基于改进区域生长算法提取肺气管树
裴宏亮 蒋蕰莙 樊庆文
【摘要】目前肺穿刺手术主要是医生参考CT图像信息凭借临床经验和主观判断进行“盲穿”。在肺部穿刺过程中，穿刺针需要避开肺部大气管、血管，否则会引起气胸、肺出血等并发症，严重时会导致病人死亡，而通过建立人体胸部器官和组织三维模型可以有效的解决上述问题，本文研究重点为肺气管树的提取。以华西医院提供的人体断层CT扫描切片集为源数据，基于区域生长算法提取肺部大气管。在包含主气道的CT图像中选择气道中心点作为种子像素点，并设定阈值生长准则将种子像素邻域中与种子像素有相似性质的像素归并到种子像素所在的区域中，分割肺部大气管。在双线性插值后CT图像的基础上，使用直方图均衡化原理，改进区域生长算法，突出肺气管壁边界信息，提取肺气管。改进后的区域生长算法可以较好的解决区域生长算法普遍存在的生长泄漏现象，可以快速、完整地提取6级以下的肺气管。为医生进行肺穿刺手术提供三维可视化的参考依据，保证穿刺手术时可以有效的避开肺部大气管，降低肺穿刺手术引发起的并发症发病率与死亡率，具有重要的理论价值和现实意义。
【关键词】肺穿刺;肺气管树;三维重建;区域生长
【中图分类号】R32 【文献标识码】A 【文章编号】ISSN.2095.6681.2020.21..03
根据国际癌症研究机构的统计数据[1-2]：2018年全球因肺癌死亡的人数高达180万，占癌症总死亡人数的18.4%，而且肺癌的发病人数还在逐年增加;由于工业发展、环境破坏和人口基数过大等一系列原因，全球超过半数的癌症死亡人数和接近一半的癌症发病人数出现在亚洲地区，其中肺癌仍是该地区癌症患者中的头号杀手，对肺癌的检查和预防在国内逐渐被人们重视起来。用于判断肺占位性质是否为恶性肿瘤（肺癌）的方法[3-4]主要包括：放射学检查、痰细胞学检查、支气管镜检查、纵隔镜检查以及病理检查等。其中准确判断是否为肺癌最直接、最常用的方法依然是病理检查，也就是肺部穿刺手术[5-8]。肺穿刺手術时，穿刺针需要穿透肌肉组织、肺部组织达到病灶位置，提取出病变组织。目前，肺部穿刺手术主要依靠医生参考CT图片的信息凭借临床经验和主观判断进行“盲穿”。在肺部穿刺手术过程中，穿刺针需要避开肋骨、肺部大气管、肺部血管、否则会引起气胸、肺出血等严重并发症，严重时会导致病人死亡。
利用CT图像对人体肺部器官和组织进行三维重建[9-11]，特别是重建肺部的气管，为医生进行肺穿刺手术提供三维可视化的参考依据，指导医生从三维角度对病情进行全面准确的观察分析，以设计精确的治疗方案，保证穿刺手术时可以有效的避开肺部大气管，降低肺穿刺手术引发起的并发症发病率与死亡率，具有重要的理论价值和现实意义。
1 基于区域生长算法提取肺气管
区域生长算法是提取肺气管时最常用的图像处理方法[12-14]，其原理是根据图像像素及其空间邻域像素之间的关系来进行肺气管提取;利用传统的区域生长算法对肺气管进行提取时，可以有效地避免其他图像提取算法不能利用图像空间信息的缺点，区域生长算法提取肺气管的流程图如图1所示，该算法的两个关键步骤为：生长种子点选择与生长准则制定。
1.1 生长种子点选择
区域生长种子点是气管区域生长起始位置，一般选取气管特征明显区域的某一个像素作为种子点。我们选择气管半径较大，显示效果较好的某一层主气道的中心点作为为生长种子点。
1.2 生长准则制定
区域生长的准则就是根据图像像素值之间的连续性制定的一些相似性（灰度值、纹理以及颜色等信息）生长准则，决定将哪些像素纳入到生长区域中，若生长准则制定过于宽松，会将图像中其他器官图像像素纳入到生长区域，导致生长泄露;若生长准则制定的过于严谨，则会出现欠生长情况。由于肺气道内充盈着空气，阈值较小，与气管壁之间存在相对较高的对比度，故而采用阈值范围作为气管提取的生长准则，满足设定阈值范围的像素为气管像素，否则认为是其他组织像素。
由于原CT图像的分辨率较低（512×512），使用区域生长算法只能将原CT图像中4级以下较大气管完整的提取出来，丢失了很多支气管细节，如图2所示。
当生长阈值范围过大时，会出现严重的生长泄漏现象，导致提取失败，如图3所示。为了解决上述问题，采用以下几种图像处理方法对区域生长算法进行改进。
2 基于区域生长算法改进
2.1 图像双线性插值改进算法
由于原CT图像分辨率较低（512×512），高级数支气管所占的像素个数过少，有的位置甚至占不到一个像素，导致使用区域生长算法对原CT图像进行气管提取时，提取的支气管数量较少，更小的细节提取不出来。为了能提取到更高级数的气管，使用双线性插值法[15-16]将原CT图像转为高分辨率图像（1024×1024），增加高级数肺气管气道所占有的像素个数。
在Matlab软件中对高分辨率图像进行气管提取实验，结果发现：使用区域生长算法对插值细化后的CT图像进行气管提取时，可以有效的提高细小支气管的数量与气管提取级数，但由于噪声、伪影以及部分容积作用的影响，使得在细小的支气管壁处会出现模糊甚至断裂情况（如图4所示），导致在提取到该位置时依然会发生生长泄漏现象（提取到肺实质区域）。
经过多组气管提取实验结果表明：不同范围的生长阈值，导致的泄漏位置与泄漏范围大小不同。阈值范围选择25～49时，气管生长泄漏如图5（a）所示;阈值范围选择15～49时，气管的生长泄漏如图5（b）所示;阈值范围选择0～49时，气管的生长泄漏如图5（c）所示。使用区域生长算法对插值细化后的高分辨率CT图像进行肺气管提取实验时，不管选择什么范围的生长阈值，都会出现生长泄露现象，导致气管提取失败。
2.2 直方图均衡化改进算法
通过CT扫描获得的原始人体CT图像的灰度分布集中在狭窄的区间内，对比度非常弱，细小支气管壁处的细节不清楚，且容易发生气管壁断裂现象。细小支气管壁薄弱导致的图像中气管壁局部断裂是生长泄漏的主要原因。此时，可以采用图像直方图均衡化处理的方法来改进区域生长算法。经过直方图均衡化处理后的CT图像灰度间距被拉开，图像反差加大，图像中气管壁边界信息被突出，从而达到提高图像对比度、改善图像质量的目的。CT图像局部支气管图像直方图均衡化前后的对比如图6所示。
从上图可以看出，经过处理后的图像直方图分布更为均匀，原图像中包含像素数较多的灰度级间隔被拉大，实际视觉能够接收的信息量大大增强，图像中气管壁与气道对比度更高。经多组气管提取实验验证，使用该方法改进域生长算法可有效地防止区域生长算法在提取肺气管时普遍存在在生长泄漏的现象，提取效果较好，提取级数可达到6级，如图7所示。
3 肺气管的三维重建
通过上述方法提取得到气管图像为轴位扫描CT切片上的400张二维气管二值图像。气管的二维图像不能直观的体现出气管的结构，所以需要将这些提取的二维气管图像进行三维重建，重建方法如下。
首先将提取的400张肺气管二维图像构造为一个三维矩阵MAT，得到的数据集MAT是一个x×y×400的矩阵;然后利用find函数找到三维矩阵中为1（气管像素）的位置坐标，并使用函数plot3对这些肺气管像素点进行三维点云构建，如图7所示;最后将肺气管的三维点云坐标数据导入CATIA软件的“Digitized Shape Editor”模块，进行去除噪音、数据插补、数据平滑、网格化、曲面拟合处理，得到肺气管的三维实体模型，如图8所示。
4 结 论
根据四川大学华西医院提供的患者胸部CT切片，利用区域生长原理，提取出了肺部大气管。使用双线性差值以及直方图均衡化原理，改进了区域生长算法，突出肺气管壁边界信息，改进后的区域生长算法可以较好的解决了区域生长算法提取肺气管时普遍存在的生长泄漏现象。基于区域生长算法运算速度快，提取的肺气管连续完整，能够有效地提取6级以下的肺部大气管。
参考文献
[1] Bray F，Ferlay J，Soerjomataram I，et al.Global cancer statistics 2018：GLOBOCANestimates of incidence and mortality worldwide for 36 cancers in 185 countries[J].CA Cancer J Clin，2018，68（6）：394-424.
[2] 王 寧，刘 硕，杨 雷，张 希，袁延楠，李慧超，季加孚.2018全球癌症统计报告解读[J].肿瘤综合治疗电子杂志，2019，5（01）：87-97.
[3] 王 丽.中国原发性肺癌诊疗规范（2015年版）解读[J].世界临床药物，2016，37（07）：433-436.
[4] 沈洪兵，俞顺章.我国肺癌流行现状及其预防对策[J].中国肿瘤，2004（05）：18-20.
[5] Petranovic M，Gilman MD，Muniappan A et al.Diagnostic Yield of CT-Guided Per-cutaneous Transthoracic Needle Biopsy for Diagnosis of Anterior Mediastinal Masses[J].American Journal of Roentgenology.2015，205（4）：774-779.
[6] Matsuura K，Kadoya T，Masumoto N et al.The role of lung biopsy in the management of lung nodules in breast cancer patients[J].Cancer Research.2015，79（7 Supplement）.
[7] 叶小军.CT定位下经皮肺穿刺活检在肺部块状病变诊断中的应用[J].影像技术，2019，31（02）：8-10.
[8] 任君清，吴 伟.经皮肺穿刺与支气管镜活检对周围性肺癌的诊断价值[J].医学信息，2019，32（05）：111-113.
[9] 岳玉亮，樊庆文，王德麾，李 焕.辐照仿真人体模型三维建模及装配原理与方法[J].中国医学物理学杂志，2016，33（05）：463-467.
[10] 赵志键，樊庆文，王德麾，李海博，裴宏亮.辐射等效假人数字化建模方法[J].中国医物理学杂志，2018，35（03）：275-280.
[11] 姚小芬，潘慧红，钟玉敏，邱海嵊.3D打印技术在先天性心脏病伴气管软化诊断与治疗中的应用[J].中国医学物理学杂志，2018，35（05）：580-584.
[12] Rafael C.Gonzalez，Richard E.Woods.Digital image Processing，Third Edition[M].BEIJING：Publshing House of Electronics Industry，2017.
[13] 杨 杰.数字图像处理及MATLAB实现（第2版）[M].北京：电子工业出版社，2013.
[14] Pu J，Gu S，Liu S et al.CT based computerized identification and analysis of human airways：A review[J].Medical Physics，2012，39（5）：2603-2616.
[15] 丁雪晶.实现图像缩放功能的Matlab插值算法研究与比较[J].湖北大学学报（自然科学版），2018，40（04）：396-400+406.
[16] 徐鹏飞.双线性插值和三次卷积在图像缩放中的应用及实现[J].网络安全技术与应用，2017（12）：51+67.
