的形状提取轮廓。

常见的水平集模型共有三种，包括Mumford-shah模型、Chan-Vese模型以及Distance-Regularized-Level-Set-Evolution模型[11]。前两种模型属于传统水平集方法，主要通过区域统计量进行图像分割，有效解决了仅依赖梯度或边缘信息所带来的弱边缘漏检和对噪声敏感的不足。然而，初始化水平集函数的过程需要反复迭代，这不仅增加了计算复杂度，还导致实现起来较为复杂。DRLSE模型通过引入额外的约束项，改进了传统水平集方法的不足，避免了周期性初始化的问题，从而显著提升了收敛速度和计算效率。基于上述分析，本文选择DRLSE模型来进行肺部轮廓的提取。

2区域生长和水平集相融合的肺部CT图像的分割

在获得DICOM格式CT图像后，本研究旨在精确分割完整的肺实质区域，为后续肺部疾病诊断及定量分析提供基础。该分割过程主要包含四个步骤：首先，通过图像二值化处理获取肺部区域的初始轮廓；其次，基于区域生长法的初步定位，确定肺部边界区域；随后，结合边界修补技术优化定位精度；最后，采用水平集法进行精确肺部区域轮廓提取。流程图如图1所示。

2.1图像预处理

采集后的DICOM格式图像无法直接在计算机屏幕上显示，必须将其转换为BMP格式。由于两种图像格式的存储机制存在差异，本文采用垂直镜像变换方法完成格式转换过程。医学图像垂直镜像公式表示为：

其中，G0(-n0，k0)代表DICOM格式原始图像I0中像素点(-n0，k0)的像素值，Gvm(n0，k0)代表垂直镜像处理后BMP格式图像Ivm中像素点的像素值。

2.2OSTU法图像二值化

该算法是一种基于自动化的阈值分割技术。该方法通过设定阈值将图像划分为两个区域。当两个区域的方差达到最大时，采用该方法得到最佳分割阈值并完成图像分割。该算法属于单阈值分割范畴，将图像分为背景和目标两类。经过处理，灰度图像被转换为仅包含黑白两色的图像。处理流程如下所述：首先，设定合适的阈值；然后，将图像分割为背景和目标区域；接着，计算各区域的方差；最后，根据方差最大值确定最佳分割阈值并完成图像分割。

(1)读取肺部CT图像，转成BMP格式的图像。

(2)应用MATLAB软件工具箱中的imhist函数绘制图像的灰度直方图，公式为：

其中，I为原始图像，n为灰度级，M为图像I的灰度直方图。通过分析肺部区域与周围器官的灰度差异，使得直方图中的重叠部分最小化，从而计算出两个区域的最大类间方差值，进而得到最佳分割阈值。根据这一阈值，将图像分割为肺部区域作为目标区域，其余部分作为背景区域。采用OSTU法进行二值化处理后的图像如图2所示。

2.3区域生长法初步定位肺部边界

二值化后的肺部CT图像未能将肺实质与图像背景区分开来，其中肺实质的边缘信息混杂于背景区域内。同时，肺实质区域内还包含若干气管、空气等噪声。本文采用区域生长法后，初步确定了肺部区域边界并有效剔除噪声等干扰信息。

解决区域生长法的3个关键问题：(1)必须选择区域内一个像素点作为生长起始点；(2)设定种子点的生长标准；(3)明确种子点生长过程中的终止标准。

2.3.1肺部区域边界的初步定位

定位肺部边界算法的步骤如下所示：

(1)输入二值化后的图像，计算获得图像上X、Y轴方向的最大分辨率Amax、Bmax。

确定目标区域R，计算该目标区域的灰度均值Tm，设该区域包含N个像素，则该区域的灰度均值为：

种子点的选择方法是从目标区域图像的左侧边缘开始，通过设定一个四邻域模板来遍历周围的像素点。具体而言，当某个像素点的灰度值低于阈值Tm时，该像素点就被确定为种子点。

定义区域生长准则T：其中，原始图像中的任意像素值表示为I(Ai，Bi)，而N4(Ai，Bi)则构成Ai和Bi的四邻域像素点。通过四邻域像素点与灰度平均值的比较，可以实现区域生长准则的优化。

从左上到右下扫描目标区域，找出满足式(6)～式(8)的所有像素点。

通过所有满足准则的种子点的四邻域像素进行遍历，当条件不满足时停止生长，分割完成。

采用区域生长法进行初步分析，以确定肺实质的轮廓区域，如图3所示，提取的轮廓区域结果为...

2.3.2气管去除

提取肺实质外部气管的算法思想如下：首先设定初始种子点，然后运用棋盘距离标记法生成目标区域内的像素集合。在棋盘空间中设定两区域间的距离参数K，经过N次迭代运算后，依据区域生长规则筛选出满足条件的所有像素点。随后设定终止条件，通过区域生长算法搜索并确定气管区域。定义V(K)为满足区域生长条件的面积度量值，绘制V(K)值变化曲线。观察曲线图中V(K)值的变化趋势，若出现突增现象，则表明成功检测到管状器官，需对相应区域进行提取并切除。具体操作步骤包括：1）初始化参数；2）区域像素筛选；3）终止条件设定；4）曲线图绘制；5）检测结果判断；6）区域处理。

确定种子点：从层片中肺野区域开始搜索种子点。采用4×4像素模板，对满足条件的区域进行搜索。通过区域生长法确定种子点。

生长规则：首先，对种子点周围的四周的相邻像素进行扫描，获取其灰度值；其次，筛选出灰度值在T+4至T-4范围内的像素点；最后，确保扫描的区域覆盖至少100个像素。

终止条件为：首先计算函数V(K)的面积导数值，当面积导数值大于零时，搜索过程停止。随后，提取气管区域，以获取无干扰信息的肺实质区域。

去除气管的肺部轮廓区域如图4所示。

2.4肺部边缘修复

许多气管和血管均匀分布于肺部边缘。在切除气管的过程中，边界区域出现了不平滑现象，因此有必要修复边界，以恢复肺实质的光滑边缘。

2.4.1曲线平滑

在修复肺部边界之前，必须对边界进行平滑处理，否则将无法精确、准确地自动选择参数来计算曲线的曲率。对边界进行精确的修复是必要的。

本研究采用迭代采样点算法对肺部轮廓曲线进行平滑处理。首先，提取肺部边缘的一系列离散点集{i}，计算各点之间的连接线段的凹凸特性。通过牛顿-柯特斯积分公式对凹凸区域进行修匀处理，经过多次迭代计算，边缘点序列的修匀程度逐步提高，最终实现边缘曲线的平滑效果。算法的具体实现步骤如下：

(1)设步长λ=0.9，根据牛顿-柯特斯公式：

2.4.2边界修补

本文采用自适应曲率阈值法进行肺部边界修复。经过光滑处理后的边缘，可以精确计算出各点的曲率阈值。其中，具有较大曲率值的凹陷点即为需要修补的靠近肺部边缘的区域点。算法步骤如下：首先，对图像进行预处理，去除噪声。接着，计算所有边缘点的曲率值。随后，筛选出具有较大曲率值的凹陷点。最后，对这些凹点进行修补处理。

(1)设点的曲率阈值为μ，边界区域用P表示，计算区域点高度的平均值

，设μ=

，采样区域P的离散点。

对区域P内的每个离散点i计算其高度值ωi，并确定所有凹陷区域。若点i的高度值ωi大于阈值μ，则移除该点，并连接其邻近点。

(3)重复步骤(1)、(2)，直到搜索完边界区域所有的点，区域长度和原长度一致为止。

最后，获得光滑完整的肺部轮廓区域，对比修复前后的效果图见图5。

2.5水平集法精确提取肺部区域

本文采用了DRLSE模型来进行肺部区域的精准定位。该模型的优势在于，通过迭代计算来寻找图像中匹配的点时，无需进行水平集函数的重复初始化设置，从而显著提升了计算效率，有效降低了数据处理的计算负担。其中，水平集函数φ的数学表达式为：

按照步骤(2)重复进行，持续地进行水平集函数的更新，直至达到预期效果。当i的值不超过300时，迭代过程停止。最终，我们得到水平集迭代后的肺部边界精确的轮廓区域，边界曲线呈现出良好的收敛性。通过这一过程，提取的肺部区域图像如图6所示。

3实验结果

3.1数据来源

为了验证本方法的可行性和分割的精确性，研究团队从LIDC肺部图像数据库中随机选取了120幅图像样本，并从一家包头的三甲医院中选取了30例病变病例的影像资料。每幅图像均附有经专家严格评估的参考标准，这也是评估算法性能的重要基准。通过严格的筛选标准，最终确定了110余幅具有肺部病变特征的影像资料。在所分析的区域中，左右肺的分割界限清晰，约90%的切片显示明确的分隔，因此本文未对左右肺分离情况进行具体描述。所有图像的分辨率统一在0.6毫米至0.8毫米之间，影像大小统一为512×512像素，每层切片厚度为0.8毫米，共约30层切片。

3.2实验环境

本实验采用了基于Windows 7 operating system（Windows 7 OS），i5 CPU，8 gigabytes RAM，使用MATLAB R2015a和Visual Studio 2012作为编程软件。

3.3结果与分析

为了对两种方法融合后对图像分割效果的可行性进行验证性分析，进一步列出两组不同类型的肺部病变图像的分割结果，如图7所示。

从分割结果来看，本文提出的方法能够精准、全面地提取肺实质区域，相较于单独使用区域生长法，显著解决了边界漏检的问题。通过融合水平集法的精确分割技术，该方法不仅能够清晰地观察到肺实质内部的细节信息，还能更精确地定位肺部的边缘信息，同时有效避免了图像过分割的问题。此外，该方法对于多种类型病变的肺部图像具有良好的适应性，为后续的图像分析和处理提供了可靠的技术基础。

由表1可知，本文的算法以时间为代价，却在分割精度上有所提升。从实验结果来看，该算法具有较高的可行性。与半自动或人工分割相比，本算法在计算效率上表现更为出色。

4结论

肺部图像的分割是计算机辅助临床医学中检测肺部疾病的重要前提，分割结果的质量直接影响疾病检测的准确率等关键指标。本研究提出了一种区域生长算法与水平集模型相结合的肺部分割方法。通过仿真实验表明，该算法能够有效实现肺部区域的分割，并且在保持肺部细节特征方面表现优异，为后续肺结节的检测和特征提取提供了可靠的基础。

本文的现有算法也存在改进空间，未能对左右肺相连区域进行精确分割。在筛选的样本中，去除了两例左右肺相连的图片。未来计划开展对左右肺相连区域分割的深入研究。同时，该算法同样可以用于肺结节和胸膜结节的分割验证，以验证其适用性，并针对出现的问题进行改进和优化。