基于图论的肝肿瘤ct图像自动分割方法 - journal of electronic .pdfVIP

第36卷第4期 北京工业大学学报 V01．36No．4 2010年4月 JOURNALOFBEIJINGUNIVERSIITOFTECHNOI。OGY Apr．2010 基于图论的肝肿瘤CT图像自动分割方法 艾海明，吴水才，高宏建，赵 磊，曾 毅 (北京工业大学生物医学工程中心，北京100124) 摘要：提出了一·种肝肿瘤CT图像自动分割的方法，运用图中最小生成树寻找图像的同质区域，使用按级合并 和路径压缩2种试探法，使得分割时程近似线性时间O(nlog凡)．对52幅肝肿瘤CT图像进行分割，结果表明，该 方法分割实际图像的平均最小距离为8．7540，面积交迭度为95．15％，分割精确度优于同类自动分割算法．应 用该方法能快速、准确地自动分割出肝肿瘤． 关键词：图论；CT图像；图像自动分割 中图分类号：TP391．41 文献标志码：A 利用肝癌微波热疗手术规划系统可在术前对温度场进行规划，这样有助于提高肝癌微波热疗的有效 性和安全性．在肝癌微波热疗手术规划系统设计中首先需对肝肿瘤进行分割并三维重建…，而肝肿瘤分 割效果的好坏直接影响肝肿瘤三维重建的准确性． 由于肝脏CT图像中存在随机噪声和伪影，使得传统分割方法在分割过程中面临困难，分割结果易产 生虚假边缘【2…．手动分割和交互式半自动分割工作鼍大、耗时长、易受人为主观影响且分割结果重复性 差，不适合分割对比度低和边界模糊的医学图像H1．因此，合理地选择一种全自动分割肝肿瘤CT图像的 方法十分必要．文献[5]提出基于最小生成树的图论分割算法，它使用区域比较准则，极大化区域内部的 相似性与区域之间的差异性，随着图像内容的变化能自适应地改变，因此在分割准则和理论上具有明显的 优势．作者编程实现了该分割算法，并把它成功地应用到肝肿瘤CT图像的自动分割中． 1 基于最小生成树的图论分割算法 1．1图像分割准则 图像，被分割为N个区域(尺。)的集合，应满足3个条件‘61： _11r 1)u．Ri=，，其中R‘nRf=a，i≠工 2)H(冗I)=ture，Vz，H为某种同质性谓词(homogeneitypredicate)． 3)Ⅳ(R；uR／)=false，VRi，R，相邻． 1．2最小生成树(MST) 若y、E分别为图G(V，E)中的顶点集和边集，边(Ⅱ，口)EE且权重值为加(M，t，)，则图G中生成树(r) 上的权重和为 埘(r)=∑埘(Ⅱ，口) 收稿日期：2008—12-03． 基金项目：北京市自然科学基金资助项目(3072004)． 作者简介：艾海明(1980一)，男，江西九江人，博士研究生． 第4期 艾海明，等：基于图论的肝肿瘤CT图像自动分割方法 573 1．3区域比较谓词 区域比较谓词D”1是在分割过程中用于评价2个邻域是否存在边界的判据．谓词D通过对区域内部 差异和区域间差异进行比较，使得分割结果能自适应图像数据的局部特征． 若c是分离集森林中任一集合，其对应的最小生成树为MST(c，E)，则集合c的内部差异为最小生 成树中最大的权重，即 Int(C)=max埘(e) (1) 集合C，、C：之间的差异为连接这2个集合边的最小权重，即 Di‘(c-，c：)-卟cI．。，忠％巾。。加((t，；，巧)) (2) 的边，目的是为了避免NP．hard问题川． 通过式(1)、(2)的定义，可引出区域比较谓词D，即 。(Ci,C2)={淼筹1’G卜Ⅲm∽l，Q’ (3) (4) 下(c)=斋 (5) 式中，r(C)为阈值函数；I