一種從胸部CT圖像中提取肺葉的方法及裝置與流程

2023-09-12 18:50:30

本發明屬於計算機技術領域，涉及一種從胸部ct圖像中提取肺葉的方法及裝置。

背景技術：

ct(computedtomography)是利用精確準直的x線束與靈敏度極高的探測器一同圍繞人體的某一部位做一個接一個的斷面掃描，以不同的灰度表示器官和組織對x線的吸收程度，例如，在胸部ct圖像上，低密度的區域表示氣管、肺實質，高密度的區域表示血管、胸腔、骨骼等，具有掃描時間快，圖像清晰等特點，可用於多種疾病的檢查，為醫生觀察診斷疾病提供了方便可靠的依據。

由於ct設備可獲得清晰的胸部ct圖像，因此藉助於ct圖像成了診斷慢阻肺病情的一個主要手段，然而目前的醫學水平只能做到對單個肺的定量診斷，對於單個肺葉病情的定量評估無法做到。慢阻肺的治療通常需要肺葉減容手術，然而手術前卻無法進行肺葉減容的定量評估，這勢必會影響慢阻肺的治療效果。如果能夠精確的分割出左右肺以及左右肺的各個部分，即肺葉，準確的完成對每個肺葉的病情程度的定量評估，必將對慢阻肺的診斷和治療有重大意義。

技術實現要素：

(一)要解決的技術問題

為了解決現有技術的上述問題，本發明提供一種從胸部ct圖像中提取肺葉的方法，該方法能夠準確的從胸部ct圖像中提取出肺葉，準確的完成對每個肺葉的病情程度的定量評估，對肺部疾病的診斷和治療更加準確和有效。

本發明還提供一種從胸部ct圖像中提取肺葉的裝置，該裝置能夠準確的從胸部ct圖像中提取出肺葉，準確的完成對每個肺葉的病情程度的定量評估，對肺部疾病的診斷和治療更加準確和有效。

(二)技術方案

為了達到上述目的，本發明採用的主要技術方案包括：

一種從胸部ct圖像中提取肺葉的方法，包括以下步驟：

s1、接收輸入的n層胸部ct圖像，獲取中間圖像層，選取肺部區域的指定像素點為種子點，根據設定分割閾值以及初始種子點進行3d區域增長，獲得不帶肺血管的肺實質區域，其中，n為自然數；

s2、在步驟s1所得的肺實質區域通過腐蝕近似粘連邊界的左右肺粘連剔除方法，剔除粘連得到兩個獨立的肺實質；

s3、利用先膨脹後腐蝕的操作把血管填充到步驟s2所得的肺實質中，通過最大類間方差法自動獲得最優分割閾值t0；

s4、以步驟s3所得的最優分割閾值t0作為分割血管的閾值，計算大於閾值的點作為血管種子點，進行3d區域增長，獲得肺血管；

s5、從血管根部斷開不同肺葉的血管，使每一個肺葉中的血管成為一個獨立的連通域；

s6、根據步驟s5所得的肺血管，採用消去法來提取肺血管中心路徑；

s7、訓練二分類支持向量機模型，得到二分類支持向量機分類器，通過該分類器找到不同肺葉血管之間的分界面，以此分界面作為肺葉的分界面並計算獲得肺實質像素點的分類判別函數對肺實質上的每一個像素點進行判別，獲得肺葉組織。

優選的，所述步驟s1包括以下步驟：

s11、接收輸入的n(n為自然數)層胸部ct圖像，獲取中間圖像層，在中間圖像層上選取肺部區域的指定像素點作為初始種子點；

s12、根據肺實質的特點設置分割閾值；

s13、搜索被標記的初始種子點的26鄰域，選取其中的一個像素點；

s14、判斷所選取的像素點是否已經被標記過，若是則返回步驟s13，否則執行步驟s15；

s15、判斷所選取的像素點的灰度值是否小於分割閾值，若是，則把該像素點作標記並加入標記隊列，否則停止標記該像素點，執行步驟s16；

s16、判斷種子點的26鄰域像素點是否全部搜索並判斷完畢，若是則執行步驟s17，否則返回步驟s13；

s17、判斷標記隊列是否為空，如不為空，則從該隊列中取出一個標記點作為初始被標記種子點，返回步驟s13，否則已經被標記的像素點集合就是分割出的不帶肺血管的肺實質區域。

優選的，所述步驟s2包括以下步驟：

s21、對獲得的肺實質區域判斷其是否為兩個大小近似相等的連通域，若是則結束，否則執行步驟s22；

s22、統計中間圖像層的連通域個數，剔除像素點數較小的連通域區域，保留像素點數較大的連通域區域，並判斷連通域的個數及每個連通域的大小，如果有兩個連通域並且大小近似相等則結束，否則執行步驟s23；

s23、逐層統計連通域個數，如果只有一個連通域，則肺實質一定在該層粘連，執行步驟s24，否則記錄每一個連通域像素點的個數，找到像素點數最大的兩個連通域，如果面積最大的兩個連通區域像素點數個數相當，則該層ct圖像左右肺實質不粘連，執行步驟s26，否則粘連且較大的連通域為肺實質，執行步驟s24；

s24、用線段近似代替粘連區域，轉化為確定直線的位置，下邊界在y方向的最高點即為近似直線的下端點，上邊界的所有點中離下端點最近的點則為近似直線的上端點，尋找到這兩點後確定直線，執行步驟s25；

s25、腐蝕掉每層肺實質區域粘連圖像上的近似直線邊界，以及直線邊界周圍的26鄰域點的標記值，得到兩個不粘連的左右肺區域，執行步驟s26；

s26、判斷所有層是否掃描完畢，若是則結束，否則執行步驟s23。

優選的，所述步驟s3包括以下步驟：

s31、通過選取合適的結構元素在所有胸部ct圖像層上執行先膨脹後腐蝕的閉運算操作，將肺血管填充進已經分割好的肺實質中；

s32、在ct圖像中選取出靠近中間的一層，利用最大類間方差法自動獲得最優分割閾值t0。

優選的，所述步驟s4包括以下步驟：

s41、獲取步驟s3的帶血管的肺實質中像素灰度值大於分割閾值t0的所有像素點，並標記為血管。

s42、在步驟s41所得的血管中選取一個像素點作為初始種子點；

s43、搜索被標記的初始種子點的26鄰域，選取其中的一個像素點；

s44、判斷所選取的像素點是否已經被標記過，若是則返回步驟s43，否則執行步驟s45；

s45、判斷所選取的像素點的灰度值是否大於分割閾值，若是，則把該像素點作標記並加入標記隊列，否則停止標記該像素點，執行步驟s46；

s46、判斷種子點的26鄰域像素點是否全部搜索並判斷完畢，若是則執行步驟s47，否則返回步驟s43；

s47、判斷標記隊列是否為空，如不為空，則從該隊列中取出一個標記點作為初始被標記種子點，返回步驟s43，否則已經被標記的像素點集合就是分割出的肺血管。

優選的，所述步驟s5包括以下步驟：

s51、尋找肺部邊緣並靠近氣管的肺血管像素，若找到則執行步驟s52，否則繼續掃描肺部組織；

s52、採用腐蝕肺實質的邊緣的血管來斷開肺血管，並統計血管形成的連通域的個數，若連通域的個數為五個，則執行步驟s53，否則執行步驟s51；

s53、對每個連通域標記不同的顏色，全標記完結束。

優選的，所述步驟s6包括以下步驟：

s61、掃描肺血管像素點，判斷其是否為邊界點，若該像素點6鄰域或26鄰域存在背景區像素則為邊界點，執行步驟s62，否則標記已經掃描過，跳過繼續執行步驟s61；

s62、判斷邊界點的歐拉特性，若歐拉特性不變則執行步驟s63，否則跳過繼續執行步驟s61；

s63、判斷邊界點是否為簡單點，若該點對原三維空間拓撲結構無影響則為簡單點，同時將該點刪除，執行步驟s64；否則執行步驟s61；

s64、判斷血管像素是否還有其他簡單點，若無，中心路徑提取結束，否則執行步驟s61。

優選的，所述步驟s7包括以下步驟：

s71、根據肺葉間的分界面最接近徑向基函數的軌跡，選擇徑向基核函數作為向高維空間映射的函數，確定了核函數後，執行步驟s72；

s72、對於左肺，假設左肺的像素點為n1，血管像素點個數為n1，把左肺的上葉的所有血管像素點標記為正，同時把下葉上所有血管像素點標記為負，得到一個判別函數，執行步驟s73；

s73、用判別函數去判斷左肺實質上的每一個像素點的符號，若符號為正，則該點屬於上葉，否則該點屬於下葉，並統計像素的個數，若為n1則左肺分割完成，執行步驟s74，否則繼續執行步驟s73；

s74、對於右肺，假設右肺的像素點為n2，血管像素點個數為n2，為使用二分類支持向量機分類，把右肺的上葉和中葉合為一個整體看做為「上葉」，執行步驟s75；

s75、利用和左肺分割一樣的方法得到一個分類判別函數，首先提取出下葉，把步驟s74所看做的「上葉」的所有血管像素點標記為正，同時把下葉上所有血管像素點標記為負，得到一個判別函數，執行步驟s76；

s76、用判別函數去判斷右肺實質上的每一個像素點的符號，若符號為正，則該點屬於步驟s74所看做的「上葉」，否則該點屬於下葉，並統計像素的個數，若為n2則下葉分割完成，執行步驟s77，否則繼續執行步驟s76；

s77、分割完成下葉後，然後再用上葉和中葉的血管訓練支持向量機模型，得到一個判別面函數，對右肺除去下葉的部分分割，提取出上葉和中葉，執行步驟s78；

s78、對於右肺的上葉和中葉，假設右肺的像素點為n3，血管像素點個數為n3，把右肺的上葉的所有血管像素點標記為正，同時把右肺的中葉上所有血管像素點標記為負，得到一個判別函數，執行步驟s79；

s79、用判別函數去判斷右肺實質上的每一個像素點的符號，若符號為正，則該點屬於上葉，否則該點屬於中葉，並統計像素的個數，若為n3則右肺上葉和中葉分割完成，至此左右肺分割肺葉結束。

一種從胸部ct圖像中提取肺葉的裝置，包括：

ct圖像輸入單元，用於接收輸入的n層胸部ct圖像，其中n為自然數；

不帶肺血管的肺實質獲取單元，其選取肺部區域的指定像素點為種子點，根據設定分割閾值以及初始種子點進行3d區域增長，獲得不帶肺血管的肺實質區域；

兩個獨立肺實質獲取單元，其在獲得左右肺實質後，判斷左右肺實質是否粘連，若粘連，則通過剔除氣管和近似直線的粘連邊界得到兩個獨立的肺實質；

肺血管分割閾值獲取單元，其利用先膨脹後腐蝕的操作把血管填充到肺實質中，通過最大類間方差法自動獲得最優分割閾值t0；

肺血管提取單元，其以所得的最優分割閾值t0作為分割血管的閾值，計算大於閾值的點作為血管種子點，進行3d區域增長，獲得肺血管；

肺血管分割為獨立連通域單元，其從血管根部斷開不同肺葉的血管，使每一個肺葉的血管成為一個獨立的連通域；

肺血管中心路徑提取單元，其根據所述肺血管分割為獨立連通域單元所得的肺血管，採用消去法來提取肺血管中心路徑；

肺葉分割單元，其將相鄰的肺葉的血管訓練支持向量機二分類器模型，左肺有兩個肺葉，訓練一個，右肺有三個肺葉，訓練兩次，左右肺共得到三個支持向量機二分類器，通過支持向量機找到不同肺葉血管之間的分界面，分割出肺葉。

(三)有益效果

本發明的有益效果是：

本發明提供了一種從胸部ct圖像中提取肺葉的方法及裝置，其中，方法包括基於3d區域生長的肺實質提取過程、基於區域特徵的左右肺粘連氣管剔除過程、肺血管根部剔除過程、基於拓撲細化的肺血管中心路經提取過程和基於支持向量機分類的肺葉分割算法，通過以上處理過程來獲得肺葉組織。本發明能夠準確的從胸部ct圖像中提取出肺葉，準確的完成對每個肺葉的病情程度的定量評估，對肺部疾病的診斷和治療更加準確和有效。

附圖說明

圖1是優選實施例的從胸部ct圖像中提取肺葉的關鍵步驟流程圖。

圖2是優選實施例的從胸部ct圖像中提取肺葉的方法流程圖。

圖3是優選實施例胸部ct圖像的灰度直方圖。

圖4是優選實施例不帶血管的肺實質區域結果示意圖。

圖5是優選實施例帶氣管的肺實質區域結果示意圖。

圖6是優選實施例剔除氣管的肺實質區域結果示意圖。

圖7是優選實施例邊界黏連的肺實質區域結果示意圖。

圖8是優選實施例血管填充的肺實質區域結果示意圖。

圖9是優選實施例肺血管提取結果示意圖。

圖10是優選實施例肺血管中心路徑提取結果示意圖。

圖11是優選實施例肺血管斷開根部提取結果示意圖。

圖12是優選實施例肺葉提取結果示意圖。

具體實施方式

為了更好的解釋本發明，以便於理解，下面結合附圖，通過具體實施方式，對本發明作詳細描述。

優選實施例

如圖1和圖2所示，本實施例提出了一種優選的從胸部ct圖像中提取肺葉的方法，該從胸部ct圖像中提取肺葉的方法包括以下步驟：

s1、接收輸入的n(n為自然數)層胸部ct圖像，獲取中間圖像層，選取肺部區域的指定像素點為種子點，根據設定分割閾值以及初始種子點進行3d區域增長，獲得不帶肺血管的肺實質區域。

具體的，步驟s1包括以下步驟：

s11、接收輸入的n(n為自然數)層胸部ct圖像，獲取中間圖像層，在中間圖像層上選取肺部區域的指定像素點作為初始種子點；

s12、根據肺實質的特點設置分割閾值；

s13、搜索被標記的初始種子點的26鄰域，選取其中的一個像素點；

s14、判斷所選取的像素點是否已經被標記過，若是則返回步驟s13，否則執行步驟s15；

s15、判斷所選取的像素點的灰度值是否小於分割閾值，若是，則把該像素點作標記並加入標記隊列，否則停止標記該像素點，執行步驟s16；

s16、判斷種子點的26鄰域像素點是否全部搜索並判斷完畢，若是則執行步驟s17，否則返回步驟s13；

s17、判斷標記隊列是否為空，如不為空，則從該隊列中取出一個標記點作為初始被標記種子點，返回步驟s13，否則已經被標記的像素點集合就是分割出的不帶肺血管的肺實質區域。

s2、在步驟s1所得的肺實質區域通過腐蝕近似粘連邊界的左右肺粘連剔除方法，剔除粘連得到兩個獨立的肺實質。

有些研究人員用形態學的方法對粘連的肺實質先腐蝕，直到左右肺不粘連，然後分別標記，再膨脹回來原來的大小。這種方法雖然成功的分離了左肺和右肺實質，但卻損失了邊界的細節，使一些肺的邊界偏離原來的位置，增加了分割的誤差。還有些計算複雜的方法雖然可以準確的分離左肺和右肺實質，但是卻付出了大量的計算時間代價，以至於在應用上很難滿足時間的要求。

通過對大量的粘連區域觀察發現，左肺和右肺實質的粘連只是存在於某些層ct圖像上，大多數層ct圖像不存在粘連的情況，即便是粘連，也只是很小的一塊區域粘連。因此可以首先找到粘連的具體層ct圖像，然後逐層剔除粘連。

尋找粘連層的辦法是，逐層統計連通域個數，如果只有一個連通域，則肺實質一定在該層粘連。如果有多個連通域，則記錄每一個連通域像素點的個數，找到像素點數最大的兩個連通域，像素點數分別用n1和n2來表示，如果

上式中threshold通常設置為10，公式的具體意思是：如果面積最大的兩個連通區域像素點數個數相當，則該層ct圖像左右肺實質不粘連，因為在同一層的ct圖像上左肺實質區域和右肺實質區域的面積是相當的；反之，如果兩個最大的兩個連通區域像素點個數比例懸殊，則該層ct圖像左右肺實質粘連，此時較大的連通域表示的肺實質區域保函了左肺實質區域和右肺實質區域，而較小的連通域表示的組織區域有些為噪聲的幹擾，有些為細小的支氣管，且這些支氣管不會使左右肺粘連。

確定具體粘連層ct圖像之後，則是要找到具體的粘連邊界位置。因為粘連只有很小的區域，而且粘連的邊界是一條很短的曲線，因此可以用線段近似代替。這樣做的好處是，即可以減少計算量，從而減少算法的運行時間，而且幾乎不影響肺實質分割的精度。

具體的，步驟s2包括以下步驟：

s21、對獲得的肺實質區域判斷其是否為兩個大小近似相等的連通域，若是則結束，否則執行步驟s22；

s22、統計中間圖像層的連通域個數，剔除像素點數較小的連通域區域，保留像素點數較大的連通域區域，並判斷連通域的個數及每個連通域的大小，如果有兩個連通域並且大小近似相等則結束，否則執行步驟s23；

s23、逐層統計連通域個數，如果只有一個連通域，則肺實質一定在該層粘連，執行步驟s24，否則記錄每一個連通域像素點的個數，找到像素點數最大的兩個連通域，如果面積最大的兩個連通區域像素點數個數相當，則該層ct圖像左右肺實質不粘連，執行步驟s26，否則粘連且較大的連通域為肺實質，執行步驟s24；

s24、用線段近似代替粘連區域，轉化為確定直線的位置，下邊界在y方向的最高點即為近似直線的下端點，上邊界的所有點中離下端點最近的點則為近似直線的上端點，尋找到這兩點後確定直線，執行步驟s25；

s25、腐蝕掉每層肺實質區域粘連圖像上的近似直線邊界，以及直線邊界周圍的26鄰域點的標記值，得到兩個不粘連的左右肺區域，執行步驟s26；

s26、判斷所有層是否掃描完畢，若是則結束，否則執行步驟s23。

s3、利用先膨脹後腐蝕的操作把血管填充到步驟s2所得的肺實質中，通過最大類間方差法自動獲得最優分割閾值t0。

在圖像上進行形態學的先膨脹後腐蝕運算稱為閉運算，目的是填充比結構元素小的孔洞以及平滑圖像的邊緣。

膨脹是在二值圖像中「加長」或「變粗」的操作。這種特殊的方式和變粗的程度由一個稱為結構元素的集合控制，結構元素用0和1的矩陣表示。對於腐蝕，其像在膨脹中一樣，收縮方式和程度由一個結構元素控制。

最大類間方差法是利用閾值將原圖像分成前景和背景兩部分。記t為前景與背景的分割閾值，前景點數佔圖像比例為w0，平均灰度為u0；背景點數佔圖像比例為w1，平均灰度為u1，則圖像的總平均灰度為：

u＝w0u0+w1u1(1.1)

前景和背景圖象的方差：

σ2＝w0(u0-u)2+w1(u1-u)2(1.2)

把公式(1.1)帶入公式(1.2)得到類間方差的計算公式如下：

σ2＝w0w1(u0-u1)2(1.3)

利用公式(1.3)求出另σ2最大的閾值tmax，作為分割圖像前景和背景的閾值。

具體的，步驟s3包括以下步驟：

s31、通過選取合適的結構元素在所有胸部ct圖像層上執行先膨脹後腐蝕的閉運算操作，將肺血管填充進已經分割好的肺實質中；

s32、在ct圖像中選取出靠近中間的一層，利用最大類間方差法自動獲得最優分割閾值t0。

s4、以步驟s3所得的最優分割閾值t0作為分割血管的閾值，計算大於閾值的點作為血管種子點，進行3d區域增長，獲得肺血管。其中，肺血管提取效果如圖9所示。

具體的，步驟s4包括以下步驟：

s41、獲取步驟s3的帶血管的肺實質中像素灰度值大於分割閾值t0的所有像素點，並標記為血管。

s42、在步驟s41所得的血管中選取一個像素點作為初始種子點；

s43、搜索被標記的初始種子點的26鄰域，選取其中的一個像素點；

s44、判斷所選取的像素點是否已經被標記過，若是則返回步驟s43，否則執行步驟s45；

s45、判斷所選取的像素點的灰度值是否大於分割閾值，若是，則把該像素點作標記並加入標記隊列，否則停止標記該像素點，執行步驟s46；

s46、判斷種子點的26鄰域像素點是否全部搜索並判斷完畢，若是則執行步驟s47，否則返回步驟s43；

s47、判斷標記隊列是否為空，如不為空，則從該隊列中取出一個標記點作為初始被標記種子點，返回步驟s43，否則已經被標記的像素點集合就是分割出的肺血管。

s5、從血管根部斷開不同肺葉的血管，使每一個肺葉中的血管成為一個獨立的連通域。

具體的，步驟s5包括以下步驟：

s51、尋找肺部邊緣並靠近氣管的肺血管像素，若找到則執行步驟s52，否則繼續掃描肺部組織；

s52、採用腐蝕肺實質的邊緣的血管來斷開肺血管，並統計血管形成的連通域的個數，若連通域的個數為五個，則執行步驟s53，否則執行步驟s51；

s53、對每個連通域標記不同的顏色，全標記完結束。

s6、根據步驟s5所得的肺血管，採用消去法來提取肺血管中心路徑。

具體的，步驟s6包括以下步驟：

s61、掃描肺血管像素點，判斷其是否為邊界點，若該像素點6鄰域或26鄰域存在背景區像素則為邊界點，執行步驟s62，否則標記已經掃描過，跳過繼續執行步驟s61；

s62、判斷邊界點的歐拉特性，若歐拉特性不變則執行步驟s63，否則跳過繼續執行步驟s61；

s63、判斷邊界點是否為簡單點，若該點對原三維空間拓撲結構無影響則為簡單點，同時將該點刪除，執行步驟s64；否則執行步驟s61；

s64、判斷血管像素是否還有其他簡單點，若無，中心路徑提取結束，否則執行步驟s61。

s7、訓練二分類支持向量機模型，得到二分類支持向量機分類器，通過該分類器找到不同肺葉血管之間的分界面，以此分界面作為肺葉的分界面並計算獲得肺實質像素點的分類判別函數對肺實質上的每一個像素點進行判別，獲得肺葉組織。其中，肺葉提取結果如圖12所示。

支持向量機(svm,supportvectormachines)是由vapnik等人首先提出的，是從線性可分的最優分類面逐漸發展而來。

在三維空間中，兩個相鄰肺葉的肺血管之間並不存在一個平面，使一個肺葉上的肺血管的每一個像素都在平面的一側，而使另一個肺葉上的肺血管的每一個像素點都在平面的另一側，因此這是一個線性不可分問題。

對於用svm分類解決線性不可分問題，首先要選擇一個恰當的核函數，使這些三維空間中的數據映射到一個更高維的特徵空間中，從而使得這些樣本數據變得線性可分。通過對大量的肺組織ct數據觀測發現，肺葉間的分界面最接近徑向基函數的軌跡，因此選擇徑向基核函數作為向高維空間映射的函數。

徑向基核函數的形式為：

此時的支持向量機構造出的判別函數為：

其中，s為支持向量的個數，支持向量可以確定徑向基函數的中心位置。徑向基核函數對應的特徵空間的維數是無窮大，有限的數據樣本在該特徵空間一定是線性可分的，因此徑向基核函數的使用最為普遍。

支持向量機算法最後歸結為求二次規劃(qp)的問題，可以改寫為如下的矩陣形式。給定樣本(xi,yi)，i＝1,2,3...n，核函數k(xi,xj)和調節參數c，求極小值。

約束條件為：

αty＝0,0≤α≤c(1.7)

核函數矩陣h的定義為：

h＝[hij]＝yiyjk(xi,xj)(i,j＝1,2,3...n)(1.8)

其中，α＝(α1,α2,...αn)t，α＝(y1,y2,...yn)t

如果訓練數據的規模很大，因為矩陣h的規模為訓練數據的平方，矩陣h有可能大到無法用計算機正常處理。

針對以上問題，人們已經提出以下針對大規模數據樣本訓練的方法。

1.chunking算法

vapnik等人首先提出了一種解決svm訓練存儲空間問題的方法，稱為chunking算法。在公式(1.6)中，如果去掉與零拉格朗日乘子對應的行與列，則其值不變。因此可將求解支持向量機的qp問題分解成一系列較小的qp問題。求解這些較小的qp問題的最終目標是確定所有的非零拉格朗日乘子，並去除所有的零拉格朗日乘子。

2.分解算法

osuan等人首先提出了分解算法，分解算法是把求解支持向量機的qp問題分解成一系列較小的qp問題，但是其工作集大小保持不變，對內存的需求從與s成平方關係變為線性關係。可以處理數據樣本點多達11萬個，支持向量超過10萬個的問題。

3.smo算法

串行最小優化算法(sequentialminimaloptimization,smo)是由platt首先提出，smo算法也屬於一種分解算法，其工作空間只包含兩個數據樣本，在每一步迭代中只對兩個拉格朗日乘子進行優化。儘管在smo中qp問題增多了，但總的計算速度卻大大提高了，而且這種算法完全不需要處理大矩陣，因而對存儲空間沒有額外的要求，很大的svm訓練問題也能在個人計算機上運行。由於以上的優點，smo算法成為了在實際應用中最廣泛的一種方法。

在本實施例中，對於左肺，假設左肺的血管像素點個數為n，因為只有兩個肺葉，因此把上葉的所有血管像素點標記為(xi,yi),i≤n,xi∈r3,yi＝+1，同時把下葉上所有血管像素點標記為(xi,yi),i≤n,xi∈r3,yi＝-1。得到一個判別函數f1(x)。用判別函數f1(x)去判斷左肺組織上的每以個像素點的符號，若符號為正，則該點屬於上葉，否則該點屬於下葉。這樣左肺上葉和下葉就可以被分割出來。

而對於右肺，因為有三個肺葉，分別為上葉、中葉以及下葉。為了能夠使用二分類支持向量機分類，首先把右肺的上葉和中葉合為一個整體，這樣就可以使用和左肺分割一樣的方法得到一個分類判別函數f2(x)，首先提取出下葉，然後再用上葉和中葉的血管訓練支持向量機模型，得到一個判別面函數f3(x)，對右肺除去下葉的部分再次分類，提取出上葉和中葉。

具體的，步驟s7包括以下步驟：

s71、根據肺葉間的分界面最接近徑向基函數的軌跡，選擇徑向基核函數作為向高維空間映射的函數，確定了核函數後，執行步驟s72；

s72、對於左肺，假設左肺的像素點為n1，血管像素點個數為n1，把左肺的上葉的所有血管像素點標記為正，同時把下葉上所有血管像素點標記為負，得到一個判別函數，執行步驟s73；

s73、用判別函數去判斷左肺實質上的每一個像素點的符號，若符號為正，則該點屬於上葉，否則該點屬於下葉，並統計像素的個數，若為n1則左肺分割完成，執行步驟s74，否則繼續執行步驟s73；

s74、對於右肺，假設右肺的像素點為n2，血管像素點個數為n2，為使用二分類支持向量機分類，把右肺的上葉和中葉合為一個整體看做為「上葉」，執行步驟s75；

s75、利用和左肺分割一樣的方法得到一個分類判別函數，首先提取出下葉，把步驟s74所看做的「上葉」的所有血管像素點標記為正，同時把下葉上所有血管像素點標記為負，得到一個判別函數，執行步驟s76；

s76、用判別函數去判斷右肺實質上的每一個像素點的符號，若符號為正，則該點屬於步驟s74所看做的「上葉」，否則該點屬於下葉，並統計像素的個數，若為n2則下葉分割完成；執行步驟s77；

s77、分割完成下葉後，然後再用上葉和中葉的血管訓練支持向量機模型，得到一個判別面函數，對右肺除去下葉的部分分割，提取出上葉和中葉，執行步驟s78；

s78、對於右肺的上葉和中葉，假設右肺的像素點為n3，血管像素點個數為n3，把右肺的上葉的所有血管像素點標記為正，同時把右肺的中葉上所有血管像素點標記為負，得到一個判別函數，執行步驟s79；

s79、用判別函數去判斷右肺實質上的每一個像素點的符號，若符號為正，則該點屬於上葉，否則該點屬於中葉，並統計像素的個數，若為n3則右肺上葉和中葉分割完成，至此左右肺分割肺葉結束。

同時，本實施例還提供了一種優選的從胸部ct圖像中提取肺葉的裝置，包括ct圖像輸入單元、不帶肺血管的肺實質獲取單元、兩個獨立肺實質獲取單元、肺血管分割閾值獲取單元、肺血管提取單元、肺血管分割為獨立連通域單元、肺血管中心路徑提取單元和肺葉分割單元。

其中，ct圖像輸入單元，用於接收輸入的n層胸部ct圖像，其中n為自然數。

不帶肺血管的肺實質獲取單元，其選取肺部區域的指定像素點為種子點，根據設定分割閾值以及初始種子點進行3d區域增長，獲得不帶肺血管的肺實質區域。

具體的，不帶肺血管的肺實質獲取單元包括以下各單元：

初始種子點選取單元，其在中間層圖像上選取肺部區域的指定像素點作為初始種子點。分割閾值獲取子單元，其根據肺實質的特點設置分割閾值。像素點選取子單元，其搜索被標記的初始種子點的26鄰域，選取其中的一個像素點。像素點標記判斷子單元，其判斷所選取的像素點是否已經被標記過，若是，通知像素點選取子單元，否則通知像素值判斷子單元。像素值判斷子單元，其判斷所選取的像素點的灰度值是否小於分割閾值，若是，則把該像素點作標記並加入標記隊列，否則停止標記該像素點，通知種子點26鄰域像素點搜索子單元。種子點26鄰域搜索子單元，其判斷種子點的26鄰域像素點是否全部搜索並判斷完畢，若是，則通知標記隊列判斷子單元，否則通知所述像素點選取子單元。標記隊列判斷子單元，其判斷標記隊列是否為空，如不為空，則從該隊列中取出一個標記點作為初始被標記種子點，通知像素點選取子單元，否則已經被標記的像素點集合就是分割出的不帶肺血管的肺實質。

兩個獨立肺實質獲取單元，其在獲得左右肺實質後，判斷左右肺實質是否粘連，若粘連，則通過剔除氣管和近似直線的粘連邊界得到兩個獨立的肺實質。

具體的，兩個獨立肺實質獲取單元包括以下各單元：

肺實質連通域個數判斷子單元，其對獲得的肺實質判斷其是否為兩個大小近似相等的連通域，若是則結束，否則通知剔除氣管子單元。剔除氣管子單元，其統計中間圖像層的連通域個數，剔除像素點數較小的連通域區域，保留像素點數較大的連通域區域，並判斷連通域的個數及每個連通域的大小，如果有兩個連通域並且大小近似相等則結束，否則通知層連通域個數判斷子單元。層連通域個數判斷子單元，其逐層統計連通域個數，如果只有一個連通域，則肺實質一定在該層粘連，通知直線確定子單元，否則記錄每一個連通域像素點的個數，找到像素點數最大的兩個連通域，如果面積最大的兩個連通區域像素點數個數相當，則該層ct圖像左右肺實質不粘連，通知像素層掃描判斷子單元，否則粘連且較大的連通域為肺實質，通知直線確定子單元。直線確定子單元，其用線段近似代替粘連區域，轉化為確定直線的位置，下邊界在y方向的最高點即為近似直線的下端點，上邊界的所有點中離下端點最近的點則為近似直線的上端點，尋找到這兩點後確定直線，通知腐蝕近似直線邊界子單元。腐蝕近似直線邊界子單元，其腐蝕掉每層肺實質區域粘連圖像上的近似直線邊界，以及直線邊界周圍的26鄰域點的標記值，得到兩個不粘連的左右肺區域，通知像素層掃描判斷子單元。像素層掃描判斷子單元，其判斷所有層是否掃描完畢，若是則結束，否則通知層連通域個數判斷子單元。

肺血管分割閾值獲取單元，其利用先膨脹後腐蝕的操作把血管填充到肺實質中，通過最大類間方差法自動獲得最優分割閾值t0。

具體的，肺血管分割閾值獲取單元包括以下各單元：

閉運算操作單元，其通過選取合適的結構元素在所有胸部ct圖像層上執行先膨脹後腐蝕的閉運算操作，將肺血管填充進已經分割好的肺實質中。最優分割閾值獲取單元，其在ct圖像中選取出靠近中間的一層，利用最大類間方差法自動獲得最優分割閾值t0。

肺血管提取單元，其以所得的最優分割閾值t0作為分割血管的閾值，計算大於閾值的點作為血管種子點，進行3d區域增長，獲得肺血管。

具體的，肺血管提取單元包括以下各單元：

中間層肺血管提取子單元，其獲取中間層中帶血管的肺實質中像素灰度值大於分割閾值t0的所有像素點，並標記為血管。初始種子點獲取子單元，其在所述中間層肺血管提取子單元所得的血管中選取一個像素點作為初始種子點。像素點獲取子單元，其搜索被標記的初始種子點的26鄰域，選取其中的一個像素點。像素點標記判斷子單元，其判斷所選取的像素點是否已經被標記過，若是通知像素點獲取子單元，否則通知像素點判斷子單元。像素值判斷子單元，其判斷所選取的像素點的灰度值是否大於分割閾值，若是，則把該像素點作標記並加入標記隊列，通知種子點26鄰域搜索子單元，否則停止標記該像素點。種子點26鄰域搜索子單元，其判斷種子點的26鄰域像素點是否全部搜索並判斷完畢，若是則通知標記隊列判斷子單元，否則通知像素點獲取子單元。標記隊列判斷子單元，其判斷標記隊列是否為空，如不為空，則從該隊列中取出一個標記點作為初始被標記種子點，通知像素點獲取子單元，否則已經被標記的像素點集合就是分割出的肺血管。

肺血管分割為獨立連通域單元，其從血管根部斷開不同肺葉的血管，使每一個肺葉的血管成為一個獨立的連通域。

具體的，肺血管分割為獨立連通域單元包括以下各單元：

初始掃描肺實質單元，其尋找肺部邊緣並靠近氣管的肺血管像素，若找到，則通知斷開肺血管根部子單元，否則通知初始掃描肺實質單元。斷開肺血管根部子單元，其採用腐蝕肺實質的邊緣的血管來斷開肺血管，並統計血管形成的連通域的個數，若連通域的個數為五個，則通知肺血管標記子單元，否則通知初始掃描肺實質單元。肺血管標記子單元，其對每個連通域的血管標記不同的顏色，全標記完結束。

肺血管中心路徑提取單元，其根據所述肺血管分割為獨立連通域單元所得的肺血管，採用消去法來提取肺血管中心路徑。

具體的，肺血管中心路徑提取單元包括以下各單元：

判斷邊界點子單元，其掃描肺血管像素點，判斷其是否為邊界點，若該像素點6鄰域或26鄰域存在背景區像素則為邊界點，通知第一判斷子單元，否則標記已經掃描，跳過繼續通知判斷邊界點子單元。第一判斷子單元，其判斷邊界點的歐拉特性，若歐拉特性不變則通知第二判斷子單元，否則跳過繼續通知判斷邊界點子單元。第二判斷子單元，其判斷邊界點是否為簡單點，若該點對原三維空間拓撲結構無影響則為簡單點，同時將該點刪除，通知第三判斷子單元，否則通知判斷邊界點子單元。第三判斷子單元，其判斷血管像素是否還有其他簡單點，若無，中心路徑提取結束，否則通知判斷邊界點子單元。

肺葉分割單元，其將相鄰的肺葉的血管訓練支持向量機二分類器模型，左肺有兩個肺葉，訓練一個，右肺有三個肺葉，訓練兩次，左右肺共得到三個支持向量機二分類器，通過支持向量機找到不同肺葉血管之間的分界面，分割出肺葉。

具體的，肺葉分割單元包括以下各單元：

支持向量機核函數選擇單元，其根據肺葉間的分界面最接近徑向基函數的軌跡，選擇徑向基核函數作為向高維空間映射的函數，確定了核函數後，通知左肺判別函數求取子單元。左肺判別函數求取子單元，其對於左肺，假設左肺的像素點為n1，血管像素點個數為n1，把左肺的上葉的所有血管像素點標記為正，同時把下葉上所有血管像素點標記為負，得到一個判別函數，通知左肺上下葉分割子單元。左肺上下葉分割子單元，其用判別函數去判斷左肺實質上的每一個像素點的符號，若符號為正，則該點屬於上葉，否則該點屬於下葉，並統計像素的個數，若為n1則左肺分割完成，通知右肺上葉中葉合併子單元。右肺上葉中葉合併子單元，其對於右肺，假設右肺的像素點為n2，血管像素點個數為n2，為使用二分類支持向量機分類，把右肺的上葉和中葉合為一個整體看做為「上葉」，通知右肺判別函數求取子單元。右肺判別函數求取子單元，其利用和左肺分割一樣的方法得到一個分類判別函數，首先提取出下葉，把所看做的「上葉」的所有血管像素點標記為正，同時把下葉上所有血管像素點標記為負，得到一個判別函數，通知右肺下葉分割子單元。右肺下葉分割子單元，其用判別函數去判斷右肺實質上的每一個像素點的符號，若符號為正，則該點屬於所看做的「上葉」，否則該點屬於下葉，並統計像素的個數，若為n2則下葉分割完成，通知右肺上葉中葉判別函數求取子單元。右肺上葉中葉判別函數求取子單元，其分割完成下葉後，然後再用上葉和中葉的血管訓練支持向量機模型，得到一個判別面函數，對右肺除去下葉的部分分割，提取出上葉和中葉，通知右肺上葉中葉分割子單元。右肺上葉中葉分割子單元，其對於右肺的上葉和中葉，假設右肺的像素點為n3，血管像素點個數為n3，把右肺的上葉的所有血管像素點標記為正，同時把右肺的中葉上所有血管像素點標記為負，得到一個判別函數，並用判別函數去判斷右肺實質上的每一個像素點的符號，若符號為正，則該點屬於上葉，否則該點屬於中葉，並統計像素的個數，若為n3則右肺上葉和中葉分割完成。

在本實施例中，由於肺實質的密度分布比較均勻，因此，ct圖像上的肺實質灰度值分布也比較均勻，在獲取初始分割閾值時可以用中間層ct圖像的閾值近似代替整個肺實質的初始分割閾值。這樣做的好處是，在對初始分割閾值精度影響很小的情況下，大大縮減了計算整個肺實質區域的初始分割閾值的計算量，從而滿足實際應用的要求。因為肺實質區域的灰度值和背景區域(肺實質周圍組織)的灰度值有明顯的的差異，在圖像圖上會呈現出一個明顯的波谷。因此，可以利用統計直方圖(見圖3)的方法，找到兩個波峰之間的波谷，也就是從肺實質灰度值到周圍組織灰度值過度的區域，從而確定出初始分割閾值t0。

圖4為不帶血管的肺實質區域結果示意圖，從圖4可看出，肺實質區域存在孔洞問題，可採用形態學運算填充血管方法進行肺部區域孔洞填充。其中，在圖像上進行形態學的先膨脹後腐蝕運算稱為閉運算，目的是填充比結構元素小的孔洞以及平滑圖像的邊緣。因此形態學閉運算可以填充肺血管。

因為氣管使左右肺粘連在一起，要想分離左右肺首先得剔除使左右肺粘連的氣管，雖然氣管的灰度值比肺實質的小，但是肺實質灰度值與氣管灰度值之間並沒有一個明顯的界限。然而氣管有著自己獨特的分布特徵，氣管的頂端只有一根分布在兩個肺的中間，然後分成兩根，各自進入左肺和右肺，從氣管的頂端到分成兩根氣管進入左右肺之前的部分是不與肺實質粘連的，如圖5所示，中間獨立的小塊連通區域就是氣管。在圖5的肺實質提取結果基礎上，通過選取合適的結構元素在所有胸部ct影像層上執行形態學閉運算，最終獲得包括肺血管的肺部組織區域，結果如圖8所示。

通過統計每個連通域像素點的個數，剔除像素點數較小的連通域區域，保留像素點數較大的兩個連通域區域。剔除氣管之後，對於有些數據，左右肺已經是兩個獨立的聯通區域，如圖6所示。

圖7給出了用數值微分法(dda)在單層ct圖像上肺實質粘連區域畫出的近似直線邊界。最後腐蝕掉每層肺實質區域粘連圖像上的近似直線邊界，以及直線邊界周圍的26鄰域點的標記值，就可以得到兩個不粘連的左右肺區域，最後在三維數據中直接統計標記點的連通域，會得到兩個不相連的連通域，並分別標記。

血管的根部與氣管的根部緊緊相鄰，而且都在肺部的邊緣，肺血管的根部的直徑也比其他部分血管的直徑大，因此可以腐蝕肺組織的邊緣的血管來斷開肺血管的根部，實現不同肺葉肺血管的分離，得到五個互不相連的連通域，並用不同的顏色分別標記，如圖11所示。

由於血管有太多的像素點，如果直接訓練會影響訓練的速率，因此首先要減少血管的像素點個數，但又不能影響血管的分布。中心線的提取正好可以滿足這兩個條件，因為中心路徑可以去掉柱狀血管的邊緣部分且不會影響血管的走勢，可以採用消去細化方法來提取血管的中心路徑。為了平滑肺血管區域，填充肺血管內部可能存在的漏洞，首先對肺血管做一個形態學閉運算，即先膨脹後腐蝕，然後再用消去細化方法提取中心路徑，最後結果如圖10所示。

本發明基於3d區域生長的肺實質提取過程、基於區域特徵的左右肺粘連氣管剔除過程、肺血管根部剔除過程、基於拓撲細化的肺血管中心路經提取過程和基於支持向量機分類的肺葉分割算法等處理過程準確的從胸部ct圖像中提取出肺葉，準確的完成對每個肺葉的病情程度的定量評估，對肺部疾病的診斷和治療更加準確和有效，不論是每個單個肺葉，還是整個肺組織五個肺葉的平均分割準確率都在85％以上，滿足預期分割要求。

需要理解的是，以上對本發明的具體實施例進行的描述只是為了說明本發明的技術路線和特點，其目的在於讓本領域內的技術人員能夠了解本發明的內容並據以實施，但本發明並不限於上述特定實施方式。凡是在本發明權利要求的範圍內做出的各種變化或修飾，都應涵蓋在本發明的保護範圍內。