基于CT影像对胸部前纵隔病灶自动分割的方法与流程

基于ct影像对胸部前纵隔病灶自动分割的方法
技术领域
1.本发明涉及医学图像处理的技术领域，尤其涉及一种基于ct影像对胸部前纵隔病灶自动分割的方法。


背景技术：

2.胸部前纵隔病灶术前影像学检查目的是初步的评价肿瘤的恶性程度，进一步可推测其组织病理学改变和进行风险评估，从而辅助术前治疗方案选择及临床预后判断。ct影像学征象评估是基于病灶本身及其与邻近周围组织结构的关系，多采用经验性、观察性指标而非量化指标。影像组学是计算机定量影像学分析方法，可对医学影像图像进行高通量特征提取，但传统影像组学对病灶的分割依赖于人工手动勾画，往往需要设计复杂的勾画标准以尽可能保证手动分割结果的准确性。目前，对于大部分的肿瘤，对其形态学识别基础上仍然采用人工识别和手动勾画方式分割，人工手动勾画病灶的过程因自动化程度低，既耗时又易受人为因素影响。因此，如何开发自动化识别并对病灶理想分割的方法是目前医学图像分割领域重要的研究内容之一。
3.基于ct影像对于前纵隔病灶进行自动分割可提高影像组学流程的自动化程度，提高病灶分割的标准化和准确性，有利于后续影像特征数据的准确提取和提高预测模型的分类性能。此外，对恶性肿瘤性病灶进行分割是放射治疗中常规执行的一项重要的前端流程，采用自动化分割技术对于肿瘤的精准分割可提高放射治疗前病灶的分割速度，提高流程的标准化，从而便于放疗计划中剂量的准确估计和保证疗效评价的标准。
4.已有研究表明，在医学图像自动分割技术中，基于深度学习的病灶自动分割较传统的方法相比具有明显的优势，使用深度卷积神经网络架构可以显著改善图像感兴趣区的分类识别性能和提高病灶分割的精准度。因此，采用 cnn及其相关的衍生网络架构成为当前医学图像病灶分割领域的首选算法。基于cnn而衍生的网络主要有fcn、u-net及v-net等。v_net是基于 fcn和u-net的改良提出的一种可用于3d医学图像分割的全卷积神经网络，它使用体积卷积方法和采用基于dice系数的新目标函数进行训练并在训练期间对模型进行优化，另外v_net还可使用非线性变换和直方图匹配的方式来进行数据增强，可较好的满足医学影像数据量少及可解释性强的特点。然而，由于前纵隔病灶发病率相对较低，目前在其ct影像自动分割方面的研究较少，因此如何对前纵隔病灶进行精准分割仍然面临较大的挑战。


技术实现要素：

5.为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于ct 影像对胸部前纵隔病灶自动分割的方法，其对病灶进行精细分割的结果较好，可以满足后续深度学习的定量特征分析，且为前纵隔病灶的自动分割研究提供了方法学基础。
6.本发明的技术方案是：这种基于ct影像对胸部前纵隔病灶自动分割的方法，其包括以下步骤：
7.(1)ct图像采集：所有患者均进行ct对比增强扫描，获取在胸部纵隔窗重建的薄层图像；
8.(2)在原始ct图像上利用肺与周围组织存在的自然密度差异，采用计算肺组织像素值的方法，设计双肺掩膜文件，去除纵隔以外区域且保留病灶；
9.(3)采用v_net网络对病灶进行初步分割；
10.(4)采用morphological snakes算法对病灶进行精细分割；
11.(5)对分割结果进行评价。
12.本发明首先基于原始ct图像，采用计算肺组织像素值的方法设计双肺组织掩膜文件去除纵隔以外区域，仅保留包含病灶在内的纵隔区域用于病灶在v_net网络中初步分割，这样大大缩小了输入网络图像的复杂度，有利提高分割精度；在对病灶初步分割之后，采用morphological snakes算法对病灶进行精细分割，morphological snakes是采用数学形态学算子进行的轮廓边界的演化方法，能够优化病灶分割边缘，使最后分割结果的边界更加平滑精确且分割结果高效稳定，因此对病灶进行精细分割的结果较好，可以满足后续深度学习的定量特征分析，且为前纵隔病灶的自动分割研究提供了方法学基础。
附图说明
13.图1示出了v_net网络结构示意图。
14.图2示出了病灶自动分割的dice系数曲线。(a)图为训练集样本中患者病灶自动分割的dice系数曲线；(b)图为验证集样本中患者病灶自动分割的dice系数曲线。
15.图3示出了根据本发明的基于ct影像对胸部前纵隔病灶自动分割的方法的流程图。
具体实施方式
16.如图3所示，这种基于ct影像对胸部前纵隔病灶自动分割的方法，其包括以下步骤：
17.(1)ct图像采集：所有患者均行胸部ct增强扫描，获取在胸部纵隔窗重建的薄层图像；
18.(2)在原始ct图像上利用肺与周围组织存在的自然密度差异，采用计算肺组织像素值的方法，设计双肺掩膜文件，去除纵隔以外区域且保留病灶；
19.(3)采用v_net网络对病灶进行初步分割(initial segmentation)；
20.(4)采用morphological snakes算法对病灶进行精细分割(accurate segmentation)；
21.(5)对分割结果进行评价。
22.本发明首先基于原始ct图像，采用计算肺组织像素值的方法设计双肺组织掩膜文件去除纵隔以外区域，仅保留包含病灶在内的纵隔区域用于病灶在v_net网络中初步分割，这样大大缩小了输入网络图像的复杂度，有利提高分割精度；在对病灶初步分割之后，采用morphological snakes算法对病灶进行精细分割，morphological snakes是采用数学形态学算子进行的轮廓边界的演化方法，能够优化病灶分割边缘，使最后分割结果的边界更加平滑精确且分割结果高效稳定，因此对病灶进行精细分割的结果较好，可以满足后续深度
学习的定量特征分析，且为前纵隔病灶的自动分割研究提供了方法学基础。
23.优选地，所述步骤(1)中，第一任务组的患者ct扫描采用16排 (canon aquilion rxl,tokyo,japan)、320排mdct(canon aquilion one, tokyo,japan)和256排mdct(ge revolution,massachusetts,usa)，第二任务组的患者ct扫描采用双源ct(siemens somtom definition,forchheim, german)、128排mdct(siemens somatom perspective,forchheim,german) 和二代双源ct(siemens somatom flash,forchheim,german)；所有纳入患者均采用自动管电压和自动管电流调节技术，经肘静脉注射对比剂采用碘普罗胺注射液370mgi/ml或者碘佛醇注射液320mgi/ml，注射速率3ml/s，对比剂用量65-80ml，于注入对比剂后40s进行增强扫描；所有患者均仰卧位，双手抱头，嘱患者吸气后屏气时进行图像采集；分别在窗宽400-450hu、窗位20-50hu的纵隔窗和窗宽1000-1500hu、窗位-650-450hu的肺窗重建图像；获取在纵隔窗重建的0.5-1.25mm薄层图像。
24.优选地，所述步骤(2)中，首先基于计算个体化肺组织阈值及寻找最大连通区域的方法，设计双肺组织二维矩阵的掩膜文件，将掩模与原始待处理图像做点乘运算，相同算法经逐层循环处理后生成纵隔3d图像，该图像去除了非纵隔区域的胸部外围组织结构，仅保留了包括病灶在内的纵隔区域。
25.优选地，所述步骤(3)中，图像在输入网络前，进行预处理，包括灰度平均值和方差的归一化；网络输出的上采样过程采用双三次插值以弥补池化过程中产生的图像维数变化；在得到v_net输出的分割结果后，对选定的病灶区域进行平滑处理。
26.优选地，所述步骤(3)中，网络结构采用的是端到端的学习方式，输入图像大小为256
×
256
×
32，通道数为1，网络在编码时分为四个阶段，每个阶段包含1至3个卷积层，每个阶段的卷积操作使用的卷积核大小为 3
×3×
3，步长为1，整个网络结构中，均使用prelu非线性激活函数，对编码的每个阶段会通过大小为2
×2×
2且步长为2的卷积核进行下采样，网络将每阶段的输入和输出进行相加以获得残差函数的学习，经过第一阶段，特征图的维度变为16
×
256
×
256
×
32(通道数
×
图像高度
×
图像宽度
×
图像深度)；经过第二阶段，特征图的维度变为32
×
128
×
128
×
16；经过第三阶段，特征图的维度变为64
×
64
×
64
×
8；经过第四阶段，特征图的维度变为 64
×
32
×
32
×
4；解码阶段与编码阶段相对应，上采样过程结合了对应层在编码过程中提取的特征，最后一个卷积层使用的卷积核大小是1
×1×
1，这样保持输出图像的大小与原输入图像的大小一致；最终利用softmax来生成前景和背景的分割概率图(图1)。
27.优选地，所述步骤(3)中，v_net使用体积卷积方法和采用基于dice 系数的新目标函数dice loss函数进行训练并在训练期间进行优化，dice系数d为公式(1)：
[0028][0029]
其中，总和在n个体素上运行，预测的二进制分割体pi∈p和金标准二元体gi∈g；该dice系数用梯度表示为公式(2)：
[0030][0031]
优选地，所述步骤(4)中，在对病灶进行初步分割的基础上，采用 morphological snakes算法进行精细分割，进一步提升分割的准确性，待分割图像设其求解的像素水平集为公式(3)：
[0032][0033]
在水平集框架中，以往的偏微分方程表示曲线演化方程为公式 (4)：
[0034][0035]
当f＝
±
1且利用数学形态学将上述方程表示为公式(5)：
[0036][0037]
其中，u表示水平集，表示梯度算子，div表示散度算子，v表示常数，g()表示边界停止函数，其经过n次轮廓边界演化后结果为公式(6)：
[0038][0039]
经过n次轮廓演化后结果为公式(7)：
[0040][0041]
平滑算子连续应用的次数控制平滑步长的强度，这个数字是由参数μ表示∈n，
[0042]
最终的通过n次迭代之后的变化过程表示为公式(8)-(10)：
[0043]
[0044][0045][0046]
其中，d
d
为扩张算子，e
d
为侵蚀算子，为平滑算子。
[0047]
优选地，所述步骤(5)中，采用dice系数、精准率p、及召回率r 三个指标对分割结果进行评价，dice重合率定义为公式(11)：
[0048][0049]
式中，a表示分割结果，b表示与之对应的手动勾画标准，a∩b 为分割图中属于病灶的部分，为正确预测的部分，dice越接近1表示分割结果越准确；
[0050]
精准率定义为公式(12)：
[0051][0052]
式中，tp表示病灶被正确分割的区域，fp表示非病灶区域分割为病灶区域，p值表示分割正确的区域占分割结果的百分比。
[0053]
召回率定义为公式(13)：
[0054][0055]
式中，tp表示病灶被正确分割的区域，fn表示病灶未被正确分割的区域，r值表示分割正确的区域占原始病灶区域的百分比。
[0056]
绘制所有病灶自动分割后的dice系数曲线(图2)，在训练集样本中，患者的dice系数最小值为0.623，最大值为0.999，有125例样本的 dice值大于0.95；在验证集样本中，患者的dice系数最小值为0.624，最大值为0.998，有78例样本的dice值处于0.85-0.95的范围(67.24％)。病灶进行自动分割后的结果，在训练集中的dice系数为0.942
±
0.066，精准率为0.915
±
0.083，召回率为0.907
±
0.091。在验证集中的dice系数为 0.911
±
0.051，精准率为0.926
±
0.042，召回率为0.89
±
0.059。
[0057]
以往研究单纯基于图像固有特征进行分割的方法包括图像灰度(像素强度)、梯度或纹理以及图像几何特征等可直接从图像中获取的信息进行分割，实现方式包括灰度阈值分割、特征聚类分割、区域生长方式等。这些方法通常需要手动进行互补分割，并且对于对比度较低的图像或缺乏明显梯度和几何特征的图像，往往分割耗时长且效果有限。相比以上这些方法，基于深度学习的卷积神经网络，尤其fcn及其衍生网络用于图像分割则能实现
端到端的模型训练，分割效果好、容错能力强，且具有高效自学习能力与自适应的特点，适用于医学图像分割领域的应用。
[0058]
当前医学图像分割比较流行的fcn架构是u-net。ronneberger等人基于下采样与上采样相对应的编码和解码路径来创建结果输出路径，将该方法与跳跃连接相结合，从而将编码路径的更高分辨率特征与解码路径的上采样特征相结合可以更好地定位和学习输入图像的特征表示。u-net是基于分类的思路以输入图片作为整体分类而进行分割，因而克服了以像素为单位的分类方法，计算量小且能逐步还原图像精度，基于fcn和u-net的改良即为 v_net，是一种可用于3d医学图像分割的全卷积神经网络。v_net使用体积卷积方法和采用基于dice系数的新目标函数进行训练并在训练期间进行优化，可较好的满足图像数据量少和同时改善分割效果的要求。
[0059]
在常规胸部ct影像上，扫描范围自肺尖至肝顶部层面，涉及多组织器官，密度变化范围较大，因双肺组织与纵隔及外围组织结构的密度存在较大自然对比，因此，在初步分割前首先基于原始ct图像，采用计算肺组织像素值的方法设计双肺组织掩膜文件去除纵隔以外区域，仅保留包含病灶在内的纵隔区域用于病灶在v_net网络中初步分割，这样大大缩小了输入网络图像的复杂度，有利提高分割精度。其次在对病灶初步分割之后，采用 morphological snakes算法对病灶进行精细分割，morphological snakes是采用数学形态学算子进行的轮廓边界的演化方法，能够优化病灶分割边缘，使最后分割结果的边界更加平滑精确且分割结果高效稳定。本研究中病灶自动分割后的dice系数曲线显示在训练集样本中，52.51％的样本dice值大于 0.95，分析dice值大于0.8的结果，可见病灶自动分割结果与手动勾画的病灶区域高度吻合；分析dice值小于0.8的结果，可见大部分病灶自动分割结果基本覆盖了手动勾画的病灶区域，自动分割图像的边缘有小部分区域在某特定方向超出手动勾画病灶的边缘区域。在验证集样本中，患者的dice系数值 67.24％处于0.85-0.95的范围。结果表明本研究分割模型的效果较好，可以满足后续采用深度学习的定量特征分析。
[0060]
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。