放射組學(xué)圖像分割法研究進(jìn)展

霍文禮，孫洪贊

(中國醫(yī)科大學(xué)附屬盛京醫(yī)院放射科，遼寧 沈陽 110000)

醫(yī)學(xué)影像學(xué)是醫(yī)學(xué)科學(xué)中的一項重要技術(shù)，主要用于輔助臨床制定決策。如今,醫(yī)學(xué)影像的作用迅速從以前的主要診斷工具演變?yōu)樵趥€性化精準(zhǔn)醫(yī)療背景下發(fā)揮核心作用[1]，即通過非侵入性方式獲取人體組織成像，評估和分析影像圖像后用于量化腫瘤表型，廣泛用于腫瘤的檢測、診斷、分期和管理[2]。放射組學(xué)(Radiomics)通過從海量圖像中提取大量的定量成像特征，將醫(yī)學(xué)圖像轉(zhuǎn)換成可挖掘的數(shù)據(jù)，解析影像所包含的各種病理生理學(xué)進(jìn)程及其相互關(guān)系，提供了可以量化和監(jiān)測治療的新方法[3]。多項研究表明放射組學(xué)特征對于各型癌癥的治療和預(yù)后預(yù)測具有重要作用。實際應(yīng)用中，放射組學(xué)涉及不連續(xù)的步驟，主要包括(I)高質(zhì)量圖像獲取，(II)感興趣區(qū)域ROI的識別，(III)圖像分割，(IV)特征提取及量化，(V)建立可檢索數(shù)據(jù)庫，以挖掘數(shù)據(jù)；開發(fā)分類器模型，以單獨或與其他信息(例如人口統(tǒng)計學(xué)，臨床，合并癥或基因組數(shù)據(jù))組合預(yù)測結(jié)果。

為了確保放射組學(xué)紋理特征的可靠性，準(zhǔn)確和穩(wěn)健的圖像分割必不可少[4],圖像分割是放射組學(xué)中最關(guān)鍵，同時也是最具挑戰(zhàn)和爭議的部分。關(guān)鍵性在于后續(xù)的特征數(shù)據(jù)就是從圖像分割中產(chǎn)生的。挑戰(zhàn)性在于腫瘤邊界一般都比較模糊。爭議性在于分割的可重復(fù)性上以及在自動或手動分割上依然存在爭辯。圖像分割是一項復(fù)雜圖像處理任務(wù)，常用主要分割方法有手動分割、半自動及全自動分割。

全自動分割法在影像組學(xué)的研究中尚不成熟，僅用于ROI與周圍組織結(jié)構(gòu)對比度較大的情況(如肺部腫瘤)[5]。已有報道全自動分割方法[6-7]有：基于閾值化法(threshold-based method)，基于邊緣法(edge-based method)，基于區(qū)域法(region-based method)，基于馬爾可夫隨機(jī)場法(Markov Random Field based method)，基于Snakes法(Snakes-based method)，聚類法(clustering method)等。如全自動圖像分割方法閾值化法(image gray-level thresholding)。此方法中，強(qiáng)度比標(biāo)定閾值高的圖像像素落在一個區(qū)域，而其他低于標(biāo)準(zhǔn)閾值像素落在另一個區(qū)域。如果目標(biāo)是分割一個紋理，通常得不到圖像的灰度閾值。但如果在此之前進(jìn)行特征映射(a feature map computation)計算，閾值化仍然是有效的。如果特征區(qū)分了兩種不同的紋理，然后在包含這些紋理的圖像上計算特征映射，結(jié)果將是一個圖像，顯示為一個紋理為暗區(qū)，另一個紋理為亮區(qū)。因此，閾值化特征映射的亮度將分離兩個紋理可見的輸入圖像。然而，沒有一種全自動分割可以對任何類型的圖像分割出完美的結(jié)果。

1 手動分割法

將圖像分割成腫瘤、正常組織和其他解剖結(jié)構(gòu)等興趣容積(VOI)，是后續(xù)信息分析的關(guān)鍵步驟。手動分割輪廓通常更平滑，可以顯示平滑細(xì)微的形狀細(xì)節(jié)，因此對形狀變化的影響較小。手動分割的優(yōu)勢在于準(zhǔn)確性高，對于多數(shù)邊界清晰但形態(tài)不規(guī)則的腫瘤，自動識別必定存在邊界識別的誤差，需要手動方式行精細(xì)的編輯[8]。但是由于手動分割具有較高的處理者間可變性，且是勞動密集型工作，因此對于需要非常大數(shù)據(jù)集的放射組學(xué)分析來說是不可行的。對于邊界模糊不清的腫瘤，手動模式下不同診斷醫(yī)師之間對界定腫瘤邊界的結(jié)果存在明顯的差異性，導(dǎo)致數(shù)據(jù)的可重復(fù)性低，其次是耗時和低效，不能滿足對海量數(shù)據(jù)高通量計算及提取的要求[9]。

2 半自動分割法

基于GrowCut算法實現(xiàn)的3D-Slicer是經(jīng)典半自動分割法。GrowCut[10]是一種交互式的區(qū)域增長分割策略。在給定一組初始標(biāo)簽點的情況下，該算法通過蜂窩自動化自動分割剩余圖像。該算法采用了競爭區(qū)域增長的方法，為二維和三維圖像分割提供了良好的精度和速度。對于N類分割，該算法需要從處理者獲得N組初始標(biāo)記像素(對應(yīng)于每個類的一組)。在此基礎(chǔ)上，該算法自動生成興趣容積(VOI)，即處理者標(biāo)記具有額外邊緣的像素。接下來，它利用處理者給定的像素標(biāo)簽迭代地標(biāo)記ROI中的所有剩余像素。像素標(biāo)記是使用加權(quán)相似度得分來完成的，它是相鄰像素權(quán)重的函數(shù)。未標(biāo)記的像素被標(biāo)記為對應(yīng)于權(quán)重最大的相鄰像素。

3D-Slicer提供用戶圖形界面(GUI)作為前端，并提供有效算法GrowCut作為分割的后端。在加載患者數(shù)據(jù)之后，通過手動標(biāo)記腫瘤區(qū)域內(nèi)部和外部的區(qū)域，該過程從用戶初始化前景和背景開始，接下來，GrowCut自動競爭區(qū)域增長算法被激活，并將感興趣體積(VOI)分成前景和背景區(qū)域。此后，在視覺檢查之后移除背景和周圍隔離的前景像素。如果需要，可以在完成階段手動編輯前景腫瘤。這是一種半自動分割算法，因為它涉及處理者對腫瘤和背景的定義以及最終可選手動輪廓的編輯。

3 手動分割及半自動分割比較

手動分割容易引起觀察者間的高度變異，而且是一項耗時的任務(wù)，它限制了可以處理的病例數(shù)量。同時手動分割易受觀察者間可變性的影響，這使得對半自動化和高效的分割方法的需求變得愈加明顯。已證明半自動化方法快速且能減少觀察者間的可變性，相比手動分割是更好的選擇[11]。Velazquez等[12]在一項對肺癌的研究中使用3D-Slicer，結(jié)果減少了觀察者間的可變性和描繪的不確定性。與手動分割相比，半自動分割可以通過減少不確定性和時間來改善腫瘤的分割。但這些研究均是從側(cè)重于腫瘤體積方面比較了半自動和手動分割方法。然而，還應(yīng)根據(jù)從感興趣體積(VOI)得到的放射組學(xué)特征的可靠性來評估圖像分割，隨后將其用于預(yù)后或預(yù)測模型[10]。在評估定量成像特征作為預(yù)后因素或預(yù)測因素時，必須確定它們在圖像分割過程中的可變性。假設(shè)從半自動分割圖像中提取的定量成像特征具有較低的可變性，并且比從手動圖像分割提取的特征相比更加穩(wěn)健，這是向基于成像的可再現(xiàn)模型的一步邁進(jìn)。

基于3D-Slicer半自動分割顯著提高了放射學(xué)特征量化的穩(wěn)健性，因此可以作為耗時的手動分割過程的潛在替代方案。3D-Slicer可以在放射學(xué)研究中有很廣泛的應(yīng)用，可以提取穩(wěn)健的定量圖像特征，并可用于臨床腫瘤學(xué)醫(yī)學(xué)成像的高通量數(shù)據(jù)挖掘研究。放射學(xué)研究通常建議使用自動或半自動的方法來描述腫瘤體積，而不是手動分割[13]。Velazquez等[12]比較了在CT圖像上手動和半自動腫瘤區(qū)域生長輪廓方法的準(zhǔn)確性。作者發(fā)現(xiàn)半自動輪廓法與通過外科切除測量的金標(biāo)準(zhǔn)腫瘤大小有更好的相關(guān)性。此外，Parmar等[14]人發(fā)現(xiàn)，使用半自動輪廓方法計算基于CT的放射組學(xué)特征比使用手工輪廓方法更穩(wěn)定。有學(xué)者[15]研究了代謝腫瘤體積的半自動分割閾值對基于PET的放射紋理量化精度的影響。作者發(fā)現(xiàn)，圖像分割閾值的變化對量化效果影響不大，提示代謝腫瘤體積可以通過閾值化來精確定義。Hatt和Cheebsumon等[16-17]發(fā)現(xiàn)基于PET的腫瘤描繪方法(如固定閾值和自適應(yīng)閾值)計算出的肺腫瘤大小與手術(shù)切除吻合較好，而在CT圖像上手工繪制輪廓明顯高估了病理腫瘤大小。然而，更先進(jìn)的描述算法，如模糊局部自適應(yīng)貝葉斯(FLAB)，被推薦用于較大的肺腫瘤，因為簡單的基于閾值的方法可能會導(dǎo)致低估新陳代謝活躍的腫瘤區(qū)域[18]。

綜上所述，許多自動和半自動的分割方法已經(jīng)在不同的影像模式(如CT、MRI和PET)以及不同的解剖區(qū)域(如大腦、乳腺、肺、肝臟等)中得到了應(yīng)用[19]。雖然不同的圖像模式和器官系統(tǒng)需要特殊的分割方法，但都有一些共同的要求：分割方法應(yīng)盡可能自動化，操作人員交互最少，時間效率高，并應(yīng)提供準(zhǔn)確和可重現(xiàn)的邊界。人們正在形成共識,即最佳分割是可以通過計算機(jī)輔助邊緣檢測和手工分割共同實現(xiàn)，眾所周知，不同操作者之間人工分割腫瘤輪廓的差異性很大[20]。

4 小結(jié)與展望

當(dāng)然，目前還沒有針對圖像分割的標(biāo)準(zhǔn)和指南，也沒有能同時滿足高通量、高重復(fù)性及高度一致的分割方法。穩(wěn)健高效的分割法應(yīng)該是應(yīng)用合適的參數(shù)設(shè)置，使每一項分割都能夠?qū)崿F(xiàn)對感興趣區(qū)域(ROI)分割的自動化或半自動化操作，必要時輔以手動編輯，以確保分割結(jié)果的準(zhǔn)確性和可重復(fù)性。隨著大數(shù)據(jù)與人工智能的普及，結(jié)合傳統(tǒng)圖像處理方法應(yīng)用于醫(yī)學(xué)圖像處理領(lǐng)域,取得了良好的進(jìn)展。在大數(shù)據(jù)與人工智能大背景下，手動協(xié)助下的半自動分割將也許是未來放射組學(xué)圖像分割法的風(fēng)向標(biāo)。