CN109934235A - 一种无监督的腹部ct序列图像多器官同时自动分割方法 - Google Patents

Abstract

本发明公开了一种无监督的腹部CT序列图像多器官同时自动分割方法，对腹部CT序列图像中肝脏、脾脏、左肾、右肾等目标器官进行分割，本发明方法包括：提取并去除输入CT图像中的脊椎和肋骨，并对图像进行裁剪；对裁剪后的图像进行超体素分割，并结合局部线性嵌入、K‑Means算法和解剖学先验生成目标器官的初始轮廓；根据器官灰度信息构建混合灰度模型增强目标器官区域，采用三维Chan‑Vese模型优化器官轮廓，并基于直方图均衡与K‑Means算法分离毗邻器官。本发明方法不需要训练数据，且能够有效检测低对比度图像中目标器官间的弱边缘，有效处理不同序列图像中多个器官的形状和位置差异，实现多器官同时、自动和准确分割。

Description

一种无监督的腹部CT序列图像多器官同时自动分割方法

技术领域

本发明属于医学图像处理领域，具体涉及一种无监督的腹部CT序列图像多器官同时自动分割方法。

背景技术

随着医学成像技术的飞速发展，医学影像在疾病诊断中的地位与日俱增。对腹部CT序列而言，肝脏、脾脏、肾脏等腹部器官的准确分割可以为计算机辅助诊断、腹腔手术导航、放疗计划制定等过程提供强大的技术支持。由于个体腹部CT序列切片数目较大，对多个器官的手动分割不仅费时费力且勾画结果受操作者主观性影响较大。因此，研究腹部CT序列图像多器官自动分割方法具有重要意义。

受成像设备性能、组织运动、个体差异、以及部分容积效应等因素影响，腹部CT图像通常具有复杂性和多样性等特点。此外，由于腹腔器官数目较多且相互毗邻，器官之间会产生灰度重叠以及边界模糊粘连等现象。这些都为腹部CT序列图像多器官的自动准确分割带来很大挑战。

现有的腹部CT序列图像多器官分割方法主要包含基于传统方法、基于统计模型和基于深度学习三类。传统方法大多需要人工干预，且难以分割对比度低、边界模糊的CT图像。基于统计模型的方法通常需要将先验模型与待分割图像进行配准，该过程耗费时间长，且分割结果受配准精度影响较大。基于深度学习的方法需要大量的训练数据，且容易出现过拟合问题。

发明内容

本发明目的在于提供一种无监督的腹部CT序列图像多器官同时自动分割方法。本发明通过以下方案实现：

一种无监督的腹部CT序列图像多器官同时自动分割方法，包括以下步骤：

(1)脊椎和肋骨去除及图像裁剪，具体包括以下步骤：

a.采用指数变换方法y＝e^x-1对输入CT图像进行对比度拉伸，增强脊椎、肋骨与其他软组织的对比度，其中，x为输入图像灰度，y为指数变换后的图像灰度；

b.对指数变换后的CT图像采用OTSU算法与形态学运算提取出脊椎和肋骨，并将其从输入CT图像中去除；

c.根据脊椎和肋骨外围的最小包围盒裁剪脊椎和肋骨被去除后的CT图像，得到裁剪后的CT图像。

(2)目标器官初分割，生成目标器官的初始轮廓，具体包括以下步骤：

a.对步骤(1)所得裁剪后的CT序列进行超体素分割，得到超体素集合S＝{S₁,S₂,…,S_N}，其中，N为超体素数目；对每一超体素，计算其灰度直方图特征，得到高维特征集合Q＝{Q₁,Q₂,...,Q_N}，其中，K_d为直方图的通道数目，即高维空间的维度；N为大于6000小于8000的整数，K_d为大于15小于30的整数；

b.采用局部线性嵌入算法对每个超体素S_i的高维特征Q_i进行非线性降维：首先寻找高维空间中与样本点Q_i的几何距离及特征距离最近的R个样本点作为Q_i的近邻点；然后，计算每个近邻点Q_j对样本点Q_i的线性重构系数W_ij：

其中，α为正则化参数；对于不在样本点Q_i邻域内的其他样本点W_iz＝0；最后，构建局部线性误差能量函数：

其中，I为单位矩阵，y_i∈R^d为高维空间样本点Q_i在低维空间的嵌入，d为低维空间的维度；通过矩阵化及拉格朗日乘子法最小化该能量函数，得到由N个低维特征向量y_i构成的低维特征矩阵Y∈R^N×d，矩阵中每一行对应一个超体素，每一列对应超体素的一个低维特征；其中，R为大于10小于20的整数，α为大于0小于0.1的常数，d为大于4小于10的整数；

c.采用K-Means算法将特征矩阵Y聚成K_C类，生成目标器官，即肝脏、脾脏、左肾、右肾，的候选区域；其中，聚类数目K_C为大于10小于30的整数；

d.基于灰度、体积、相对位置等解剖学先验，从上述候选区域中识别出肝脏、脾脏、左肾、右肾，实现目标器官初分割，得到目标器官初分割结果。

(3)对目标器官初分割结果进行优化，实现目标器官终分割，具体包括以下步骤：

a.首先根据目标器官初分割结果，采用粒计算分别获取肝脏、脾脏、肾脏的灰度范围和并分别构建肝脏灰度模型，脾脏灰度模型，以及肾脏灰度模型：

和

然后计算各灰度模型在每个灰度的最大值，构建混合灰度模型：

f_com(i)＝max{f_liv(i),f_spl(i),f_kid(i)}；

最后根据该混合灰度模型对步骤(1)所得裁剪后的的CT图像进行灰度映射，实现多器官同时增强，得到增强后的CT图像；其中k为控制目标与背景之间对比度的常数，i为图像灰度，和分别为肝脏、脾脏和肾脏灰度的最小值，和分别为肝脏、脾脏和肾脏灰度的最大值；

其中，k为大于0.5小于3.5的常数；

b.构建三维Chan-Vese模型能量函数，优化目标器官初始轮廓：

其中，前两项为数据项，第三项为平滑项，Ω为图像域，u₀为步骤a所得增强后的CT图像，φ为水平集函数，其初始值为步骤(2)所得目标器官初分割结果，(x,y,z)为图像u₀中体素的坐标，λ₁、λ₂和μ分别为控制数据项与平滑项的权重，c_in和c_out分别表示图像u₀在水平集函数φ轮廓内、外的平均灰度值，H(·)、δ(·)和分别为Heaviside函数、Dirac函数和梯度算子；通过Euler-Lagrange公式结合梯度下降法最小化该能量函数，获得多器官轮廓优化结果；其中，λ₁、λ₂和μ均为大于0小于5的常数；

c.为解决由混合灰度模型导致的毗邻器官边界消失问题，首先在步骤(1)所得裁剪后的CT图像中定位两个毗邻器官初始轮廓的交界区域，以该区域为中心，选取大小为H×H×H的三维图像块作为ROI区域；然后通过直方图均衡算法增强该区域内不同器官/组织间的对比度，并利用中值滤波去除噪声，获得增强并平滑后的ROI区域；最后采用K-Means聚类算法将增强并平滑后的ROI区域内像素聚为K_T类，并结合ROI区域内毗邻器官间的灰度关系，准确定位器官边界，实现毗邻器官分离；其中，H为大于60小于100的整数，K_T为大于2小于5的整数。

在第(2)步中，优选N为7000，K_d为25，R为14，α为1e-10，d为6，K_C为15。

在第(3)步中，优选k为1.5，μ为2，λ₁为0.002，λ₂为0.002，H为80，K_T为3。

与现有技术相比，本发明方法有以下几个优点：

本发明提供了一种基于体数据的腹部多器官同时自动分割方法，能够充分利用目标器官的三维空间信息，有效处理多个器官形状和位置的变化，准确度高，鲁棒性强；

本发明方法不需要进行图像配准或构建先验模型，大大节约了对训练数据进行手动勾画需要的时间及人力成本；

本发明方法能够有效检测低对比度图像中各目标器官之间以及目标器官与背景之间的弱边界，准确分离毗邻器官；

本发明方法同样适用于腹部单器官分割。

附图说明

图1本发明实施方式的一种无监督的腹部CT序列图像多器官同时自动分割方法流程图；

图2本发明实施方式的输入CT图像和去除脊椎、肋骨并裁剪后的结果图；

图3本发明实施方式的多器官初分割结果图；

图4本发明实施方式的基于混合灰度模型的多器官增强结果图；

图5本发明实施方式的基于三维Chan-Vese模型的多器官初始轮廓优化结果图；

图6本发明实施方式的毗邻器官分离结果图，即多器官最终分割结果图。

具体实施方式

实施例1

图1所示为本发明实施方式的一种无监督的腹部CT序列图像多器官同时自动分割方法流程图。首先，去除输入CT图像中的脊椎和肋骨并对CT图像进行裁剪；然后，将裁剪后的CT图像进行超体素分割，并利用局部线性嵌入算法、K-Means算法及解剖学先验生成肝脏、脾脏、左肾、右肾等目标器官的初始轮廓；最后，通过混合灰度模型与三维Chan-Vese模型优化器官轮廓，并基于直方图均衡与K-Means算法分离毗邻器官。

下面结合图1，以一实施例详细说明本发明的一种无监督的腹部CT序列图像多器官同时自动分割方法。

(1)去除CT图像中的脊椎和肋骨并对图像进行裁剪，具体实现步骤如下：

考虑到脊椎与肋骨在CT图像中的灰度高于其他器官或组织，本发明首先利用指数变换y＝e^x-1增强输入CT图像中灰度较高的脊椎和肋骨区域并抑制其他灰度较低的软组织，其中，x为输入图像灰度，y为指数变换后的图像灰度；然后采用OTSU算法结合形态学运算在指数变换后的CT图像中提取出脊椎和肋骨，并将其从输入CT图像中去除；同时，为了降低计算负担，根据脊椎和肋骨外围的最小包围盒裁剪脊椎和肋骨被去除后的CT图像，得到裁剪后的CT图像。

图2为本实施例得到的腹部CT图像去除脊椎、肋骨并裁剪后的结果，其中，左图为输入CT切片，右图为去除脊椎、肋骨并裁剪后的CT切片。

(2)对目标器官进行初分割，生成器官初始轮廓，具体实现步骤如下：

a.采用Simple Linear Iterative Clustering算法，即SLIC算法，对步骤(1)所得裁剪后的CT序列进行超体素分割，得到超体素集合S＝{S₁,S₂,…,S_N}，其中N为超体素数目；对每一超体素，计算其灰度直方图特征，生成高维特征集合Q＝{Q₁,Q₂,…,Q_N}，其中K_d为直方图的通道数目，即高维空间的维度；本实施例优选N为7000，K_d为25。

b.采用局部线性嵌入算法对每个超体素S_i的高维特征Q_i进行非线性降维。首先寻找高维空间中与样本点Q_i的几何距离及特征距离最近的R个样本点作为Q_i的近邻点；然后，计算每个近邻点Q_j对样本点Q_i的线性重构系数W_ij：

其中，α为正则化参数；对于不在样本点Q_i邻域内的其他样本点W_iz＝0；最后，构建局部线性误差能量函数：

其中，I为单位矩阵，y_i∈R^d为高维空间样本点Q_i在低维空间的嵌入，d为低维空间的维度；通过矩阵化及拉格朗日乘子法最小化该能量函数，得到由N个低维特征向量y_i构成的低维特征矩阵Y∈R^N×d，矩阵中每一行对应一个超体素，每一列对应超体素的一个低维特征。本实施例优选R为14，α为1e-10，d为6。

c.采用K-Means算法将低维特征矩阵Y聚成K_C类，生成目标器官，即肝脏、脾脏、左肾、右肾，的候选区域。其中，K_C为聚类数目，本实施例优选K_C为15。

d.基于灰度、体积、相对位置等解剖学先验，从上述候选区域中识别出肝脏、脾脏、左肾、右肾，实现对目标器官的初分割，得到目标器官初分割结果。

图3为采用本实施例得到的目标器官初分割结果。其中，左图为高对比度CT图像，右图为低对比度CT图像。从图3可以看出，对于高、低对比度图像，本实施例方法均能有效定位并分离目标器官，但初分割结果较粗糙，细节丢失问题严重，无法满足对分割准确度的要求，需要进一步优化。

(3)对目标器官初分割结果进行优化，实现目标器官终分割，具体实现步骤如下：

a.基于混合灰度模型的多器官同时增强

为了突出目标区域，抑制复杂背景，本实施例首先基于目标器官初分割结果，采用粒计算分别获取肝脏、脾脏、肾脏的灰度范围 和并分别构建肝脏灰度模型，脾脏灰度模型，以及肾脏灰度模型：

和

然后计算各灰度模型在每个灰度的最大值，构建混合灰度模型：

f_com(i)＝max{f_liv(i),f_spl(i),f_kid(i)}；

最后根据该混合灰度模型对步骤(1)所得裁剪后的CT图像进行灰度映射，实现多器官同时增强，得到增强后的CT图像；其中k为控制目标与背景之间对比度的常数，i为图像灰度，和分别为肝脏、脾脏和肾脏灰度的最小值，和分别为肝脏、脾脏和肾脏灰度的最大值。本实施例优选k为1.5。

图4为采用本实施例得到的多器官增强结果，其中第一行为来自不同序列的CT图像，第二行为本实施例方法得到的增强后的CT图像，可以看出，各目标器官被同时增强，且背景得到有效抑制。

b.基于三维Chan-Vese模型的多器官轮廓优化

为了优化目标器官初始轮廓，构建三维Chan-Vese模型能量函数：

其中，前两项为数据项，第三项为平滑项，Ω为图像域，u₀为步骤a所得增强后的CT图像，φ为水平集函数，其初始值为步骤(2)所得目标器官初分割结果，(x,y,z)为图像u₀中体素的坐标，λ₁、λ₂和μ分别为控制数据项与平滑项的权重，c_in和co_ut分别表示图像u₀在水平集函数φ轮廓内、外的平均灰度值，H(·)、δ(·)和分别为Heaviside函数、Dirac函数和梯度算子；通过Euler-Lagrange公式结合梯度下降法最小化该能量函数，获得多器官轮廓优化结果。本实施例优选μ为2，优选λ₁为0.002，优选λ₂为0.002。

图5为采用本实施例得到的多器官轮廓优化结果，可以看出，相较于图

3，优化后的器官轮廓更准确，边缘更平滑，但是受混合灰度模型影响，图像中某些毗邻器官之间，如肝脏与右肾、脾脏与左肾，出现弱边界甚至边界消失问题，导致毗邻器官无法被Chan-Vese模型成功分离。

c.基于直方图均衡及K-Means的毗邻器官分离

首先在步骤(1)所得裁剪后的CT图像中定位两个毗邻器官初始轮廓的交界区域，以该区域为中心，选取大小为H×H×H的三维图像块作为ROI区域；然后通过直方图均衡算法增强该区域内不同器官/组织间的对比度，并利用中值滤波去除噪声，获得增强并平滑后的ROI区域；最后采用K-Means聚类算法将增强并平滑后的ROI区域内像素聚为K_T类，并结合ROI区域内毗邻器官之间的灰度关系，准确定位器官边界，实现毗邻器官分离。本实施例优选H为80像素，优选K_T为3。

图6为采用本实施例得到的器官分离结果，即多器官最终分割结果，其中，左图为高对比度CT图像，右图为低对比度CT图像。可以看出，对于高、低对比度CT图像，本实施例方法均能有效检测目标器官间的弱边界，准确分离毗邻器官。

实施例2

采用实施例1所述方法对XHCSU18数据库提供的10个腹部多器官CT序列进行测试。XHCSU18数据库的多器官序列由中南大学湘雅医院提供，各序列切片大小均为512×512，平面像素间距分布在0.61至0.68mm范围内，层间距分布在0.5至1.0mm范围内。采用戴斯系数(Dice similarity coefficient,DSC)、杰卡德指数(Jaccard index,JI)及平均对称表面距离(Average Symmetric Surface Distance,ASD)三个常用指标对测试结果进行评价，结果如表1所示。可以看出，本发明方法能够有效分割腹部CT序列图像中的肝脏、脾脏、左肾和右肾，准确度高且鲁棒性强。

表1

以上所述并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (3)

1.一种无监督的腹部CT序列图像多器官同时自动分割方法，其特征在于包括以下步骤：

(1)脊椎和肋骨去除及图像裁剪，具体包括以下步骤：

a.采用指数变换方法y＝e^x-1对输入CT图像进行对比度拉伸，增强脊椎、肋骨与其他软组织的对比度，其中，x为输入图像灰度，y为指数变换后的图像灰度；

b.对指数变换后的CT图像采用OTSU算法与形态学运算提取出脊椎和肋骨，并将其从输入CT图像中去除；

c.根据脊椎和肋骨外围的最小包围盒裁剪脊椎和肋骨被去除后的CT图像，得到裁剪后的CT图像；

(2)目标器官初分割，生成目标器官的初始轮廓，具体包括以下步骤：

a.对步骤(1)所得裁剪后的CT序列进行超体素分割，得到超体素集合S＝{S₁,S₂,…,S_N}，其中，N为超体素数目；对每一超体素，计算其灰度直方图特征，得到高维特征集合Q＝{Q₁,Q₂,…,Q_N}，其中，K_d为直方图的通道数目，即高维空间的维度；

b.采用局部线性嵌入算法对每个超体素S_i的高维特征Q_i进行非线性降维：首先寻找高维空间中与样本点Q_i的几何距离及特征距离最近的R个样本点作为Q_i的近邻点；然后，计算每个近邻点Q_j对样本点Q_i的线性重构系数W_ij：

其中，α为正则化参数；对于不在样本点Q_i邻域内的其他样本点W_iz＝0；最后，构建局部线性误差能量函数：

其中，I为单位矩阵，y_i∈R^d为高维空间样本点Q_i在低维空间的嵌入，d为低维空间的维度；通过矩阵化及拉格朗日乘子法最小化该能量函数，得到由N个低维特征向量y_i构成的低维特征矩阵Y∈R^N×d，矩阵中每一行对应一个超体素，每一列对应超体素的一个低维特征；

c.采用K-Means算法将特征矩阵Y聚成K_C类，生成目标器官，即肝脏、脾脏、左肾、右肾，的候选区域，其中，K_C为聚类数目；

d.基于灰度、体积、相对位置等解剖学先验，从上述候选区域中识别出肝脏、脾脏、左肾、右肾，实现目标器官初分割，得到目标器官初分割结果；

(3)对目标器官初分割结果进行优化，实现目标器官终分割，具体包括以下步骤：

a.首先根据目标器官初分割结果，采用粒计算分别获取肝脏、脾脏、肾脏的灰度范围和并分别构建肝脏灰度模型，脾脏灰度模型，以及肾脏灰度模型：

和

然后计算各灰度模型在每个灰度的最大值，构建混合灰度模型：

f_com(i)＝max{f_liv(i),f_spl(i),f_kid(i)}；

最后根据该混合灰度模型对步骤(1)所得裁剪后的CT图像进行灰度映射，实现多器官同时增强，得到增强后的CT图像；其中k为控制目标与背景之间对比度的常数，i为图像灰度，和分别为肝脏、脾脏和肾脏灰度的最小值，和分别为肝脏、脾脏和肾脏灰度的最大值；

b.构建三维Chan-Vese模型能量函数，优化目标器官初始轮廓：

其中，前两项为数据项，第三项为平滑项，Ω为图像域，u₀为步骤a所得增强后的CT图像，φ为水平集函数，其初始值为步骤(2)所得目标器官初分割结果，(x,y,z)为图像u₀中体素的坐标，λ₁、λ₂和μ分别为控制数据项与平滑项的权重，c_in和c_out分别表示图像u₀在水平集函数φ轮廓内、外的平均灰度值，H(·)、δ(·)和分别为Heaviside函数、Dirac函数和梯度算子；通过Euler-Lagrange公式结合梯度下降法最小化该能量函数，获得多器官轮廓优化结果；

c.为解决由混合灰度模型导致的毗邻器官边界消失问题，首先在步骤(1)所得裁剪后的CT图像中定位两个毗邻器官初始轮廓的交界区域，以该区域为中心，选取大小为H×H×H的三维图像块作为ROI区域；然后通过直方图均衡算法增强该区域内不同器官/组织间的对比度，并利用中值滤波去除噪声，获得增强并平滑后的ROI区域；最后采用K-Means聚类算法将增强并平滑后的ROI区域内像素聚为K_T类，并结合ROI区域内毗邻器官间的灰度关系，准确定位器官边界，实现毗邻器官分离。

2.如权利要求1所述的一种无监督的腹部CT序列图像多器官同时自动分割方法，其特征在于，所述的第(2)步中，N为大于6000小于8000的整数，K_d为大于15小于30的整数，R为大于10小于20的整数，α为大于0小于0.1的常数，d为大于4小于10的整数，K_C为大于10小于30的整数。

3.如权利要求1所述的一种无监督的腹部CT序列图像多器官同时自动分割方法，其特征在于，所述的第(3)步中，k为大于0.5小于3.5的常数，λ₁、λ₂和μ皆为大于0小于5的常数，H为大于60小于100的整数，K_T为大于2小于5的整数。