基于圖割和邊緣行進(jìn)的肝臟CT序列圖像分割

廖 苗 趙于前 曾業(yè)戰(zhàn) 黃忠朝 鄒北驥

?

基于圖割和邊緣行進(jìn)的肝臟CT序列圖像分割

廖 苗①趙于前*①②曾業(yè)戰(zhàn)①黃忠朝①鄒北驥②

①(中南大學(xué)地球科學(xué)與信息物理學(xué)院 長沙 410083)②(中南大學(xué)信息科學(xué)與工程學(xué)院 長沙 410083)

提出一種新的基于圖割和邊緣行進(jìn)的腹部CT序列圖像肝臟分割方法。首先，針對(duì)輸入序列的數(shù)據(jù)特征，建立肝臟亮度和外觀模型，突出肝臟區(qū)域抑制非肝臟區(qū)域；然后，將肝臟亮度、外觀模型以及相鄰切片之間的位置信息有效融入圖割能量函數(shù)，實(shí)現(xiàn)CT序列肝臟的自動(dòng)初步分割；最后，針對(duì)血管欠分割問題，提出了一種基于邊緣行進(jìn)的結(jié)果優(yōu)化方法。通過對(duì)XHCSU14和SLIVER07數(shù)據(jù)庫提供的30個(gè)病人肝臟序列的分割實(shí)驗(yàn)，以及與其他多種肝臟分割方法的比較，表明該方法能完整有效地分割肝臟，準(zhǔn)確性高，魯棒性強(qiáng)。

醫(yī)學(xué)圖像分割；圖割；邊緣行進(jìn)；高斯擬合；主成分分析

1 引言

從腹部CT序列圖像中準(zhǔn)確完整地分割肝臟是實(shí)現(xiàn)肝臟疾病輔助診斷和術(shù)前規(guī)劃的前提。目前，肝臟分割方法一般可分為基于圖像和統(tǒng)計(jì)模型兩大類。單純基于圖像的分割方法是指運(yùn)用圖像亮度、梯度或紋理等可直接從圖像中獲取的信息進(jìn)行分割的方法，主要包括閾值、聚類[1]、區(qū)域生長[2,3]、活動(dòng)輪廓模型[4,5]和圖割[6,7]等。文獻(xiàn)[1]提出運(yùn)用閾值、形態(tài)學(xué)操作、K-means聚類和多層感知神經(jīng)網(wǎng)絡(luò)(Multi-Layer Perceptron Network, MLP)對(duì)肝臟進(jìn)行分割。文獻(xiàn)[2]提出了一種基于區(qū)域生長的肝臟CT圖像分割方法，通過運(yùn)用擬蒙特卡洛(Quasi-Monte Carlo)算法獲取感興趣區(qū)域的種子點(diǎn)和設(shè)計(jì)區(qū)域生長準(zhǔn)則。文獻(xiàn)[5]提出了一種將凸性可變模型與圖像亮度和局部區(qū)域特征相結(jié)合的肝臟自動(dòng)分割方法。近年來，圖割算法以其在全局最優(yōu)解問題上具有的優(yōu)勢(shì)被廣泛應(yīng)用于圖像分割。文獻(xiàn)[6]利用相鄰切片之間的空間相關(guān)性構(gòu)建圖割能量函數(shù)，迭代分割整個(gè)序列。該方法需要手動(dòng)分割初始切片，并且對(duì)于對(duì)比度較低的圖像分割效果較差。此外，基于位置、形狀等先驗(yàn)信息的統(tǒng)計(jì)模型也常用于CT序列中肝臟的分割。該方法通常需要運(yùn)用大量的數(shù)據(jù)建立一個(gè)大致的肝臟位置或形狀模型[8,9]，因此，耗時(shí)長，對(duì)于形狀不規(guī)則的肝臟分割效果較差。

本文提出了一種基于圖割和邊緣行進(jìn)的腹部CT序列圖像肝臟分割方法。該方法包括初步分割和邊緣優(yōu)化兩部分。首先，分別利用CT數(shù)據(jù)的亮度和局部信息建立肝臟區(qū)域的亮度和外觀模型，并結(jié)合相鄰切片之間的位置信息，構(gòu)建圖割能量函數(shù)，實(shí)現(xiàn)肝臟快速自動(dòng)初步分割。然后，結(jié)合亮度和輪廓幾何特性，運(yùn)用邊緣行進(jìn)算法對(duì)初步分割結(jié)果進(jìn)行優(yōu)化，解決由造影劑引起的肝臟血管欠分割問題。

2 算法描述

2.1 初步分割

首先分別建立肝臟亮度和外觀模型，然后結(jié)合亮度和外觀模型運(yùn)用圖割算法對(duì)初始切片進(jìn)行分割，最后采用迭代的方式以初始分割切片為起點(diǎn)分別向上、向下分割序列中所有切片。在迭代分割過程中，除亮度和外觀模型外，上一切片分割結(jié)果的肝臟位置信息也應(yīng)用于當(dāng)前切片的圖割能量函數(shù)構(gòu)建，以增加分割結(jié)果的準(zhǔn)確性。

2.1.1 基于高斯擬合的亮度模型 為了突出肝臟區(qū)域、抑制非肝臟區(qū)域，本文提出了一種基于高斯擬合的肝臟亮度模型。設(shè)腹部CT序列中肝臟亮度范圍為，則肝臟亮度模型可構(gòu)建如下：

其中，為圖像亮度，為正常數(shù)。參數(shù)用于調(diào)節(jié)亮度模型中肝臟與背景的對(duì)比度，本文取為1.5。將得到的亮度模型進(jìn)行各向異性濾波，并歸一化至[0,1]。亮度越接近的中心，的取值越大，表明該像素點(diǎn)屬于肝臟的概率也越大。

其中，和分別表示高斯分布的中心和峰值，控制高斯分布的寬度。根據(jù)高斯分布的概率理論，本文選取肝臟亮度范圍為。

2.1.2 基于PCA的區(qū)域外觀模型 為了進(jìn)一步區(qū)分肝臟與非肝臟區(qū)域，本文利用CT數(shù)據(jù)的局部信息構(gòu)建基于主成分分析(Principal Components Analysis, PCA)的肝臟外觀模型。具體步驟如下：

(1)以每個(gè)像素點(diǎn)為中心取(2+1)×(2+1)的子圖像，并以該子圖像的亮度信息表示該中心像素點(diǎn)的特征，文中取=4；

(2)對(duì)手動(dòng)選取的部分肝臟區(qū)域所有像素點(diǎn)的子圖像進(jìn)行主成分分析并計(jì)算其前c個(gè)主成分的均值，由此得到一個(gè)1×c維的特征向量pa，即肝臟的外觀特征，其中c的取值范圍為1~(2+1)×(2+1)。本文取前10%的主成分作為肝臟外觀特征，即c=0.1×(2+1)×(2+1)；

(3)采用歐式距離作為外觀相似性度量，計(jì)算整個(gè)CT序列中所有像素點(diǎn)與肝臟的外觀特征差異：

2.1.3 基于圖割算法的肝臟提取 在構(gòu)建肝臟亮度和外觀模型之后，首先對(duì)初始切片進(jìn)行分割。序列中滿足肝臟區(qū)域相對(duì)較大且只包含一個(gè)肝臟連通區(qū)域的切片圖像均可被指定為初始切片，通常位于序列1/3位置的切片滿足該要求。初始切片的圖割能量函數(shù)構(gòu)建如式(5)：

在初始切片分割完成之后，算法再以初始切片為起點(diǎn)分別向上和向下迭代分割該CT序列中所有切片。考慮到相鄰切片間肝臟的大小和位置不會(huì)有顯著變化，在迭代分割過程中，相鄰切片間的位置息也被采用作為能量懲罰項(xiàng)，以增加分割的準(zhǔn)確性。此時(shí)，能量函數(shù)可表示為

2.2 邊緣優(yōu)化

CT成像時(shí)，由于造影劑的影響，肝臟血管區(qū)域的亮度會(huì)明顯高于肝實(shí)質(zhì)部分。對(duì)于基于圖像的分割方法，想要完整準(zhǔn)確地提取肝臟及其血管區(qū)域都將是一個(gè)巨大的挑戰(zhàn)。圖1所示為本文方法的肝臟初步分割結(jié)果，可以看到肝實(shí)質(zhì)部分均被有效分割，而肝臟血管則沒有被包括進(jìn)去(欠分割)。其中，位于肝臟內(nèi)部的小血管可通過區(qū)域填充操作進(jìn)行補(bǔ)償。而對(duì)于肝臟邊緣主血管的欠分割問題，本文提出一種基于邊緣行進(jìn)的分割結(jié)果優(yōu)化方法。此外，為了減少計(jì)算次數(shù)、提高算法效率，首先對(duì)初步分割的肝臟輪廓進(jìn)行多邊形近似[10]，提取肝臟輪廓的特征點(diǎn)進(jìn)行后續(xù)處理。

(3)重復(fù)步驟(2)，直到肝臟輪廓上所有特征點(diǎn)都進(jìn)行過運(yùn)算，算法結(jié)束。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)包含XHCSU14和SLIVER07[11]數(shù)據(jù)庫所提供的30個(gè)腹部CT序列。其中，XHCSU14數(shù)據(jù)庫包含10個(gè)測(cè)試序列，由中南大學(xué)湘雅醫(yī)院提

圖1 從不同序列中隨機(jī)挑選的肝臟初步分割結(jié)果

圖2 血管補(bǔ)償示意

供，層間距為1.0 mm。SLIVER07數(shù)據(jù)庫由MICCAI2007工作室提供，包含20個(gè)不同病人的腹部CT序列，層間距范圍為0.7~5.0 mm。

3.2 實(shí)驗(yàn)結(jié)果與評(píng)價(jià)

圖3為從XHCSU14數(shù)據(jù)庫隨機(jī)挑選的兩組實(shí)驗(yàn)結(jié)果，其中第1行和第2行分別為從不同的腹部CT序列中隨機(jī)挑選的兩個(gè)實(shí)驗(yàn)結(jié)果，第1列為原始圖像，第2列和第3列中封閉曲線標(biāo)記的區(qū)域分別為運(yùn)用基于亮度、外觀和位置信息的圖割算法(GC) 得到的初步分割結(jié)果和邊緣優(yōu)化后的最終分割結(jié)果。從圖中可以看出，由于肝臟內(nèi)部的亮度不均一，圖割算法只能有效提取肝實(shí)質(zhì)區(qū)域，對(duì)于血管區(qū)域則會(huì)產(chǎn)生欠分割，而采用本文提出的邊緣優(yōu)化方法則能有效解決這個(gè)問題，得到完整精確的肝臟及其血管區(qū)域。

采用文獻(xiàn)[12]提出的VOE, RVD, ASD, RMSD和MSD 5個(gè)誤差評(píng)價(jià)指標(biāo)對(duì)XHCSU14數(shù)據(jù)庫的10個(gè)測(cè)試序列的分割結(jié)果進(jìn)行統(tǒng)計(jì)，得到的均值與標(biāo)準(zhǔn)差如表1所示。相較于本文方法，基于亮度、外觀和位置信息的圖割算法(GC)得到的RVD具有較大的負(fù)均值，這主要是因?yàn)樵摲椒ㄔ诜指钸^程中無法將肝臟血管包括進(jìn)來。此外，本文方法對(duì)于其他4個(gè)評(píng)價(jià)指標(biāo)同樣具有較小的均值和誤差，表明本文方法通過結(jié)合圖割和邊緣行進(jìn)能有效完整地分割CT序列中的肝臟區(qū)域，具有較高的準(zhǔn)確性和魯棒性。

本文還對(duì)SLIVER07公共數(shù)據(jù)庫提供的20個(gè)腹部CT序列進(jìn)行了測(cè)試，誤差統(tǒng)計(jì)結(jié)果如表2所示。可以看到，本文方法的分割結(jié)果明顯優(yōu)于文獻(xiàn)[7]和文獻(xiàn)[8]，且與文獻(xiàn)[9]的分割結(jié)果相差不大。

4 總結(jié)

本文提出了一種新的基于圖割和邊緣行進(jìn)的腹部CT序列肝臟分割方法。相較現(xiàn)有多種方法，本文方法具有以下幾個(gè)優(yōu)點(diǎn)：不需要對(duì)周圍鄰近組織的預(yù)先移除分割；不需要進(jìn)行復(fù)雜的統(tǒng)計(jì)模型構(gòu)建；

表1 XHCSU14數(shù)據(jù)庫的分割誤差(均值±標(biāo)準(zhǔn)差)

能有效分割對(duì)比度低、亮度和形狀各異的肝臟。為驗(yàn)證提出方法的有效性，本文對(duì)XHCSU14和SLIVER07數(shù)據(jù)庫提供的30個(gè)序列進(jìn)行了測(cè)試，并與專家手動(dòng)結(jié)果和其他算法進(jìn)行了比較與評(píng)價(jià)。結(jié)果表明，本文方法相較多種現(xiàn)有方法的分割誤差都較小，準(zhǔn)確性高，魯棒性強(qiáng)。

[1] SELVER M A, KOCAOGLU A, DEMIR G K,. Patient oriented and robust automatic liver segmentation for pre-evaluation of liver transplantation[J]., 2008, 38(7): 765-784. doi: 10.1016/j. compbiomed.2008.04.006.

[2] LU X Q, WU J S, REN X Y,. The study and application of the improved region growing algorithm for liver segmentation[J]., 2014, 125(9): 2142-2147. doi: 10. 1016/j.ijleo.2013.10.049.

[3] 張小強(qiáng), 熊博蒞, 匡綱要. 一種基于變化檢測(cè)技術(shù)的SAR圖像艦船目標(biāo)鑒別方法[J]. 電子與信息學(xué)報(bào), 2015, 37(1): 63-70. doi: 10.11999/JEIT140143.

ZHANG Xiaoqiang, XIONG Boli, and KUANG Gangyao. A ship target discrimination method based on change detection in SAR imagery[J].&, 2015, 37(1): 63-70. doi: 10.11999/JEIT140143.

[4] 韓明, 劉教民, 孟軍英, 等. 結(jié)合局部能量與改進(jìn)的符號(hào)距離正則項(xiàng)的圖像目標(biāo)分割算法[J]. 電子與信息學(xué)報(bào), 2015, 37(9): 2047-2054. doi: 10.11999/JEIT141473.

HAN Ming, LIU Jiaomin, MENG Junying,. Local energy information combined with improved signed distance regularization term for image target segmentation algorithm[J].&, 2015, 37(9): 2047-2054. doi: 10.11999/ JEIT141473.

[5] PENG J L, WANG Y, and KONG D X. Liver segmentation with constrained convex variational model[J]., 2014, 43(1): 81-88. doi: 10.1016/j.patrec. 2013.07.010.

[6] AFIFI A and NAKAGUCHI T. Liver segmentation approach using graph cuts and iteratively estimated shape and intensity constrains[C]. Medical Image Computing and Computer-Assisted Intervention, Nice, 2012, 7511: 395-403.

[7] CHEN X, UDUPA J K, BAGCI U,. Medical image segmentation by combining graph cuts and oriented active appearance models[J]., 2012, 21(4): 2035-2046. doi: 10.1109/TIP.2012. 2186306.

[8] HEIMANN T, MEINZER H, and WOLF I. A statistical deformable model for the segmentation of liver CT volumes[C]. MICCAI Workshop 3-D Segmentation Clinic Grand Challenge, Brisbane, 2007: 161-166. doi: 10.1109/ IEMBS.2010.5626470.

[9] KAINMULLER D, LANGE T, and LAMECKER H. Shape constrained automatic segmentation of the liver based on a heuristic intensity model[C]. MICCAI Workshop 3-D Segmentation Clinic Grand Challenge, Brisbane, 2007: 109-116.

[10] LIAO Miao, ZHAO Yuqian, LI Xianghua,. Automatic segmentation for cell images based on bottleneck detection and ellipse fitting[J]., 2015, 173(3): 615-622. doi: 10.1016/j.neucom.2015.08.006.

[11] HEIMANN T, GINNEKEN B V, and STYNER M A. Segmentation of the liver 2007 (SLIVER07)[OL]. http:// sliver07.isi.uu.nl/, 2007.

[12] HEIMANN T, GINNEKEN B V, STYNER M A,. Comparison and evaluation of methods for liver segmentation from CT datasets[J]., 2009, 28(8): 1251-1265. doi: 10.1109/TMI.2009.2013851.

廖 苗： 女，1988年生，博士生，研究方向?yàn)獒t(yī)學(xué)圖像處理.

趙于前： 男，1973年生，博士，教授，博士生導(dǎo)師，研究方向?yàn)獒t(yī)學(xué)圖像處理、模式識(shí)別、視頻處理、信息安全等.

曾業(yè)戰(zhàn)： 男，1980年生，博士生，研究方向?yàn)獒t(yī)學(xué)圖像處理.

黃忠朝： 男，1976年生，博士，副教授，研究方向?yàn)閳D像與信號(hào)處理.

鄒北驥： 男，1961年生，博士，教授，博士生導(dǎo)師，研究方向?yàn)獒t(yī)學(xué)圖像處理、模式識(shí)別、視頻處理等.

Foundation Items: The National Natural Science Foundation of China (61172184, 61379107, 61402539, 61174210), Program for New Century Excellent Talents in University of Ministry of Education in China (NCET-13-0603), Specialized Research Fund for the Doctoral Program of Higher Education in China (20130162110016), Program for Hunan Province Science and Technology Basic Construction (Grant 20131199), Hunan Provincial Science and Technology Project of China (2015RS4008), Fundamental Research Funds for the Central Universities of Central South University (2014ZZTS053), Hunan Provincial Innovation Foundation for Postgraduate (CX2014B052)

Liver Segmentation from Abdominal CT Volumes Based on Graph Cuts and Border Marching

LIAO Miao①ZHAO Yuqian①②ZENG Yezhan①HUANG Zhongchao①ZOU Beiji②

①(School of Geosciences and Info-Physics, Central South University, Changsha 410083, China)②(School of Information Science and Engineering, Central South University, Changsha 410083, China)

A novel method for liver segmentation from abdominal CT volumes based on graph cuts and border marching is proposed. First, to exclude complex background and highlight liver region, liver intensity and appearance models are built according to the characteristics of a given CT volume. Then, the intensity and appearance models together with location information from neighbor segmented slice are effectively integrated into graph cuts cost computation to segment the CT volume initially and automatically. Finally, to solve the under-segmentation issue of liver vessel, a boundary compensation method based on border marching is proposed. The proposed method is tested and compared with some other methods on 30 CT volumes from XHCSU14 and SLIVER07 databases. The experimental results show that the proposed method can segment livers integrally and effectively from abdominal CT volumes, with higher accuracy and robustness.

Medical image segmentation; Graph cuts; Border marching; Gaussian fitting; Principal Components Analysis (PCA)

TP391.41; R814.42

A

1009-5896(2016)06-1552-05

10.11999/JEIT151005

2015-09-08；改回日期：2016-01-22；網(wǎng)絡(luò)出版：2016-03-29

趙于前 zyq@csu.edu.cn

國家自然科學(xué)基金(61172184, 61379107, 61402539, 61174210)，新世紀(jì)優(yōu)秀人才支持計(jì)劃(NCET-13-0603)，高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金(20130162110016)，湖南省科技基本建設(shè)項(xiàng)目(20131199)，湖南省科技計(jì)劃項(xiàng)目(2015RS4008)，中南大學(xué)中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金(2014ZZTS053)，湖南省研究生科研創(chuàng)新項(xiàng)目(CX2014B052)