不同計算機自動分割算法對不規則腦出血CT圖像分割的對比研究

杜一凡，瞿航，王葦，趙義

1. 大連醫科大學 研究生院，遼寧 大連 116023；2. 揚州大學附屬醫院 放射科，江蘇 揚州 225009

引言

隨著醫學成像設備的發展和計算機技術的進步，人工智能軟件已經在臨床上得到廣泛的應用，可對臨床治療方案的制定起到一定的輔助作用[1]。其中一個重要基礎就是對影像檢查圖像數據的處理，更為精確地分割、識別病灶區域對后期診斷的準確性起到關鍵的作用[2]。腦出血是神經系統最常見的疾病之一，具有病情變化迅速，病殘率高，死亡率高的特點。CT 是臨床診斷腦出血最重要的方法之一，CT 影像提供的診斷信息包括出血部位、出血量、中線移位及腦室受壓程度等[3]。對CT 圖像的病變區形態特征進行提取和分割，以及影像學征象進行識別，是腦出血影像學分析的重要基礎，同時具有重要的臨床意義[4]。自發性腦出血CT 影像中存在出血形態不規則、邊界不連續、運動偽影較大、高噪聲等特點[5]，運用分割算法對CT 影像中出血區域精確分割是影像評估的基礎。

近年來，越來越多的圖像分割算法應用于醫學圖像輔助診斷，如腹腔實質臟器分割等[6]。腦出血相關的研究同樣較多，但分割精度和實際臨床應用價值有待進一步提高[7]。基于此，近年來有研究者在顱腦出血CT 圖像分割方面進行了大量的工作，主要是基于區域和基于邊界的分割，包括閾值法、區域生長法、基于梯度的邊緣檢測、模糊聚類、基于活動輪廓模型等方法，目前常用的軟件算法對于規則、連續的病灶區識別及分割有較好的效果，而對邊界不規則、不連續及含高噪聲的腦出血的分割效果較差[8]，如CV 模型、LBF 模型等均是經典的基于區域活動輪廓模型，部分模型使用局部高斯分布來擬合局部區域的灰度分布，對灰度不均勻的圖像具有比較好的魯棒性。然而此類模型也存在一定不足，如沒有考慮到圖像區域信息，只是采用梯度信息計算邊界停止函數容易產生邊界泄露；此外局部區域活動輪廓模型具有對初始的位置敏感、容易陷入局部最優和對凹陷區域不能收斂[9]等缺點。近年來，隨著計算機圖像處理技術的發展，結合不同分割算法的圖像分割方式已得到了較多應用，如王琴琴[10]提出的基于模糊C 均值和隨機漫步的CT 肝臟圖像分割算法；Ma 等[11]提出的基于人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）和模糊C 均值聚類的混合圖像分割方法等。本研究嘗試結合空間域模糊C 均值聚類（Fuzzy C-means，FCM）算法以及距離規則化水平集算法，得到模糊聚類水平集算法（Fuzzy Clustering and Distance Regularized Level Set Evolution，FCRLS），理論上這種算法能充分考慮空間域模糊聚類后的信息，分割的曲線演化更準確，且分割結果較為穩定，是目前較優的分割算法之一。基于此，本研究以人工勾畫病灶區圖像為標準，通過采用戴斯相似性系數（Dice Similarity Coefficient，DSC）、杰卡德指數（Jaccard Index）、相對體積差（Relative Volume Difference，RVD）等指標對比FCRLS、閾值法、區域生長法對于不規則腦出血CT 圖像病灶分割的精確度，旨在探尋不規則腦出血分割的最優算法，為臨床輔助診斷和后續治療提供理論依據。

1 材料與方法

1.1 病例篩選

選取2019 年5 月至8 月因自發性腦出血于本院影像科接受顱腦CT 平掃檢查的患者。排除標準：臨床病歷記錄為外傷史后出現顱內血腫的患者；腦部存在腫瘤和（或）其他占位性病變的患者；梗死后出血的患者。首輪篩選采集20 例患者的不規則腦出血圖像納入本研究，包括長梭形、啞鈴型、多角形、破入腦室型，且與規則血腫相對集中的類圓形相區別[12]，其中1 例破入腦室，圖像均來源于西門子Force CT 機，使用相同的成像參數。每例患者選取病灶最大層面，在計算機分割病灶之前，進行人工邊緣勾畫，所選圖像由兩名具有副主任醫師以上職稱放射科醫師于不同時間段分別勾畫3 次，并協商后確定最終的分割邊界。以明亮標記線標記，作為血腫模的參考模板確認，為不同算法分割后驗證效果提供參考對比基線。

1.2 數據處理

本研究所有算法均采用基于矩陣實驗室的平臺Matlab（version 2013a）進行編譯。

（1）灰度閾值法：由于腦出血在CT 圖像上呈現高密度，CT 值較高，周圍腦實質是軟組織，CT 值較低，呈現為暗區域。通過圖像的直方圖可以看出，腦出血與周圍腦實質區別較大。經過既往經驗和目測，出血的CT 值為60～80 HU，因此，本研究設定圖像的手動閾值分割的臨界點為60～80，其定義見公式（1）。

式中，f(x,y)表示原圖像的CT 值；g(x,y)表示經過手動閾值分割后的新圖像的灰度值。利用圖像中要提取的目標與背景在灰度上的差異，通過設置閾實現目標與背景的分離，從而將病灶轉換成二值圖像。

（2）區域生長法：區域生長算法是一個迭代過程，選取一個合適的生長閾值對生長點上、下、左、右四個鄰接點考察，若鄰接點灰度值與初始生長點灰度值之差小于生長閾值，則該像素點屬于顱內出血區域，表達方式見式（2）。

式中，I表示當前像素的灰度值；Iseed表示種子點的灰度值；Imax與Imin分別表示圖像中的最大灰度值與最小灰度值；λ表示可調節的參數，用來控制像素之間的均勻性相似度門限。將滿足此公式的鄰近像素并入到種子區域中，合并后的像素點作為新的“生長起始點”，繼續考察其鄰接的四個點，依次類推，直至識別出整個出血區域。

（3） 模糊聚類：在分割時采用隸屬度來區分不同的類別，根據類內相似性、類間相離性準則對圖像像素點劃分歸類，通過不斷迭代使代價函數最小化完成聚類，FCM 聚類算法用U 函數表示第i個像素值與第k個聚類中心的模糊隸屬度，成員函數uik和聚類中心vk根據公式（3）公式不斷迭代求解。

式中，m為作用于模糊隸屬度的權重指數；vk代表第k個聚類中心；c代表聚類類別數；通過函數不斷迭代，使目標函數J達到接近極小值，停止迭代，根據隸屬度大小，將每個像素點最終歸類，見圖1。本研究中函數參數設置為隸屬度權重指數L=2，目標函數的最小誤差為le-5，類別為5，最大迭代次數=500。

圖1 基于不同方法的不規則腦出血CT圖像分割結果展示

（4） 在聚類分割的基礎上，通過能量函數極小化的方式，不斷地演化輪廓曲線，最終使得輪廓曲線因能量函數達到極小值而停止演化。本研究運用雙勢肼（Double-Well）函數，函數表達式見公式（4）。

雙勢肼改進距離規則化項，解決了單勢肼擴散率為負無窮大的問題，應用到圖像分割采用的能量泛函見式（5）。

式中，μ、λ、υ分別為各能量項系數；μRp()為距離規則化項；后兩項為外部能量項。μ是水平集函數初始化內部能量項，采用0.2 的值；λ用于控制輪廓平滑的規則化參數；υ為氣球力參數，取值值越大，表示曲線演化速度越快，符號為正時表示曲線收縮，取負值時是曲線擴張[13]。g為邊緣指示函數；δ(x)為Dirac 函數；H(x)為Heaviside 函數，在本研究中表達式見公式（6）。

綜合以上公式，可將能量函數表達式改寫為公式（7）。

本研究水平集模型采用了雙勢肼函數以改進距離規則化項，增加了結果的穩定性及準確性。

1.3 模型定義及計算方式

采用人工勾畫的感興趣區作為標準模板，分別對不同算法得到的分割結果進行定量分析，采用Dice 系數、杰卡德指數（Jaccard Index）來衡量對病灶的分割效果。Dice 系數代表正確分割的區域占總區域的比值，計算方式為：2×正確分割的結果/（標準模板+分割結果）。Jaccard 系數主要用于計算樣本間的相似度，Jaccard 系數的計算方式為：樣本交集/樣本并集。RVD 表示兩者體積之間的差異，計算公式為：（標準模板-分割結果）/兩者的交集×100%。

1.4 統計學分析

采用SPSS 17.0 統計學軟件進行數據分析，計量資料用（±s）表示，采用配對t檢驗進行分析，以P＜0.01 為差異有統計學意義。

2 結果

本研究共比較了20 例不規則腦出血患者的圖像，通過與人工勾畫結果對比，得到三種不同分割方式的Dice 系數、Jaccard 系數及RVD 值。如表1 和圖1 所示，FCRLS 的Dice、Jaccard 系數大于灰度閾值法和區域生長法，差異具有統計學意義（P＜0.001）；FCRLS 的RVD 值小于灰度閾值法和區域生長法，差異具有統計學意義（P＜0.001）；灰度閾值法與區域生長法的Dice 系數、Jaccard 系數及RVD值差異無統計學意義（P＞0.01）。以上結果表明，FCRLS分割算法相對于灰度閾值法及區域生長法，與人工勾畫結果相似性更高。

表1 不同分割算法的比較結果

3 討論

本研究結果顯示，FCRLS 相比灰度閾值法和區域生長法具有更好的配準相似度，與標準模板更為接近，對于不規則血腫的分割效果相對更好。閾值分割法是目前比較常用的分割方法，可以分割具有高對比度的出血病灶，但是不能精確分割對比度較弱、模糊邊界和非均勻性的病灶，容易出現較大的分割誤差[14]。區域生長法的分割方法雖然利用了像素之間鄰域的空間信息，但需要人為的選擇初始種子點，不能實現自動化分割，具有一定的主觀性[15]；同時需要根據先驗知識設定閾值，當閾值選擇不合適時，會產生錯誤的分割，并且容易將相鄰的高密度的大腦鐮、蛛網膜下腔識別為血腫[16]，本研究同樣出現將蛛網膜下腔識別為血腫的情況。

圖2 不同算法的戴斯相似性系數、杰卡德指數和相對體積差

本研究提出了空間域模糊聚類與距離規則化水平集算法，其集合了空間域模糊聚類以及水平集算法兩種算法的優勢，并彌補彼此的不足：①FCRLS 在圖像邊緣勾畫更加準確。分析原因為空間域的FCM 算法，在算法中使用了核函數來進行距離測度，改進了傳統算法忽略了鄰域像素的空間信息的缺點[17]，使得算法的魯棒性得到增強[18]。同時模型采用Double-Well 函數改進原模糊聚類水平集算法中的距離規則化項，解決了單勢肼擴散率為負無窮大的問題，使得算法分割結果更精確；②FCRLS 是一種自動聚類算法，無須人工干預，減少了因操作者因素造成的分割誤差。傳統水平集分割算法需要人工初始化，對圖像灰度不均、邊界模糊和初始輪廓位置較為敏感，難以在目標邊界附近收斂[19]，算法分割結果不穩定，且對于不同的分割對象，需優先配置不同的參數。模糊聚類的加入代替了人工初始化過程，提高了分割精度同時加快了分割速度。分割的曲線演化更準確，分割結果更穩定[20]；③FCRLS 算法中自適應函數的加入提高了算法的通用性。在前期對模型調試的過程中，發現優化的FCRLS 參數設置對病灶區域的分割同樣重要，模型聚類數目設置為5，步長τ設置為3，內部能量項μ設置為0.2，高斯核函數經向作用范圍б設置為3，Dirac 函數規則化參數ε設置為1.5，輪廓演化的規則化參數λ設置為3 時分割結果更接近真實病灶區域。

已有相關文獻指出，急性腦出血患者的出血量、血腫厚度、出血位置等因素都反映了患者的嚴重程度與早期預后，從而影響診斷以及治療的選擇[21]。而對血腫區域的準確性分割，是一切評估的基礎。因此，快速而準確的分割血腫至關重要。本研究充分展示了模糊聚類水平集算法對腦出血的精準分割，同時通過比較不同分割算法對不規則腦出血的分割準確性，對計算機在此方面分割算法的優化和選擇提供了參考。未來的研究可能更多應用深度學習技術以得到更精確的結果，為臨床診療提供更好的參考。

4 結論

本研究提出一種基于結合空間域模糊聚類水平集分割的腦出血CT 圖像分割算法，并與灰度閾值、區域生長法進行結果對比，結果表明，結合空間域模糊聚類水平集分割算法能充分考慮空間域模糊聚類后的信息，對于不規則腦出血病灶的自動分割提取具有最好的準確性，有助于臨床輔助診斷和后續治療。但本研究也存在一定不足，如未能進行三維空間結果的對比，今后將進一步精進算法，提高其精細度及穩定性，并將本研究算法應用于蛛網膜下腔出血等方面。