一种基于水平集的胸部淋巴结全自动分割算法

来源:用户上传      作者:

　　摘  要： 肺癌是世界上发病率和死亡率最高的恶性肿瘤。现阶段，临床主要通过淋巴结病变程度判断肺癌恶性程度和预后情况。针对淋巴结的解剖特征及全身分散的问题，本文提出了一种全自动检测和分割胸部病变淋巴结的方法，首先利用全自动解剖识别方法自动识别定位PET-CT影像中的所有淋巴结区域，然后检测每个淋巴结区域中潜在的病变淋巴结，第三步采用水平集模型完成对各个淋巴结区域内部病变淋巴结的精准分割。算法分割精度率平均达到85%。
　　关键词： 肺癌;PET-CT;淋巴结区域;水平集;检测与分割
　　中图分类号： TP399. 41    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.02.009
　　【Abstract】： Lymph node detection is challenging due to the low contrast between lymph nodes as well as surrounding soft tissues and the variation in nodal size and shape. Currently， the degree of malignancy and prognosis of lung cancer are mainly determined by the degree of lymph node lesions. Aiming at the anatomical features of lymph nodes and the problem of systemic dispersal， this paper proposes a method for fully automatic detection and segmentation of thoracic lymph nodes. Firstly， the automatic anatomical recognition method is used to automatically identify and locate all lymph node regions in PET-CT images， and then detect each. The potential lymph nodes in the lymph node area are detected. The third step uses the level set model to complete segmentation of the diseased lymph nodes in each lymph node region. The algorithm segmentation accuracy rate averages 85%.
　　【Key words】： Lung cancer; PET-CT; Lymph node zone; Level set; Detection and segmentation
　　0  引言
　　肺癌的发病率为恶性肿瘤之首，患者前五年生存率极低，临床认为，肺癌早期诊断、治疗和术后康复预测等可以有效提高患者生存率。目前，使用术前影像学检查确定肿瘤的恶性程度是最有效的手段。临床认为，肺癌的癌细胞在转移到身体的其它部位之前率先转移到淋巴结部位，因此，病变淋巴结定量分析成为临床医生诊断肺癌的主要信息。
　　淋巴结的检测和分割是针对肺癌影像学研究的热点之一。18F-FDG-PET-CT肺癌的影像特征可以为预测肺癌发生淋巴结转移提供有利的影像学依据。1929年，Rouviere第一次提出根据肿瘤的位置预测肿瘤细胞会转移的淋巴结。1998年，国际肺癌研究协会（International Association for the Study of Lung Cancer，IASLC）建立了肺癌分期的项目（Lung Cancer Staging Project），促进了国际肺癌数据库的快速发展。2009年国际肺癌研究协会提出新的肺癌
　　淋巴结分布圖。目前阶段，许多的研究学者提出了多样化的手段用于识别、分割并提取淋巴结，为实现淋巴结的量化评估提供了可能性。Kitasaka等人提出了在CT影像中利用3D最小方向差分滤波器的方法检测腹部淋巴结，3D最小方向差分滤波器主要用于增强点状结构以识别淋巴结目标，实验结果显示可以检测其中57%的肿大淋巴结。Feulner等人[1]提出了一种判断学习法，该方法首先根据淋巴结的外形检测出疑似淋巴结的中心位置，其次检测的结果作为淋巴结分割的初始化进而分割淋巴结。然而，此类方法的淋巴结分割精度严重依赖训练数据集的规模，结果受训练数据集的规模影响较大。Liu等人[2-6]提出了目标尺度的海森分析方法检测胸部和腹部的淋巴结，结合live wire和活动轮廓模型的方法分割胸部淋巴结，方法分两步，首先利用live wire模型对淋巴结检测，然后采用活动轮廓模型精确分割淋巴结。该方法主要依赖于淋巴结的形状信息对其进行检测，但是淋巴结全身分散，无规律可循，并未实现自动分割。BarBu等人[7]采用了结合机器学习和特征提取的方法检测和分割淋巴结，算法首先采用机器学习法检测淋巴结，随后对检测到的疑似淋巴结进行边缘提取。Chen等人[8]提出了两步分割方法分割淋巴结，首先采用配准方法定位淋巴结位置，然后利用灰度信息和边缘信息改善已检测的淋巴结，最后采用蛇型算法分割淋巴结。Bui等人[9]采用水平集方法从超声影像中提取淋巴结组织，由于超声影像自身存在的成像缺陷，提取结果并不十分理想。Hacker等人[10]通过检测淋巴结转移预测癌细胞的扩展状态，与PET-CT影像信息作对比。Roth等人[11]采用了深度卷积神经网络观察随机集方法对淋巴结进行检测与提取，算法复杂度较高。2017年，Chen等人[12]用弥散加权磁共振影像检测淋巴结用以作为肺癌诊断的辅助手段。Geppert等人[13]提取一定的病例，通过分析淋巴结预测子宫内膜癌肿瘤，均取得了一定的成果。但是现存的成果依然具有人工干预大，依赖手动等缺陷，不能满足临床全自动、准确量化疾病的目标。 　　本文提出的基于淋巴结区域的自动识别和分割病变淋巴结算法，能够有效定位和分割病变淋巴结，满足临床医生客观评价肺癌的需求，有效为计算机辅助诊断提供多渠道方法。
　　1  全自动淋巴结检测
　　全自动解剖识别模型（Automatic Anatomy Recognition）是由Udupa等人在2011[14]年提出的一种能够全自动检测识别全身解剖结构的方法，该方法的主要思想是在识别人体内部各个器官和组织的同时能够突破只识别单一解剖结构的局限，将器官或组织之间的内在解剖关系利用起来，并将模糊数学理论应用于其中的一种识别与定位。本文将所有的淋巴结区域视为解剖结构。针对淋巴结区域建模时，将主要的解剖器官作为关键参考目标并自动定位器官和淋巴结区域，最终在识别出的每个淋巴结区域内部结合淋巴结区域的位置信息、PET-CT信息和本文引入的球滤波信息检测出淋巴结。由于淋巴结的分布具有全身分散性，因此本文将全自动解剖识别的检测结果作为水平集模型的初始化，进一步完成全自动的淋巴结检测与分割。
　　1.1  淋巴结区域定位与识别
　　IASLC按照胸部淋巴结的分散规律及癌症的发病期淋巴结的扩散规律定义了13个胸部淋巴结区域，分别是Zone1， Zone2R， Zone2L， Zone3a， Zone3p， Zone4R， Zone4L， Zone5， Zone6， Zone7， Zone89， Zone10R， Zone10L。按照实际临床的诊断需求在临床医生的指导下，本文为淋巴结区域数据集的构建添加了另外两个淋巴结，分别是AxillaL 和AxillaR。同时，由于有些淋巴结区域体积较小，如Zone5，因此，本文对以上淋巴结区域按照区域的位置作了一定的组合。
　　淋巴结区域自动解剖识别算法模型主要包括以下几步：第一步，数据集的准备，数据集包括训练集和测试集，不含有病变影像数据，训练数据集用作模糊模型的建立，测试数据集用于全自动解剖识别模型算法并获得最优层级结构。根据每个淋巴结区域和器官组织的医学定义，通过Cavass软件手动分割的方法得到它们的边界;第二步，构建模糊模型，模糊模型主要用于测试层级结构;第三步，通过已经建立的模糊模型决定最优的层级结构，然后识别、定位主要器官和淋巴结区域。
　　（1）训练数据的构建
　　模型的第一步是数据的准备阶段，包括正常数据的收集、目标关键器官和淋巴结区域的分割。训练的数据采用正常数据，不包含病变数据。
　　（2）构建目标器官和淋巴结区域的模糊模型
　　构建模糊解剖结构FAM（B），其中B表示构建的区域，本文构建的区域是胸部，构建模型如下：
　　FAM（B）=（H， M， ρ， λ， η） （1）
　　其中，H表示本文将要构建模型并通过测试得出的层级结构，M表示一系列的模糊模型，每一个器官和淋巴结区域都对应一个模糊模型，ρ表示在层级结构H中父结点和子结点的关系，λ是每一个器官和淋巴结所对应的一系列的尺度因子，η表示一系列与物体相关的测量值，比如阈值等。
　　（3）识别和定位目标器官和淋巴结区域
　　识别的主要目标是准确地识别和定位淋巴结区域以及和淋巴结区域有关的主要器官，然后根据识别出的淋巴结区域检测淋巴结区域内部的病变淋巴结并做最终的疾病诊断。层级结构的选择能够对目标结构的识别和定位起到关键作用，层级结构中，控制层级形状的父结点和子结点的参数分别是ρ和λ。鉴于此，本文选择胸外部的皮肤结构作为根结点，应用于整个层级结构作为识别和定位的起始点。
　　1.2  淋巴结检测
　　基于淋巴结的解剖结构和PET-CT成像特点，本文具备一系列病变淋巴结的先验知识，其中包括淋巴结形状和位置、在CT和PET影像中的灰度值范围等[15]。当淋巴结区域被识别出后，对于每一个淋巴结区域z，PET-CT影像的每一个像素v本文有四个信息可以有效用于检测淋巴结，分别是CT的灰度值fCT（v）， PET灰度值fPET（v），由模糊模型fM（v）得到的淋巴结区域隶属度函数值以及球型滤波的输出fg（v）。球形滤波fg（v）定义為：
　　对于每一个以像素v为中心点的球b，本文考虑半径r范围从rmin到rmax，最优球b可以根据灰度值信息检测到b的外侧和内侧。rmin和rmax的取值范围以覆盖住淋巴结为原则。当检测到真正的淋巴结的中心时，d取得最大值，因此本文将此局部最大值认为是潜在的淋巴结中心。在本文中，球形滤波的主要作用是应用于lCT。此时，根据检测到的淋巴结的位置本文可以做进一步的淋巴结检测，结合简单的阈值法本文定义如下：
　　2  基于水平集方法的淋巴结分割
　　虽然淋巴结的分布遵循一定的区域分布，但是与其它人体解剖结构和组织相比，淋巴结的分布过于分散，且一定程度上依附于其它解剖器官和组织，因此，虽然研究学者近些年来提出了病变淋巴结可以作为肺癌早期诊断的指标，但是，要想实现淋巴结的全自动分割和定量评估却困难重重。现阶段主要研究的方法主要集中在半自动化淋巴结分割。本文结合自动解剖结构识别模型和水平集算法[16]，将全自动解剖识别模型的输出作为水平集算法的输入，提出了全自动提取胸部淋巴结的方法。
　　基于前一步的结果，作为第二部分对水平集方程进行初始化，该算法能够实现淋巴结自动、精准分割。算法的初始化如下：
　　3  实验结果与分析
　　3.1  实验数据
　　数据包括45组训练和测试最优层级结构的正常数据（此处正常数据是指不涉及胸部肺癌或者淋巴结等影响判断淋巴结情况的数据），所有CT扫描影像均要求病人在接受CT扫描期间屏住呼吸。CT的影像大小是512×512 mm，每一幅扫描影像均在50-70层之间，影像分辨率0.77×0.77×5.0 mm3。18F-FDG-PET-CT数据的扫描结果PET大小和分辨率并不与CT正好保持一致，为了接下来实验的可操作性，本文将所有的PET数据与相对应的CT数据做了变换和插值，使PET和CT具有相同的大小和分辨率。 　　3.2  淋巴结分割结果
　　由于检测到的淋巴结边缘与真实的淋巴结边缘有很大差距，基于之前所得到的淋巴结检测结果，本文能够得到比较准确的水平集初始化区域，因此本文得到了如下淋巴结分割结果。如图1所示，可以看出本文所提出的方法能够自动而精准的分割出淋巴结组织。在淋巴结有些区域与附近的组织相连接且灰度值较接近附近区域的情况下，初始检测淋巴结就变得非常有必要，帮助定位目标区域并分割淋巴结。
　　图1显示了淋巴结初步检测的结果，但是存在过检测或少检测等问题，因此引入了水平集方法作进一步精准分割。图2显示了用水平集方法分割之后的结果，淋巴结边界清晰，虽然淋巴结分散无序，本文方法依然能够满足淋巴结全自动分割的要求。
　　为了评估本文所提出的全自动淋巴结分割算法，本文引入Dice值作为评价分割结果好坏的标准。淋巴结的分割结果如表1所示，每个淋巴结区域的淋巴结分割结果平均Dice值均超过87%，最大值达到90%，敏感性和特异性分别是90%和85%。其中，分割结果显示最理想的淋巴结区域是Axilla区域，虽然淋巴结的灰度范围和肌肉组织最接近，但是由于Axilla区域的淋巴结主要位于脂肪组织内，受到周围组织的干扰最小，脂肪与淋巴结的灰度值对比较大，因此，Axilla区域的淋巴结的全自动精准分割效果最好。
　　本文结果中个别淋巴结区域的淋巴结分割结果相对不理想，例如Zone10区域，分割精度最大值只有79%，平均值只有76.6%，最小值低于65.4%，根据Zone10区域的解剖结构分析，病变淋巴结区域大，与心脏或血管连接，导致被分开的可能性减少，分割难度最大，因此，淋巴结的分割结果在Zone10区域并不理想。本方法接下来的研究重点将是如何有效改善淋巴结区域Zone10中淋巴结检测及分割结果
　　4  结论
　　作为肺癌早期诊断的一项重要指标，淋巴结的准确检测和分割对于疾病的預测以及诊断起到关键作用。由于淋巴结自身的解剖特点，淋巴结的检测尤其是在PET-CT影像中的检测非常具有挑战性。本文在基于全自动解剖识别模型方法识别淋巴结区域的基础之上，创新性的将两种比较新颖的策略融合到一个分割系统当中，结合水平集方法分割病变淋巴结，使得病变淋巴结能够被准确分割。首先采用全自动解剖识别模型方法自动定位识别六个淋巴结区域，然后采用球形滤波定位和检测点状物体，第三步结合CT、PET、隶属度值和球形滤波的输出检测和定位淋巴结，最后一步，引入了水平集的方法，将前一步的输出作为水平集函数的输入，实现了全自动淋巴结分割。实验结果显示分割效率和准确率较高，据临床评价，病变淋巴结的识别和分割能够在一定程度上成为肺癌临床诊断和术后预后的依据。
　　目前，尽管针对计算机辅助诊断的各种研究已经取得较好的实验结果，但是医学影像的问题复杂性导致没有一种通用的方法可以适用于所有情况，虽然各种影像学分割方法的分割精度不断提高[17-21]，针对淋巴结的研究依然存在很多值得探讨的问题。
　　第一，由于淋巴结器官自身分布无规律的特征，若要实现全自动淋巴结分割存在一定的困难，因此间接实现淋巴结分割是一种较有效的方法，如本文利用国际肺癌研究协会制定的淋巴结区域，在淋巴结区域分块的前提下，逐区域检测和分割淋巴结，但是分割结果依赖于淋巴结区域的识别和定位结果，精确定位淋巴结区域是分割淋巴结的前提。
　　第二，个体之间生理解剖结构存在的差异会影响淋巴结区域的识别精准度，因此，如何消除个体差异，使得淋巴结区域识别具有更高的鲁棒性也是待解决的难点。
　　第三，由于训练数据集和测试数据集的庞大，淋巴结区域的识别和定位效率较低，如何提高算法效率也是待改善和研究的问题。
　　参考文献
　　Feulner J， Zhou S K， 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.
　　Liu J， Feng C H， Hua J， et al. Automatic detection and segmentation of abdominopelvic lymph nodes on computed tomography scans[C]// IEEE International Symposium on Biomedical Imaging. IEEE， 2012： 1455-1458.
　　Liu J， Summers R M. Computer-aided lymph node detection in abdominal CT images[J]. Proceedings of SPIE - The International Society for Optical Engineering， 2010， 7624（1）： 95-100.
　　Liu J， Yao J， Summers R M. Computer-aided abdominal lymph node detection using contrast-enhanced CT images[C]// SPIE Medical Imaging. International Society for Optics and Photonics， 2011： 50-52.
　　Liu J， Yao J， Wang S， et al. Mediastinal lymph node detection on thoracic CT scans using spatial prior from multi-atlas label fusion[C]// SPIE Medical Imaging. 2014： 90350M. 　　Liu J， Zhao J， Hoffman J， et al. Detection and station mapping of mediastinal lymph nodes on thoracic computed tomography using spatial prior from multi-atlas label fusion[C]// IEEE， International Symposium on Biomedical Imaging. IEEE， 2014： 1107-1110.
　　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.
　　Chen Q， Quan F， Xu J， et al. Snake model-based lymphoma segmentation for sequential CT images [J]. Computer Methods
　　& Programs in Biomedicine， 2013， 111（2）： 366-375.
　　Bui T M， Coron A， Mamou J， et al. Local Transverse- Slice- Based Level-Set Method for Segmentation of 3D， High- Frequency Ultrasonic Backscatter from Dissected Human Lymph Nodes.[J]. IEEE Trans Biomed Eng. 2016.
　　H?cker A， Jeschke S， Leeb K， et al. Detection of pelvic lymph node metastases in patients with clinically localized prostate cancer： comparison of [18F]fluorocholine positron emission tomography-computerized tomography and laparoscopic radioisotope guided sentinel lymph node dissection.[J]. Journal of Urology， 2014， 176（5）： 2014-2018.
　　Roth H R， Lu L， Seff A， et al. A New 2.5D Representation for Lymph Node Detection Using Random Sets of Deep Convolutional Neural Network Observations[M]// Medical Image Computing and Computer-Assisted Intervention – MICCAI 2014. Springer International Publishing， 2014： 520-7.
　　Chen， Wang， Zheng， et al. Diffusion-weighted magnetic resonance imaging for the detection of metastatic lymph nodes in patients with lung cancer： A meta-analysis[J]. Molecular & Clinical Oncology， 2017， 6（3）： 344-354.
　　Geppert B， L?nnerfors C， Bollino M， et al. A study on uterine lymphatic anatomy for standardization of pelvic sentinel lymph node detection in endometrial cancer [J]. Gynecologic Oncology， 2017， 145（2）.
　　Udupa J K， Odhner D， Zhao L， et al. Body-wide hierarchical fuzzy modeling， recognition， and delineation of anatomy in medical images [J]. Medical Image Analysis， 2014， 18（5）： 752-771.
　　Udupa J K， Odhner D， Tong Y， et al. Fuzzy model-based body-wide anatomy recognition in medical images [J]. Proceedings of SPIE-The International Society for Optical Engineering， 2013， 8671（3）： 767-769.
　　Chunming L， Chenyang X， Changfeng G， et al. Distance regularized level set evolution and its application to image segmentation [J]. Image Processing IEEE Transactions on， 2010， 19（12）： 3243-3254.
　　王聰兴， 刘宝亮. 一种基于图像处理的表面故障裂纹检测系统[J]. 软件， 2018， 39（5）： 144-150.
　　曹妍， 陈伟， 徐森. 图像去噪方法研究与仿真[J]. 软件， 2015， 36（4）： 33-36.
　　杨玚， 谢华成. 基于马尔科夫随机场与模拟退火算法的图像分割[J]. 软件， 2015， 36（4）： 40-43.
　　郑金志， 郑金敏， 汪玉琳. 基于优化初始聚类中心的改进WFCM 图像分割算法[J]. 软件， 2015， 36（4）： 136-142.
　　陈园， 侯赞， 刘军华， 等. 基于改进 K-Means 聚类医学图像配准[J]. 软件， 2018， 39（01）： 75-82.
转载注明来源:https://www.xzbu.com/8/view-15234423.htm