手动肺分割大约需要10分钟，并且需要一定的技能才能获得与自动分割相同的高质量结果。 自动分段大约需要15秒。
我以为没有神经网络，准确度就不会超过70％。 我还假设形态学操作只是为更复杂的算法准备图像。 但是，由于处理了这些手部断层扫描数据，尽管数量很少，但只有40个，该算法对肺部进行了分割，没有错误。 此外，在前五种情况下进行测试后，该算法并未发生明显变化，并且在不更改设置的情况下，在其他35项研究中也能正常工作。
同样，神经网络也有一个缺点-对于其训练，我们需要数百个肺部训练样本，这些样本需要手动标记。
内容内容
呼吸系统的结构
呼吸系统包括气道和肺。 气道分为上，下气道。 下呼吸道和上呼吸道之间的分离点是食道与气道的交点。 喉部上方的所有器官均为上呼吸道，喉部下方的所有器官均为下呼吸道。
呼吸器官清单：
鼻腔是在鼻子和咽之间的充满空气的腔。
咽是食物和空气传播的通道。
气管是连接到喉和支气管的管。
喉负责声音的形成。 它位于颈椎C4-C6的水平。
支气管是呼吸道，其主要部分位于肺部内部。
肺是主要的呼吸器官。
豪恩斯菲尔德量表
戈弗雷·霍恩斯菲尔德（Godfrey Hounsfield）是一位英国电气工程师，他与美国理论家艾伦·科马克（Allan Cormack）一起开发了计算机断层扫描技术，为此他在1979年获得了诺贝尔奖。
霍恩斯菲尔德标度-是描述无线电密度的定量标度，以霍恩斯菲尔德为单位测量，表示为HU。
辐射密度是根据辐射衰减系数计算的。 衰减系数表征了一定数量的材料可以被辐射穿透的程度。
辐射密度通过以下公式计算：
$$显示$$ {μ_{X}-μ_{water} \超过μ_{water}-μ_{air}} \乘以1000 $$ display $$
在哪里 是被测材料，水和空气的线性衰减系数。
放射性密度可以为负，因为零放射性密度对应于水。 这意味着所有具有比水衰减系数低的衰减系数的材料（例如，肺组织，空气）将具有负的放射性密度。
下面列出了各种组织的大约射线密度：
- 空气：-1000 HU。
- 呼吸器官：-950至-300 HU。
- 血液（不与血管形成对比）：从0到100 HU。
- 骨骼：100至1000 HU。
链接到Wikipedia： 霍恩斯菲尔德标度 ， 戈弗雷·霍恩斯菲尔德 ， 衰减系数 。
数学形态
形态学运算是算法中使用的主要工具。
在计算机视觉领域，形态学运算被称为一组用于变换对象形状的算法。 最常见的是，形态学运算应用于二进制化的图像，其中单位对应于对象体素，零对应于空白。
主要的形态学操作包括：
形态膨胀是向对象的所有边缘体素添加新的体素。 换句话说，算法扫描与对象边缘相对应的所有体素，并使用具有给定形式（球形，立方体，十字形等）的内核将其放大。 核具有自己的半径（对于球体）或侧面的宽度（对于立方体）。 此操作通常用于将多个附近的对象合并为一个对象。
形态侵蚀是位于对象边界（边界）上的所有体素的截止。 此操作与扩张相反。 此操作对于消除许多小的互连对象形式的噪声很有用。 但是，仅当目标物体的厚度比腐蚀半径大得多时，才应使用这种噪声消除方法。 否则，有用的信息将丢失。
形态学上的闭合是扩张，随后是侵蚀。 它用于封闭对象内部的孔并合并附近的对象。
形态开放是侵蚀然后扩张。 它用于去除小噪音对象并将这些对象分成几个对象。
Lee算法和RLE压缩
为了选择二值化体素体积中的对象，使用了Lie算法。 最初，发明该算法是为了找到走出迷宫的最短路径。 我们使用它来选择对象，并将其从三维三维像素阵列移动到另一个三维像素阵列。 该算法的基本思想是从起点开始在所有可能的方向上平行移动。 对于三维情况，可以从一个体素沿26或6个方向移动。
为了优化性能，应用了行程编码算法。 该算法的主要思想是将一和零的序列替换为一个数字，该数字等于该序列中元素的数量。 例如，字符串“ 00110111”可以替换为：“ 2; 2; 1; 3“。 这减少了内存访问的次数。
Wikipedia链接： Lee算法 ， RLE算法 。
基本体积的阈值转换
使用断层扫描仪，获得了在扫描空间每个点的射线密度数据。 空气体素的辐射密度为-1100至-900 HU，呼吸器官体素的辐射密度为-900至-300 HU。 因此，我们可以删除所有辐射密度大于-300 HU的不必要体素。 结果，我们获得了仅包含呼吸器官和空气的二值化体素体积。
外部空气排出
为了分割身体的内部空气，我们删除了3D立体角附近的所有对象。 因此，我们去除了外部空气。
但是，并非所有情况都可以消除断层扫描仪工作台中的空气，因为断层扫描仪工作台可能与3D体积的角部没有任何联系。
因此，我们不仅将扫描角，而且将扫描位于f的任何边缘平面上的所有体素。 但是，如下图所示，肺也被切除了。 事实证明，气管还与3D体积的上平面有关。
我们必须从扫描区域中排除顶部平面。 也有研究未完全捕获肺部，并且下平面与肺部相连。
因此，如果您愿意，也可以排除下平面。
但是这种方法仅影响胸部研究。 在捕获全部身体的情况下，将出现通过鼻腔的内部和外部空气的连接。因此，有必要进行形态学侵蚀以分离内部和外部空气。
施加腐蚀之后，我们可以返回之前获得的外部空气分割方法，该方法基于外部空气与3D体积侧面的连通性。
在对外部空气进行分割之后，我们可以立即从空气和肺的全部体积中减去外部空气，从而获得身体和肺部的内部空气。 但是有一个问题。 侵蚀后，有关外部空气的一些信息丢失了。 为了恢复它，我们应用外部空气膨胀。
接下来，我们从整个空气和呼吸器官中减去外部空气，得到内部空气和呼吸器官。
最大体积对象的分割
接下来，我们将呼吸器官分割为体积最大的对象。 呼吸器官与胃肠道内的空气无关。
值得注意的是，在初始步骤正确选择射线密度阈值很重要。 否则，在某些情况下，由于分辨率低，两个肺之间可能没有连接。 例如，如果我们假设呼吸器官的体素具有-500 HU及以下的放射密度，则在以下情况下，将呼吸器官分割为体积最大的对象将导致错误，因为两个肺。 因此，阈值应增加到-300 HU。
关闭肺部血管
为了捕获肺内的血管，我们将使用形态学上的闭合，即扩张，然后以相同的半径进行侵蚀。 血管的放射密度（无反差）约为0..100 HU。
在图像中，我们可以看到没有关闭大的血液通道。 但这不是必需的。 此操作的目的是破坏肺内的许多小孔，以简化后续步骤中的肺分割过程。
呼吸器官分割算法
结果，我们获得了以下呼吸器官分割算法：
- 具有阈值“ <-300 HU”的基本卷的阈值变换。
- 半径为3 mm的形态腐蚀，用于外部和内部空气的分离。
- 基于外部空气与3D体积边界侧平面的连通性对外部空气进行细分。
- 外部空气的形态膨胀可恢复侵蚀后丢失的信息。
- 从整个空气和呼吸器官中减去外部空气以获得内部空气和呼吸器官。
- 最大体积对象的分段。
- 肺内血管的形态闭合。
MATLAB中的算法实现
函数“ getRespiratoryOrgans”
函数“ getExternalAir”
函数“ getMaxObject”
可以通过参考下载源代码。
结论
以下文章将是：
- 气管和支气管分割；
- 肺分割
- 肺叶分割。
将考虑以下算法：
- 距离变换
- 最近邻变换，也称为特征变换；
- 计算用于分割平面3D对象的Hessian矩阵的特征值；
- 分水岭分割。