国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于CT 圖像的肺實(shí)質(zhì)分割技術(shù)研究進(jìn)展

2019-01-30 22:23鄔雪濤林嵐王婧璇
智慧健康 2019年20期
關(guān)鍵詞:魯棒性實(shí)質(zhì)聚類

鄔雪濤,林嵐,王婧璇

(北京工業(yè)大學(xué) 生命科學(xué)與生物工程學(xué)院,北京 100124)

0 前言

肺癌是最常見(jiàn)也是致死率最高的惡性腫瘤,且其發(fā)病率和致死率仍在不斷升高。對(duì)肺癌患者進(jìn)行早期診斷篩查并及時(shí)治療可以有效提高肺癌患者的五年生存率[1]。由于肺癌的早期癥狀不明顯,80%以上的患者被確診為肺癌時(shí)已進(jìn)入晚期,錯(cuò)失最佳的治療機(jī)會(huì)[2]。因此,肺癌的早期診斷對(duì)于肺癌的治療和患者生命的延長(zhǎng)具有重要意義。

電子計(jì)算機(jī)斷層掃描(Computed Tomography,CT)是胸部影像學(xué)中常用的方法之一,它被廣泛應(yīng)用于肺癌的早期診斷與檢測(cè)中?;诘蛣┝扛呔菴T 影像的計(jì)算機(jī)輔助檢測(cè)(Computer Aided Detection, CAD)系統(tǒng)可以對(duì)肺部CT 影像中包含的病理特征進(jìn)行高速計(jì)算與自動(dòng)處理,大大方便了醫(yī)生對(duì)肺癌的檢測(cè)和診斷?;诜尾緾T 圖像的CAD 系統(tǒng)主要流程包括:肺實(shí)質(zhì)分割、侯選結(jié)節(jié)分割、特征提取與選擇優(yōu)化、肺結(jié)節(jié)分類識(shí)別等[3],其中肺實(shí)質(zhì)分割為影響CAD 系統(tǒng)魯棒性的關(guān)鍵性步驟。肺實(shí)質(zhì)分割主要包括圖像預(yù)處理、肺實(shí)質(zhì)粗分割、肺部氣管去除、左右肺分割、輪廓修補(bǔ)五個(gè)步驟。

近年來(lái),隨著低劑量高精度CT 圖像與CAD 技術(shù)的發(fā)展,許多新的分割方法被應(yīng)用于肺實(shí)質(zhì)分割領(lǐng)域。本文主要圍繞肺實(shí)質(zhì)分割中的五個(gè)主要步驟,分析對(duì)比了每個(gè)步驟中具體實(shí)現(xiàn)方法對(duì)肺實(shí)質(zhì)分割效果的影響,概括了近年來(lái)肺實(shí)質(zhì)分割技術(shù)手段的發(fā)展情況,并對(duì)該領(lǐng)域未來(lái)技術(shù)發(fā)展進(jìn)行了展望。

1 肺實(shí)質(zhì)分割中主要步驟方法比較

1.1 圖像預(yù)處理

由于肺部組織結(jié)構(gòu)復(fù)雜,肺實(shí)質(zhì)與肺氣道等組織難以準(zhǔn)確分離[4];同時(shí)受低劑量CT 掃描設(shè)備的影響,肺部CT 圖像還存在高噪聲和偽影現(xiàn)象,這些問(wèn)題一定程度上影響了基于CT 圖像的肺實(shí)質(zhì)分割的準(zhǔn)確性[5]。為了減少上述因素對(duì)分割準(zhǔn)確性的干擾,在肺實(shí)質(zhì)分割前一般要進(jìn)行圖像預(yù)處理。傳統(tǒng)的圖像預(yù)處理環(huán)節(jié)多采用濾波的方法,首先對(duì)肺部CT 圖像進(jìn)行裁剪處理,然后通過(guò)灰度變換來(lái)增強(qiáng)對(duì)比度,并進(jìn)行濾波處理[6]。該類方法一般運(yùn)算簡(jiǎn)單,易于操作,對(duì)單一種類的噪聲處理效果較好;但當(dāng)多種類型噪聲混合時(shí)去噪效果不佳,且部分算法存在圖像過(guò)度平滑或邊緣丟失等缺點(diǎn)。

基于變換域去噪和基于統(tǒng)計(jì)學(xué)去噪(極大似然估計(jì)算法和偏微分方程算法等)也是常用的圖像預(yù)處理方法。其中,基于變換域的去噪方法主要有小波變換和曲波變換等。方舸等[7]運(yùn)用小波變換進(jìn)行圖像去噪和增強(qiáng)處理,發(fā)現(xiàn)小波變換對(duì)單一噪聲的去除效果較好,且能在一定程度上提升圖像清晰度。但小波變換較為復(fù)雜,一般所需的運(yùn)算量較大。曲波變換是在小波變換的基礎(chǔ)上引入方向參數(shù)得到的。何勁等[8]使用曲波變換算法進(jìn)行去噪,結(jié)果發(fā)現(xiàn)曲波變換在去噪效果與維持圖像清晰度方面較小波變換均有一定提高,但在處理圖像平滑部分時(shí)仍會(huì)殘留部分噪聲。

針對(duì)單一算法去噪局限性較大的問(wèn)題,多名學(xué)者[9-11]也將多種去噪手段融合,提出混合去噪算法,并取得較好的去噪結(jié)果。另外,隨著人工智能的發(fā)展,深度學(xué)習(xí)也被應(yīng)用于肺部CT 圖像去噪。呂曉琪等[12]提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的去噪方法,同時(shí)引入殘差學(xué)習(xí),大大提高了去噪的精度和準(zhǔn)確度。

1.2 粗分割

粗分割可以從預(yù)處理過(guò)的圖像中得到肺區(qū)的大致輪廓。由于肺實(shí)質(zhì)存在區(qū)域密度較低、灰度不均勻、結(jié)構(gòu)錯(cuò)綜復(fù)雜等特點(diǎn),粗分割方法的選取顯得尤為重要。目前,粗分割所采用的算法主要為基于區(qū)域分割的方法,包括閾值法、區(qū)域生長(zhǎng)法與聚類法等。閾值法的優(yōu)點(diǎn)在于計(jì)算量小,運(yùn)算速度快,且較為穩(wěn)定;其缺點(diǎn)是當(dāng)圖像整體灰度差異不大時(shí)不易得到準(zhǔn)確的分割結(jié)果。閾值法可以分為固定閾值法和自適應(yīng)閾值法(又稱動(dòng)態(tài)閾值法)等。袁克虹等[13]采用固定閾值法從整幅圖像中綜合選取出一個(gè)較為均衡的HU 值作為固定閾值,對(duì)從圖像實(shí)現(xiàn)了二值化分割。但由于肺實(shí)質(zhì)區(qū)域存在灰度不均勻等情況,閾值選擇往往不能最優(yōu)化。針對(duì)這一問(wèn)題,曾羽琚等[14]采用自適應(yīng)閾值法,對(duì)圖像按坐標(biāo)進(jìn)行分塊,并對(duì)每塊區(qū)域分別選取閾值進(jìn)行分割。相對(duì)于固定閾值法,自適應(yīng)閾值算法的時(shí)間復(fù)雜度和空間復(fù)雜度一般較大,但在抗噪能力上有較大的提升,對(duì)于一些固定閾值法分割效果不佳的圖像能取得較好的分割效果。針對(duì)自適應(yīng)閾值法算法復(fù)雜度較大的問(wèn)題,裴曉敏等[15]采用量子粒子群算法對(duì)自適應(yīng)閾值的二維Otsu 算法進(jìn)行改進(jìn),在閾值選取速度上提升了效率。

區(qū)域生長(zhǎng)法的核心思想是將具有相似性質(zhì)的像素點(diǎn)合并到一起,其關(guān)鍵在于種子點(diǎn)的選取和相似區(qū)域判定準(zhǔn)則的確定,不同的判定準(zhǔn)則可能會(huì)產(chǎn)生不同的分割結(jié)果。它的優(yōu)勢(shì)在于算法相對(duì)簡(jiǎn)單,但迭代計(jì)算量大,效率較低。代雙鳳等[16]將傳統(tǒng)的二維區(qū)域生長(zhǎng)算法擴(kuò)展到三維空間,在三維信息的保留和算法精度方面有了較好的提升。

聚類法按所基于的原理不同可分為基于密度、網(wǎng)格、模糊等多種方法。其中,基于模糊的聚類方法可以有效地針對(duì)存在模糊,特別是邊界模糊的圖像的醫(yī)學(xué)圖像進(jìn)行分割。對(duì)于這類醫(yī)學(xué)圖像,基于模糊的聚類方法比其他的傳統(tǒng)分割方法更有優(yōu)勢(shì)。在基于模糊的聚類方法中,模糊C 均值(Fuzzy C-mean, FCM)聚類算法具有無(wú)需監(jiān)督、實(shí)現(xiàn)簡(jiǎn)單、允許圖像中像素點(diǎn)以不同的程度隸屬于多個(gè)類別等優(yōu)點(diǎn),因此被廣泛應(yīng)用。陳晶晶等[17]將FCM 聚類法與改進(jìn)后的Otsu法進(jìn)行了對(duì)比,發(fā)現(xiàn)當(dāng)圖像存在較強(qiáng)不確定性和模糊性時(shí),F(xiàn)CM 聚類法要優(yōu)于改進(jìn)的Otsu 法,但FCM 聚類法在抗噪性和分割精度方面還有待進(jìn)一步提升。

除上述基于區(qū)域分割的方法外,王曉襯[18]通過(guò)Mallat 邊緣檢測(cè)算子方法對(duì)含有強(qiáng)噪聲的低劑量肺CT 圖像進(jìn)行處理,在分割精度和速度方面較傳統(tǒng)Snake 算法均有明顯提升,但對(duì)于左右肺粘連情況處理效果不佳,算法魯棒性有待優(yōu)化;王兵等[19]采用Random Walk 算法對(duì)肺CT 圖像先后進(jìn)行兩次分割,對(duì)于情況較為復(fù)雜的圖像有較好的分割效果,但在計(jì)算效率上仍有提升空間。目前,大多數(shù)粗分割方法在分割速度、精度與魯棒性三方面難以達(dá)到全面均衡的效果,往往在算法速度或魯棒性方面有所欠缺,這也是目前制約粗分割領(lǐng)域發(fā)展的技術(shù)瓶頸之一。針對(duì)這一難點(diǎn),已有學(xué)者將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于粗分割領(lǐng)域。廖曉磊等[20]通過(guò)超像素和基于神經(jīng)網(wǎng)絡(luò)的自生成神經(jīng)樹(shù)SGNT(Self-Generating Neural Tree)相結(jié)合的方法對(duì)肺實(shí)質(zhì)進(jìn)行分割,超像素有效地保留了圖像的邊界信息且減少了像素樣本量,在保證圖像分割精度的情況下降低了后續(xù)處理的復(fù)雜程度,SGNT 算法較好地提高了聚類速度,同時(shí)也保證了聚類結(jié)果的精度。近年來(lái),神經(jīng)網(wǎng)絡(luò)算法方興未艾,如何將其更好地應(yīng)用于肺實(shí)質(zhì)粗分割領(lǐng)域,已成為重點(diǎn)研究方向之一。

1.3 肺部氣管去除

經(jīng)過(guò)肺實(shí)質(zhì)粗分割后的圖像,其內(nèi)部仍會(huì)存在著諸如主支氣管等干擾區(qū)域。特別是肺部氣管樹(shù)的存在,其細(xì)小末端易造成肺氣管分割過(guò)程中的泄漏現(xiàn)象,為肺實(shí)質(zhì)分割帶來(lái)較大的不便。因此需對(duì)肺部氣管進(jìn)行去除。常用的肺部氣管去除方法有:區(qū)域生長(zhǎng)法,數(shù)學(xué)形態(tài)法以及基于輪廓的方法等。針對(duì)單一算法氣管去除效果欠佳的情況,何瑞華等[21]將基于主動(dòng)輪廓的全局凸分割方法引入到肺氣管分割中,并將灰度重建方法與三維區(qū)域生長(zhǎng)方法結(jié)合,最終穩(wěn)定地分割出支氣管樹(shù),且大大增加了分割結(jié)果的支氣管分叉數(shù),在氣管樹(shù)細(xì)節(jié)分割方面表現(xiàn)較好。

1.4 左右肺分割

由于肺部CT 圖像易存在復(fù)雜情況,特別是在特殊的病理情況下(例如肺氣腫等),常常會(huì)出現(xiàn)左右肺粘連現(xiàn)象,需要進(jìn)通過(guò)左右肺分割對(duì)其進(jìn)行分離。通常,左右肺分割包括三個(gè)步驟:判斷左右肺是否粘連,確定左右肺粘連區(qū)域,對(duì)粘連部分進(jìn)行分割。在左右肺分割領(lǐng)域中常見(jiàn)的方法有:基于連通區(qū)域(包括分水嶺算法、連通區(qū)域標(biāo)記法等)的方法[22]、形態(tài)學(xué)方法[23]、鞍點(diǎn)法[24]、行掃描法等。目前,對(duì)于左右肺較難分割的情況,大多數(shù)研究者采用多種方法結(jié)合的手段對(duì)左右肺進(jìn)行分割。曹蕾等[25]提出了一種三維包圍盒的算法,同時(shí)結(jié)合三維區(qū)域生長(zhǎng),能夠較為完整地對(duì)左右肺進(jìn)行分割。谷宇等[26]用灰度積分投影法、行掃描方法以及線性插值法對(duì)左右肺粘連進(jìn)行判定和處理,在圖像處理速度上有較大提升。

1.5 輪廓修補(bǔ)

經(jīng)過(guò)上述操作被提取出的肺實(shí)質(zhì)有時(shí)會(huì)在邊界產(chǎn)生凹陷現(xiàn)象,主要有胸膜結(jié)節(jié)型凹陷與血管型凹陷兩種凹陷類型。肺實(shí)質(zhì)分割時(shí),若未進(jìn)行邊緣輪廓修補(bǔ),易將肺部結(jié)節(jié)、血管等部分丟失,對(duì)后續(xù)醫(yī)生的診斷帶來(lái)較大影響[27]。常用的輪廓修補(bǔ)法包括:滾球法[28]、Snake 算法、凸包算法[29]、鏈碼法[30]等,其中Snake 算法和凸包算法的應(yīng)用尤為廣泛,部分學(xué)者根據(jù)傳統(tǒng)的Snake 算法、凸包算法等進(jìn)行創(chuàng)新。孟琭等[31]通過(guò)結(jié)合Live-wire 模型對(duì)Snake 算法進(jìn)行改進(jìn),對(duì)肺實(shí)質(zhì)邊緣修正效果較好,當(dāng)邊緣彎曲程度較大時(shí)也適用,但缺點(diǎn)是仍需要少量的人工交互,自動(dòng)性有待提升。李金等[32]對(duì)肺實(shí)質(zhì)外輪廓采用改進(jìn)的二維凸包算法進(jìn)行修復(fù),對(duì)肺實(shí)質(zhì)內(nèi)輪廓利用區(qū)域生長(zhǎng)和形態(tài)學(xué)運(yùn)算進(jìn)行修復(fù),最終較為完整地保留了邊緣病灶信息,但缺點(diǎn)是容易出現(xiàn)過(guò)修復(fù)的現(xiàn)象。目前,絕大多數(shù)算法對(duì)于一些邊緣復(fù)雜的病例修補(bǔ)精確度較差,修補(bǔ)算法的魯棒性有待進(jìn)一步提升。

2 結(jié)果與討論

肺實(shí)質(zhì)分割對(duì)于肺部疾病特別是肺癌的篩查和診斷具有關(guān)鍵性意義。提升肺實(shí)質(zhì)分割的精準(zhǔn)度與速度、優(yōu)化魯棒性和自動(dòng)性依舊是眾多學(xué)者的主要研究方向。近年來(lái),大量學(xué)者致力于基于肺部CT 圖像的肺實(shí)質(zhì)分割研究領(lǐng)域,在傳統(tǒng)分割方法的基礎(chǔ)上貢獻(xiàn)了許多創(chuàng)新算法和融合算法。從我們前文中的對(duì)比分析可以發(fā)現(xiàn),傳統(tǒng)肺實(shí)質(zhì)分割算法以其經(jīng)典性等優(yōu)勢(shì)仍占據(jù)一定地位,但隨著技術(shù)發(fā)展,結(jié)構(gòu)較單一的傳統(tǒng)算法已經(jīng)無(wú)法滿足肺實(shí)質(zhì)進(jìn)行快速精準(zhǔn)分割的需要,近年來(lái)有越來(lái)越多的研究者將多種方法融合或同時(shí)引入新的分割方法,來(lái)修正傳統(tǒng)方法中存在的缺點(diǎn)和不足。多種算法相結(jié)合以取長(zhǎng)補(bǔ)短、優(yōu)勢(shì)互補(bǔ)的融合方法將繼續(xù)發(fā)展并成為主流研究趨勢(shì)。特別是人工智能的崛起使得深度學(xué)習(xí)等方法被應(yīng)用到肺實(shí)質(zhì)分割領(lǐng)域中來(lái)。以深度學(xué)習(xí)為代表的創(chuàng)新算法也將為肺實(shí)質(zhì)分割領(lǐng)域帶來(lái)新的突破。深度學(xué)習(xí)算法具有精度較高、速度較快、魯棒性和遷移性均較強(qiáng)等優(yōu)勢(shì),但由于其具體機(jī)制尚處于黑箱狀態(tài),還需要進(jìn)一步的分析和研究。肺實(shí)質(zhì)分割的發(fā)展也將促進(jìn)肺部CAD 系統(tǒng)的優(yōu)化和提升,同時(shí)對(duì)肺部疾病的診斷和病理分析等方面具有巨大的臨床應(yīng)用價(jià)值和研究前景。

猜你喜歡
魯棒性實(shí)質(zhì)聚類
透過(guò)實(shí)質(zhì)行動(dòng)支持盤臂頭陣營(yíng) Naim Audio推出NAIT XS 3/SUPERNAIT 3合并功放
武漢軌道交通重點(diǎn)車站識(shí)別及網(wǎng)絡(luò)魯棒性研究
荒漠綠洲區(qū)潛在生態(tài)網(wǎng)絡(luò)增邊優(yōu)化魯棒性分析
破產(chǎn)程序中關(guān)聯(lián)企業(yè)的實(shí)質(zhì)合并
基于K-means聚類的車-地?zé)o線通信場(chǎng)強(qiáng)研究
基于確定性指標(biāo)的弦支結(jié)構(gòu)魯棒性評(píng)價(jià)
不給他人“提籃子”——“提籃子”的實(shí)質(zhì)是“謀私利”
基于高斯混合聚類的陣列干涉SAR三維成像
一種基于三維小波變換的魯棒視頻水印方案
“將健康融入所有政策”期待實(shí)質(zhì)進(jìn)展