基于PET/CT图像的自适应阈值分割算法

戴盈欣，吴锐先，王治国

北部战区总医院 核医学科，辽宁 沈阳 110016

引言

随着三维适形和适形调强等放疗技术的发展和在临床的广泛应用[1]，肿瘤病灶位置的准确定位和勾画也越来越受关注，尤其是PET/CT一体机的发展和临床应用使得图像处理更加方便[2]，PET和CT有机结合在一起，有利于病灶靶区的准确定位和准确勾画，进而有助于放疗高剂量区的设置，从而达到提升靶区剂量并降低正常组织照射剂量的目的[3-4]。其过程是先在人体内注射微量示踪剂，经过一段时间示踪剂会完全分布到人体中，进而采用特殊的探测仪检测这些正电子核素在人体各脏器的分布状况。PET图像能够准确反应肿瘤的生物代谢信息，并由此提出生物靶区[5]（Biological Target Volume，BTV）的概念。PET/CT显像将PET图像和CT图像融合在一起，既能反应病灶的解剖结构，又能得到肿瘤的生物代谢信息，有利于病灶靶区的准确定位和精准勾画。

标准摄取值（Standardized Uptake Value，SUV）是PET/CT检查中常用的半定量指标，能够协助进行疾病良恶性鉴别及疗效评价[6]。目前对于肿瘤生物靶区勾画的标准，仍然没有详尽的研究和统一的规范要求。正确认识 SUV值的影响因素，能更进一步指导临床工作。最早使用的阈值确定方法是以最大SUV值的百分比（40%～50%）进行阈值处理[7]；还有相关研究提出将SUV=2.5作为阈值对肿瘤的良恶性进行区分。使用固定阈值技术相关的问题之一是它们没有考虑图像背景因素。Black等[8]建议使用函数(1)来定义最佳阈值。

根据该函数，阈值取决于目标区域平均SUV，并且与背景浓度或目标体积无关。

影响图像SUV值的因素有很多，包括从显像剂注射到PET扫描的时间、注射过程中显像剂在注射部位的渗漏、显像剂残留等问题[9]。因此基于SUV值确定的阈值本身带有一定的局限性，如何找到最佳阈值对肿瘤靶区进行精确分割一直影响着该方法在临床的应用。在肿瘤靶区的确定上，由于恶性肿瘤边界存在着一定程度的浸润区域[10]，即使临床医生手动勾画也难以确保边界的完全准确。与放疗中对射线形状和强度的精确、有效控制相比，在肿瘤过渡边界的准确定位方面的研究已经十分落后。这种状况的根本改观，对医生和患者都具有非凡的意义，本研究即尝试通过提取PET图像梯度信息的方法得到满足肿瘤生物靶区准确分割的自适应阈值，以期达到提高图像分割准确性的目的。

1 材料与方法

1.1 影像资料

本研究使用的所有影像数据均来自北部战区总医院核医学科的Discovery 710 PET/CT，根据受检者身高的不同采集7～8个床位，每个床位采集2 min。针对恶性肿瘤的发生部位进行患者躯干部或躯干+脑部的扫描，读取PET/CT图像数据后选取恶性肿瘤截面最大层的PET/CT图像进行分析处理，以使最大层图像包含较多的病理信息，便于后期对肿瘤区域的分割和确定诊断及治疗方案。本文的研究基于MATLAB 2014a软件平台，通过MATLAB读取PET/CT的原始DICOM影像数据，并对PET做插值和除噪处理，并与同机CT图像进行配准，存储处理后的图像的数字矩阵。

1.2 图像的预处理

本研究使用的数据集是DICOM图像格式的PET/CT图像，CT图像的矩阵为512×512，而PET图像的矩阵为128×128，因此，PET图像的分辨率更低，像素数量有限，不利于图像像素值信息的提取。为了尽可能多地获取肿瘤数据的信息，本研究首先对PET图像进行插值处理，即对同一个靶区位置进行插值处理以增多像素点的数量，以便对靶区部位进一步提取时产生更多的边界图像信息[11]。但原始PET图像经过插值处理后，噪声的像素数量有可能变多，为了减少噪声对处理结果的影响，本研究采用线性滤波算法，点（x，y）像素值由其周围八个邻域求平均得到[12]。因此，图像在该点上的灰度g(x,y)公示如式(2)所示。

m为该模板中包含当前像素在内的像素总个数。经过去噪处理后，可以排除图像个别参差点的存在，降低干扰噪声对图像的破坏效果，使图像看上去更加平滑，边界更加流畅，从而为进一步的图像准确分割、获取更多边界图像信息做了准备，图像预处理结果如图1所示。

图1 图像预处理结果

1.3 PET图像的分割

1.3.1 浸润区域的确定

肿瘤感兴趣区包括肿瘤异常区和浸润区，异常区在影像中表现为高亮区，而浸润区表现为从高亮逐渐变暗，所以在浸润区边缘到异常区之间，像素值会发生较大的变化，而浸润区边缘到非感兴趣区SUV值几乎无变化[13]。经过一次梯度运算后极值点的位置被定义为浸润区与异常区的边界，而最先出现零点的位置则被认为是非感兴趣区与浸润区边界。

（1）将SUVmax点作为肿瘤的中心点：通过对预处理的图像进行全局遍历得到SUVmax，进一步获得该点所在的行和列及中心点的坐标，接下来以SUVmax点为中心提取八个方向的数据计算肿瘤分割标准，其中每个方向间隔的角度为45°，见图2。

图2 八个方向的选取

（2）分别提取八个方向的数据进行一次梯度运算：以图像中SUVmax点所在的行为例，包含图2所示的g1和g5两个方向，提取该方向的SUV数据。图3反映了该方向上SUV值的大小分布情况。接下来对此数据进行第一次梯度的计算，得到g1和g5方向的梯度极值点P1和P5及梯度零点Q1和Q5。如图4所示，根据梯度的特性P1和Q1所在点的范围即为g1方向的浸润区域，以此类推可以得到八个不同方向的浸润区。

图3 SUV值分布

1.3.2 分割阈值的计算

恶性肿瘤的真实边界存在于浸润区域内，在第一次梯度运算的结果上对P点和Q点之间的数值结果再进行一次梯度计算，通过图4可以看出，取P1和Q1之间的二次梯度极大值点T1作为图像在g1方向上的边界点，该点的SUV值即为该方向的分割阈值，同理取二次梯度极大值点T5作为图像在g5方向上的边界点。

图4 g1和g5方向上的梯度

以此类推分别在八个方向上进行二次梯度计算可以获得方向阈值T2～T8，将得到的边界点，即Pi点、Qi点和Ti点在预处理后的PET图像上标记出来，见图5，其中红色点为Qi点、蓝色为Pi点、绿色点为Ti点。

图5 计算结果点的显示

接下来对八个方向的边界阈值求平均值，见式(3)，将八个方向得到的平均阈值作为图像分割的自适应阈值。

其中Th即是分割阈值，表示八个方向的方向阈值。

通过对八个方向二次梯度运算得到八个方向的阈值点，取这八个点的SUV值的平均值得到一个边界阈值，基于此阈值对PET图像进行肿瘤分割，当像素值大于此阈值时认定为肿瘤的区域，获取到肿瘤边界后对肿瘤进行勾画。

2 结果

2.1 性能指标

文中采用基于区域的精度性评价测量方法，对Dice相似性指数（Dice Similarity Coefficient，DSC）、分割真阳率（True Positive Rate，TPR）进行了计算及指标分析，DSC指数常用来度量两个集合的相似性，TPR则表示勾画靶区与金标准相比被正确检出的概率，计算公式如式(4)～ (5)所示。

其中TP代表真正值，说明被预测为正样本，预测是正确的；FN代表假正值，说明被预测为正样本，但预测是不正确的；FP代表假负值，说明被预测为负样本，但预测是不正确的。

2.2 实验结果

为验证本文方法的有效性，本文以中心型肺癌的PET/CT影像数据为研究对象，结果如图6所示。

图6 中心型肺癌分割结果

通过上述图像可以看出本文所选取的自适应阈值可以很好地分割图像，接下来将本文方法与传统阈值法和医生手动勾画的金标准结果进行对比，见图7。可以看出，本文算法的分割结果与医生手动勾画进行比较，无论是在病灶的定位位置，还是在边界的勾画大小方面都能实现基本的一致，而传统阈值法的分割结果受阈值的影响较大。

图7 不同方法的勾画结果

2.3 结果对比分析

使用本文提出的算法对100名患者的PET图像数据集进行分割，将分割的图像作为分割结果，同时请2名经验丰富的核医学科医师对数据集图像进行手动勾画，将手动勾画的结果作为真实结果（金标准）参与评价指标的计算，得出本文方法的DSC指数的平均值为85.26%；TPR的平均值为82.31%，具有重要的临床参考价值。接下来对比三种不同阈值方法的DSC指数和TPR（图8），可以看出采用本文提出的自适应阈值勾画方法得到的DSC指数和TPR较阈值为SUV=2.5时提高了15.14%和17.36%，较阈值为40%SUVmax时分别提高了11.97%和12.47%。通过图像的定量分析可以看出，本文方法在相似性和灵敏性方面较两种传统的阈值法都有明显提高，单因素方差分析显示三种方法分割图像得到的相似性和灵敏性间均有统计学差异（F=81.02、F=217.21，P<0.01）。

图8 不同方法的指标比较

3 讨论

PET/CT能在分子水平上成像，可准确获取病灶区域的代谢功能和解剖结构信息，在病灶组织的边界确定中具有很大的优势。目前，绝大多数的PET显像采用的示踪剂为18F-氟脱氧葡萄糖，因其能准确反映代谢的旺盛程度。因此，SUV值在PET图像的肿瘤病灶定位中有很重要的参考价值。临床上勾画PET靶区方法中使用最多的参数即为SUV。PET图像中，恶性肿瘤区域与正常的组织区域之间存在过渡浸润区，其对肿瘤区域分割、边界定位勾画造成极大的难度，恶性肿瘤的边界往往存在于浸润区域内[14]。传统的基于阈值或者区域的算法只能通过调节相应的参数使其适用于单个图像分割，但并不适用于所有图像的分割，本研究提出的算法是基于自适应阈值进行PET图像自动分割，其中分割阈值是经过像素值信息两次梯度计算得到的，并且仅由所属的PET图像决定[15]，不需要进行人工参数的调节，只需用计算出的分割阈值对图像进行再分割即可。

SUV值是判断病灶良恶性最常用的半定量指标，Ashamalla等[16]研究分析了19例NSCLC患者发现，在PET图像高代谢区域周围存在宽度约为2 mm的浸润区，其SUV值为2.0±0.4，且由中心逐渐递减至浸润区域内。还有些研究者采用SUV最大值的相对百分比法，40%～50%SUVmax阈值被广泛用于PET的大体肿瘤体积（PET Defined Gross Tumor Volume，PET-GTV）的勾画[17-18]。但有研究表明40%SUVmax阈值法勾画的PET-GTV明显低于肿瘤实际的靶区大小。Biehl等[19]研究显示，SUVmax百分比阈值的选择与肿瘤的直径呈负相关，当肿瘤直径≥5 cm时，最佳百分比阈值为15%±6%SUVmax，当肿瘤直径为3～5 cm时为24%±9%SUVmax，当肿瘤直径≤3 cm时为42%±2%SUVmax。由于很多复杂因素影响PET的SUV值，因而其只是半定量性质，加上肿瘤本身的多样性和异质性，很难有一个标准的SUV阈值来正确区分肿瘤组织和正常组织。本研究采用最大SUV值的40%、50%、60%和70%作为肿瘤部位的边界阈值进行分割对比，其中红线区域是以40%SUVmax勾画的，绿线区域和蓝线区域分别对应50%和60% SUVmax，最外层的黄线区域的阈值为70%SUVmax（图9）。

图9 SUVmax百分比分割图

从分割的图像中可以看出，肿瘤的大小影响勾画阈值的选择。肿瘤最合适的分割阈值应该是40%～70%的某个合适的值。正确找到分割的阈值在临床诊断治疗中有着重要的意义，且不同大小的肿瘤病灶所对应的分割比例也是不同的。SUV会随着患者的体质量、体表面积和被注射核素的活性的变化而发生变化，目前正常值范围仍不太确定。因此，这种方法要针对不同的患者图像选取不同的分割比例，这给基于海量患者图像进行诊断的影像科医师和临床医师造成极大的不便。

本研究对PET图像进行了SUV值的计算，使用SUV值矩阵代替原来的图像数据，不仅包含了原图像的灰度特征，同时兼有SUV值的肿瘤定位信息。本研究使用PET图像进行肿瘤的分割，结合CT图像的优势，对PET图像和同机CT图像进行融合，更加清晰地展示了肿瘤病灶的部位以及周围组织的情况，有助于患者的治疗方案确定和预后。针对在PET图像中恶性肿瘤边界模糊、存在浸润区的特点以及传统的图像分割算法的不足，本文提出了一种自适应阈值法，即首先对得到的图像进行预处理（插值、去噪和配准），并以获取的SUV最大值点作为中心点，取八个方向的像素值做第一次梯度计算，将梯度为0和梯度最大值之间的区域定义为肿瘤浸润区域，接下来在浸润区域内进行第二次梯度计算，并以第二次梯度的极值点作为该方向的边界点，此点的阈值为该方向上的阈值，依次求得八个方向阈值，取其平均值得到最终图像分割的阈值。

实验结果表明本文提出的自适应阈值法很大程度上提高了肿瘤生物靶区勾画的准确性，本研究自适应分割阈值的选择是通过对八个方向阈值求和取平均得到的，虽然得到的阈值取得了不错的勾画结果，但并不能充分利用图像的SUV值信息。接下来的研究重点是在所有方向上进行计算，得到一个完整的阈值数组，从而得到更优的分割阈值。此外下一步研究的重点是在阈值的选择过程中加入图像的纹理特征信息。另外本文在进行勾画时选取的感兴趣区只有单个肿瘤的存在，但同一层PET图像中往往有多个肿瘤或者有淋巴结转移的情况，在这种情况下如何对所有肿瘤进行勾画将是下一步研究的重点。