基于超像素方法的腹部CT影像多目標(biāo)器官分割研究

張海濤，劉景鑫，王春月，趙曉晴，李慧盈

1.吉林大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，吉林 長(zhǎng)春 130012；2.吉林大學(xué)中日聯(lián)誼醫(yī)院，吉林 長(zhǎng)春 130033

引言

人體腹部CT圖像是臨床醫(yī)學(xué)中醫(yī)生用于研究腹部各器官結(jié)構(gòu)、診斷病變的重要工具之一，利用計(jì)算機(jī)的高處理性能對(duì)腹部CT圖像進(jìn)行分割處理以獲取信息，能夠更加高效準(zhǔn)確地幫助醫(yī)生實(shí)現(xiàn)對(duì)病人病變區(qū)域的疾病診斷、疾病跟蹤、診斷方案、質(zhì)量評(píng)定、疾病監(jiān)測(cè)等。

目前，在醫(yī)學(xué)影像分割中由于目標(biāo)形狀、目標(biāo)邊緣以及同質(zhì)性等所導(dǎo)致的分割效果不明顯問(wèn)題還未得到有效的解決[1]。大部分傳統(tǒng)圖像分割方法并不能在腹部CT圖像的處理上取得較為完善的結(jié)果，如利用區(qū)域生長(zhǎng)法的分割[2-5]，雖然能確保分段的連續(xù)性和降低噪聲的敏感度但是難以確定較好的種子點(diǎn)和收斂規(guī)則；基于聚類的分割方法[6-8]，實(shí)現(xiàn)容易、魯棒性高，但是其主要應(yīng)用在MR圖像上，對(duì)腹部CT圖像并不適用；而基于可行變方法[9]的圖像分割即使擁有較高的分割精度，但是由于需要調(diào)整合適的參數(shù)從而導(dǎo)致在實(shí)際應(yīng)用中的速度較慢；目前應(yīng)用最為廣泛的就是基于分類器的方法，該分割方法能有效的應(yīng)用于MR和CT圖像中，但計(jì)算復(fù)雜，處理速度較慢，因此難以滿足醫(yī)療行業(yè)的預(yù)期需要。對(duì)此，近年來(lái)快速發(fā)展出了一種新的圖像處理技術(shù)—超像素[10]，它將圖像快速分割為一定數(shù)量的具有語(yǔ)言意義的子區(qū)域，相比于傳統(tǒng)處理方法中的基本單元——像素，超像素更有利于局部特征的提取與結(jié)構(gòu)信息的表達(dá)，并且能夠大幅度降低后續(xù)處理的計(jì)算復(fù)雜度，在計(jì)算機(jī)視覺(jué)領(lǐng)域尤其是圖像分割中得到了廣泛的應(yīng)用。

因此，本文引入超像素的方法，對(duì)腹部CT圖像進(jìn)行分割。不同于傳統(tǒng)分割方法只根據(jù)邊界區(qū)域、灰度等進(jìn)行分割，本文中基于超像素的分割方法在指導(dǎo)聚類過(guò)程的過(guò)程中結(jié)合了目標(biāo)形狀和灰度大小，將聚類結(jié)果定義為可視化塊，成功將腹部各器官分割出來(lái)。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)本文中的方法相比于常用算法，提高了準(zhǔn)確度、縮短了運(yùn)行時(shí)間并具有較好的適用范圍。

1 基于超像素的腹部CT影像多目標(biāo)器官分割方法

由于受到醫(yī)療成像設(shè)備和人體組織器官蠕動(dòng)的影響，腹部CT圖像[11-12]在含有重要醫(yī)學(xué)信息的同時(shí)也伴隨有部分不必要的噪聲和偽影，給腹部各目標(biāo)器官的分割帶來(lái)了困難?；诔袼氐母共緾T影像多目標(biāo)器官分割方法旨在解決上述問(wèn)題，將圖像的處理粒度從孤立的像素升級(jí)為具有相互聯(lián)系的像素塊的形式，從而定義了分割的限制形式。通過(guò)像素分組的形式使得待分割圖像更易理解，各個(gè)目標(biāo)器官的邊緣更加清晰，更有利于醫(yī)生診斷病情。本文方法主要從分割預(yù)處理、提取各器官特征以及對(duì)不同器官標(biāo)簽分類3個(gè)方面進(jìn)行展開(kāi)，下面詳細(xì)介紹各個(gè)部分。

1.1 分割預(yù)處理

人體腹部醫(yī)療影像中包含有大量的組織和器官：肝、胃、脾、椎骨、主動(dòng)脈等，見(jiàn)圖1。CT圖像中各個(gè)器官的灰度值差異較小，器官間邊界區(qū)域不明顯。因此，對(duì)于一副輸入的腹部CT影像，分割預(yù)處理首先將圖像劃分為n個(gè)初始矩形子區(qū)域，設(shè)圖像的寬是W，高是H，則超像素的邊長(zhǎng)這也就形成了n個(gè)初始的超像素，并將其作為n個(gè)聚類初始點(diǎn)，見(jiàn)圖2。

圖1 人體腹部CT結(jié)構(gòu)圖

圖2 n個(gè)劃分超像素塊

通過(guò)計(jì)算每個(gè)像素的梯度向量，可以盡可能的減小邊緣不清晰和噪聲較多等對(duì)聚類結(jié)果所產(chǎn)生的干擾。排序選出最小的點(diǎn)，并將其設(shè)定為初始的超像素聚類中心點(diǎn)[13]，規(guī)定每個(gè)聚類起點(diǎn)對(duì)應(yīng)的聚類區(qū)域?yàn)槠渌诘?S×2S鄰域內(nèi)。聚類時(shí)，由于聚類區(qū)域相比于全局只限定于在這個(gè)2S×2S的區(qū)域內(nèi)，從而有效地提高了計(jì)算速率。

1.2 提取器官特征

利用超像素相鄰相近的度量方法，從而提取出腹部CT中的紋理和亮度特征。如公式(1)所示，像素位置的鄰近度dxy用歐氏距離表示?；叶认嗨浦礵gray用兩個(gè)像素灰度的正差值表示，其中像素的灰度值為grayi，目標(biāo)函數(shù)定義為見(jiàn)式(2)。利用度量準(zhǔn)則描述超像素間的特征距離D，結(jié)合位置鄰近度dxy和灰度相似度dxy，將其目標(biāo)函數(shù)定義為式(3)所示。

在使用模糊C-均值聚類算法[14]進(jìn)行聚類時(shí)，對(duì)于所選的實(shí)驗(yàn)圖為512×512而言，為了避免所選初始聚類中心數(shù)太少導(dǎo)致起不到超像素的效果，而太多又會(huì)影響速度，故而將初始聚類起點(diǎn)設(shè)定有81個(gè)，而為了能較快的得到聚類結(jié)果且保證最終算法的收斂，將迭代循環(huán)次數(shù)設(shè)置為不超過(guò)10次。將超像素的特征距離D定為聚類準(zhǔn)則，更新超像素邊界，從而得到了新的腹部切片聚類超像素情況（圖3）。

圖3 腹部切片聚類生成的超像素

截止到目前，本文的特征提取步驟已經(jīng)將單個(gè)像素經(jīng)過(guò)聚類形成了包含一定數(shù)量像素的超像素集合。為了提高劃分的準(zhǔn)確性，再將超像素的相對(duì)空間位置和紋理屬性加入到相似性度量的標(biāo)準(zhǔn)D′，目標(biāo)函數(shù)定義式如式(4)所示。

其中G為超像素的灰度平均值，E為超像素紋理的能量，I為超像素紋理的慣量，N為超像素紋理的熵，C為超像素紋理的相關(guān)性。

通常我們用灰度共生矩陣[15]（Gray-Level Co-Occurrence Matrix，GLCM）來(lái)定義超像素之間的相似度關(guān)系，并用紋理屬性[16]來(lái)對(duì)其標(biāo)識(shí)。GLCM函數(shù)基本原理是計(jì)算像素對(duì)的頻率，若假定空間為“出現(xiàn)在右面或者下面”，那么圖4中的左側(cè)圖像對(duì)應(yīng)的灰度共生矩陣則為右側(cè)所示。

圖4 圖像的灰度共生矩陣

在創(chuàng)建灰度共生矩陣后，可以從中導(dǎo)出多個(gè)統(tǒng)計(jì)信息，這些統(tǒng)計(jì)信息提供了有關(guān)圖像紋理的衡量標(biāo)準(zhǔn)。可以導(dǎo)出的統(tǒng)計(jì)信息，見(jiàn)表1。

表1 共生矩陣中所導(dǎo)出的信息

1.3 對(duì)不同器官標(biāo)簽分類

此外考慮到各臟器內(nèi)部由于存在血管、淋巴等組織，故而為了提高分割效果，對(duì)器官采取了標(biāo)簽分類以及對(duì)比器官的超像素塊間的相對(duì)空間關(guān)系來(lái)處理。首先采用人工方式，手動(dòng)對(duì)脊椎、脾臟、膽囊、肝臟、腎臟等組織結(jié)構(gòu)的超像素?cái)?shù)據(jù)集合進(jìn)行標(biāo)記，生成帶有標(biāo)簽的訓(xùn)練集，然后將每個(gè)超像素塊做分類處理，獲得超像素塊的標(biāo)簽。每類臟器都有其所對(duì)應(yīng)的超像素標(biāo)簽，具有相同標(biāo)簽的超像素屬于同一個(gè)器官或組織，每個(gè)器官或組織由若干個(gè)帶有標(biāo)簽的超像素構(gòu)成。標(biāo)記規(guī)則，見(jiàn)圖5，其中背景標(biāo)記為0。

圖5 各器官標(biāo)記規(guī)則

由于腹部各器官之間存在著相互依賴的關(guān)系，因此可用超像素塊之間的相對(duì)空間關(guān)系來(lái)表示真實(shí)臟器之間的實(shí)際位置關(guān)系。式(5)描述了超像素之間的鄰近性。其中：d表示超像素之間的距離，‖·‖定義為L(zhǎng)2范式，超像素中心像素點(diǎn)(x1,y1)、(x2,y2)的坐標(biāo)分別為p1、p2。當(dāng)超像素之間的距離和邊長(zhǎng)滿足式(6)時(shí)，則將兩超像素點(diǎn)定義為相鄰；當(dāng)超像素之間的距離和邊長(zhǎng)滿足式(7)時(shí)，則將兩超像素點(diǎn)定義為相近，其中S表示超像素分割時(shí)初始聚類矩形塊的邊長(zhǎng)。

實(shí)際人體器官之間的位置不僅存在著相互依存的關(guān)系，同時(shí)也存在著相互制約的關(guān)系。通過(guò)建立有向鄰接關(guān)系圖來(lái)描述超像素群之間的相關(guān)性約束，在特征分類的同時(shí)通過(guò)器官之間的相互制約關(guān)系提高分類的準(zhǔn)確率，最終減少分類分割的誤差（圖6）。

圖6 超像素群的空間相對(duì)位置約束

2 實(shí)驗(yàn)結(jié)果

2.1 區(qū)域生長(zhǎng)、高斯混合模型與本文方法對(duì)比

選用一組腹部CT醫(yī)學(xué)圖像進(jìn)行單目標(biāo)和多目標(biāo)的分割來(lái)驗(yàn)證本文算法的有效性，圖像參數(shù)為大小512×512的DICOM格式文件，切片間距為2.5 mm，圖像來(lái)源于吉林大學(xué)白求恩第一醫(yī)院。

通過(guò)醫(yī)學(xué)圖像預(yù)處理將圖像轉(zhuǎn)換為灰度級(jí)為0～255的BMP格式圖像，然后采用本文提出的基于超像素的分割方法，結(jié)合圖像灰度相似性和位置鄰近性，經(jīng)過(guò)自底向上的聚類和自頂向下的分類兩個(gè)步驟來(lái)進(jìn)行目標(biāo)分割（圖7）。實(shí)驗(yàn)結(jié)果表明本文方法對(duì)腹部CT中部分器官具有較高的分割完整率，不存在漏檢、誤檢現(xiàn)象。

圖7 單目標(biāo)分割結(jié)果

選用區(qū)域生長(zhǎng)和高斯混合模型[17]以分割右腎為例作為對(duì)照實(shí)驗(yàn)，驗(yàn)證算法的單目標(biāo)分割能力，不同方法的右腎提取情況，見(jiàn)圖8。綜合表現(xiàn)對(duì)比，見(jiàn)表2，從表中可以看出本文選用的方法在單目標(biāo)圖像分割中具有較為顯著的優(yōu)勢(shì)。

圖8 單目標(biāo)分割結(jié)果對(duì)比

表2 分割效率對(duì)比表

區(qū)域生長(zhǎng)方法[1]需要人工手動(dòng)選定初始種子生長(zhǎng)點(diǎn)，終止條件的設(shè)定容易受到噪聲的影響。高斯混合模型[17]采用多個(gè)單高斯分布的組合，以迭代的方式估計(jì)算法的參數(shù)，但是不能保證總是收斂，而且只能收斂到局部極值，不能達(dá)到全局最優(yōu)。本文的腹部器官分割方法將初始聚類中心設(shè)為梯度最小點(diǎn)，可以有效的減小噪聲對(duì)結(jié)果的影響。然后以超像素紋理和空間幾何位置關(guān)系加入到超像素粒度的聚類準(zhǔn)則，對(duì)分割結(jié)果進(jìn)行進(jìn)一步的修正，可以抑制分割不全或過(guò)度分割的現(xiàn)象。

2.2 分割結(jié)果評(píng)判指標(biāo)

區(qū)域內(nèi)一致性[18]常常作為判斷圖像分割結(jié)果的指標(biāo)。優(yōu)秀分割算法的標(biāo)簽表現(xiàn)為區(qū)域內(nèi)的顏色、灰度、紋理等屬性的一致性，而整個(gè)圖像的一致性通常定義為其中各部分一致性的均值。區(qū)域一致性可以通過(guò)最大對(duì)比度來(lái)評(píng)價(jià)，對(duì)于一副腹部醫(yī)學(xué)影像，假設(shè)分割后有n個(gè)區(qū)域，分別為R1、R2、R3…Rn。將Si定義為第i個(gè)區(qū)域的一致性，那么Si表示如式(8)所示。

其中g(shù)rayi定義為圖像的灰度值，Ni為第i個(gè)區(qū)域中的像素個(gè)數(shù)，W(i)為像素i的領(lǐng)域。

進(jìn)一步將同質(zhì)性作為表示區(qū)域一致性的指標(biāo)，取值范圍為[0,1]，同質(zhì)性評(píng)價(jià)結(jié)果，見(jiàn)圖9。從圖9可以看出，同質(zhì)性數(shù)值都大于0.7的超像素所占比例在90%以上，表示此區(qū)域超像素的紋理比較均勻。部分超像素的同質(zhì)性值相對(duì)較低，但本文則進(jìn)一步利用了空間幾何位置鄰近度來(lái)修正聚類結(jié)果，有效保障分割結(jié)果的準(zhǔn)確性。

除了區(qū)域一致性指標(biāo)之外，還可以通過(guò)分割準(zhǔn)確率來(lái)分析分割效果。其定義見(jiàn)式(9)所示，其中錯(cuò)誤分割的像素總數(shù)和正確分割的像素總數(shù)分別用F和T來(lái)表示。本文基于超像素的方法分割腹部部分器官得到的準(zhǔn)確率概況，見(jiàn)圖10。

圖9 同質(zhì)性評(píng)價(jià)

圖10 不同器官分割準(zhǔn)確度

腹部多目標(biāo)醫(yī)學(xué)影像分割結(jié)果，見(jiàn)圖11。通過(guò)圖11給出了3個(gè)說(shuō)明性示例，進(jìn)一步表明本文提出的算法是效果更好的方法。白色箭頭指示常規(guī)先前的失效區(qū)域。以區(qū)域生長(zhǎng)、最大后驗(yàn)最小體積重疊算法[19]、基于梯度參數(shù)和閾值的分割[20]作為參考實(shí)驗(yàn)。通過(guò)與其他分割方法對(duì)比，使用本文的方法比其他方法更好地分割了胰腺的頭部（圖11a）。胰腺、膽囊被常規(guī)方法遺漏，而本文方法更有效（圖11b）。常規(guī)方法會(huì)將右腎劃分到肝臟中，在這種情況下，分割的肝區(qū)域泄漏到右腎中。然而，即使當(dāng)將泄漏的肝臟用于預(yù)測(cè)器官時(shí)，通過(guò)本文的方法依然成功地分割了這些器官。肝臟泄漏的區(qū)域由圖中的白色箭頭指示。通過(guò)本文分割方法，更好地將脾臟、左腎、胰腺、膽囊等區(qū)域分割出來(lái)（圖11c）。在所示的3種情況下，本文的方法優(yōu)于或等同于用于腹部目標(biāo)器官的分割的常規(guī)方法。

3 結(jié)束語(yǔ)

醫(yī)學(xué)圖像的處理影響著醫(yī)療系統(tǒng)的進(jìn)步和發(fā)展，有必要將先進(jìn)的計(jì)算機(jī)技術(shù)與具體的臨床醫(yī)療和學(xué)術(shù)研究相結(jié)合起來(lái)，高性能的圖像分割技術(shù)能進(jìn)一步幫助醫(yī)生實(shí)現(xiàn)對(duì)病灶的準(zhǔn)確判斷。

圖11 腹部多目標(biāo)醫(yī)學(xué)影像分割結(jié)果

本文將超像素理念應(yīng)用到醫(yī)學(xué)圖像分割中，提出了一種基于超像素的腹部醫(yī)學(xué)影像多目標(biāo)分割方法。針對(duì)腹部CT影像，在傳統(tǒng)分割方法的基礎(chǔ)上，將超像素作為基本結(jié)構(gòu)單元，結(jié)合了圖像的空間關(guān)系、灰度特征，從兩個(gè)方向?qū)D像聚類再分類，在提高分割準(zhǔn)確率的同時(shí)也提高了分割效率。我們的下一步工作則是針對(duì)存在病灶干擾導(dǎo)致極大HU值差異時(shí)的病變器官分割提取的研究。

未來(lái)的醫(yī)學(xué)影像分割應(yīng)當(dāng)朝著一種更加智能化，高效化的方向發(fā)展，在充分利用計(jì)算機(jī)性能的同時(shí)也應(yīng)更好的結(jié)合醫(yī)學(xué)領(lǐng)域中的先驗(yàn)知識(shí)，發(fā)展出新的技術(shù)，更好的為醫(yī)療影像分割所服務(wù)。

[1] 李強(qiáng).醫(yī)學(xué)圖像分割進(jìn)展[J].中國(guó)醫(yī)療設(shè)備,2010,25(5):121-124.

[2] Kamdi S,Krishna RK.Image segmentation and region growing algorithm[J].Inter J Comput Tech Elec Engin,2012,1(2).

[3] 徐蔚波,劉穎,章浩偉.基于區(qū)域生長(zhǎng)的圖像分割研究進(jìn)展[J].北京生物醫(yī)學(xué)工程,2017,36(3):317-322.

[4] 彭微.基于區(qū)域生長(zhǎng)算法的肝臟CT圖像分割[J].醫(yī)療衛(wèi)生裝備,2014,35(9):49-50.

[5] 馮皓.圖像區(qū)域生長(zhǎng)算法的穩(wěn)定性研究[D].福州:福建師范大學(xué),2012.

[6] Bezdek JC,Hall LO,Clarke LP.Review of MR image segmentation techniques using pattern recognition[J].Med Phys,1993,20(4):1033.

[7] 何瀚志,朱紅,王競(jìng).基于聚類分析的醫(yī)學(xué)圖像分割綜述[J].中國(guó)科技信息,2017,(15):43-46.

[8] 加小紅.聚類算法及其在圖像分割中的應(yīng)用研究[D].蘭州:蘭州交通大學(xué),2017.

[9] Metaxas DN.Physics-based deformable models: applications to computer vision, graphics, and medical imaging[J].Graph Med Imag,1997.

[10] 宋熙煜,周利莉,李中國(guó),等.圖像分割中的超像素方法研究綜述[J].中國(guó)圖象圖形學(xué)報(bào),2015,20(5):599-608.

[11] 韓文艷.CT能譜成像的基本原理與臨床應(yīng)用優(yōu)勢(shì)[J].中國(guó)醫(yī)療設(shè)備,2015,30(12):90-91.

[12] 梁?jiǎn)⑻?鐘向陽(yáng).心臟冠狀動(dòng)脈多排CT掃描的優(yōu)化措施[J].中國(guó)醫(yī)療設(shè)備,2011,26(8):161-162.

[13] 郭書(shū)杰,吳小欣,黃杰.改進(jìn)的聚類分析算法及其性能分析[J].計(jì)算機(jī)時(shí)代,2010,(8):4-6.

[14] Bezdek JC,Ehrlich R,Full W.FCM: The fuzzy c-means clustering algorithm[J].Comput Geosci,1984,10(2):191-203.

[15] 賀曉建,王福明.基于灰度共生矩陣的紋理分析方法研究[J].山西電子技術(shù),2010,(4):89-90.

[16] 張?jiān)票?張永生.基于圖像紋理特征的目標(biāo)快速檢索[J].高技術(shù)通訊,2004,14(8):11-14.

[17] 張樹(shù)偉.醫(yī)學(xué)圖像的高斯混合模型及聚類研究[D].鎮(zhèn)江:江蘇大學(xué),2010.

[18] 胡兵.改進(jìn)的Otsu算法在多尺度圖像分割中的應(yīng)用研究[D].長(zhǎng)沙:中南大學(xué),2012.

[19] Liu X,Linguraru MG,Yao J,et al.Abdominal multi-organ localization on contrast-enhanced CT based on maximum a posteriori probability and minimum volume overlap[A].IEEE International Symposium on Biomedical Imaging: From Nano To Macro[C].IEEE,2011:2083-2086.

[20] Selver MA,Kocao?lu A,Akyar H,et al.Patient oriented neural networks to overcome challenges of abdominal organ segmentation in CT angiography studies[A].International Conference on Electrical and Electronics Engineering[C].New York:IEEE,2009:177-181.