基于腎動(dòng)態(tài)定量分析中腎臟ROI的自動(dòng)勾畫(huà)研究

田書(shū)暢，徐磊，蔣紅兵

南京醫(yī)科大學(xué)附屬南京醫(yī)院 醫(yī)療設(shè)備處，江蘇 南京 210006

基于腎動(dòng)態(tài)定量分析中腎臟ROI的自動(dòng)勾畫(huà)研究

田書(shū)暢，徐磊，蔣紅兵

南京醫(yī)科大學(xué)附屬南京醫(yī)院 醫(yī)療設(shè)備處，江蘇 南京 210006

目的探討一種基于形態(tài)學(xué)重建和閾值分割運(yùn)算的SPECT腎臟圖像感興趣區(qū)（ROI）自動(dòng)勾畫(huà)方法。方法首先對(duì)SPECT腎動(dòng)態(tài)顯像圖像進(jìn)行預(yù)處理，提升圖像的對(duì)比度，再對(duì)其進(jìn)行形態(tài)學(xué)重構(gòu)，接著用閾值分割算法識(shí)別出腎臟，最后通過(guò)邊界跟蹤實(shí)現(xiàn)腎臟ROI區(qū)的自動(dòng)勾畫(huà)。結(jié)果使用該圖像處理及分割算法實(shí)現(xiàn)的ROI自動(dòng)勾畫(huà)，相比人工輔助勾畫(huà)，具有更高的準(zhǔn)確性。結(jié)論本文運(yùn)用的形態(tài)學(xué)重建法和最大類(lèi)間方差法，有較好的魯棒性，可以更準(zhǔn)確地計(jì)算腎小球?yàn)V過(guò)率，改善了現(xiàn)有Matlab腎動(dòng)態(tài)定量分析軟件中ROI勾畫(huà)不準(zhǔn)確的情況，有助于進(jìn)一步定量分析。

圖像分割；腎小球?yàn)V過(guò)率；形態(tài)學(xué)重建；最大類(lèi)間方差法

腎小球?yàn)V過(guò)率（Glomerular Filtration Rate，GFR）是指單位時(shí)間內(nèi)，從腎小球?yàn)V過(guò)的血漿毫升數(shù)，是反映人體腎臟的一個(gè)功能性指標(biāo)，GFR檢測(cè)的準(zhǔn)確性對(duì)腎臟功能評(píng)價(jià)以及臨床醫(yī)生的診斷和治療起著重要作用[1]?；诤酸t(yī)學(xué)檢查的Gates法評(píng)價(jià)腎功能準(zhǔn)確度的關(guān)鍵因素在于腎臟感興趣區(qū)（ROI）的準(zhǔn)確勾畫(huà)，目前臨床上仍需人工輔助勾畫(huà)，易造成誤差[2]，從而影響測(cè)定結(jié)果，為了改善圖像勾畫(huà)效果，提升診斷準(zhǔn)確性，需要對(duì)圖像進(jìn)行分割運(yùn)算。

圖像分割是指把圖像分解成各具特性的區(qū)域并提取出ROI的技術(shù)和過(guò)程，分割的準(zhǔn)確度及效果直接影響后續(xù)的計(jì)算及運(yùn)用。目前常用的分割算法主要有閾值法、區(qū)域提取法、聚類(lèi)法和邊緣檢測(cè)法4類(lèi)[3]。Bovkoy等[4]利用圖割（Graph Cuts，GC）技術(shù)實(shí)現(xiàn)的半自動(dòng)分割，精度準(zhǔn)確，但速度較慢，國(guó)內(nèi)的研究也大都處在實(shí)驗(yàn)階段，還沒(méi)有通用的適用于腎臟圖像分割的算法。

本文采用閾值分割算法實(shí)現(xiàn)圖像自動(dòng)分割并勾畫(huà)腎臟的ROI，通過(guò)參考圖像的灰度信息選取閾值，并根據(jù)圖像的空間信息特點(diǎn)來(lái)保證圖像分割精度，效果相對(duì)較好。

1 資料與方法

1.1 一般資料

本文選取2015年3月～8月來(lái)我院用核醫(yī)學(xué)影像設(shè)備（SPECT）對(duì)腎臟區(qū)域進(jìn)行動(dòng)態(tài)圖像采集的100例患者圖像作為實(shí)驗(yàn)樣本。其中50例為雙側(cè)腎檢查患者圖像，50例為單側(cè)腎檢查患者圖像，所用算法均在Matlab 2012a編程環(huán)境下仿真實(shí)現(xiàn)。

1.2 方法

本文對(duì)SPECT腎臟功能成像的圖像處理流程包括預(yù)處理、目標(biāo)提取、閾值分割提取和邊界追蹤。

1.2.1 圖像預(yù)處理

腎動(dòng)態(tài)成像的圖像分辨率較低，灰度范圍窄，不便直接進(jìn)行圖像分割檢測(cè)，需要對(duì)圖像的灰度范圍做線性拉伸處理。在實(shí)際應(yīng)用中，為了突出圖像中感興趣的研究對(duì)象，常常要求局部擴(kuò)展拉伸某一范圍的灰度值，或?qū)Σ煌秶幕叶戎颠M(jìn)行不同的拉伸處理，即分段線性拉伸。

設(shè)原圖像f(x,y)在[0,M]，感興趣目標(biāo)的灰度范圍在[a,b]，欲使其灰度范圍拉伸到[c,d]，則對(duì)應(yīng)的分段線性變換表達(dá)式為：

通過(guò)調(diào)整折線拐點(diǎn)的位置及控制分段直線斜率，可對(duì)任一灰度區(qū)間進(jìn)行拉伸或壓縮。通過(guò)對(duì)圖像灰度做修正，提高圖像的對(duì)比度，改善圖像的視覺(jué)效果，達(dá)到增強(qiáng)圖像的目的。通過(guò)改變映射輸入圖像的像素值來(lái)增強(qiáng)圖像的對(duì)比度[5]，突出圖像中感興趣的研究對(duì)象，擴(kuò)展拉伸某一范圍的灰度值。

1.2.2 形態(tài)學(xué)重構(gòu)

形態(tài)學(xué)重構(gòu)是預(yù)處理的重要方法之一，主要應(yīng)用于圖像的濾波和分割。該算法可以有效地去除圖像中的非感興趣區(qū)域，灰度圖像的形態(tài)學(xué)重構(gòu)是在二值圖像的基礎(chǔ)上發(fā)展起來(lái)的，它涉及兩幅圖像，一幅圖像為標(biāo)記（Marker），是運(yùn)算的起點(diǎn)；另一幅是掩膜（Mask），用來(lái)約束整個(gè)運(yùn)算過(guò)程[6]。假設(shè)A和B是具有相同離散值域的灰度圖像，且（即對(duì)于每一像素由B對(duì)A進(jìn)行灰度重構(gòu)，重構(gòu)可以表示為：

其中KM(B)表示對(duì)灰度圖像以閾值m進(jìn)行二值化得到的二值圖像。

該算法以數(shù)學(xué)形態(tài)學(xué)為基礎(chǔ)，其基本算子是膨脹和腐蝕，腐蝕用來(lái)消除細(xì)小顆粒，膨脹用來(lái)還原腐蝕保留下來(lái)的物體形狀。由這兩種基本算子復(fù)合而成的形態(tài)學(xué)算子包括形態(tài)開(kāi)重構(gòu)運(yùn)算、形態(tài)閉重構(gòu)運(yùn)算等。開(kāi)重構(gòu)運(yùn)算能夠抑制小于結(jié)構(gòu)元素的亮細(xì)節(jié)，閉重構(gòu)運(yùn)算能夠抑制小于結(jié)構(gòu)元素的暗細(xì)節(jié)；因此開(kāi)閉重構(gòu)運(yùn)算的結(jié)合可以完全消除比當(dāng)前尺度小的高亮度和低灰度的細(xì)節(jié)和噪聲，從而實(shí)現(xiàn)對(duì)圖像進(jìn)行平滑和噪聲消除，生成灰度特征均勻，更易于分割的圖像[7]。

1.2.3 閾值提取

選取Otsu法（即大津法或最大類(lèi)間方差法)對(duì)經(jīng)過(guò)形態(tài)學(xué)重構(gòu)的圖像進(jìn)行閾值提取，可以自動(dòng)尋找閾值對(duì)圖像進(jìn)行劃分，將目標(biāo)物和背景區(qū)分開(kāi)，當(dāng)分割的兩組數(shù)據(jù)的類(lèi)間方差達(dá)到最大時(shí)，可得到最佳分割閾值[8]。針對(duì)目標(biāo)物-背景類(lèi)的圖像分割效果較好，適用于腎臟圖像。

假設(shè)一個(gè)閾值求取公式H(t)，根據(jù)Otsu算法，要求H(t)取得最大值，而令H(t)取最大值的t就是最佳閾值，這里需要H(t)與目標(biāo)、背景均值距離成正比，和兩類(lèi)中各像素和類(lèi)中心距離的和成反比[9]。

本文引入一種改進(jìn)的Otsu算法，令目標(biāo)均值為：

當(dāng)H(t)取最大值時(shí)，所對(duì)應(yīng)的灰度級(jí)t就是所求最佳閾值 ，即

該算法的實(shí)現(xiàn)步驟為：① 計(jì)算圖像灰度概率密度分布P(i)，i=0,1，...L-1；② 計(jì)算目標(biāo)和背景的像素比ω0，ω1；③ 灰度均值Po，Py，求得兩類(lèi)間距，類(lèi)平均方差δ0，δ1；④ 計(jì)算閾值選取函數(shù)H(t)，t=0，1，...L-1，求其最大值，相應(yīng)的灰度級(jí)是最佳閾值T；⑤ 根據(jù)T實(shí)現(xiàn)灰度圖像的分割[10]。

1.2.4 圖像后處理

圖像后處理包括兩個(gè)部分：去除干擾和目標(biāo)邊界跟蹤。分割完成后圖像中若還有小像素的干擾，利用像素點(diǎn)本身的特性，刪除干擾的小像素點(diǎn)，只留下腎臟圖像部分。

邊界跟蹤就是從灰度圖像中一個(gè)邊緣點(diǎn)出發(fā)，依次搜索并連接相鄰邊緣點(diǎn)，從而逐步檢測(cè)出邊界的方法，采用八鄰域追蹤算法來(lái)進(jìn)行邊界追蹤[11]，主要包括3個(gè)步驟：① 確定搜索起始點(diǎn)的邊緣點(diǎn)；② 采取合適的搜索結(jié)構(gòu)，在找出的邊界點(diǎn)的基礎(chǔ)上確定新的邊界點(diǎn)；③ 確定搜索停止條件，在滿足條件時(shí)結(jié)束搜索[12]。應(yīng)用此運(yùn)算可以很好地跟蹤并勾畫(huà)出腎臟的邊界。

1.2.5 精度匹配結(jié)果

為了衡量圖像分割的效果，筆者把現(xiàn)有手動(dòng)分割得到的圖像作為參考值，將處理的圖像數(shù)據(jù)與之對(duì)比，以下定義計(jì)算中用到匹配參數(shù):

① 真正（True Positive，TP）計(jì)算結(jié)果為正的正樣本(1和1）；② 真負(fù)（True Negative，TN）計(jì)算結(jié)果為負(fù)的負(fù)樣本（0和0）；③ 假正（False Positive，F(xiàn)P）被模型預(yù)測(cè)為正的負(fù)樣本(0和1)；④ 假負(fù)（False Negative，F(xiàn)N）被模型預(yù)測(cè)為負(fù)的正樣本(1和0)；

若K＜0兩者不相關(guān)；K值在0～0.20之間則輕度匹配；K值在0.21～0.40之間一般匹配；K值在0.41～0.60之間中度匹配；K值在0.61～0.80范圍，則比較匹配；K值在0.81～1之間說(shuō)明兩者匹配度很高；K=1則兩者完全匹配[13]。

2 結(jié)果

依據(jù)本實(shí)驗(yàn)算法分析我院核醫(yī)學(xué)部收集的100例樣本，以第65號(hào)圖像樣本為例進(jìn)行處理，在腎動(dòng)態(tài)圖像顯像7 min左右截取的圖像進(jìn)行分析。

（1）分析該腎臟圖像的灰度直方圖，根據(jù)直方圖的像素灰度分布，進(jìn)行直方圖的拉伸，調(diào)整圖像的對(duì)比度，使腎臟邊界更加清晰，調(diào)整后的灰度直方圖，見(jiàn)圖1，可以看出拉伸后的圖像邊緣更加清晰，濾除了一部分噪聲。

（2）對(duì)獲取的腎臟圖像進(jìn)行形態(tài)重構(gòu)運(yùn)算，使目標(biāo)圖像腎臟更好地與背景分離，腎臟區(qū)域的灰度特征更加明顯，邊緣更加清晰，為下一步的閾值分割做好準(zhǔn)備（圖2）[14]。

圖1 圖像灰度直方圖拉伸前后對(duì)比

圖2 處理過(guò)程圖像

（3）接著對(duì)處理后的圖像進(jìn)行閾值分割，采用Otsu算法進(jìn)行閾值提取，根據(jù)上述運(yùn)算步驟，圖像中已產(chǎn)生明顯分界，閾值算法自動(dòng)使圖像中的腎臟顯像部分分割出來(lái)，實(shí)現(xiàn)目標(biāo)物與背景分離[15-16]。

（4）閾值分割完成后，結(jié)果顯示輸尿管部分的顯像還存在部分干擾，再采用形態(tài)學(xué)重構(gòu)運(yùn)算剔除小像素點(diǎn)，去掉不相關(guān)的顯像部分。結(jié)果顯示腎臟部分分割完成。

（5）圖像的最終輸出下圖，實(shí)驗(yàn)結(jié)果得到了相對(duì)精確的腎臟邊界圖像，方便了GFR的后續(xù)處理計(jì)算，為臨床醫(yī)生提供便利。實(shí)驗(yàn)結(jié)果準(zhǔn)確度和其他算法相比有明顯的優(yōu)點(diǎn)：加入對(duì)比K均值聚類(lèi)算法，取K=2時(shí)可完成閾值分割；最后加入對(duì)比臨床醫(yī)生的手動(dòng)勾畫(huà)的結(jié)果。綜合評(píng)價(jià)自動(dòng)勾畫(huà)效果和臨床應(yīng)用效果相似性評(píng)價(jià)，見(jiàn)表1。

表1 Kappa精度匹配結(jié)果評(píng)價(jià)

由圖像處理結(jié)果和表1的分析可以得出，應(yīng)用本文提出的分割方法處理圖像，用時(shí)短、準(zhǔn)確度高，可以很好地處理腎臟的SPECT功能顯像圖像的區(qū)域分割。

3 討論

本文提出的圖像自動(dòng)勾畫(huà)算法，對(duì)SPECT腎動(dòng)態(tài)顯像圖像有較理想的分割處理效果。其中預(yù)處理部分更好地突出了腎臟的顯像部分，圖像分界更加清晰；形態(tài)學(xué)重建比較完整地分割了腎臟的邊緣；Otsu閾值分割法分割獲取了比較準(zhǔn)確的目標(biāo)圖像；然后去除圖像中的干擾，通過(guò)邊界跟蹤實(shí)現(xiàn)原圖像上的ROI勾畫(huà)。綜合實(shí)驗(yàn)結(jié)果表明，聯(lián)合使用形態(tài)學(xué)重建和閾值分割運(yùn)算可以更加快速、準(zhǔn)確地獲得SPECT圖像腎臟ROI，更好地計(jì)算GFR值，為醫(yī)生的臨床診斷提供便利，也為今后圖像處理工作提供基礎(chǔ)。后續(xù)還需要繼續(xù)探討更加穩(wěn)定和高效的圖像處理算法，今后也將繼續(xù)探討開(kāi)發(fā)一個(gè)基于該分割算法的平臺(tái)，用于實(shí)現(xiàn)自動(dòng)處理腎臟圖像的分割處理。

[1] 董潔,趙書(shū)俊,王靜,等.基于腎動(dòng)態(tài)定量分析中腎臟ROI的提取研究[J].計(jì)算機(jī)應(yīng)用與軟件,2010,27(7): 249-252.

[2] 司宏偉,王明明,趙學(xué)峰,等.腎動(dòng)態(tài)顯像法腎小球?yàn)V過(guò)率的估算及其主要影響因素[J].中國(guó)醫(yī)學(xué)裝備,2013,10(12):64-66.

[3] 汪長(zhǎng)銀,文兵,張湘園.興趣區(qū)設(shè)置對(duì)Gates法測(cè)定腎小球?yàn)V過(guò)率的影響[J].放射學(xué)實(shí)踐,2007,22(1):92-95.

[4] Boykov Y,Veksler O.Graph cuts in vision and graphics:Theories and applications[M].The Handbook of Mathematical Models in Computer Vision.Springer,2006:144-156.

[5] 武治國(guó),王延杰.一種基于直方圖非線性變換的圖像對(duì)比度增強(qiáng)方法[J].光子學(xué)報(bào),2010, 39(4):755-758.

[6] 王耀處,楊榮騫,吳效明.雙源CT心臟圖像腔體區(qū)域的分割[J].計(jì)算機(jī)仿真,2014,31(3):256-260.

[7] Vincent L.Morphological Grayscale Reconstruction in Image Analysis: Applications and Efficient Algorithms[J].IEEE Trans Image Process,1993,2(2):176-201.

[8] 范九倫,趙鳳.灰度圖像的二維Otsu曲線閾值分割法[J].電子學(xué)報(bào),2007,35(4):751-755.

[9] 陳琪,熊博蒞,陸軍,等.改進(jìn)的二維Otsu圖像分割方法及其快速實(shí)現(xiàn)[J].電子與信息學(xué)報(bào),2010,32(5):1100-1104.

[10] Mizushima A,Lu RF.An image segmentation method for apple sorting and grading using support vector machine and Otsu's method[J].Comput Electron Agr,2013,94:29-37.

[11] 馮彥銘,謝家龍,李林升,等.基于八鄰域跟蹤算法的封閉區(qū)域幾何尺寸測(cè)量[J].機(jī)械工程與自動(dòng)化,2013,(6):170-171,173.

[12] 許曉嵐,黃丙倉(cāng),李歡歡,等.Time-SLIP技術(shù)在腎動(dòng)脈血管成像中的應(yīng)用價(jià)值[J].中國(guó)醫(yī)療設(shè)備,2015,30(12):158-162.

[13] 劉相濱,鄒北驥,孫家廣,等.基于邊界跟蹤的快速歐式距離變換算法[J].計(jì)算機(jī)學(xué)報(bào),2006,29(2):317-323.

[14] Gwet K.Variance Estimation of Nominal-Scale Inter-Rater Reliability with Random Selection of Raters[J].Psychometrika,2008,73(3):407-430.

[15] Mukhopadhyay S,Chanda B.Multiscale morphological segmentation of gray-scale images[J].IEEE T Image Process,2003,12(5):533-549.

[16] 何志勇,孫立寧,陳立國(guó).Otsu準(zhǔn)則下分割閾值的快速計(jì)算[J].電子學(xué)報(bào),2013,41(2):267-272.

A Research on the Automatic ROI Delineate Method of Renal Imaging Based on Morphological Reconstruction and Otsu Thresholding Segmentation

TIAN Shu-chang, XU Lei, JIANG Hong-bing
Department of Medical Equipment, the Affiliated Hospital of Nanjing Medical University, Nanjing Jiangsu 210006, China

ObjectiveTo investigate the automatic approach to acquire the single photon emission computed tomography (SPECT) function images of kidney based on morphological reconstruction and Otsu thresholding segmentation.MethodsFirst, we elevated the contrast ratio of the SPECT images for preprocessing. Second, we conducted morphological reconstruction, which could sharpen the edge of kidneys. Then we proceeded to identify the kidney by Otsu thresholding segmentation. Lastly, we got the boundary to achieve the segmentation to realize the automatic region-of-interest (ROI) delineation of the kidneys.ResultsThe automatic ROI delineate method produces better reproducibility, consistency, and accuracy in renal imaging compared with manual method to delineate the kidney.ConclusionThe mentioned morphological reconstruction and Otsu thresholding method have great robustness. This procedure can obtain a more rapid, accurate and stable calculation of the glomerular filtration rate, which makes it significant for clinical application.

TP391.41

A

10.3969/j.issn.1674-1633.2016.02.010

1674-1633(2016)02-0044-04

2015-10-08

2015-10-27

南京市醫(yī)學(xué)發(fā)展基金“青年工程”人才培養(yǎng)專(zhuān)項(xiàng)經(jīng)費(fèi)

資助項(xiàng)目（QRX11033)。

蔣紅兵，研究員級(jí)高級(jí)工程師，主要從事生物醫(yī)學(xué)工程研究。

通訊作者郵箱：cmdjhb@126.com

Abstract:: image segmentation; glomerular filtration rate; morphological reconstruction; Otsu thresholding