|
赵周社 张陈 GE药业 精准医学研究院
医学影像技术发展经历对病灶从定位、定性、半定量到精准定量化的过程。精准定量化医学影像技术是实现精准医学（precision medicine, PM）目标的基础和前提，也是实现医学影像人工智能化诊疗技术的必由之路。精准医学影像技术需要对人体脏器和组织的形态、边界、面积或体积进行精确的测量，通过医学影像技术获得脏器和组织血流量、组织细胞的代谢、细胞酶和受体活性，以及组织细胞基因表达，从而获得脏器或组织细胞的结构、功能、血流灌注和病理生理信息，以提高对疾病早期诊断、精确分期、指导治疗和评估疗效。医学图像分割（segmentation）是进行精准定量化影像技术基础。近10年以来，有关图像分割技术的基础研究已经极大推动图像自动化分割技术和方法的发展，促进精准定量化技术在临床应用。本文主要介绍医学图像分割的基本方法、临床应用和进展。
1. 医学图像分割概念
医学图像分割就是把图像划分成各个特殊性的区域并提取感兴趣（region of interest, ROI）目标的技术和过程， 是从图像处理过渡到图像分析，乃至人工智能的关健步骤。图像分割的本质是通过特征提取，形成特征空间。图像分割在图像工程中起着承上启下的作用，是介于低层次处理和高层次处理的中间层次。图像分割在不同的领域也有其它的名称，如目标轮廓技术、目标检测技术、阈值化技术、目标跟踪技术等。
医学图像分割所采用的典型特征包括灰度（gray level）、色彩、边缘（edge）、纹理（texture）和空间关系等。按照传统的图像分割的算法将图像分割分为：基于阈值（threshold）的分割方法、基于边缘检测（edge detection）的分割方法、基于边界跟踪（edge tracking）的分割方法、基于区域分割方法，以及基于数学形态学（mathematical morphology）的分割方法。如果按照操作者实际提取病灶的方法将图像分割分成手动（manual method）勾画病灶边界和提取病灶、半自动化（semiautomatic method）勾画病灶边界和提取，以及全自动化（automatic method）勾画病灶边界的方法。
医学影像每个成像系统有自身的特长和局限，因此单一方法和技术不存在可以解决各类医学图像分割问题的通用方法，通常是针对某种模态（如C线、超声、CT、MR、PET/CT、SPECT/CT）图像的特点有针对性地进行分割。
2. 常用的图像分割算法
图像分割包括对正常脏器和组织分割，以及对病灶的分割。对于放射治疗（radiotherapy, RT）计划而言，正常脏器和组织图像分割与病灶分割具有同等重要的意义。因为在进行放射治疗的同时需要最大限度的保护正常组织，提高对靶区照射剂量。对于临床诊断、治疗效果预后评估来讲，图像分割主要是指对病灶组织的分割和提取。
2.1 基于先验模型的图像分割技术：主要针对某一种具体的应用，例如肝分割，先初始化一个先验的肝脏模型，这类模型通常使用PDE构建一个通用的方程，在使用迭代的方法利用图像本身信息，如梯度（gradient），灰度直方图（histogram），变换矩阵（transform-matrix）等来逼近真实的边界，从而达到分割的目的。
2.2 基于机器学习训练的分割技术：主要利用训练样本对某一种应用进行模型训练，再应用到新的图像来识别真实的边界，如SVM，Adboosting等在图像分割中的应用。
2.3 基于深度学习的分割技术：深度学习可以利用大样本数据提取到很多深度特征（deep learned features），这些特征不同于传统的特征，如纹理特征（texture features），深度特征属于图像自身关于目标学习的特征，他最能反映图像本身的边界信息，分割效果在样本量足够多的情况下也最好。
2.4 基于阈值分割方法：阈值是在分割时作为区分物体与目标像素的门限。对灰度图像阈值分割就是预先确定一个处于灰度取值范围之中的灰度阈值，然后将图像中各个像素灰度都与这个灰度值比较，将大于等于阈值的像素灰度和小于像素灰度的阈值分别分成两大类。在阈值分割方法中可以选择灰度直方图、最佳阈值分割方法和OTSU算法。阈值法的关键问题是确定一个最优化阈值。对于不同的医学图像，其信号单位和图像特征也存在本质不同，这就对阈值方法造成技术上一定程度困难。人们试图为图像中不同区域求取相应的阈值，再利用这些阈值对各个区域进行分割，这种方法也称为自适应阈值。有时也采用双阈值方法分割病灶，比如设置阈值上限与下限，在上下限之间的病灶就是需要提取的组织。与灰度直方图不同的是，OTSU利用方差来度量灰度分布均匀性，然后进行分割。阈值方法由于计算简单、运算效率高、速度快，在任何实际应用的图像处理系统中几乎都有用。阈值法的缺点是对于目标与背景之间灰度差异不大时，或者目标与背景有较大的灰度区间重叠时，难以得到准确的分割结果。
2.5 基于边缘检测分割方法：图像的边缘是由脏器的边界、组织特性改变或病灶解剖和生物特征不同所构成。从图像的灰度值来看，边缘就是灰度值突然大幅度变化的区域。可以采用数学计算的一阶、二阶导数来自动检测脏器或病灶的边界。对于边缘的检测常常借助于边缘检测算子进行,常用的边缘检测算子有: Roberts 算子、Laplace 算子、Prewitt 算子、Sobel 算子、Robinson 算子、Kirsch 算子和Canny 算子等。其中Canny 边缘检测是一种比较新的边缘检测算子，不容易受噪声的干扰,能够检测到真正的弱边缘。基于边缘检测分割的方法克服阈值方法对于阳性病灶具有优势的局限性，对于图像中阴性病灶也具有很好效果。
2.6 基于边界跟踪的分割方法： 是将边界检测与边界连接（edge point linking）起来的图像分割方法。边界连接是从灰度图像检测出的边缘出发，依次搜索并连接相邻边缘点，从而连接脏器或病灶完整的边缘点。
2.7 基于区域的分割方法：图像区域分割时直接根据事先确定的相似性准则，分割出若干特征相近或相同的像素组成区域。常用的区域分割方法有区域生长（region growing）和区域分裂合并（split and merge）方法。区域生长是现在脏器或病灶灰度图像中找到一个种子（seed），然后将种子像素周围相邻区域与该种子像素相同或相似性质的像素合并到种子像素所在的区域中。然后将这些新包括在区域的像素当作新的种子像素继续上述过程，直到将整个脏器、同一组织或病灶全部包括在同一区域内。种子的区域生长算法的有三个关键步骤包括：种子的选择、生长的准则和生长过程终止的条件。在实际计算中既可以利用灰度，也可以选择区域形状进行区域分割。区域生长的固有缺点是分割效果依赖于种子点的选择和生长顺序，区域分裂技术的缺点是可能会使边界被破坏，有方块效应。
2.7.1 基于轮廓模型的分割方法：轮廓模型的分割方法是将基于图像本身的层次视角属性（边缘、纹理、灰度、色彩等）与人们期待分割目标的知识和经验，以及医生的经验等以一种有机的方式整合起来，得到待分割区域的完整表达。常使用的有snake、GVF snake模型。
2.7.2 基于数学形态学的分割方法：是一种新型的非线性算子，它重点研究图像的几何结构。医学图像主要是灰度图像，灰度形态学研究就显得非常重要。水域分割，又称分水岭（watershed）算法，是数学形态学分割方法方法之一。 其基本思想是把图像看作测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而积水盆的边界则形成分水岭。基于这些概念的分割算法的主要目标是找出分水线。分水岭分割算法实现的关键在于聚水盆的生长和堤坝的建立。建立堤坝后，这样就可以将图像目标区域（脏器或病灶）分割出来。
2.7.3 图像分割新的技术和方法： 在常规图像分割方法的基础上，一些学者提出新的图像分割技术和方法。这些方法包括：基于先验模型的图像分割技术、基于机器学习训练的分割技术和基于深度学习的分割技术。
在实际应用中，这些计算方法中几个常常被联合起来使用，以提高图像分割的精准性。
3. 图像分割技术发展趋势
随着新的算法、计算机技术和人工智能技术发展，一些新的图像分割技术也不断在推出。这些包括：多种特征融合的分割方法和综合技术图像分割。
（1）多种特征融合的分割方法。除利用图像的原始灰度特征外，还可以利用图像的梯度特征、几何特征、变换特征（傅立叶谱、小波特征、分形特征等）及统计学特征（纹理、不变矩、灰度均值等）等高层次特征，对于每个待分割的像素，将所提取的特征值组成一个多维特征矢量，再进行多维特征分析。通过多种特征的融合，图像像素能被全面描述。
（2）多种分割方法结合的分割方法。由于目标成像的不确定性以及目标的多样性，单一的分割方法很难对含复杂目标的图像取得理想的分割结果。除需要利用多种特征融合外，还需将多种分割方法结合，使这些方法充分发挥各自的优势，并避免各自的缺点。
4. 图像增强在CT和MR图分割中的作用
提高图像分割精度不仅仅是图像分割的算法，图像采集、重建、预处理和显示，以及使用的放射性药物和是否使用对比剂也对图像分割结果有显著的影响。
对于病灶对18F-FDG高摄取病灶PET图像病灶分割是相对比较容易的，采用42%~45%左右阈值能够自动提取病灶边缘。但是，对于常规未增强的CT和MR图像多数是很难区分恶性肿瘤病灶边缘。临床经验表明，CT、MR或超声波增强图像能够提高脏器和病灶边缘的对比度和轮廓的清晰度, 有报道可以将病灶与正常组织对比度提高，这样方便对病灶提取。无论是CT、MR还是超声波成像，采用对比剂能够提大程度提高脏器和正常组织之间对比度。在增强的CT、或MR图像勾画病灶的边界明显优于非增强的图像，而且增强的图像不但提高病灶的对比度，而且有利于发现病灶的真实轮廓。增强图像在动脉期反映病灶组织动脉血供，在静脉期图像显示病灶静脉血流回流情况。Tai P 提出在增强图像勾画靶区，以提高治疗效果。Gibbs P等报道利用增强3D MR图像比2D获得结果更可靠。Rexilius J 等学者的研究结果也证实这一点[7]。Chen WJ等介绍乳腺癌3D与2D纹理分析结果比较。他们的结果显示在增强后的MR的3D病灶纹理分析结果明显比2D准确。这提示我们在进行图像纹理分析时最好选择增强CT或MR图像提取病灶，然后进一步进行纹理分析。Mayr NA介绍采用增强MR图像选择信号强度比值2.1勾画功能异常病灶，并作为预后参数。增强MR图像不但提高病灶与正常组织对比度，而且提高图像的信噪比。
由于不同脏器在解剖结构、生理功能存在本质的不同。为此，研究者们开发诊断肺、肝脏图像分割的专用的方法，显著提高图像分割的精准度[12，13]。图1是学者们总结不同图像分割技术在肝脏图像分割应用中比较。可以看出，不管哪种方式，对于CT和MRI图像要获得图像分割高精度结果，除选择最佳的图像风格方法外，增强图像是非常重要的。
表1 肝脏不同图像分割方法比较 
5. 多模式图像在图像分割中应用
由于单一模式图像仅仅反映组织细胞功能、代谢和基因表达的一个方面，不同模式图像具有独特的优势。为此，学者建议采用多模式图像融（Multi-modality）和图像进行图像分割。最早使用，而且很成熟的技术是一体化PET/CT的PET与CT融合图像。一体化PET/CT设备中PET和CT图像成像是在等中心情况下获得，PET与CT图像融和具有高的精准度。也有学者将MR或CT功能图像与解剖结构图像直接融合，提高功能图像定位准确度。比如：将CT组织灌注图像，MRI的扩散加权图像（Diffusion Weighted Imaging, DWI）、动态增强图像与未增强的图像进行融合。最近几年发展起来的是一体化PET/MR分子成像设备，是在等中心、相同容积和同一瞬间完成两种模式成像，具有更高的PET与MR图像融合精度。PET/CT和PET/MR设备提供的同机融合图像技术能够提供病灶解剖、功能、血流灌注和代谢等组织细胞信息，再次基础上很容易获得病灶精确的边界，显著提高图像分割精确性。
6. 图像分割在精准定量医学影像中应用和展望
医学图像表现为对比度低、组织和器官的复杂性，以及多样性，不同个体之间存在的差异，即使同一病变在不同的影像设备、是否使用对比剂其图像表现都具有明显的差异。到目前为止，医学图像分割的问题仍然是医学图像图像、图像分析和模式识别中研究的重点和热点。以脏器为中心进行分割方法和技术的研究已经成为发展的趋势。我们相信随着计算机图像处理技术、信息技术、医学成像技术和生物学技术不断发展，图像自动分割技术必将成为临床使用最基本的技术，推动医学影像精准定量化技术发展，加速实现精准医学的目标。
参考文献
1. 周鲜成. 图像分割方法及其应用研究综述.信息技术.2007;12:11-14
2. 杨合超，周雪梅.几种图像分割技术的比较.电子知识与技术，2009；9：2440-2441.
3. 左飞 著。数字图像处理-原理与实践（MATLAB版）电子工业出版社 北京 2014年11月
4. Tai P, Van Dyk J, Yu E, Battista J, Stitt L, Coad T. Variability of target volume delineation in cervical esophageal cancer. Int J Radiat Oncol Biol Phys 1998;42（2）:277–88.
5. Gibbs P, Turnbull LW. Textural analysis of contrast-enhanced MR images of the breast. Magn Reson Med 2003;50:92–98.
6. Rexilius J, Hahn HK, Schluter M, Bourquain H, Peitgen HO. Evaluation of accuracy in MS lesion volumetry using realistic lesion phantoms. Acad Radiol 2005;12（1）:17–24.
7. Chen W, Giger ML, Li H, Bick U, Newstead GM. Volumetric texture analysis of breast lesions on contrast-enhanced magnetic resonance images. Magn Reson Med 2007; 58: 562–71.
8. Mahmond-Ghoneir D, Toussanini G, Constans JM, de Certaines JD. Three dimensional texture analysis in MRI: a prelinintry evaluation in ghomas. Magn Reson Imaging 2003;21:983–987.
9. Mayr NA, Huang Z, Wang JZ, Lo SS, Fan JM, Grecula JC, et al. Characterizing tumor heterogeneity with functional imaging and quantifying high-risk tumor volume for early prediction of treatment outcome: cervical cancer as a model. Int J Radiat Oncol Biol Phys 2012; 83: 972–9.
10. Filippone A, Blakeborough A, Breuer J et al （2010） Enhancement of liver parenchyma after injection of hepatocyte-specific MRI contrast media: a comparison of gadoxetic acid and gadobenate dimeglumine. J Magn Reson Imaging 2010;31（2）:356–364
11. 耿 欢，覃文军，杨金柱等. 基于ＣＴ影像的肺组织分割方法综述.计算机应用研究. 2016;33（7）:1929-1935
12. Gotra A, Sivakumaran L, Chartrand G, et al. Liver segmentation: indications, techniques and future directions. Insights Imaging. 2017 Jun 14. doi: 10.1007/s13244-017-0558-1.
13. K lein S, van der Heide UA, Lips IM, van Vulpen M, Staring M, Pluim JP. Automatic segmentation of the prostate in 3D MR images by atlas matching using localized mutual information. Med Phys 2008; 35: 1407–17.
14. El Naqa I, Yang D, Apte A, Khullar D,Mutic S, Zheng J, et al. Concurrent multimodality image segmentation by active contours for radiotherapy treatment planning. Med Phys 2007; 34: 4738–49.
15. El Naqa I, Grigsby P, Apte A, Kidd E, Donnelly E, Khullar D, et al. Exploring feature-based approaches in PET images for predicting cancer treatment outcomes. Pattern Recognit 2009; 42: 1162–71.
|
e学e用