基于超像素方法的腹部CT影像多目標器官分割研究

張海濤，劉景鑫，王春月，趙曉晴，李慧盈

1.吉林大學 計算機科學與技術學院，吉林 長春 130012；2.吉林大學中日聯誼醫院，吉林 長春 130033

引言

人體腹部CT圖像是臨床醫學中醫生用于研究腹部各器官結構、診斷病變的重要工具之一，利用計算機的高處理性能對腹部CT圖像進行分割處理以獲取信息，能夠更加高效準確地幫助醫生實現對病人病變區域的疾病診斷、疾病跟蹤、診斷方案、質量評定、疾病監測等。

目前，在醫學影像分割中由于目標形狀、目標邊緣以及同質性等所導致的分割效果不明顯問題還未得到有效的解決[1]。大部分傳統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果，如利用區域生長法的分割[2-5]，雖然能確保分段的連續性和降低噪聲的敏感度但是難以確定較好的種子點和收斂規則；基于聚類的分割方法[6-8]，實現容易、魯棒性高，但是其主要應用在MR圖像上，對腹部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，但是由于需要調整合適的參數從而導致在實際應用中的速度較慢；目前應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用于MR和CT圖像中，但計算復雜，處理速度較慢，因此難以滿足醫療行業的預期需要。對此，近年來快速發展出了一種新的圖像處理技術—超像素[10]，它將圖像快速分割為一定數量的具有語言意義的子區域，相比于傳統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構信息的表達，并且能夠大幅度降低后續處理的計算復雜度，在計算機視覺領域尤其是圖像分割中得到了廣泛的應用。

因此，本文引入超像素的方法，對腹部CT圖像進行分割。不同于傳統分割方法只根據邊界區域、灰度等進行分割，本文中基于超像素的分割方法在指導聚類過程的過程中結合了目標形狀和灰度大小，將聚類結果定義為可視化塊，成功將腹部各器官分割出來。通過實驗發現本文中的方法相比于常用算法，提高了準確度、縮短了運行時間并具有較好的適用范圍。

1 基于超像素的腹部CT影像多目標器官分割方法

由于受到醫療成像設備和人體組織器官蠕動的影響，腹部CT圖像[11-12]在含有重要醫學信息的同時也伴隨有部分不必要的噪聲和偽影，給腹部各目標器官的分割帶來了困難。基于超像素的腹部CT影像多目標器官分割方法旨在解決上述問題，將圖像的處理粒度從孤立的像素升級為具有相互聯系的像素塊的形式，從而定義了分割的限制形式。通過像素分組的形式使得待分割圖像更易理解，各個目標器官的邊緣更加清晰，更有利于醫生診斷病情。本文方法主要從分割預處理、提取各器官特征以及對不同器官標簽分類3個方面進行展開，下面詳細介紹各個部分。

1.1 分割預處理

人體腹部醫療影像中包含有大量的組織和器官：肝、胃、脾、椎骨、主動脈等，見圖1。CT圖像中各個器官的灰度值差異較小，器官間邊界區域不明顯。因此，對于一副輸入的腹部CT影像，分割預處理首先將圖像劃分為n個初始矩形子區域，設圖像的寬是W，高是H，則超像素的邊長這也就形成了n個初始的超像素，并將其作為n個聚類初始點，見圖2。

圖1 人體腹部CT結構圖

圖2 n個劃分超像素塊

通過計算每個像素的梯度向量，可以盡可能的減小邊緣不清晰和噪聲較多等對聚類結果所產生的干擾。排序選出最小的點，并將其設定為初始的超像素聚類中心點[13]，規定每個聚類起點對應的聚類區域為其所在的2S×2S鄰域內。聚類時，由于聚類區域相比于全局只限定于在這個2S×2S的區域內，從而有效地提高了計算速率。

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。灰度相似值dgray用兩個像素灰度的正差值表示，其中像素的灰度值為grayi，目標函數定義為見式(2)。利用度量準則描述超像素間的特征距離D，結合位置鄰近度dxy和灰度相似度dxy，將其目標函數定義為式(3)所示。

在使用模糊C-均值聚類算法[14]進行聚類時，對于所選的實驗圖為512×512而言，為了避免所選初始聚類中心數太少導致起不到超像素的效果，而太多又會影響速度，故而將初始聚類起點設定有81個，而為了能較快的得到聚類結果且保證最終算法的收斂，將迭代循環次數設置為不超過10次。將超像素的特征距離D定為聚類準則，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將單個像素經過聚類形成了包含一定數量像素的超像素集合。為了提高劃分的準確性，再將超像素的相對空間位置和紋理屬性加入到相似性度量的標準D′，目標函數定義式如式(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性。

通常我們用灰度共生矩陣[15]（Gray-Level Co-Occurrence Matrix，GLCM）來定義超像素之間的相似度關系，并用紋理屬性[16]來對其標識。GLCM函數基本原理是計算像素對的頻率，若假定空間為“出現在右面或者下面”，那么圖4中的左側圖像對應的灰度共生矩陣則為右側所示。

圖4 圖像的灰度共生矩陣

在創建灰度共生矩陣后，可以從中導出多個統計信息，這些統計信息提供了有關圖像紋理的衡量標準。可以導出的統計信息，見表1。

表1 共生矩陣中所導出的信息

1.3 對不同器官標簽分類

此外考慮到各臟器內部由于存在血管、淋巴等組織，故而為了提高分割效果，對器官采取了標簽分類以及對比器官的超像素塊間的相對空間關系來處理。首先采用人工方式，手動對脊椎、脾臟、膽囊、肝臟、腎臟等組織結構的超像素數據集合進行標記，生成帶有標簽的訓練集，然后將每個超像素塊做分類處理，獲得超像素塊的標簽。每類臟器都有其所對應的超像素標簽，具有相同標簽的超像素屬于同一個器官或組織，每個器官或組織由若干個帶有標簽的超像素構成。標記規則，見圖5，其中背景標記為0。

圖5 各器官標記規則

由于腹部各器官之間存在著相互依賴的關系，因此可用超像素塊之間的相對空間關系來表示真實臟器之間的實際位置關系。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L2范式，超像素中心像素點(x1,y1)、(x2,y2)的坐標分別為p1、p2。當超像素之間的距離和邊長滿足式(6)時，則將兩超像素點定義為相鄰；當超像素之間的距離和邊長滿足式(7)時，則將兩超像素點定義為相近，其中S表示超像素分割時初始聚類矩形塊的邊長。

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

圖6 超像素群的空間相對位置約束

2 實驗結果

2.1 區域生長、高斯混合模型與本文方法對比

選用一組腹部CT醫學圖像進行單目標和多目標的分割來驗證本文算法的有效性，圖像參數為大小512×512的DICOM格式文件，切片間距為2.5 mm，圖像來源于吉林大學白求恩第一醫院。

通過醫學圖像預處理將圖像轉換為灰度級為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，結合圖像灰度相似性和位置鄰近性，經過自底向上的聚類和自頂向下的分類兩個步驟來進行目標分割（圖7）。實驗結果表明本文方法對腹部CT中部分器官具有較高的分割完整率，不存在漏檢、誤檢現象。

圖7 單目標分割結果

選用區域生長和高斯混合模型[17]以分割右腎為例作為對照實驗，驗證算法的單目標分割能力，不同方法的右腎提取情況，見圖8。綜合表現對比，見表2，從表中可以看出本文選用的方法在單目標圖像分割中具有較為顯著的優勢。

圖8 單目標分割結果對比

表2 分割效率對比表

區域生長方法[1]需要人工手動選定初始種子生長點，終止條件的設定容易受到噪聲的影響。高斯混合模型[17]采用多個單高斯分布的組合，以迭代的方式估計算法的參數，但是不能保證總是收斂，而且只能收斂到局部極值，不能達到全局最優。本文的腹部器官分割方法將初始聚類中心設為梯度最小點，可以有效的減小噪聲對結果的影響。然后以超像素紋理和空間幾何位置關系加入到超像素粒度的聚類準則，對分割結果進行進一步的修正，可以抑制分割不全或過度分割的現象。

2.2 分割結果評判指標

區域內一致性[18]常常作為判斷圖像分割結果的指標。優秀分割算法的標簽表現為區域內的顏色、灰度、紋理等屬性的一致性，而整個圖像的一致性通常定義為其中各部分一致性的均值。區域一致性可以通過最大對比度來評價，對于一副腹部醫學影像，假設分割后有n個區域，分別為R1、R2、R3…Rn。將Si定義為第i個區域的一致性，那么Si表示如式(8)所示。

其中grayi定義為圖像的灰度值，Ni為第i個區域中的像素個數，W(i)為像素i的領域。

進一步將同質性作為表示區域一致性的指標，取值范圍為[0,1]，同質性評價結果，見圖9。從圖9可以看出，同質性數值都大于0.7的超像素所占比例在90%以上，表示此區域超像素的紋理比較均勻。部分超像素的同質性值相對較低，但本文則進一步利用了空間幾何位置鄰近度來修正聚類結果，有效保障分割結果的準確性。

除了區域一致性指標之外，還可以通過分割準確率來分析分割效果。其定義見式(9)所示，其中錯誤分割的像素總數和正確分割的像素總數分別用F和T來表示。本文基于超像素的方法分割腹部部分器官得到的準確率概況，見圖10。

圖9 同質性評價

圖10 不同器官分割準確度

腹部多目標醫學影像分割結果，見圖11。通過圖11給出了3個說明性示例，進一步表明本文提出的算法是效果更好的方法。白色箭頭指示常規先前的失效區域。以區域生長、最大后驗最小體積重疊算法[19]、基于梯度參數和閾值的分割[20]作為參考實驗。通過與其他分割方法對比，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、膽囊被常規方法遺漏，而本文方法更有效（圖11b）。常規方法會將右腎劃分到肝臟中，在這種情況下，分割的肝區域泄漏到右腎中。然而，即使當將泄漏的肝臟用于預測器官時，通過本文的方法依然成功地分割了這些器官。肝臟泄漏的區域由圖中的白色箭頭指示。通過本文分割方法，更好地將脾臟、左腎、胰腺、膽囊等區域分割出來（圖11c）。在所示的3種情況下，本文的方法優于或等同于用于腹部目標器官的分割的常規方法。

3 結束語

醫學圖像的處理影響著醫療系統的進步和發展，有必要將先進的計算機技術與具體的臨床醫療和學術研究相結合起來，高性能的圖像分割技術能進一步幫助醫生實現對病灶的準確判斷。

圖11 腹部多目標醫學影像分割結果

本文將超像素理念應用到醫學圖像分割中，提出了一種基于超像素的腹部醫學影像多目標分割方法。針對腹部CT影像，在傳統分割方法的基礎上，將超像素作為基本結構單元，結合了圖像的空間關系、灰度特征，從兩個方向對圖像聚類再分類，在提高分割準確率的同時也提高了分割效率。我們的下一步工作則是針對存在病灶干擾導致極大HU值差異時的病變器官分割提取的研究。

未來的醫學影像分割應當朝著一種更加智能化，高效化的方向發展，在充分利用計算機性能的同時也應更好的結合醫學領域中的先驗知識，發展出新的技術，更好的為醫療影像分割所服務。

[1] 李強.醫學圖像分割進展[J].中國醫療設備,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.基于區域生長的圖像分割研究進展[J].北京生物醫學工程,2017,36(3):317-322.

[4] 彭微.基于區域生長算法的肝臟CT圖像分割[J].醫療衛生裝備,2014,35(9):49-50.

[5] 馮皓.圖像區域生長算法的穩定性研究[D].福州:福建師范大學,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.基于聚類分析的醫學圖像分割綜述[J].中國科技信息,2017,(15):43-46.

[8] 加小紅.聚類算法及其在圖像分割中的應用研究[D].蘭州:蘭州交通大學,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,等.圖像分割中的超像素方法研究綜述[J].中國圖象圖形學報,2015,20(5):599-608.

[11] 韓文艷.CT能譜成像的基本原理與臨床應用優勢[J].中國醫療設備,2015,30(12):90-91.

[12] 梁啟堂,鐘向陽.心臟冠狀動脈多排CT掃描的優化措施[J].中國醫療設備,2011,26(8):161-162.

[13] 郭書杰,吳小欣,黃杰.改進的聚類分析算法及其性能分析[J].計算機時代,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,2010,(4):89-90.

[16] 張云彬,張永生.基于圖像紋理特征的目標快速檢索[J].高技術通訊,2004,14(8):11-14.

[17] 張樹偉.醫學圖像的高斯混合模型及聚類研究[D].鎮江:江蘇大學,2010.

[18] 胡兵.改進的Otsu算法在多尺度圖像分割中的應用研究[D].長沙:中南大學,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.