0 前言

肺癌是最常见也是致死率最高的恶性肿瘤，且其发病率和致死率仍在不断升高。对肺癌患者进行早期诊断筛查并及时治疗可以有效提高肺癌患者的五年生存率[1]。由于肺癌的早期症状不明显，80%以上的患者被确诊为肺癌时已进入晚期，错失最佳的治疗机会[2]。因此，肺癌的早期诊断对于肺癌的治疗和患者生命的延长具有重要意义。

电子计算机断层扫描（Computed Tomography，CT）是胸部影像学中常用的方法之一，它被广泛应用于肺癌的早期诊断与检测中。基于低剂量高精度CT 影像的计算机辅助检测（Computer Aided Detection, CAD）系统可以对肺部CT 影像中包含的病理特征进行高速计算与自动处理，大大方便了医生对肺癌的检测和诊断。基于肺部CT 图像的CAD 系统主要流程包括：肺实质分割、侯选结节分割、特征提取与选择优化、肺结节分类识别等[3]，其中肺实质分割为影响CAD 系统鲁棒性的关键性步骤。肺实质分割主要包括图像预处理、肺实质粗分割、肺部气管去除、左右肺分割、轮廓修补五个步骤。

近年来，随着低剂量高精度CT 图像与CAD 技术的发展，许多新的分割方法被应用于肺实质分割领域。本文主要围绕肺实质分割中的五个主要步骤，分析对比了每个步骤中具体实现方法对肺实质分割效果的影响，概括了近年来肺实质分割技术手段的发展情况，并对该领域未来技术发展进行了展望。

1 肺实质分割中主要步骤方法比较

1.1 图像预处理

由于肺部组织结构复杂，肺实质与肺气道等组织难以准确分离[4]；同时受低剂量CT 扫描设备的影响，肺部CT 图像还存在高噪声和伪影现象，这些问题一定程度上影响了基于CT 图像的肺实质分割的准确性[5]。为了减少上述因素对分割准确性的干扰，在肺实质分割前一般要进行图像预处理。传统的图像预处理环节多采用滤波的方法，首先对肺部CT 图像进行裁剪处理，然后通过灰度变换来增强对比度，并进行滤波处理[6]。该类方法一般运算简单，易于操作，对单一种类的噪声处理效果较好；但当多种类型噪声混合时去噪效果不佳，且部分算法存在图像过度平滑或边缘丢失等缺点。

基于变换域去噪和基于统计学去噪（极大似然估计算法和偏微分方程算法等）也是常用的图像预处理方法。其中，基于变换域的去噪方法主要有小波变换和曲波变换等。方舸等[7]运用小波变换进行图像去噪和增强处理，发现小波变换对单一噪声的去除效果较好，且能在一定程度上提升图像清晰度。但小波变换较为复杂，一般所需的运算量较大。曲波变换是在小波变换的基础上引入方向参数得到的。何劲等[8]使用曲波变换算法进行去噪，结果发现曲波变换在去噪效果与维持图像清晰度方面较小波变换均有一定提高，但在处理图像平滑部分时仍会残留部分噪声。

针对单一算法去噪局限性较大的问题，多名学者[9-11]也将多种去噪手段融合，提出混合去噪算法，并取得较好的去噪结果。另外，随着人工智能的发展，深度学习也被应用于肺部CT 图像去噪。吕晓琪等[12]提出一种基于深度卷积神经网络的去噪方法，同时引入残差学习，大大提高了去噪的精度和准确度。

1.2 粗分割

粗分割可以从预处理过的图像中得到肺区的大致轮廓。由于肺实质存在区域密度较低、灰度不均匀、结构错综复杂等特点，粗分割方法的选取显得尤为重要。目前，粗分割所采用的算法主要为基于区域分割的方法，包括阈值法、区域生长法与聚类法等。阈值法的优点在于计算量小，运算速度快，且较为稳定；其缺点是当图像整体灰度差异不大时不易得到准确的分割结果。阈值法可以分为固定阈值法和自适应阈值法（又称动态阈值法）等。袁克虹等[13]采用固定阈值法从整幅图像中综合选取出一个较为均衡的HU 值作为固定阈值，对从图像实现了二值化分割。但由于肺实质区域存在灰度不均匀等情况，阈值选择往往不能最优化。针对这一问题，曾羽琚等[14]采用自适应阈值法，对图像按坐标进行分块，并对每块区域分别选取阈值进行分割。相对于固定阈值法，自适应阈值算法的时间复杂度和空间复杂度一般较大，但在抗噪能力上有较大的提升，对于一些固定阈值法分割效果不佳的图像能取得较好的分割效果。针对自适应阈值法算法复杂度较大的问题，裴晓敏等[15]采用量子粒子群算法对自适应阈值的二维Otsu 算法进行改进，在阈值选取速度上提升了效率。