肝臟腫瘤三維可視化方法研究

艾海明 吳水才 楊春蘭高宏建 曾 毅

(北京工業(yè)大學生命科學與生物工程學院，北京 100124)

肝臟腫瘤三維可視化方法研究

艾海明 吳水才 楊春蘭*高宏建 曾 毅

(北京工業(yè)大學生命科學與生物工程學院，北京 100124)

肝臟腫瘤三維可視化是肝癌微波熱療規(guī)劃系統(tǒng)設計中的關鍵技術，其重建效果的好壞將直接影響到手術計劃的可靠性和有效性。本研究提出一種基于自動分割的肝臟腫瘤三維可視化新方法。首先使用基于圖論的方法自動分割出肝腫瘤，然后借助新的移動立方體算法重建出腫瘤表面，最后調用OpenGL庫進行腫瘤模型繪制與顯示。對6例肝癌患者CT圖像進行腫瘤三維重建，實驗結果表明;分割過程不需要人為干預，三維重建時程也較短，腫瘤模型的顯示效果令人滿意。

肝臟腫瘤;圖像自動分割;三維重建

Abstract:3D visualization of hepatic tumor is a key technique in preoperative planning system of microwave hepatic tumor ablation，whose performance determines the reliability and effect of surgical planning result.In this paper，a new method for 3D visualization of hepatic tumor was proposed.Firstly，a segmentation method based on graph-theory was applied to automatically extract hepatic tumor.Secondly，a new marching cubes algorithm was employed toreconstruct tumor surface.Finally，surfacerenderingand displayingwere accomplished by 3D graphic library OpenGL.The proposed method was evaluated via CT images of 6 patients suffering from hepatic carcinoma.The results showed that the 3D reconstruction was fast and the visualization of the tumor model was satisfying without manual intervention.

Key words:hepatic tumor;image auto-segmentation;3D reconstruction

引言

肝癌是我國常見的惡性腫瘤之一，死亡率極高。微波熱療以其微創(chuàng)、操作方便和低并發(fā)癥等優(yōu)點受到人們的關注，在國內它已被用于治療早期小型肝癌［1］。為了提高治療的可靠性和安全性，使用“肝癌微波熱療手術規(guī)劃系統(tǒng)”可在術前基于肝臟CT掃描圖像，對肝腫瘤進行三維重建和可視化，通過對微波熱療溫度場進行計算機模擬，從而制定出合理的手術方案［2］?；贑T掃描圖像的肝臟腫瘤三維可視化是其關鍵技術之一，腫瘤重建效果的好壞直接影響系統(tǒng)輸出手術計劃的準確性。

醫(yī)學圖像自動分割一直是三維可視化技術中面臨的一項關鍵技術難題，其主要原因是由于醫(yī)學圖像中相鄰組織間灰度值相近，同一組織的灰度值不均勻和部分容積效應造成組織間邊緣模糊［3］。文獻［4］提出一種基于圖論的有效分割算法，它的主要特點是能夠保留低變化區(qū)域的細節(jié)，同時忽略高變化區(qū)域的細節(jié)。針對肝腫瘤CT圖像的特點，借助該算法并將其成功地應用到肝腫瘤的自動分割中。

肝腫瘤三維可視化是通過對一系列肝腫瘤CT圖像進行分割處理后，采用面繪制或體繪制算法重新還原出肝腫瘤的三維圖像，它幫助醫(yī)師對肝腫瘤大小、形狀和空間位置獲得定量描述。相比于體繪制技術，面繪制方法以其繪制速度快、便于實時交互、數(shù)據(jù)存儲容量小等優(yōu)點得到廣泛的應用［5］。針對傳統(tǒng)MC(marching cubes)算法存在的固有缺陷，文獻［6］提出了一種結合圖像分割與MC算法的新移動立方體(NMC)方法，它可以根據(jù)不同醫(yī)學圖像的特點采用恰當?shù)姆指罘椒?，避免了MC只適合于閾值分割的局限性，同時采用一種基于區(qū)域增長的立方體檢測方法，提高了表面跟蹤的效率。借助NMC方法思想，將基于圖論的分割算法與MC算法有機地結合，利用肝腫瘤分割結果構造等值面，表面跟蹤時也采用基于區(qū)域增長的立方體檢測方法，最后調用OpenGL庫對肝腫瘤等值面進行顯示。

1 基于圖論的自動分割算法

1.1 區(qū)域比較謂詞

區(qū)域比較謂詞D用于判斷分割過程中相鄰區(qū)域間是否存在邊界［4］。它通過對區(qū)域內部差異和區(qū)域間差異進行比較，使得圖像分割結果能夠自適應圖像數(shù)據(jù)的局部特征。

設C是分離集森林V中某個集合，其最小生成樹為MST(C，E)，則集合 C的內部差異可定義為最小生成樹中最大的權值

集合C1，C2?V，則兩集合間差異為連接該兩集合邊的最小權重

根據(jù)上述公式的定義，可引出區(qū)域比較謂詞D

式中τ(C)為閾值函數(shù)，|C|為C的元素數(shù)目，K為常量參數(shù)，它用來控制過分割產生的小區(qū)域，參數(shù)K取值越大，抑制小區(qū)域的效果越顯著。通常，肝腫瘤 CT圖像分割中 K取值范圍為［100，500］。

1.2 分割算法流程

輸入圖G=(V，E)，圖G中存在 n個節(jié)點，m條邊，V的區(qū)域分割結果輸出為S=(C1，C2，…，Cr)，則分割算法過程如下［4］:

1)邊集 E 分成 π(o1，o2，…，om)，其中邊的權重非遞減進行排序

2)初始分割S0，這里每個頂點 vi對應某個子區(qū)域

3)重復第 3 步，其中 q=1，2，…，m

4)由動態(tài)分割集 Sq-1構造分割集 Sq:已知，;若，則合并Sq-1中兩元素，子區(qū)域合并后 Sq-1?Sq;否則 Sq=Sq-1

5)返回S=Sm

借助區(qū)域比較謂詞，該分割算法的本質是利用最小生成樹尋找圖像同質區(qū)域的過程，它能在近似線性時間O(nlogn)內完成圖像分割，并且分割結果滿足區(qū)域全局特性。

2 新移動立方體方法

新移動立方體方法(New Marching Cubes，NMC)算法綜合了 Cuberille與 MC 算法［6］，Cuberille算法將三維體數(shù)據(jù)分割成物體和背景兩個部分，然后對物體數(shù)據(jù)的每一個采樣點構建立方體，并求出表面法向量，把立方體體素的各個面投影到屏幕，利用Z-Buffer算法判斷遮擋關系，顯示出分割結果的等值面。MC算法通過相鄰體數(shù)據(jù)切片間構建體素，根據(jù)經(jīng)驗設定分割閾值，利用線性插值求出每個立方體體素的三角剖分，將整個物體表面以三角面片的形式表示出來。本研究NMC算法描述如圖1所示。

圖1 新移動立方體算法步驟Fig.1 Algorithm steps of new marching cubes

法向量是通過對原始肝腫瘤CT序列圖像進行中心差分計算獲得，從而保證重建效果比較平滑。

式中，g(i，j，k)表示點(i，j，k)的灰度值。

NMC表面跟蹤算法采用文獻［6］提出的算法步驟，在此不再詳述。

3 材料與方法

3.1 數(shù)據(jù)獲取

實驗CT圖像數(shù)據(jù)集來源于中國人民解放軍總醫(yī)院提供的臨床數(shù)據(jù)，共有6例肝癌患者的完整腹部序列圖。原始肝腫瘤CT圖像均為DICOM格式，采用自行開發(fā)的軟件轉換成通用圖像格式(采用BMP格式)，以便于后期數(shù)據(jù)處理。每組序列圖包含53張腹部 CT圖像，體素大小為0.703 mm×0.703 mm×2.5 mm，其中腫瘤圖像斷層數(shù)從16到28不等。

3.2 圖像處理和腫瘤三維重建

1)平滑處理

由于醫(yī)學圖像存在噪聲和運動偽影，使得圖像質量變得模糊，使用高斯濾波器對原始CT圖像進行平滑處理，其中高斯參數(shù)σ通常設置為0.8。

2)圖像自動分割

定義一個無向加權圖G(V，E)，肝腫瘤CT圖像的像素pi對應于圖的節(jié)點vi，圖的邊 ei表示相鄰兩像素。這里每個像素采用8鄰域系統(tǒng)，節(jié)點屬性表示為像素灰度值，邊屬性表示像素間的灰度差值。另外，邊權重函數(shù)w((vi，vj))定義為邊上相鄰像素灰度差值的絕對值，即

分割過程中主要有2個可調參數(shù)即 K和M，K在前面已有詳述。M是小區(qū)域合并參數(shù)［4］，其取值越大，抑制小區(qū)域的效果越顯著，通常取值范圍為100～200。

3)肝腫瘤區(qū)域提取

圖像分割結果滿足視覺全局特性，即不僅分割出肝腫瘤還包括其它組織如胃。由于分割后的每個子區(qū)域采用同一種偽彩色顯示，因此人機交互式處理，在肝腫瘤的偽彩色區(qū)域選取一個種子點使用區(qū)域生長法提取出肝腫瘤。具體操作流程如圖2所示。

圖2 肝腫瘤區(qū)域提取算法流程圖Fig.2 Algorithm flowchart of liver tumor extracting

4)邊緣修正

由于醫(yī)學圖像邊緣模糊，以及分割算法本身容易生成小區(qū)域，因此提取出的肝腫瘤邊緣可能包含過于冗長的細小邊緣。針對這種情況，借助數(shù)學形態(tài)學的方法進行邊緣修正，主要操作算子包括膨脹、腐蝕、開運算和閉運算。

5)肝腫瘤三維重建

醫(yī)學圖像軟件工具包MITK(Medical Imaging Toolkit)是建立在 VTK和 ITK的基礎上，在統(tǒng)一的框架下實現(xiàn)醫(yī)學影像的分割、配準、三維可視化算法［7］。肝腫瘤三維重建算法由 MITK 中mitkBinMarchingCubes類實現(xiàn)。它接受兩個輸入:一個是原始的肝腫瘤體數(shù)據(jù)，用于計算法向量;另一個是肝腫瘤經(jīng)分割后得到的二值數(shù)據(jù)，用于計算等值點坐標。只要當前立方體的某邊兩端灰度值不同，則認為該邊與等值面相交。

4 結果

肝腫瘤三維重建是在Windows XP操作系統(tǒng)下，利用Visual C++6.0編程實現(xiàn)的。對6例肝癌患者的CT圖像進行了三維可視化實驗，重建后的肝腫瘤模型均令人滿意。圖3為對其中某個患者的肝腫瘤，分別采用本方法和商業(yè)軟件Amira進行三維重建的顯示結果。圖(a)為肝腫瘤CT序列圖中一幅具有代表性的原始圖像。圖(b)是肝腫瘤圖像的分割結果，其中分割參數(shù)K和M分別取值155、195，分割時程為2 s，共得到96個子區(qū)域，肝腫瘤分割結果顯示為黃色區(qū)，該區(qū)域與原始圖像的肝腫瘤在形狀、大小均十分接近。圖(c)為肝腫瘤提取后的二值圖像，腫瘤區(qū)域灰度值為255。圖(d)描述了腫瘤邊緣修正結果，它先通過腐蝕運算消除冗余邊緣，再通過膨脹算法得到修正后的腫瘤邊緣，其中結構元素使用7×7像素的圓形像素塊。圖(e)為肝腫瘤三維模型，它共由26個腫瘤切片重建而成，三維重建算法執(zhí)行過程耗時約5 s(在惠普工作站HP xw8400中)。為評價本方法重建肝腫瘤模型結果的準確性，借助商業(yè)軟件Amria3.1進行了肝腫瘤模型重建，其中分割過程是在專業(yè)醫(yī)師的指導下手工分割，并采用Amria提供的表面繪制方法進行腫瘤模型表面繪制。圖(f)顯示了基于Amira的肝腫瘤三維模型。由圖(e)和圖(f)比較可知，兩者腫瘤模型的形狀、大小均十分相似，只是商業(yè)軟件重建的表面模型更加光滑，但這并不影響臨床上定量評價該模型參數(shù)。

圖3 肝腫瘤三維重建中各步操作結果與基于Amira的腫瘤模型。(a)原始肝腫瘤CT圖像;(b)圖像分割結果;(c)腫瘤二值圖像;(d)腫瘤邊緣修正結果;(e)肝腫瘤三維模型;(f)基于Amira的肝腫瘤模型Fig.3 The results of each step of 3D hepatic tumor reconstruction and hepatic tumor model based on Amira.(a)original CT image of hepatic tumor;(b)segmentation result;(c)binary image of hepatic tumor;(d)refinement of tumor boundary;(e)3D model of hepatic tumor;(f)3D model of hepatic tumor based on Amira

5 討論和結論

醫(yī)學對象三維可視化主要涉及2個關鍵技術即圖像分割和三維重建算法的研究。傳統(tǒng)的手動分割和交互式半自動分割工作量大、耗時長、易受人為主觀影響且分割結果重復性差，不適合分割對比度低和邊緣模糊的醫(yī)學圖像。本研究的圖論分割算法能夠解決上述不足，它可以快速、準確地分割出腫瘤組織，且分割過程不需要人為的干預。另外，它還可以應用到其它組織的分割如肝臟、胃等，由圖3(b)可見，肝臟分割結果顯示為綠色區(qū)，它與圖3(a)中的肝臟形狀、大小很相似。當然，基于圖論的分割算法也存在一些不足，分割參數(shù)取值不同有時造成腫瘤分割結果差異較大，分割參數(shù)并不一定適用于肝腫瘤CT序列圖中的其它圖像。要克服這些不足，需要進行大量的腫瘤分割實驗，統(tǒng)計分割參數(shù)，根據(jù)經(jīng)驗參數(shù)進行適當調整就可以節(jié)省尋找最佳分割參數(shù)的時間。

研究中采用的表面重建算法［6］克服了傳統(tǒng)表面重建算法中分割時間長、不適合人機交互等缺點。它充分利用硬件加速，并采用OpenGL技術進行三維顯示，縮短了繪制時間。另外，該重建算法在計算表面法向量時采用原始圖像數(shù)據(jù)，因此重建出的肝腫瘤模型表面比較光滑(見圖3(e))，避免了傳統(tǒng)移動立方體算法中經(jīng)常出現(xiàn)的“魚鱗”現(xiàn)象。

基于圖論的分割方法很好地解決了肝腫瘤自動分割的難題，是一種收斂性和健壯性較好的自動分割算法，可以分割出形狀、大小各異的腫瘤，腫瘤邊緣分割結果清晰?；趫D論分割的新移動立方體表面重建算法可以精確地重建出肝腫瘤模型，其重建效果可與三維可視化商業(yè)軟件Amira相媲美。當然，該模型表面并不十分平滑，主要有2方面原因:一是原始肝腫瘤CT圖像數(shù)據(jù)量小，相鄰斷層圖像間距過大，引起局剖細節(jié)信息丟失;二是腫瘤生長出現(xiàn)浸潤現(xiàn)象，造成腫瘤形狀極不規(guī)則。上述問題還需進一步改進和探討。

本研究提出了一種基于自動分割的肝腫瘤三維可視化新方法，所提出的重建方法速度快，可靠性強，肝腫瘤模型顯示效果令人滿意，可用于肝癌微波熱療計算機輔助手術規(guī)劃系統(tǒng)的設計中。

［1］Wang Zhili，Liang Ping，Dong Baowei，et al.Prognostic factors and recurrence of small hepatocellular carcinoma after hepatic resection on microwave ablation:a retrospective study［J］.J Gastronintest Surg，2008，12:327-337.

［2］任新穎.腫瘤熱療中組織溫度場測量方法及關鍵技術研究［D］.北京:北京工業(yè)大學，2008.

［3］Campadelli P，CasiraghiE，LombardiG.Automaticliver segmentation from abdominal CT scans［A］.In:Proceedings of 14th International conference on Image-Analysis and Processing［C］.Piscataway:IEEE，2008.731-736.

［4］Pedrof FF，HuttenlocherDP.Efficientgraph-based image segmentation ［J］.International Journal of Computer Vision，2004，59(2):167-181.

［5］Cohen I，Gordon D.VS:a surface-based system for topological analysis，quantization and visualization of voxel data ［J］.Medical Image Analysis，2009，13(2):245-256.

［6］何暉光，田捷，趙明昌，等.基于分割的三維醫(yī)學圖像表面重建算法［J］.軟件學報，2002，13(2):219-226.

［7］Tian Jie，Xue Jian，Dai Yakang，et al.A novel software platform for medical image processing and analyzing［J］.IEEE Transactions on Information Technology in Biomedicine，2008，12(6):800-812.

Research on 3D Visualization Methods for Hepatic Tumor

AI Hai-Ming WU Shui-CaiYANG Chun-Lan*GAO Hong-Jian ZENG Yi
(College of Life Science and Bioengineering，Beijing University of Technology.Beijing 100124，China)

TP391.41

A

0258-8021(2010)04-0504-05

10.3969/j.issn.0258-8021.2010.04.005

2009-12-22，

2010-04-21

北京市自然科學基金資助項目(3072004)

*通訊作者。 E-mail:clyang@bjut.edu.cn