周圍神經圖像分割算法研究

劉　斌，周學禮，張　敏，朱鑫晨

（1.常熟理工學院物理與電子工程學院，江蘇常熟215500；2.南京郵電大學通信與信息工程學院，江蘇南京210003）

周圍神經圖像分割算法研究

劉斌1，2，周學禮1，張敏1，朱鑫晨1

（1.常熟理工學院物理與電子工程學院，江蘇常熟215500；2.南京郵電大學通信與信息工程學院，江蘇南京210003）

摘要：提出一種交互式神經組織CT圖像分割算法，本算法基于交互式聚類圖像分割算法，針對CT圖像中神經組織的特點加以改進，采用自適應空間鄰域信息混合高斯模型ASIGMM進行建模，從而能夠綜合利用像素的灰度信息和鄰域空間位置信息實現有效分割.實驗證明，本文算法能夠更好地保留分割結果的邊緣性，充分保證周圍神經圖像分割的精確性.

關鍵詞：周圍神經；交互式；ASIGMM模型；CT圖像

醫學圖像處理是綜合利用計算機圖形學和數字圖像處理技術，將機器視覺的相關成果應用于影像診斷學，是推動智能醫學的核心技術.醫學圖像分割是醫學圖像重建和三維視覺化的基礎，一直是醫學圖像處理的研究重點.國內外研究主要集中在對CT，MR和顯微及三維醫學圖像的分割處理，并取得了諸多成果，文獻［1-5］的研究集中于對大腦MR圖像的組織分割，利用多種算法對大腦的MR圖像進行測試和優化，致力于MR大腦圖像的分割算法研究.文獻［6-8］利用圖割理論從建模模型改進，迭代算法改進等方面研究肺部組織分割技術.但是針對周圍神經圖像分割算法的研究較少，神經組織形態細小、組織伸展方向變化不確定，加上受切片精度的影響，肯定會造成切片后神經組織的不連續性，目前，還沒有利用活體數據來構建完整三維周圍神經組織的先例［9］.人體周圍神經的分割和可視化技術是當今世界性的課題和難點之一.

1　周圍神經三維重建系統

在三維周圍神經模型基礎上，利用鼠標的實時三維交互，通過針刺取點結合虛擬切片等方法實現三維測量，開發一套實時周圍神經輔助治療系統，輔助醫生對周圍神經卡壓、神經中斷、神經腫脹粘連等疾病的臨床診斷，具有很強的研究價值.周圍神經重建系統如圖1所示，而周圍神經分割環節是關系到三維重建系統真實性的關鍵.

本文提出的交互式神經圖像分割算法，可以在人機交互下完成精確分割.利用圖像分割的典型算法，并針對神經圖像的特點加以改進，綜合利用像素點灰度信息和空間位置信息，對算法中的建模模型加以改進，提出面向CT圖像神經組織分割算法，是對推動神經圖像分割理論與算法設計發展的一次嘗試，能夠較好地輔助神經外科影像診斷，具有一定的臨床應用價值.

圖1　周圍神經三維重建系統

2　周圍神經分割算法設計

2.1初始化分割

使用對象的確定是項目開發和算法設計的前提和關鍵，考慮到神經組織分割的復雜性，本文提出神經圖像分割算法面向的用戶對象是從事影像診斷分析工作或者具有一定臨床工作經驗的醫務工作者，這是在算法中使用交互式操作正確性的保證.

完成神經組織的切割需要人機交互操作，本文提出的交互式操作屬于非完全交互，用戶只是進行區域選擇和邊緣粗描，算法依此自動修正.

依據圖割理論中最大流/最小割定理，從能量懲戒角度設計分割算法，對于圖像分割的代數表示為α= argmαin E（α,θ）.其中：假設圖像中像素點個數為N，分割中不透明度標號α=｛α1,…αn,…αN｝，αn∈｛0,1｝；θ表示目標和背景的顏色模型.對應圖像中的每個像素點Z =｛z1,…zn,…zN｝的標號值，背景用0表示，目標用1表示.任一個向量k =｛k1,…kn,…kN｝，其中kn表示第n個像素對應的高斯分量，因此，圖像的吉布斯總能量

區域項體現一個像素被標記為背景或者是目標的懲戒，與被標記的概率成負對數關系，即有式（1）的形式，混合高斯模型GMM中θ有3個參數如式（2）：每一個高斯分量的權重π，均值向量μ，協方差矩陣Σ. RGB的3個通道由3個元素向量確定.這些參數的獲取通過學習來確定.獲取這3個參數后一個像素RGB顏色值也就唯一確定了，可以帶入目標的混合高斯模型和背景混合高斯模型，計算出該像素屬于目標和背景的概率，那么區域能量項就根據概率的負對數獲取，對應圖論中圖的t- link邊權值也就求出了.

對于邊界能量項有

邊界能量項體現對相鄰像素m和n不連續的懲戒，如果兩鄰域像素差別很小，那么它屬于同一個目標或者同一背景的可能性就很大.如果它們的差別很大，說明這兩個像素很有可能處于目標和背景的邊緣部分，則被分割開的可能性比較大，所以相鄰像素差別越大，邊界能量越小.式（3）中β參數由圖像的對比度確定，對于對比度比較低，本身有差別的像素m和n的差‖zm-zn‖數值上是很小的，需要乘以一個比較大的參數β來放大這種差別，反之亦然.常數γ為調整系數，目的在于訓練出一個合適的參數使邊界項更好工作，文獻［10］對多種圖像的算法測試中獲得γ= 50時圖像訓練的結果比較好. n - link邊的權值就可以通過式（3）獲得.

2.2自適應空間鄰域信息混合高斯建模

受人體組織器官不均勻，場偏移效應，局部體效應的影響，神經組織CT圖像中噪聲復雜，病變組織邊緣模糊［11］，制約以Grab Cut算法為典型代表的交互式聚類圖像分割算法分割的正確性.目前依據圖割理論的分割算法大多是通過建立高斯混合模型（GMM）基礎上得到圖像分割的，傳統的高斯混合模型用于圖像分割時，只考慮利用像素的灰度信息進行分割，忽視空間位置信息和像素之間的關聯性，這樣做法通常致使圖像分割在噪聲區域和邊界處有錯誤分割的情況.神經組織細小，在醫學影像的神經組織所占圖像比例很小，神經組織邊緣不明顯，因此，如果直接利用GMM模型進行分割，在噪聲不可忽視的情況下，必然導致分割不連續與誤分割的概率增大，很難得到滿意的分割效果，分割精度明顯下降.因此需要一種能夠在圖像分割過程中有保留邊界特性的混合參數模型.

研究表明，在有噪聲和偽影影響的圖像中，忽略像素的鄰域信息的分割結果往往會出現粗粒和碎片.學術界利用馬爾科夫隨機場（MRF）和GMM相結合的方法使得分割過程增強像素之間聯系，充分表征當前像素點與鄰域像素點的關系，能夠產生空間上連續的像素聚類，能夠對噪聲進行部分抑制，增強邊緣性，但是在分割前需要對MRF設置不同的光滑因子β，而由于MRF的空間約束混合高斯模型沒有能夠描述參數估計的解析表達式，光滑因子β的選擇加大了MRF實現的難度.而文獻［12-13］基于非MRF空間約束的GMM模型，提出的一種自適應空間鄰域信息混合高斯模型（adaptive spatially neighborhood information Gaussian mixture mode，ASIGMM），通過利用加權表達式修改GMM模型函數，能夠簡單有效對分割圖像中圖像邊界細節進行保留.另外，ASIGMM中保持鄰域像素信息與中心像素的生成概率一致，使得改進之后的高斯函數，能夠抑制噪聲點，增強邊緣性保留，提高分割的精確度.文獻［13］采用人工合成圖像，比較了ASIGMM與傳統高斯混合模型（classical Gaussian mixture model，CGMM）、空間變量高斯混合模型［14］（spatially variant Gaussian mixture model，SVGMM）和基于鄰域加權高斯混合模型［15］（neighborhood weighted Gaussian mixture model，WGMM）在不同噪聲環境下分類的正確率（CCR）.

數據表明，ASIGMM在噪聲環境下對圖像分割正確性有著良好的表現，這主要是因為ASIGMM綜合考慮像素的灰度信息和鄰域像素之間的關聯性.本文在算法建模時，使用ASIGMM代替傳統的GMM模型，用以改進算法，并結合實驗結果證明改進對神經組織分割的有效性.實際操作中，該像素屬于第β個類的概率受其相鄰像素屬于第β個類的概率的影響，我們可以通過在計算每個像素屬于β類的概率計算中將鄰域信息加權在計算中，即實現ASIGMM建模的改進.算法步驟為：

（1）初始化：用戶選擇ROI區域硬性分割原始圖像，標記初始背景和目標值；

（2）ASIGMM模型參數初值確定與建模：根據初始化中硬性分割，利用k-mean算法估計參數初值，并利用參數值進行建模.在改進后的高斯模型中，像素屬于某類的概率不僅取決于像素的灰度統計信息，而且與相鄰像素的類值關系有關；

（3）迭代能量最小化：構造能量函數，對交互式標記結果重復建模迭代，直至收斂；

（4）邊界優化，提取分割結果.

3　算法實現與結果分析

3.1算法實現

對于面向神經組織切割的平臺操作方法：

1）載入原始圖像，并對圖像大小進行初始標準化調節；

2）由用戶指定感興趣區域（ROI：region of interest，完成圖像硬性分割；

3）算法迭代初始參數，完成初始分割；

4）用戶交互式操作，對指定區域進行人工修改，完善區域分割.

本文采用神經圖像為利用CT垂直掃描出的Dicom格式圖像，掃描部位為人體腹腔骶髂部，圖像分辨率為512*512，主要分割目標為周圍神經，本文提出的面向神經組織分割算法與原始聚類Grab Cut算法對CT垂直掃描圖像進行對比分割，在分割中指定同樣的ROI區域，并采用相同的初始像素標記進行切割，如圖2所示.從兩者分割效果對比中，體現本文對算法改進的必要性和優越性，并證明本文算法對神經組織分割的有效性和準確性.

圖2中（a）為垂直掃描圖片CT01-1原始圖像；（b）為感興趣區域ROI指定，目的在于限定神經大致可能區域，縮小分割范圍和對目標與背景像素點進行初始提取，用于確定建模參數，實現初步的參數學習；（c）為用戶手工對神經組織的外圍輪廓進行描繪，確定初始形狀；無效區域在圖中用灰色陰影覆蓋.

圖3為根據ROI得到的初次切割結果，圖4為用戶交互式修改之后，對背景像素和目標像素進行按照用戶需求特殊性標記，進一步參數學習，重新迭代的效果，并從圖像中分離提取的結果.

3.2實驗分析

在本文算法和傳統聚類Grab Cut算法都有交互式環節，人機交互環節關系到分割精度，但是在衡量算法性能時，應該著重比較初次分割范圍和算法對每次人工交互后，自動修正的正確性.特別是后者，集中體現了算法的智能性和優越性.本文驗證兩種算法結果均為多次試驗中，對交互式操作的代表性結果.

第一，從初次分割結果來看，圖3（b）中的初次分割區域更加貼合整個神經組織的外圍輪廓，在第一次建模后，利用ASIGMM模型獲取的參數更加貼近最優解，從而為迭代優化做好準備.

第二，從圖像最終分割結果的邊緣性角度來分析，傳統聚類Grab Cut算法分割結果邊緣并不是很理想，圖4（a）中，區域A本身應該是根單獨向下方伸出的神經組織，但是在神經組織的右下方邊緣模糊，和區域B中向下延伸的神經組織交合在一起.區域C，區域D的突出部分缺失，區域E缺失導致分割不連續.區域B和F周圍“黑影”較多，邊緣模糊，分割結果不清晰.在圖像周邊存在比較多的“黑影”，是由一些被算法錯誤標記的像素點構成，這些像素點的保留致使邊緣不明顯，分割不連續.

對于對分割結果的定性分析：整個圖像的吉布斯能量是區域能量項和邊界能量項的總和，對于分割邊緣的確定主要影響來自于邊界能量項能量的大小，邊界能量項體現相鄰像素不連續的懲戒，如公式（3）所示.為了均衡算法在不同對比度圖像都能夠有效的表現相鄰像素的差別，引入了參數β來調節不同對比度圖像中差別像素的數值表現，β與對比度有關，是由參數學習獲得的.這就帶來了一個問題：不考慮像素之間的鄰域關聯信息，對于受噪聲影響的像素灰度值，甚至較強的脈沖噪聲造成多個像素點的灰度數值發生較大變化，直接對像素的背景和目標的判斷標記產生影響，因此，在參數學習過程中，錯誤標記像素使參數β對比度的訓練效果不理想.容易造成黑影，邊緣不明顯，分割不連續，采用ASIGMM模型可以有效解決這些問題.

圖2　相同初始分割設置

圖3　初次分割結果

圖4　最終分割結果

4　結　語

對于噪聲復雜的CT圖像中，如果使用對CT圖像多次濾波降噪處理，會損失大量的邊緣信息.對于神經外科而言，神經組織的有效信息很多從CT圖像中組織的外圍輪廓和邊緣中獲取，多次濾波噪聲的消除是以信息丟失為代價的.并且，由于噪聲特性的不確定，對于CT圖像的濾波算法設計難度也很大.完全消除噪聲困難，但是可以利用像素之間的關聯性形成監督，通過與周圍像素點關系的比較，去除噪聲點對參數學習的影響，從而提升分割的精確性.本文算法中采用ASIGMM模型，在建模中充分表征當前像素點與鄰域像素點的關系，能夠產生空間上連續的像素聚類，綜合利用灰度信息和像素的空間位置信息用于分割過程，加強對噪聲和偽影的抑制，能夠對分割邊緣有著較好保留，實驗證明了本文提出的改進分割算法能夠完成CT圖像中神經組織的分割任務，較好輔助神經外科影像診斷，為實現周圍神經組織的三維重建和可視化系統建立提供保障.

參考文獻：

［1］許興明，趙海峰，羅斌.基于t-混合模型的腦MR圖像白質分割［J］.計算機工程與應用，2010，46（17）：191-193.

［2］黃晶晶.腦部MR圖像多閾值處理與邊緣檢測［J］.計算機與數字工程，2013，41（10）：1672-1675.

［3］STOKKING R, VINCKEN K L, VIERGEVER M A. Automatic morphology-based brain segmentation（MBRASE）from MRI-T1 data［J］. NeuroImage, 2000, 12（6）：726-738.

［4］KLAUSCHEN F, GOLDMAN A, BARRA V, et al. Evaluation of automated brain MR image segmentation and volumetry methods ［J］. Human brain mapping, 2009, 30（4）：1310-1327.

［5］WANG L, SHI F, GAO Y, et al. Integration of sparse multi-modality representation and anatomical constraint for isointense infant brain MR image segmentation［J］. NeuroImage, 2014, 89：152-164.

［6］秦曉紅，孫豐榮，王長宇，等.基于遺傳算法的胸部CT圖像肺組織分割［J］.計算機工程，2007，33（19）：188-189.

［7］耿俊卿，孫豐榮，劉澤，等.基于自適應形變模型的胸部CT圖像肺組織分割［J］.系統仿真學報，2008，19（23）：5419-5422.

［8］孟琭，趙大哲，賈同，等.一種改進的CT胸部圖像肺組織分割方法［J］.東北大學學報（自然科學版），2009，30（2）：187-190.

［9］唐子春.面向神經組織的分割算法研究及平臺構建［D］.北京：北京交通大學，2008.

［10］ROTHER C, KOLMOGOROV V, BLAKE A. Grabcut：Interactive foreground extraction using iterated graph cuts［C］//ACM Transactions on Graphics（TOG）. ACM, 2004, 23（3）：309-314.

［11］王銀改. ImageJ軟件在檢驗醫學圖像分析處理中的應用［J］.中華檢驗醫學雜志，2005，28（7）：747-748.

［12］朱峰，羅立民，宋余慶，等.基于自適應空間鄰域信息高斯混合模型的圖像分割［J］.計算機研究與發展，2011，48（11）：2000-2007.

［13］GREENSPAN H, RUF A, GOLDBERGER J. Constrained Gaussian mixture model framework for automatic segmentation of MR brain images［J］. Medical Imaging, IEEE Transactions on, 2006, 25（9）：1233-1245.

［14］NIKOU C, GALATSANOS N P, LIKAS C L. A class-adaptive spatially variant mixture model for image segmentation［J］. Image Processing, IEEE Transactions on, 2007, 16（4）：1121-1130.

［15］TANG H, DILLENSEGER J L, BAO X D, et al. A vectorial image soft segmentation method based on neighborhood weighted Gaussian mixture model［J］. Computerized Medical Imaging and Graphics, 2009, 33（8）：644-650.

A Study on Peripheral Nerve Image Segmentation Algorithm

LIU Bin1,2, ZHOU Xueli1, ZHANG Min1, ZHU Xinchen1
（1. School of Physics and Electronic Engineering, Changshu Institute of Technology, Changshu 215500, China；2. College of Communication and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China）

Abstract：Peripheral nerve CT image segment is the basis of peripheral nerve 3D reconstruction and visualization. This paper makes an analysis of graph cut theory and algorithm, and puts forward an interactive segmentation algorithm for peripheral nerve image. Based on interactive image segmentation, the algorithm uses ASIGMM in the modelling, which can cut the graph with the utilization of pixel gray and neighbourhood location information. Both theoretical analysis and simulation results justify the feasibility of the algorithm above. Peripheral nerve segmentation algorithm proposed in this paper can effectively suppress noise in the image, achieve better retention of marginal results, and guarantee the accuracy of segmentation.

Key words：peripheral nerve；interactive；ASIGMM model；CT image

中圖分類號：TP391.41

文獻標識碼：A

文章編號：1008-2794（2016）02-0064-05

收稿日期：2016-01-08

通信作者：周學禮，副教授，研究方向：計算機圖像學及醫學圖像處理，嵌入式系統設計，E-mail：zhouxueli008@163.com.