劉國才,胡澤田,朱蘇雨,袁　媛,劉　科,吳　崢,張九堂,莫　逸

(1. 湖南大學 電氣與信息工程學院,湖南 長沙　410082;2. 中南大學湘雅醫(yī)學院 附屬湖南省腫瘤醫(yī)院放療，科放療中心，PET/CT中心,湖南 長沙　410013)

?

頭頸部腫瘤PET圖像分割隨機游走方法*

劉國才1?,胡澤田1,朱蘇雨2,袁媛2,劉科2,吳崢2,張九堂2,莫逸2

(1. 湖南大學 電氣與信息工程學院,湖南 長沙410082;2. 中南大學湘雅醫(yī)學院 附屬湖南省腫瘤醫(yī)院放療，科放療中心，PET/CT中心,湖南 長沙410013)

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

關(guān)鍵詞：醫(yī)學圖像分割；隨機游走；區(qū)域生長；生物靶區(qū)；頭頸癌

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特性成像方法，是核醫(yī)學影像最先進的分子影像技術(shù)之一，目前已被廣泛應用于惡性腫瘤的檢測和分期，并已成為當前腫瘤生物調(diào)強放療計劃和療效評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)勾畫是腫瘤放療計劃和療效評估的基礎(chǔ)，但腫瘤PET影像不僅信噪比低，而且空間分辨率低、部分容積效應嚴重，頭頸部腫瘤周圍正常組織的18FDG標準攝取值(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].隨機游走圖像分割算法在圖像像素數(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噪聲、弱邊界或缺失邊界、有模棱兩可的圖像區(qū)域時顯示出了突出優(yōu)勢.這些特性使得隨機游走算法非常適合處理PET圖像.Bagci等[7]和Onoma等[8]最先將隨機游走方法應用在肺部腫瘤PET圖像分割中，并取得不錯的效果.但由于頭頸部解剖結(jié)構(gòu)復雜，目前尚未見有關(guān)將隨機游走方法應用于三維頭頸癌PET圖像分割的文獻.

隨機游走分割結(jié)果一方面依賴于種子點的位置和數(shù)量，另一方面依賴于頂點間邊的權(quán)值計算方法.種子點越多，提供的前景與背景區(qū)域信息就越多，相應的分割結(jié)果就越令人滿意[9]. 我們也發(fā)現(xiàn)腫瘤PET圖像分割隨機游走問題的求解不僅需要提供正確標記的腫瘤和非腫瘤種子點，而且種子點的數(shù)目和位置對圖像分割結(jié)果有很大影響.不合適的種子點標記，可使隨機游走問題無法有效求解；種子點數(shù)目不充足，可導致分割結(jié)果不理想.但是，在三維PET情況下，人工選擇種子點不僅效率十分低下，而且種子點不足難以得到令人滿意的分割結(jié)果，尤其對于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，提出采用三維自適應區(qū)域生長和數(shù)學形態(tài)學膨脹方法，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)域全部體素點標記為腫瘤分割隨機游走問題的生物靶區(qū)種子點，同時將正常組織區(qū)域全部體素點標記為非生物靶區(qū)種子點，這樣只需要對待定區(qū)域的體素點進行隨機游走分割.這不僅使隨機游走問題的求解速度顯著提高，而且大量的種子點使腫瘤分割結(jié)果更準確.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圖像具有不同的對比度紋理特征，提出一種基于PET SUV及其對比度紋理特征量的腫瘤分割隨機游走頂點間邊的權(quán)值計算方法，以便更好地區(qū)分腫瘤和其周圍高SUV的正常組織，進一步提高腫瘤分割結(jié)果精度.

1經(jīng)典隨機游走方法

首先，由圖像構(gòu)造一個無向加權(quán)圖G=(V,E,W)，其中V是頂點集，E是邊集，W是相鄰頂點間邊的權(quán)值集合.圖像的每個像素定義為圖G的一個頂點vi∈V；頂點vi與vj間定義一條邊eij∈E?V×V；每條邊被賦予一個權(quán)值wij∈W.若兩頂點不相鄰，則兩點間的權(quán)值定義為0，表示隨機游走者不可能經(jīng)過這條邊.權(quán)函數(shù)有很多不同的定義形式[10]，隨機游走方法通常采用高斯權(quán)函數(shù)來定義相鄰頂點間的相似性：

wij=exp(-β(Ii-Ij)2).

(1)

式中：Ii和Ij分別對應頂點vi與vj的圖像灰度值.wij大小直接表明了像素點vi和vj之間的相似關(guān)系，對于無向圖而言wij=wji.β>0為自由參數(shù).

其次，通過求解圖像分割隨機游走Dirichlet最小值問題(2)的最優(yōu)解x，獲得隨機游走者從任何一個頂點vi首次到達某類已標記頂點的概率xi：

(2)

其中，拉普拉斯矩陣L定義為：

(3)

而di=∑wij稱為頂點vi的度，定義為與頂點vi所有鄰邊eij上的權(quán)重之和.為求解Dirichlet最小值問題(2)，將所有頂點分為兩類，即已標記為種子點的頂點集合VM和未標記的頂點集合VU，且滿足VM∪VU=V，VM∩VU=?.根據(jù)頂點所屬集合不同，可以將拉普拉斯矩陣分解為如下形式：

(4)

則Dirichlet最小值問題(2)可以寫成：

(5)

式中：xU表示隨機游走者從任何一個未標記頂點首次到達某類已標記頂點的概率向量，每個分量對應一個頂點；xM表示隨機游走者從任何一個已標記頂點首次到達某類已標記頂點的概率向量.對兩類分割問題，已標記前景種子點的概率值設(shè)定為1，而已標記背景種子點的概率值設(shè)定為0；LM為已標記頂點之間邊對應的權(quán)值矩陣；LU為未標記點之間邊的權(quán)值矩陣；BT為未標記點和已標記點之間邊的權(quán)值矩陣.

LUxU=-BTxM.

(6)

因為已標記種子點的多少與位置決定了xM，而頂點間邊的權(quán)值計算方法決定了線性方程(6)的系數(shù)矩陣.所以，已標記種子點越多，求解線性方程(6)的速度就越快，所需要的計算機內(nèi)存就越少.而且，種子點的選擇方法和頂點間邊的權(quán)值計算方法決定了方程(6)的解xU，因此，也決定了最終圖像分割結(jié)果的正確性.

基于以上理論分析，我們提出了以下新的腫瘤PET圖像分割隨機游走種子點選擇方法和頂點間邊的權(quán)值計算方法.

2 隨機游走方法的改進

2.1種子點的自動選取

腫瘤區(qū)域葡萄糖代謝活躍，因此腫瘤區(qū)域的18FDGPETSUV較高，這為腫瘤PET圖像分割隨機游走種子點的選擇提供了方便.但腫瘤內(nèi)部具有各向異性的生物學特性，且腫瘤PET圖像空間分辨率低、噪聲大、部分容積效應強.頭頸部腫瘤周圍正常組織的18FDGSUV通常還和腫瘤的SUV非常接近，這使得自動選擇數(shù)目充足、分布合理種子點的工作變得困難.受文獻[11]啟發(fā)，本文采用三維自適應區(qū)域生長方法來自動選取合適的隨機游走腫瘤和正常組織的種子點.圖1為本文種子點的自動選取原理圖，詳細步驟如下：

1)為了減少計算量，我們粗略地在PET圖像序列中選擇了一個大小完全包含惡性腫瘤組織的三維感興趣區(qū)域(regionofinterest,ROI)，根據(jù)PET圖像SUV的特點以及臨床腫瘤專家知識，選擇腫瘤區(qū)SUV值最大的體素點作為初始種子點，并通過算法自動獲得后添加進種子區(qū)域列表中.

2)搜索種子點三維6-鄰域(見圖2所示)內(nèi)未處理過的全部體素點，將其添加進鄰域列表中.

3)計算當前種子區(qū)域列表中所有體素點的SUV平均值，記為SUVmean.

4)計算鄰域列表中所有體素點與SUVmean的差值，選取差值最小的體素點作為區(qū)域生長的候選種子點.

5)若候選種子點的特征值滿足式(7)，則將該候選種子點添加進區(qū)域生長的種子區(qū)域列表，同時將該點從鄰域列表刪除，并轉(zhuǎn)步驟2.

SUV(x,y,z)>T×SUVmean．

(7)

其中，自適應區(qū)域生長閾值T確定方法如下：設(shè)定閾值從1→0，每次以0.1的幅度遞減，根據(jù)閾值與區(qū)域生長結(jié)果總體素數(shù)的關(guān)系，獲得一個突變點t，即當閾值再減小時，滿足生長準則的體素點個數(shù)突然增大60%以上，如圖1(c)所示.同樣，可以繼續(xù)對t→t-0.1進行細分，每次以0.01的幅度遞減，獲得最優(yōu)閾值T.

6)若候選種子點的特征值不滿足式(7)，則生長完成.

7) 考慮到PET圖像自身的部分容積效應，將以上得到的自適應區(qū)域生長結(jié)果逐片進行數(shù)學形態(tài)學上的膨脹操作，為確保膨脹后的區(qū)域外圍都是正常組織，結(jié)構(gòu)元素可以取大一點，考慮到裕量，本文所有實驗結(jié)構(gòu)元素大小均取25×25，該大小適用于本文實驗中所有大小不一的分割目標.標記自適應區(qū)域生長結(jié)果內(nèi)的所有點為腫瘤區(qū)域種子點，膨脹后所得區(qū)域外的所有點為正常組織區(qū)域種子點，其余的點為待定點，如圖1(d)所示.

圖1　自動種子點選取方法

圖2　6-鄰域連通性示意圖

2.2權(quán)值函數(shù)的改進

傳統(tǒng)的隨機游走方法僅考慮像素之間的灰度和位置關(guān)系，沒有考慮其鄰域的灰度信息.惡性腫瘤PET圖像具有顯著的各向異性特點，表現(xiàn)出腫瘤區(qū)域內(nèi)部具有不均勻的SUV分布.頭頸癌的亞臨床區(qū)域通常與其周圍代謝活躍的正常腦部組織表現(xiàn)出非常相近的SUV分布，這使得僅基于PET圖像SUV特征的分割方法得不到令人滿意的腫瘤分割精度.為解決該問題，本文提出聯(lián)合利用PET圖像的紋理特征改進隨機游走權(quán)函數(shù)的構(gòu)造，以彌補僅用SUV進行分割的不足.

紋理是圖像表現(xiàn)出的一種重要的視覺信息，是圖像中普遍存在而又難以描述的特征.通常采用紋理分析的方法研究像素間的空間分布關(guān)系.紋理特征是量化腫瘤內(nèi)部各向異質(zhì)性的一種有效度量.宏觀上可以把各種紋理描述的方法分為四大類：模型家族、結(jié)構(gòu)家族、統(tǒng)計家族和信號處理家族[12].統(tǒng)計家族這類紋理描述的方法和思想簡單，易于實現(xiàn).統(tǒng)計家族的方法是基于像素及其鄰域的灰度屬性，研究紋理區(qū)域中的統(tǒng)計特性，如一階、二階或高階統(tǒng)計特性.一階統(tǒng)計特性常用的有均值、中值、標準偏差、偏斜和峰度等統(tǒng)計特征量.二階統(tǒng)計特性常用的有基于灰度共生矩陣統(tǒng)計得到的熵、相關(guān)性、和平均及相異性等特征量.高階統(tǒng)計特性主要是基于圖像的鄰域灰度差異矩陣(neighbourhoodgrey-tonedifferencematrix,NGTDM)統(tǒng)計得到.圖像的灰度差異矩陣反映的是灰度關(guān)于間隔以及變化幅度的綜合信息，它提供的是圖像的高階信息，更符合人類的視覺特性.Amadasun[13]等于1989年提取了基于鄰域灰度差異矩陣的5個影像紋理特征：粗糙度、對比度、頻繁度、復雜度、紋理強度.受文獻[14-15]啟發(fā)，我們發(fā)現(xiàn)PETSUV的對比度紋理特征有利于區(qū)分頭頸癌及其周圍高SUV的正常組織.本文中，PETSUV的對比度紋理特征值基于三維鄰域灰度差異矩陣提取，如式(8)-(10)：

(8)

其中

Ai=A(k,l,s)=

(9)

N=d3-1,m,n,t≠0.

Ni表示腫瘤ROIPET以體素點(x,y,z)為中心、D為半徑的鄰域內(nèi)所有SUV值為i的全部體素點集{(k,l,s)}.Ai表示以體素點(k,l,s)為中心、d為半徑的鄰域內(nèi)各體素點的SUV均值.

進一步，PETSUV的對比度紋理特征量定義為

(10)

式中：Gh表示腫瘤PETROI中以點(x,y,z)為中心，半徑為D的鄰域(sROI)中最大SUV值；Ng是sROI中不同SUV值的總數(shù).Pi=Ni/N，其中Ni表示sROI中SUV值為i的體素點總數(shù)，N表示sROI中體素點總數(shù).

將PET圖像對比度紋理特征引入隨機游走方法中頂點間邊的權(quán)值計算方法：

wij=exp (-β1(Ii-Ij)2-β2(Ci-Cj)2).

(11)

式中：Ii是PET圖像像素點i的SUV值；Ci是對應點PETSUV的對比度紋理特征值；β1和β2是自由參數(shù).該權(quán)值計算方法自適應地融合了PETSUV特征與PET圖像對比度紋理特征信息.在圖3所示矩形區(qū)域內(nèi)的腫瘤邊緣處，腫瘤和正常組織的PETSUV很相近，(Ii-Ij)2趨近為0，而相應的腫瘤和正常組織對比度紋理則有明顯區(qū)別，(Ci-Cj)2非0.兩者融合后的相應邊權(quán)值wij將比僅考慮SUV時減小，從而有利于正確區(qū)分腫瘤和高SUV正常組織.(圖中右側(cè)虛線箭頭所指為腫瘤區(qū)域,左側(cè)點畫線箭頭所指為正常組織)

圖3　PET SUV及其對比度紋理

3實驗結(jié)果與分析

為了驗證本方法的有效性，本文以7例頭頸癌臨床PET影像數(shù)據(jù)作為研究對象.這些PET影像數(shù)據(jù)由中南大學湘雅醫(yī)學院附屬湖南省腫瘤醫(yī)院PET/CT中心通過GEDiscoverySTPET/CT掃描系統(tǒng)采集獲得，每床位采集3min；對所采集的PET數(shù)據(jù)使用相應CT信息進行衰減校正，之后采用三維傅立葉重組迭代重建法進行三維重建.這7例PET影像數(shù)據(jù)大小均為128×128×110，體素大小為4.687 5mm×4.687 5mm×3.27mm，CT圖像大小均為512×512×110，體素大小為0.976 6mm×0.976 6mm×3.75mm.

為了減少存儲空間和計算量，我們根據(jù)不同的腫瘤位置和大小情況選取相應包含腫瘤的區(qū)域ROI進行處理，詳情見表1.并在計算PET圖像的紋理前，將SUV值進行三線性插值，使其體素大小成為0.976 6mm×0.976 6mm×0.976 6mm，并將SUV值轉(zhuǎn)化為0～255的整數(shù)級.本文對所有實驗都選取D=9和d=4，通過大量實驗發(fā)現(xiàn)這個鄰域大小能較好地提取PETSUV的對比度紋理特征.

在三維腫瘤PET圖像分割中，若采用傳統(tǒng)隨機游走方法手工選擇少量種子點，則求解線性方程(6)時需要占用極大的計算機內(nèi)存，在普通個人計算機運行時會出現(xiàn)內(nèi)存泄露，導致分割失敗.采用本文方法可以自適應地選擇大量種子點，因此本方法可以在普通個人計算機上運行，同時能夠保證速度很快，這是本文方法的一大改進.但是為了便于與傳統(tǒng)隨機游走方法比較，體現(xiàn)本文所提算法的優(yōu)越性，本文選擇在如下實驗環(huán)境下進行對比實驗，盡管本文方法根本無需這么大的內(nèi)存環(huán)境：IntelXeonCPUE5-2643 0 @ 3.30GHz，16GB內(nèi)存，Linux操作系統(tǒng)，MATLAB2014a.

表1　本文方法和傳統(tǒng)RW分割圖像速度對比

受條件限制，我們無法獲取每個病例的病理標本作為金標準.因此，我們邀請3位經(jīng)驗豐富的放療科醫(yī)生獨立地對每個病例分別進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，我們將這個最終的GTV作為參考標準(ground truth, GT).為了驗證提出方法的性能，本文采用Dice相似性(similarity, SIM)、靈敏性(sensitivity, SEN)和特異性(specificity, SPE)作為定量評價指標.

3.1性能指標

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

(12)

定義2靈敏性定義為GTV金標準被正確勾畫部分所占的比例.

(13)

定義3特異性定義為非GTV金標準(實際正常組織器官)被正確地判定為正常組織部分所占的比例.

(14)

在公式(12)(13)和(14)中，Q，Q1與Q2分別代表實驗選取的ROI、臨床醫(yī)生手工勾畫的金標準和實驗方法勾畫結(jié)果.單一的靈敏性高而特異性低，說明分割結(jié)果存在一定的假陽性；單一的特異性高而靈敏性低，說明分割結(jié)果存在一定的假陰性；只有當兩者同時較高時才能夠說明分割方法的準確性.

3.2與傳統(tǒng)隨機游走方法性能比較

有研究[16]指出：在三維下的隨機游走分割算法中，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[5]，本文對于所有隨機游走方法選取β,β1和β2值均為90.為了簡便起見，我們將手工選擇種子點和未將紋理引入權(quán)值函數(shù)(即β2=0)的隨機游走算法記為傳統(tǒng)隨機游走方法.圖4給出了不同種子點選擇方法所得到的隨機游走分割結(jié)果.圖4(b)和圖4(j)是手工選取的種子點，圖4(c)和圖4(k)是本文基于三維自適應區(qū)域生長方法自動選取的種子點.從分割結(jié)果來看，用手工選取種子點的隨機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.這是因為在三維圖像分割中，醫(yī)學圖像情況復雜、數(shù)量較多，手工選取種子點費時費力且?guī)в泻艽蟮闹饔^性，種子點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.本文提出的自動選擇種子點方法是通過大量實驗，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選擇種子點，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(11)式中(Ii-Ij)2趨近為0，而相應的腫瘤和正常組織對比度紋理則有明顯界限(見圖4(d)黑色框內(nèi))，此時(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.本文提出的改進的權(quán)值函數(shù)，將PET圖像的SUV信息與PET圖像對比度紋理聯(lián)合起來，兩者融合后的相應邊權(quán)值wij將比僅考慮SUV時減小，從而有利于正確區(qū)分腫瘤和高SUV正常組織.(外圍十字點集：背景種子點，中間星號點集：前景種子點，封閉曲線：腫瘤輪廓，前兩行為本實驗的一例病例，后兩行為另外一例病例的實驗結(jié)果)

圖4　不同隨機游走分割結(jié)果

圖5，圖6和圖7給出了本文自動選取得到種子點的分割結(jié)果與傳統(tǒng)手工選取種子點隨機游走分割結(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)隨機游走方法.本文方法分割結(jié)果比傳統(tǒng)隨機游走方法分割結(jié)果與參考標準的相似度平均提高32.5%，差異具有統(tǒng)計學意義(t檢驗:H=1,P<0.05).傳統(tǒng)手工選取種子點數(shù)量不足造成了傳統(tǒng)隨機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上會高于本文方法，但是靈敏性卻很低.單一的特異性高沒有實際意義，而本文方法分割結(jié)果卻能同時具有較高的靈敏度和特異性，如圖6和圖7所示.

圖5　不同方法相似性指標比較

圖6　不同方法靈敏性指標比較

圖7　不同方法特異性指標比較

表1給出了本文方法與傳統(tǒng)隨機游走方法運行的CPU時間對比結(jié)果.從表1可以看出，本文方法的運行時間要明顯少于傳統(tǒng)隨機游走方法的運行時間，本文提出的方法比傳統(tǒng)隨機游走方法平均提速9.34倍左右，差異具有統(tǒng)計學意義(t檢驗:H=1,P<0.05).

3.3與傳統(tǒng)閾值法比較

為進一步檢驗方法的性能，我們還將本文方法的分割結(jié)果同時與經(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)手工選取種子點數(shù)量不足造成了傳統(tǒng)隨機游走三維圖像分割效果并不理想，圖5,圖6和圖7中顯示，對于有些病例,傳統(tǒng)隨機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，這也證實了隨機游走算法依賴種子點的數(shù)量和位置，種子點數(shù)量不足導致傳統(tǒng)隨機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，沒有離散點，充分顯示了本文方法的優(yōu)越性.

圖8　本文方法與閾值方法分割結(jié)果

4結(jié)論

本文在三維自適應區(qū)域生長方法的基礎(chǔ)上提出一種新穎的自動選取腫瘤PET分割隨機游走種子點的方法.利用PET圖像SUV的分布特點，通過三維自適應區(qū)域生長方法結(jié)果來確定隨機游走種子點.由此得到的種子點，不僅數(shù)目充足，減少了圖中未標記節(jié)點的數(shù)目，使計算時間大大減少，計算速度明顯提高；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提取的對比度紋理特征引入隨機游走分割方法的權(quán)函數(shù)中，改進后的權(quán)函數(shù)自適應地融合了PET SUV特點與PET圖像對比度紋理特征，進一步提高了PET圖像分割精度.

實驗結(jié)果表明，針對不同頭頸癌PET圖像分割任務，本文提出的分割方法比傳統(tǒng)隨機游走方法均表現(xiàn)出更好的分割效果和更快的分割速度，差異具有統(tǒng)計學意義.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圖像紋理信息改進了腫瘤分割的準確性.該方法還有待大規(guī)模的臨床研究，以確定其臨床應用價值.

參考文獻

[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,etal. 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.

[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,etal. 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,etal. 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,etal. 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,etal. 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,etal. 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.

Random Walk Method for PET Image Segmentation of Head and Neck Cancer

LIU Guo-cai1?, HU Ze-tian1, ZHU Su-yu2, YUAN Yuan2, LIU Ke2, WU Zheng2, ZHANG Jiu-tang2, MO Yi2

(1. College of Electrical and Information Engineering, Hunan Univ, Changsha, Hunan410082, China;2. Depts of Radiation Oncology, Medical Physics and PET/CT Center of the Cancer Hospital of Hunan Province, Xiangya School of Medicine of Central South Univ, Changsha, Hunan 410013, China)

Abstract:In order to solve the problem of the high accuracy delineation of biological target volume (BTV) for the radiotherapy of head and neck cancer, a random walk method was proposed by using PET (positron emission computed tomography) image features of tumors. Firstly, the selected region of interest (ROI) was segmented into the primary tumor (labeled as foreground seeds), normal tissue (labeled as background seeds) and pending region by three-dimensional adaptive region growing and morphological dilation based on PET SUV images. Secondly, due to the differences of contrast texture feature of head and neck tumor and surrounding normal tissues in PET images, the contrast texture feature was incorporated into the weights of random walk(RW) to further improve the accuracy of tumor segmentation results. Clinical PET image segmentations of head and neck cancer have shown that the improved RW is 9.34 times faster than the traditional RW on average. And the similarity is increased by 32.5% on average if the gross tumor volume delineated by clinicians is considered as the ground truth (P<0.05). The proposed method is an efficient and accurate method for the delineation of the BTV corresponding to head and neck tumors.

Key words:medical image segmentation; random walk; region growing; biological target volume; head and neck cancer

中圖分類號：TP391.4

文獻標識碼：A

作者簡介：劉國才(1963-)，男,湖南華容人,湖南大學教授,博士生導師?通訊聯(lián)系人，E-mail:lgc630819@hnu.edu.cn

基金項目：國家自然科學基金資助項目(61271382，61301254，61471166), National Natural Science Foundation of China(61271382);湖南省腫瘤醫(yī)院科研平臺建設(shè)

*收稿日期：2015-04-15

文章編號：1674-2974(2016)02-0141-09