基于CT 图像的肺实质分割技术研究进展

邬雪涛，林岚，王婧璇

（北京工业大学 生命科学与生物工程学院，北京 100124）

0 前言

肺癌是最常见也是致死率最高的恶性肿瘤，且其发病率和致死率仍在不断升高。对肺癌患者进行早期诊断筛查并及时治疗可以有效提高肺癌患者的五年生存率[1]。由于肺癌的早期症状不明显，80%以上的患者被确诊为肺癌时已进入晚期，错失最佳的治疗机会[2]。因此，肺癌的早期诊断对于肺癌的治疗和患者生命的延长具有重要意义。

电子计算机断层扫描（Computed Tomography，CT）是胸部影像学中常用的方法之一，它被广泛应用于肺癌的早期诊断与检测中。基于低剂量高精度CT 影像的计算机辅助检测（Computer Aided Detection, CAD）系统可以对肺部CT 影像中包含的病理特征进行高速计算与自动处理，大大方便了医生对肺癌的检测和诊断。基于肺部CT 图像的CAD 系统主要流程包括：肺实质分割、侯选结节分割、特征提取与选择优化、肺结节分类识别等[3]，其中肺实质分割为影响CAD 系统鲁棒性的关键性步骤。肺实质分割主要包括图像预处理、肺实质粗分割、肺部气管去除、左右肺分割、轮廓修补五个步骤。

近年来，随着低剂量高精度CT 图像与CAD 技术的发展，许多新的分割方法被应用于肺实质分割领域。本文主要围绕肺实质分割中的五个主要步骤，分析对比了每个步骤中具体实现方法对肺实质分割效果的影响，概括了近年来肺实质分割技术手段的发展情况，并对该领域未来技术发展进行了展望。

1 肺实质分割中主要步骤方法比较

1.1 图像预处理

由于肺部组织结构复杂，肺实质与肺气道等组织难以准确分离[4]；同时受低剂量CT 扫描设备的影响，肺部CT 图像还存在高噪声和伪影现象，这些问题一定程度上影响了基于CT 图像的肺实质分割的准确性[5]。为了减少上述因素对分割准确性的干扰，在肺实质分割前一般要进行图像预处理。传统的图像预处理环节多采用滤波的方法，首先对肺部CT 图像进行裁剪处理，然后通过灰度变换来增强对比度，并进行滤波处理[6]。该类方法一般运算简单，易于操作，对单一种类的噪声处理效果较好；但当多种类型噪声混合时去噪效果不佳，且部分算法存在图像过度平滑或边缘丢失等缺点。

基于变换域去噪和基于统计学去噪（极大似然估计算法和偏微分方程算法等）也是常用的图像预处理方法。其中，基于变换域的去噪方法主要有小波变换和曲波变换等。方舸等[7]运用小波变换进行图像去噪和增强处理，发现小波变换对单一噪声的去除效果较好，且能在一定程度上提升图像清晰度。但小波变换较为复杂，一般所需的运算量较大。曲波变换是在小波变换的基础上引入方向参数得到的。何劲等[8]使用曲波变换算法进行去噪，结果发现曲波变换在去噪效果与维持图像清晰度方面较小波变换均有一定提高，但在处理图像平滑部分时仍会残留部分噪声。

针对单一算法去噪局限性较大的问题，多名学者[9-11]也将多种去噪手段融合，提出混合去噪算法，并取得较好的去噪结果。另外，随着人工智能的发展，深度学习也被应用于肺部CT 图像去噪。吕晓琪等[12]提出一种基于深度卷积神经网络的去噪方法，同时引入残差学习，大大提高了去噪的精度和准确度。

1.2 粗分割

粗分割可以从预处理过的图像中得到肺区的大致轮廓。由于肺实质存在区域密度较低、灰度不均匀、结构错综复杂等特点，粗分割方法的选取显得尤为重要。目前，粗分割所采用的算法主要为基于区域分割的方法，包括阈值法、区域生长法与聚类法等。阈值法的优点在于计算量小，运算速度快，且较为稳定；其缺点是当图像整体灰度差异不大时不易得到准确的分割结果。阈值法可以分为固定阈值法和自适应阈值法（又称动态阈值法）等。袁克虹等[13]采用固定阈值法从整幅图像中综合选取出一个较为均衡的HU 值作为固定阈值，对从图像实现了二值化分割。但由于肺实质区域存在灰度不均匀等情况，阈值选择往往不能最优化。针对这一问题，曾羽琚等[14]采用自适应阈值法，对图像按坐标进行分块，并对每块区域分别选取阈值进行分割。相对于固定阈值法，自适应阈值算法的时间复杂度和空间复杂度一般较大，但在抗噪能力上有较大的提升，对于一些固定阈值法分割效果不佳的图像能取得较好的分割效果。针对自适应阈值法算法复杂度较大的问题，裴晓敏等[15]采用量子粒子群算法对自适应阈值的二维Otsu 算法进行改进，在阈值选取速度上提升了效率。

区域生长法的核心思想是将具有相似性质的像素点合并到一起，其关键在于种子点的选取和相似区域判定准则的确定，不同的判定准则可能会产生不同的分割结果。它的优势在于算法相对简单，但迭代计算量大，效率较低。代双凤等[16]将传统的二维区域生长算法扩展到三维空间，在三维信息的保留和算法精度方面有了较好的提升。

聚类法按所基于的原理不同可分为基于密度、网格、模糊等多种方法。其中，基于模糊的聚类方法可以有效地针对存在模糊，特别是边界模糊的图像的医学图像进行分割。对于这类医学图像，基于模糊的聚类方法比其他的传统分割方法更有优势。在基于模糊的聚类方法中，模糊C 均值（Fuzzy C-mean, FCM）聚类算法具有无需监督、实现简单、允许图像中像素点以不同的程度隶属于多个类别等优点，因此被广泛应用。陈晶晶等[17]将FCM 聚类法与改进后的Otsu法进行了对比，发现当图像存在较强不确定性和模糊性时，FCM 聚类法要优于改进的Otsu 法，但FCM 聚类法在抗噪性和分割精度方面还有待进一步提升。

除上述基于区域分割的方法外，王晓衬[18]通过Mallat 边缘检测算子方法对含有强噪声的低剂量肺CT 图像进行处理，在分割精度和速度方面较传统Snake 算法均有明显提升，但对于左右肺粘连情况处理效果不佳，算法鲁棒性有待优化；王兵等[19]采用Random Walk 算法对肺CT 图像先后进行两次分割，对于情况较为复杂的图像有较好的分割效果，但在计算效率上仍有提升空间。目前，大多数粗分割方法在分割速度、精度与鲁棒性三方面难以达到全面均衡的效果，往往在算法速度或鲁棒性方面有所欠缺，这也是目前制约粗分割领域发展的技术瓶颈之一。针对这一难点，已有学者将神经网络算法应用于粗分割领域。廖晓磊等[20]通过超像素和基于神经网络的自生成神经树SGNT（Self-Generating Neural Tree）相结合的方法对肺实质进行分割，超像素有效地保留了图像的边界信息且减少了像素样本量，在保证图像分割精度的情况下降低了后续处理的复杂程度，SGNT 算法较好地提高了聚类速度，同时也保证了聚类结果的精度。近年来，神经网络算法方兴未艾，如何将其更好地应用于肺实质粗分割领域，已成为重点研究方向之一。

1.3 肺部气管去除

经过肺实质粗分割后的图像，其内部仍会存在着诸如主支气管等干扰区域。特别是肺部气管树的存在，其细小末端易造成肺气管分割过程中的泄漏现象，为肺实质分割带来较大的不便。因此需对肺部气管进行去除。常用的肺部气管去除方法有：区域生长法，数学形态法以及基于轮廓的方法等。针对单一算法气管去除效果欠佳的情况，何瑞华等[21]将基于主动轮廓的全局凸分割方法引入到肺气管分割中，并将灰度重建方法与三维区域生长方法结合，最终稳定地分割出支气管树，且大大增加了分割结果的支气管分叉数，在气管树细节分割方面表现较好。

1.4 左右肺分割

由于肺部CT 图像易存在复杂情况，特别是在特殊的病理情况下（例如肺气肿等），常常会出现左右肺粘连现象，需要进通过左右肺分割对其进行分离。通常，左右肺分割包括三个步骤：判断左右肺是否粘连，确定左右肺粘连区域，对粘连部分进行分割。在左右肺分割领域中常见的方法有：基于连通区域（包括分水岭算法、连通区域标记法等）的方法[22]、形态学方法[23]、鞍点法[24]、行扫描法等。目前，对于左右肺较难分割的情况，大多数研究者采用多种方法结合的手段对左右肺进行分割。曹蕾等[25]提出了一种三维包围盒的算法，同时结合三维区域生长，能够较为完整地对左右肺进行分割。谷宇等[26]用灰度积分投影法、行扫描方法以及线性插值法对左右肺粘连进行判定和处理，在图像处理速度上有较大提升。

1.5 轮廓修补

经过上述操作被提取出的肺实质有时会在边界产生凹陷现象，主要有胸膜结节型凹陷与血管型凹陷两种凹陷类型。肺实质分割时，若未进行边缘轮廓修补，易将肺部结节、血管等部分丢失，对后续医生的诊断带来较大影响[27]。常用的轮廓修补法包括：滚球法[28]、Snake 算法、凸包算法[29]、链码法[30]等，其中Snake 算法和凸包算法的应用尤为广泛，部分学者根据传统的Snake 算法、凸包算法等进行创新。孟琭等[31]通过结合Live-wire 模型对Snake 算法进行改进，对肺实质边缘修正效果较好，当边缘弯曲程度较大时也适用，但缺点是仍需要少量的人工交互，自动性有待提升。李金等[32]对肺实质外轮廓采用改进的二维凸包算法进行修复，对肺实质内轮廓利用区域生长和形态学运算进行修复，最终较为完整地保留了边缘病灶信息，但缺点是容易出现过修复的现象。目前，绝大多数算法对于一些边缘复杂的病例修补精确度较差，修补算法的鲁棒性有待进一步提升。

2 结果与讨论

肺实质分割对于肺部疾病特别是肺癌的筛查和诊断具有关键性意义。提升肺实质分割的精准度与速度、优化鲁棒性和自动性依旧是众多学者的主要研究方向。近年来，大量学者致力于基于肺部CT 图像的肺实质分割研究领域，在传统分割方法的基础上贡献了许多创新算法和融合算法。从我们前文中的对比分析可以发现，传统肺实质分割算法以其经典性等优势仍占据一定地位，但随着技术发展，结构较单一的传统算法已经无法满足肺实质进行快速精准分割的需要，近年来有越来越多的研究者将多种方法融合或同时引入新的分割方法，来修正传统方法中存在的缺点和不足。多种算法相结合以取长补短、优势互补的融合方法将继续发展并成为主流研究趋势。特别是人工智能的崛起使得深度学习等方法被应用到肺实质分割领域中来。以深度学习为代表的创新算法也将为肺实质分割领域带来新的突破。深度学习算法具有精度较高、速度较快、鲁棒性和迁移性均较强等优势，但由于其具体机制尚处于黑箱状态，还需要进一步的分析和研究。肺实质分割的发展也将促进肺部CAD 系统的优化和提升，同时对肺部疾病的诊断和病理分析等方面具有巨大的临床应用价值和研究前景。