劉任從，徐磊，張樂樂，孟慶樂，楊瑞，王自正

南京醫(yī)科大學(xué)附屬南京醫(yī)院（南京市第一醫(yī)院） 核醫(yī)學(xué)科，江蘇 南京 210006

核素腎動態(tài)顯像腎臟感興趣區(qū)域分割算法的研究

劉任從，徐磊，張樂樂，孟慶樂，楊瑞，王自正

南京醫(yī)科大學(xué)附屬南京醫(yī)院（南京市第一醫(yī)院） 核醫(yī)學(xué)科，江蘇 南京 210006

目的提出一種新穎的核素腎動態(tài)顯像腎臟感興趣區(qū)自動勾畫算法。方法選取30位行核素腎動態(tài)顯像患者作為研究對象，首先對原始腎圖做形態(tài)學(xué)運(yùn)算、強(qiáng)度對增強(qiáng)和高斯濾波等預(yù)處理，去除非感興趣區(qū)和提升圖像對比度；接著采用最大類間差法（Otsu）自適應(yīng)確定最佳閾值，完成腎臟的初步分割；然后形態(tài)學(xué)操作和邊界追蹤被用來提取腎臟邊界。結(jié)果基于本文算法的分割結(jié)果與專家手工分割結(jié)果具有很高的相關(guān)性，平均真符合率達(dá)91%，平均假誤符合率為13.4%，平均假符合率為9.3%，邊界誤差距離為1.6個(gè)像素。且基于本文算法的Dice相似性系數(shù)（0.9061±0.0196）和平均耗時(shí)（2.1477±0.2835）s均優(yōu)于其他算法。結(jié)論基于本文的分割算法能快速準(zhǔn)確的提取腎臟感興趣區(qū)域，可應(yīng)用于核素腎動態(tài)顯像腎小球?yàn)V過率的測定。

核素腎動態(tài)顯像；圖像分割；最大類間差法；形態(tài)學(xué)操作；邊界追蹤

引言

腎小球?yàn)V過率（Glomerular Filtration Rate，GFR）是一個(gè)評價(jià)腎功能好壞的重要指標(biāo)，不僅從形態(tài)和功能上評估腎臟，而且能準(zhǔn)確、靈敏的反映雙腎和單腎功能[1-2]。目前最常用的方法是基于SPECT腎臟動態(tài)核素顯像的Gates法[3]，其中最重要一步是勾畫腎臟感興趣區(qū)。當(dāng)今各大設(shè)備廠商均提供了基于手工勾畫的腎動態(tài)處理軟件，此種處理方法存在著耗時(shí)、主觀性大等缺點(diǎn)。

近些年，研究者開始嘗試采用自動和半自動分割算法提取腎臟感興趣區(qū)。Hallker等[4]采用單閾值法自動勾畫腎臟區(qū)域，在腎臟形態(tài)規(guī)則時(shí)能較好的提取腎臟邊界，對于腎功能受損圖像效果不佳，原因是腎臟圖像灰度分布不均，僅根據(jù)圖像直方圖很難確定分割閾值。Tomaru等[5]提出一種基于雙閾值的半自動分割算法，圖像進(jìn)行一次分割后，腎臟與本底之間僅有一個(gè)像素連接，此時(shí)采用二次閾值分割，切斷剩下的單像素連接點(diǎn)，獲得完整的腎臟區(qū)域，但多數(shù)情況腎臟與本底之間的連通區(qū)域是一個(gè)像素塊，再次進(jìn)行閾值分割很難分離出腎臟感興趣區(qū)。Inoue等[6]提出多種手工與半自動分割相結(jié)合的算法，如邊緣檢測算法、基于時(shí)相圖像法，但均因不能同時(shí)對正常腎臟和腎功能受損情況有效而沒有得到推廣，且都操作者臨床水平依賴較重。

腎臟核素動態(tài)圖像對比度差，背景中包含肝臟、脾臟等器官，常規(guī)分割算法很難單獨(dú)提取腎臟區(qū)域[7]。本文先采用時(shí)相圖像減法、形態(tài)學(xué)法、圖像增強(qiáng)等預(yù)處理，消除背景中其他器官的影響和增強(qiáng)圖像對比度，接著Otsu算法被用來確定最佳閾值，完成腎臟感興趣區(qū)域的初步分割；最后進(jìn)行形態(tài)學(xué)開閉運(yùn)算和邊界追蹤，提取、修補(bǔ)腎臟邊界，獲得腎臟感興趣區(qū)。

1 材料與方法

1.1 一般資料

本研究選取30例行SPECT腎動態(tài)核素顯像患者作為研究對象，其中男21人，女9人，平均年齡48歲。4名患者僅有單側(cè)腎臟，其余26人是雙側(cè)腎臟。本研究采取的是回顧性分析法，對患者的診斷和治療沒有影響。

所有數(shù)據(jù)均由西門子雙探頭SPECT采集，步驟如下：第一步，1 min采集注射前放射性計(jì)數(shù)；第二步，患者檢查采用仰臥位，經(jīng)肘靜脈以“彈丸”式注射99mTc-DTPA，劑量為200 MBq/m2,體積0.5～1.0 mL，同步開機(jī)采集，其中腎血流灌注期2 s/幀，連續(xù)采集30幀[8]，腎功能動態(tài)期1 min/幀，采集20幀；第三步，采集1 min注射后殘余放射性計(jì)數(shù)。圖像矩陣大小均為128×128，放大倍數(shù)為1.0。

1.2 圖像預(yù)處理

1.2.1 去除腎臟本底

腎臟感興趣區(qū)提取是在合成圖像上進(jìn)行，但腎圖中同時(shí)包含肝臟、脾臟和血管等干擾區(qū)域，且對比度同腎臟區(qū)域，因此分割處理之前必須消除此種干擾。本文根據(jù)放射性核素隨時(shí)間在腎區(qū)的富集程度，采用以下步驟移除腎外干擾區(qū)域：① 選取第1～2、3、3～4 min采集所得圖像記為I1、I2、I3；② 圖像I1減去圖像I2得到圖像I4，即保留腎外本底的同時(shí)去除腎區(qū)；③ 對圖像I4進(jìn)行二值化和形態(tài)學(xué)運(yùn)算，去除散點(diǎn)，得到圖像I5；④ 將I5作為模板作用于圖像I3，得到圖像I6，移除腎外本底和保留腎區(qū)。

1.2.2 圖像增強(qiáng)與平滑

腎動態(tài)圖像分辨率較低，本文采用強(qiáng)度對增強(qiáng)算法，主要基于圖像像素強(qiáng)度對分布，綜合圖像的局部信息和全局信息，可在不放大噪聲的基礎(chǔ)上增強(qiáng)腎臟圖像對比度[9]。主要過程如圖1所示：① 首先將輸入圖像的像素灰度值標(biāo)準(zhǔn)化到[0, 255]區(qū)間，掃描圖像的所有像素，并計(jì)算當(dāng)前像素強(qiáng)度i(x,y)和其鄰近4個(gè)像素強(qiáng)度；② 計(jì)算像素的擴(kuò)張力EF和反擴(kuò)張力AEF；③ 計(jì)算凈擴(kuò)張力NEF，并進(jìn)行幅值轉(zhuǎn)換；④ 計(jì)算映射函數(shù)IMF，與輸入圖像進(jìn)行圖像卷積即得增強(qiáng)圖像EI。

腎臟圖像的噪聲主要來源于散射和本底放射性活度的隨機(jī)噪聲，屬于高頻噪聲[10]。本文首先采用高斯濾波器平滑腎臟圖像，濾波模板為5×5，然后使用最大值濾波操作銳化腎臟邊緣，濾波模板大小為3×3。

圖1 強(qiáng)度對圖像增強(qiáng)算法過程

1.3 腎臟感興趣提取

1.3.1 腎臟感興趣區(qū)初步獲取

當(dāng)腎功能受損時(shí)，腎動態(tài)圖像對比度嚴(yán)重下降，全自動分割算法很難檢測腎區(qū)，且半自動算法對腎區(qū)的初步分割依賴于視覺觀察，主觀誤差較大[11]，因此初步分割腎區(qū)是后續(xù)腎臟感興趣區(qū)提取的必要前提。本文采用視覺觀察與計(jì)算機(jī)輔助運(yùn)算結(jié)合的方法，借助操作者的臨床經(jīng)驗(yàn)與計(jì)算機(jī)優(yōu)勢完成腎區(qū)的初步提取。首先計(jì)算圖像（m, n）中n個(gè)像素列的像素和，得到n個(gè)數(shù)值點(diǎn)，形成一個(gè)一維曲線，曲線具有兩個(gè)峰一個(gè)谷（圖2a），兩峰值分別對應(yīng)兩側(cè)腎臟。然后在曲線上選取4個(gè)分割點(diǎn)，確定兩腎的界限范圍，完成腎臟的初步分割（圖2b）。

圖2 腎臟感興趣區(qū)初步提取

1.3.2 基于Otsu閾值算法提取腎臟感興趣區(qū)

Otsu算法（即最大類間差法）是在判決分析最小二乘法原理的基礎(chǔ)上推導(dǎo)而來，是一種自動閾值選取方法[12]。主要思想是：確定一個(gè)最佳閾值，在完成圖像二值化后，使背景和目標(biāo)兩個(gè)像素類間的方差達(dá)到最大，從而達(dá)到區(qū)別背景和目標(biāo)的目的。

首先，將圖像的像素按照灰度閾值t分成A類和B類，A類由灰度值[0,t]的像素組成，B類由灰度值[t+1,K]的像素組成，則A類和B類圖像的均值可由公式(1)和公式(2)表示[13]。

其中，i代表圖像灰度值，i=0…K-1,ωA、ωBA分別表示A類和B類圖像的所占比例，由公式(3)和公式(4)給出。

其中p(i)對應(yīng)灰度級i出現(xiàn)的概率，如公式(5)所示。ni表示灰度級i的數(shù)量，N表示圖像像素?cái)?shù)量。

其次，根據(jù)公式(1)、(2)和(5)，圖像總體灰度均值由公式(6)計(jì)算所得。

最后，A類和B類區(qū)域的方差如公式(7)所示。

當(dāng)H(t)取最大值時(shí)對應(yīng)的閾值t即為最佳分割閾值。

1.4 圖像后處理

圖像分割后的雙腎邊緣依然凹凸不平，存在較多噪聲，本文采用形態(tài)學(xué)開-閉運(yùn)算交替順序?yàn)V波平滑腎臟輪廓[14]。其中開運(yùn)算在平滑圖像邊緣的同時(shí)，斷開狹窄的連接，去除微小不相關(guān)部分；閉運(yùn)算會將缺口連通起來，填充比結(jié)構(gòu)元素小的洞。然后，采用八鄰域邊界跟蹤法提取腎臟的輪廓邊緣，通過一個(gè)確定的邊緣點(diǎn)，一句合適的搜索結(jié)構(gòu)連接相鄰邊緣點(diǎn)，從而檢測出腎臟區(qū)域的真正輪廓，避免出現(xiàn)偽邊界和邊緣斷裂。

1.5 圖像評價(jià)

采用邊界誤差距離d、區(qū)域誤差（真符合率TP、假符合率FP和假誤符合率FN）和Dice相似性指數(shù)D定量評價(jià)本文算法的準(zhǔn)確性，由公式(8)～(12)給出[15-16]。其中‖‖表示兩個(gè)點(diǎn)集合之間的二維歐氏距離，M表示人工勾畫的輪廓，P表示本文提取的輪廓，Am代表手動分割的腎臟區(qū)域，Ap代表本文算法的提取區(qū)域。Dice相似性系數(shù)越接近于1，圖像分割越精確。

2 結(jié)果

為了驗(yàn)證本文算法的可行性和優(yōu)越性，將本文提出算法與單閾值算法、雙閾值算法、K均值算法和手工分割進(jìn)行對比分析。

2.1 本文算法各步驟處理結(jié)果

本文算法各步驟處理結(jié)果，見圖3?？梢钥闯龌诒疚姆指钏惴軠?zhǔn)確的提取腎臟感興趣區(qū)域。首先根據(jù)時(shí)間放射性濃聚變化能移除腎外干擾區(qū)域（圖3e）；接著使用強(qiáng)度對增強(qiáng)算法提升圖像對比度，增強(qiáng)圖像邊緣（圖3f）；然后聯(lián)合使用視覺觀察與計(jì)算機(jī)輔助運(yùn)算完成腎區(qū)的初步分割，采用Otsu閾值算法分割出腎臟感興趣區(qū)（圖3g）；最后使用形態(tài)學(xué)處理和輪廓追蹤完成腎臟感興趣的勾畫（圖3h）。

圖3 本文算法各步驟處理結(jié)果

2.2 本文算法與人工分割對比分析

邀請兩位有經(jīng)驗(yàn)的核醫(yī)學(xué)醫(yī)師手工勾畫54個(gè)腎臟感興趣區(qū)域，然后將此結(jié)果作為參照，和本文提出算法的分割結(jié)果進(jìn)行比較，見圖4。圖中A、B分別代表兩位醫(yī)師的結(jié)果。平均真符合率為91%，平均假誤符合率為13.4%，平均假符合率為9.3%，且最短距離平均誤差為1.6個(gè)像素，標(biāo)準(zhǔn)差和最大值分別為0.5和4.5個(gè)像素，表明本文算法與手工分割算法具有很強(qiáng)的相關(guān)性和一致性。

圖4 兩位醫(yī)生手工分割與本文算法分割的統(tǒng)計(jì)學(xué)分析

2.3 不同分割算法提取的腎臟感興趣區(qū)比較

不同腎臟分割結(jié)果，見圖5。可以看出基于本文算法提取的腎臟感興趣區(qū)域完整度最高，其他分割算法所得分割結(jié)果均包含無關(guān)的干擾部分，分割不徹底，尤其是單閾值分割和K均值分割算法，不能有效的分離背景和腎臟區(qū)域。

圖5 不同分割算法提取的腎臟區(qū)域

觀察表1可得，以手工分割為參考，Dice相似性系數(shù)取得最大值是本文分割算法（0.9061±0.0196），較差的是K均值算法（0.4053±0.0096）和單閾值算法（0.5638±0.0286）。算法的平均耗時(shí)最大值是手工分割（9.1088±0.5110）s，最小值是本文提出的算法（2.1477±0.2835）s。綜合精確性和實(shí)時(shí)性，基于本文提出的分割算法優(yōu)于其他算法。

表1 不同分割算法的定量分析

3 結(jié)論

本文提出一種圖像分割算法，并應(yīng)用于核素腎動態(tài)顯像腎臟感興趣區(qū)的自動勾畫。其中預(yù)處理階段能去除腎外干擾區(qū)域和提高圖像對比度，Otsu分割算法能自適應(yīng)的確定最佳閾值，快速分離背景和腎臟區(qū)域，最后輪廓追蹤能自動勾畫腎臟邊界。定性和定量分析可知，基于本文算法能快速準(zhǔn)確分割腎臟感興趣區(qū)，腎臟區(qū)域和邊界和手工分割均具有很強(qiáng)的相關(guān)性，顯著優(yōu)于其他分割算法，是一種可行的腎臟感興趣區(qū)分割算法。

[1] 汪長銀,趙燕芬.Gates法測腎功能時(shí)一側(cè)腎臟感興趣區(qū)勾畫面積對另一側(cè)腎小球?yàn)V過率的影響[J].中華核醫(yī)學(xué)與分子影像雜志,2016,36(5):464-465.

[2] Liu ST,Gao DH,Yin FL.Infrared image segmentation method based on 2D histogram shape modification and optimal objective function[J].J Syst Eng Electron,2013,24(3):528-536.

[3] Shi MJ,Li GZ,Li FF.C2G2FSnake: automatic tongue image segmentation utilizing prior knowledge[J].Sci China Inform Sci,2013,56(9):154-167.

[4] Halkar R,Chrem Y,Galt B,et al.Interobserver variability in quantitating the MAG3 renal uptake based on semiautomated and manual regions of interest[J].J Nucl Med,1996,37:293.

[5] Tomaru Y,Inoue T,Oriuchi N,et al.Semi-automated renal region of interest selection method using the double-threshold technique:inter-operator variability in quantitating 99 m Tc-MAG3 renal uptake[J].Eur J Nucl Med Mol I,1997,25(1):55-59.

[6] Inoue Y,Yoshikawa K,Yoshioka N,et al.Evaluation of renal function with 99mTc-MAG3 using semiautomated regions of interest[J].J Nucl Med,2000,41(12):1947.

[7] Lin KJ,Huang JY,Chen YS.Fully automatic region of interest selection in glomerular filtration rate estimation from99mTc-DTPA renogram[J].J Digit Imaging,2011,24(6):1010-1023.

[8] Tian C,Zhang X,Han Y,et al.A semi-automated region of interest detection method in the scintigraphic glomerular filtration rate determination for patients with abnormal low renal function[J].Clin Nucl Med,2013,38(11):855-862.

[9] He Z,Sun L.Surface defect detection method for glass substrateusing improved Otsu segmentation[J].Appl Opt,2015,54(33):9823-9830.

[10] 董潔,趙書俊,王靜,等.基于腎動態(tài)定量分析中腎臟ROI的提取研究[J].計(jì)算機(jī)應(yīng)用與軟件,2010,27(7):249-252.

[11] Renjith A,Manjula P,Kumar PM.Brain tumour classification and abnormality detection using neuro-fuzzy technique and Otsu thresholding[J].J Med Eng Technol,2015,39(8):498-507.

[12] Chen TB,Chen JC,Lu HH.Segmentation of 3D microPET images of the rat brain via the hybrid gaussian mixture method with kernel density estimation[J].J X-ray Sci Technol,2012,20(3):339-349.

[13] Bemis KD,Harry A,Eberlin LS,et al.Probabilistic segmentation of mass spectrometry (MS) images helps select important ions and characterize confidence in the resulting segments[J].Mol Cell Proteomics,2016,16(5):1761-1772.

[14] 劉清巖,李思進(jìn),郭烽.腎臟感興趣區(qū)大小對Gates’s法測定腎小球?yàn)V過率影響[J].山西醫(yī)藥雜志,2009,38(17):802-803.

[15] 汪長銀,文兵,張湘園.興趣區(qū)設(shè)置對Gates法測定腎小球?yàn)V過率的影響[J].放射學(xué)實(shí)踐,2007,22(1):92-95.

[16] 田燦燦.半自動感興趣區(qū)檢測算法在腎小球?yàn)V過率定量分析中的研究[D].上海:上海交通大學(xué),2013.

[17] 司宏偉,王明明,趙學(xué)峰,等.腎動態(tài)顯像法腎小球?yàn)V過率的估算及其主要影響因素[J].中國醫(yī)學(xué)裝備,2013,(12):64-66.

Study of a Novel Automatic Method of ROI Delineation in Renal Dynamic Radionuclide Imaging

LIU Rencong, XU Lei, ZHANG Lele, MENG Qingle, YANG Rui, WANG Zizheng
Department of Nuclear Medicine, Nanjing First Hospital, Nanjing Medical University, Nanjing Jiangsu 210006, China

ObjectiveThis paper aims to propose a novel method of ROI extraction which was used in renal dynamic imaging.MethodsA total of 30 clinical dynamic renograms were introduced. The renal image was initially performed by morphological reconstruction followed by intensity-pair and Gaussian smoothing filter, which could sharpen the edge of kidney and suppress the noise. Then, adaptiveOtsuthreshold method was applied to segment the rough renal area. Finally, the morphological operation and boundary tracking were adopted to remove the irrelevant parts and extract the contour of renal.ResultsThere was high correlation between physicians’ manual contours and these by our approach. For area error analysis, the mean true positive area overlap,the mean false negative, the mean false positive and the boundary error were 91%, 13.4%, 9.3% and 1.6 pixels, respectively.Our approach acquired largerDiceindex (0.9061±0.0196) and lower computing time (2.1477±0.2835) s than other methods.ConclusionThe proposed method is a feasible approach for ROI extraction in renal dynamic imaging, which can obtain more efficient, accurate and robust results.

renal dynamic imaging; image segmentation; Otsu threshold method; morphological reconstruction; counter tracking

R445.5

A

10.3969/j.issn.1674-1633.2017.12.016

1674-1633(2017)012-0068-04

2017-08-21

2017-09-08

國家自然科學(xué)基金（81271604）。

王自正，主任醫(yī)師，博士生導(dǎo)師，主要研究方向?yàn)榉派湫院怂仫@像、核素治療。

通訊作者郵箱：zzwang136@aliyun.com

本文編輯 王靜