信息与电脑2018年第9期China Computer&Communication算法语言基于SVM的腹部CT序列图像肝脏自动分割王艺儒（中南大学，湖南 长沙 410000）摘 要：针对腹部CT序列图像因邻近器官对比度低以及肝脏形状不一致等造成的肝脏分割困难等问题，提出一种基于SVM的腹部CT序列图像肝脏自动分割方法。首先，选择初始切片并通过阈值法分割初始切片肝脏；其次，提取初始切片肝脏图像的7个有效训练特征作为SVM的输入层，训练分类器并分割相邻切片；最后，在后处理阶段对SVM分割结果进行形态学操作，得到最终的CT序列肝脏分割结果。在真实病例数据集上的测试结果表明，该算法在腹部CT序列肝脏分割上有较好表现。关键词：腹部CT序列；肝脏分割；支持向量机中图分类号：TP391.41 文献标识码：A 文章编号：1003-9767(2018)09-077-03Automatical Liver Segmentation From Abdominal CT Volumes Based on SVMWang YiruAbstract: In order to solve the problem of liver segmentation for abdominal computed tomography (CT) sequence image caused (Central South University, Changsha Hunan 41000, China)by low contrast of adjacent organs and different liver shapes, an automatic liver segmentation method based on SVM is proposed. First, segment the liver in the initial slice by a threshold method. Then, seven effective training features are extracted from the initial slice liver image as the input of SVM classifier, after this, train the classifier and the segment the adjacent slices; finally, the results of the on real case dataset show that the algorithm performs well in liver segmentation of abdominal CT sequences. SVM segmentation are operated in the post-processing stage, and the final result of the liver segmentation is obtained. The test results Key words: abdominal CT volumes; liver segmentation; SVM１ 引言4个纹理特征用于肝脏的分割，包括邻域均值、邻域方差、肝脏是人体最重要的器官之一，CT图像中肝实质的精Law’s纹理、Unser’s和差直方图。文献[6]利用外观特征确自动分割方法对辅助诊断肝脏疾病和肝脏手术规划系统至和上下文特征描述三维CT图像中的肝脏。文献[7]提出了一关重要。然而，由于不同肝脏的形状差异大，肝实质内对比种基于高阶统计纹理特征和解剖结构特征的肝脏分割算法，度和强度低，其与邻近器官如心脏、胃等的边界较模糊，使该算法可以精确地分割出肝脏。 得肝脏分割成为一个极具有挑战性的任务，近年来备受关注。２ 算法描述国内外已有大量的学者对肝脏分割方法进行研究，这些方法大体可分为三类。一是基于灰度的分割方法。文献[1]提本文提出的CT图像肝脏方法包括4个主要步骤，分别出了一种自适应区域生长方法，根据区域特征自动分割肝脏。是初始切片分割、特征提取、分类和后处理。文献[2]提出了一种基于改进水平集的肝脏分割方法，将形状2.1 初始切片分割先验引入基于边缘和基于区域的分割模型中，使得边界形状选择序列内肝脏较大、边界较清晰的切片作为初始切片，的描述更加具体。二是基于结构的分割方法，文献[3]提出了通过一个简单阈值法对初始切片进行分割。首先对图像进行一种基于统计形状模型的半自动肝脏分割方法，能够近似匹高斯拟合，将峰值对应的灰度值作为中心值，与所有像素点配到训练数据库中学习过的肝脏形状。文献[4]提出了一种基的灰度值相比较，若差值小于阈值，将该像素点的灰度值设于统计姿态模型和概率图谱的混合肝脏分割方法，其平均分为1；反之设为零。保留面积最大的连通域并填充孔洞，将割分数为72.4。三是基于纹理的分割方法，文献[5]提取了灰度级为1的区域的灰度值替换为原始CT图像中相同位置作者简介：王艺儒（1993-），女，吉林松原人，硕士研究生。研究方向：计算机图像处理。— ７７ —算法语言信息与电脑China Computer&Communication2018年第9期的灰度值，输出图像作为分割初始切片的结果图[8]。化，然后对其进行腐蚀，腐蚀结果作为标记图像，当前片2.2 特征提取RBFSVM分割结果作为掩模图像，进行形态学重构，从而获CT图像中肝区与非肝区具有不同的统计特性和纹理特得最终肝脏分割结果。性，同时应用这两种特征能够获得更好的分类性能。本文３ 实验结果与分析选取均值、方差、偏度等统计特性和灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）中的4个纹理特性作将提出的算法应用到随机选用的5个湘雅数据库中的肝脏CT序列进行实验，并将分割结果与文献[11]的分割结果进为SVM分类器的输入。GLCM是Haralick等人[9]行比较。本文采用体积重叠误差（Volumetric Overlap Error，在1973年提出的经典纹理VOE）和体积相对差异率（Relative Volume Difference，特征描述方法，1986年Ulaby等人[10]研究发现，在基于GLCM的14个纹理特征中有4个特征量是互不相关的，分RVD）两个性能指标，VOE和RVD越小，表示分割效果越好。将本文方法与文献[11]的方法分别用于5个随机抽选的别是能量、相关性、对比度、熵值，它们既便于计算，又能腹部CT序列，并以专家手动分割结果为标准，分别计算两给出较高的分类精度，因此，本文选择这4个特征量描述肝个评价指标的平均值，实验结果如表1所示。脏纹理信息，假设i, j为相距为d的两个像素点的灰度值，表１ 湘雅数据库的分割误差（均值±标准差）则各公式如下。methodsVOE/%RVD/%（1）能量Heimann et al. 7.7±1.91.7±3.2Ours6.5±1.3 ASM=∑∑P(i,j)21.6±2.3[11]ij （1）由表1可以看出，本文方法与文献方法相比，VOE（2）相关性和RVD都有所减少且性能更稳定。−µ图1为本文方法的最终分割结果与专家手动分割结果的 (i,j)2xµyCOR∑∑ijP=ijσ （2）对比，红线包含区域为本文方法分割结果，绿线包含区域为xσy专家手动分割结果。可以看出，虽然本文方法在肝脏与肌肉=∑i∑P(i,j))连接处有少许偏差，但仍能较好地分割出肝脏组织。其中：µxij，µy=∑jj∑P(i,ji，σ2x=∑(i−µx)2∑P(i,j)，CON=∑∑(i,j)2P(i,j)ijij。（3）对比度 CON=∑∑(i,j)2P(i,j)ij （3）（4）熵 ENT=∑∑P(i,j)logP(i,j)ij （4）实验结果表明，基于统计和纹理特征的CT图像SVM分割方法具有良好的肝脏分割性能。2.3 分类器训练与分类注：第一行为本文方法的分割结果图，第二行为专家手动分割结果图训练RBFSVM的数据为初始切片肝脏分割结果，提取上一节中的7个特征和标签同时输入分类器进行训练。然后图１ 实验结果用训练好的分类器分割当前片的上一片或下一片，得到分割综合实验数据表明，本文方法能够有效地描绘肝脏边缘。结果后进行后处理并利用新的分割结果重新训练分类器，再４ 结 语用新训练好的分类器分割当前片的上一片或下一片，如此迭本文研究了一种基于SVM的肝脏CT序列自动分割算代直至整个序列分割完成。法。首先分割初始切片中的肝脏，其次提取初始切片分割结2.4 后处理果的统计特征和纹理特征输入RBFSVM分类器进行训练，为了去除边界的毛刺，对RBFSVM分割结果先腐蚀再最后用训练好的分类器对相邻切片进行分割并做后处理，迭膨胀。为了填充分割结果中的孔洞，对上一步结果进行孔洞代分割完该序列所有切片，得到整个CT序列肝脏分割结果。填充。为了去除RBFSVM分割结果中误分割的非肝连通域，实验结果表明本文方法具有有效性。对上一步结果进行形态学重构，首先将训练数据的肝脏二值（下转第81页）— ７８ —信息与电脑2018年第9期China Computer&Communication软件开发与应用内的数据和控制多功能函数，数据运行机制可以保证处理器反馈资料以及成绩资料。在进行数据表的结构设计时，不仅和控制器对教学数据的正确处理。视图主要承担系统内部的要包含上述各种信息，还应完成各个数据表的识别，通过数绘制工作，并处理计算机网络教学平台的外观优化问题。控据表的匹配模板完成各种信息的匹配工作，方便系统对数据制器的作用是将教学实验过程中录入的数据信息进行整合处的调用。在系统运行过程中数据库内的信息可以被快速提取，理并为下一次的信息绘制做准备。得到教师、学生、课程等信息。５ 数据库的设计６ 结 语数据库内数据的数据储存结构对于计算机网络教学平台随着计算机技术的发展，互联网已被运用到社会生活的的高效运行有至关重要的作用。在数据库的结构设计过程中各个方面，现代社会需要大量计算机方面的人才，高校也开要注意数据的储存结构能够确保高效地储存和读取数据，能始重视计算机人才的培养。在分析了当前我国高校的计算机够保证数据的一致性和完整性，这对平台内其他系统的高效教育的现状后，本文从实际出发，分析了计算机网络教育平工作有着极大的帮助。台的优势，提出了计算机网络教育平台的设计思路，并进行5.1 数据的划分计算机网络教育平台的设计规划。建立网络教育平台，方便了师生交流，打破传统教育模式的束缚，提高了学生的学习数据库中数据的划分必须准确，对数据进行调用的前提效果和高校的教育水平。是数据准确，在合理的范围内。在每个数据表中要保证数据的一致性，否则在两个数据表中会出现数据冲突导致无法得出正确运行结果。为了更加高效处理数据库事务可以将数据参考文献库内的各个数据表进行嵌套，这一处理不仅可以提高数据库[1]王勉.计算机网络技术课程基于CLAROLINE的网络的调用运行效率，还可以在触发器的配合下，保护数据库的教学平台设计与实现[J].计算机产品与流通,2017(7):25.安全。[2]陈凯,王汉兵,刘辉宇,等.计算机网络理论教学支撑5.2 数据表的设计平台设计与实现[J].电气电子教学学报,2017,39(3):105-109.[3]余克南.计算机网络教学平台设计与实现探析[J].电数据库中主要有教师资料、学生资料、课程资料、学生脑迷,2017(3):139-140.（上接第78页）参考文献[6]Ji H, He J, Yang X, et al. ACM-based automatic liver [1]R. Pohle, K. D. Toennies. Segmentation of Medical segmentation from 3-D CT images by combining multiple Images Using Adaptive Region Growing[J]. Proceedings of atlases and improved mean-shift techniques[J]. IEEE Journal of SPIE Medical Imaging, 2001, 43(22):1337-1346.Biomedical & Health Informatics, 2013, 17(3):690-698.[2]Platero C, Tobar M C, Sanguino J, et al. Level Set [7]Luo S, Li X, Li J. Improvement of Liver Segmentation Segmentation with Shape and Appearance Models Using Affine by Combining High Order Statistical Texture Features with Moment Descriptors[J]. 2011:109-116.Anatomical Structural Features[J]. Engineering, 2013, 5(5):67-[3]Lu J, Shi L, Deng M, et al. An interactive approach to 72.liver segmentation in CT based on deformable model integrated [8]Cherkassky V, Mulier F. Statistical Learning Theory[J]. with attractor force[C]//International Conference on Machine Encyclopedia of the Sciences of Learning, 1998, 41(4):3185-Learning and Cybernetics. 2011:1660-1665.3185.[4]F. Jia, C. Huang, Q, et al. Automatic Liver Detection [9]Haralick R M. Texture features for image and Segmentation from 3D CT Images: A Hybrid Method Using classification[J]. Systems Man & Cybernetics IEEE Statistical Pose Model and Probabilistic Atlas[J]. International Transactions on, 1973(6):610-621.Journal of Computer Assited Radiology and Surgery, 2013, [10]Ulaby F T, Kouyate F, Brisco B, et al. Textural 8(1):237-239.Infornation in SAR Images[J]. IEEE Trans.geosci.remote Sens, [5]Huang W, Tan Z M, Lin Z, et al. A semi-automatic 1986, 24(2):235-245.approach to the segmentation of liver parenchyma from 3D CT [11]Heimann T, Meinzer H P, Wolf I. A statistical images with Extreme Learning Machine[C]//Engineering in deformable model for the segmentation of liver CT volumes[C]//Medicine and Biology Society. 2012:3752-3755.Miccai Workshop on 3d Segmentation in the Clinic. 2010.— ８１ —