引言

肺癌是对人类生命健康威胁最大的肿瘤之一，近年来中国肺癌的发病率居全球首位且逐年递增[1-2]，如何做到肺癌早期诊断是一个挑战。随着人工智能的兴起，基于计算机技术的医疗辅助诊断工具开始应用于肺癌鉴别，主要借助图像分割算法提取肺癌病变区域。图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程[3]。几乎所有的分割算法均是针对图像灰度的连续性或不连续性进行操作，比如传统的阈值法、区域分割法、边缘分割法，还有基于特定理论的聚类分析算法、模糊集理论、人工神经网络模型、遗传算法等。实验表明融合特定理论的分割算法优于传统算法的分割效果，其中聚类分析简单易行，但易受噪声与灰度不均影响较大，且串行处理能力有限；基于模糊集理论的分割精度较低；遗传算法稳定性强，时间复杂度较低，但容易过早收敛，陷入局部最优解；人工神经网络（Artificial Neural Network，ANN）是一种应用类似于大脑神经突触联结的结构进行信息处理的数学模型，提取图像的纹理具有较好的并行处理和数值逼近能力，非常适用于区分目标与背景。

人工神经网络模型已显示出对规则病灶较高鉴别率，其中Irianto等[4]采用基于纹理特征的ANN模型，得到肺癌鉴别准确率为80%；Kohad等[5]采用蚁群优化算法从250幅CT图像中选取显著纹理特征输入ANN模型，获得98.4%的准确度和96%的敏感度。当病灶区域不规则时，纹理分析不足以表征肺癌CT图像的特性。本研究采用基于分形特征的ANN模型提取肺癌病灶区域，并与纹理特征的分割效果比较。

1 方法

本研究提出的肺癌CT图像分割算法流程，见图1，其中图像预处理采用维纳滤波抑制图像噪声，模糊增强提高图像对比度，然后从预处理图像中提取纹理和分形特征，最后选取显著性的特征输入人工神经网络模型完成图像分割。

图1 肺癌CT图像分割流程

1.1 图像预处理

CT图像质量往往受噪声污染而下降，维纳滤波器是经典的线性去噪滤波器，常被用于从加性噪声中恢复有用信号，是一种综合退化函数和噪声统计特征进行复原处理的滤波方法。在滤波器输出与期望输出之间达到最小均方误差，维纳滤波可称作是一个最优滤波系统[6]。此外，肺部CT图像特征由灰度、尺寸、形状等差异构成，容易造成图像边界与区域模糊，传统的图像增强方法难以区分模糊边界区域。本研究采用模糊增强算法处理CT图像不精确和模糊信息，增强图像对比度。对于尺寸N×N的图像I，首先计算图像各像素模糊隶属度，将图像从空间域变换到模糊域，然后运用模糊增强算子回归调用修正隶属度，最后通过模糊域反变换将模糊隶属度转换成新的灰度级，映射到图像的空间域，分别由公式(1)～(3)给出，其中Fe、Fd为变换系数，pmax(i,j)图像像素最大的灰度值，p(i,j)为图像像素灰度值。u(i,j)表示p(i,j)的隶属度，取值0～1。

1.2 图像纹理特征提取

纹理是一种反映图像中同质现象的视觉特征，体现物体表面具有缓慢变化或者周期性变化的表面结构组织排列属性[7]。常用统计方法灰度共生矩阵描述图像像素灰度关于方向、相邻间隔、变化幅度的综合信息。由于纹理特征能提供独特的区域像素空间多样性信息，容易做到区分目标与背景，适用于肺癌病灶提取。本研究共提取14个纹理特征，但显著性特征仅有3个，分别为图像惯性、均值和熵特征，由公式(4)～(6)求得[8]。

1.3 分形特征提取

分形特征常被用来描述复杂非规则的医学图像特征[9-10]，其中分形维度是刻画非线性图像复杂程度、不规则程度和空间分布变化趋势的一个重要参数，由差分盒维数法计算所得。主要思想为：对于一个尺寸为N×N的灰度图像，把二维图像视作三维空间的一个表面(i,j,p(i,j))，其中(i,j)代表像素空间位置，p(i,j)代表对应位置灰度值，则图像灰度的变化情况将以空间立体表面的粗糙程度反映，使用不同尺度度量该立体表面，得到的维数即为图像分形维度。

具体步骤如下：将N×N图像分割成s×s块，2＜s＜N/2，令r=N/s，每个分块包含一列s×s×h的盒子，h为单个盒子高度。采用一个5×5窗口在图像上滑动，移动幅度为r，假设第(i,j)个分块中最大灰度值和最小灰度值分别落在第k和l个盒子中，则覆盖第(i,j)个分块所需盒子数由公式(7)计算，覆盖整幅图像所需盒子数由公式(8)给出，此时对应的分形维度FD由公式(9)给出。选取一组s，通过线性拟合即可求得分形维度FD。