廖 苗 趙于前 曾業(yè)戰(zhàn) 黃忠朝 鄒北驥

?

基于圖割和邊緣行進的肝臟CT序列圖像分割

廖 苗①趙于前*①②曾業(yè)戰(zhàn)①黃忠朝①鄒北驥②

①(中南大學(xué)地球科學(xué)與信息物理學(xué)院 長沙 410083)②(中南大學(xué)信息科學(xué)與工程學(xué)院 長沙 410083)

提出一種新的基于圖割和邊緣行進的腹部CT序列圖像肝臟分割方法。首先，針對輸入序列的數(shù)據(jù)特征，建立肝臟亮度和外觀模型，突出肝臟區(qū)域抑制非肝臟區(qū)域；然后，將肝臟亮度、外觀模型以及相鄰切片之間的位置信息有效融入圖割能量函數(shù)，實現(xiàn)CT序列肝臟的自動初步分割；最后，針對血管欠分割問題，提出了一種基于邊緣行進的結(jié)果優(yōu)化方法。通過對XHCSU14和SLIVER07數(shù)據(jù)庫提供的30個病人肝臟序列的分割實驗，以及與其他多種肝臟分割方法的比較，表明該方法能完整有效地分割肝臟，準確性高，魯棒性強。

醫(yī)學(xué)圖像分割；圖割；邊緣行進；高斯擬合；主成分分析

1 引言

從腹部CT序列圖像中準確完整地分割肝臟是實現(xiàn)肝臟疾病輔助診斷和術(shù)前規(guī)劃的前提。目前，肝臟分割方法一般可分為基于圖像和統(tǒng)計模型兩大類。單純基于圖像的分割方法是指運用圖像亮度、梯度或紋理等可直接從圖像中獲取的信息進行分割的方法，主要包括閾值、聚類[1]、區(qū)域生長[2,3]、活動輪廓模型[4,5]和圖割[6,7]等。文獻[1]提出運用閾值、形態(tài)學(xué)操作、K-means聚類和多層感知神經(jīng)網(wǎng)絡(luò)(Multi-Layer Perceptron Network, MLP)對肝臟進行分割。文獻[2]提出了一種基于區(qū)域生長的肝臟CT圖像分割方法，通過運用擬蒙特卡洛(Quasi-Monte Carlo)算法獲取感興趣區(qū)域的種子點和設(shè)計區(qū)域生長準則。文獻[5]提出了一種將凸性可變模型與圖像亮度和局部區(qū)域特征相結(jié)合的肝臟自動分割方法。近年來，圖割算法以其在全局最優(yōu)解問題上具有的優(yōu)勢被廣泛應(yīng)用于圖像分割。文獻[6]利用相鄰切片之間的空間相關(guān)性構(gòu)建圖割能量函數(shù)，迭代分割整個序列。該方法需要手動分割初始切片，并且對于對比度較低的圖像分割效果較差。此外，基于位置、形狀等先驗信息的統(tǒng)計模型也常用于CT序列中肝臟的分割。該方法通常需要運用大量的數(shù)據(jù)建立一個大致的肝臟位置或形狀模型[8,9]，因此，耗時長，對于形狀不規(guī)則的肝臟分割效果較差。

本文提出了一種基于圖割和邊緣行進的腹部CT序列圖像肝臟分割方法。該方法包括初步分割和邊緣優(yōu)化兩部分。首先，分別利用CT數(shù)據(jù)的亮度和局部信息建立肝臟區(qū)域的亮度和外觀模型，并結(jié)合相鄰切片之間的位置信息，構(gòu)建圖割能量函數(shù)，實現(xiàn)肝臟快速自動初步分割。然后，結(jié)合亮度和輪廓幾何特性，運用邊緣行進算法對初步分割結(jié)果進行優(yōu)化，解決由造影劑引起的肝臟血管欠分割問題。

2 算法描述

2.1 初步分割

首先分別建立肝臟亮度和外觀模型，然后結(jié)合亮度和外觀模型運用圖割算法對初始切片進行分割，最后采用迭代的方式以初始分割切片為起點分別向上、向下分割序列中所有切片。在迭代分割過程中，除亮度和外觀模型外，上一切片分割結(jié)果的肝臟位置信息也應(yīng)用于當前切片的圖割能量函數(shù)構(gòu)建，以增加分割結(jié)果的準確性。

2.1.1 基于高斯擬合的亮度模型 為了突出肝臟區(qū)域、抑制非肝臟區(qū)域，本文提出了一種基于高斯擬合的肝臟亮度模型。設(shè)腹部CT序列中肝臟亮度范圍為，則肝臟亮度模型可構(gòu)建如下：

其中，為圖像亮度，為正常數(shù)。參數(shù)用于調(diào)節(jié)亮度模型中肝臟與背景的對比度，本文取為1.5。將得到的亮度模型進行各向異性濾波，并歸一化至[0,1]。亮度越接近的中心，的取值越大，表明該像素點屬于肝臟的概率也越大。

其中，和分別表示高斯分布的中心和峰值，控制高斯分布的寬度。根據(jù)高斯分布的概率理論，本文選取肝臟亮度范圍為。

2.1.2 基于PCA的區(qū)域外觀模型 為了進一步區(qū)分肝臟與非肝臟區(qū)域，本文利用CT數(shù)據(jù)的局部信息構(gòu)建基于主成分分析(Principal Components Analysis, PCA)的肝臟外觀模型。具體步驟如下：

(1)以每個像素點為中心取(2+1)×(2+1)的子圖像，并以該子圖像的亮度信息表示該中心像素點的特征，文中取=4；

(2)對手動選取的部分肝臟區(qū)域所有像素點的子圖像進行主成分分析并計算其前c個主成分的均值，由此得到一個1×c維的特征向量pa，即肝臟的外觀特征，其中c的取值范圍為1~(2+1)×(2+1)。本文取前10%的主成分作為肝臟外觀特征，即c=0.1×(2+1)×(2+1)；

(3)采用歐式距離作為外觀相似性度量，計算整個CT序列中所有像素點與肝臟的外觀特征差異：

2.1.3 基于圖割算法的肝臟提取 在構(gòu)建肝臟亮度和外觀模型之后，首先對初始切片進行分割。序列中滿足肝臟區(qū)域相對較大且只包含一個肝臟連通區(qū)域的切片圖像均可被指定為初始切片，通常位于序列1/3位置的切片滿足該要求。初始切片的圖割能量函數(shù)構(gòu)建如式(5)：

在初始切片分割完成之后，算法再以初始切片為起點分別向上和向下迭代分割該CT序列中所有切片?？紤]到相鄰切片間肝臟的大小和位置不會有顯著變化，在迭代分割過程中，相鄰切片間的位置息也被采用作為能量懲罰項，以增加分割的準確性。此時，能量函數(shù)可表示為

2.2 邊緣優(yōu)化

CT成像時，由于造影劑的影響，肝臟血管區(qū)域的亮度會明顯高于肝實質(zhì)部分。對于基于圖像的分割方法，想要完整準確地提取肝臟及其血管區(qū)域都將是一個巨大的挑戰(zhàn)。圖1所示為本文方法的肝臟初步分割結(jié)果，可以看到肝實質(zhì)部分均被有效分割，而肝臟血管則沒有被包括進去(欠分割)。其中，位于肝臟內(nèi)部的小血管可通過區(qū)域填充操作進行補償。而對于肝臟邊緣主血管的欠分割問題，本文提出一種基于邊緣行進的分割結(jié)果優(yōu)化方法。此外，為了減少計算次數(shù)、提高算法效率，首先對初步分割的肝臟輪廓進行多邊形近似[10]，提取肝臟輪廓的特征點進行后續(xù)處理。

(3)重復(fù)步驟(2)，直到肝臟輪廓上所有特征點都進行過運算，算法結(jié)束。

3 實驗結(jié)果與分析

3.1 實驗數(shù)據(jù)

實驗數(shù)據(jù)包含XHCSU14和SLIVER07[11]數(shù)據(jù)庫所提供的30個腹部CT序列。其中，XHCSU14數(shù)據(jù)庫包含10個測試序列，由中南大學(xué)湘雅醫(yī)院提

圖1 從不同序列中隨機挑選的肝臟初步分割結(jié)果

圖2 血管補償示意

供，層間距為1.0 mm。SLIVER07數(shù)據(jù)庫由MICCAI2007工作室提供，包含20個不同病人的腹部CT序列，層間距范圍為0.7~5.0 mm。

3.2 實驗結(jié)果與評價

圖3為從XHCSU14數(shù)據(jù)庫隨機挑選的兩組實驗結(jié)果，其中第1行和第2行分別為從不同的腹部CT序列中隨機挑選的兩個實驗結(jié)果，第1列為原始圖像，第2列和第3列中封閉曲線標記的區(qū)域分別為運用基于亮度、外觀和位置信息的圖割算法(GC) 得到的初步分割結(jié)果和邊緣優(yōu)化后的最終分割結(jié)果。從圖中可以看出，由于肝臟內(nèi)部的亮度不均一，圖割算法只能有效提取肝實質(zhì)區(qū)域，對于血管區(qū)域則會產(chǎn)生欠分割，而采用本文提出的邊緣優(yōu)化方法則能有效解決這個問題，得到完整精確的肝臟及其血管區(qū)域。

采用文獻[12]提出的VOE, RVD, ASD, RMSD和MSD 5個誤差評價指標對XHCSU14數(shù)據(jù)庫的10個測試序列的分割結(jié)果進行統(tǒng)計，得到的均值與標準差如表1所示。相較于本文方法，基于亮度、外觀和位置信息的圖割算法(GC)得到的RVD具有較大的負均值，這主要是因為該方法在分割過程中無法將肝臟血管包括進來。此外，本文方法對于其他4個評價指標同樣具有較小的均值和誤差，表明本文方法通過結(jié)合圖割和邊緣行進能有效完整地分割CT序列中的肝臟區(qū)域，具有較高的準確性和魯棒性。

本文還對SLIVER07公共數(shù)據(jù)庫提供的20個腹部CT序列進行了測試，誤差統(tǒng)計結(jié)果如表2所示?？梢钥吹?，本文方法的分割結(jié)果明顯優(yōu)于文獻[7]和文獻[8]，且與文獻[9]的分割結(jié)果相差不大。

4 總結(jié)

本文提出了一種新的基于圖割和邊緣行進的腹部CT序列肝臟分割方法。相較現(xiàn)有多種方法，本文方法具有以下幾個優(yōu)點：不需要對周圍鄰近組織的預(yù)先移除分割；不需要進行復(fù)雜的統(tǒng)計模型構(gòu)建；

表1 XHCSU14數(shù)據(jù)庫的分割誤差(均值±標準差)

能有效分割對比度低、亮度和形狀各異的肝臟。為驗證提出方法的有效性，本文對XHCSU14和SLIVER07數(shù)據(jù)庫提供的30個序列進行了測試，并與專家手動結(jié)果和其他算法進行了比較與評價。結(jié)果表明，本文方法相較多種現(xiàn)有方法的分割誤差都較小，準確性高，魯棒性強。

[1] SELVER M A, KOCAOGLU A, DEMIR G K,. Patient oriented and robust automatic liver segmentation for pre-evaluation of liver transplantation[J]., 2008, 38(7): 765-784. doi: 10.1016/j. compbiomed.2008.04.006.

[2] LU X Q, WU J S, REN X Y,. The study and application of the improved region growing algorithm for liver segmentation[J]., 2014, 125(9): 2142-2147. doi: 10. 1016/j.ijleo.2013.10.049.

[3] 張小強, 熊博蒞, 匡綱要. 一種基于變化檢測技術(shù)的SAR圖像艦船目標鑒別方法[J]. 電子與信息學(xué)報, 2015, 37(1): 63-70. doi: 10.11999/JEIT140143.

ZHANG Xiaoqiang, XIONG Boli, and KUANG Gangyao. A ship target discrimination method based on change detection in SAR imagery[J].&, 2015, 37(1): 63-70. doi: 10.11999/JEIT140143.

[4] 韓明, 劉教民, 孟軍英, 等. 結(jié)合局部能量與改進的符號距離正則項的圖像目標分割算法[J]. 電子與信息學(xué)報, 2015, 37(9): 2047-2054. doi: 10.11999/JEIT141473.

HAN Ming, LIU Jiaomin, MENG Junying,. Local energy information combined with improved signed distance regularization term for image target segmentation algorithm[J].&, 2015, 37(9): 2047-2054. doi: 10.11999/ JEIT141473.

[5] PENG J L, WANG Y, and KONG D X. Liver segmentation with constrained convex variational model[J]., 2014, 43(1): 81-88. doi: 10.1016/j.patrec. 2013.07.010.

[6] AFIFI A and NAKAGUCHI T. Liver segmentation approach using graph cuts and iteratively estimated shape and intensity constrains[C]. Medical Image Computing and Computer-Assisted Intervention, Nice, 2012, 7511: 395-403.

[7] CHEN X, UDUPA J K, BAGCI U,. Medical image segmentation by combining graph cuts and oriented active appearance models[J]., 2012, 21(4): 2035-2046. doi: 10.1109/TIP.2012. 2186306.

[8] HEIMANN T, MEINZER H, and WOLF I. A statistical deformable model for the segmentation of liver CT volumes[C]. MICCAI Workshop 3-D Segmentation Clinic Grand Challenge, Brisbane, 2007: 161-166. doi: 10.1109/ IEMBS.2010.5626470.

[9] KAINMULLER D, LANGE T, and LAMECKER H. Shape constrained automatic segmentation of the liver based on a heuristic intensity model[C]. MICCAI Workshop 3-D Segmentation Clinic Grand Challenge, Brisbane, 2007: 109-116.

[10] LIAO Miao, ZHAO Yuqian, LI Xianghua,. Automatic segmentation for cell images based on bottleneck detection and ellipse fitting[J]., 2015, 173(3): 615-622. doi: 10.1016/j.neucom.2015.08.006.

[11] HEIMANN T, GINNEKEN B V, and STYNER M A. Segmentation of the liver 2007 (SLIVER07)[OL]. http:// sliver07.isi.uu.nl/, 2007.

[12] HEIMANN T, GINNEKEN B V, STYNER M A,. Comparison and evaluation of methods for liver segmentation from CT datasets[J]., 2009, 28(8): 1251-1265. doi: 10.1109/TMI.2009.2013851.

廖 苗： 女，1988年生，博士生，研究方向為醫(yī)學(xué)圖像處理.

趙于前： 男，1973年生，博士，教授，博士生導(dǎo)師，研究方向為醫(yī)學(xué)圖像處理、模式識別、視頻處理、信息安全等.

曾業(yè)戰(zhàn)： 男，1980年生，博士生，研究方向為醫(yī)學(xué)圖像處理.

黃忠朝： 男，1976年生，博士，副教授，研究方向為圖像與信號處理.

鄒北驥： 男，1961年生，博士，教授，博士生導(dǎo)師，研究方向為醫(yī)學(xué)圖像處理、模式識別、視頻處理等.

Foundation Items: The National Natural Science Foundation of China (61172184, 61379107, 61402539, 61174210), Program for New Century Excellent Talents in University of Ministry of Education in China (NCET-13-0603), Specialized Research Fund for the Doctoral Program of Higher Education in China (20130162110016), Program for Hunan Province Science and Technology Basic Construction (Grant 20131199), Hunan Provincial Science and Technology Project of China (2015RS4008), Fundamental Research Funds for the Central Universities of Central South University (2014ZZTS053), Hunan Provincial Innovation Foundation for Postgraduate (CX2014B052)

Liver Segmentation from Abdominal CT Volumes Based on Graph Cuts and Border Marching

LIAO Miao①ZHAO Yuqian①②ZENG Yezhan①HUANG Zhongchao①ZOU Beiji②

①(School of Geosciences and Info-Physics, Central South University, Changsha 410083, China)②(School of Information Science and Engineering, Central South University, Changsha 410083, China)

A novel method for liver segmentation from abdominal CT volumes based on graph cuts and border marching is proposed. First, to exclude complex background and highlight liver region, liver intensity and appearance models are built according to the characteristics of a given CT volume. Then, the intensity and appearance models together with location information from neighbor segmented slice are effectively integrated into graph cuts cost computation to segment the CT volume initially and automatically. Finally, to solve the under-segmentation issue of liver vessel, a boundary compensation method based on border marching is proposed. The proposed method is tested and compared with some other methods on 30 CT volumes from XHCSU14 and SLIVER07 databases. The experimental results show that the proposed method can segment livers integrally and effectively from abdominal CT volumes, with higher accuracy and robustness.

Medical image segmentation; Graph cuts; Border marching; Gaussian fitting; Principal Components Analysis (PCA)

TP391.41; R814.42

A

1009-5896(2016)06-1552-05

10.11999/JEIT151005

2015-09-08；改回日期：2016-01-22；網(wǎng)絡(luò)出版：2016-03-29

趙于前 zyq@csu.edu.cn

國家自然科學(xué)基金(61172184, 61379107, 61402539, 61174210)，新世紀優(yōu)秀人才支持計劃(NCET-13-0603)，高等學(xué)校博士學(xué)科點專項科研基金(20130162110016)，湖南省科技基本建設(shè)項目(20131199)，湖南省科技計劃項目(2015RS4008)，中南大學(xué)中央高?；究蒲袠I(yè)務(wù)費專項資金(2014ZZTS053)，湖南省研究生科研創(chuàng)新項目(CX2014B052)