劉國(guó)才　胡澤田 朱蘇雨 袁媛 劉科 吳崢 張九堂 莫逸

摘要：針對(duì)腫瘤放療生物靶區(qū)高精度勾畫難題，根據(jù)頭頸部腫瘤PET（positron emission computed tomography）影像特點(diǎn)，提出了腫瘤PET圖像分割隨機(jī)游走方法.首先，根據(jù)PET SUV（standardized uptake value）影像，采用三維自適應(yīng)區(qū)域生長(zhǎng)和數(shù)學(xué)形態(tài)學(xué)膨脹方法確定隨機(jī)游走方法的種子點(diǎn)，將包含腫瘤的感興趣區(qū)域分為核心腫瘤區(qū)域（標(biāo)記為前景種子點(diǎn)）、正常組織區(qū)域（標(biāo)記為背景種子點(diǎn)）和待定區(qū)域.然后，利用頭頸部腫瘤和周圍正常組織PET圖像具有不同的對(duì)比度紋理特征，將PET SUV及其對(duì)比度紋理值作為隨機(jī)游走方法中邊的權(quán)值計(jì)算依據(jù).實(shí)驗(yàn)結(jié)果表明，該法不僅比傳統(tǒng)隨機(jī)游走方法平均提速9.34倍，而且，以臨床醫(yī)生手工勾畫的大體腫瘤區(qū)作為參考標(biāo)準(zhǔn)，相似度平均提高32.5%（P<0.05）.本文方法能夠有效地自動(dòng)勾畫頭頸部腫瘤放療生物靶區(qū).

關(guān)鍵詞：醫(yī)學(xué)圖像分割；隨機(jī)游走；區(qū)域生長(zhǎng)；生物靶區(qū)；頭頸癌

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1674-2974（2016）02-0141-09

18F-脫氧葡萄糖（18FDG）正電子發(fā)射斷層掃描（positron emission computed tomography， PET）是一種在分子水平上非侵入性的生物學(xué)特性成像方法，是核醫(yī)學(xué)影像最先進(jìn)的分子影像技術(shù)之一，目前已被廣泛應(yīng)用于惡性腫瘤的檢測(cè)和分期，并已成為當(dāng)前腫瘤生物調(diào)強(qiáng)放療計(jì)劃和療效評(píng)估研究的重要影像技術(shù)[1-3].基于PET影像的高精度腫瘤生物靶區(qū)勾畫是腫瘤放療計(jì)劃和療效評(píng)估的基礎(chǔ)，但腫瘤PET影像不僅信噪比低，而且空間分辨率低、部分容積效應(yīng)嚴(yán)重，頭頸部腫瘤周圍正常組織的18FDG標(biāo)準(zhǔn)攝取值（standardized uptake value， SUV）通常還和腫瘤的SUV非常接近，因此，PET影像中的腫瘤邊界通常模糊，且與毗鄰正常組織的分界不清晰.腫瘤內(nèi)部還具有各向異性的生物學(xué)特性，因此，高精度的腫瘤生物靶區(qū)勾畫非常困難.

腫瘤生物靶區(qū)勾畫本質(zhì)上是腫瘤PET圖像分割問題.隨機(jī)游走（random walk， RW）是一種基于圖論的交互式圖像分割方法[4-6]，它將圖像的分割問題轉(zhuǎn)化為圖的Dirichlet最優(yōu)化問題[5].隨機(jī)游走圖像分割算法在圖像像素?cái)?shù)量比較少的情況下，分割速度快，分割效果好，特別是在處理含有強(qiáng)噪聲、弱邊界或缺失邊界、有模棱兩可的圖像區(qū)域時(shí)顯示出了突出優(yōu)勢(shì).這些特性使得隨機(jī)游走算法非常適合處理PET圖像.Bagci等[7]和Onoma等[8]最先將隨機(jī)游走方法應(yīng)用在肺部腫瘤PET圖像分割中，并取得不錯(cuò)的效果.但由于頭頸部解剖結(jié)構(gòu)復(fù)雜，目前尚未見有關(guān)將隨機(jī)游走方法應(yīng)用于三維頭頸癌PET圖像分割的文獻(xiàn).

隨機(jī)游走分割結(jié)果一方面依賴于種子點(diǎn)的位置和數(shù)量，另一方面依賴于頂點(diǎn)間邊的權(quán)值計(jì)算方法.種子點(diǎn)越多，提供的前景與背景區(qū)域信息就越多，相應(yīng)的分割結(jié)果就越令人滿意 [9]. 我們也發(fā)現(xiàn)腫瘤PET圖像分割隨機(jī)游走問題的求解不僅需要提供正確標(biāo)記的腫瘤和非腫瘤種子點(diǎn)，而且種子點(diǎn)的數(shù)目和位置對(duì)圖像分割結(jié)果有很大影響.不合適的種子點(diǎn)標(biāo)記，可使隨機(jī)游走問題無法有效求解；種子點(diǎn)數(shù)目不充足，可導(dǎo)致分割結(jié)果不理想.但是，在三維PET情況下，人工選擇種子點(diǎn)不僅效率十分低下，而且種子點(diǎn)不足難以得到令人滿意的分割結(jié)果，尤其對(duì)于PET SUV圖像中生物特性各向異性的腫瘤分割更是如此.因此，我們根據(jù)頭頸癌PET SUV分布特點(diǎn)，提出采用三維自適應(yīng)區(qū)域生長(zhǎng)和數(shù)學(xué)形態(tài)學(xué)膨脹方法，將包含腫瘤的感興趣區(qū)域分為核心腫瘤區(qū)域、正常組織區(qū)域和待定區(qū)域三類，并將核心腫瘤區(qū)域全部體素點(diǎn)標(biāo)記為腫瘤分割隨機(jī)游走問題的生物靶區(qū)種子點(diǎn)，同時(shí)將正常組織區(qū)域全部體素點(diǎn)標(biāo)記為非生物靶區(qū)種子點(diǎn)，這樣只需要對(duì)待定區(qū)域的體素點(diǎn)進(jìn)行隨機(jī)游走分割.這不僅使隨機(jī)游走問題的求解速度顯著提高，而且大量的種子點(diǎn)使腫瘤分割結(jié)果更準(zhǔn)確.另一方面，我們發(fā)現(xiàn)頭頸部腫瘤和其周圍正常組織PET SUV圖像具有不同的對(duì)比度紋理特征，提出一種基于PET SUV及其對(duì)比度紋理特征量的腫瘤分割隨機(jī)游走頂點(diǎn)間邊的權(quán)值計(jì)算方法，以便更好地區(qū)分腫瘤和其周圍高SUV的正常組織，進(jìn)一步提高腫瘤分割結(jié)果精度.

1經(jīng)典隨機(jī)游走方法

受條件限制，我們無法獲取每個(gè)病例的病理標(biāo)本作為金標(biāo)準(zhǔn).因此，我們邀請(qǐng)3位經(jīng)驗(yàn)豐富的放療科醫(yī)生獨(dú)立地對(duì)每個(gè)病例分別進(jìn)行手工勾畫大體腫瘤靶區(qū)（gross tumor volume，GTV），然后由另外一位經(jīng)驗(yàn)豐富的放療科主任醫(yī)師綜合以上3位醫(yī)生勾畫結(jié)果給出最終的GTV，我們將這個(gè)最終的GTV作為參考標(biāo)準(zhǔn)（ground truth， GT）.為了驗(yàn)證提出方法的性能，本文采用Dice相似性（similarity， SIM）、靈敏性（sensitivity， SEN）和特異性（specificity， SPE）作為定量評(píng)價(jià)指標(biāo).

3.1性能指標(biāo)

定義1相似性是指實(shí)驗(yàn)方法所得勾畫結(jié)果與金標(biāo)準(zhǔn)的重合程度.SIM值越大表明兩者幾何形狀重合得更好.定義為：

3.2與傳統(tǒng)隨機(jī)游走方法性能比較

有研究[16]指出：在三維下的隨機(jī)游走分割算法中，采取三維26-鄰域來構(gòu)造圖所取得的分割效果最佳.因此，本文采用三維26-鄰域來描述三維空間內(nèi)體素與其相鄰體素的關(guān)系.為了便于比較，且根據(jù)文獻(xiàn)[5]，本文對(duì)于所有隨機(jī)游走方法選取β，β1和β2值均為90.為了簡(jiǎn)便起見，我們將手工選擇種子點(diǎn)和未將紋理引入權(quán)值函數(shù)（即β2=0）的隨機(jī)游走算法記為傳統(tǒng)隨機(jī)游走方法.圖4給出了不同種子點(diǎn)選擇方法所得到的隨機(jī)游走分割結(jié)果.圖4（b）和圖4（j）是手工選取的種子點(diǎn)，圖4（c）和圖4（k）是本文基于三維自適應(yīng)區(qū)域生長(zhǎng)方法自動(dòng)選取的種子點(diǎn).從分割結(jié)果來看，用手工選取種子點(diǎn)的隨機(jī)游走方法分割效果并不理想，圖4（f）和圖4（n）顯示結(jié)果都出現(xiàn)了欠分割.這是因?yàn)樵谌S圖像分割中，醫(yī)學(xué)圖像情況復(fù)雜、數(shù)量較多，手工選取種子點(diǎn)費(fèi)時(shí)費(fèi)力且?guī)в泻艽蟮闹饔^性，種子點(diǎn)太少不足以表征前景和背景區(qū)域的特征，造成分割結(jié)果不理想.本文提出的自動(dòng)選擇種子點(diǎn)方法是通過大量實(shí)驗(yàn)，在保證較好的分割結(jié)果和較快的分割速度前提下選擇得到的.本文方法在執(zhí)行過程中不需要人工干預(yù)選擇種子點(diǎn)，從而在保證分割結(jié)果精確度的前提下大大提高了方法的執(zhí)行效率.

圖4（a）中黑色方框內(nèi)的腫瘤和正常組織的PET SUV很相近，腫瘤組織與其右側(cè)腮腺毗鄰，邊界沒有明顯的界限，此時(shí)（11）式中（Ii-Ij）2趨近為0，而相應(yīng)的腫瘤和正常組織對(duì)比度紋理則有明顯界限（見圖4（d）黑色框內(nèi)），此時(shí)（Ci-Cj）2非0.圖4（i）與圖4（l）也是類似情況，圖4（i）中腫瘤不僅與其左側(cè)的腮腺邊界模糊，而且與其下方的小腦組織也沒有明顯的界限.本文提出的改進(jìn)的權(quán)值函數(shù)，將PET圖像的SUV信息與PET圖像對(duì)比度紋理聯(lián)合起來，兩者融合后的相應(yīng)邊權(quán)值wij將比僅考慮SUV時(shí)減小，從而有利于正確區(qū)分腫瘤和高SUV正常組織.（外圍十字點(diǎn)集：背景種子點(diǎn)，中間星號(hào)點(diǎn)集：前景種子點(diǎn)，封閉曲線：腫瘤輪廓，前兩行為本實(shí)驗(yàn)的一例病例，后兩行為另外一例病例的實(shí)驗(yàn)結(jié)果）

圖5，圖6和圖7給出了本文自動(dòng)選取得到種子點(diǎn)的分割結(jié)果與傳統(tǒng)手工選取種子點(diǎn)隨機(jī)游走分割結(jié)果定量比較.從圖5可以看出，本文方法性能明顯優(yōu)于傳統(tǒng)隨機(jī)游走方法.本文方法分割結(jié)果比傳統(tǒng)隨機(jī)游走方法分割結(jié)果與參考標(biāo)準(zhǔn)的相似度平均提高32.5%，差異具有統(tǒng)計(jì)學(xué)意義（t檢驗(yàn)： H=1， P<0.05）.傳統(tǒng)手工選取種子點(diǎn)數(shù)量不足造成了傳統(tǒng)隨機(jī)游走三維圖像分割中出現(xiàn)欠分割（見圖4（f）和圖4（n）所示）.因此，這種情況在特異性指標(biāo)上會(huì)高于本文方法，但是靈敏性卻很低.單一的特異性高沒有實(shí)際意義，而本文方法分割結(jié)果卻能同時(shí)具有較高的靈敏度和特異性，如圖6和圖7所示.

表1給出了本文方法與傳統(tǒng)隨機(jī)游走方法運(yùn)行的CPU時(shí)間對(duì)比結(jié)果.從表1可以看出，本文方法的運(yùn)行時(shí)間要明顯少于傳統(tǒng)隨機(jī)游走方法的運(yùn)行時(shí)間，本文提出的方法比傳統(tǒng)隨機(jī)游走方法平均提速9.34倍左右，差異具有統(tǒng)計(jì)學(xué)意義（t檢驗(yàn)： H=1， P<0.05）.

3.3與傳統(tǒng)閾值法比較

為進(jìn)一步檢驗(yàn)方法的性能，我們還將本文方法的分割結(jié)果同時(shí)與經(jīng)典的40%最大SUV值（記為40% SUVmax）閾值法和SUV 2.5閾值法（記為SUV 2.5）的分割結(jié)果進(jìn)行了比較.從圖8可以直觀地看到40% SUVmax閾值法和SUV 2.5閾值法都將與腫瘤毗鄰的正常組織包括進(jìn)來了（見圖8（c）（d）中箭頭所指區(qū)域）.傳統(tǒng)手工選取種子點(diǎn)數(shù)量不足造成了傳統(tǒng)隨機(jī)游走三維圖像分割效果并不理想，圖5，圖6和圖7中顯示，對(duì)于有些病例，傳統(tǒng)隨機(jī)游走分割效果甚至不如40% SUVmax閾值法和SUV 2.5閾值法的分割效果好，這也證實(shí)了隨機(jī)游走算法依賴種子點(diǎn)的數(shù)量和位置，種子點(diǎn)數(shù)量不足導(dǎo)致傳統(tǒng)隨機(jī)游走方法分割效果并不理想.而本文提出的方法卻能夠得到較好的分割結(jié)果，如圖8（b）所示.本文所提方法的分割結(jié)果光滑圓潤(rùn)，沒有離散點(diǎn)，充分顯示了本文方法的優(yōu)越性.

4結(jié)論

本文在三維自適應(yīng)區(qū)域生長(zhǎng)方法的基礎(chǔ)上提出一種新穎的自動(dòng)選取腫瘤PET分割隨機(jī)游走種子點(diǎn)的方法.利用PET圖像SUV的分布特點(diǎn)，通過三維自適應(yīng)區(qū)域生長(zhǎng)方法結(jié)果來確定隨機(jī)游走種子點(diǎn).由此得到的種子點(diǎn)，不僅數(shù)目充足，減少了圖中未標(biāo)記節(jié)點(diǎn)的數(shù)目，使計(jì)算時(shí)間大大減少，計(jì)算速度明顯提高；而且位置合理，充分地利用PET圖像的全信息，可以很好地表示腫瘤區(qū)域和正常區(qū)域的特征.本研究還將PET圖像基于NGTDM提取的對(duì)比度紋理特征引入隨機(jī)游走分割方法的權(quán)函數(shù)中，改進(jìn)后的權(quán)函數(shù)自適應(yīng)地融合了PET SUV特點(diǎn)與PET圖像對(duì)比度紋理特征，進(jìn)一步提高了PET圖像分割精度.

實(shí)驗(yàn)結(jié)果表明，針對(duì)不同頭頸癌PET圖像分割任務(wù)，本文提出的分割方法比傳統(tǒng)隨機(jī)游走方法均表現(xiàn)出更好的分割效果和更快的分割速度，差異具有統(tǒng)計(jì)學(xué)意義.而且在與腫瘤毗鄰的正常組織具有與腫瘤區(qū)域相似SUV值等較難分割情況下，該方法利用PET圖像紋理信息改進(jìn)了腫瘤分割的準(zhǔn)確性.該方法還有待大規(guī)模的臨床研究，以確定其臨床應(yīng)用價(jià)值.

參考文獻(xiàn)

[1]NAQA I E. The role of quantitative PET in predicting cancer treatment outcomes[J]. Clinical and Translational Imaging， 2014， 2（4）： 305-320.

[2]SCHWARTZ D L， FORD E， RAJENDRAN J， et al. FDG-PET/CT imaging for preradiotherapy staging of head-and-neck squamous cell carcinoma[J]. International Journal of Radiation Oncology Biology Physics， 2005， 61（1）： 129-136.

[3]SUREZ F J P， MALDONADO S A， DOMNGUEZ G M L， et al. Positron emission tomography （PET） imaging in head and neck cancer[J]. Acta Otorrinolaringologica Espanola， 2003， 55（7）： 303-309.

[4]WECHSLER H， KIDODE M. A random walk procedure for texture discrimination[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1979，1 （3）： 272-280.

[5]GRADY L. Random walks for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2006， 28（11）： 1768-1783.

[6]MEILA M， SHI J. Learning segmentation by random walks[C]//Proceedings of Advances in Neural Information Processing Systems. Cambridge， Massachusetts： MIT Press，2001.

[7]BAGCI U， YAO J， CABAN J， et al. A graph-theoretic approach for segmentation of PET images[C]//Proceedings of 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. New York： IEEE， 2011： 8479-8482.

[8]ONOMA D P， RUAN S， GARDIN I， et al. 3D random walk based segmentation for lung tumor delineation in PET imaging[C]//Proceedings of 2012 9th IEEE International Symposium on Biomedical Imaging. New York： IEEE， 2012： 1260-1263.

[9]GRADY L， SCHIWIETZ T， AHARON S， et al. Random walks for interactive organ segmentation in two and three dimensions： Implementation and validation[M]//Medical Image Computing and Computer-Assisted Intervention-MICCAI 2005. Berlin： Springer Berlin Heidelberg， 2005： 773-780.

[10]SHI J， MALIK J. Normalized cuts and image segmentation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）： 888-905.

[11]LIU Guo-cai， ZHU Su-yu， WANG Yao-nang， et al. Hierarchical and adaptive volume-growing methods for the PET based biologic target volume delineation for radiotherapy treatment planning[C] //Proceedings of 2011 IEEE Nuclear Science Symposium and Medical Imaging Conference （NSS/MIC）. New York： IEEE， 2011： 4293-4295.

[12]REED T R， DUBUF J M H. A review of recent texture segmentation and feature extraction techniques[J]. CVGIP： Image Understanding， 1993， 57（3）： 359-372.

[13]AMADASUN M， KING R. Textural features corresponding to textural properties[J]. IEEE Transactions on Systems， Man and Cybernetics， 1989， 19（5）： 1264-1274.

[14]CUI H， WANG X， FENG D. Automated localization and segmentation of lung tumor from PET-CT thorax volumes based on image feature analysis[C]//Proceedings of 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）. New York： IEEE， 2012： 5384-5387.

[15]LIU Guo-cai， YANG We-li， ZHU Su-yu， et al. PET/CT image textures for the recognition of tumors and organs at risk for radiotherapy treatment planning[C]//Proceedings of 2013 IEEE Nuclear Science Symposium and Medical Imaging Conference （NSS/MIC）. New York： IEEE， 2013： 1-3.

[16]GRADY L， JOLLY M P. Weights and topology： a study of the effects of graph construction on 3D image segmentation[M]// Medical Image Computing and Computer-Assisted Intervention-MICCAI 2008. Berlin： Springer Berlin Heidelberg， 2008： 153-161.