不同计算机自动分割算法对不规则脑出血CT图像分割的对比研究

杜一凡，瞿航，王苇，赵义

1. 大连医科大学 研究生院，辽宁 大连 116023；2. 扬州大学附属医院 放射科，江苏 扬州 225009

引言

随着医学成像设备的发展和计算机技术的进步，人工智能软件已经在临床上得到广泛的应用，可对临床治疗方案的制定起到一定的辅助作用[1]。其中一个重要基础就是对影像检查图像数据的处理，更为精确地分割、识别病灶区域对后期诊断的准确性起到关键的作用[2]。脑出血是神经系统最常见的疾病之一，具有病情变化迅速，病残率高，死亡率高的特点。CT 是临床诊断脑出血最重要的方法之一，CT 影像提供的诊断信息包括出血部位、出血量、中线移位及脑室受压程度等[3]。对CT 图像的病变区形态特征进行提取和分割，以及影像学征象进行识别，是脑出血影像学分析的重要基础，同时具有重要的临床意义[4]。自发性脑出血CT 影像中存在出血形态不规则、边界不连续、运动伪影较大、高噪声等特点[5]，运用分割算法对CT 影像中出血区域精确分割是影像评估的基础。

近年来，越来越多的图像分割算法应用于医学图像辅助诊断，如腹腔实质脏器分割等[6]。脑出血相关的研究同样较多，但分割精度和实际临床应用价值有待进一步提高[7]。基于此，近年来有研究者在颅脑出血CT 图像分割方面进行了大量的工作，主要是基于区域和基于边界的分割，包括阈值法、区域生长法、基于梯度的边缘检测、模糊聚类、基于活动轮廓模型等方法，目前常用的软件算法对于规则、连续的病灶区识别及分割有较好的效果，而对边界不规则、不连续及含高噪声的脑出血的分割效果较差[8]，如CV 模型、LBF 模型等均是经典的基于区域活动轮廓模型，部分模型使用局部高斯分布来拟合局部区域的灰度分布，对灰度不均匀的图像具有比较好的鲁棒性。然而此类模型也存在一定不足，如没有考虑到图像区域信息，只是采用梯度信息计算边界停止函数容易产生边界泄露；此外局部区域活动轮廓模型具有对初始的位置敏感、容易陷入局部最优和对凹陷区域不能收敛[9]等缺点。近年来，随着计算机图像处理技术的发展，结合不同分割算法的图像分割方式已得到了较多应用，如王琴琴[10]提出的基于模糊C 均值和随机漫步的CT 肝脏图像分割算法；Ma 等[11]提出的基于人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）和模糊C 均值聚类的混合图像分割方法等。本研究尝试结合空间域模糊C 均值聚类（Fuzzy C-means，FCM）算法以及距离规则化水平集算法，得到模糊聚类水平集算法（Fuzzy Clustering and Distance Regularized Level Set Evolution，FCRLS），理论上这种算法能充分考虑空间域模糊聚类后的信息，分割的曲线演化更准确，且分割结果较为稳定，是目前较优的分割算法之一。基于此，本研究以人工勾画病灶区图像为标准，通过采用戴斯相似性系数（Dice Similarity Coefficient，DSC）、杰卡德指数（Jaccard Index）、相对体积差（Relative Volume Difference，RVD）等指标对比FCRLS、阈值法、区域生长法对于不规则脑出血CT 图像病灶分割的精确度，旨在探寻不规则脑出血分割的最优算法，为临床辅助诊断和后续治疗提供理论依据。

1 材料与方法

1.1 病例筛选

选取2019 年5 月至8 月因自发性脑出血于本院影像科接受颅脑CT 平扫检查的患者。排除标准：临床病历记录为外伤史后出现颅内血肿的患者；脑部存在肿瘤和（或）其他占位性病变的患者；梗死后出血的患者。首轮筛选采集20 例患者的不规则脑出血图像纳入本研究，包括长梭形、哑铃型、多角形、破入脑室型，且与规则血肿相对集中的类圆形相区别[12]，其中1 例破入脑室，图像均来源于西门子Force CT 机，使用相同的成像参数。每例患者选取病灶最大层面，在计算机分割病灶之前，进行人工边缘勾画，所选图像由两名具有副主任医师以上职称放射科医师于不同时间段分别勾画3 次，并协商后确定最终的分割边界。以明亮标记线标记，作为血肿模的参考模板确认，为不同算法分割后验证效果提供参考对比基线。

1.2 数据处理

本研究所有算法均采用基于矩阵实验室的平台Matlab（version 2013a）进行编译。

（1）灰度阈值法：由于脑出血在CT 图像上呈现高密度，CT 值较高，周围脑实质是软组织，CT 值较低，呈现为暗区域。通过图像的直方图可以看出，脑出血与周围脑实质区别较大。经过既往经验和目测，出血的CT 值为60～80 HU，因此，本研究设定图像的手动阈值分割的临界点为60～80，其定义见公式（1）。

式中，f(x,y)表示原图像的CT 值；g(x,y)表示经过手动阈值分割后的新图像的灰度值。利用图像中要提取的目标与背景在灰度上的差异，通过设置阈实现目标与背景的分离，从而将病灶转换成二值图像。

（2）区域生长法：区域生长算法是一个迭代过程，选取一个合适的生长阈值对生长点上、下、左、右四个邻接点考察，若邻接点灰度值与初始生长点灰度值之差小于生长阈值，则该像素点属于颅内出血区域，表达方式见式（2）。

式中，I表示当前像素的灰度值；Iseed表示种子点的灰度值；Imax与Imin分别表示图像中的最大灰度值与最小灰度值；λ表示可调节的参数，用来控制像素之间的均匀性相似度门限。将满足此公式的邻近像素并入到种子区域中，合并后的像素点作为新的“生长起始点”，继续考察其邻接的四个点，依次类推，直至识别出整个出血区域。

（3） 模糊聚类：在分割时采用隶属度来区分不同的类别，根据类内相似性、类间相离性准则对图像像素点划分归类，通过不断迭代使代价函数最小化完成聚类，FCM 聚类算法用U 函数表示第i个像素值与第k个聚类中心的模糊隶属度，成员函数uik和聚类中心vk根据公式（3）公式不断迭代求解。

式中，m为作用于模糊隶属度的权重指数；vk代表第k个聚类中心；c代表聚类类别数；通过函数不断迭代，使目标函数J达到接近极小值，停止迭代，根据隶属度大小，将每个像素点最终归类，见图1。本研究中函数参数设置为隶属度权重指数L=2，目标函数的最小误差为le-5，类别为5，最大迭代次数=500。

图1 基于不同方法的不规则脑出血CT图像分割结果展示

（4） 在聚类分割的基础上，通过能量函数极小化的方式，不断地演化轮廓曲线，最终使得轮廓曲线因能量函数达到极小值而停止演化。本研究运用双势肼（Double-Well）函数，函数表达式见公式（4）。

双势肼改进距离规则化项，解决了单势肼扩散率为负无穷大的问题，应用到图像分割采用的能量泛函见式（5）。

式中，μ、λ、υ分别为各能量项系数；μRp()为距离规则化项；后两项为外部能量项。μ是水平集函数初始化内部能量项，采用0.2 的值；λ用于控制轮廓平滑的规则化参数；υ为气球力参数，取值值越大，表示曲线演化速度越快，符号为正时表示曲线收缩，取负值时是曲线扩张[13]。g为边缘指示函数；δ(x)为Dirac 函数；H(x)为Heaviside 函数，在本研究中表达式见公式（6）。

综合以上公式，可将能量函数表达式改写为公式（7）。

本研究水平集模型采用了双势肼函数以改进距离规则化项，增加了结果的稳定性及准确性。

1.3 模型定义及计算方式

采用人工勾画的感兴趣区作为标准模板，分别对不同算法得到的分割结果进行定量分析，采用Dice 系数、杰卡德指数（Jaccard Index）来衡量对病灶的分割效果。Dice 系数代表正确分割的区域占总区域的比值，计算方式为：2×正确分割的结果/（标准模板+分割结果）。Jaccard 系数主要用于计算样本间的相似度，Jaccard 系数的计算方式为：样本交集/样本并集。RVD 表示两者体积之间的差异，计算公式为：（标准模板-分割结果）/两者的交集×100%。

1.4 统计学分析

采用SPSS 17.0 统计学软件进行数据分析，计量资料用（±s）表示，采用配对t检验进行分析，以P＜0.01 为差异有统计学意义。

2 结果

本研究共比较了20 例不规则脑出血患者的图像，通过与人工勾画结果对比，得到三种不同分割方式的Dice 系数、Jaccard 系数及RVD 值。如表1 和图1 所示，FCRLS 的Dice、Jaccard 系数大于灰度阈值法和区域生长法，差异具有统计学意义（P＜0.001）；FCRLS 的RVD 值小于灰度阈值法和区域生长法，差异具有统计学意义（P＜0.001）；灰度阈值法与区域生长法的Dice 系数、Jaccard 系数及RVD值差异无统计学意义（P＞0.01）。以上结果表明，FCRLS分割算法相对于灰度阈值法及区域生长法，与人工勾画结果相似性更高。

表1 不同分割算法的比较结果

3 讨论

本研究结果显示，FCRLS 相比灰度阈值法和区域生长法具有更好的配准相似度，与标准模板更为接近，对于不规则血肿的分割效果相对更好。阈值分割法是目前比较常用的分割方法，可以分割具有高对比度的出血病灶，但是不能精确分割对比度较弱、模糊边界和非均匀性的病灶，容易出现较大的分割误差[14]。区域生长法的分割方法虽然利用了像素之间邻域的空间信息，但需要人为的选择初始种子点，不能实现自动化分割，具有一定的主观性[15]；同时需要根据先验知识设定阈值，当阈值选择不合适时，会产生错误的分割，并且容易将相邻的高密度的大脑镰、蛛网膜下腔识别为血肿[16]，本研究同样出现将蛛网膜下腔识别为血肿的情况。

图2 不同算法的戴斯相似性系数、杰卡德指数和相对体积差

本研究提出了空间域模糊聚类与距离规则化水平集算法，其集合了空间域模糊聚类以及水平集算法两种算法的优势，并弥补彼此的不足：①FCRLS 在图像边缘勾画更加准确。分析原因为空间域的FCM 算法，在算法中使用了核函数来进行距离测度，改进了传统算法忽略了邻域像素的空间信息的缺点[17]，使得算法的鲁棒性得到增强[18]。同时模型采用Double-Well 函数改进原模糊聚类水平集算法中的距离规则化项，解决了单势肼扩散率为负无穷大的问题，使得算法分割结果更精确；②FCRLS 是一种自动聚类算法，无须人工干预，减少了因操作者因素造成的分割误差。传统水平集分割算法需要人工初始化，对图像灰度不均、边界模糊和初始轮廓位置较为敏感，难以在目标边界附近收敛[19]，算法分割结果不稳定，且对于不同的分割对象，需优先配置不同的参数。模糊聚类的加入代替了人工初始化过程，提高了分割精度同时加快了分割速度。分割的曲线演化更准确，分割结果更稳定[20]；③FCRLS 算法中自适应函数的加入提高了算法的通用性。在前期对模型调试的过程中，发现优化的FCRLS 参数设置对病灶区域的分割同样重要，模型聚类数目设置为5，步长τ设置为3，内部能量项μ设置为0.2，高斯核函数经向作用范围б设置为3，Dirac 函数规则化参数ε设置为1.5，轮廓演化的规则化参数λ设置为3 时分割结果更接近真实病灶区域。

已有相关文献指出，急性脑出血患者的出血量、血肿厚度、出血位置等因素都反映了患者的严重程度与早期预后，从而影响诊断以及治疗的选择[21]。而对血肿区域的准确性分割，是一切评估的基础。因此，快速而准确的分割血肿至关重要。本研究充分展示了模糊聚类水平集算法对脑出血的精准分割，同时通过比较不同分割算法对不规则脑出血的分割准确性，对计算机在此方面分割算法的优化和选择提供了参考。未来的研究可能更多应用深度学习技术以得到更精确的结果，为临床诊疗提供更好的参考。

4 结论

本研究提出一种基于结合空间域模糊聚类水平集分割的脑出血CT 图像分割算法，并与灰度阈值、区域生长法进行结果对比，结果表明，结合空间域模糊聚类水平集分割算法能充分考虑空间域模糊聚类后的信息，对于不规则脑出血病灶的自动分割提取具有最好的准确性，有助于临床辅助诊断和后续治疗。但本研究也存在一定不足，如未能进行三维空间结果的对比，今后将进一步精进算法，提高其精细度及稳定性，并将本研究算法应用于蛛网膜下腔出血等方面。