肺部裂隙標示

肺部醫學影像分析中，如能清楚了解病灶位置，那對於病情上的治療和手術操作上 的施行有莫大的幫助，本節先由肺部構造概略介紹開始至詳述裂隙找尋的方法。

3.5.1 肺部構造

人的肺部位於胸腔內，共有五片肺葉(lobe)，其中三片肺葉組成右邊而左邊由另兩片 構成，如圖 3.19。由圖可以看出右邊的肺葉是由橫向(transverse fissure)和傾斜(oblique fissure)兩條裂隙分割成三肺葉；左邊肺葉則是斜向裂隙切割成兩肺葉[12]。因為我們處 理的資料影像是橫向電腦斷層掃描圖檔，因此橫向裂隙是幾乎看不出來，所以在此找尋 的是斜向裂隙。

圖 3.19：肺部影像 http://zh.wikipedia.org/wiki/File:Diagrama_de_los_pulmones.svg

3.5.2 欲解決的困難點

影像處理中解析度是很重要的關鍵因素，當圖像解析度越能顯示出影像資料訊息，

就能正確容易的做處理；但當解析度不足時候，甚至是低到無法把主要的影像資訊表現 出來時，那將會是很困難去做處理的。電腦分析影像並不像人眼看物體那樣，可以全方

裂隙

位的分析影像，至今的影像處理還是不能像人眼一樣的辨識物體。那我們先看一幅含有 肺裂隙影像的資料值，圖 3.20。

圖 3.20：含有肺裂隙的資料影像

你能由 HU 值的變化知道裂隙是在哪嗎？因此單從 HU 值來辨認出裂隙出來是很困 難的。並由於解析度太低，因此有嚐試以影像強化技巧來使得裂隙較為清楚，像是(ridge map)處理或(Supervised Enhancement Filters)技巧[8]和在暗處能使人臉細節顯現的直方圖 匹配[7]，不過效果並沒有多大的改變，因此在肺裂隙標示中是直接原值來分析。另外在 影像中的裂隙並非是一條單一像素的曲線，而是可能寬是由數個像素所組成的線條，如 圖 3.21。如此，在“解析度不高＂、“單憑值判斷＂以及如何用“單一像素的曲線＂來 標示出肺裂隙是我們需要突破的問題。

圖 3.21：肺部裂隙

3.5.3 裂隙標示

在裂隙尋找上，方法是先分開兩個肺葉來各別處理，並先手動找出起始裂隙後，再 以此裂隙為基礎來找出下個裂隙的 ROI，一開始需人工選出起始裂隙的原因是每一個人 的肺部構造大小皆不同以及肺裂隙的起始位置也不同，因此難以去自動又正確的找出起 始裂隙所作的動作。因此，在找出下一張肺裂隙可能存在的 ROI 之後，從此張資料影像 選出後選點，再以 Polynomial fitting 來模擬出可能的裂隙曲線。以下為其流程說明：

圖 3.22：流程說明圖 步驟如下：

一、 由獨立出的肺葉資料標示出起始肺裂隙 ，

圖 3.23：白線為初始肺裂隙

二、 以此 為基礎找出下一張裂隙的可能區域 ，此 的區域選擇為：以 的線段往 上延伸 10 個像素點或是當遇到另一臨界值像素時停止。此選擇條件的因素為裂隙 上的空間不會有其他肺葉或血管組織的存在和裂隙可能出現的空間，圖 3.24。 為 第 i 張影像資料 ROI。

手動標示出 起始肺裂隙

以此裂隙找出下 一張影像 ROI

由 ROI 挑出 後選裂隙點

執行 Polynomial fitting 求出裂隙 終止 完成?

獨立出 兩肺葉

是

否

以 此曲線資訊為基礎往上移動且使用多項式回歸一次方係數來往左和右邊延 伸至肺部邊界，並直到滿足以下兩條件之其一時後停止：

1. 當往上移動的 的延伸曲線內的某一像素 HU 高於 時停止，並選取不 包含此線條的所有符合區域為 ROI。

2. 以 此線段資訊往上搜尋至多 次。

以此方式所找出的區域即為肺裂隙可能的所在影像區塊。

圖 3.24：ROI 的區塊顯示

三、 再從此 內的每行像素找出符合裂隙 HU 值的所有候選點座標 ，其中 、 和 皆為二維矩陣影像資料。

(候選點的選取)

找出前後的起始和終止點，而此兩點是選取 兩邊端點往上找三像素中有最高單 位值，並從兩端點中的每一行的所有像素點中選出第四高的 HU 值像素當候選點。

圖 3.25：候選座標點

四、 將此 內的候選點像素以 Polynomial fitting 模擬出肺裂隙的曲線 。

圖 3.26：Polynomial fitting 操作

五、 再以此 的線段當下一張影像尋找 的基礎線段，持續重複步驟二、三和四 直到所有裂隙找尋完畢。

圖 3.27：模擬出的肺裂隙

以上為裂隙標示步驟，以此方法模擬出較能表示的裂隙曲線出來。