蔡國龍 王帥 王冬陽 朱國君

摘 要：文章針對當(dāng)前肝臟部分治療，主要對基于PCA算法的肝臟分割展開研究。根據(jù)此項研究，對于自動病灶的提取共包括肝臟分割、病灶識別、ROI提取三個階段，使用的主成分分析方法是PCA，即非監(jiān)督的機(jī)器學(xué)習(xí)算法，依據(jù)特征值分解矩陣的相關(guān)原理，基于特征值分解協(xié)方差矩陣，實現(xiàn)PCA算法的具體步驟。

關(guān)鍵詞：肝臟分割;CT圖像;機(jī)器學(xué)習(xí)

中圖分類號：TP7文獻(xiàn)標(biāo)識碼：A文章編號：1674-1064（2021）06-124-02

DOI：10.12310/j.issn.1674-1064.2021.06.060

健康是生活質(zhì)量的基礎(chǔ)。人們對身體健康、生活質(zhì)量的關(guān)注程度日益提高，肝臟的健康與否已經(jīng)成為人們極為關(guān)注的重要問題。肝臟部分的疾病種類多、危害大，而肝癌的早期癥狀又不明顯，很多患者到了中晚期腫瘤較大時才發(fā)現(xiàn)病情。如果能夠在癌癥早期就發(fā)現(xiàn)病情并對癥下藥，患者的痊愈率可以大幅度上升。然而，隨著科學(xué)技術(shù)在醫(yī)療領(lǐng)域的迅速發(fā)展，在肝臟輔助診斷方面，可以通過計算機(jī)強(qiáng)大的計算能力、圖像處理及圖像分割能力，加快CT圖像的處理分析速度[1]。同時，可以減少醫(yī)護(hù)人員的工作量，避免由于肉眼觀察、人工失誤等因素帶來的錯誤。

近年來，肝臟CT圖像已經(jīng)屢見不鮮，越來越廣泛地應(yīng)用于臨床治療，許多醫(yī)生在診斷中將其作為重要工具。然而，如何更好、更準(zhǔn)確地提取肝臟影像，以及后續(xù)如何對其進(jìn)行操作，成為了目前至關(guān)重要的問題，而確認(rèn)肝臟邊界是作為定量分析的先決因素[2]，需要對其進(jìn)行重點探討和研究。由于肉眼觀察病灶圖像的工作量很大，也容易受到主觀因素的影響而造成失誤，可能導(dǎo)致病患錯過最佳治療時機(jī)，更有甚者，會發(fā)生誤診問題。農(nóng)村及偏遠(yuǎn)地區(qū)缺乏具有較高業(yè)務(wù)水平和豐富經(jīng)驗的醫(yī)生[3]，導(dǎo)致患者難以得到及時有效的診斷醫(yī)療。因此，對基于PCA算法的肝臟分割展開研究就具有極為重要的學(xué)術(shù)價值和現(xiàn)實意義。

1 算法

主成分分析方法（Principal Component Analysis，PCA）是一種使用最廣泛的數(shù)據(jù)降維算法，其主要思想是對減少去除數(shù)據(jù)的冗余部分，對數(shù)據(jù)進(jìn)行降維的處理[4]。事實上，PCA算法基于K-L變換原理[5]，抽取圖像數(shù)據(jù)的主要特征，形成維度為k的特征空間，而原先n維的測試集（n>k）將其投影到特征空間上。其中，投影后生成的k維特征稱之為主元，它不是n維的測試集簡單地去除n-k維特征后生成，是重新構(gòu)造生成的一種全新的k維特征。

依據(jù)特征值分解矩陣的相關(guān)原理如下：

特征值與特征向量。對于一個矩陣A，如果存在一個向量ν，有Aν=λν，則稱ν是矩陣A的特征向量，λ是特征向量ν對應(yīng)的特征值。其中，一個矩陣的不同特征向量互為正交向量。

特征值分解矩陣。若矩陣A維度為n，同時存在n個實數(shù)特征值（包括重根），則存在矩陣V和矩陣B使得AV=VB。其中，矩陣V是矩陣A的特征向量組成的矩陣，矩陣B為對角矩陣，其對角線上的值為矩陣A的各特征值。上式又可寫成A=VBV-1。

依據(jù)矩陣的特征值分解矩陣實現(xiàn)PCA算法的具體步驟包括：

假定當(dāng)前數(shù)據(jù)集為X={a1，a2，a3，...，an}，要求將這n維的數(shù)據(jù)集降到k維。

將A的每一行進(jìn)行去平均值（即去中心化）處理，即每一位特征減去各自的本行的平均值。

求解協(xié)方差矩陣，C=（1/m）XXT。

用特征值分解協(xié)方差方法求得出的協(xié)方差矩陣C的特征值與對應(yīng)的特征向量。

將特征向量作為行向量按照對應(yīng)的特征值從大到小的順序進(jìn)行排序，選擇其中最大的k個特征向量按行向量組成新的特征向量矩陣P。

由k個特征向量構(gòu)建一個新的空間，將原本的數(shù)據(jù)轉(zhuǎn)換到其中，即Y=PX，此時的Y即為降維到k維后的數(shù)據(jù)。

2 實驗結(jié)果與分析

文章介紹的研究中，提取肝臟病灶可以分為三個過程：肝臟圖像的分割、病灶的識別、ROI提取。

在分割肝臟圖像時，首先對初始輸入圖像采取預(yù)處理操作，提高肝臟與圖片背景的差異，增強(qiáng)對比度，并用灰度值除去冗余信息，隨后通過使用邊界水平集帶正則項的方法順利得出肝臟分割圖像，其中包含病灶區(qū)域。同時，在分割圖像中肝臟的邊界時使用DRLSE方法，如圖1所示。

在提取肝臟圖像中的病灶時，研究人員可以根據(jù)病灶在圖像區(qū)域中灰度較小的先驗知識，在肝臟病灶上優(yōu)先確定出肝臟病灶區(qū)域的初始生長點，將其當(dāng)作種子點，然后通過使用區(qū)域生長法，設(shè)置肝臟病灶區(qū)域病灶生長的條件（如設(shè)置后來點像素與種子點像素的灰度差），從而得出病灶區(qū)域。

隨后，可以通過腐蝕肝臟病灶的區(qū)域，提取出矩形區(qū)域當(dāng)作需要的感興趣的重點研究區(qū)域，如圖2所示。最后，利用數(shù)學(xué)形態(tài)學(xué)知識，對選中的矩形區(qū)域細(xì)化的分割結(jié)果圖上對分割圖像進(jìn)行指標(biāo)分析。盡管在肝臟提取時會產(chǎn)生誤差，但是作為第一步用于提取ROI，對于精度不需要更高的要求，后續(xù)的實驗結(jié)果也表明在剛開始時系統(tǒng)只需要提取出肝臟圖像的整體輪廓。

在識別病灶區(qū)域時，肝臟病灶區(qū)域與正常組織區(qū)域的邊界在分割提取時有可能會混入多余的像素等干擾因素，對于接下來操作的影響較小。在識別到病灶的區(qū)域后，研究人員需要在病灶區(qū)域中選擇提取出一塊矩形區(qū)域，從而提高提取ROI圖像區(qū)域的準(zhǔn)確性。

同時，為了方便醫(yī)生簡單明了地判斷患者的肝臟是否出現(xiàn)病灶，需要利用VTK和ITK系統(tǒng)[6-7]，將分割后的二維切片重新構(gòu)建，得到肝臟區(qū)域的三維立體結(jié)構(gòu)，顯示出肝臟的三維形態(tài)，反映出肝臟的空間分布，從視覺上直觀地展示出肝臟情況，為醫(yī)生制定手術(shù)方案提供決策[8]，從而在一定程度上提高診斷治療的效率，減輕患者的經(jīng)濟(jì)負(fù)擔(dān)。

3 結(jié)語

此項研究的目的是精準(zhǔn)地分割出腹部CT圖像的肝臟影像部分，通過分析描述PCA算法，結(jié)合肝臟圖像的特點，實現(xiàn)自動地從CT圖像中提取出肝臟圖像的功能。該方法依據(jù)特征值分解矩陣，并基于特征值分解協(xié)方差矩陣實現(xiàn)PCA算法。此項研究實驗證明，使用PCA算法分割肝臟是切實可行的，可以避免診斷受到各種人為因素影響，有助于提高診斷和治療效率，對于醫(yī)學(xué)分割、提高醫(yī)療水平具有重要意義[9]。

參考文獻(xiàn)

[1] 柳學(xué)國.人工智能在肺癌低劑量CT篩查中的應(yīng)用與思考[J].影像診斷與介入放射學(xué)，2019，28（5）：387-390.

[2] 徐丹霞，郭圣文，吳效明，等.肝臟CT圖像分割技術(shù)研究進(jìn)展[J].醫(yī)療衛(wèi)生裝備，2009，30（3）：34-36.

[3] 郭宇，李瑞冰，劉莎，等.基于機(jī)器學(xué)習(xí)的肺癌圖像輔助診斷應(yīng)用研究[J].中國醫(yī)學(xué)裝備，2021，18（3）：124-128.

[4] Shikhar Choudhary，Rahul Moriwal.Face Recognition Based on PCA and BPNN[J].Journal of Research in Science and Engineering，2020，2（10）：28-29.

[5] 張楊，張仁杰.基于改進(jìn)PCA算法的人臉識別[J].軟件導(dǎo)刊，2018，17（1）：32-34.

[6] 關(guān)天民，劉光孟，軒亮.基于ITK和VTK的醫(yī)學(xué)圖像分割與重建[J].大連交通大學(xué)學(xué)報，2019，40（3）：61-65.

[7] 李澤宇，陳一民，趙艷，等.擬合正態(tài)分布曲線的肺野圖像分割與三維重建[J].計算機(jī)工程與設(shè)計，2017，38（5）：1277-1281.

[8] 方馳華，盧綺萍，劉允怡.復(fù)雜性肝臟腫瘤三維可視化精準(zhǔn)診治指南（2019版）[J].中國實用外科雜志，2019，39（8）：766-774.

[9] 夏永泉，喬四海，支俊，等.基于質(zhì)心與區(qū)域生長的肝臟自動分割方法[J].現(xiàn)代電子技術(shù)，2021，44（9）：28-32.