基于CV模型的肝臟核磁共振序列圖像自動分割方法

北部戰區總醫院 放射及核醫學科，遼寧 沈陽 110055

引言

圖像處理過程中圖像分割具有重要作用，通過將圖像中感興趣部分提取，有助于后續圖像數據分析。醫學圖像分割在患者精確量化診斷中發揮著關鍵性作用，因此對感興趣部位做到快速、準確提取，對患者來說具有重要意義。但大部分醫學圖像結構相對復雜，并且其灰度差異較小，采取傳統的分割方法提取圖像的效果不理想[1]。無邊緣主動輪廓（Chan-Vese，CV）模型是一種較為經典的模型，主要是根據圖像全局信息，在目標、背景兩個不同均值區域對比度圖像分割過程中發揮著重要作用，通過探測圖像模糊、離散邊緣，在噪聲干擾應用中具有較強的適應性[2-3]。CV模型以定位邊界的方式選擇圖像全局信息，其缺點體現在復雜場景中計算效率相對較低，造成能量函數加權因子調節困難，具有局限性。李淑玲[4]研究指出，CV模型在灰度不均勻、邊界不明顯、噪聲多等醫學圖像分割中效果不理想。肝臟圖像變化較復雜，不同肝臟MR圖像灰度特征存在不同的表現，因為組織、器官等灰度特征不具有單一性，成為腹部醫學圖像肝臟分割研究的難點[5]。CV模型改進引入輪廓線圖像局部信息，在圖像目標邊緣處控制曲線演化，減少迭代次數，促進輪廓收斂效能提高[6]。本文旨在研究基于CV模型的肝臟核磁共振序列圖像自動分割方法，為臨床醫學圖像分割選擇理想的方法提供理論依據。

1 基本原理

1.1 傳統CV模型

CV模型屬于一種經典的活動輪廓模型，以曲線演化和水平集方法為基礎，將活動輪廓線間接表達為水平集函數的零水平集形式。假定定義域為Ω圖像u0（x，y）被閉合曲線C劃分為目標Ω1（C的內部）和背景Ω2（C的外部）兩個同質區域，各區域的平均灰度值為c1和c2，則CV模型就是尋找真正的輪廓。在能量泛函中前兩項主要是曲線平滑項，驅動曲線演化動力項為后兩項。引入Heaviside函數以及一維Dirac函數后，得到輪廓線C，就是對應的分割目標邊緣。

1.2 改進CV模型

將圖像局部灰度信息引入目的是提高CV模型收斂速度，盡量減少主動輪廓線越過圖像邊界情況發生，消除Dirac函數對檢測遠離主動輪廓線C抑制，在能量函數過程中，引出圖像局部信息主要是依靠單調遞減函數g(R)完成，時間逐漸增加，曲線演化速度反而減慢，對目標輪廓曲線檢測，能得到g(R)公式。曲線C與目標邊緣接近，內外部的灰度平均值之間的差異逐漸增加，R值也隨之增加，說明曲線與目標邊緣接近，減緩曲線演化速度，確定目標邊緣位置，減少演化過程中越過邊界情況發生。將傳統CV模型UI與當前演化主動輪廓線相互結合，引入圖像局部信息，曲線演化快慢速度得到有效控制，提高分割速度，增強醫學圖像中目標物體的精準性。

1.3 算法實現

二維圖像分割處理方式：首先將輸入的醫學圖像預處理，采用直方圖實現均衡化，有助于提高圖像細節，保證圖像中不同質區域比率。初始輪廓線通過人工選定的方式，將符號距離函數初始化后，水平集函數迭代主要是依靠參考相關參數、圖像局部信息來完成，水平集函數變化低于閾值，說明能量泛函已經到達極值，零水平集函數主要體現目標輪廓，顯示迭代停止，顯示二維圖像的分割結果。

1.4 圖像序列分割

這是一種對二維醫學圖像的分割和擴展，CV模型在初始輪廓線位置上敏感性相對較強，圖像序列，鄰近的兩張圖像具有空間上延續性特點，鄰近區域結構變化發生緩慢，圖像序列分割過程中，圖像分割的初始輪廓線以上一張圖像的分割結果為參考，盡量避免每張圖像進行初始輪廓線選取，有助于初始輪廓線接近目標邊緣，確保分割精度，降低迭代次數，促進分割率提高。

1.5 統計學處理

2 結果

2.1 改進CV模型與傳統CV模型分割效果圖

改進CV模型具有抗噪性作用，對有干擾的圖像進行分割實用性較強。傳統CV模型只考慮了灰度信息，而對于復雜的腹部肝臟圖像，改進CV模型依靠其灰度把肝臟和其他部分劃分開來，并且由于其灰度分布的復雜性，對整幅圖像做全局的模糊分割獲得較好的效果。改進CV模型與傳統CV模型分割效果圖，見圖1。

圖1 改進CV模型與傳統CV模型分割效果圖

2.2 改進CV模型與傳統CV模型相關數據對比

如表1所示，改進CV模型分割時間和迭代次數低于傳統CV模型分割時間和迭代次數，具有統計學差異（P＜0.001）。說明采用改進的CV模型算法在精度符合要求的前提下，完成分割所需的迭代次數明顯減少，從而提高運算速度。

表1 改進CV模型與傳統CV模型相關數據對比（±s）

表1 改進CV模型與傳統CV模型相關數據對比（±s）

組別 分割時間/s 迭代次數/次改進CV模型 3.38±1.16 10.00±2.50傳統CV模型 12.36±3.42 60.50±10.00 t值 7.863 15.490 P值 ＜0.001 ＜0.001

2.3 改進CV模型與傳統CV模型算法分割質量評估

如表2所示，改進CV模型Jaccard系數和Dice系數低于傳統CV模型Jaccard系數和Dice系數，具有統計學差異（P＜0.001）。分割標準均是有經驗專家對圖像進行分割，說明改進CV模型在分割精度上略低于傳統CV模型，但是在速度上有明顯的提高，在分割精準度符合要求的前提下，分割時間有明顯的優勢。

表2 改進CV 模型與傳統CV模型算法分割質量評估系數比較（±s）

表2 改進CV 模型與傳統CV模型算法分割質量評估系數比較（±s）

組別 Jaccard系數 Dice系數改進CV模型 1.68±0.38 1.75±0.39傳統CV模型 2.86±0.82 2.98±0.96 t值 4.129 3.754 P值 ＜0.001 ＜0.001

3 討論

醫學圖像常受各種固有噪聲影響，使用邊緣檢測、單一閾值等傳統方式行肝臟分割，效果不理想。由于肝臟圖像特征不同，主要是從肝臟區域整體特征來解決肝臟分割問題，肝臟區域中的灰度跨度相對較大，肝臟內部鄰接像素點相鄰灰度變化程度較小，肝臟區域灰度從水平中心向上、下近線性增長[7-8]，因此從這一方面進行解決問題。肝臟分割有助于醫生觀察完整的臟器區域從而提高疾病準確診斷效率、促進診斷精度提高。目前臨床中大部分醫學圖像是關于腦部CT圖像的圖像分割，關于內臟MR圖像分割相關研究較少[9]。MRI技術的優點是多參數、多序列、多方位成像、軟組織成像能力高，在臨床醫學診斷過程中發揮著重要作用。肝臟分割受肝臟內部組織浸潤、個體差異、灰度不一致性影響[10]，因此難度增加。

CV模型原理是借用區域中的信息促進曲線演化，而不是憑借圖像梯度，對噪聲具有一定的敏感性，CV模型在邊緣含糊、梯度無特點的圖像進行分割較適用[11]。CV模型在圖像分割中是一種最有前途的活動輪廓模型，其不利用圖像局部區域信息，針對灰度不均的圖像區域統計信息，不能真實的表達圖像狀況，導致灰度圖像分割效果不理想[12-13]。因此為了解決CV模型的局限性，大多學者對CV模型不斷的進行改進和優化。CV模型圖像分為背景、目標兩部分，通過變分法，將水平集函數向偏微分方程轉化。張寧等[14]研究認為，CV模型的灰度不均勻，其圖像邊界不明顯，受噪聲影響多，導致醫學圖像分割過程效果不突出。解決這一問題，可通過局部項來優化改進CV模型。

本文研究結果顯示，改進CV模型分割時間和迭代次數降低，說明采用改進CV模型算法能顯著降低完成分割所需的迭代次數。與陳樹越等[15]研究結果保持一致。分析原因：CV模型分割圖像導致分割迭代次數多，需要處理的時間延長，通過改進CV模型算法分割法，迭代次數降低，顯著提高分割速度。本文研究數據指出，改進CV模型Jaccard系數和Dice系數低于傳統CV模型。說明改進CV模型的分割精度與傳統CV模型相比降低。分割速度高于傳統CV模型，在保持分割精準度情況下，改進CV模型分割時間具有一定的優勢[16]。

經過本文分割效果圖分析，對傳統CV模型分割原始圖像改進，得到正確的分割結果，分割精度準確并且分割時間短，提示通過改進CV模型發揮抗噪性作用，對干擾圖像分割實用，并對復雜場景圖像分割適用性也較強。相關研究指出，肝臟與相鄰區域灰度相近的組織能較好的分割開，但是容易發生過度分割，肝臟左下部位置灰度較暗部位被分出來[17]。實際上，肝臟內部灰度顯示為緩慢降低，周圍相鄰的胃、脾等部位與肝臟灰度相似，有些位置灰度部分有交叉重疊現象，C均值算法只考慮灰度信息，對于復雜腹部肝臟圖像，并不能只依靠灰度把肝臟和其他部分劃分開來；另外，由于灰度分布具有一定的復雜性，如果對整幅圖像做全局模糊分割不能實現良好的效果[18-19]。

CV模型分割算法改進優化后，將傳統CV模型圖像全局性充分利用，將圖像局部信息引入后，水平集函數在圖像局部信息、當前曲線驅動下演化，有助于目標邊緣能準確、快速地收斂，提高傳統CV模型運算效率[20]。本文提出了一種改進的CV模型分割MRI圖片肝臟通過引入新的局部項，將圖像的局部信息加入到CV模型的能量泛函里，有助于改進后的CV模型更精確地分割目標區域，優化改進后的CV模型參數，能改善圖像的分割速度。本文研究中在傳統CV模型基礎上，給予改進數據顯示，改進CV模型算法優點是收斂速度較快，具有較好的全局性，抗噪聲能力較強，是在臨床醫學中較實用。

綜上所述，改進CV模型算法對肝臟的MRI圖像的分割效果顯著，基于CV模型的肝臟核磁共振序列圖像自動分割方法能快速準確的提取目標，在醫學圖像分割中較理想。