霍文禮，孫洪贊

(中國(guó)醫(yī)科大學(xué)附屬盛京醫(yī)院放射科，遼寧 沈陽(yáng) 110000)

醫(yī)學(xué)影像學(xué)是醫(yī)學(xué)科學(xué)中的一項(xiàng)重要技術(shù)，主要用于輔助臨床制定決策。如今,醫(yī)學(xué)影像的作用迅速?gòu)囊郧暗闹饕\斷工具演變?yōu)樵趥€(gè)性化精準(zhǔn)醫(yī)療背景下發(fā)揮核心作用[1]，即通過非侵入性方式獲取人體組織成像，評(píng)估和分析影像圖像后用于量化腫瘤表型，廣泛用于腫瘤的檢測(cè)、診斷、分期和管理[2]。放射組學(xué)(Radiomics)通過從海量圖像中提取大量的定量成像特征，將醫(yī)學(xué)圖像轉(zhuǎn)換成可挖掘的數(shù)據(jù)，解析影像所包含的各種病理生理學(xué)進(jìn)程及其相互關(guān)系，提供了可以量化和監(jiān)測(cè)治療的新方法[3]。多項(xiàng)研究表明放射組學(xué)特征對(duì)于各型癌癥的治療和預(yù)后預(yù)測(cè)具有重要作用。實(shí)際應(yīng)用中，放射組學(xué)涉及不連續(xù)的步驟，主要包括(I)高質(zhì)量圖像獲取，(II)感興趣區(qū)域ROI的識(shí)別，(III)圖像分割，(IV)特征提取及量化，(V)建立可檢索數(shù)據(jù)庫(kù)，以挖掘數(shù)據(jù)；開發(fā)分類器模型，以單獨(dú)或與其他信息(例如人口統(tǒng)計(jì)學(xué)，臨床，合并癥或基因組數(shù)據(jù))組合預(yù)測(cè)結(jié)果。

為了確保放射組學(xué)紋理特征的可靠性，準(zhǔn)確和穩(wěn)健的圖像分割必不可少[4],圖像分割是放射組學(xué)中最關(guān)鍵，同時(shí)也是最具挑戰(zhàn)和爭(zhēng)議的部分。關(guān)鍵性在于后續(xù)的特征數(shù)據(jù)就是從圖像分割中產(chǎn)生的。挑戰(zhàn)性在于腫瘤邊界一般都比較模糊。爭(zhēng)議性在于分割的可重復(fù)性上以及在自動(dòng)或手動(dòng)分割上依然存在爭(zhēng)辯。圖像分割是一項(xiàng)復(fù)雜圖像處理任務(wù)，常用主要分割方法有手動(dòng)分割、半自動(dòng)及全自動(dòng)分割。

全自動(dòng)分割法在影像組學(xué)的研究中尚不成熟，僅用于ROI與周圍組織結(jié)構(gòu)對(duì)比度較大的情況(如肺部腫瘤)[5]。已有報(bào)道全自動(dòng)分割方法[6-7]有：基于閾值化法(threshold-based method)，基于邊緣法(edge-based method)，基于區(qū)域法(region-based method)，基于馬爾可夫隨機(jī)場(chǎng)法(Markov Random Field based method)，基于Snakes法(Snakes-based method)，聚類法(clustering method)等。如全自動(dòng)圖像分割方法閾值化法(image gray-level thresholding)。此方法中，強(qiáng)度比標(biāo)定閾值高的圖像像素落在一個(gè)區(qū)域，而其他低于標(biāo)準(zhǔn)閾值像素落在另一個(gè)區(qū)域。如果目標(biāo)是分割一個(gè)紋理，通常得不到圖像的灰度閾值。但如果在此之前進(jìn)行特征映射(a feature map computation)計(jì)算，閾值化仍然是有效的。如果特征區(qū)分了兩種不同的紋理，然后在包含這些紋理的圖像上計(jì)算特征映射，結(jié)果將是一個(gè)圖像，顯示為一個(gè)紋理為暗區(qū)，另一個(gè)紋理為亮區(qū)。因此，閾值化特征映射的亮度將分離兩個(gè)紋理可見的輸入圖像。然而，沒有一種全自動(dòng)分割可以對(duì)任何類型的圖像分割出完美的結(jié)果。

1 手動(dòng)分割法

將圖像分割成腫瘤、正常組織和其他解剖結(jié)構(gòu)等興趣容積(VOI)，是后續(xù)信息分析的關(guān)鍵步驟。手動(dòng)分割輪廓通常更平滑，可以顯示平滑細(xì)微的形狀細(xì)節(jié)，因此對(duì)形狀變化的影響較小。手動(dòng)分割的優(yōu)勢(shì)在于準(zhǔn)確性高，對(duì)于多數(shù)邊界清晰但形態(tài)不規(guī)則的腫瘤，自動(dòng)識(shí)別必定存在邊界識(shí)別的誤差，需要手動(dòng)方式行精細(xì)的編輯[8]。但是由于手動(dòng)分割具有較高的處理者間可變性，且是勞動(dòng)密集型工作，因此對(duì)于需要非常大數(shù)據(jù)集的放射組學(xué)分析來說是不可行的。對(duì)于邊界模糊不清的腫瘤，手動(dòng)模式下不同診斷醫(yī)師之間對(duì)界定腫瘤邊界的結(jié)果存在明顯的差異性，導(dǎo)致數(shù)據(jù)的可重復(fù)性低，其次是耗時(shí)和低效，不能滿足對(duì)海量數(shù)據(jù)高通量計(jì)算及提取的要求[9]。

2 半自動(dòng)分割法

基于GrowCut算法實(shí)現(xiàn)的3D-Slicer是經(jīng)典半自動(dòng)分割法。GrowCut[10]是一種交互式的區(qū)域增長(zhǎng)分割策略。在給定一組初始標(biāo)簽點(diǎn)的情況下，該算法通過蜂窩自動(dòng)化自動(dòng)分割剩余圖像。該算法采用了競(jìng)爭(zhēng)區(qū)域增長(zhǎng)的方法，為二維和三維圖像分割提供了良好的精度和速度。對(duì)于N類分割，該算法需要從處理者獲得N組初始標(biāo)記像素(對(duì)應(yīng)于每個(gè)類的一組)。在此基礎(chǔ)上，該算法自動(dòng)生成興趣容積(VOI)，即處理者標(biāo)記具有額外邊緣的像素。接下來，它利用處理者給定的像素標(biāo)簽迭代地標(biāo)記ROI中的所有剩余像素。像素標(biāo)記是使用加權(quán)相似度得分來完成的，它是相鄰像素權(quán)重的函數(shù)。未標(biāo)記的像素被標(biāo)記為對(duì)應(yīng)于權(quán)重最大的相鄰像素。

3D-Slicer提供用戶圖形界面(GUI)作為前端，并提供有效算法GrowCut作為分割的后端。在加載患者數(shù)據(jù)之后，通過手動(dòng)標(biāo)記腫瘤區(qū)域內(nèi)部和外部的區(qū)域，該過程從用戶初始化前景和背景開始，接下來，GrowCut自動(dòng)競(jìng)爭(zhēng)區(qū)域增長(zhǎng)算法被激活，并將感興趣體積(VOI)分成前景和背景區(qū)域。此后，在視覺檢查之后移除背景和周圍隔離的前景像素。如果需要，可以在完成階段手動(dòng)編輯前景腫瘤。這是一種半自動(dòng)分割算法，因?yàn)樗婕疤幚碚邔?duì)腫瘤和背景的定義以及最終可選手動(dòng)輪廓的編輯。

3 手動(dòng)分割及半自動(dòng)分割比較

手動(dòng)分割容易引起觀察者間的高度變異，而且是一項(xiàng)耗時(shí)的任務(wù)，它限制了可以處理的病例數(shù)量。同時(shí)手動(dòng)分割易受觀察者間可變性的影響，這使得對(duì)半自動(dòng)化和高效的分割方法的需求變得愈加明顯。已證明半自動(dòng)化方法快速且能減少觀察者間的可變性，相比手動(dòng)分割是更好的選擇[11]。Velazquez等[12]在一項(xiàng)對(duì)肺癌的研究中使用3D-Slicer，結(jié)果減少了觀察者間的可變性和描繪的不確定性。與手動(dòng)分割相比，半自動(dòng)分割可以通過減少不確定性和時(shí)間來改善腫瘤的分割。但這些研究均是從側(cè)重于腫瘤體積方面比較了半自動(dòng)和手動(dòng)分割方法。然而，還應(yīng)根據(jù)從感興趣體積(VOI)得到的放射組學(xué)特征的可靠性來評(píng)估圖像分割，隨后將其用于預(yù)后或預(yù)測(cè)模型[10]。在評(píng)估定量成像特征作為預(yù)后因素或預(yù)測(cè)因素時(shí)，必須確定它們?cè)趫D像分割過程中的可變性。假設(shè)從半自動(dòng)分割圖像中提取的定量成像特征具有較低的可變性，并且比從手動(dòng)圖像分割提取的特征相比更加穩(wěn)健，這是向基于成像的可再現(xiàn)模型的一步邁進(jìn)。

基于3D-Slicer半自動(dòng)分割顯著提高了放射學(xué)特征量化的穩(wěn)健性，因此可以作為耗時(shí)的手動(dòng)分割過程的潛在替代方案。3D-Slicer可以在放射學(xué)研究中有很廣泛的應(yīng)用，可以提取穩(wěn)健的定量圖像特征，并可用于臨床腫瘤學(xué)醫(yī)學(xué)成像的高通量數(shù)據(jù)挖掘研究。放射學(xué)研究通常建議使用自動(dòng)或半自動(dòng)的方法來描述腫瘤體積，而不是手動(dòng)分割[13]。Velazquez等[12]比較了在CT圖像上手動(dòng)和半自動(dòng)腫瘤區(qū)域生長(zhǎng)輪廓方法的準(zhǔn)確性。作者發(fā)現(xiàn)半自動(dòng)輪廓法與通過外科切除測(cè)量的金標(biāo)準(zhǔn)腫瘤大小有更好的相關(guān)性。此外，Parmar等[14]人發(fā)現(xiàn)，使用半自動(dòng)輪廓方法計(jì)算基于CT的放射組學(xué)特征比使用手工輪廓方法更穩(wěn)定。有學(xué)者[15]研究了代謝腫瘤體積的半自動(dòng)分割閾值對(duì)基于PET的放射紋理量化精度的影響。作者發(fā)現(xiàn)，圖像分割閾值的變化對(duì)量化效果影響不大，提示代謝腫瘤體積可以通過閾值化來精確定義。Hatt和Cheebsumon等[16-17]發(fā)現(xiàn)基于PET的腫瘤描繪方法(如固定閾值和自適應(yīng)閾值)計(jì)算出的肺腫瘤大小與手術(shù)切除吻合較好，而在CT圖像上手工繪制輪廓明顯高估了病理腫瘤大小。然而，更先進(jìn)的描述算法，如模糊局部自適應(yīng)貝葉斯(FLAB)，被推薦用于較大的肺腫瘤，因?yàn)楹?jiǎn)單的基于閾值的方法可能會(huì)導(dǎo)致低估新陳代謝活躍的腫瘤區(qū)域[18]。

綜上所述，許多自動(dòng)和半自動(dòng)的分割方法已經(jīng)在不同的影像模式(如CT、MRI和PET)以及不同的解剖區(qū)域(如大腦、乳腺、肺、肝臟等)中得到了應(yīng)用[19]。雖然不同的圖像模式和器官系統(tǒng)需要特殊的分割方法，但都有一些共同的要求：分割方法應(yīng)盡可能自動(dòng)化，操作人員交互最少，時(shí)間效率高，并應(yīng)提供準(zhǔn)確和可重現(xiàn)的邊界。人們正在形成共識(shí),即最佳分割是可以通過計(jì)算機(jī)輔助邊緣檢測(cè)和手工分割共同實(shí)現(xiàn)，眾所周知，不同操作者之間人工分割腫瘤輪廓的差異性很大[20]。

4 小結(jié)與展望

當(dāng)然，目前還沒有針對(duì)圖像分割的標(biāo)準(zhǔn)和指南，也沒有能同時(shí)滿足高通量、高重復(fù)性及高度一致的分割方法。穩(wěn)健高效的分割法應(yīng)該是應(yīng)用合適的參數(shù)設(shè)置，使每一項(xiàng)分割都能夠?qū)崿F(xiàn)對(duì)感興趣區(qū)域(ROI)分割的自動(dòng)化或半自動(dòng)化操作，必要時(shí)輔以手動(dòng)編輯，以確保分割結(jié)果的準(zhǔn)確性和可重復(fù)性。隨著大數(shù)據(jù)與人工智能的普及，結(jié)合傳統(tǒng)圖像處理方法應(yīng)用于醫(yī)學(xué)圖像處理領(lǐng)域,取得了良好的進(jìn)展。在大數(shù)據(jù)與人工智能大背景下，手動(dòng)協(xié)助下的半自動(dòng)分割將也許是未來放射組學(xué)圖像分割法的風(fēng)向標(biāo)。