第２８卷第１期 ２０１１年１月 计算机应用与软件 Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｓｏｆｔｗａｒｅ Ｖ０１．２８ Ｎｏ．１ Ｊａｎ．２０１ｌ 一种基于模糊连接度和维诺图的混合分割方法 杨安荣 林财兴 李红强 （上海大学ＣＩＭＳ和机器人中心上海２０００７２） 摘要 介绍一种可用于医学图像处理的、集成了模糊连接度和维诺图 类算法的混合分割方法。首先采用模糊连接度算法对 指定图像区域进行过滤处理形成组织样本数据，这些输出数据将作为维诺图分类算法的输入数据和分类标准，然后通过维诺图分类 算法对其进行迭代处理直至形成近似的图像区域边界。最终的输出值为一组分割后的三维图像数据，可以采用体绘制方法形成三 维图像分割结果，也可用于进一步的图像处理。和其他医学图像分割方法相比，这种混合分割方法集成了基于区域和基于边界两种 不同的分割方法，兼具两者的优点，通过两种分割方法的协同工作，提高了图像分割的精度，适用于复杂图像的分割处理。在医学图 像计算机辅助诊断系统中集成了这一方法并取得了良好的实际应用效果。 关键词 模糊连接度 维诺图分类 混合分割方法 钵绘制 Ａ ＨＹＢＲＩＤ ＳＥＧＭＥＮＴＡＴＩｏＮ ＭＥＴＨｏＤ ＵＳＩＮＧ ＦＵＺＺＹ ＣｏＮＮＥＣＴＥＤＮＥＳＳ ＡＮＤ ＶｏＲｏＮｏＩ ＤＩＡＧＲＡＭ ＣＬＡＳＳＩＦＩＣＡＴ１０Ｎ Ｙａｎｇ Ａｎｒｏｎｇ Ｌｉｎ Ｃａｉｘｉｎｇ Ｌｉ Ｈｏｎｇｑｉａｎｇ （ＣＩＭＳ ａｎｄ Ｒｏｂｏｔ Ｃｅｎｔｅｒ，Ｓｈａｎｇｈａｉ ，Ｓｈａｎｇｈａｉ ２０００７２，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｔｈｉｓ ｐａｐｅｒ ｐｒｅｓｅｎｔｓ ａ ｈｙｂｒｉｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｗｈｉｃｈ ｉｎｔｅｇｒａｔｅｓ ｆｕｚｚｙ ｃｏｎｎｅｃｔｅｄｎｅｓｓ ａｎｄ Ｖｏｒｏｎｏｉ ｄｉａｇｒａｍ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ａｎｄ ｉｓ ｓｕｉｔａｂｌｅ ｆｏｒ ｍｅｄｉｃａｌ ｉｍａｇｅｓ ｐｒｏｃｅｓｓｉｎｇ．Ｗｅ ｓｔａｒｔ ｗｉｔｈ ｔｈｅ ｆｕｚｚｙ ｃｏｎｎｅｃｔｅｄｎｅｓｓ ｆｉｌｔｅｒ ｔｏ ｐｅｒｆｏｒｍ ｆｉｌｔｅｒｉｎｇ ｔｒｅａｔｍｅｎｔ ｏｎ ｄｅｓｉｇｎａｔｅｄ ｒｅｇｉｏｎ ｏｆ ｉｍａｇｅｓ ａｎｄ ｔｏ ｇｅｎｅｒａｔｅ ｔｈｅ ｄａｔａ ｏｆ ｔｉｓｓｕｅ ｓａｍｐｌｅ．Ｔｈｅｓｅ ｏｕｔｐｕｔ ｄａｔａ ａｒｅ ｔｏ ｂｅ ｕｓｅｄ ａｓ ｔｈｅ ｉｎｐｕｔ ｄａｔａ ａｎｄ ｔｈｅ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｓｔａｎｄａｒｄ ｆｏｒ Ｖｏｒｏｎｏｉ ｄｉａｇｒａｍ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ａｌｇｏｒｉｔｈｍ，ａｎｄ ｔｈｅｎ ｔｈｅｙ ａｒｅ ｉｔｅｒａｔｅｄ ｗｉｔｈ Ｖｏｒｏｎｏｉ ｄｉａｇｒａｍ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｕｎｔｉｌ ｔｈｅ ａｐｐｒｏｘｉｍａｔｅ ｂｏｕｎｄａｒｙ＂ｏｆ ｉｍａｇｅ ｒｅｇｉｏｎ ｉｓ ｒｅｓｕｌｔｅｄ．Ｆｉｎａｌ ｏｕｔｐｕｔ ｉｓ ａ ｓｅｔ ｏｆ ｓｅｇｍｅｎｔｅｄ ３ Ｄ ｉｍａｇｅ ｄａｔａ ｔｈａｔ ｃａｎ ｂｅ ｕｓｅｄ ｔｏ ｄｉｓｐｌａｙ ｔｈｅ ３ Ｄ ｒｅｓｕｌｔ ｏｆ ｔｈｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｍａｇｅ ｕｓｉｎｇ ｖｏｌｕｍｅ ｒｅｎｄｅｒｉｎｇ ｔｅｃｈｎｉｑｕｅｓ，ｏｒ ｂｅ ｐａｓｓｅｄ ｔｏ ａｎｏｔｈｅｒ ｆｉｌｔｅｒ ｆｏｒ ｆｕｒｔｈｅｒ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ．Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｏｔｈｅｒ ｍｅｄｉｃａｌ ｉｍａｇｅｓ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄｓ，ｔｈｉｓ ｈｙｂｒｉｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｉｎｔｅｇｒａｔｅｓ ｒｅｇｉｏｎ—ｂａｓｅｄ ａｎｄ ｂｏｕｎｄａｒｙ—ｂａｓｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄｓ ａｎｄ ｈａｓ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ｔｈｅ ｂｏｔｈ．Ｔｈｅ ｓｙｎｅｒｇｙ ｏｆ ｔｗｏ ｄｉｆｆｅｒｅｎｔ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄｓ ｔｅｎｄｓ ｔｏ ｒｅｓｕｌｔ ｉｎ ｈｉｇｈｅｒ ｓｅｇｍｅｎｔａｔｉｏｎ ｑｕａｌｉｔｙ ａｎｄ ｓｕｉｔｓ ｓｏｍｅ ｃｏｍｐｌｉｃａｔｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｔａｓｋｓ．Ｗｅ ｈａｖｅ ａｌｒｅａｄｙ ｉｎｔｅｇｒａｔｅｄ ｔｈｉｓ ａｐｐｒｏａｃｈ ｉｎ ｏｕｒ ｍｅｄｉｃａｌ ｉｍａｇｅｓ ｃｏｍｐｕｔｅｒ—ａｉｄｅｄ ｄｉａｇｎｏｓｉｓ ｓｙｓｔｅｍ ａｎｄ ｇｏｔ ａ ｓａｔｉｓｆｙｉｎｇ ｒｅｓｕｌｔ ｉｎ ａｃｔｕａｌ ａｐｐｌｉｃａｔｉｏｎ． Ｋｅｙｗｏｒｄｓ Ｆｕｚｚｙ ｃｏｎｎｅｃｔｅｄｎｅｓｓ Ｖｏｒｏｎｏｉ ｄｉａｇｒａｍ ｃｌａｓｓｉｉｆｃａｔｉｏｎ Ｈｙｂｒｉｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ Ｖｏｌｕｍｅ ｒｅｎｄｅｒｉｎｇ 集成起来用于肺部计算机断层成像ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ） ０ 引 言 中孤立性肺结节ＳＰＮ（Ｓｏｌｉｔａｒｙ Ｐｕｌｍｏｎａｒｙ Ｎｏｄｕｌｅ）的分割处理。 医学图像分割技术一直以来都是医学图像处理领域的一个 １基础算法介绍 研究热点和难点。近年来，随着计算机技术的发展和各种图像 分割算法的逐步完善，又有一些相关方法被陆续提出＿】０ 。但 １．１模糊连接度分割算法 由于医学图像本身具有的模糊性、多态性、生理相关性等复杂特 自从Ｚａｄｅｈ于１９６５年提出模糊数学的概念之后，Ｒｏｓｅｎｆｅｌｄ 性，到目前为止，依然没有一种能够解决所有图像分割问题的普 等人在１９７９年首先把模糊连接度的概念引入到图像处理中 Ｊ； 遍方法问世。 Ｕｄｕｐａ等人在此基础上提出了基于模糊连接度的图像分割框 在一些复杂的图像分割任务处理过程中，单一的分割算法 架 ，在此框架内，对象的定义和标识有了很好的表述。 已经不能满足要求，人们不得不采用一些混合分割方法 。一 设ｎ维欧氏空问 被ｎ族相互垂直的超平面分割成一些 般来讲，混合分割法由于在一个功能框架下集成了不同类型的 超立方体，这些超立方体称为空间元素ｓｐｅｌ（ｓｐａｃｅ ｅｌｅｍｅｎｔｓ）。 分割算法，能够获得相对较好的分割结果。混合分割法的一个 当ｎ：２时，这些空间元素称为像素；当ｎ＝３时，则称为体素。 重要问题是如何在一个框架下使两种不同类型的算法能够协同 工作而不出现冲突。通过我们的研究发现，基于区域的分割方 收稿日期：２００９—０８一Ｏ１。上海市大学生创业基金项目（０３０６００ 法（比如模糊连接度过滤法）和基于边界的分割方法（比如维诺 Ｏ９）。杨安荣，博士生，主研领域：医学影像计算机辅助检测算法及相关 图分类法）能够较好地协同工作，因此我们将这两种分割方法 工具。 １０６ 计算机应用与软件 区是到该点距离最近点的集合。定义如下： 对于任意Ｐ ∈Ｖ，Ｖ＝｛Ｐ ，Ｐ ，…，Ｐ ｝有： ２０１１生 设这些超立方体的中心坐标为ｎ元的整数，则它对应于Ｚ“中的 一个点。若 上的模糊关系 是自反的、对称的，则称为模糊空 间元素的邻近关系。它描述了两个空间元素的位置邻近关系， （Ｚ ， ）被称为模糊数字空间。 设Ｃ ｃ Ｚ ，称 ＝（Ｃ 为模糊数字空间（Ｚ ， ）上的场， Ｖｏｒ（ｐ ）＝｛ ∈Ｒ Ｉ ｄ（ ，Ｐ ）≤ｄ（ ，Ｐｊ） Ｖ ≠ｉ，１≤ ≤ｎ｝ （７） 其中函数厂反映了空间元素的某种属性，比如图像上像素点的 亮度值或纹理结构属性。若函数厂的值域为［０，１］（即／：Ｃ一［０， １］），则称力为（Ｚ“， ）上的隶属度场。 模糊数字空问Ｃ中的模糊关系ｋ如果具有自反和对称性， 其中：ｄ（ｐ， ）＝￣／（ｐ 一 ） ＋（Ｐ：一 ） 为平面两点ｐ＝ （Ｐ ，Ｐ ）， ＝（ ， ）的直线距离。 同样，对于三维空间Ｒ，维诺图的定义如下： Ｖｏｒ（ｐ ）＝｛ ∈Ｒ Ｉ ｄ（ ，Ｐ ）≤ｄ（ ，ｐ，） Ｖｊ≠ｉ，１≤ ≤ｎ｝ （８） 则称其为Ｃ上隶属度场 的模糊亲密关系。模糊亲密关系ｋ可 以表示为： ｋ＝｛（（ｃ，ｄ）， （Ｃ，ｄ））Ｉ Ｃ，ｄ∈Ｃ｝ （１） 如果维诺图中两个区域共有一个边界，则称这两个区域是 相邻区域，将维诺图相邻区域中的点连接起来构成的图，称为 Ｄｅｌａｕｎａｙ三角剖分ＤＴ（Ｄｅｌａｕｎａｙ ｔｒｉａｎｇｕｌａｔｉｏｎ）。定义如下： ＤＴ＝｛（Ｐ ， ）∈ ；Ｖｏｒ（ｐ ）ｎ Ｖｏｒ（ｐ￣）≠ ｝ （９） ：Ｃ×Ｃ一［０，１］ （Ｃ，Ｃ）＝１ Ｖ ｃ∈Ｃ （Ｃ，ｄ）＝／２， （ｄ，ｃ） Ｖ（ｃ，ｄ）∈Ｃ 由此可见，维诺图和ＤＴ图互为对偶图，如图１所示。 其中 为模糊亲密关系ｋ的隶属函数，其一般形式为（对于所 有的ｃ，ｄ∈Ｃ）： （ｃ，ｄ）：ｇ（ （Ｃ，ｄ）， （ｃ，ｄ）， ｄ（ｃ，ｄ），Ｃ，ｄ） （２） 其中ｇ是值域为［０，１］的向量函数， （ｃ，ｄ）， （Ｃ，ｄ）， （ｃ， ｄ）分别表示空间两点的图像特征值，在实际计算中可以进行简 化处理，比如可以分别表示为空间两点的坐标连接度值、亮度连 接度值和梯度连接度值。 设力是（Ｚ ， ）上的一个隶属度场， 为力上的模糊亲密关 图１ 图中虚线所示为维诺图，实线所示为Ｄｅｌａｕｎａｙ 三角剖分维诺图和Ｄｅｌａｕｎａｙ三角剖分示意图 系，在 中从ｃ到ｄ的路径Ｐ 的定义为：一个空间元素的序列 （Ｃ１，ｃ２，…，ｃ ）（ｍ≥２），其中ｃ （ｉ＝１，２，…，ｍ）∈Ｃ，ｃ１＝ｃ，ｃｍ ＝维诺图分类算法的运算过程由图２所示。 ｄ。显而易见，力中从ｃ到ｄ有许多条路径，对于每条路径Ｐ 都 存在一个最弱的链接（即Ｐ 上相邻两个元素的相似度最小）， 它决定了路径Ｐ 的连接度。记为： （Ｐ ｄ）＝ｍｉｎ（￣ （ｃＩ，ｃ２），／．ｔ （ｃ２，ｃ３），…， （ｃ 一ｌ，ｃ ））（３） 则从ｃ到ｄ的模糊连接度定义为所有路径中最大的连接度，记 Ｃ中从ｃ到ｄ的所有路径为Ｐ ，模糊连接度 定义为Ｃ上的模 糊关系，其隶属函数为： （ｃ，ｄ）＝ｍ ［ （Ｐ ）］ 对于给定的Ｃ，ｋ， Ｏ的模糊对象的抽取。 ㈤，（４） Ｅ［０，１］和种子点ｏ∈Ｃ，记［ｏｌ ＝｛ｃ Ｃ Ｉ／２，ｆ（Ｏ，ｃ）≥ ｝，则称寻找如下模糊子集０ 的过程为包含 ： Ｌ０ 。 Ｅ Ｏ］ ｏｔｈｅｒｗｉｓｅ （５） 根据文献［５］中的论述，可以证明如下定义的模糊连接度 是一个传统集合中的等价关系。 ， ｛ ｈ 。’¨㈤ 图２维诺图分类算法处理过程 这样，只需要找到［ｏ］ 即可计算模糊连接度 ，从而大大 减少了计算工作量，文献［５］中给出了具体的实现算法，其成果 将在本文阐述的混合分割方法中应用。 ２混合分割方法原理 从模糊的角度来说，各种生物组织、器官都是按一定程度连 接在一起的，模糊连接度正是描述了这种连接的紧密程度，因而 它较适合于表示医学图像中无法精确定义的区域。但同时由于 １．２维诺图分类算法 文献［６］对这种算法进行了介绍，其原理将指定的待处理 图像区域采用维诺图方法（Ｄｅｌａｕｎａｙ三角剖分算法）进行划分， 并利用针对特定组织的分类器对维诺图中的各个区域进行分 类，循环直至找到边界。 在两维空间的情况下，维诺图是对平面 中ｎ个离散点而 言的，它把平面分为几个区，每一个区包括一个点，该点所在的 模糊连接度只考虑了路径上的局部信息，对有些物体边界模糊 的图像会得到一些不合理的结果，因此还需要采用维诺图分类 方法对物体边界进行优化处理，以得到较为精确的物体边界。 第１期 杨安荣等：一种基于模糊连接度和维诺图的混合分割方法 ｌ０７ ２．１ 算法步骤 在我们的混合分割方法中，首先采用模糊连接度过滤法对 目标图像中的感兴趣区域ＲＯＩ（Ｒｅｇｉｏｎ ｏｆ Ｉｎｔｅｒｅｓｔ）进行处理，计 理，如图４所示。当输入图像为ｃＴ系列图像时，在进行图像分 割操作之后，利用光线投射法 或者纹理映射法 等体绘制方 法可以输出分割后图像的三维重建结果。 算各像素点相对于种子点的模糊连接度，通过模糊连接度的比 较确定初步的目标区域，然后采用维诺图分类算法对进行分类 操作，直至算法收敛，即得到目标区域的精确边界。 算法步骤描述如下： （１）运行模糊连接度过滤法生成目标组织的样本数据 在模糊连接度过滤计算时，首先选取一定区域（比如１０× ｌ０像素矩形区域）内的空间元素ｓｐｅｌｓ作为运算对象。由于对 整个输入图像（比如５１２×５１２像素ＣＴ图像）按照１０×１０像素 矩形区域进行遍历运算，计算量巨大，可以在图像预处理时由用 户选取ＲＯＩ区域进行操作，通过用户交互操作大大降低运算 量，提高整体运算性能。 运算时，按照文献［５］中的算法选取初始空间元素种子点０ 计算ＲＯＩ区域内各像素点相对于种子点Ｏ的模糊连接度，同时 作为对比，在背景区域内选取种子点ｂ，同样计算ＲＯＩ区域内各 图４三维图像混合分割算法框架 像素点相对于种子点ｂ的模糊连接度，当与Ｏ的模糊连接度大 于与ｂ的模糊连接度时，该像素点被认为是区域内的点，否则把 ３混合分割算法框架的实现 混合分割算法引擎是一个轻量级的程序框架，我们在文献 ［５，６］中算法的基础上，采用面向对象的设计方法对其进行设 计，并采用Ｃ＋＋语言实现了这一程序框架，其主要类结构如图 ５所示。混合分割引擎主要由四个关键基类构成：ＦｕｚｚｙＣｏｎｎｅｃｔ— ｅｄｎｅｓｓ、ＶｏｒｏｎｏｉＣｌａｓｓｉｉｃａｔｉｆｏｎ、ＩｍａｇｅＴｒａｎｓａｃｔｉｏｎ、ＶｏｌｕｍｅＲｅｎｄｅｒｉｎｇ， 它归类于背景点。通过模糊连接度的反复比较，确定初步的目 标区域。 在本步骤中，还有一项重要工作是计算各个矩形区域的亮 度平均值及其偏差值，这些值将作为下一步维诺图分类中分类 器的重要参照依据。 （２）运行维诺图分类算法，直至算法收敛 模糊连接度的计算结果将作为本步骤的输入，维诺图的产 分别实现模糊连接度计算、维诺图分类、图像处理和三维重建功 能。每个基类都由若干个子类继承并实现，最后扩展成一个树 生可以借助文献［１］中的ＱｕｉｃｋＨｕｌｌ方法。输人数据的初始维 诺图建立之后，最主要的操作就是分类。通过遍历维诺图中的 状结构的类图。其中模糊连接度计算和维诺图分类计算按照 ２．１节中描述的算法步骤进行，图像处理和三维重建功能集成 了ＶＴＫ工具中的相关算法，包括光线投射法和纹理映射法等。 每一个区域，计算其亮度值，如果当前计算得到的值和前一步骤 计算得到的值相同，或者在其偏差范围之内，就被标识为内部区 域，否则就是外部区域。 在所有的外部区域中，那些至少有一个相邻区域为内部区 域的外部区域被定义为边界区域。每一个边界区域将进一步运 行维诺图算法执行下一次迭代，直到算法收敛（比如区域中的 像素点少于预先设定的阈值）。 ２．２框架结构 本文介绍的混合分割方法算法框架，如图３所示（以单张 二维ＣＴ图像分割处理为例）。 图５混合分割引擎主要类结构图 另外除了这四个关键基类及其子类之外，还包括一些辅助 类，比如实现分割过程监控的Ｍｏｎｉｔｏｒ类，实现参数配置的Ｐａ ｒａｍｅｔｅｒ类，实现图片格式转换的Ｃｏｎｖｅｒｓｉｏｎ类，实现用户交互和 图３ 二维图像混合分割算法框架 从图３中可以看出，模糊连接度过滤算法和维诺图分类算 图像显示的Ｕｓｅｒｌｎｔｅｒｆａｃｅ类等等。以上辅助类全部采用ＶＣ＋＋ ２００５开发实现。 算法过程的核心代码如下： ＦｕｚｚｙＣｏｎｎｅｃｔｅｄｎｅｓｓＦｉｌｔｅｒ ｆｕｚｚｙｓｅｇｍｅｎｔ ＝ ＦｕｚｚｙＣｏｎｎｅｃｔｅｄｎｅｓｓＦｉｌｔｅｒ：： 法是混合分割算法引擎的核心，当一张医学影像（比如肺部ＣＴ 图像）输入引擎进行处理时，首先进行必要的预处理（图像读 取、增强、去噪等），然后先后执行模糊连接度过滤算法和维诺 Ｎｅｗ（）； ＶｏｒｏｎｏｉＣｌａｓｓｉｉｆｃａｔｉｏｎＦｉｌｔｅｒ ｖｏｒｏｎｏｉｓｅｇｍｅｎｔ＝ＶｏｒｏｎｏｉＣｌａｓｓｉｌｃａｔｆｉｏｎＦｉｌ・ 图分类算法，最后通过后处理（图像重建、图像显示等）进行 输出。 ｔｅｒ：：Ｎｅｗ（）； ＩｍａｇｅＴｒａｎｓａｅｔｉｏｎ：：ＩｍａｇｅＲｅａｄｅｒ ｒｅａｄｅｒ＝ＩｍａｇｅＲｅａｄｅｒ：：Ｎｅｗ（）； 以上算法框架同时也可以扩展到医学影像的三维分割处 １０８ 计算机应用与软件 适合简单分割任务。 ２０１１丘 ＩｍａｇｅＴｒａｎｓａｃｔｉｏｎ：：ＩｍａｇｅＷｒｉｔｅｒ ｗｒｉｔｅｒ＝ＩｍａｇｅＷｒｉｔｅｒ：：Ｎｅｗ（）； Ｐａｒａｍｅｔｅｒ ｐａｒａｌ＝ Ｐａｒａｍｅｔｅｒ：：Ｎｅｗ（）； Ｐａｒａｍｅｔｅｒ ｐａｒａ２＝Ｐａｒａｍｅｔｅｒ：：Ｎｅｗ（）； ４．２三维分割 在本例中，我们选择了一组包含ＳＰＮ的系列Ｄｉｃｏｍ影像文 件（每张影像５１２×５１２像素，总共２０个ＤＣＭ文件）作为输入数 据。同样，作为对比我们分别采用区域生长法，模糊连接度过滤 法和混合分割方法对病灶进行分割处理。试验结果如图７ 所示 Ｐａｒａｍｅｔｅｒ ｐａｒａ３＝Ｐａｒａｍｅｔｅｒ：：Ｎｅｗ（）； ｒｅａｄｅｒ一＞ＳｅｔＦｉｌｅＮａｍｅ（ｐａｒａｌ［１］）； ｗｒｉｔｅｒ一＞ＳｅｔＦｉｌｅＮａｍｅ（ｐａｒａｌ［２］）； ｆｕｚｚｙｓｅｇｍｅｎｔ－＞ＳｅｔＩｎｐｕｔ（ｒｅａｄｅｒ一＞ＧｅｔＯｕｔｐｕｔ（））； ｆｕｚｚｙｓｅｇｍｅｎｔ－＞ＳｅｔＰａｒａｍｅｔｅｒ（ｐａｒａ２） ｆｕｚｚｙｓｅｇｍｅｎｔ－＞Ｕｐｄａｔｅ（）； ｖｏｒｏｎｏｉｓｅｇｒｎｅｎｔ・＞ＳｅｔＩｎｐｕｔｆ ｆｕｚｚｙｓｅｇｍｅｎｔ一＞ ＧｅｔＯｕｔｐｕｔ（））； ｖｏｒｏｎｏｉｓｅｇｍｅｎｔ－＞ＳｅｔＰａｒａｍｅｔｅｒ（ｐａｒａ３）； ｖｏｒｏｎｏｉｓｅｇｍｅｎｔ一＞Ｕｐｄａｔｅ（）； ｗｒｉｔｅｒ一＞Ｓｅｔｌｎｐｕｔ（ｖｏｒｏｎｏｉｓｅｇｍｅｎｔ一＞ＧｅｔＯｕｔｐｕｔ（））； ｗｒｉｔｅｒ一＞Ｕｐｄａｔｅ（）； ㈤左肺中包含ｓＰＮ的原始系列图像【ｂ）采用区域生长分害Ｉ之后的结果 ●一 法分劓之后的结果 混合分割引擎结构简单、接口清晰，便于程序语言调用。在 我们的医学影像计算机辅助诊断系统ＭＩ—ＣＡＤｓ（Ｍｅｄｉｃａｌ Ｉｍａｇｅｓ Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ ｓｙｓｔｅｍ）项目中，混合分割引擎也是不 可缺少的重要组成部分，特别适合于肺部ＣＴ图像的ＳＰＮ分割 处理。 图７维分割效果对比图 从图７中可以看出，本文介绍的混合分割方法其分割结果 明显优于区域生长法和模糊连接度过滤法。对于较为复杂的三 ４实验结果 本文介绍的混合分割引擎已经在测试数据和真实数据下进 行了试验，并且将其试验结果和其他常见分割算法进行了对比。 以下测试数据全部来自于某医院呼吸内科，我们挑选了其 中包含ＳＰＮ的ＣＴ图像，并在普通ＰＣ机上对图像中的病灶进行 分割处理。计算机配置：ＣＰＵ Ｐｅｎｔｉｕｍ⑩４ ３．０ＧＨｚ，内存１Ｇ，硬 盘１６０Ｇ，Ｗｉｎｄｏｗｓ ＸＰ操作系统，ＶＣ＋＋２００５开发环境。 维分割任务，显然混合分割方法比普通的分割方法（比如区域 生长法）更为精确。 ５ 结论 ４．１单张图像分割 在本例中，我们选择了一张包含ＳＰＮ的Ｄｉｃｏｍ影像文件 （５１２×５１２像素，ＤＣＭ文件）作为输入数据。作为对比，我们分 别采用区域生长法，模糊连接度过滤法和混合分割方法对病灶 进行分割处理。试验结果如图６所示。 一～ ■一 ■■ （ｂ）采用区域生长法分割之后的结果 分割之后的结果 本文介绍了一种可用于医学影像病灶分割处理的混合分割 方法。通过在一个算法引擎中集成基于区域的模糊链接度过滤 法和基于边界的维诺图分类法，在复杂分割任务方面取得了令 人满意的结果。整个算法框架结构简单，衔接合理，可以满足部 分特定的图像分割任务。当然，本文介绍的混合分割方法其适 用范围较窄，只适合于三维分割、变形图像分割、多模态图像分 割等复杂分割任务。如何提高算法框架的性能并拓展其适用范 围，将作为今后的研究方向。 参考文献 ［１］Ｗｅｌｌｓ Ｗ，Ｇｒｉｍｓｏｎ Ｗ，Ｋｉｋｉｎｓ Ｒ．Ａｄａｐｔｉｖｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ＭＲＩ ｄａｔａ ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ，１９９６，１５（４）：４２９—４４２． ［２］Ｈａａｓ Ｃｈｒｉｓｔｉｎｅ，Ｅｉｍｅｒｔ Ｈｅｌｍｕｔ，Ｈｏｌｔ Ｓｔｅｐｈａｎ．Ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ３Ｄ ｉｎ— ｔｒａｖａｓｃｕｌａｒ ｕｈｒａｓｏｎｉｃ ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ａ ｒａｎｄｏｍ ｆｉｅｌｄ ｍｏｄｅｌ［Ｊ］．Ｕｌｎａ． ｓｏｕｎｄ ｉｎ Ｍｅｄｉｃｉｎｅ＆Ｂｉｏｌｏｇｙ，２０００，２６（２）：２９７—３０６． ｖｉｓｉｂｌｅ ｈｕｍａｎ ｄａｔａ『Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｔｈｉｒｄ Ｖｉｓｉｂｌｅ ＨｕｍａｎＰｒｏ— ［３］Ｉｍｉｅｌｉｎｓｋａ Ｃ，Ｍｅｔａｘａｓ Ｄ，Ｕｄｕｐａ Ｊ，ｅｔ ａ１．Ｈｙｂｒｉｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ ｊｅｃｔ Ｃｏｎｆｅｒｅｎｃｅ，Ｂｅｔｈｅｓｄａ，ＭＤ，５ Ｏｃｔ ２０００． ［４］Ｒｏｓｅｎｆｅｌｄ Ａ．Ｔｈｅ Ｆｕｚｚｙ Ｇｅｏｍｅｔｒｙ ｏｆ Ｉｍａｇｅ Ｓｕｂｓｅｔｓ［Ｊ］．Ｐａｔｔｅｒｎ Ｒｅｃｏｇ— ｎｉｔｉｏｎ Ｌｅｔｔｅｒｓ，１９８４，２（５）：３１１—３１７． ［５］Ｕｄｕｐａ ＪＫ，Ｓａｍａｒｓｅｋｅｒａ Ｓ．Ｆｕｚｚｙ Ｃｏｎｎｅｃｔａｅｄｎｅｓｓ ａｎｄ Ｏｂｊｅｃｔ Ｄｅｆｉｎｉｔｉｏｎ ［Ｊ］．ＳＰＩＥ Ｐｒｏｃｅｅｄｉｎｇｓ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ，ｖｏｌｕｍｅ １９９５：２４３１：２—１０． ［６］Ｉｍｉｅｌｉｎｓｋａ Ｃ，Ｄｏｗｎｅｓ Ｍ，Ｙｕａｎ Ｗ．Ｓｅｍｉ－ａｕｔｏｍａｔｅｄ ｃｏｌｏｒ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ａｎａｔｏｍｉｃａｌｔｉｓｓｕｅ［Ｊ］．Ｊ．ｏｆＣＭＩＧ．，２０００（２４）：１７３—１８０． 图６单张图像分割效果对比图 从图６中可以看出，在这种情况下，本文介绍的混合分割方 法其分割结果和区域生长法的分割结果基本类似，但都明显比 模糊连接度过滤法更为精确。对于病灶比较明显的单张影像， 混合分割方法并不总是优于普通的分割方法（比如区域生长 ［７］Ｒｏｔｈ，Ｓｃｏｔｔ Ｄ．Ｒａｙ Ｃａｓｔｉｎｇ ｆｏｒ Ｍｏｄｅｌｉｎｇ Ｓｏｌｉｄｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ ａｎｄ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，１９８２（１８）：１０９—１４４． ［８］Ｂｌｙｔｈｅ，Ｄａｖｉｄ．Ａｄｖａｎｃｅｄ Ｇｒａｐｈｉｃｓ Ｐｒｏｇｒａｍｍｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ Ｕｓｉｎｇ 法），恰恰相反，普通分割方法由于其效率更高、性能更好而更 ＯｐｅｎＧＬ［Ｃ］／／ＳＩＧＧＲＡＰＨ ９９ Ｃｏｕｒｓｅ，１９９９．
