0 引言

　　現代臨床醫學中，實現病灶輪廓精準地自提取成為當下醫務人員關注的焦點之一[1]。Kass[2]等人在1987年提出的Snake模型能夠動態擬合目標區域的輪廓，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為代價的[5]，這在醫學圖像集的批量處理過程中是不被允許的。本文針對傳統GVF-Snake模型出現的問題，提出了一種優化的分割算法，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，實現病灶信息的精準提取。

1 基于區域的初始輪廓線

　　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才能使曲線逼近輪廓線。

　　在肝病診斷過程中，實現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域算法，半自動地實現腹部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。

　　肝臟病灶表現為圓狀局部暗影,且絕大多數肝臟占位性病變區域較小，在CT平掃時屬于低密度，而門靜脈和膽管也表現為低密度[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

　　區域內部的細節對基于區域的算法影響較大。所以在修正前需要對區域進行數學形態學中的開閉運算處理以去除噪聲、填補缺口[8]。

　　1.1.2 區域生長

　　區域生長是以區域內部某個點作為種子點，并以此為起點搜索出區域內的所有像素。該算法是這樣定義邊界的[9]：區域邊界上像素點的灰度都是某個定值，且區域邊界內部均不取這個值，而區域外部的像素點可以取。

　　1.1.3 區域填充

　　用區域生長算法串行構造病灶區域，易于實現，但生長過程中區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許多噪聲。這時需要通過區域填充法填補區域內部剩余的孔洞。區域填充結果如圖2所示。

　　1.2 區域優化

　　由于相鄰切片具有部分差異，經過預處理后的分割區域仍然不能體現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象[10]。

　　先求出當前分割結果與上一張分割結果的共有區域（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，則認為這個特有區域為弱對象區域，也屬于病灶的一部分。

　　假設弱對象區域（Ω）的灰度為ω，已分割區域（Ω1）的灰度為ω1，背景區域（Ω2）的灰度為ω2，則有ω1<ω<ω2。此時填充對象域，將Ω1的灰度值變為ω2，即令已分割區域變為背景區域的一部分，并讓此時的弱對象區域合并入原先的已分割區域。

　　類似地，若出現分割溢出的現象，可以通過背景域填充法，將Ω2的灰度值轉化為區域的平均灰度值α2，使得背景區域與病灶區域相接，去除了多余的分割區域。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域，利用區域內部信息，假設在CT圖I(x，y)中病灶區域為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模型的能量函數可以被改寫為：

　　其中c3為加權系數，ER表示病灶區域的能量。

　　根據初始輪廓線與病灶區域的位置關系，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AOM和距離系數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。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組切片數據進行計算，結果如表1所示。

　　通過對比表1中的數據可以看出，本文提出的算法能夠精準地分割出病灶區域，且對于復雜區域的提取有著較大優勢。傳統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域的優越性，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，結合區域信息，本文改進了傳統的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，可實現病灶復雜區域的連續精準分割，為CT圖像分割問題提供了新的解決方案。

參考文獻

　　[1] 彭微．基于區域的肝臟病灶CT圖像分割及實現[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.