北部戰(zhàn)區(qū)總醫(yī)院 放射及核醫(yī)學(xué)科，遼寧 沈陽 110055

引言

圖像處理過程中圖像分割具有重要作用，通過將圖像中感興趣部分提取，有助于后續(xù)圖像數(shù)據(jù)分析。醫(yī)學(xué)圖像分割在患者精確量化診斷中發(fā)揮著關(guān)鍵性作用，因此對感興趣部位做到快速、準(zhǔn)確提取，對患者來說具有重要意義。但大部分醫(yī)學(xué)圖像結(jié)構(gòu)相對復(fù)雜，并且其灰度差異較小，采取傳統(tǒng)的分割方法提取圖像的效果不理想[1]。無邊緣主動輪廓（Chan-Vese，CV）模型是一種較為經(jīng)典的模型，主要是根據(jù)圖像全局信息，在目標(biāo)、背景兩個不同均值區(qū)域?qū)Ρ榷葓D像分割過程中發(fā)揮著重要作用，通過探測圖像模糊、離散邊緣，在噪聲干擾應(yīng)用中具有較強的適應(yīng)性[2-3]。CV模型以定位邊界的方式選擇圖像全局信息，其缺點體現(xiàn)在復(fù)雜場景中計算效率相對較低，造成能量函數(shù)加權(quán)因子調(diào)節(jié)困難，具有局限性。李淑玲[4]研究指出，CV模型在灰度不均勻、邊界不明顯、噪聲多等醫(yī)學(xué)圖像分割中效果不理想。肝臟圖像變化較復(fù)雜，不同肝臟MR圖像灰度特征存在不同的表現(xiàn)，因為組織、器官等灰度特征不具有單一性，成為腹部醫(yī)學(xué)圖像肝臟分割研究的難點[5]。CV模型改進引入輪廓線圖像局部信息，在圖像目標(biāo)邊緣處控制曲線演化，減少迭代次數(shù)，促進輪廓收斂效能提高[6]。本文旨在研究基于CV模型的肝臟核磁共振序列圖像自動分割方法，為臨床醫(yī)學(xué)圖像分割選擇理想的方法提供理論依據(jù)。

1 基本原理

1.1 傳統(tǒng)CV模型

CV模型屬于一種經(jīng)典的活動輪廓模型，以曲線演化和水平集方法為基礎(chǔ)，將活動輪廓線間接表達為水平集函數(shù)的零水平集形式。假定定義域為Ω圖像u0（x，y）被閉合曲線C劃分為目標(biāo)Ω1（C的內(nèi)部）和背景Ω2（C的外部）兩個同質(zhì)區(qū)域，各區(qū)域的平均灰度值為c1和c2，則CV模型就是尋找真正的輪廓。在能量泛函中前兩項主要是曲線平滑項，驅(qū)動曲線演化動力項為后兩項。引入Heaviside函數(shù)以及一維Dirac函數(shù)后，得到輪廓線C，就是對應(yīng)的分割目標(biāo)邊緣。

1.2 改進CV模型

將圖像局部灰度信息引入目的是提高CV模型收斂速度，盡量減少主動輪廓線越過圖像邊界情況發(fā)生，消除Dirac函數(shù)對檢測遠離主動輪廓線C抑制，在能量函數(shù)過程中，引出圖像局部信息主要是依靠單調(diào)遞減函數(shù)g(R)完成，時間逐漸增加，曲線演化速度反而減慢，對目標(biāo)輪廓曲線檢測，能得到g(R)公式。曲線C與目標(biāo)邊緣接近，內(nèi)外部的灰度平均值之間的差異逐漸增加，R值也隨之增加，說明曲線與目標(biāo)邊緣接近，減緩曲線演化速度，確定目標(biāo)邊緣位置，減少演化過程中越過邊界情況發(fā)生。將傳統(tǒng)CV模型UI與當(dāng)前演化主動輪廓線相互結(jié)合，引入圖像局部信息，曲線演化快慢速度得到有效控制，提高分割速度，增強醫(yī)學(xué)圖像中目標(biāo)物體的精準(zhǔn)性。

1.3 算法實現(xiàn)

二維圖像分割處理方式：首先將輸入的醫(yī)學(xué)圖像預(yù)處理，采用直方圖實現(xiàn)均衡化，有助于提高圖像細節(jié)，保證圖像中不同質(zhì)區(qū)域比率。初始輪廓線通過人工選定的方式，將符號距離函數(shù)初始化后，水平集函數(shù)迭代主要是依靠參考相關(guān)參數(shù)、圖像局部信息來完成，水平集函數(shù)變化低于閾值，說明能量泛函已經(jīng)到達極值，零水平集函數(shù)主要體現(xiàn)目標(biāo)輪廓，顯示迭代停止，顯示二維圖像的分割結(jié)果。

1.4 圖像序列分割

這是一種對二維醫(yī)學(xué)圖像的分割和擴展，CV模型在初始輪廓線位置上敏感性相對較強，圖像序列，鄰近的兩張圖像具有空間上延續(xù)性特點，鄰近區(qū)域結(jié)構(gòu)變化發(fā)生緩慢，圖像序列分割過程中，圖像分割的初始輪廓線以上一張圖像的分割結(jié)果為參考，盡量避免每張圖像進行初始輪廓線選取，有助于初始輪廓線接近目標(biāo)邊緣，確保分割精度，降低迭代次數(shù)，促進分割率提高。

1.5 統(tǒng)計學(xué)處理

2 結(jié)果

2.1 改進CV模型與傳統(tǒng)CV模型分割效果圖

改進CV模型具有抗噪性作用，對有干擾的圖像進行分割實用性較強。傳統(tǒng)CV模型只考慮了灰度信息，而對于復(fù)雜的腹部肝臟圖像，改進CV模型依靠其灰度把肝臟和其他部分劃分開來，并且由于其灰度分布的復(fù)雜性，對整幅圖像做全局的模糊分割獲得較好的效果。改進CV模型與傳統(tǒng)CV模型分割效果圖，見圖1。

圖1 改進CV模型與傳統(tǒng)CV模型分割效果圖

2.2 改進CV模型與傳統(tǒng)CV模型相關(guān)數(shù)據(jù)對比

如表1所示，改進CV模型分割時間和迭代次數(shù)低于傳統(tǒng)CV模型分割時間和迭代次數(shù)，具有統(tǒng)計學(xué)差異（P＜0.001）。說明采用改進的CV模型算法在精度符合要求的前提下，完成分割所需的迭代次數(shù)明顯減少，從而提高運算速度。

表1 改進CV模型與傳統(tǒng)CV模型相關(guān)數(shù)據(jù)對比（±s）

表1 改進CV模型與傳統(tǒng)CV模型相關(guān)數(shù)據(jù)對比（±s）

組別 分割時間/s 迭代次數(shù)/次改進CV模型 3.38±1.16 10.00±2.50傳統(tǒng)CV模型 12.36±3.42 60.50±10.00 t值 7.863 15.490 P值 ＜0.001 ＜0.001

2.3 改進CV模型與傳統(tǒng)CV模型算法分割質(zhì)量評估

如表2所示，改進CV模型Jaccard系數(shù)和Dice系數(shù)低于傳統(tǒng)CV模型Jaccard系數(shù)和Dice系數(shù)，具有統(tǒng)計學(xué)差異（P＜0.001）。分割標(biāo)準(zhǔn)均是有經(jīng)驗專家對圖像進行分割，說明改進CV模型在分割精度上略低于傳統(tǒng)CV模型，但是在速度上有明顯的提高，在分割精準(zhǔn)度符合要求的前提下，分割時間有明顯的優(yōu)勢。

表2 改進CV 模型與傳統(tǒng)CV模型算法分割質(zhì)量評估系數(shù)比較（±s）

表2 改進CV 模型與傳統(tǒng)CV模型算法分割質(zhì)量評估系數(shù)比較（±s）

組別 Jaccard系數(shù) Dice系數(shù)改進CV模型 1.68±0.38 1.75±0.39傳統(tǒng)CV模型 2.86±0.82 2.98±0.96 t值 4.129 3.754 P值 ＜0.001 ＜0.001

3 討論

醫(yī)學(xué)圖像常受各種固有噪聲影響，使用邊緣檢測、單一閾值等傳統(tǒng)方式行肝臟分割，效果不理想。由于肝臟圖像特征不同，主要是從肝臟區(qū)域整體特征來解決肝臟分割問題，肝臟區(qū)域中的灰度跨度相對較大，肝臟內(nèi)部鄰接像素點相鄰灰度變化程度較小，肝臟區(qū)域灰度從水平中心向上、下近線性增長[7-8]，因此從這一方面進行解決問題。肝臟分割有助于醫(yī)生觀察完整的臟器區(qū)域從而提高疾病準(zhǔn)確診斷效率、促進診斷精度提高。目前臨床中大部分醫(yī)學(xué)圖像是關(guān)于腦部CT圖像的圖像分割，關(guān)于內(nèi)臟MR圖像分割相關(guān)研究較少[9]。MRI技術(shù)的優(yōu)點是多參數(shù)、多序列、多方位成像、軟組織成像能力高，在臨床醫(yī)學(xué)診斷過程中發(fā)揮著重要作用。肝臟分割受肝臟內(nèi)部組織浸潤、個體差異、灰度不一致性影響[10]，因此難度增加。

CV模型原理是借用區(qū)域中的信息促進曲線演化，而不是憑借圖像梯度，對噪聲具有一定的敏感性，CV模型在邊緣含糊、梯度無特點的圖像進行分割較適用[11]。CV模型在圖像分割中是一種最有前途的活動輪廓模型，其不利用圖像局部區(qū)域信息，針對灰度不均的圖像區(qū)域統(tǒng)計信息，不能真實的表達圖像狀況，導(dǎo)致灰度圖像分割效果不理想[12-13]。因此為了解決CV模型的局限性，大多學(xué)者對CV模型不斷的進行改進和優(yōu)化。CV模型圖像分為背景、目標(biāo)兩部分，通過變分法，將水平集函數(shù)向偏微分方程轉(zhuǎn)化。張寧等[14]研究認(rèn)為，CV模型的灰度不均勻，其圖像邊界不明顯，受噪聲影響多，導(dǎo)致醫(yī)學(xué)圖像分割過程效果不突出。解決這一問題，可通過局部項來優(yōu)化改進CV模型。

本文研究結(jié)果顯示，改進CV模型分割時間和迭代次數(shù)降低，說明采用改進CV模型算法能顯著降低完成分割所需的迭代次數(shù)。與陳樹越等[15]研究結(jié)果保持一致。分析原因：CV模型分割圖像導(dǎo)致分割迭代次數(shù)多，需要處理的時間延長，通過改進CV模型算法分割法，迭代次數(shù)降低，顯著提高分割速度。本文研究數(shù)據(jù)指出，改進CV模型Jaccard系數(shù)和Dice系數(shù)低于傳統(tǒng)CV模型。說明改進CV模型的分割精度與傳統(tǒng)CV模型相比降低。分割速度高于傳統(tǒng)CV模型，在保持分割精準(zhǔn)度情況下，改進CV模型分割時間具有一定的優(yōu)勢[16]。

經(jīng)過本文分割效果圖分析，對傳統(tǒng)CV模型分割原始圖像改進，得到正確的分割結(jié)果，分割精度準(zhǔn)確并且分割時間短，提示通過改進CV模型發(fā)揮抗噪性作用，對干擾圖像分割實用，并對復(fù)雜場景圖像分割適用性也較強。相關(guān)研究指出，肝臟與相鄰區(qū)域灰度相近的組織能較好的分割開，但是容易發(fā)生過度分割，肝臟左下部位置灰度較暗部位被分出來[17]。實際上，肝臟內(nèi)部灰度顯示為緩慢降低，周圍相鄰的胃、脾等部位與肝臟灰度相似，有些位置灰度部分有交叉重疊現(xiàn)象，C均值算法只考慮灰度信息，對于復(fù)雜腹部肝臟圖像，并不能只依靠灰度把肝臟和其他部分劃分開來；另外，由于灰度分布具有一定的復(fù)雜性，如果對整幅圖像做全局模糊分割不能實現(xiàn)良好的效果[18-19]。

CV模型分割算法改進優(yōu)化后，將傳統(tǒng)CV模型圖像全局性充分利用，將圖像局部信息引入后，水平集函數(shù)在圖像局部信息、當(dāng)前曲線驅(qū)動下演化，有助于目標(biāo)邊緣能準(zhǔn)確、快速地收斂，提高傳統(tǒng)CV模型運算效率[20]。本文提出了一種改進的CV模型分割MRI圖片肝臟通過引入新的局部項，將圖像的局部信息加入到CV模型的能量泛函里，有助于改進后的CV模型更精確地分割目標(biāo)區(qū)域，優(yōu)化改進后的CV模型參數(shù)，能改善圖像的分割速度。本文研究中在傳統(tǒng)CV模型基礎(chǔ)上，給予改進數(shù)據(jù)顯示，改進CV模型算法優(yōu)點是收斂速度較快，具有較好的全局性，抗噪聲能力較強，是在臨床醫(yī)學(xué)中較實用。

綜上所述，改進CV模型算法對肝臟的MRI圖像的分割效果顯著，基于CV模型的肝臟核磁共振序列圖像自動分割方法能快速準(zhǔn)確的提取目標(biāo)，在醫(yī)學(xué)圖像分割中較理想。