肝細胞肝癌CT圖像紋理分析分割技術的初步研究

王戚玲　汪兵　利玉林　成官迅　向子云

摘 要：目的 探討機器自動分割肝癌CT圖像紋理特征的可行性。方法 用強度、紋理、形狀和邊緣的圖像特征來描述分割的情況，計算從操作者分割提取的特征與機器分割的相關性，測量不同操作者分割CT圖像與機器分割CT圖像的一致性。結果 操作者在選擇不同層面時并不一致。操作者的分割結果也并非重疊。每個機器分割與其操作者手動分割的平均重疊程度與兩個操作者之間的重疊程度相當（74% vs 69%）。機器分割與操作者手動分割組內相關性（ICC）結果表示紋理和強度特征是最顯著的，邊緣和形狀特征最小。結論 本研究通過在每個操作者分割的最大圓來確定機器自動分割，從而有助于臨床中可以更快、更準確的對CT圖像進行分割。

關鍵詞：影像組學；影像特征；分割

中圖分類號：R735.7 文獻標識碼：A DOI：10.3969/j.issn.1006-1959.2018.11.027

文章編號：1006-1959（2018）11-0089-04

Preliminary Study on Segmentation Technique of Texture Analysis of Hepatocellular Carcinoma CT Image

WANG Qi-ling1，WANG Bing1，LI Yu-lin1，CHENG Guan-xun1，XIANG Zi-yun2

（1.Department of Medical Imaging，Shenzhen Hospital，Peking University，Shenzhen 518036，Guangdong，China；

2.Department of Imaging，Shenzhen Longgang District People's Hospital，Shenzhen 518172，Guangdong，China）

Abstract：Objective To explore the feasibility of automatic segmentation of liver cancer CT image texture features.Methods Intensity，texture，shape，and edge image features were used to describe the segmentation conditions.The correlation between the segmentation feature extracted from the operator and the machine segmentation was calculated，and the consistency between different operator segmented CT images and machine segmentation CT images was measured.Results Operators are inconsistent when choosing different levels.The operator's segmentation results are also not overlapping.The average degree of overlap between each machine segment and its operator's manual segmentation is comparable to the overlap between the two operators（74%vs69%）.Machine segmentation and operator manual segmentation of intra-group correlation（ICC）results indicate that texture and intensity features are the most prominent，with minimal edge and shape features.Conclusion In this study，the automatic segmentation of the machine is determined by the maximum circle segmented by each operator，which helps to quickly and accurately segment the CT image in the clinic.

Key words：Radiomics；Image features；Segmentation

影像組學（radiomics）是指高通量地提取大量描述腫瘤特征性的影像特征，以深度挖掘圖像信息，并從海量的影像圖像中提取大量的定量特征，通過量化分析來提高診斷準確率[1]。提取定量特征的第一步是對腫瘤進行分割，對腫瘤CT圖像的手動分割是一項非常耗時且繁雜的工作，需要在大量的CT圖像中的各個層面進行腫瘤邊界的手動分割，此外，手動分割CT圖像并不能做到完全一致，分割的形狀或位置具有可變性[2]。目前，已經開發了多種自動和半自動圖像分割算法來勾畫腫瘤邊界，提高了一致性并減少了分割腫瘤所需的時間，但也并不總是能夠區分腫瘤邊界不清的病例[3]，尤其在肝臟腫瘤中因邊界難以確定，導致操作者在勾畫腫瘤時不一致，最終造成診斷結果的不可靠。本研究嘗試一種新的方法，可以用一個簡單的過程自動分割圖像，以獲得腫瘤圖像子集。通過在每個操作者分割的最大圓來確定機器自動分割，從而可以更快、更準確的對CT圖像進行分割。

1資料與方法

1.1一般資料 回顧性分析2016年6月～2017年6月于北京大學深圳醫院確診為肝細胞癌的患者26例，其中男16例，女10例，年齡41～78歲，平均年齡（62.54±18.65）歲。

1.2方法 使用西門子CT儀（Siemens Definition Flash）和GE公司CT儀（GE Discovery 750 HD），分別行平掃及三期（動脈期、靜脈期、延遲期）掃描，掃描參數為：智能kV和mA技術（100～120 kV，150～450 mA），層厚3 mm，造影劑用量為1.2 ml/kg，注射速率為3.5 ml/s團注，三期掃描時間分別為注射造影劑后20～25 s、65～75 s、110～120 s。

1.3圖像處理方法

1.3.1圖像分割 由具有豐富診斷經驗的四名放射科醫師獨立觀察每幅CT圖像，選擇腫瘤的中心層面及其上、下兩個層面，使用開源注釋工具（ePAD）手動勾畫每個層面中的腫瘤邊界，每個操作者獨立完成312個分割數據集，共1248個分割數據集。

1.3.2機器分割 從每個操作者勾畫的邊界中，通過計算最大周長的內切圓自動確定一個機器分割圖。原理是先在原始分割中創建一個等距點網格，然后選擇離分割邊界最遠的點，在等距點周圍創建一個更小、更精細的采樣網格，重復這個過程直到獲得設定的精度閾值點，并將最后點的位置和距離原始分割邊界的最小距離分別作為機器分割圖的中心和半徑[4，5]，對原始分割的像素空間分布進行采樣，去除有關形狀的信息。從圖像內的感興趣區域（region of interest，ROI）提取定量特征的算法，特征可以被分類為測量強度、形狀、邊緣以及紋理特征[6]，見圖1。

①強度特征本研究提取以下統計指標表征ROI內部的特征值：均值、方差、峰度、偏度、熵、最大值和最小值。然后測量強度值之間的范圍的對比度，使用兩種方法來衡量對比度：邁克爾遜對比度和均方根方法[7，8]。

邁克爾遜對比度為：

Imax和Imin分別為ROI的最大值和最小值。

均方根方法為：

Iij是ROI位置處的強度值，I是平均強度值，M和N是ROI的高度和寬度，均方根對比度為圖像的灰度強度的標準偏差。

②邊緣特征病變邊緣的表征方法：首先沿邊界選擇分割的點，在選定的點處計算垂直于分割邊界的向量，再從邊界的每一邊延伸幾個像素擬合成線段，并且沿該線段對圖像強度值進行采樣[9，10]，最后通過擬合S型函數來表征采樣值：

I0是偏置強度，S是窗口的尺度，W是窗口的寬度，回歸方程提供了S、W、I0和？字0方面每個點的邊界參數化。

③紋理特征：紋理特征分析使用文獻中常用的算法：Gabor濾波器、Haralick特征和小波分解[11，12]。Gabor濾波器是一個用于邊緣檢測的線性濾波器，其頻率和方向表示接近人類視覺系統對于頻率和方向的表示，在空域一個二維的Gabor濾波器是一個正弦平面波和高斯核函數的乘積，具有在空間域和頻率域同時取得最優局部化的特性，與人類生物視覺特性很相似，因此能夠很好地描述對應于空間頻率（尺度）、空間位置及方向選擇性的局部結構信息。Haralick特征是從灰度共生矩陣中獲取的一組統計測量，灰度共生矩陣用兩個位置的象素的聯合概率密度來定義，它不僅反映亮度的分布特性，也反映具有同樣亮度或接近亮度的象素之間的位置分布特性，是有關圖象亮度變化的二階統計特征。它是定義一組紋理特征的基礎。一幅圖象的灰度共生矩陣能反映出圖象灰度關于方向、相鄰間隔、變化幅度的綜合信息，它是分析圖象的局部模式和它們排列規則的基礎[11]。為獲得旋轉不變特征，本研究計算四個方向（0度、45度、90度和135度）的Haralick特征，并得到最大值、最小值、平均值和標準偏差[12]。

1.3.3度量 ①重疊：為了分析層面中的iROI之間一致性，本研究將重疊的比率定義為[13]：

其中k代表一致性，Ok定義為相交與重疊之間的比率。

②功能一致性：使用組內相關性（intra-class correlation，ICC）來測量不同操作者分割CT圖像與機器分割CT圖像所提取特征的一致性。 ICC表示組內的相似性，用來量化不同人所測量的一致性[14]。ICC值增高表示一個特征在多個測量中是一致的，表示為：

MSR是行的均方，MSE是行的均方誤差，MSC是操作者的均方，n和k分別表示行和列的總數。在本研究中行代表每個層面提取特征，列表示可以由不同的操作者和/或不同的方法（如，輪廓、機器分割）提供的不同分段。

1.4觀察指標 通過圖像處理算法提取病灶內部各種特征，包括小波、均方根對比、Gabor濾波器和Haralick特征，總共有594個特征。

1.5統計學方法 采用SPSS 16.0統計分析軟件進行分析，計數資料以（%）表示，采用？字2 檢驗，計量資料用（x±s）表示，組間比較采用雙樣本t檢驗，以P<0.05表示有統計學差異。

2結果

2.1切面選擇差異 操作者在選擇不同層面時并不一致，見表1。

2.2操作者之間重疊 由于操作者可以自由地選擇層面進行分割，所以其分割結果并不總是重疊，見表2。

2.3操作者分割與機器分割之間的重疊 每個機器分割與其操作者分割的重疊，平均重疊程度與兩個操作者之間的重疊程度相當（74% vs 69%），兩位操作者間差異無統計學意義（P>0.05），見表3。

2.4特征的一致性 機器分割與操作者手動分割之間的ICC結果見表4，表明小波和RMS對比一致性最高，形狀和邊緣一致性最低。

3討論

為了提取肝細胞肝癌CT圖像機器分割以獲得腫瘤圖像子集，本研究采用強度、紋理、形狀和邊緣等圖像特征評價分割的情況，機器分割是通過自動追蹤輪廓中勾畫的最大圓來實現。通過ICC比較每個操作者使用手動分割與機器分割提取的特征，計算四個特征值（強度，邊緣，形狀和紋理）的ICC值，結果顯示紋理和強度特征最顯著，邊緣和形狀特征最小。文獻報道ICC>0.8表示強相關性[15]。本研究顯示，小波、均方根（root mean square，RMS）對比、Gabor濾波器和Haralick特征具有ICC>0.8，共有594個特征，這些特征對于分割方法（自動分割）是高度穩定的。

表2顯示HCC的邊界劃分并不一致，可能由于強化對比度并不高、密度值不均勻以及周圍CT噪聲。邊界的這種不確定性，導致機器分割十分困難。本研究中操作者可以2D、3D勾畫腫瘤邊界，然后從輪廓自動計算自動分割、勾畫腫瘤的邊界。

表3顯示了機器分割與操作者手動分割的重疊對比，我們發現從機器分割中提取的特征一致性與從操作者手動分割提取的特征區別并不大，在1248個特征中有594個特征顯示ICC>0.8（強相關）。雖然四個特征類別之間相對穩定，但是每個類別中的單個特征可能比所示的平均值更加穩定。機器分割的主要優勢是相對容易獲取，但使用機器分割的主要缺點是關于邊界形狀及邊緣清晰度信息的丟失。這是基于算法假設所有機器分割圖形都是基于圓形，這可能不符合實際的腫瘤邊界，而操作者勾畫的形狀是與實際的腫瘤形狀保持邊緣接近。

比較操作者重疊度是為了驗證不同操作者間的穩定性，通過計算操作者分割與機器分割之間的ICC分數，分析哪些特征對于機器分割來說最穩定。結果顯示紋理和強度特征最穩定，說明我們可以通過獲取相關信息得到簡單機器分割的方法，本研究中模擬成原始輪廓內最大的圓圈。特征一致性因所選切面之間的距離而異，使用分割時這種差距會減小。

參考文獻：

[1]Doi K.Current status and future potential of computer-aided diagnosis in medical imaging[J].Br J Radiol，2014，78（1）：3-19.

[2]Kamble R，Kokare M，Deshmukh G，et al.Localization of optic disc and fovea in retinal images using intensity based line scanning analysis[J].Comput Biol Med，2017，87：382-396.

[3]Lambin P，Riosvelazquez E，Leijenaar R，et al.Radiomics：extracting more information from medical images using advanced feature analysis[J].European Journal of Cancer，2012，48（4）：441-446.

[4]Chen W，Giger ML，Bick U.A fuzzy c-means（FCM）-based approach for computerized segmentation of breast lesions in dynamic contrast-enhanced MR images[J].Academic Radiology，2006，13（1）：63-72.

[5]Cai W，He B，Fan Y，et al.Comparison of liver volumetry on contrast-enhanced CT images：one semiautomatic and two automatic approaches[J].Journal of Applied Clinical Medical Physics，2016，17（6）：118.

[6]Tae WS.Regional gray matter volume reduction associated with major depressive disorder：a voxel-based morphometry[J].iMRI，2015，19（1）：10-18.

[7]Caceres A，Hall DL，Zelaya FO，et al.Measuring fMRI reliability with the intra-class correlation coefficient[J].Neuroimage，2009，45（3）：758-768.

[8]Rubin DL，Willrett D，O'Connor MJ，et al.Automated tracking of quantitative assessments of tumor burden in clinical trials[J].Translational Oncology，2014，7（1）：23-35.

[9]Balagurunathan Y，Gu Y，Wang H，et al.Reproducibility and Prognosis of Quantitative Features Extracted from CT Images 1，2[J].Translational Oncology，2014，7（1）：72-87.

[10]Dettori L，Semler L.A comparison of wavelet，ridgelet，and curvelet-based texture classification algorithms in computed tomography[J].Computers in Biology&Medicine;，2007，37（4）：486-498.

[11]Gevaert O，Xu J，Hoang CD，et al.Non-small cell lung cancer： identifying prognostic imaging biomarkers by leveraging public gene expression microarray data methods and preliminary results[J].Radiology，2012，264（2）：387-396.

[12]Napel SA，Beaulieu CF，Rodriguez C，et al.Automated retrieval of CT images of liver lesions on the basis of image similarity：method and preliminary results[J].Radiology，2010，256（1）：243-252.

[13]Gevaert O，Mitchell LA，Achrol AS，et al.Glioblastoma multiforme：exploratory radiogenomic analysis by using quantitative image features[J].Radiology，2014，273（1）：168-174.

[14]Gevaert O，Mitchell LA，Achrol AS，et al.Glioblastoma multiforme：exploratory radiogenomic analysis by using quantitative image features[J].Radiology，2015，276（1）：313.

[15]Ionan AC，Polley MYC，Mcshane LM，et al.Comparison of confidence interval methods for an intra-class correlation coefficient （ICC）[J].Bmc Medical Research Methodology，2014，14（1）：121.

收稿日期：2018-1-31；修回日期：2018-5-11

編輯/楊倩