引用本文

李阳, 赵于前, 廖苗, 廖胜辉, 杨振.基于水平集和形状描述符的腹部CT序列肝脏自动分割.自动化学报, 2021, 47(2): 327-337 doi: 10.16383/j.aas.c180544

Li Yang, Zhao Yu-Qian, Liao Miao, Liao Sheng-Hui, Yang Zhen. Automatic liver segmentation from CT volumes based on level set and shape descriptor. Acta Automatica Sinica, 2021, 47(2): 327-337 doi: 10.16383/j.aas.c180544

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180544

关键词

肝脏分割，水平集，形状描述符，腹部CT图像 

摘要

肝脏分割是计算机辅助肝脏疾病诊断的重要前提和基础.本文提出了一种新的基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法.首先, 对原始腹部CT序列图像进行预处理, 去除与肝脏不相关的器官和组织.然后, 利用灰度偏移场, 结合周长项、距离正则项和相邻切片肝脏分割结果构建水平集能量函数, 实现CT序列肝脏自动分割.为避免分割误差累积, 提出一种基于形状描述符和瓶颈率的肝脏边缘优化方法, 在每张切片分割完毕后去除由于灰度重叠造成的过分割.通过对XHCSU14数据库和Sliver07数据库中腹部CT序列的肝脏分割实验, 以及与其他肝脏分割算法的比较, 表明了本文方法的有效性, 且分割精度高, 鲁棒性强.

文章导读

我国是肝脏疾病大国, 世界范围内约有一半以上的肝脏疾病新病例和因罹患肝脏疾病而死亡的案例发生在中国[1].目前主要的肝脏疾病治疗方法包括肝脏切除、活体肝移植和立体定向放疗等.计算机辅助诊断和手术规划是肝脏疾病治疗的重要环节.腹部CT (Computed Tomography, CT)图像肝脏的准确分割是计算机辅助诊断和手术规划的基础, 可为肝脏病灶分析、肝脏血管疾病诊断[2]、手术导航和放疗计划制定等提供技术支持.由于腹部CT序列图像切片数量大[3], 专家手动勾画肝脏区域耗时且存在主观性, 因此, 研究腹部CT序列图像肝脏的自动分割方法具有重大意义.

由于肝脏解剖结构的复杂性, 不同个体肝脏的多样性, 以及成像时受噪声、造影剂等影响, 腹部CT序列肝脏分割面临巨大挑战.目前, 许多文献提出了不同的腹部CT序列肝脏分割方法.文献[4]提出了一种基于图割和边缘行进的腹部CT图像肝脏分割方法.首先, 基于肝脏的先验知识建立肝脏的亮度模型和外观模型, 并利用图割算法分割肝脏初始切片, 然后, 综合肝脏的位置特征以迭代方式分割整个腹部CT序列, 并采用边缘行进法对欠分割的肝脏主血管进行补偿.由于成像过程中各种因素造成的灰度异质影响医学图像分割精度, 文献[5]提出一种融合灰度偏移场的水平集方法, 该方法可有效提高当图像存在灰度异质时的分割精度, 且抗噪性强.文献[6]首先对原始腹部CT图像进行非线性映射并设置肝脏感兴趣区域, 然后根据拟蒙特卡罗(Quasi-monte carlo)方法选取肝脏种子点, 基于图像的梯度信息构建区域生长准则, 实现肝脏粗分割, 最后, 应用数学形态学方法优化肝脏分割结果.文献[7]首先应用快速行进水平集获取肝脏的初始区域, 然后采用阈值水平集方法对肝脏区域进行精确分割.该方法在获取肝脏初始区域前需手动选取肝脏种子点, 不同的种子点选取方式会对分割结果造成一定的影响.针对因病态肝脏导致的欠分割和由于灰度相似性导致的过分割, 文献[8]提出了一种基于稀疏表示的肝脏形状模型.首先, 根据正常的标准肝脏数据建立肝脏字典, 然后基于标准肝脏数据的稀疏表示校正肝脏三维形状, 实现肝脏分割.该方法要求字典中的肝脏原子均为标准肝脏形状, 且所需原子数量越大分割结果越准确.文献[9]提出一种基于判别字典学习的腹部CT图像多器官分割方法, 该方法首先基于多器官训练图谱获得具有重构能力的字典及分类器, 根据目标体素的概率标签生成多器官的概率图谱, 然后将概率图谱融入图割能量函数, 实现肝脏等腹部器官的分割.该方法需要大量的数据建立训练图谱, 耗时较长, 对于形状异常的器官分割效果不理想.文献[10]综合深度监督机制与全卷积神经网络(Full convolution network, FCN), 提出了一种基于深度监督网络(Deeply supervised network, DSN)的肝脏分割方法.在训练过程中, 基于深度监督层对FCN第一次和第二次池化后的结果进行反卷积, 得到肝脏区域的概率预测, 并根据其预测误差和FCN预测误差训练DSN; 在测试过程中, 将待分割CT图像输入DSN, 利用全连接条件随机场对肝脏分割结果进行优化.基于神经网络的肝脏分割方法需要大量肝脏数据进行网络训练, 训练时间长, 分割结果易受训练数据质量的影响[11-12].

本文提出了一种新的基于水平集和形状描述符的腹部CT序列肝脏分割方法.首先, 对CT图像进行预处理; 然后, 引入灰度偏移场构建水平集能量函数, 在进行序列分割时, 将相邻切片肝脏分割结果作为位置约束; 最后, 基于形状描述符和瓶颈率优化肝脏边缘.预处理及位置约束可减小与肝脏不相关的脊椎、肋骨、肌肉、脾脏和胰腺等对肝脏分割的影响; 灰度偏移场可减少噪声和灰度异质对分割准确性和鲁棒性的影响; 边缘优化可去除因灰度重叠造成的肝脏过分割区域, 进一步提高分割精度.

图1 算法流程图

图6 肝脏边缘优化. (a)过分割候选关键点(白色点); (b)过分割关键点对(白色点); (c)边缘优化结果

图9 XHCSU14数据库肝脏分割结果的FPR和FNR分布图. (a)FPR分布图; (b) FNR分布图

本文提出了一种基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法.本文通过预处理及位置约束能有效减小肌肉、胰腺、脾脏等组织和器官对分割结果的影响; 由于将灰度偏移场引入水平集能量函数, 在水平集演化时对原始腹部CT序列图像进行灰度校正, 可减小噪声和肝脏灰度分布不均对分割准确性和鲁棒性的影响, 且能避免位于肝脏边缘肝脏主血管的欠分割; 进行肝脏边缘优化可解决由于灰度重叠导致的被分割肝脏形状异常问题.以XHCSU14和Sliver07数据库中的40个腹部CT序列图像为实验对象, 并与其他算法进行比较, 通过分析分割结果的FPR、FNR值和Dice系数, 以及VOE、RVD、ASD、RMSD、MSD等评价指标, 表明了本文算法分割准精度高, 鲁棒性强.针对存在严重病变的肝脏, 由于本文算法在预处理过程中会丢失部分病变组织信息, 易造成病变部位欠分割, 为解决该问题, 未来考虑基于字典学习构建肝脏结构模型, 将其融入能量函数中以解决肝脏欠分割问题.

作者简介

李阳

中南大学自动化学院和计算机学院博士研究生.主要研究方向为医学图像处理. E-mail: lyycsu@163.com

廖苗

湖南科技大学计算机科学与工程学院讲师, 中南大学自动化学院博士后.主要研究方向为图像处理, 模式识别. E-mail: liaomiaohi@163.com

廖胜辉

中南大学计算机学院教授.主要研究方向为医学图像处理, 三维数字医疗. E-mail: lsh@csu.edu.cn

杨振

中南大学湘雅医院副主任医师.主要研究方向为医学影像学, 计算机辅助放疗. E-mail: yangzhen@188.com

赵于前

中南大学自动化学院教授.主要研究方向为图像处理, 模式识别, 机器学习.本文通信作者. E-mail: zyq@csu.edu.cn