王鑫 嚴加勇 林濤

摘? 要： 臨床上醫(yī)生分割淋巴結主要依靠手動，針對手動分割淋巴結的缺點和局限，本文提出一種基于Hessian矩陣和區(qū)域擴展擬合水平集模型（Region-Scalable Fitting，RSF）的淋巴結自動分割算法。該算法首先利用Hessian矩陣對CT圖像中的淋巴結進行增強，并得到淋巴結粗略輪廓，然后把該粗略輪廓作為RSF模型的初始輪廓，并利用RSF模型對初始輪廓進行演化以實現(xiàn)淋巴結的有效分割。將該方法應用于6個病例的CT淋巴結圖像中，初步實驗結果與醫(yī)生手動分割結果對比，平均重疊率93.3%，平均Hausdorff距離為3.8 mm。

關鍵詞： 淋巴結;分割;Hessian矩陣;RSF模型;CT圖像

【Abstract】： In current clinical practice， the segmentation of the lymph nodes is still performed manually by the doctors. In order to avoid the disadvantages and limitations of manual segmentation， the present paper proposes a lymph node segmentation algorithm based on Hessian matrix and Region-Scalable Fitting （RSF） model. At first， the algorithm uses Hessian matrix to enhance the lymph node in CT image and obtain the rough boundary of the lymph node. Then the rough boundary is adopted as the initial contour for the RSF model. Finally， the rough lymph node contour is evolved by the RSF model to segment the target lymph node effectively. The algorithm was applied to the lymph node CT images of 6 cases. The preliminary experimental results were compared with the doctor's manual segmentation results. The average overlap rate was 93.3%， and the average Hausdorff distance was 3.8 mm.

【Key words】： Lymph node; Segmentation; Hessian matrix; RSF model; CT image

0? 引言

淋巴結檢測和評估在癌癥的診斷和治療上有顯著的幫助[1-4]。CT是淋巴結檢測的主要成像模式，淋巴結與周圍軟組織CT值相近，淋巴結的圖像特征也比較復雜。目前，臨床上，對CT圖像中淋巴結的分割主要依靠醫(yī)生手動完成，手動分割容易產(chǎn)生誤差且工作量大。近年來，淋巴結自動分割算法受到不少研究人員的關注[5-13]。Dornheim L和Dornheim J.等[5-6]提出基于一種彈簧質(zhì)量模型的淋巴結分割算法，Barbu A，Suehling M，Xu X等[7-9]提出一種基于學習的方法來分割淋巴結，Johannes Feulner等[10]提出一種基于差異性學習和空間先驗的分割算法，魏駿等[11]提出采用遍歷閾值提取淋巴結種子點的區(qū)域生長算法，Tan，YQ等[12]提出通過動態(tài)規(guī)劃和活動輪廓進行淋巴結分割，Yu，PC等[13]提出基于區(qū)域snake模型的邊緣約束淋巴結分割。

本文基于淋巴結CT圖像，并根據(jù)CT圖像中淋巴結的圖像特征提出一種基于Hessian矩陣和區(qū)域擴展擬合模型（Region-Scalable Fitting，RSF）的淋巴結分割算法。該方法首先利用Hessian矩陣對圖像中的淋巴結區(qū)域進行增強并得到淋巴結的粗略輪廓。把該輪廓作為RSF模型的初始輪廓，并利用RSF模型對初始輪廓進行演化，最后分割出比較精確的淋巴結。

本文提出的基于Hessian矩陣和RSF模型的算法能較好實現(xiàn)對淋巴結的分割。在6例病例的淋巴結圖像中對淋巴結的分割都能有較好的結果，從兩項驗證結果的指標——重疊率以及平均Hausdorff距離比上可以看出算法是有效果的，重疊率平均達到93.3%，平均Hausdorff距離3.8mm。用本文算法對淋巴結進行分割可以有效減少醫(yī)生工作量，醫(yī)生只需知道淋巴結的位置信息就能較好實現(xiàn)對淋巴結的分割，而且淋巴結的面積信息可以為醫(yī)生提供病人淋巴結生長相關的信息，對醫(yī)生診斷和治療也提供了一定的幫助，在臨床上有一定參考價值。

3? 結束語

淋巴結的診斷和評估可以有效幫助醫(yī)生診斷和治療癌癥。針對臨床上醫(yī)生對淋巴結分割多是手動而產(chǎn)生的局限性以及淋巴結的特征，本文提出一種基于Hessian矩陣和RSF模型的分割算法。本算法首先使用Hessian矩陣對圖像進行增強，得到粗略的淋巴結輪廓，再利用中值濾波和開運算對粗略輪廓進行去噪和優(yōu)化，把得到的淋巴結粗略輪廓作為RSF模型的初始輪廓，利用RSF模型對初始輪廓進行水平集演化，使之逐步逼近真實淋巴結邊界并分割出淋巴結。本文算法對6例病例的淋巴結圖像進行了實驗，得到的結果與醫(yī)生手動分割的結果相比較，面積重疊率及平均邊界距離比都比較接近，醫(yī)生只需提供淋巴結的大概位置就能較好實現(xiàn)淋巴結的分割，得到分割結果，而且分割結果也能為醫(yī)生提供淋巴結的面積信息，為醫(yī)生對淋巴結的臨床診斷和評估提供幫助，提高醫(yī)生工作效率。

參考文獻

[1]Schwartz L H， Zhao B S， Yan J Y. Automated determination of lymph nodes in scanned images[P]. USA： US 8355552 B2， 2013-01-15.

[2]Yan J Y， Zhao B S， Curran S， et al. Automated matching and segmentation of lymphoma on serial CT examinations[J]. Medical Physics， 2007， 34（1）： 55-62.

[3]Yan M， Lu Y， Lu R Z， et al. Automatic detection of pelvic lymph nodes using multiple MR sequences [C]. Proceedings of SPIE， Medical Imaging 2007， San Diego， CA， US， 2007， 6541： 65140W. 1-65140W. 10.

[4]Nystrom K. Automatic detection and segmentation in lym phoma with PET/CT[D]. Sweden： Lund University， 2009.

[5]Dornheim L， Dornheim J. Automatische Detektion von Lymphknoten in CT-Datens?tzen des Halses[C]// Bildverar beitung für die Medizin 2008， Algorithmen， Systeme， An wendungen， Proceedings des Workshops vom 6. bis 8. April 2008 in Berlin. DBLP， 2008： 308-312.

[6]Dornheim L， Dornheim J， R?ssling I. Complete fully auto matic model-based segmentation of normal and pathological lymph nodes in CT data.[J]. International Journal of Com puter Assisted Radiology & Surgery， 2010， 5（6）： 565-581.

[7]Barbu A， Suehling M， Xu X， et al. Automatic detection and segmentation of axillary lymph nodes[C]. Medical Image Computing and Compter-Assisted Intervention-MICCAI 2010， Beijing， China， 2010， 6361： 28-36.

[8]Barbu A， Suehling M， Xu X， et al. Automatic Detection and Segmentation of Lymph Nodes From CT Data[J]. IEEE Transactions on Medical Imaging， 2012， 31（2）： 240.

[9]Barbu A， Suehling M， Xu X， et al. Method and system for automatic detection and segmentation of axillary lymph nodes [P]. USA： US8391579 B2， 2011-03-05.

[10]Feulner J ， Kevin Zhou S ， Hammon M ， et al. Lymph node detection and segmentation in chest CT data using discri minative learning and a spatial prior[J]. Medical Image Ana lysis， 2013， 17（2）： 254-270.

[11]魏駿， 何凌， 車坤， 等. CT圖像的頸部淋巴結半自動分割算法[J]. 計算機工程與設計， 2015（11）： 3014-3018.

[12]Tan Y， Lu L， Bonde A， et al. Lymph node segmentation by dynamic programming and active contours[J]. Medical Phy sics， 2018.

[13]Yu P， Poh C L . Region-based snake with edge constraint for segmentation of lymph nodes on CT images[J]. Computers in Biology and Medicine， 2015， 60： 86-91.

[14]Li Q， Sone S， Doi K. Selective enhancement filters for nodules， vessels， and airway walls in two- and three-dim ensional CT scans[J]. Medical Physics， 2003， 30（8）： 2040-0.

[15]Frangi， A. F.， Niessen， W. J.， Vincken， K. L. ， and Viergever， M. A.， “Multiscale vessel enhancement filtering” in [MICCAI]， LNCS 1496， 130–137 （1998）.

[16]Sato， Y.， Westin， C. -F.， Bhalerao， A.， Nakajima， S.， Shiraga， N.， Tamura， S.， and Kikinis， R.， “Tissue classification based on 3d local intensity structures for volume rendering， ” IEEE Transactions on Visualization and Computer Graphics 6， 160–180 （April–June 2000）.

[17]Antiga， L.， “Generalizing vesselness with respect to dimen sionality and shape” The Insight Journal （July–December 2007）.

[18]Feuerstein M， Deguchi D， Kitasaka T， et al. Automatic mediastinal lymph node detection in chest CT[J]. Proc eedings of SPIE-The International Society for Optical Engin eering， 2009， 7260（6）： 72600V-72600V-11.

[19]Li C， Kao C Y， Gore J C， et al. Minimization of Region- Scalable Fitting Energy for Image Segmentation[J]. IEEE Transactions on Image Processing， 2008， 17（10）： 1940- 1949.