基于CT图像的结肠分割综述20曹剑钊.docx

1、基于CT图像的结肠分割综述20曹剑钊基于CT图像的结肠分割综述1 引言1.1背景及来源结肠癌是最常见的消化道恶性肿瘤之一，占胃肠道肿瘤的第3位，好发部位为直肠及直肠与乙状结肠交界处。超过90%的结肠癌是由结肠息肉长期恶化而造成的。所以，尽量早的检查出结肠息肉并治疗是有效避免结肠癌的有效方法。传统的光学结肠镜检查可以使息肉变得肉眼可见，便于医生诊断，然而它的缺点也很明显：给病人身体带来很大的不适。随着体绘制和可视化技术的成熟，虚拟结肠镜(Virtual Colonoscopy ,VC)技术应运而生。它利用CT或者MRI图像，重建整个结肠内腔的三维结构，通过在整个结肠内部进行漫游来寻找检测结肠内壁

2、上的突起及息肉等异常病变的结构，模拟传统的光学结肠镜检查。虚拟结肠镜具有非侵入性的特点，能够很大程度地减少病人在检查时的不适，适于早期体检和肿瘤的早期发现。本课题来源于东软医疗IT事业部的虚拟结肠镜项目组，目的是实现对结肠CT图像的准确分割，进而为提取中心线和后续虚拟内窥做准备，达到独立开发东软虚拟结肠镜软件，配合东软CT一同使用的目标。1.2虚拟结肠镜检查过程虚拟结肠镜检查可以在拥有CT扫描仪的医院门诊部或治疗中心进行，检查一般分为四个步骤。首先病人要进行清肠准备，一般是扫描的前3-4天只吃流食来避免结肠内残留食物，在扫描前一般还会进食钡餐来标记结肠中没被排净得残留物，同时医生还会给病人置入

3、一个直肠管，向结肠中灌入二氧化碳或空气以便能够使结肠膨胀得到清楚的数据。第二步是给病人进行CT扫描，一般都会扫描两次，一次俯卧，一次仰卧，大约需要10-20分钟，由放射科医生在熟练技师的辅助下完成。扫描过程中，医生会让病人保持不动，并且屏住呼吸几秒钟。第三步，对扫描出来的CT图像进行三维重建和一些预处理。这一步中，对结肠的准确分割是最重要的一步，它直接决定后续检查诊断的准确性。最后一步就是利用面绘制或体绘制在结肠内腔进行虚拟漫游检查息肉。2 研究现状及问题2.1研究现状自1993 年Vining等人首次提出虚拟支气管内窥镜以来, 虚拟内窥镜技术已被应用到许多临床实验和各种医学诊断中, 主要集中

4、在那些具有空腔组织结构的器官上, 如结肠、气管、血管、内耳等。比较典型的应用有美国GE Research & Development Center 开发的虚拟内窥镜医学应用系统(VEMA) , 可以检查人体的多个部位：虚拟结肠、虚拟支气管和虚拟脉管。West Forest 大学虚拟内窥镜研究中心研发了一套Free Flight虚拟内窥镜软件系统。美国Boston SurgicPlanning Laboratory 建立的一种虚拟耳窥镜系统, 以三维形式显示耳的解剖结构来模拟传统内窥镜对内耳的检查过程。法国Laennec Hospital开发的虚拟内窥镜系统主要用来对食管、喉进行虚拟内窥。国内对

5、虚拟内窥镜技术也十分重视, 目前许多重点大学和机构都在研究。其中西北大学的交互式虚拟内窥镜系统、中国科学院自动化所的3DMED 系统已初现成效；浙江大学、中国科技大学等高校也有相关的研究。检查精度是计算机辅助诊断（CAD）必须面对的问题。结肠体的分割是虚拟结肠镜的检查精度的直接影响因素，所以为了保证虚拟结肠镜的检查精度，必须保证结肠分割的准确性和完整性。任何的结肠镜技术，包括虚拟结肠镜，都需要一个清肠的过程。如果结肠内留有残留物质势必会给检查带来不良影响，造成错误的诊断，所以在结肠分割前都要有一个电子清肠的步骤。图像分割是计算机图像处理和计算机视觉中的一个经典问题，其本质问题尚未得到圆满解决，

6、至今仍没有一个通用而且有效的分割方法能够满足不同目的的需要。图像分割的对象是各种数字图像,它主要是根据图像中一个或多个特征将图像分为目标区和背景区,分割结果不但和处理仪器有关也和人本身的视觉特性有很大关系,其中图像处理仪器受很多因素的干扰，使得图像除了目标外还存在随机噪声,同时人的视觉对灰度级别不是严格确定的，因此图像分割是一种典型的结构不良问题。简单的阈值分割不能解决虚拟结肠镜所要求的结肠分割，其原因有两个：第一，CT成像技术自身所带来的部分容积效应（Partial Volume Effect），形成了很多PVE点，如图1所示；第二，在虚拟结肠镜检查前做的清肠准备不完全所导致的结肠内有残留食

7、物或者粪便，而这些残留物又增加了PVE点，如图2所示。这两个问题正是结肠分割面临的最大问题。 图1 边界的部分容积效应 图2 结肠内部有残留物2.2部分容积效应介绍在同一扫描层面内含有两种或两种以上不同密度而又互相重叠的物质时,则所得的CT值不能如实反映其中任何一种物质的CT值，这种现象即为部分容积效应（Partial Volume Effect）。从图1可看出在结肠中黑色气体部分和身体组织之间，气体和白色标记物之间，白色标记物和身体组织之间都有一层PVE点，这些点都会直接影响分割结肠边界的准确性。3 图像分割方法3.1基于聚类的方法聚类就是按一定的相似性度量准则将数据划分成多组具有同类性质的

8、子类，使得子类内部的相似性大于类间的相似性8。不同的出发点和准则通常会导致不同的聚类算法分类法，一种粗略但被广泛接受的分类法是根据生成聚类的特性将聚类分为层次方法(hierarchical clustering)和划分方法(partitional clustering )13。层次方法通过创建一个层次将数据分解成给定的数据集，而划分方法直接将数据划分成预先指定类别数的子类，不需要创建层次结构。临近 (距离或相似性)度量是大部分聚类算法的基础。主要的相似性度量方法有：Mlnkowski距离、Euclidean 距离、City-block距离、Sup距离、Mahalanobis距离、Pearson

9、相关、点对称距离和余弦相似性。度量方法的选择依赖于具体的聚类问题。主要的聚类方法有：(1) 基于平方误差的聚类，如K-means 算法14；(2) 基于混合密度的聚类，如期望最大(EM)算法15和高斯混合密度分解(GMDD)算法16；(3)基于图论的聚类，如基于连通性核的聚类(CLICK)；(4) 基于组合搜索技术的聚类，如遗传引导算法(CGA)；(5)模糊聚类，如模糊C均值聚类(FCM)17；(6)基于神经网络的方法，如自组织映射方法(SOM)；(7) 基于核的方法，如支持向量聚类(SVC)18。3.2基于活动轮廓的方法活动轮廓模型是目前图像分割方法中的研究热点，参数活动轮廓模型(Snake

10、模型)和几何活动轮廓模型(水平集模型)是两类常用的活动轮廓模型。(1) 参数活动轮廓模型Snake模型，即参数活动轮廓模型(parametric active contour model， Snake)19，在感兴趣区域(ROI)的图像特征如边缘或直线附近给出一条带有能量的样条曲线，通过使其能量最小化得到ROI的边界，如公式(3.1): （3.1）它是一个求极小值曲线的泛函问题，因此可以用Euler方程或通过优化方法来求解。文章19用有限差分的方法离散Euler方程，得到了局部最优解。该模型分割图像时存在三个难点:(1) 需要将初始轮廓线放置在ROI的边界附近，且分割结果一般与初始轮廓线的位置

11、和形状有关;(2) 难以分割图像中凹陷区域的边界; (3)曲线在变形的过程中容易收敛于局部的梯度极大值或孤立的边缘处。 (2) 几何活动轮廓模型参数活动轮廓模型分割图像时，要求初始轮廓线设置在ROI的边界附近，且难以分割深度凹陷的区域，变形曲线在演变过程中，不能改变拓扑结构以分割多个目标。文章24在Snake模型的基础上，提出了测地线活动轮廓模型，它与几何活动轮廓模型是等价的，如公式(3.2)： (3.2)称为停止项，一般与Gaussian平滑后图像梯度的强度有关，常取下式(3.3)： (3.3)类似于Snake模型中的气球力；K为演化曲线的曲率，0 为常数，曲率项就等价于Snake模型的刚性

12、力，在曲线的演化过程中，能平滑掉变形曲线曲率较大的部分；式中称为边界吸引项，表示作用于形变曲线的图像数据力在法方向的投影，它将边缘附近的零水平曲线吸引向图像的边缘。该模型能够同时检测多个目标的边界，对凹陷区域也能有效地分割。水平集(Level Set)是Hamilton-Jacobi方程的一种数值解法，它将图像空间中的二维曲线嵌于三维空间曲面中，作为曲面的零水平集。当曲面变形时，零水平曲线也随之演变，这就解决了通过曲线拓扑结构的变化分割多个目标的问题，此外它还能够表示任意复杂形状的目标边界。水平集方法可应用于图像去噪与增强、图像分割、图像修复、运动目标的跟踪等方面。3.3纹理分割在图像分析与机

13、器视觉中，图像分割是一个基本但又困难的工作，而纹理分割又是图像分割中的难题。目前，纹理还没有一个准确的定义，传统的定义为相似结构的重复，但是如何定义相似结构也是个难题。准确的模型需要考虑表面材料的视觉特性、光源的几何特性和成像系统等。纹理分割方法大致可以分为两类：一类是传统的统计模型方法，即通过分析局部空间关系，如共生矩阵20、二阶矩统计21、马尔可夫随机场22和局部线性变换；另一类是滤波理论方法，如Gabor滤波和小波变换。纹理分割过程一般分为如下两步：特征抽取和特征建模。特征抽取在纹理分割过程中起相当重要的作用。可以说，如果抽取的纹理特征能够有效地区分不同纹理，那么纹理分割就变得很容易。目

14、前还没有一种简单有效的方法，可以描述所有的纹理图像，一方面是由于纹理图像的情况太复杂，另一方面是由于对纹理的理解还不够。人们一直不断地尝试着采用各种方法来描述纹理，力求对纹理的描述更准确和符合人类的视觉特性。传统的方法是用k阶统计矩来描述纹理，Gabor滤波方法和随机场方法也被广泛用于描述纹理，最近总变差方法也被用于描述纹理。为了去除噪声、封闭目标结构，还需要平滑特征图像。简单的平滑方法有高斯平滑，更精确的边缘保持平滑方法有非线性扩散方法和边界马尔可夫随机场方法。特征建模就是怎样有效地利用得到的特征图像分割纹理，以取得满意的分割效果。主要的特征建模方法有：区域生长，聚类和阈值，估计理论方法，变

15、差方法等。3.4基于图论的图像分割基于图论的图像分割技术是近年来国际上图像分割领域的一个新的研究热点。该方法将图像映射为带权无向图，把像素视作节点，利用最小剪切准则得到图像的最佳分割。该方法本质上将图像分割问题转化为最优化问题，是一种点对聚类方法，对数据聚类也具有很好的应用前景。令G =(V，E)表示一个无向图，其中节点表示图像像素，边连接节点和。每条边有一个相应的非负权重，表示相邻节点和间的不相似度。在图像分割中，边的权重表示两个像素间的不相似性度量，如灰度、颜色、运动、位置或其他局部分布的差别。早期的基于图论的方法利用固定阐值和局部度量分割图像。Zahn于1971年提出了一种基于图的最小生

16、成树的图像分割方法。Shi和Malik提出了一种规则化剪切准则，它考虑了区域的自相似性。与早期的基于图论的方法比较，具有捕捉图像的非局部特性的能力，但是它的计算复杂度较高，实际应用受到一定的限制。目前，基于图论的图像分割方法的研究主要集中在以下几个方面：(1) 最优剪切准则的设计；(2)谱方法用于分割；(3) 快速算法的设计；(4)其他图论分割方法。4 问题分析4.1结肠分割流行算法医学图像的分割方法很多，大致可分为：(1) 基于区域的方法。这种方法通常基于如下假设：同一目标区域的像素具有相似的特征，例如具有灰度的一致性。阈值法、K均值聚类方法、模糊C均值聚类方法、EM算法、基于Markov随

17、机场的方法、基于分水岭和区域合并的方法等都可划分为这一类；(2) 基于边缘的方法。该方法一般基于图像的梯度信息来确定边界，如各种基于梯度算子方法、基于小波的边缘检测方法、基于曲面拟和的方法等都属于这一类；(3) 综合区域和边缘信息的方法，如结合梯度和区域信息的分割方法、区域竞争法等。与前两种方法相比，它能够获得更好的分割结果。这些方法用于准备工作（清肠）做的较充分的病人的结肠分割上，由于分割技术相对成熟，数据噪声较少，而且对结肠的灰度统计特性和空间占位特性研究比较充分，因而能够得到令人满意的分割效果。然而，医生们经常会遇到病人清肠工作做的不充分的情况，事先服用的钡餐就会把结肠残留物标记出来，这

18、种残留物和空结肠混合的结肠就会给结肠分割带来很大麻烦：(1)增加了PVE点的影响；(2)容易导致结肠分割的不完整。为了解决这两个问题，今年来很多学者研究了很多不同的方法：例如Perry J 等人使用了混合分割方法，这种方法是运用统计学算法通过计算模糊连通性来构造一种Pocket tree，再使用零水平集进行分割；LiHong Li 等人一直致力于使用期望最大化算法，这种全局的统计学算法的优点就是计算精确，但是算法复杂，运算时间较长；Sarang Lakare 等人提出了一种分割射线的方法来寻找结肠边界的方法，这种方法能够很快的寻找边界点并能有效的减小PVE点的影响；Robert L 等人使用模

19、糊类聚和水平集相结合的方法来分隔结肠外壁，但是算法计算量庞大，效率不高。4.2结肠分割拟解决方案基于上述问题和本课题的需要，拟解决结肠分割方案如图3所示：(1) 读入CT图像。(2) 分割出身体部分。(3) 消除肺部的影响。(4) 修正PVE边界。(5) 寻找结肠内部的残留物。(6) 电子清肠并完成结肠分割。在拟算法中，第4步和第5步为核心，其中第4步中使用了Sarang Lakare 等人的分割射线方法来寻找边界，第5步中使用了统计学中期望和方差与改进K-Means方法来计算边界点的归属问题。第4步方法的核心是在CT扫描图像中寻找不同物质间边界的特点，基于这种特点来确定是否为PVE点。在结肠

20、的CT扫描图像中我们可以分为三种不同的边界：空气-组织，空气-高亮，高亮-组织,如图4所示。与Sarang Lakare等人使用的方法4不同处在于寻找分割射线的起始点。本文的方法是在横断面逐层寻找结肠气体部分的轮廓，这样在三维整个数据体中一个立体的轮廓就形成了，这个立体的轮廓的所有体素点即为分割射线的起始点。下一步就是从这些起始点开始，逐点的构造分割射线。如图5所示，从起始点开始，在此点空间六邻域方向分别做射线（方便清楚演示图示为二维四邻域），逐点判断是否为PVE点。沿着分割射线的方向，CT值曲线如图6所示特点。依据这种特点，我们构造了一种迭代，沿着射线逐个检查每一个体素点与下一个与之相邻的体

21、素点的梯度，直到不符合这种特点为止。需要注意的是空气-高亮的边界我们需要特别的强调，因为在这里利用边界特点还需要找到结肠中高亮部分的种子点。空气-高亮边界特点如图7所示。 图4 褶皱和三种不同交界 图5 分割射线（二维） 图6 空气-组织交界处CT值曲线 图7 空气-高亮交界处CT值曲线从图中可以看到空气-高亮过渡的CT值变化较大，上升较快，最后到达高亮部分（LH）CT值趋于直线，这是区别于另外两种交界处的不同特点，依据这种特点我们找出LH的种子点为后面分离结肠高亮部分做准备。第5步我们拟采用改进K-Means方法来计算高亮边界点的归属问题。前提是接到粗略分割数据体，把所有高亮边界点看为是一个

22、总体，而CT数据体每一层的每一个高亮边界圈看为总体的一个样本，而后对每一个边界点的六临域的点进行判断。流程图如图7所示。图7 扩充边界样本库流程图5 参考文献1 S. Lakare, M. Wan, M. Sato, and A. Kaufman, “3D Digital Cleansing Using Segmentation Rays,” in IEEE Visualization, pp. 3744, 2000.2 Perry J. Pickhardt, and J. Richard Choi,”Hybrid Segmentation of Colon Filled With Air a

23、ndOpacified Fluid for CT Colonography” IEEE Trans. Med. Imag, Vol. 25, No. 3, March 2006. 3 R. Gonzales and R. WoodsM, Digital Image Processing, Addison-Wesley 1992.4 Nappi J , Dachman AH , MacEneaney P , et al . Automated knowledge2guided segmentation of colonic walls for computerized detection of

24、polyps in CT colonography J .Comput Assist Tomogr ,2002 , 26 :493 - 504.5 S. Lakare, D. Chen, L. Li, A. Kaufman, and Z. Liang, “Electronic colon cleansing using segmentation rays for virtual colonoscopy”, SPIE Medical Imaging, 4683: 412-418, 2002.6 L. Hong, A. Kaufman, Y. Wei, A. Viswambharan, M. Wa

25、x, and Z. Liang, “3D virtual colonoscopy”, IEEE Symposium on Frontier in Biomedical Visualization, IEEE CS Press, pp. 26-32, 1995.7 Zigang Wang, Xiang Li, Lihong Li, Bin Li1, Daria Eremina, Hongbing Lu, and Zhengrong Liang“An Improved Electronic Colon Cleansing Method for Detection of Polyps by Virt

26、ual Colonoscopy”，IEEE Engineering in Medicine and Biology 27th Annual Conference, 2005.8 Hiroyuki Yoshida, Janne Nppi,” Three-Dimensional Computer-Aided Diagnosis Scheme for Detection of Colonic Polyps”, IEEE Transactions on medical imaging, VOL. 20, NO. 12, 2001.9 D. Chen, Z. Liang, M. R. Wax, L. L

27、i, B Li, and A. E. Kaufman, “A novel approach to extract colon lumen from CT images for virtual colonoscopy,” IEEE Trans. Med. Imag., vol. 19, pp. 12201226, Dec. 2000.10 J. Nppi, P. MacEneaney, A. Dachman, and H. Yoshida, “Knowledge guided automated segmentation of colon for computer-aided detection

28、 of polyps in CT colonography,” J. Comput. Assist. Tomogr., 2002.11 Y. Masutani, H. Yoshida, P. MacEneaney, and A. H. Dachman, “Automated segmentation of colonic walls for computerized detection of polyps in CT colonography,” J. Comput. Assist. Tomogr, vol. 25, pp. 629638, 2001.12 高向军，田联房，王立非，毛宗源.虚拟

29、内窥镜系统的关键技术分析J.计算机应用研究.Vol.25 No.7 Jul.200813 R. Xu and D. Wunsch. Survey of clustering algorithmJ，IEEE Transactions on Neural Netwoeks，2005，16(3):645-678.14 E. Forgy. Cluster analysis of multivariat data: efficiency vs. Interpretability of classificationsJ，Biometrics，1965，21(3):768-780.15 G. Mclachl

30、an and T. Krishnan. The EM algorithm and extensionsM， New York: Wiley，1997.16 X. Zhuang，et al. Gaussian mixture density modeling，decomposition，and applicationsJ，IEEE Trans. Image Process.，1996，5(9):1293-1302.17 F. Hoppner， F. Klawonn， and R. Kruse. Fuzzy cluster analysis: methods for classification，

31、 data analysis， and image recognitionM，New York: Wiley，1999.18 A. Ben-Hur， et al. A support vector clustering methodJ. In 15th International Conference on Pattern Recognition，2000.19 M. Kass， A. Witkin， and D. Terzopoulos. Snake: active contour modelsJ，Int. J. Computer Vision，1987，1(4):321-331.20 I.

32、Elfael and R.Picard. Gibbs random fields，co-occurrnces and texture modelingJ， IEEE Transactions on Pattern Analysis and Machine Intelligence， 1983.5(1):64-69.21 P. Chen and T. Pavlidis，Segmentation by texture using correlationJ， IEEETransactions on Pattern Analusis and Machine Intelligence，1994，16(1):24-37.22 G.Cross and A.Jain. Markow random field texture models