基于高斯混合模型低對比度SPECT圖像分割算法的研究

張戰勝，李文亮

（鄭州大學附屬腫瘤醫院 核醫學科，河南 鄭州 450000）

單光子發射型計算機斷層成像（single photon emission computed tomography,SPECT）是臨床常用的核醫學檢查方法，已成為診斷惡性腫瘤骨轉移的重要手段，SPECT 骨顯像不同于X 線、CT 或MRI 等顯像方式，它不僅呈現人體骨骼結構、代謝及骨細胞情況，還可更早地發現成骨骨骼病變，且價格相對低廉，價值/效益比高［1］。

患者進行全身骨顯像檢查時，設備探測器采集患者身上的射線并轉換為計數量，反映在圖像亮度上，計數量大的區域亮度越高，圖像灰度值越大。正常全身骨骼圖像對稱均勻清晰，而腫瘤骨轉移或骨質破壞部位則會呈現放射性濃聚，圖像上表現為團點狀亮點。放射性分布與患者骨質情況有關，相似濃聚亮點在一幅圖上是病變區域，在另一幅圖像中有可能是正常區域如圖1 所示。目前全身骨骼顯像診斷主要依靠醫生個人經驗，受主觀因素影響較大，且容易出現誤診、漏診情況［2］。因此開展骨顯像計算機輔助診斷系統（computer aided diagnosis,CAD）的研究具有較大的臨床價值，本研究采用圖像分割算法提取全身骨圖像上的感興趣區域（region of interest,ROI），提高圖像亮度、對比度、可讀性和圖像處理的自動化程度，以便于臨床客觀地定性、定量分析病灶。

圖1 原始骨骼圖像

圖像分割是利用圖像特征集合分解成各具特性區域并提取出ROI 的過程，ROI 優劣及準確度將直接影響醫生判斷及后續計量或運用［3］。目前圖像分割方法主要有閾值法、區域提取法、聚類法和邊緣檢測法等。目前國內對SPECT 圖像分割的相關研究報道較少，大都處在實驗階段，國外相關報道主要集中于SADIK、HUANG、SAJN 等學者采用不同方法對骨圖像進行分割［4-6］。由此可見，至今關于SPECT 骨圖像分割還沒有標準的分割算法。

本研究采用高斯混合模型（Gaussian mixture mode,GMM）分割圖像，該算法計算簡單，根據圖像的灰度信息選取最佳閾值，并綜合考慮圖像空間信息以保證分割精度，自動識別病變區域從而實現CAD。實驗結果表明該算法既能從總體上控制，又在細節上加以優化，且對團點狀區域的圖像聚類效果顯著，能夠有效提高SPECT 圖像分割精度和穩定性。

1 材料與方法

1.1 材料

為了驗證本研究算法的適用性、抗干擾性、穩定性及準確度，選取河南省腫瘤醫院核醫學科2019 年6 月至7 月200 例患者的全身骨圖像作為實驗數據。每位患者均在注射20 mCi 锝亞甲基二膦酸鹽（99Tcm-MDP）2～3 個小時后，采用美國GE公司產的Discovery NM670 采集前位和后位兩幅全身骨圖像，本研究編程算法均在Visual Studio 2010編程環境下完成仿真。

1.2 方法

1.2.1 圖像分割架構 SPECT 全身骨圖像普遍存在邊界模糊、圖像信噪比低、對比度差等特點，單一分割算法不能獲得理想的分割效果，無法為臨床提供有效診斷信息。本研究圖像分割分預處理、圖像分割和后處理三部分。預處理包括圖像對比度調整、去除噪聲、擴大灰度動態范圍銳化圖像，針對圖像骨骼與本底區分不明顯，采用最佳閾值法去除本底，凸顯骨骼影像，預處理過程如圖2 所示。GMM 則負責將圖像劃分成若干區域并提取出ROI；最后應用去對稱程序和模板匹配法去除誤識別區域［7］。整個全身骨圖像分割處理流程如圖3 所示。

圖2 圖像預處理過程

圖3 圖像分割處理流程

1.2.2 高斯混合模型 GMM 采用高斯概率密度函數精確的量化事物，將一個事物分解成若干基于高斯概率密度函數行程的模型［8-9］。GMM 圖像分割的過程為：假設圖像被分割成K部分，每個圖像區域內的像素服從均值μ，方差σ2的正態分布，則整個圖像的特征分布就可以用GMM 來描述。

若第K區域的高斯分布如式（1）所示，則整個圖像的高斯分布可由公式（2）表示。

Ιxy是第x行，第y列像素灰度值；πk是Ιxy屬于第K類的概率權重，滿足式（3），fK(Ixy；θκ)是Ιxy在第K類的概率密度函數，θ=(μ1，μ2，…，μK；所有參數形成的未知矢量Φ=(π1，π2，…，πn；θ1，θ2，…，θK)。

1.2.3 求解GMM 參數 本研究采用最大似然函數求解GMM 參數。首先，構造Ixy對數似然估計函數［10-11］，如式（4）所示。

利用式（5）～（8）求解max[logL(Φ)]對應的參數，N是像素總數。

2 圖像分割步驟和結果

2.1 圖像分割步驟

綜上所述，全身骨圖像分割過程為：

①輸入標準格式的全身骨圖像X=Ixy，對圖像進行預處理。

②迭代計算最大似然估計參數，設置初始值Φold，利用式（5）～（8）求解參數值，直至logL(Φ(new))-logL(Φ(old))<ε，迭代結束，ε是臨界值，取ε=0.01。

③輸出分割后的圖像，并對圖像進行后處理。

2.2 結果

本研究采用200 例全身骨圖像（正常和異常圖像各100 例）對該分割算法進行測試，結果如圖4 所示，圈著區域為疑似病變區域。A 為基于GMM 粗分類的分割結果，B 為后處理后的分割圖像。統計顯示圖像總體分割準確率為75.4，正常圖像判斷正確率為71.5，病變圖像判斷正確率為79.3，基本上可以實現全身骨病變區域的判斷，且準確率較高，對臨床診斷有一定的應用價值。

圖4 圖像分割及后處理后結果

3 討論

本研究提出的SPECT 全身骨顯像圖像分割算法流程簡潔，能夠快速準確地提取出ROI，識別細微疑似病變區域。綜上所述，該算法是一種可行、臨床上有實用價值的骨掃描圖像分割方法，可為今后圖像處理工作提供一定參考。但需要指出的是該算法尚未考慮體位及假體影響，因此仍需進一步完善，以提高分割的精度及準確度。而繼續探討更加穩定和高效的圖像分割算法以實現SPECT 圖像的自動分割處理也將是本研究團隊今后的主要工作。