楊志永,肖洪旭,李雨澤,姜海松,姜?杉
?
基于胸部CT影像的肺血管樹分割關(guān)鍵技術(shù)研究
楊志永,肖洪旭,李雨澤,姜海松,姜?杉
(天津大學(xué)機(jī)械工程學(xué)院,天津 300350)
肺支氣管的排除和血管組織的精確探測(cè),是影響肺血管樹分割精度的重要因素.經(jīng)形態(tài)學(xué)處理后的CT影像可提高對(duì)器官信息的探測(cè)能力,因此提出形態(tài)學(xué)輔助的區(qū)域生長(zhǎng)方法用于支氣管分割,并引入泄漏判斷條件抑制分割泄漏.針對(duì)血管組織的提取,提出多閾值分割方法,通過(guò)引入多尺度濾波器獲取不同尺寸半徑血管的最大響應(yīng)尺度信息,計(jì)算血管組織相應(yīng)的分割閾值,實(shí)現(xiàn)分割閾值的動(dòng)態(tài)匹配.實(shí)驗(yàn)結(jié)果表明:應(yīng)用于10套CT影像,血管組織分割準(zhǔn)確率為97.062%,,血管分支抽取率為93.95%,,肺血管樹分割精度得到較大提高.
肺血管樹;胸部CT影像;區(qū)域生長(zhǎng);多閾值分割
從CT影像中準(zhǔn)確分割肺血管樹,在肺部疾病輔助診斷和放射科治療環(huán)節(jié)中具有極其重要的應(yīng)用價(jià)值[1].手動(dòng)分割影像中的組織器官對(duì)醫(yī)生精力、體力消耗極大,影像中模糊的血管邊界、低的組織對(duì)比度和部分容積效應(yīng)等影響,使得血管組織難以準(zhǔn)確分?割[2-4].近年來(lái),肺血管分割技術(shù)成為研究熱點(diǎn).現(xiàn)有肺血管分割方法主要包括基于閾值的分割方法、基于區(qū)域的分割方法和基于形態(tài)學(xué)的分割方法等[5].基于閾值的血管分割方法實(shí)現(xiàn)相對(duì)簡(jiǎn)單,主要采用局部分割閾值或局部灰度結(jié)構(gòu)分析的分割策略,分割結(jié)果易出現(xiàn)輪廓模糊和誤分割現(xiàn)象[6].基于區(qū)域生長(zhǎng)的血管分割方法應(yīng)用最為廣泛,主要基于影像中血管組織的灰度信息進(jìn)行判斷,容易出現(xiàn)過(guò)度分割和空洞現(xiàn)象[7-9].基于形態(tài)學(xué)的血管分割方法,主要利用算子對(duì)血管組織進(jìn)行探測(cè),例如SMDC連接成本算子、Canny算子等,這類方法能較好地消除影像中噪聲的干擾,保留血管分支的細(xì)節(jié),但由于血管形態(tài)結(jié)構(gòu)復(fù)雜,算子參數(shù)很難固定,分割結(jié)果中常有粘連現(xiàn)象發(fā)生[10-11].此外,還有基于機(jī)器學(xué)習(xí)、空間濾波的血管分割方法?等[12-13],分割效果較好,但算法復(fù)雜度較高.
綜上所述,筆者提出形態(tài)學(xué)輔助的三維區(qū)域生長(zhǎng)和多閾值分割相結(jié)合的血管樹分割方法.通過(guò)對(duì)原始影像進(jìn)行形態(tài)學(xué)運(yùn)算處理,并將其處理結(jié)果作為區(qū)域生長(zhǎng)方法的輔助生長(zhǎng)條件,實(shí)現(xiàn)支氣管分割.此外,引入多尺度濾波器,利用不同尺寸半徑血管和最大濾波尺度響應(yīng)參數(shù)間的關(guān)系,提高血管探測(cè)的準(zhǔn)確性,最終獲得完整的肺血管樹.
筆者提出的肺血管樹分割算法主要分為4個(gè)步驟:首先,載入采集的胸部CT影像作為算法的原始數(shù)據(jù)輸入,通過(guò)自適應(yīng)閾值分割[8]、取反和形態(tài)學(xué)運(yùn)算實(shí)現(xiàn)初步預(yù)分割(Step,1);其次,通過(guò)使用基于形態(tài)學(xué)輔助的區(qū)域生長(zhǎng)法分割支氣管組織,并應(yīng)用減運(yùn)算移除肺實(shí)質(zhì)中的支氣管,進(jìn)而獲得極為重要的初步肺實(shí)質(zhì)分割結(jié)果(Step,2);然后,應(yīng)用多尺度濾波處理原始CT影像,并與Step,2中的處理結(jié)果進(jìn)行與運(yùn)算,進(jìn)而獲得增強(qiáng)后的血管組織(Step,3);最后,通過(guò)多閾值分割方法和連通性分析,提取出豐富的肺血管組織,并應(yīng)用Marching Cubes方法[14]重建肺血管樹(Step,4).分割流程如圖1所示.
肺實(shí)質(zhì)中支氣管的移除,是肺血管分割流程中的重要預(yù)處理步驟.區(qū)域生長(zhǎng)方法被廣泛應(yīng)用于支氣管分割,然而分割過(guò)程中常出現(xiàn)分割泄漏現(xiàn)象,主要原因在于成像時(shí)人的呼吸和部分容積效應(yīng)易導(dǎo)致影像中的支氣管組織邊界模糊[15],如圖2所示.Bartz等[16]對(duì)胸部CT影像中支氣管組織的灰度分布進(jìn)行了概括總結(jié),支氣管組織所在像素點(diǎn)的CT值通常小于-950,HU(Hounsfield unit),CT值大于-750,HU為非支氣管組織,兩CT值范圍間為不確定組織,需要進(jìn)一步進(jìn)行判斷.
圖2?CT影像中的支氣管和分割泄漏現(xiàn)象
???(1)
與傳統(tǒng)區(qū)域生長(zhǎng)方法的生長(zhǎng)條件相比,筆者改進(jìn)后的生長(zhǎng)條件不僅考慮圖像中像素點(diǎn)本身的灰度值信息,也引入原始圖像經(jīng)形態(tài)學(xué)運(yùn)算處理后的結(jié)果.此處的形態(tài)學(xué)處理方法主要是基于圓形結(jié)構(gòu)元素對(duì)二值圖像進(jìn)行形態(tài)學(xué)閉運(yùn)算操作,填充支氣管組織內(nèi)部的細(xì)小空洞并消除細(xì)小裂紋,提高對(duì)支氣管組織的探測(cè)能力.形態(tài)學(xué)處理前后對(duì)比如圖4所示.
算法運(yùn)行過(guò)程中,為了判斷是否發(fā)生支氣管分割泄露現(xiàn)象,引入式(2)和式(3)作為分割泄露判斷條件.類似管狀的支氣管大致為垂直走向,如果已分割相鄰切片層中支氣管所屬區(qū)域內(nèi)體素總量變化較大,說(shuō)明分割泄漏現(xiàn)象發(fā)生.
圖4?形態(tài)學(xué)處理前后對(duì)比
???(2)
???(3)
該方法應(yīng)用于CT影像中進(jìn)行支氣管的分割,成功避免了分割泄漏現(xiàn)象的發(fā)生,分割出的支氣管結(jié)構(gòu)清晰完整,如圖5所示.后續(xù)肺血管樹分割流程中,經(jīng)過(guò)減運(yùn)算處理可將支氣管從肺實(shí)質(zhì)中移除,進(jìn)而排除支氣管對(duì)肺血管分割的干擾.
圖5?支氣管分割結(jié)果
CT影像中肺血管組織通常具有不確定的血管半徑和不均勻的灰度分布,因此CT影像中的血管組織需要進(jìn)行增強(qiáng)處理,提高血管組織與其他非血管組織的對(duì)比度.血管組織的灰度分布如圖6所示.
圖6?CT影像中血管組織的灰度分布
???(4)
如果像素點(diǎn)屬于血管組織,為方便討論,Hessian矩陣的3個(gè)特征值應(yīng)滿足
???(5)
為了減小隨機(jī)噪聲對(duì)增強(qiáng)濾波器的干擾,引入弗羅貝尼烏斯范數(shù)
???(6)
基于上述推導(dǎo),多尺度濾波器可定義為
(7)
???(8)
在CT影像中,細(xì)小的血管組織往往呈現(xiàn)出低的灰度值和弱的對(duì)比度.多閾值圖像分割與固定閾值分割相比,具有更高的分割精度,且適用于灰度分布多樣化的血管組織分割.為了實(shí)現(xiàn)不同尺寸半徑血管分割閾值的動(dòng)態(tài)匹配,引入血管增強(qiáng)濾波器對(duì)不同尺寸半徑血管的最大尺度響應(yīng)參數(shù),進(jìn)而提高血管的探測(cè)能力.
???(9)
考慮到噪聲可能存在于血管組織的抽取結(jié)果中,筆者引入三維高斯濾波用于消除噪聲,平滑血管表面.最終關(guān)系式為
?????(11)
為量化評(píng)估本文算法分割結(jié)果,筆者采用最常用的手動(dòng)分割結(jié)果作為黃金標(biāo)準(zhǔn).手動(dòng)分割工作主要由兩位經(jīng)驗(yàn)豐富的肺部疾病醫(yī)師完成,由于分割整個(gè)序列影像的工作量巨大,因此重點(diǎn)選擇肺實(shí)質(zhì)內(nèi)部存在支氣管分支、肺部裂隙、微小肺栓塞或腫瘤的圖像作為手動(dòng)分割關(guān)鍵層.定義評(píng)價(jià)指標(biāo)如下.
正確率(TR)和錯(cuò)誤率(FR)[18]分別為
???(12)
???(13)
???(14)
肺血管樹的量化評(píng)估結(jié)果如表1所示,可以看出筆者提出的肺血管樹分割方法能準(zhǔn)確分割出絕大多數(shù)真實(shí)的血管組織像素點(diǎn),左、右肺血管分割TR值分別為97.095%,和97.028%,,平均分割準(zhǔn)確率為97.062%,,ASED值分別為0.365,mm和0.306,mm.本文算法分割后的肺血管樹三維重建結(jié)果如圖7所示.為進(jìn)一步驗(yàn)證本文算法分割效果,引入中心線抽取技術(shù)[5],并與其他肺血管分割結(jié)果進(jìn)行了比較.如圖8所示,可以看出筆者提出的肺血管分割方法血管分支抽取率高于其他分割方法,經(jīng)統(tǒng)計(jì)其平均血管分支抽取率達(dá)到93.95%,.
表1?肺血管分割結(jié)果評(píng)價(jià)
圖7?部分肺血管樹分割結(jié)果
圖8?幾種算法血管分支抽取率的比較結(jié)果
本文算法分割得到的血管組織,左、右肺分割結(jié)果中仍有0.979%,和0.939%,的錯(cuò)誤率存在,主要是在預(yù)處理步驟中,支氣管的分割由于部分容積效應(yīng)、干擾噪聲和其自身結(jié)構(gòu)特點(diǎn),無(wú)法進(jìn)行完全的分割提取,成為后續(xù)血管提取中的“干擾組織”.此外,增強(qiáng)處理后的影像不僅有助于提高算法對(duì)微小血管的探測(cè)能力,部分非血管組織也會(huì)得到一定程度的增強(qiáng),進(jìn)而被算法錯(cuò)誤地判定為血管組織.由于這些被錯(cuò)誤提取的非血管組織其尺寸相對(duì)較小,對(duì)肺部腫瘤探測(cè)、心肺功能評(píng)估和肺裂隙探測(cè)等臨床準(zhǔn)確診斷影響較小,本文算法分割出的豐富血管組織了滿足臨床診斷需要.
值得注意的是由于部分容積效應(yīng)的影響肺裂紋往往不易察覺(jué).本文算法分割重建出的肺血管樹能清晰地展示出肺部存在的裂紋(如圖9所示),這對(duì)醫(yī)生的臨床診斷有極大的幫助.
圖9?血管樹中的肺裂紋
筆者提出了一個(gè)高效的肺血管樹分割方法,成功應(yīng)用于胸部CT影像分割.提出的形態(tài)學(xué)輔助的區(qū)域生長(zhǎng)方法成功分割出支氣管,并有效避免分割泄漏現(xiàn)象的發(fā)生.此外,提出的多閾值分割方法,實(shí)現(xiàn)了血管組織分割閾值的動(dòng)態(tài)匹配.實(shí)驗(yàn)結(jié)果表明,本文方法能成功地探測(cè)出豐富的血管組織.
[1] van Rikxoort E M,van Ginneken B. Automated segmentation of pulmonary structures in thoracic computed tomography scans:A review[J].,2013,58(17):187-220.
[2] Zhu Y,Tan Y,Hua Y,et al. Automatic segmentation of ground-glass opacities in lung CT images by using Markov random field-based algorithms[J].,2012,25(3):409-422.
[3] El-Baz A,Suri J S.[M]. FL,USA:CRC Press,2011:189-219.
[4] Chen B,Kitasaka T,Honma H,et al. Automatic segmentation of pulmonary blood vessels and nodules based on local intensity structure analysis and surface propagation in 3D chest CT images[J].,2012,7(3):465-482.
[5] 劉忠強(qiáng). CT圖像中的肺血管分割方法[D]. 武漢:華中科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,2016.
Liu Zhongqiang. Pulmonary Vascular Segmentation Methods in CT Images[D]. Wuhan:School of Computer Science and Technology,Huazhong University of Science and Technology,2016(in Chinese).
[6] van Dongen E,van Ginneken B. Automatic segmentation of pulmonary vasculature in thoracic CT scans with local thresholding and airway wall removal[C]//:Rotterdam,Netherlands,2010:668-671.
[7] Park S,Lee S M,Kim N,et al. Automatic reconstruct-
tion of the arterial and venous trees on volumetric chest CT[J].,2013,40(7):563-572.
[8] Fabijańska A. Segmentation of pulmonary vascular tree from 3D CT thorax scans[J].,2015,35(2):106-119.
[9] Lai J,Huang Y,Wang Y,et al. Three-dimension segmentation of pulmonary vascular trees for low dose CT scans[J].,2016,17(1):1-15.
[10] 黃煜峰,王興家,賴?凱,等. 基于SMDC 連接代價(jià)算子的肺血管分割算法研究[J]. 北京生物醫(yī)學(xué)工程,2010,29(3):235-240.
Huang Yufeng,Wang Xingjia,Lai Kai,et al. Algorithm of lung segmentation based on SMDC-connection cost[J].,2010,29(3):235-240(in Chinese).
[11] 高齊新,楊金柱,趙大哲,等. 一種基于Canny算子的level-set肺部血管分割算法[J]. 系統(tǒng)仿真學(xué)報(bào),2008,20(20):5534-5537.
Gao Qixin,Yang Jinzhu,Zhao Dazhe,et al. Pulmonary vessel for X-ray CT images segmented through Canny level-set[J].,2008,20(20):5534-5537(in Chinese).
[12] Orkisz M,Hoyos M H,Romanello V P,et al. Segmentation of the pulmonary vascular trees in 3D CT images using variational region-growing[J].,2014,35(1):11-19.
[13] Manivila K D. Automatic vessel segmentation of lung affected patterns in MDCT using decision tree classification[J].,2014,22(11):1679-1685.
[14] Lorenson W E,Cline H E. Marching cubes:A high resolution 3D surface construction algorithm[J].,1987,21(4):163-169.
[15] Zhu C,Qi S,Han V T,et al. Automatic 3D segmentation of human airway tree in CT image[C]//. Yantai,China,2010:132-136.
[16] Bartz D,Mayer D,F(xiàn)ischer J,et al.[C]//14(’03). Washington,USA,2003:177-184.
[17] Frangi A F,Niessen W J,Vincken K L,et al. Multiscale vessel enhancement filtering[C]//. MA,USA,1998:130-137.
[18] Shikata H,Mclennan G,Hoffman E A,et al. Segmentation of pulmonary vascular trees from thoracic 3D CT images using level-set[C]//Qin-huangdao,China,2009:24.
[19] Zhou X,Hayashi T,F(xiàn)ujita H,et al. Automatic segmentation and recognition of anatomical lung structures from high-resolution chest CT images[J].,2006,30(5):299-313.
(責(zé)任編輯:金順愛)
Research on Key Technologies of Pulmonary Vascular Trees Segmentation Based on Thoracic CT Images
Yang Zhiyong,Xiao Hongxu,Li Yuze,Jiang Haisong,Jiang Shan
(School of Mechanical Engineering,Tianjin University,Tianjin 300350,China)
The elimination of lung bronchus and the precise detection of vascular tissues are the major factors affecting the segmentation accuracy of pulmonary vascular trees.The morphological disposal with CT image could improve the ability of organ detection,thus a morphology-assisted region growing method was proposed to segment bronchus.Besides,the leak judgment function was also introduced to avoid the leakage phenomenon.In order to extract vascular tissues,the multi-threshold segmentation method was proposed,which is based on the multi-scale enhancement filter.By acquiring the max response information of vascular tissues with different radius,the corresponding segmentation threshold of vascular tissues was calculated and the dynamic matching between vascular tissues and segmentation threshold was achieved.Being applied to 10 sets of CT images,the proposed algorithm exhibited promising results.The segmentation accuracy rate of vascular tissues and the extraction rate of vascular branches were 97.062%, and 93.95%,,respectively,considerably improving the segmentation accuracy of pulmonary vascular trees.
pulmonary vascular trees;thoracic CT images;region growing;multi-threshold segmentation
10.11784/tdxbz201706043
TP391
A
0493-2137(2018)02-0175-06
2017-06-19;
2017-08-22.
楊志永(1972—??),男,博士,教授,meyang@tju.edu.cn.
肖洪旭,xiaohxying@163.com.
國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目(51775368);天津市重大科技專項(xiàng)資助項(xiàng)目(14ZCDZGX00490);廣東省省級(jí)科技計(jì)劃項(xiàng)目(2017B020210004).
the Key Program of the National Natural Science Foundation of China(No.,51775368),the Special Fund for Key Program of Science and Technology of Tianjin,China(No.,14ZCDZGX00490)and the Science and Technology Planning Project of Guangdong Province,China(No.,2017B020210004).