基于腹部CT圖像的肝臟三維建模研究

韓俊翔，張學(xué)昌，鄭洲,鄭四鳴，施岳定

1. 浙江大學(xué)寧波理工學(xué)院(寧波,315100) 2. 寧波醫(yī)療中心李惠利醫(yī)院(寧波,315041)

肝臟是人體內(nèi)排毒的重要場所， 肝臟的健康程度直接影響人體的健康， 因此對于肝臟治療至關(guān)重要。但是， 由于肝臟周圍組織和器官的干擾， 如果直接由CT圖像建立肝臟三維模型是非常困難的， 而且往往要配合手動操作， 這要就難免帶有主觀因素， 精度難以保證。因此， 先提取出肝臟邊緣特征然后再進行三維建模是一個有效的途徑。

肝臟特征提取主要是通過圖像分割算法實現(xiàn)的?；谶吘壍姆指罘椒ㄊ歉鶕?jù)圖像邊緣來達到圖像分割的目的?；趨^(qū)域的分割方法是按照某種屬性將圖像劃分為相應(yīng)的區(qū)域， 如生長種子法、 分裂合并法等。特征空間分割方法實際上是一種聚類分析， 比較常用的聚類分割算法有C-Means算法[1]和FCM算法[2-3]?；谀芰康姆指罘椒ㄖ饕抢没顒虞喞Ｐ?Active Contour Model)， 比較經(jīng)典的是Kass等提出的Snake模型[4-9]， 而幾何活動輪廓模型是利用曲線的某種參數(shù)適應(yīng)拓撲變化， 水平集(Level Set)方法[10-12]和幾何活動輪廓模型[13]結(jié)合的效果更加明顯， 比較經(jīng)典的區(qū)域水平集方法是由Chan和Vese提出的Chan-Vese模型[14-17]?，F(xiàn)有各類算法均不能完全分割出肝臟， 它們的優(yōu)缺點及在肝臟特征提取問題上的可行性， 見表1。

肝臟三維數(shù)據(jù)建模即由離散的醫(yī)學(xué)斷層數(shù)據(jù)構(gòu)造出肝臟的三維數(shù)學(xué)表示。肝臟三維建模的方法大致可分為基于曲面的重建和基于體素的重建兩大類型。曲面重建方法[18-19]主要有：基于斷層輪廓線的表面重建方法、 基于體素的等值面重建方法和幾何變形法。常用的肝臟建模方法有：MC算法、 光線投射算法和基于Mimics的建模方法， 其優(yōu)缺點，見表2。

表2 各類建模方法優(yōu)缺點及可行性

1 基于灰度分離的邊緣特征提取

1.1 腹部CT圖像說明

CT圖像序列以三視圖的形式進行呈現(xiàn)， 分別為軸狀位(Transverse/Axis plane)、 冠狀位(Coronal/Frontal plane)和矢狀位(Sagittal plane)。其中， 軸狀位表示以身高方向為法線的橫切面， 冠狀位指沿左、 右方向?qū)⑷梭w縱切為前后兩部分的斷面， 矢狀位即按前后方向?qū)⑷梭w縱切為左、 右兩部分的斷面。圖1所示為軸狀位。

圖1 腹部CT圖像器官結(jié)構(gòu)

肝臟是人體內(nèi)最大的實質(zhì)性臟器和消化腺， 其大小因人而異。左右徑(長)約25 cm， 前后徑(寬)15 cm， 上下徑(厚)6 cm， 重約1 200～1 500 g。肝臟的右頂部與右肺相鄰， 左頂部與心臟以及左肺低的小部分相毗連； 肝的左側(cè)臟面于胃及胰腺相連； 右側(cè)肝的臟面與膽囊、 右腎及腎上腺等器官相鄰。

CT圖像的灰度值反映的是人體組織對X射線的衰減系數(shù)。密度越大的物質(zhì)對X射線的衰減越大， 灰度值也越大； 反之， 密度越小的物質(zhì)灰度值也越小。CT的發(fā)明者Godfrey Newbold Hounsfield將水的CT值定義為0， 故醫(yī)學(xué)上定義以該標度換算的灰度值單位為Hounsfield Unit(簡稱Hu值)。圖2對肝臟、 心臟和胃Hu值進行了比較， 心臟Hu值最大， 對應(yīng)曲線在圖像最上方； 肝臟的Hu值其次， 位于三條曲線中間； 胃Hu值最小， 其曲線位于最下方。

圖2 肝臟、心臟和胃Hu值分布

所以， 由于和肝臟毗連的或Hu值相近的器官對肝臟分割造成的干擾， 使得肝臟特征提取益發(fā)困難。鑒于此， 本文提出了一種新的分割方法來解決這個難題。

1.2 灰度分離

“灰度分離”是指將相鄰的灰度區(qū)間距離拉大。假設(shè)待分割圖像U0中存在p(p≥2)個目標區(qū)域(或干擾區(qū)域)， 第k個目標區(qū)域用Tk表示，Tk對應(yīng)的灰度范圍是[Tk,1,Tk,2](灰度分離區(qū)間)且Tk+1,1-Tk,2=εk≤c， 其中εk為非負數(shù)，c為設(shè)定的可以進行有效的區(qū)域增長閾值(區(qū)域增長是將灰度值接近且相鄰的像素點集合在一起， 并且去除灰度值差別較大或不相連的像素點， 這樣就可以把肝臟特征提取出來。通常的區(qū)域增長算法是先設(shè)定一個閾值c， 然后選取一個像素點作為起始種子點， 其灰度值記為t0， 再遍歷起始種子點周圍的像素點， 若該像素點的灰度值t∈[t0-c,t0+c]， 則將該像素點灰度值置為1， 直到?jīng)]有像素點滿足條件為止， 不滿足條件的灰度值置為0， 過小會計入一些無關(guān)的像素點， 過大會丟失部分相關(guān)的像素點)，k=1,2,3Λp，U0的像素為m×n， 位于第i行、 第j列的像素點對應(yīng)的灰度值為ui,j， 則其灰度矩陣U為:

(1)

當ui,j

當T11≤ui,j≤T12時， 令u'i,j=ui,j+c1；

當T12

Λ

當Tp-1,2

當ui,j>Tp,2時， 令u'i,j=0。

其中i=1,2,3Λm,j=1,2,3Λn,c1、c2Λcp稱為灰度分離常數(shù)(其值可以為負)且對于任意k=1,2,3Λp、k+=1,2,3Λp， 當k≠k+時， 有(Tk,1+ck)-(Tk',2+ck')≥c或 ， 則進行灰度分離后的圖像U0的灰度矩陣變成U+， 其值為:

(2)

如圖所示將灰度值小于肝臟部分的器官看成目標區(qū)域(干擾區(qū)域)1， 肝臟部分看成目標區(qū)域2， 灰度值大于肝臟部分的器官為目標區(qū)域3， 即 ， 對于這種目標區(qū)域較少的圖像， 第k個目標區(qū)域Tk對應(yīng)的灰度分離常數(shù)ck值可以直觀確定， 如果p較大， 那么灰度區(qū)間劃分后目標區(qū)域Tk對應(yīng)的灰度區(qū)間記為[T'k,1,T'k,2]， 則：

(3)

(4)

灰度分離和其它算法的效果如圖3所示。

圖3 灰度分離與其它算法處理效果比較

從圖3可以很明顯的看出， 灰度分離相較于其它算法， 把肝臟特征更好地呈現(xiàn)了出來。

2 基于MATLAB和MIMICS的肝臟三維重建方法

現(xiàn)有的肝臟建模方法耗時巨大且需要手動配合， 鑒于此， 本文提出了一種改進的方法(基于Matlab和Mimics的肝臟三維重建方法)， 方法是先利用灰度分離算法將肝臟原始數(shù)據(jù)導(dǎo)入Matlab進行處理， 之后即可導(dǎo)入Mimics直接生成肝臟三維模型。

在Matlab中利用灰度分離算法對整個文件夾下肝臟原始DICOM數(shù)據(jù)文件進行批量處理后(仍然保留為DICOM格式)， 導(dǎo)入Mimics時， 無需調(diào)整視窗， 整個窗口只顯示肝臟部分， 其余為黑色背景，如圖4所示。

圖4 Matlab處理后導(dǎo)入Mimics

之后閾值分割時選取全局閾值即可， 無需選取具體為軟組織(Soft tissue)或肌肉組織(Muscle tissue)等預(yù)設(shè)閾值范圍見圖5。

圖5 改進后閾值分割

選擇默認的全局閾值后的分割效果如圖6所示。

閾值分割后無需手動修改模板， 可直接由此計算出肝臟三維模型， 因此使得生成肝臟三維模型的過程變得非常容易， 操作極為簡單、 效率大大提升， 建模和光滑處理后的效果， 如圖7、 圖8所示。

圖6 閾值分割后

圖7改進方法得到的肝臟三維模型圖8光滑處理

Fig.73Dlivermodelobtainedbyimprovedmethod

Fig.8Modelsmoothing

3 實驗驗證

由于肝臟三維建模過程繁瑣、耗時較長并且需要一定的專業(yè)知識，本文通過對現(xiàn)有的算法改進和整合，以灰度分離算法為基礎(chǔ)，建立了Matlab和Mimics的紐帶，對兩位病人的腹部CT圖像成功實現(xiàn)了肝臟特征自動提取并使得模型三維重建大大簡化，其處理流程如圖9所示。

圖9 特征提取流程圖

灰度線性變換是一種圖像增強， 它使得圖像顯示更加清晰， 其作用是使得水平集提取輪廓更加清晰。效果如圖10所示。

圖10 灰度線性變換

圖11 灰度頻數(shù)直方圖

接著對水平集方法分割后的輪廓線內(nèi)的灰度進行分析， 確定目標區(qū)域個數(shù)以及劃分適當?shù)幕叶确蛛x區(qū)間， 例如：由于肝臟灰度有先驗知識， 那么從圖11可以看出， 病人甲肝臟灰度大致分布在[95,115]， 由于只需提取肝臟邊緣特征， 而靠近肝臟的灰度區(qū)間[75,95]、 [115,125]對肝臟灰度區(qū)間造成了干擾， 則目標區(qū)域 ， 故將灰度區(qū)間劃分為[75,95],[95,115],[115,125]， 其余灰度范圍[0,75] 、 [125,255]可以忽略， 看成背景(灰度值置0)， 取灰度分離常數(shù)分別為-50,0,+50， 則灰度區(qū)間變?yōu)閇25,45],[95,115],[165,175]。

如果是對整幅圖像處理， 由于灰度區(qū)間[125,255]內(nèi)像素點個數(shù)較少， 可以忽略， 看成背景(灰度值置為0)； 而灰度區(qū)間[0,75]內(nèi)的像素點則不可忽略了， 則， 那么灰度區(qū)間將劃分為[0,25],[25,75],[75,95],[95,115],[115,125]， 灰度分離常數(shù)分別為15,35,55,75,95， 則灰度區(qū)間變?yōu)閇15,40],[60,110],[130,150],[170,190],[210,220]。

原始圖像如圖12所示。

根據(jù)得到的灰度區(qū)間和灰度分離常數(shù)參數(shù)， 用灰度分離方法對圖像進行處理， 灰度分離后如圖13所示。

區(qū)域增長需要手動選取種子點， 并且將滿足條件的像素點灰度值置為1， 不滿足條件的灰度值置為0， 但這樣會使得圖像變成二值圖， 造成圖像灰度信息丟失。本文對現(xiàn)有的區(qū)域增長算法進行了改進， 因為雖然每個人的肝臟形狀不一， 但是它在圖像中的大致位置是事先知道的(位于圖像左上方)， 所以只要灰度值在灰度區(qū)間[95,115]內(nèi)且滿足位置限制條件的像素點都可以作為起始種子點， 同時， 把滿足條件的像素點灰度值保留， 其余為0， 這樣， 處理過的圖像就依然是灰度圖像而不是二值圖像了。使用改進的區(qū)域增長算法分割后的圖像如圖14所示。

圖12原始圖像(增強顯示)圖13灰度分離

Fig.12EnhancedCTimageFig.13Grayseparation

圖14 改進后區(qū)域增長圖

重復(fù)以上步驟可得到肝臟邊緣特征序列， 如圖15所示。

圖15 肝臟特征序列

病人肝臟底端到頂端每間隔一定層距所選取的切片進行灰度分離和改進區(qū)域增長算法處理后得到的特征序列。

由提取到肝臟特征序列， 就可以直接導(dǎo)入三維建模軟件Mimics進行建模， 無需手動選取閾值， 大大縮短了時間。三維重建完成后， 再對其進行形態(tài)學(xué)處理， 去除周邊毛刺， 處理之后效果如圖16、 圖17所示。

圖16肝臟三維模型圖17肝臟三維模型斷面

Fig.163DlivermodeltomographFig.173Dlivermodeltomograph

經(jīng)實驗驗證， 使用基于Matlab和Mimics的肝臟建模方法較之于傳統(tǒng)的只利用Mimics建模不僅使得操作簡化， 建模時間也大為縮短， 它們的耗時比較見表3。

由表3可知， 即使一個非常熟練的醫(yī)師用傳統(tǒng)的Mimics進行肝臟建模的時間也要2小時1分45秒， 并且依賴醫(yī)師的臨床經(jīng)驗， 模型精度和質(zhì)量無法保證， 而用本文的基于Matlab和Mimics的肝臟建模方法僅用5分30秒即可完成肝臟建模整個過程并且無需依賴任何經(jīng)驗， 操作簡單， 精度和質(zhì)量均可保證。

表3 耗時對比

4 結(jié)論

結(jié)合灰度線性變換、 水平集方法和改進的區(qū)域增長算法等， 通過灰度分離的分割方法， 成功解決了肝臟邊緣特征無法完全正確提取問題， 并在肝臟特征序列的基礎(chǔ)上利用Mimics進行了分層重構(gòu)， 簡化了傳統(tǒng)的肝臟建模過程并提高了精度。綜合比較了各類圖像分割算法在肝臟特征提取上的不足， 提出了灰度分離的分割方法并給出了如何確定灰度分離區(qū)間, 以及如何使各個灰度區(qū)間分離的具體方法, 確定了各項參數(shù)求法， 可以較好地將腹部CT圖像中肝臟特征提取出來， 實現(xiàn)了自動分割， 避免了人工分割誤差， 同時也大大加快了分割效率。同時， 針對現(xiàn)有的肝臟建模算法不足之處， 提出了基于Matlab和Mimics的肝臟三維建模方法， 大大簡化了建模過程, 縮短了肝臟建模時間。最后， 以兩位病人的腹部CT圖像原始DICOM數(shù)據(jù)， 通過灰度分離算法、 基于Matlab和Mimics肝臟三維建模方法成功構(gòu)建了肝臟三維模型并打印了肝臟實體模型，證明了本文方法的正確性。

[1] 胡世英,周源華.Fuzzy C-Means算法中隸屬度信息在特征空間的分布特性分析及改進方法[J]. 紅外與毫米波學(xué)報,1999,18(1):69-74.

[2] 葛琦,韋志輝,張建偉,等.結(jié)合改進FCM算法的多相位CV模型[J].中國圖象圖形學(xué)報,2011,16(4):547-553.

[3] 丁震,胡鐘山,楊靜宇,等.FCM算法用于灰度圖象分割的研究[J]. 電子學(xué)報,1997,25(5):39-43.

[4] 曹治國,彭博,桑農(nóng),等.基于Snake模型的血管樹骨架三維重建技術(shù)[J].計算機學(xué)報,2010,33(3):603-612.

[5] 周則明,王平安,夏德深.基于Snake模型的低對比度噪聲心臟MRI圖像分割[J].系統(tǒng)仿真學(xué)報,2004,16(11):2493-2496+2500.

[6] 裴曉敏,李文娜. 超像素優(yōu)化Snake模型的乳腺X線圖像胸肌分割[J].光電子·激光,2015,26(8):1633-1638.

[7] 嚴加勇,莊天戈.序列超聲圖像邊緣檢測與跟蹤的改進Snake模型[J].上海交通大學(xué)學(xué)報,2003,37(S2):106-108+117.

[8] 王元全,賈云得.一種新的心臟核磁共振圖像分割方法[J].計算機學(xué)報,2007,30(1):129-136.

[9] 耿俊卿,孫豐榮,劉澤,等.基于自適應(yīng)形變模型的胸部CT圖像肺組織分割[J]. 系統(tǒng)仿真學(xué)報,2007,19(23):5419-5422.

[10] 錢蕓,張英杰. 水平集的圖像分割方法綜述[J]. 中國圖象圖形學(xué)報,2008,13(1):7-13.

[11] Huang CC, LI Z, Level set evolution model for image segmentation based on variable exponent p-Laplace equation[J]. Appl Math Model,2016,40(17-18):7739-7750.

[12] Liu C, Liu W B, Xing WW. An improved edge-based level set method combining local regional fitting information for noisy image segmentation[J]. Sign Proc,2016,130:12-21.

[13] 何傳江,唐利明. 幾何活動輪廓模型中停止速度場的異性擴散[J]. 軟件學(xué)報,2007,18(3):600-607.

[14] 蔣寧,章日康,蒲立新等. Chan-Vese圖像分割模型的快速實現(xiàn)算法的研究[J]. 電子科技大學(xué)學(xué)報,2008,37(5):705-708.

[15] 解立志,周明全,田沄等. 基于區(qū)域增長與局部自適應(yīng)C-V模型的腦血管分割[J]. 軟件學(xué)報,2013,24(8):1927-1936.

[16] Hao J S, Chen H. An incremental Chan-Vese model for fast medical image segmentation[J]. IFAC Proc,2013,46(20):18-22.

[17] Wang X M, Guo L X, Yin J W, et al. Narrowband Chan-Vese model of sonar image segmentation: an adaptive ladder initialization approach[J]. Appl Acoust,2016,113:238-254.

[18] 劉勝蘭,周儒榮,張麗艷.三角網(wǎng)格模型的特征線提取[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,2003,15(4):444-448+453.

[19] 金征宇,張竹花,林松柏,等.十六層螺旋CT冠狀動脈造影的初步探討[J].中華醫(yī)學(xué)雜志,2003,83(13):42-47.