0 引言

　　現(xiàn)代臨床醫(yī)學(xué)中，實(shí)現(xiàn)病灶輪廓精準(zhǔn)地自提取成為當(dāng)下醫(yī)務(wù)人員關(guān)注的焦點(diǎn)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(biāo)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(xué)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(shè)置在模型邊緣，最后再利用本文提出的改進(jìn)G-S模型進(jìn)行曲線自適應(yīng)，實(shí)現(xiàn)病灶信息的精準(zhǔn)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(guān)鍵點(diǎn)之一是初始輪廓線的設(shè)定[6]。若初始輪廓線設(shè)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(kuò)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(shí)現(xiàn)初始輪廓線的自動設(shè)定按目前技術(shù)而言是難以完成的。因此，本文將人機(jī)交互結(jié)合區(qū)域算法，半自動地實(shí)現(xiàn)腹部CT切片集中肝臟病灶初始輪廓線的設(shè)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(zhǔn)確判定，首先利用鼠標(biāo)手動標(biāo)定病灶輪廓點(diǎn)，并對擬合后的輪廓線進(jìn)行逐張映射，最后只需要采取一些簡單的步驟對輪廓進(jìn)行修正。

　　1.1 預(yù)處理

　　1.1.1 開閉運(yùn)算

　　區(qū)域內(nèi)部的細(xì)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(jìn)行數(shù)學(xué)形態(tài)學(xué)中的開閉運(yùn)算處理以去除噪聲、填補(bǔ)缺口[8]。

　　1.1.2 區(qū)域生長

　　區(qū)域生長是以區(qū)域內(nèi)部某個點(diǎn)作為種子點(diǎn)，并以此為起點(diǎn)搜索出區(qū)域內(nèi)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(diǎn)的灰度都是某個定值，且區(qū)域邊界內(nèi)部均不取這個值，而區(qū)域外部的像素點(diǎn)可以取。

　　1.1.3 區(qū)域填充

　　用區(qū)域生長算法串行構(gòu)造病灶區(qū)域，易于實(shí)現(xiàn)，但生長過程中區(qū)域內(nèi)可能還存在著一些孤立點(diǎn)，若直接進(jìn)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(bǔ)區(qū)域內(nèi)部剩余的孔洞。區(qū)域填充結(jié)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(jīng)過預(yù)處理后的分割區(qū)域仍然不能體現(xiàn)當(dāng)前切片的真實(shí)輪廓。其可能存在著弱對象漏分割或?qū)ο笥蛞绯龅默F(xiàn)象[10]。

　　先求出當(dāng)前分割結(jié)果與上一張分割結(jié)果的共有區(qū)域（如圖3（a））的灰度均值α及標(biāo)準(zhǔn)差ｄ，再求出上一張分割結(jié)果的特有區(qū)域（如圖3（b））的灰度均值α0及標(biāo)準(zhǔn)差d0。若|α-α0|<λ，|d-d0|<δ，λ、δ為門限值，則認(rèn)為這個特有區(qū)域?yàn)槿鯇ο髤^(qū)域，也屬于病灶的一部分。

　　假設(shè)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(zhuǎn)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(jìn)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(nèi)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(jìn)模型的提出

　　在患者的一張腹部CT圖像中，非目標(biāo)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(jié)果產(chǎn)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(dāng)偽邊界具有高強(qiáng)度或是在目標(biāo)區(qū)域附近時，影響更為顯著[12]。為了突顯真實(shí)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(nèi)部信息，假設(shè)在CT圖I(x，y)中病灶區(qū)域?yàn)镽，輪廓線為Γ(s)，圖像大小為a×b，且沿著Γ(s)正方向運(yùn)動時R總在其左側(cè)。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(quán)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(guān)系，假定曲線做收縮運(yùn)動時，則可以得到轉(zhuǎn)換算子H如下：

3 實(shí)驗(yàn)與分析

　　為驗(yàn)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(shí)驗(yàn)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(zhuǎn)移癌，采用Microsoft Visual C++6.0，調(diào)用庫OpenCV 1.0.0版在PC上實(shí)現(xiàn)了上述算法，對肝臟的病灶信息進(jìn)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(jìn)行提取的結(jié)果，其中圖6（a）為設(shè)定的初始輪廓線，經(jīng)過兩次GVF迭代后最終獲取結(jié)果如圖6（b）、圖6（c）所示。

　　設(shè)Γ1為最終擬合的病灶輪廓，Γ2為真實(shí)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(diǎn)x與線y之間的垂直距離，N代表對應(yīng)線上的總點(diǎn)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(shí)驗(yàn)的3組切片數(shù)據(jù)進(jìn)行計算，結(jié)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(zhǔn)地分割出病灶區(qū)域，且對于復(fù)雜區(qū)域的提取有著較大優(yōu)勢。傳統(tǒng)的模型進(jìn)行輪廓線提取時一般需要經(jīng)過幾十次以上的迭代，對于灰度特征較復(fù)雜的病灶區(qū)域來說容易擬合至偽邊界，導(dǎo)致提取結(jié)果不準(zhǔn)確。本文改進(jìn)了初始輪廓線的設(shè)定方法，半自動地限定了主動輪廓的運(yùn)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(shí)驗(yàn)結(jié)果表明，在內(nèi)外力的共同作用下，運(yùn)動的曲線可以在達(dá)到平衡時很好地自適應(yīng)病灶的真實(shí)輪廓。

4 結(jié)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(kuò)大了捕獲范圍而增大了運(yùn)算量的缺陷。同時，結(jié)合區(qū)域信息，本文改進(jìn)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(shí)現(xiàn)病灶復(fù)雜區(qū)域的連續(xù)精準(zhǔn)分割，為CT圖像分割問題提供了新的解決方案。

參考文獻(xiàn)

　　[1] 彭微．基于區(qū)域的肝臟病灶CT圖像分割及實(shí)現(xiàn)[J]．信息技術(shù)，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(kuò)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(shè)置算法的研究[J]．中國圖象圖形學(xué)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(qiáng)對肝臟實(shí)性占位病變檢出價值的探討[D]．長沙：中南大學(xué)，2014.

　　[8] 胡濤，呂虹，孫小虎，等．基于水平垂直灰度開運(yùn)算的車牌字符分割算法[J].電子技術(shù)應(yīng)用，2012，38(10)：11-13．

　　[9] 秦曉薇．區(qū)域填充算法的研究[J]．赤峰學(xué)院學(xué)報(自然科學(xué)版)，2011，27(6)：28-30.

　　[10] 王瑞鑫．GVF Snake算法的改進(jìn)及其在肺癌檢測技術(shù)中的應(yīng)用[D]．秦皇島：燕山大學(xué)，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.