针对现有二维分割方法人工干预较多及存在分割缺陷、三维分割方法对突变异常肝脏分割错误等问题,本文提出一种基于图像序列上下文关联的肝脏器官半自动分割方法。利用肝脏器官组织图像序列上下文的相似性先验知识,结合区域生长和水平集模型,并以少量人工干预辅助应对肝脏突变情况来进行肝脏的半自动分割。实验结果表明,本文方法分割肝脏精度高,适应能力强,对变异性较大的肝脏分割效果较好,可较好地满足临床应用需求。
引用本文： 张美云, 房斌, 王翊, 钟南昌. 基于图像序列上下文关联的肝脏器官分割方法. 生物医学工程学杂志, 2015, 32(5): 1125-1130. doi: 10.7507/1001-5515.20150199 复制
引言
图像肝脏分割在肝脏诊断、肿瘤分割、肝移植等临床应用中起着关键的作用。从腹部CT图像可知，由于肝脏自身变异性较大、形状不规律、图像对比度低和相邻组织有粘连等特点，使得肝脏图像的分割成为一个具有挑战性的问题。目前，国内外对肝脏分割方法常用的有基于形态学分割方法[1]、区域生长分割方法[2-3]、基于图论分割方法[4]、均值漂移分割方法[5]、基于水平集分割方法[6-8]等。
以上分割方法虽然在实际应用中都发挥了一定的效用，但这类分割方法对图像质量要求较高，且在实际分割过程中，由于个体临床CT图像存在很大的差异性和变异性，分割结果会出现过分割及漏分割等现象；而且观察医学器官的断层扫描图像可知，图像序列上下文关联较大，其本质为三维图像，而现有二维分割方法多考虑单张图像，未利用组织器官的图像上下文之间的关系。针对这些问题，三维分割技术渐渐得到了发展。现有三维肝脏分割技术主要有基于半自动[9]和全自动[10-12]的分割方法。这些分割算法对图像质量同样要求较高，且要求被分割对象形状和先验模型接近，如果被分割对象变异性较大，往往不能正确分割出肝脏，因此实际应用效果较差，难以达到临床应用要求。
水平集模型是在解决火焰表面进化问题时提出的，平面闭合曲线隐含表达为三维连续曲面，将求解计算从低维上升到更高一层，是一种高精度的分割方法，在分割过程中存在曲线演化表达的简单性，以及处理拓扑变化自然性的优点，而数值化的求解方式具有很好的稳定性，其中基于能量函数模型定义具有直观的物理意义，容易加入约束条件。而在利用水平集自动分割的过程中，如何精确设定初始分割位置非常重要，初始分割位置离实际边缘越近，收敛到正确位置的可能性就越大。
考虑肝脏CT图像的三维形态，如图 1所示,图 1(a)为医生手工分割获得的标准肝脏图像，从二维图像上对肝脏面积进行像素统计可得图 1(b)，由图 1(b)可知其轴状面中肝脏面积变化较为平滑，相邻两幅肝脏图像中轮廓具有连续性，其轮廓形状在一定的空间范围内按一定的速度进行变化，因此可以根据相邻已分割图像中物体轮廓的位置、形状以及它们的变化趋势来估计并分割当前图像中对象轮廓、位置和形状，以估计轮廓作为水平集的初始分割轮廓，这样既可以提高分割精度，又由于初始轮廓接近真实轮廓边缘，降低了水平集的运算速度。
图1
肝脏面积分布图
(a) 肝脏原始图像；(b)肝脏面积分布图
Figure1. Distribution image of liver area(a) original image of liver; (b) distribution of liver area
基于以上原理，本文提出一种基于图像序列上下文关联的肝脏器官分割方法，由于医学组织的变异性较大，因此医生可以采用手工的方式利用工具在关键部位选取3~8张图像进行轮廓勾勒，然后将医生勾画的肝脏轮廓作为初始轮廓，再采用水平集模型进行自动分割，同时将分割的结果作为相近图像的初始轮廓，继续进行分割，直至所有图像分割完毕。该方法虽然要利用部分人工交互，但是比起完全自动的方法，可较大程度地提高整个肝脏的分割精度。
1 基于图像序列上下文关联的肝脏器官分割方法
临床上，由于人体之间存在差异，不同人体获得的腹部CT图像有所不同，而现有分割方法实现时均会出现一定的分割错误，本文方法不同以往，主要通过一系列的有效操作来进行分割，并将分割轮廓映射到原始图像中，使用者可以对每一张图像进行查看，如若出现错误，使用者亦可人工干预进行修正，获得更精确肝脏器官，本文实现分割的具体流程如图 2所示。
图2
基于图像序列上下文关联的肝脏器官分割方法流程图
Figure2.
Flow chart of segmentation method for liver organ based on image sequence context
1.1 初始轮廓的获取
初始轮廓是本文实现分割的基础操作，在分割精度上要求不是很高，但是在速度上要求比较高，因为 初始轮廓的获得需要一定的人工干预，需求的时间过长会增加使用者的负担，因此最终选择操作简单、算法快速的基于区域生长[2]的分割算法，利用区域生长，医生实时调整阈值，并通过绘图工具进行修订，可快速得到单幅CT图像的精确肝脏边界。
1.2 水平集分割算法
经过多年发展，水平集方法现存多种改进算法，经过几种改进方法的比较，本文最终选择文献[8]中的基于距离正则项水平集分割算法作为本文系统的基础分割算法，其算法分割效果较好，消耗时间较短，且不易出现突变情况，具有较强的稳定性，对实际应用意义重大。
传统水平集函数[6]在演化的过程中，由于演化的不规则导致退化的水平集函数中符号距离函数不满足其自身条件｜Φ｜=1，为解决该问题提出的重新初始化却为计算带来沉重的负担，水平集演化速度变慢等消极作用，因此引入新的方法解决符号距离函数的问题即：水平集能量函数中嵌入“距离正则项”来维持符号距离函数的性质，水平集能量函数定义则修正为：
| $ \varepsilon \left( \mathit{\Phi} \right) = \mu {\boldsymbol{\Re} _p}\left( \mathit{\Phi} \right) + {\varepsilon _{ext}}\left( \mathit{\Phi} \right) $ |
其中μ＞0，为常数，为距离正则项，定义为：为外部能量函数。
水平集函数达到稳定性要求其符号距离函数本身固有条件，，因此距离正则项定义中势函数定义为：
| $ p\left( s \right) = \left\{ \begin{array}{l} \frac{1}{{{{\left( {2\pi } \right)}^2}}}(1 - \cos \left( {2\pi s} \right),{\rm{if}}\;s \le 1\\ \frac{1}{2}{\left( {s - 1} \right)^2},\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\rm{if}}\;s \ge 1 \end{array} \right. $ |
以此势函数定义距离正则项，并以此距离正则项定义水平集能量函数即为：
| $ \varepsilon \left( \mathit{\Phi} \right) = \mu \int_\Omega {p\left( {\left| {\nabla \mathit{\Phi} } \right|} \right)} {\rm{d}}x + \lambda {L_g}\left( \mathit{\Phi} \right) + \alpha {A_g}\left( \mathit{\Phi} \right) $ |
| $ g = \frac{1}{{1 + {{\left| {\nabla {G_\sigma } \cdot I} \right|}^2}}} $ |
其中，Lg(Φ)为梯度信息加权的轮廓线长度，Ag(Φ)为梯度信息加权的轮廓线所围区域面积，可以分别定义为
| $ {L_g}\left( \mathit{\Phi} \right) = \int_\Omega {g\delta \left( \mathit{\Phi} \right)\left| {\nabla \mathit{\Phi} } \right|} {\rm{d}}x $ |
| $ {A_g}\left( \mathit{\Phi} \right) = \int_\Omega {gH\left( { - \mathit{\Phi} } \right)} {\rm{|d}}x $ |
式中，δ和H分别为Dirac和Heaviside函数，μ、λ为常数，参数α控制演化过程中轮廓线的收缩和扩张，当α与轮廓线内水平集函数值相同时，轮廓线扩张，反之则收缩。则于距离正则项水平集分割能量模型定义为：
| $ \begin{array}{l} \varepsilon \left( \mathit{\Phi} \right) = \mu \int_\Omega {p\left( {\left| {\nabla \mathit{\Phi} } \right|} \right)} {\rm{d}}x + \lambda \int_\Omega {g\delta \left( \mathit{\Phi} \right)\left| {\nabla \mathit{\Phi} } \right|} {\rm{d}}x + \\ \;\;\;\;\;\;\;\;\;\;\;\;\alpha \int_\Omega {gH\left( { - \mathit{\Phi} } \right)} {\rm{d}}x \end{array} $ |
1.3 迭代水平集求解整个肝脏CT图像
1.3.1 上下层关系判断
临床上患者腹部CT图像是由一系列图像组成，其中相邻的图像存在一定的相似性，肝脏器官的主要形态不会发生很大变化，所以本文选择利用上一张肝脏分割结果作为下一张图像初始轮廓进行水平集运算，这样可以减少人工干预的工作量，并且最终所得肝脏不会出现较大形态上的差异。
本文方法在用上一张图像分割结果指导下一张图像时，必须要进行上下层关系判断以确定需要进行的形态学操作，本文主要使用的形态学有两种：腐蚀操作，膨胀操作。本文中形态学操作的判断主要是通过上两级肝脏面积差作为依据，假设获得参考轮廓n1，n2，n3，…，ni,将全套数据分为1~n1~(n1+n2)/2，(n1+n2)/2~n2~(n2+n3)/2,…，(ni-1+ni)/2~ni~end段，分别以n1，n2，n3，…，ni参考轮廓图像作为初始轮廓进行分割得到精确轮廓m1，m2，m3，…，mi，在对nm张图像进行分割时，先求出上两级肝脏面积差dm=mm-1-mm-2判断进行的形态学操作，判断定义为：
| $ i = \left\{ \begin{array}{l} 0,\;\;{\rm{if}}\;{d_m} > 0\\ 0,\;\;{\rm{if}}\;{d_m} < 0 \end{array} \right. $ |
其中，i=1时进行形态学膨胀操作，i=0时进行形态学腐蚀操作。
1.3.2 水平集演化
在水平集演化的过程中，若对全局图像进行水平集能量函数计算，则计算消耗较大，且运算速度较慢。在本文中由于根据先验知识已经获得肝脏初始轮廓，所以水平集在演化的过程中可以不必针对全局图像进行演化，只需对初始轮廓进行修正获得合适窄带演化区域即可，因初始轮廓接近真实轮廓，因此将初始轮廓向外扩张一定数量的像素点获得演化区域来进行分割，而扩张像素数值大小通过多次实验可知当addpixel=30为最佳，具体实现如图 3所示。
图3
窄带演化区域示意图
Figure3.
Schematic diagram of evolution of narrow-band area
如图 3所示，灰色边缘为目标对象真实边缘，内部白色边缘为初始轮廓，通过扩张，得到外部白色边缘，则两条白色边缘之间的区域为水平集演化区域。
2 实验结果及分析
本文所有算法均采用matlab实现，实验数据包括：数据1，健康志愿者，女性，44岁，数据图像为512×512×216；数据2，健康志愿者，男性，53岁，数据图像为512×512×304；本文分割方法具体实验效果如图 4所示，分别为腹部图像三维图，肝脏空间叠加图以及三维肝脏分割效果图。
图4
三维肝脏分割效果图
Figure4.
3D liver segmentation effect chart
图 4显示两套实验数据使用本文方法进行三维肝脏分割的效果图，为进一步验证本文方法，从上述分割结果中分别随机选取实验数据1和实验数据2中12张二维图像数据，具体效果如图 5所示。
图5
单张肝脏分割效果图
Figure5.
Effect chart of single liver segmentation
由图 5可见，每张图像中白色线条为本文方法分割肝脏边缘，线条包含内容为分割肝脏，由上图可知，随机选取的12张图像均分割正确。
由图 4、图 5分割结果可知，无论是从三维角度还是二维角度来看，本文方法分割效果良好，分割肝脏与对应原始图像肝脏吻合度高，形态变化差异小，且准确定位了肝脏边缘,错分外围器官组织的情况较少，只是在与心脏连接部位由于像素值近似而导致少量分割错误，但可通过少量人工干预进行调整，且三组实验数据使用初始轮廓均介于4~8张，操作简单易行，且时间消耗控制在有效时间范围内。
为进一步验证本文算法的准确性，本文邀请医学专家从实验数据1中随机选取15张实验数据原图像进行手工分割，以此作为分割标准，并将其与本文算法分割结果进行实验对比。从医学专家手工分割结果及本文分割结果图像中对肝脏部分进行有效像素点统计，具体情况如表 1所示。
表1
有效像素点统计表
Table1.
Statistical table of effective pixels
由表 1可知，本文实现分割方法是可靠的，若以医学专家手工分割结果为标准，本文分割结果准确率可达90%~97%，能满足医生基本分割要求，具有一定实用价值。
3 结束语
现有图像分割技术的研究往往集中在理论知识的改进上，较少提供完整的肝脏器官分割方法，具有较少的实际应用价值。本文核心内容在于以现有成熟分割技术为基础组成一套完整分割流程来实现更有现实意义的分割，提出一种半自动的基于图像序列上下文关联的肝脏器官分割方法，并提供可人机交互的人工干预工具进行轮廓修正以解决异常突变情况。
实验测试可知，本文方法实现的分割比手工分割更简易、快速，比自动分割更精确、灵活，能很好地平衡速度与精确度，具有重要的实用价值。在今后的工作中，本文可以在提高速度和精确度方面进一步开展研究，希望以更快的速度达到更好的肝脏分割效果。
引言
图像肝脏分割在肝脏诊断、肿瘤分割、肝移植等临床应用中起着关键的作用。从腹部CT图像可知，由于肝脏自身变异性较大、形状不规律、图像对比度低和相邻组织有粘连等特点，使得肝脏图像的分割成为一个具有挑战性的问题。目前，国内外对肝脏分割方法常用的有基于形态学分割方法[1]、区域生长分割方法[2-3]、基于图论分割方法[4]、均值漂移分割方法[5]、基于水平集分割方法[6-8]等。
以上分割方法虽然在实际应用中都发挥了一定的效用，但这类分割方法对图像质量要求较高，且在实际分割过程中，由于个体临床CT图像存在很大的差异性和变异性，分割结果会出现过分割及漏分割等现象；而且观察医学器官的断层扫描图像可知，图像序列上下文关联较大，其本质为三维图像，而现有二维分割方法多考虑单张图像，未利用组织器官的图像上下文之间的关系。针对这些问题，三维分割技术渐渐得到了发展。现有三维肝脏分割技术主要有基于半自动[9]和全自动[10-12]的分割方法。这些分割算法对图像质量同样要求较高，且要求被分割对象形状和先验模型接近，如果被分割对象变异性较大，往往不能正确分割出肝脏，因此实际应用效果较差，难以达到临床应用要求。
水平集模型是在解决火焰表面进化问题时提出的，平面闭合曲线隐含表达为三维连续曲面，将求解计算从低维上升到更高一层，是一种高精度的分割方法，在分割过程中存在曲线演化表达的简单性，以及处理拓扑变化自然性的优点，而数值化的求解方式具有很好的稳定性，其中基于能量函数模型定义具有直观的物理意义，容易加入约束条件。而在利用水平集自动分割的过程中，如何精确设定初始分割位置非常重要，初始分割位置离实际边缘越近，收敛到正确位置的可能性就越大。
考虑肝脏CT图像的三维形态，如图 1所示,图 1(a)为医生手工分割获得的标准肝脏图像，从二维图像上对肝脏面积进行像素统计可得图 1(b)，由图 1(b)可知其轴状面中肝脏面积变化较为平滑，相邻两幅肝脏图像中轮廓具有连续性，其轮廓形状在一定的空间范围内按一定的速度进行变化，因此可以根据相邻已分割图像中物体轮廓的位置、形状以及它们的变化趋势来估计并分割当前图像中对象轮廓、位置和形状，以估计轮廓作为水平集的初始分割轮廓，这样既可以提高分割精度，又由于初始轮廓接近真实轮廓边缘，降低了水平集的运算速度。
图1
肝脏面积分布图
(a) 肝脏原始图像；(b)肝脏面积分布图
Figure1. Distribution image of liver area(a) original image of liver; (b) distribution of liver area
基于以上原理，本文提出一种基于图像序列上下文关联的肝脏器官分割方法，由于医学组织的变异性较大，因此医生可以采用手工的方式利用工具在关键部位选取3~8张图像进行轮廓勾勒，然后将医生勾画的肝脏轮廓作为初始轮廓，再采用水平集模型进行自动分割，同时将分割的结果作为相近图像的初始轮廓，继续进行分割，直至所有图像分割完毕。该方法虽然要利用部分人工交互，但是比起完全自动的方法，可较大程度地提高整个肝脏的分割精度。
1 基于图像序列上下文关联的肝脏器官分割方法
临床上，由于人体之间存在差异，不同人体获得的腹部CT图像有所不同，而现有分割方法实现时均会出现一定的分割错误，本文方法不同以往，主要通过一系列的有效操作来进行分割，并将分割轮廓映射到原始图像中，使用者可以对每一张图像进行查看，如若出现错误，使用者亦可人工干预进行修正，获得更精确肝脏器官，本文实现分割的具体流程如图 2所示。
图2
基于图像序列上下文关联的肝脏器官分割方法流程图
Figure2.
Flow chart of segmentation method for liver organ based on image sequence context
1.1 初始轮廓的获取
初始轮廓是本文实现分割的基础操作，在分割精度上要求不是很高，但是在速度上要求比较高，因为 初始轮廓的获得需要一定的人工干预，需求的时间过长会增加使用者的负担，因此最终选择操作简单、算法快速的基于区域生长[2]的分割算法，利用区域生长，医生实时调整阈值，并通过绘图工具进行修订，可快速得到单幅CT图像的精确肝脏边界。
1.2 水平集分割算法
经过多年发展，水平集方法现存多种改进算法，经过几种改进方法的比较，本文最终选择文献[8]中的基于距离正则项水平集分割算法作为本文系统的基础分割算法，其算法分割效果较好，消耗时间较短，且不易出现突变情况，具有较强的稳定性，对实际应用意义重大。
传统水平集函数[6]在演化的过程中，由于演化的不规则导致退化的水平集函数中符号距离函数不满足其自身条件｜Φ｜=1，为解决该问题提出的重新初始化却为计算带来沉重的负担，水平集演化速度变慢等消极作用，因此引入新的方法解决符号距离函数的问题即：水平集能量函数中嵌入“距离正则项”来维持符号距离函数的性质，水平集能量函数定义则修正为：
| $ \varepsilon \left( \mathit{\Phi} \right) = \mu {\boldsymbol{\Re} _p}\left( \mathit{\Phi} \right) + {\varepsilon _{ext}}\left( \mathit{\Phi} \right) $ |
其中μ＞0，为常数，为距离正则项，定义为：为外部能量函数。
水平集函数达到稳定性要求其符号距离函数本身固有条件，，因此距离正则项定义中势函数定义为：
| $ p\left( s \right) = \left\{ \begin{array}{l} \frac{1}{{{{\left( {2\pi } \right)}^2}}}(1 - \cos \left( {2\pi s} \right),{\rm{if}}\;s \le 1\\ \frac{1}{2}{\left( {s - 1} \right)^2},\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{\rm{if}}\;s \ge 1 \end{array} \right. $ |
以此势函数定义距离正则项，并以此距离正则项定义水平集能量函数即为：
| $ \varepsilon \left( \mathit{\Phi} \right) = \mu \int_\Omega {p\left( {\left| {\nabla \mathit{\Phi} } \right|} \right)} {\rm{d}}x + \lambda {L_g}\left( \mathit{\Phi} \right) + \alpha {A_g}\left( \mathit{\Phi} \right) $ |
| $ g = \frac{1}{{1 + {{\left| {\nabla {G_\sigma } \cdot I} \right|}^2}}} $ |
其中，Lg(Φ)为梯度信息加权的轮廓线长度，Ag(Φ)为梯度信息加权的轮廓线所围区域面积，可以分别定义为
| $ {L_g}\left( \mathit{\Phi} \right) = \int_\Omega {g\delta \left( \mathit{\Phi} \right)\left| {\nabla \mathit{\Phi} } \right|} {\rm{d}}x $ |
| $ {A_g}\left( \mathit{\Phi} \right) = \int_\Omega {gH\left( { - \mathit{\Phi} } \right)} {\rm{|d}}x $ |
式中，δ和H分别为Dirac和Heaviside函数，μ、λ为常数，参数α控制演化过程中轮廓线的收缩和扩张，当α与轮廓线内水平集函数值相同时，轮廓线扩张，反之则收缩。则于距离正则项水平集分割能量模型定义为：
| $ \begin{array}{l} \varepsilon \left( \mathit{\Phi} \right) = \mu \int_\Omega {p\left( {\left| {\nabla \mathit{\Phi} } \right|} \right)} {\rm{d}}x + \lambda \int_\Omega {g\delta \left( \mathit{\Phi} \right)\left| {\nabla \mathit{\Phi} } \right|} {\rm{d}}x + \\ \;\;\;\;\;\;\;\;\;\;\;\;\alpha \int_\Omega {gH\left( { - \mathit{\Phi} } \right)} {\rm{d}}x \end{array} $ |
1.3 迭代水平集求解整个肝脏CT图像
1.3.1 上下层关系判断
临床上患者腹部CT图像是由一系列图像组成，其中相邻的图像存在一定的相似性，肝脏器官的主要形态不会发生很大变化，所以本文选择利用上一张肝脏分割结果作为下一张图像初始轮廓进行水平集运算，这样可以减少人工干预的工作量，并且最终所得肝脏不会出现较大形态上的差异。
本文方法在用上一张图像分割结果指导下一张图像时，必须要进行上下层关系判断以确定需要进行的形态学操作，本文主要使用的形态学有两种：腐蚀操作，膨胀操作。本文中形态学操作的判断主要是通过上两级肝脏面积差作为依据，假设获得参考轮廓n1，n2，n3，…，ni,将全套数据分为1~n1~(n1+n2)/2，(n1+n2)/2~n2~(n2+n3)/2,…，(ni-1+ni)/2~ni~end段，分别以n1，n2，n3，…，ni参考轮廓图像作为初始轮廓进行分割得到精确轮廓m1，m2，m3，…，mi，在对nm张图像进行分割时，先求出上两级肝脏面积差dm=mm-1-mm-2判断进行的形态学操作，判断定义为：
| $ i = \left\{ \begin{array}{l} 0,\;\;{\rm{if}}\;{d_m} > 0\\ 0,\;\;{\rm{if}}\;{d_m} < 0 \end{array} \right. $ |
其中，i=1时进行形态学膨胀操作，i=0时进行形态学腐蚀操作。
1.3.2 水平集演化
在水平集演化的过程中，若对全局图像进行水平集能量函数计算，则计算消耗较大，且运算速度较慢。在本文中由于根据先验知识已经获得肝脏初始轮廓，所以水平集在演化的过程中可以不必针对全局图像进行演化，只需对初始轮廓进行修正获得合适窄带演化区域即可，因初始轮廓接近真实轮廓，因此将初始轮廓向外扩张一定数量的像素点获得演化区域来进行分割，而扩张像素数值大小通过多次实验可知当addpixel=30为最佳，具体实现如图 3所示。
图3
窄带演化区域示意图
Figure3.
Schematic diagram of evolution of narrow-band area
如图 3所示，灰色边缘为目标对象真实边缘，内部白色边缘为初始轮廓，通过扩张，得到外部白色边缘，则两条白色边缘之间的区域为水平集演化区域。
2 实验结果及分析
本文所有算法均采用matlab实现，实验数据包括：数据1，健康志愿者，女性，44岁，数据图像为512×512×216；数据2，健康志愿者，男性，53岁，数据图像为512×512×304；本文分割方法具体实验效果如图 4所示，分别为腹部图像三维图，肝脏空间叠加图以及三维肝脏分割效果图。
图4
三维肝脏分割效果图
Figure4.
3D liver segmentation effect chart
图 4显示两套实验数据使用本文方法进行三维肝脏分割的效果图，为进一步验证本文方法，从上述分割结果中分别随机选取实验数据1和实验数据2中12张二维图像数据，具体效果如图 5所示。
图5
单张肝脏分割效果图
Figure5.
Effect chart of single liver segmentation
由图 5可见，每张图像中白色线条为本文方法分割肝脏边缘，线条包含内容为分割肝脏，由上图可知，随机选取的12张图像均分割正确。
由图 4、图 5分割结果可知，无论是从三维角度还是二维角度来看，本文方法分割效果良好，分割肝脏与对应原始图像肝脏吻合度高，形态变化差异小，且准确定位了肝脏边缘,错分外围器官组织的情况较少，只是在与心脏连接部位由于像素值近似而导致少量分割错误，但可通过少量人工干预进行调整，且三组实验数据使用初始轮廓均介于4~8张，操作简单易行，且时间消耗控制在有效时间范围内。
为进一步验证本文算法的准确性，本文邀请医学专家从实验数据1中随机选取15张实验数据原图像进行手工分割，以此作为分割标准，并将其与本文算法分割结果进行实验对比。从医学专家手工分割结果及本文分割结果图像中对肝脏部分进行有效像素点统计，具体情况如表 1所示。
表1
有效像素点统计表
Table1.
Statistical table of effective pixels
由表 1可知，本文实现分割方法是可靠的，若以医学专家手工分割结果为标准，本文分割结果准确率可达90%~97%，能满足医生基本分割要求，具有一定实用价值。
3 结束语
现有图像分割技术的研究往往集中在理论知识的改进上，较少提供完整的肝脏器官分割方法，具有较少的实际应用价值。本文核心内容在于以现有成熟分割技术为基础组成一套完整分割流程来实现更有现实意义的分割，提出一种半自动的基于图像序列上下文关联的肝脏器官分割方法，并提供可人机交互的人工干预工具进行轮廓修正以解决异常突变情况。
实验测试可知，本文方法实现的分割比手工分割更简易、快速，比自动分割更精确、灵活，能很好地平衡速度与精确度，具有重要的实用价值。在今后的工作中，本文可以在提高速度和精确度方面进一步开展研究，希望以更快的速度达到更好的肝脏分割效果。
