肝细胞肝癌CT图像纹理分析分割技术的初步研究

王戚玲　汪兵　利玉林　成官迅　向子云

摘 要：目的 探讨机器自动分割肝癌CT图像纹理特征的可行性。方法 用强度、纹理、形状和边缘的图像特征来描述分割的情况，计算从操作者分割提取的特征与机器分割的相关性，测量不同操作者分割CT图像与机器分割CT图像的一致性。结果 操作者在选择不同层面时并不一致。操作者的分割结果也并非重叠。每个机器分割与其操作者手动分割的平均重叠程度与两个操作者之间的重叠程度相当（74% vs 69%）。机器分割与操作者手动分割组内相关性（ICC）结果表示纹理和强度特征是最显著的，边缘和形状特征最小。结论 本研究通过在每个操作者分割的最大圆来确定机器自动分割，从而有助于临床中可以更快、更准确的对CT图像进行分割。

关键词：影像组学；影像特征；分割

中图分类号：R735.7 文献标识码：A DOI：10.3969/j.issn.1006-1959.2018.11.027

文章编号：1006-1959（2018）11-0089-04

Preliminary Study on Segmentation Technique of Texture Analysis of Hepatocellular Carcinoma CT Image

WANG Qi-ling1，WANG Bing1，LI Yu-lin1，CHENG Guan-xun1，XIANG Zi-yun2

（1.Department of Medical Imaging，Shenzhen Hospital，Peking University，Shenzhen 518036，Guangdong，China；

2.Department of Imaging，Shenzhen Longgang District People's Hospital，Shenzhen 518172，Guangdong，China）

Abstract：Objective To explore the feasibility of automatic segmentation of liver cancer CT image texture features.Methods Intensity，texture，shape，and edge image features were used to describe the segmentation conditions.The correlation between the segmentation feature extracted from the operator and the machine segmentation was calculated，and the consistency between different operator segmented CT images and machine segmentation CT images was measured.Results Operators are inconsistent when choosing different levels.The operator's segmentation results are also not overlapping.The average degree of overlap between each machine segment and its operator's manual segmentation is comparable to the overlap between the two operators（74%vs69%）.Machine segmentation and operator manual segmentation of intra-group correlation（ICC）results indicate that texture and intensity features are the most prominent，with minimal edge and shape features.Conclusion In this study，the automatic segmentation of the machine is determined by the maximum circle segmented by each operator，which helps to quickly and accurately segment the CT image in the clinic.

Key words：Radiomics；Image features；Segmentation

影像組学（radiomics）是指高通量地提取大量描述肿瘤特征性的影像特征，以深度挖掘图像信息，并从海量的影像图像中提取大量的定量特征，通过量化分析来提高诊断准确率[1]。提取定量特征的第一步是对肿瘤进行分割，对肿瘤CT图像的手动分割是一项非常耗时且繁杂的工作，需要在大量的CT图像中的各个层面进行肿瘤边界的手动分割，此外，手动分割CT图像并不能做到完全一致，分割的形状或位置具有可变性[2]。目前，已经开发了多种自动和半自动图像分割算法来勾画肿瘤边界，提高了一致性并减少了分割肿瘤所需的时间，但也并不总是能够区分肿瘤边界不清的病例[3]，尤其在肝脏肿瘤中因边界难以确定，导致操作者在勾画肿瘤时不一致，最终造成诊断结果的不可靠。本研究尝试一种新的方法，可以用一个简单的过程自动分割图像，以获得肿瘤图像子集。通过在每个操作者分割的最大圆来确定机器自动分割，从而可以更快、更准确的对CT图像进行分割。

1资料与方法

1.1一般资料 回顾性分析2016年6月～2017年6月于北京大学深圳医院确诊为肝细胞癌的患者26例，其中男16例，女10例，年龄41～78岁，平均年龄（62.54±18.65）岁。

1.2方法 使用西门子CT仪（Siemens Definition Flash）和GE公司CT仪（GE Discovery 750 HD），分别行平扫及三期（动脉期、静脉期、延迟期）扫描，扫描参数为：智能kV和mA技术（100～120 kV，150～450 mA），层厚3 mm，造影剂用量为1.2 ml/kg，注射速率为3.5 ml/s团注，三期扫描时间分别为注射造影剂后20～25 s、65～75 s、110～120 s。

1.3图像处理方法

1.3.1图像分割 由具有丰富诊断经验的四名放射科医师独立观察每幅CT图像，选择肿瘤的中心层面及其上、下两个层面，使用开源注释工具（ePAD）手动勾画每个层面中的肿瘤边界，每个操作者独立完成312个分割数据集，共1248个分割数据集。

1.3.2机器分割 从每个操作者勾画的边界中，通过计算最大周长的内切圆自动确定一个机器分割图。原理是先在原始分割中创建一个等距点网格，然后选择离分割边界最远的点，在等距点周围创建一个更小、更精细的采样网格，重复这个过程直到获得设定的精度阈值点，并将最后点的位置和距离原始分割边界的最小距离分别作为机器分割图的中心和半径[4，5]，对原始分割的像素空间分布进行采样，去除有关形状的信息。从图像内的感兴趣区域（region of interest，ROI）提取定量特征的算法，特征可以被分类为测量强度、形状、边缘以及纹理特征[6]，见图1。

①强度特征本研究提取以下统计指标表征ROI内部的特征值：均值、方差、峰度、偏度、熵、最大值和最小值。然后测量强度值之间的范围的对比度，使用两种方法来衡量对比度：迈克尔逊对比度和均方根方法[7，8]。

迈克尔逊对比度为：

Imax和Imin分别为ROI的最大值和最小值。

均方根方法为：

Iij是ROI位置处的强度值，I是平均强度值，M和N是ROI的高度和宽度，均方根对比度为图像的灰度强度的标准偏差。

②边缘特征病变边缘的表征方法：首先沿边界选择分割的点，在选定的点处计算垂直于分割边界的向量，再从边界的每一边延伸几个像素拟合成线段，并且沿该线段对图像强度值进行采样[9，10]，最后通过拟合S型函数来表征采样值：

I0是偏置强度，S是窗口的尺度，W是窗口的宽度，回归方程提供了S、W、I0和？字0方面每个点的边界参数化。

③纹理特征：纹理特征分析使用文献中常用的算法：Gabor滤波器、Haralick特征和小波分解[11，12]。Gabor滤波器是一个用于边缘检测的线性滤波器，其频率和方向表示接近人类视觉系统对于频率和方向的表示，在空域一个二维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积，具有在空间域和频率域同时取得最优局部化的特性，与人类生物视觉特性很相似，因此能够很好地描述对应于空间频率（尺度）、空间位置及方向选择性的局部结构信息。Haralick特征是从灰度共生矩阵中获取的一组统计测量，灰度共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础[11]。为获得旋转不变特征，本研究计算四个方向（0度、45度、90度和135度）的Haralick特征，并得到最大值、最小值、平均值和标准偏差[12]。

1.3.3度量 ①重叠：为了分析层面中的iROI之间一致性，本研究将重叠的比率定义为[13]：

其中k代表一致性，Ok定义为相交与重叠之间的比率。

②功能一致性：使用组内相关性（intra-class correlation，ICC）來测量不同操作者分割CT图像与机器分割CT图像所提取特征的一致性。 ICC表示组内的相似性，用来量化不同人所测量的一致性[14]。ICC值增高表示一个特征在多个测量中是一致的，表示为：

MSR是行的均方，MSE是行的均方误差，MSC是操作者的均方，n和k分别表示行和列的总数。在本研究中行代表每个层面提取特征，列表示可以由不同的操作者和/或不同的方法（如，轮廓、机器分割）提供的不同分段。

1.4观察指标 通过图像处理算法提取病灶内部各种特征，包括小波、均方根对比、Gabor滤波器和Haralick特征，总共有594个特征。

1.5统计学方法 采用SPSS 16.0统计分析软件进行分析，计数资料以（%）表示，采用？字2 检验，计量资料用（x±s）表示，组间比较采用双样本t检验，以P<0.05表示有统计学差异。

2结果

2.1切面选择差异 操作者在选择不同层面时并不一致，见表1。

2.2操作者之间重叠 由于操作者可以自由地选择层面进行分割，所以其分割结果并不总是重叠，见表2。

2.3操作者分割与机器分割之间的重叠 每个机器分割与其操作者分割的重叠，平均重叠程度与两个操作者之间的重叠程度相当（74% vs 69%），两位操作者间差异无统计学意义（P>0.05），见表3。

2.4特征的一致性 机器分割与操作者手动分割之间的ICC结果见表4，表明小波和RMS对比一致性最高，形状和边缘一致性最低。

3讨论

为了提取肝细胞肝癌CT图像机器分割以获得肿瘤图像子集，本研究采用强度、纹理、形状和边缘等图像特征评价分割的情况，机器分割是通过自动追踪轮廓中勾画的最大圆来实现。通过ICC比较每个操作者使用手动分割与机器分割提取的特征，计算四个特征值（强度，边缘，形状和纹理）的ICC值，结果显示纹理和强度特征最显著，边缘和形状特征最小。文献报道ICC>0.8表示强相关性[15]。本研究显示，小波、均方根（root mean square，RMS）对比、Gabor滤波器和Haralick特征具有ICC>0.8，共有594个特征，这些特征对于分割方法（自动分割）是高度稳定的。

表2显示HCC的边界划分并不一致，可能由于强化对比度并不高、密度值不均匀以及周围CT噪声。边界的这种不确定性，导致机器分割十分困难。本研究中操作者可以2D、3D勾画肿瘤边界，然后从轮廓自动计算自动分割、勾画肿瘤的边界。

表3显示了机器分割与操作者手动分割的重叠对比，我们发现从机器分割中提取的特征一致性与从操作者手动分割提取的特征区别并不大，在1248个特征中有594个特征显示ICC>0.8（强相关）。虽然四个特征类别之间相对稳定，但是每个类别中的单个特征可能比所示的平均值更加稳定。机器分割的主要优势是相对容易获取，但使用机器分割的主要缺点是关于边界形状及边缘清晰度信息的丢失。这是基于算法假设所有机器分割图形都是基于圆形，这可能不符合实际的肿瘤边界，而操作者勾画的形状是与实际的肿瘤形状保持边缘接近。

比较操作者重叠度是为了验证不同操作者间的稳定性，通过计算操作者分割与机器分割之间的ICC分数，分析哪些特征对于机器分割来说最稳定。结果显示纹理和强度特征最稳定，说明我们可以通过获取相关信息得到简单机器分割的方法，本研究中模拟成原始轮廓内最大的圆圈。特征一致性因所选切面之间的距离而异，使用分割时这种差距会减小。

参考文献：

[1]Doi K.Current status and future potential of computer-aided diagnosis in medical imaging[J].Br J Radiol，2014，78（1）：3-19.

[2]Kamble R，Kokare M，Deshmukh G，et al.Localization of optic disc and fovea in retinal images using intensity based line scanning analysis[J].Comput Biol Med，2017，87：382-396.

[3]Lambin P，Riosvelazquez E，Leijenaar R，et al.Radiomics：extracting more information from medical images using advanced feature analysis[J].European Journal of Cancer，2012，48（4）：441-446.

[4]Chen W，Giger ML，Bick U.A fuzzy c-means（FCM）-based approach for computerized segmentation of breast lesions in dynamic contrast-enhanced MR images[J].Academic Radiology，2006，13（1）：63-72.

[5]Cai W，He B，Fan Y，et al.Comparison of liver volumetry on contrast-enhanced CT images：one semiautomatic and two automatic approaches[J].Journal of Applied Clinical Medical Physics，2016，17（6）：118.

[6]Tae WS.Regional gray matter volume reduction associated with major depressive disorder：a voxel-based morphometry[J].iMRI，2015，19（1）：10-18.

[7]Caceres A，Hall DL，Zelaya FO，et al.Measuring fMRI reliability with the intra-class correlation coefficient[J].Neuroimage，2009，45（3）：758-768.

[8]Rubin DL，Willrett D，O'Connor MJ，et al.Automated tracking of quantitative assessments of tumor burden in clinical trials[J].Translational Oncology，2014，7（1）：23-35.

[9]Balagurunathan Y，Gu Y，Wang H，et al.Reproducibility and Prognosis of Quantitative Features Extracted from CT Images 1，2[J].Translational Oncology，2014，7（1）：72-87.

[10]Dettori L，Semler L.A comparison of wavelet，ridgelet，and curvelet-based texture classification algorithms in computed tomography[J].Computers in Biology&Medicine;，2007，37（4）：486-498.

[11]Gevaert O，Xu J，Hoang CD，et al.Non-small cell lung cancer： identifying prognostic imaging biomarkers by leveraging public gene expression microarray data methods and preliminary results[J].Radiology，2012，264（2）：387-396.

[12]Napel SA，Beaulieu CF，Rodriguez C，et al.Automated retrieval of CT images of liver lesions on the basis of image similarity：method and preliminary results[J].Radiology，2010，256（1）：243-252.

[13]Gevaert O，Mitchell LA，Achrol AS，et al.Glioblastoma multiforme：exploratory radiogenomic analysis by using quantitative image features[J].Radiology，2014，273（1）：168-174.

[14]Gevaert O，Mitchell LA，Achrol AS，et al.Glioblastoma multiforme：exploratory radiogenomic analysis by using quantitative image features[J].Radiology，2015，276（1）：313.

[15]Ionan AC，Polley MYC，Mcshane LM，et al.Comparison of confidence interval methods for an intra-class correlation coefficient （ICC）[J].Bmc Medical Research Methodology，2014，14（1）：121.

收稿日期：2018-1-31；修回日期：2018-5-11

編辑/杨倩