不同計(jì)算機(jī)自動(dòng)分割算法對(duì)不規(guī)則腦出血CT圖像分割的對(duì)比研究

杜一凡，瞿航，王葦，趙義

1. 大連醫(yī)科大學(xué) 研究生院，遼寧 大連 116023；2. 揚(yáng)州大學(xué)附屬醫(yī)院 放射科，江蘇 揚(yáng)州 225009

引言

隨著醫(yī)學(xué)成像設(shè)備的發(fā)展和計(jì)算機(jī)技術(shù)的進(jìn)步，人工智能軟件已經(jīng)在臨床上得到廣泛的應(yīng)用，可對(duì)臨床治療方案的制定起到一定的輔助作用[1]。其中一個(gè)重要基礎(chǔ)就是對(duì)影像檢查圖像數(shù)據(jù)的處理，更為精確地分割、識(shí)別病灶區(qū)域?qū)笃谠\斷的準(zhǔn)確性起到關(guān)鍵的作用[2]。腦出血是神經(jīng)系統(tǒng)最常見(jiàn)的疾病之一，具有病情變化迅速，病殘率高，死亡率高的特點(diǎn)。CT 是臨床診斷腦出血最重要的方法之一，CT 影像提供的診斷信息包括出血部位、出血量、中線移位及腦室受壓程度等[3]。對(duì)CT 圖像的病變區(qū)形態(tài)特征進(jìn)行提取和分割，以及影像學(xué)征象進(jìn)行識(shí)別，是腦出血影像學(xué)分析的重要基礎(chǔ)，同時(shí)具有重要的臨床意義[4]。自發(fā)性腦出血CT 影像中存在出血形態(tài)不規(guī)則、邊界不連續(xù)、運(yùn)動(dòng)偽影較大、高噪聲等特點(diǎn)[5]，運(yùn)用分割算法對(duì)CT 影像中出血區(qū)域精確分割是影像評(píng)估的基礎(chǔ)。

近年來(lái)，越來(lái)越多的圖像分割算法應(yīng)用于醫(yī)學(xué)圖像輔助診斷，如腹腔實(shí)質(zhì)臟器分割等[6]。腦出血相關(guān)的研究同樣較多，但分割精度和實(shí)際臨床應(yīng)用價(jià)值有待進(jìn)一步提高[7]?；诖?，近年來(lái)有研究者在顱腦出血CT 圖像分割方面進(jìn)行了大量的工作，主要是基于區(qū)域和基于邊界的分割，包括閾值法、區(qū)域生長(zhǎng)法、基于梯度的邊緣檢測(cè)、模糊聚類(lèi)、基于活動(dòng)輪廓模型等方法，目前常用的軟件算法對(duì)于規(guī)則、連續(xù)的病灶區(qū)識(shí)別及分割有較好的效果，而對(duì)邊界不規(guī)則、不連續(xù)及含高噪聲的腦出血的分割效果較差[8]，如CV 模型、LBF 模型等均是經(jīng)典的基于區(qū)域活動(dòng)輪廓模型，部分模型使用局部高斯分布來(lái)擬合局部區(qū)域的灰度分布，對(duì)灰度不均勻的圖像具有比較好的魯棒性。然而此類(lèi)模型也存在一定不足，如沒(méi)有考慮到圖像區(qū)域信息，只是采用梯度信息計(jì)算邊界停止函數(shù)容易產(chǎn)生邊界泄露；此外局部區(qū)域活動(dòng)輪廓模型具有對(duì)初始的位置敏感、容易陷入局部最優(yōu)和對(duì)凹陷區(qū)域不能收斂[9]等缺點(diǎn)。近年來(lái)，隨著計(jì)算機(jī)圖像處理技術(shù)的發(fā)展，結(jié)合不同分割算法的圖像分割方式已得到了較多應(yīng)用，如王琴琴[10]提出的基于模糊C 均值和隨機(jī)漫步的CT 肝臟圖像分割算法；Ma 等[11]提出的基于人工魚(yú)群算法（Artificial Fish Swarm Algorithm，AFSA）和模糊C 均值聚類(lèi)的混合圖像分割方法等。本研究嘗試結(jié)合空間域模糊C 均值聚類(lèi)（Fuzzy C-means，F(xiàn)CM）算法以及距離規(guī)則化水平集算法，得到模糊聚類(lèi)水平集算法（Fuzzy Clustering and Distance Regularized Level Set Evolution，F(xiàn)CRLS），理論上這種算法能充分考慮空間域模糊聚類(lèi)后的信息，分割的曲線演化更準(zhǔn)確，且分割結(jié)果較為穩(wěn)定，是目前較優(yōu)的分割算法之一?；诖耍狙芯恳匀斯す串?huà)病灶區(qū)圖像為標(biāo)準(zhǔn)，通過(guò)采用戴斯相似性系數(shù)（Dice Similarity Coefficient，DSC）、杰卡德指數(shù)（Jaccard Index）、相對(duì)體積差（Relative Volume Difference，RVD）等指標(biāo)對(duì)比FCRLS、閾值法、區(qū)域生長(zhǎng)法對(duì)于不規(guī)則腦出血CT 圖像病灶分割的精確度，旨在探尋不規(guī)則腦出血分割的最優(yōu)算法，為臨床輔助診斷和后續(xù)治療提供理論依據(jù)。

1 材料與方法

1.1 病例篩選

選取2019 年5 月至8 月因自發(fā)性腦出血于本院影像科接受顱腦CT 平掃檢查的患者。排除標(biāo)準(zhǔn)：臨床病歷記錄為外傷史后出現(xiàn)顱內(nèi)血腫的患者；腦部存在腫瘤和（或）其他占位性病變的患者；梗死后出血的患者。首輪篩選采集20 例患者的不規(guī)則腦出血圖像納入本研究，包括長(zhǎng)梭形、啞鈴型、多角形、破入腦室型，且與規(guī)則血腫相對(duì)集中的類(lèi)圓形相區(qū)別[12]，其中1 例破入腦室，圖像均來(lái)源于西門(mén)子Force CT 機(jī)，使用相同的成像參數(shù)。每例患者選取病灶最大層面，在計(jì)算機(jī)分割病灶之前，進(jìn)行人工邊緣勾畫(huà)，所選圖像由兩名具有副主任醫(yī)師以上職稱(chēng)放射科醫(yī)師于不同時(shí)間段分別勾畫(huà)3 次，并協(xié)商后確定最終的分割邊界。以明亮標(biāo)記線標(biāo)記，作為血腫模的參考模板確認(rèn)，為不同算法分割后驗(yàn)證效果提供參考對(duì)比基線。

1.2 數(shù)據(jù)處理

本研究所有算法均采用基于矩陣實(shí)驗(yàn)室的平臺(tái)Matlab（version 2013a）進(jìn)行編譯。

（1）灰度閾值法：由于腦出血在CT 圖像上呈現(xiàn)高密度，CT 值較高，周?chē)X實(shí)質(zhì)是軟組織，CT 值較低，呈現(xiàn)為暗區(qū)域。通過(guò)圖像的直方圖可以看出，腦出血與周?chē)X實(shí)質(zhì)區(qū)別較大。經(jīng)過(guò)既往經(jīng)驗(yàn)和目測(cè)，出血的CT 值為60～80 HU，因此，本研究設(shè)定圖像的手動(dòng)閾值分割的臨界點(diǎn)為60～80，其定義見(jiàn)公式（1）。

式中，f(x,y)表示原圖像的CT 值；g(x,y)表示經(jīng)過(guò)手動(dòng)閾值分割后的新圖像的灰度值。利用圖像中要提取的目標(biāo)與背景在灰度上的差異，通過(guò)設(shè)置閾實(shí)現(xiàn)目標(biāo)與背景的分離，從而將病灶轉(zhuǎn)換成二值圖像。

（2）區(qū)域生長(zhǎng)法：區(qū)域生長(zhǎng)算法是一個(gè)迭代過(guò)程，選取一個(gè)合適的生長(zhǎng)閾值對(duì)生長(zhǎng)點(diǎn)上、下、左、右四個(gè)鄰接點(diǎn)考察，若鄰接點(diǎn)灰度值與初始生長(zhǎng)點(diǎn)灰度值之差小于生長(zhǎng)閾值，則該像素點(diǎn)屬于顱內(nèi)出血區(qū)域，表達(dá)方式見(jiàn)式（2）。

式中，I表示當(dāng)前像素的灰度值；Iseed表示種子點(diǎn)的灰度值；Imax與Imin分別表示圖像中的最大灰度值與最小灰度值；λ表示可調(diào)節(jié)的參數(shù)，用來(lái)控制像素之間的均勻性相似度門(mén)限。將滿足此公式的鄰近像素并入到種子區(qū)域中，合并后的像素點(diǎn)作為新的“生長(zhǎng)起始點(diǎn)”，繼續(xù)考察其鄰接的四個(gè)點(diǎn)，依次類(lèi)推，直至識(shí)別出整個(gè)出血區(qū)域。

（3） 模糊聚類(lèi)：在分割時(shí)采用隸屬度來(lái)區(qū)分不同的類(lèi)別，根據(jù)類(lèi)內(nèi)相似性、類(lèi)間相離性準(zhǔn)則對(duì)圖像像素點(diǎn)劃分歸類(lèi)，通過(guò)不斷迭代使代價(jià)函數(shù)最小化完成聚類(lèi)，F(xiàn)CM 聚類(lèi)算法用U 函數(shù)表示第i個(gè)像素值與第k個(gè)聚類(lèi)中心的模糊隸屬度，成員函數(shù)uik和聚類(lèi)中心vk根據(jù)公式（3）公式不斷迭代求解。

式中，m為作用于模糊隸屬度的權(quán)重指數(shù)；vk代表第k個(gè)聚類(lèi)中心；c代表聚類(lèi)類(lèi)別數(shù)；通過(guò)函數(shù)不斷迭代，使目標(biāo)函數(shù)J達(dá)到接近極小值，停止迭代，根據(jù)隸屬度大小，將每個(gè)像素點(diǎn)最終歸類(lèi)，見(jiàn)圖1。本研究中函數(shù)參數(shù)設(shè)置為隸屬度權(quán)重指數(shù)L=2，目標(biāo)函數(shù)的最小誤差為le-5，類(lèi)別為5，最大迭代次數(shù)=500。

圖1 基于不同方法的不規(guī)則腦出血CT圖像分割結(jié)果展示

（4） 在聚類(lèi)分割的基礎(chǔ)上，通過(guò)能量函數(shù)極小化的方式，不斷地演化輪廓曲線，最終使得輪廓曲線因能量函數(shù)達(dá)到極小值而停止演化。本研究運(yùn)用雙勢(shì)肼（Double-Well）函數(shù)，函數(shù)表達(dá)式見(jiàn)公式（4）。

雙勢(shì)肼改進(jìn)距離規(guī)則化項(xiàng)，解決了單勢(shì)肼擴(kuò)散率為負(fù)無(wú)窮大的問(wèn)題，應(yīng)用到圖像分割采用的能量泛函見(jiàn)式（5）。

式中，μ、λ、υ分別為各能量項(xiàng)系數(shù)；μRp()為距離規(guī)則化項(xiàng)；后兩項(xiàng)為外部能量項(xiàng)。μ是水平集函數(shù)初始化內(nèi)部能量項(xiàng)，采用0.2 的值；λ用于控制輪廓平滑的規(guī)則化參數(shù)；υ為氣球力參數(shù)，取值值越大，表示曲線演化速度越快，符號(hào)為正時(shí)表示曲線收縮，取負(fù)值時(shí)是曲線擴(kuò)張[13]。g為邊緣指示函數(shù)；δ(x)為Dirac 函數(shù)；H(x)為Heaviside 函數(shù)，在本研究中表達(dá)式見(jiàn)公式（6）。

綜合以上公式，可將能量函數(shù)表達(dá)式改寫(xiě)為公式（7）。

本研究水平集模型采用了雙勢(shì)肼函數(shù)以改進(jìn)距離規(guī)則化項(xiàng)，增加了結(jié)果的穩(wěn)定性及準(zhǔn)確性。

1.3 模型定義及計(jì)算方式

采用人工勾畫(huà)的感興趣區(qū)作為標(biāo)準(zhǔn)模板，分別對(duì)不同算法得到的分割結(jié)果進(jìn)行定量分析，采用Dice 系數(shù)、杰卡德指數(shù)（Jaccard Index）來(lái)衡量對(duì)病灶的分割效果。Dice 系數(shù)代表正確分割的區(qū)域占總區(qū)域的比值，計(jì)算方式為：2×正確分割的結(jié)果/（標(biāo)準(zhǔn)模板+分割結(jié)果）。Jaccard 系數(shù)主要用于計(jì)算樣本間的相似度，Jaccard 系數(shù)的計(jì)算方式為：樣本交集/樣本并集。RVD 表示兩者體積之間的差異，計(jì)算公式為：（標(biāo)準(zhǔn)模板-分割結(jié)果）/兩者的交集×100%。

1.4 統(tǒng)計(jì)學(xué)分析

采用SPSS 17.0 統(tǒng)計(jì)學(xué)軟件進(jìn)行數(shù)據(jù)分析，計(jì)量資料用（±s）表示，采用配對(duì)t檢驗(yàn)進(jìn)行分析，以P＜0.01 為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

本研究共比較了20 例不規(guī)則腦出血患者的圖像，通過(guò)與人工勾畫(huà)結(jié)果對(duì)比，得到三種不同分割方式的Dice 系數(shù)、Jaccard 系數(shù)及RVD 值。如表1 和圖1 所示，F(xiàn)CRLS 的Dice、Jaccard 系數(shù)大于灰度閾值法和區(qū)域生長(zhǎng)法，差異具有統(tǒng)計(jì)學(xué)意義（P＜0.001）；FCRLS 的RVD 值小于灰度閾值法和區(qū)域生長(zhǎng)法，差異具有統(tǒng)計(jì)學(xué)意義（P＜0.001）；灰度閾值法與區(qū)域生長(zhǎng)法的Dice 系數(shù)、Jaccard 系數(shù)及RVD值差異無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.01）。以上結(jié)果表明，F(xiàn)CRLS分割算法相對(duì)于灰度閾值法及區(qū)域生長(zhǎng)法，與人工勾畫(huà)結(jié)果相似性更高。

表1 不同分割算法的比較結(jié)果

3 討論

本研究結(jié)果顯示，F(xiàn)CRLS 相比灰度閾值法和區(qū)域生長(zhǎng)法具有更好的配準(zhǔn)相似度，與標(biāo)準(zhǔn)模板更為接近，對(duì)于不規(guī)則血腫的分割效果相對(duì)更好。閾值分割法是目前比較常用的分割方法，可以分割具有高對(duì)比度的出血病灶，但是不能精確分割對(duì)比度較弱、模糊邊界和非均勻性的病灶，容易出現(xiàn)較大的分割誤差[14]。區(qū)域生長(zhǎng)法的分割方法雖然利用了像素之間鄰域的空間信息，但需要人為的選擇初始種子點(diǎn)，不能實(shí)現(xiàn)自動(dòng)化分割，具有一定的主觀性[15]；同時(shí)需要根據(jù)先驗(yàn)知識(shí)設(shè)定閾值，當(dāng)閾值選擇不合適時(shí)，會(huì)產(chǎn)生錯(cuò)誤的分割，并且容易將相鄰的高密度的大腦鐮、蛛網(wǎng)膜下腔識(shí)別為血腫[16]，本研究同樣出現(xiàn)將蛛網(wǎng)膜下腔識(shí)別為血腫的情況。

圖2 不同算法的戴斯相似性系數(shù)、杰卡德指數(shù)和相對(duì)體積差

本研究提出了空間域模糊聚類(lèi)與距離規(guī)則化水平集算法，其集合了空間域模糊聚類(lèi)以及水平集算法兩種算法的優(yōu)勢(shì)，并彌補(bǔ)彼此的不足：①FCRLS 在圖像邊緣勾畫(huà)更加準(zhǔn)確。分析原因?yàn)榭臻g域的FCM 算法，在算法中使用了核函數(shù)來(lái)進(jìn)行距離測(cè)度，改進(jìn)了傳統(tǒng)算法忽略了鄰域像素的空間信息的缺點(diǎn)[17]，使得算法的魯棒性得到增強(qiáng)[18]。同時(shí)模型采用Double-Well 函數(shù)改進(jìn)原模糊聚類(lèi)水平集算法中的距離規(guī)則化項(xiàng)，解決了單勢(shì)肼擴(kuò)散率為負(fù)無(wú)窮大的問(wèn)題，使得算法分割結(jié)果更精確；②FCRLS 是一種自動(dòng)聚類(lèi)算法，無(wú)須人工干預(yù)，減少了因操作者因素造成的分割誤差。傳統(tǒng)水平集分割算法需要人工初始化，對(duì)圖像灰度不均、邊界模糊和初始輪廓位置較為敏感，難以在目標(biāo)邊界附近收斂[19]，算法分割結(jié)果不穩(wěn)定，且對(duì)于不同的分割對(duì)象，需優(yōu)先配置不同的參數(shù)。模糊聚類(lèi)的加入代替了人工初始化過(guò)程，提高了分割精度同時(shí)加快了分割速度。分割的曲線演化更準(zhǔn)確，分割結(jié)果更穩(wěn)定[20]；③FCRLS 算法中自適應(yīng)函數(shù)的加入提高了算法的通用性。在前期對(duì)模型調(diào)試的過(guò)程中，發(fā)現(xiàn)優(yōu)化的FCRLS 參數(shù)設(shè)置對(duì)病灶區(qū)域的分割同樣重要，模型聚類(lèi)數(shù)目設(shè)置為5，步長(zhǎng)τ設(shè)置為3，內(nèi)部能量項(xiàng)μ設(shè)置為0.2，高斯核函數(shù)經(jīng)向作用范圍б設(shè)置為3，Dirac 函數(shù)規(guī)則化參數(shù)ε設(shè)置為1.5，輪廓演化的規(guī)則化參數(shù)λ設(shè)置為3 時(shí)分割結(jié)果更接近真實(shí)病灶區(qū)域。

已有相關(guān)文獻(xiàn)指出，急性腦出血患者的出血量、血腫厚度、出血位置等因素都反映了患者的嚴(yán)重程度與早期預(yù)后，從而影響診斷以及治療的選擇[21]。而對(duì)血腫區(qū)域的準(zhǔn)確性分割，是一切評(píng)估的基礎(chǔ)。因此，快速而準(zhǔn)確的分割血腫至關(guān)重要。本研究充分展示了模糊聚類(lèi)水平集算法對(duì)腦出血的精準(zhǔn)分割，同時(shí)通過(guò)比較不同分割算法對(duì)不規(guī)則腦出血的分割準(zhǔn)確性，對(duì)計(jì)算機(jī)在此方面分割算法的優(yōu)化和選擇提供了參考。未來(lái)的研究可能更多應(yīng)用深度學(xué)習(xí)技術(shù)以得到更精確的結(jié)果，為臨床診療提供更好的參考。

4 結(jié)論

本研究提出一種基于結(jié)合空間域模糊聚類(lèi)水平集分割的腦出血CT 圖像分割算法，并與灰度閾值、區(qū)域生長(zhǎng)法進(jìn)行結(jié)果對(duì)比，結(jié)果表明，結(jié)合空間域模糊聚類(lèi)水平集分割算法能充分考慮空間域模糊聚類(lèi)后的信息，對(duì)于不規(guī)則腦出血病灶的自動(dòng)分割提取具有最好的準(zhǔn)確性，有助于臨床輔助診斷和后續(xù)治療。但本研究也存在一定不足，如未能進(jìn)行三維空間結(jié)果的對(duì)比，今后將進(jìn)一步精進(jìn)算法，提高其精細(xì)度及穩(wěn)定性，并將本研究算法應(yīng)用于蛛網(wǎng)膜下腔出血等方面。