CT图像的颈部淋巴结半自动分割算法

魏 骏，何 凌，车 坤，门 乙，黄 华，张 劲＋，张琼敏

（1.四川大学 电气信息学院，四川 成都610065；2.四川大学 华西口腔医院 头颈肿瘤外科，四川 成都610041）

0 引 言

在颈部淋巴结诊断中，传统的触诊诊断对肿瘤是否发生转移的判断有很高的假性结论，需借助医学影像辅助检查［1－4］。在医学影像诊断技术中，CT 可以较好地对软组织或器官成像，能良好地显示出病变的影像，影像的密度分辨率高。在头颈部CT 图像中，颈部淋巴结与周围结缔组织间的界限模糊，其CT 值与周围软组织相近，且颈部淋巴结的病理复杂、形态小、不规则，不固定存在于某一特殊位置，在其周围充满结缔组织，并存在网状细胞游离于结缔组织中。颈部淋巴结的生理特征和图像的复杂性对放射科医生提取淋巴结的工作带来了困难，医生根据各自经验，逐层对颈部淋巴结勾画边界以得出结论，费时费力且其结论会随各自主观经验判断不同而存在误差［5，6］。目前，已提出基于CT 图像淋巴结提取算法：Adrian Barbu等［7］提出了基于学习的分割算法，Qiang Chen 等［8］提出了基于Snake模型的分割算法，Sebastian Steger等［9］提出了基于单层CT 图像的分割算法，Lars Dornheim 等［10］提出了基于三维稳定弹簧质点模型的分割算法，Johannes Feulner等［11］提出了基于差异性学习和空间先验知识的分割算法。

本文基于头颈部CT 图像，实现对颈部淋巴结的半自动分割，为临床医生提供头颈部肿瘤辅助诊断指标。针对CT 图像中颈部淋巴结与周围软组织灰度差异小、存在粘结的问题，本文提出一种基于统计学知识的半自动分割淋巴结算法，采用遍历阈值提取淋巴结种子点，加入基于统计学的强制停止条件，对获得的种子点进行区域生长，依据颈部淋巴结及周围软组织生理特征及其图像特性，提出淋巴结判决算法，实现颈部淋巴结分割及其体积的计算，为头颈部肿瘤转移提供辅助诊断。

1 颈部淋巴结半自动分割算法

本文提出的颈部淋巴结半自动分割算法，其流程如图1所示。

图1 淋巴结分割算法流程

本文提出的颈部淋巴结半自动分割算法首先对头颈部CT 图像做预处理，提取目标区域减小头颈部器官及颈部淋巴结周围结缔组织对分割算法的影响。在分割算法中利用遍历阈值提取颈部淋巴结种子点，再对种子点进行区域生长，最后根据序列CT 图对生长后的疑似淋巴结进行判别，得到其分割结果。

1.1 预处理

头颈部CT 原始图像包括头颈部所有组织和器官，其CT 值各有不同，软组织的CT 值在＋20至＋40HU 之间，骨骼和牙齿的CT 值为＋800至＋1000HU，为减小对后期淋巴结分割的影响，本文根据人体生理结构手工提取淋巴结分布区域 （region of interest，ROI），如图2所示。颈部淋巴结与周围结缔组织的边界模糊，为减小后期分割泄露的问题，本文对ROI区域进行阈值处理，在保持淋巴结图像信息不变的前提下减小结缔组织对其分割的影响。根据图像的灰度值，图像可以分为两类：C （结缔组织）和珚C（其它组织），对于具有灰度值I（x）的像素点x，按式 （1）做预处理

式中：T——ROI图像直方图拟合曲线的波谷最小值。

图2 预处理

1.2 自动分割算法

本节提出的颈部淋巴结自动分割算法主要包括3个步骤：种子点提取、区域生长和淋巴结判别。

1.2.1 种子点选取

在预处理后的图像中，部分颈部淋巴结与周围软组织之间分界清楚，可以较为简单地提取种子点，如图3 （a）所示。部分颈部淋巴结靠近周围软组织，且颈部淋巴结与周围软组织间隙的灰度值与其本身灰度值接近，不能简单提取出颈部淋巴结种子点，如图3 （a）所示。本文提出的遍历阈值算法可以有效实现此类情况的分割。

本文提出的种子点选取算法根据图像灰度特征，得到图像中非零灰度值的平均值L，将图像在灰度值范围为（T，L］间做遍历阈值处理，其计算公式如式 （2）所示

图3 （b）～ （e）为图3 （a）图遍历阈值算法处理过程中的部分图像，边界清楚的颈部淋巴结为独立连通域，当t值在 （T，L］范围内不断增大时，与周围软组织相连的颈部淋巴结会断开连接，成为独立连通域。在每次阈值处理后，对每次阈值处理的结果再次判断，去除图像缘边的软组织区域，保留下的连通域视为疑似淋巴结区域，并取该区域灰度值最大的一个点作为疑似淋巴结种子点，图3 （f）～（i）分别为图3 （b）～ （e）的种子点结果。图3 （j）为图3 （a）图遍历阈值算法最终种子点结果。

图3 遍历阈值算法

1.2.2 区域生长

该步骤基于1.2.1节得到的疑似淋巴结种子点图进行区域生长，每次生长只针对一个种子点进行。在每次区域生长中，进行以下3种情况的判断：①待生长点为种子点的8邻域；②在原图中，待生长点的灰度值非零；③在生长图中，待生长点的灰度值为零。

对于边界清楚的颈部淋巴结，区域生长过程可正常停止在边界处。而对于与周围软组织相连的颈部淋巴结，容易出现生长泄露的问题。根据种子点是该疑似淋巴结最大灰度值点的条件，以及图像中颈部淋巴结边缘灰度值较低的特征，本文在区域生长中，引入统计学知识作为强制停止条件。在每次8领域生长后，计算所有像素点对应于原图灰度值的平均值和标准差s。由于种子点选取的是该颈部淋巴结的最大灰度值点，在新的像素点生长后，平均值）必然会减小，标准差s也会随着点个数的增加而增大，因此本文在平均值出现增大或者标准差s出现减小的情况时，即生长已泄露到周围软组织区域，立即强制停止生长，并舍弃该次新生长的像素点。

1.2.3 颈部淋巴结判别

在1.2.1和1.2.2的步骤中，会出现下列两种情况需要判别去除：①颈部淋巴结周围软组织存在支状结构的突出；②序列CT 图像中上下层孤立点。

淋巴结判别主要是依据序列CT 图像的上下层关系，若疑似淋巴结在上下层图像中的位置有重叠部分，标记该两层疑似淋巴结为一个整体，以此扫描整组图像。

图4 （d）、（e）中圆框标记的是淋巴结周围软组织存在支状结构突出的情况，圆框中疑似淋巴结的坐标范围对应到图4 （f）的原图即图4 （c）图中存在组织部分，由此可判断图4 （d）、（e）圆框内的是周围软组织的支状突出。此类情况的判别为：判断该疑似淋巴结整体的第一层 （即ROI序列图像的第i层）和最后一层图像 （即ROI序列图像的第j层）所在的位置范围分别映射到ROI序列图像的第i－1层和第j＋1 层中，若在该范围内，其像素的灰度值满足I（x）≥T，则去除该疑似淋巴结整体。

图4 判别情况

图4 （e）中方框标记的是上下层孤立点的情况，判别条件为：以该疑似淋巴结的全体像素坐标域为考察范围，若其上下层图像中该参考范围内的灰度值I（x）＜T 则去除该疑似淋巴结。

1.2.4 三维体积计算

通过自动分割算法，实现颈部淋巴结的分割。根据每位患者CT 图像参数和最后分割结果，逐层逐像素点扫描，得到最终淋巴结的体积，实现辅助临床诊断。

2 实验结果及分析

2.1 实验数据

本文提出的算法应用于5位头颈部肿瘤患者的336张病例CT 图，每一位患者分左右两个颈部淋巴ROI区域，共10组数据，672张淋巴结ROI图像。本数据来源于四川大学华西第四医院CT 放射科，原始图像大小为512×512像素，片层间距1mm，像素间距0.391mm。

2.2 实验结果

本文提出的颈部淋巴结半自动分割算法对5位患者的数据实现批量精确分割。图5列举患者1右ROI部分序列CT 图像的颈部淋巴结分割结果。

其中图5 （a）序列图为患者1右ROI区原图像，图像中存在结缔组织，且颈部淋巴结灰度值与周围软组织接近；图5 （b）序列图是利用遍历阈值算法处理后的种子点图，该算法能提取出所有疑似淋巴结，确保无漏检情况发生；图5 （c）序列图是基于统计学知识的种子点区域生长后的结果图，图5 （d）序列图是采用颈部淋巴结判别算法后的最终结果图，该算法能较精确的实现对颈部淋巴结的分割。

图5 患者1右ROI淋巴结分割结果

临床诊断关注颈部淋巴结是否漏检以及是否对其准确分割。结合临床需求，实验结果重点讨论：①提取的颈部淋巴结数目；②分割后颈部淋巴结的体积计算。

本文中，结合CT 图像的片层间距和像素间距，实现对淋巴结体积的计算。其计算公式如式 （3）所示

式中：N——颈部淋巴结像素个数，SS——像素间距，SD——片层间距，i——颈部淋巴结图像层数。

为客观对本算法进行评估，本文以华西口腔医院放射科医生手工分割结果作为标准，采用TPVF 以及PV 两个评价指标，对颈部淋巴结的分割结果进行统计，其计算公式如式 （4）所示

对采集的5位患者数据，应用本文提出的半自动颈部淋巴结分割算法实现对颈部淋巴结的分割，其分割结果见表1、表2。

本文提出的半自动颈部淋巴结分割算法，实现了对颈部淋巴结的批量精确分割。在实验的5位患者病例中，该算法未出现对颈部淋巴结的漏判，并实现对颈部淋巴结体积的精确分割，如患者1的左侧ROI区域手工分割有14个淋巴结，本算法分割出15个淋巴结，在准确分割出应有的14个淋巴结之外增加了一个 “伪”淋巴结。但对于临床需求来说，医生比较容易从结果中删除多余的 “伪”淋巴结，本算法自动分割的结果筛除了大量类似淋巴结的结缔组织、血管等软组织，大大减少了医生挨个分析、确定淋巴结的工作量，其次，颈部淋巴结体积参数比较直观地提供给医生病人淋巴结生长的统计信息，既便于医生诊断，又能为病人的追踪治疗提供量化的检测结果，在临床诊断上有较高参考价值。

表1 颈部淋巴结数目统计结果

表2 颈部淋巴结体积结果

3 结束语

颈部淋巴结体积参数是诊断头颈部肿瘤是否发生转移的重要指标之一，影响肿瘤的诊断、治疗和预后。针对颈部淋巴结手工分割具有局限性以及淋巴结生理和图像特征复杂的问题，本文提出了颈部淋巴结半自动分割算法。该算法使用遍历阈值处理ROI图像，避免了淋巴结分割的遗漏，在区域生长中引入统计学均值和标准差信息构建的强制停止条件，弥补了只考虑灰度信息带来的生长泄露问题，并根据淋巴结及周围软组织生理特征及其图像特性，对生长后的疑似淋巴结做出判定。本文算法实验于10组颈部淋巴结ROI图像数据中，得到的分割结果与手工分割的标准结果接近，未出现淋巴结的漏判，能在较少的人为干预下获得准确度更高的分割结果，实现对头颈部CT 图像淋巴结分割的批量处理，并能由分割结果计算出淋巴结的体积，为医生临床诊断、治疗和预后提供辅助依据，有效提高工作准确率和效率。

［1］SU Naichuan，LI Chunjie，SHI Zongdao，et al.Positron emission tomography／computed tomography for detecting cervical nodule metastases of oral and maxillofacial cancer ［J］.West China Journal of Stomatology，2012，30 （1）：36－44 （in Chinese）.［苏乃川，李春洁，史宗道，等.正电子发射体层成像／计算机断层扫描在口腔颌面部肿瘤颈部淋巴结转移中的诊断价值 ［J］.华西口腔医学杂志，2012，30 （1）：36－44.］

［2］ZHANG Zhenghua，HUANG Jianqiang，HAN Dan，et al.CT Manifestations of thyroid carcinoma and its correlation with lymph node metastasis ［J］.Head and Neck Imaging，2013（11）：804－811 （in Chinese）. ［张正华，黄建强，韩丹，等.甲状腺癌的CT 表现与颈淋巴结转移的相关性 ［J］.中国医学影像学杂志，2013 （11）：804－811.］

［3］WU Longqiu，LI Jingao，YE Xinqian，et al.Clinical analysis of nasopharyngeal carcinoma with parotid lymph node metastasis［J］.Chinese Journal of Clinical Oncology，2011，38 （2）：100－103 （in Chinese）.［吴隆秋，李金高，叶新芊，等.鼻咽癌腮腺淋巴结转移临床分析 ［J］.中国肿瘤临床，2011，38（2）：100－103.］

［4］CHANG Xiulin，CHEN Zhongwei.Diagnosis of metastatic tumors in neck lymph nodes［J］.Journal of Dental Prevention and Treatment，2010 （5）：274－278 （in Chinese）. ［常秀林，陈仲伟.颈部淋巴结转移性肿瘤的诊断 ［J］.广东牙病防治，2010 （5）：274－278.］

［5］Adrian Barbu，Nathan Lay.Artificial prediction markets for lymph node detection ［C］／／4th IEEE International Conference on E－Health and Bioengineering，2013：1－7.

［6］CHEN Yangchun，CHEN Ping.Tumor volume assessment by morphological image processing－a feasibility analysis ［J］.Medical Theory and Practice，2012，25 （14）：1692－1703 （in Chinese）.［陈仰纯，陈萍.形态学处理在肿瘤体积测量中的可行性分析［J］.医学理论与实践，2012，25 （14）：1692－1703.］

［7］Barbu A，Suehling M，Xu X，et al.Automatic detection and segmentation of lymph nodes from CT data ［J］.IEEE Transactions on Medical Imaging，2012，31 （2）：240－250.

［8］Chen Q，Fang Q，Xu JJ，et al.Snake model－based lymphoma segmentation for sequential CT images［J］.Computer Methods and Programs in Biomedicine，2013，111 （2）：366－375.

［9］Steger S，Ebert D，Erdt M.Lymph node segmentation in CT slices using dynamic programming ［C］／／8th IEEE International Symposium on Biomedical Imaging：From Nano to Macro，2011：1990－1993.

［10］Dornheim L，Dornheim J，Rssling I.Complete fully automatic model－based segmentation of normal and pathological lymph nodes in CT data ［J］.International Journal of Computer Assisted Radiology and Surgery，2010，5 （6）：565－581.

［11］Feulner J，Zhou S，Hammon M，et al.Lymph node detection and segmentation in chest CT data using discriminative learning and a spatial prior ［J］.Medical Image Analysis，2013，17 （2）：254－270.