（电工理论与新技术专业论文）医学CT图像中肿瘤的分割及测量技术研究.pdf

r e s e a r c ho ns e g m e n t a t i o na n dm e a s u r e m e n to ft u m o r i nc t i m a g e a b s t r a c t m e a s u r e m e n to ft u m o ri sas i g n i f i c a n ti n d e xi nc l i n i c a ld i a g n o s i sa n d r a d i o t h e r a p y i ft u m o rc a nb es e g m e n t e da n dm e a s u r e dc o r r e c t l y ，t h ea c c u r a c ya n d e f f e c t i v e n e s so fd i a g n o s i sw i l lb ei m p r o v e dl a r g e l y t h em e a s n r e i t l e n to ft u m o ri sb a s e do nt h es e g m e n t a t i o no ft u m o r ，a n do n l y w h e nt h et u m o ri s s e g m e n t e dc o r r e c t l y ，t h e m e a s u r e m e n tc a nm a k es e n s e n o w a d a y st h es e g m e n t a t i o no fm e d i c a li m a g ei ss t i l lt h eh o tp o i n to fr e s e a r c h t h ec o n t e n to ft h i st h e s i si n c l u d e ss o m ep a r t sa sf o l l o w s ： ah y b r i ds e g m e n t a t i o nm e t h o di sp r o p o s e df o rt h ep u r p o s eo fe x p l o i t i n gt h e p a r t i c u l a ra d v a n t a g e so ft r a d i t i o n a ls e e d e dr e g i o ng r o w i n g ( s r g ) a n dm a t h e m a t i c a l m o r p h o l o g y ，w h i c hc a ns o l v et h ep r o b l e mo fl u n gt u m o ra d j a c e n t t ot i s s u eo f s i m i l a ra t t e n u a t i o n t h i sm e t h o da l s oc a nb ea p p l i e dt ot h et u m o rs e g m e n t a t i o no f o t h e rt i s s u e si nc ti m a g e t h et u m o ra r e ai sc a l c u l a t e db yp o l y g o n a la p p r o x i m a t i o n ，s o m ed a t ao fa r e aa r e a p p r o x i m a t e db yt c h e b y s h e vm u l t i n o m i a la l g o r i t h mt og e tt h ee x p r e s s i o na b o u tt h e c h a n g eo fa r e a ，a n dt h e nt h ev o l u m eo ft u m o ri s o b t a i n e db yi n t e g r a li nt h ec t s c o p ew h i c hc o n t a i n st h et u m o r t h i sm e t h o dc a ng e th i g h e rp r e c i s i o no ft u m o r v o l u m ew i t ht h el o w e rd a t aq u a n t i t y t h ee x p e r i m e n ts h o w st h a tt h em e t h o do fs e g m e n t a t i o na n dm e a s u r e m e n to f t u m o r p r o p o s e di nt h i sp a p e rh a sc e r t a i nr e l i a b i l i t yi nc l i n i c a ld i a g n o s i s k e yw a r d s ：s e g m e n t a t i o n m e a s u r e m e n t s e e d e dr e g i o ng r o w i n g p o l y g o n a la p p r o x i m a t i o nt c h e b y s h e vm u l t i n o m i a la p p r o x i m a t i o n 插图清单 图1 一l医学影像处理与分析的主要研究内容2 图i - 2 肿瘤二维测量示意图1 2 图2 - ic t 图像重建1 7 图2 - 2 不同窗宽窗位下的一幅c t 病灶图 1 8 图3 1 肺部c t 病灶图2 0 图3 2 闽值直方图2 l 图3 - 3 膨胀示意图2 4 图3 4 腐蚀示意图2 5 图3 5 邻域示意图2 6 图3 6 区域生长示意图2 7 图3 - 7 边界跟踪示意图2 9 图3 - 8 肿瘤分割示意图3 0 图3 9 另一肺部肿瘤分割实例3 1 图3 1 0 脑部肿瘤分割实例3 l 图4 1 区域筛选法3 2 图4 - 2 改进的区域筛选法3 3 图4 - 3 面积权重示意图3 4 图4 - 4 多边形逼近3 5 图4 - 5 三个顶点多边形示意图3 6 图4 - 6 四个顶点多边形示意图3 6 图4 - 7n + 1 个顶点多边形示意图3 7 图4 - 8 任意闭合曲线面积计算3 8 图4 - 9 特征点组成的多边形3 9 图4 - 1 0 曲线拟合示意图4 0 图4 一1 1t = o 0 3 m a x 时不同次数的最d , - - 乘拟合结果4 2 图4 1 2t = o 0 2 m a x 时不同次数的最小二乘拟合结果4 2 图4 1 3t = o 0 3 m a x 时不同次数的切比雪夫多项式最小二乘拟合结果4 5 图4 1 4t = o 0 2 m a x 时不同次数的切比雪夫多项式最小二乘拟合结果4 5 图4 - 1 5 脑部肿瘤病例4 7 图4 1 6 第1 、3 、4 、6 、8 张切片的分割结果4 7 图4 一1 7 肺部病例c t 图4 8 图4 1 8 第l 、2 、4 、5 、7 张切片的分割结果4 9 表卜1 表4 1 表4 2 表4 3 表4 4 表格清单 肿瘤疗效分类依据 多边形逼近法计算曲线面积实验结果 多边形逼近法计算肿瘤面积实验结果 切比雪夫拟合法和累加法计算体积结果比较 切比雪夫拟合法和累加法计算体积结果比较 m 勰鸲 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成 果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表 缄撰：弓过的研究成果，也不包含为获得 盒妲王些盔堂 或其他教育机构的学位或 证拈而使川过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了 明确的说明并表示谢意。 学位论文作者签名：惭签字日期：昭年f 月习日 学位论文版权使用授权书 本学位论文作者完全了解盒8 9 工些塞堂有关保留、使用学位论文的规定，有权保 留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授 权佥磐：些塞堂可以将学位论文的全部或部分内容编入有关数据库进行检索可以采 h 影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：惭 签字目期：形年s 月四日 学竹论文作者毕业后去向 i 作单位： 通讯地址： 铷躲砖嘲万 签字日期：彩年，月硝目 电话 邮编 致谢 本论文是在导师李国丽教授的悉心指导下完成的。本人在三年的硕士研究 生课程学习和撰写学位论文的过程中，自始至终得到了我的导师李国丽教授的 悉心指导，无论从课程学习、论文选题，还是到资料收集、论文成稿，都倾注 了李老师的心血，由衷感谢李老师在学业指导及生活上所给予我的关心。李老 师渊博的学识、严谨的治学态度、诲人不倦的教育情怀和兢兢业业的工作作风 使我终身受益，并激励我勇往直前。 同时也要感谢叶铭老师在课题研究中，给予了我具体的指导和热切的关心， 使课题进行的很顺利。叶老师孜孜不倦的探索精神、深邃的学术眼光使我终身 难忘。 在硕士论文完成期间，得到了生物医学实验室多位老师和同学的帮助。特 别感谢胡存刚老师在日常生活和学习中给我的支持和帮助；感谢张建、李剑平、 刘辉等同学的意见和帮助。 最后要感谢我的亲人和朋友。有了他们的鼓励和支持我才能够安心的完成 学业，他们是我前进的动力和支持。 作者：则即 2 j 0 0 6 j 年4 月 第一章绪论 1 1 医学影像处理与分析的意义 自伦琴1 8 9 5 年发现x 射线以来，随着生物医学工程、计算机技术及信息科 学的发展和进步，各种医疗设备被开发出来，为医生的诊断提供了前所未有的 丰富手段，医学的临床诊断方式发生了翻天覆地的变化，使得基于医学影像的 诊断学成为现代诊断技术中的重点，现代医学已越来越离不开医学影像的信息 处理。 近年来，随着计算机相关技术的发展及图形图像技术的日渐成熟，该技术 逐步渗入到医学领域中，开创了数字医疗的新时代。自2 0 世纪9 0 年代起，借 助计算机影像处理与分析、计算机图形图像学、虚拟现实和计算机网络等技术 的医学影像处理与分析，一直是国内外研究与应用的热点，也逐渐形成了具有 特色的一门交叉学科。 随着科学技术的发展，医学影像的质量和显示方法也得到了极大的改善， 使借助于图像处理与分析手段的诊疗水平大大提高，这不仅在医学临床诊断中 有非常重要的意义，而且能为医学培训、医学研究与教学、计算机辅助外科手 术等提供数字实现手段，对医学的研究与发展具有不可估量的价值。因此，目 前很多研究机构都在致力于医学影像处理与分析领域的研发工作，并且研究出 一些面向临床的、功能简单的医学影像处理与分析系统。这些系统虽然仅能提 供有限的临床所需的功能，但在临床研究中已经发挥重要的作用。 f 是由于医学影像处理与分析对临床医学的发展有着巨大的促进作用，因 而，医学影像处理与分析的研究正逐步受到世界许多国家的重视。 目前常用的医学影像包括b 超扫描图像、核磁共振( m r i ) 图像、c t 图像、 p e t 图像、彩色多普勒超声图像、数字x 光机( d x ) 图像、各种电子内窥镜图像 等等，更清晰、更有诊断价值的高质量医学图像正在不断研究和发展中。 1 2 医学影像处理与分析的研究内容 医学影像处理与分析的研究内容如图卜l 所示，在各种医疗设备生成医学 影像以后，从最初的数据获取开始到图像处理与分析系统的研究，涉及到一系 列的关键技术，包括：图像生成、预处理、分割、配准、三维可视化、图像分 析等偏重算法研究的内容和影像的获取、通讯、存储、管理、检索等贴近实际 应用的内容。后者通常按照一个系统来规划、设计和实现，称为医学影像归档 与通讯系统( p a c s ) ，本论文的研究属于算法研究类的内容。 【医学影像生成l 上 医学膨像预处理医学影像获取 上上 影像通讯 e * m * _ me * 僮4 削 l r 影琢h f j1 l 累月刮 影像存储 影像管理 t 口学镕值4 el _：t 皋n - - f 拥p 5 7 ”l r l 一4 ”“l 影像检索 偏重研究偏重应用 临床应用 图i 一1 医学影像处理与分析的主要研究内容 1 2 1 医学影像生成 医学影像的生成包括从影像设备获取数据和采用某种重构算法将数据转化 为图像两个过程。目前，影像设备的研究重点在于改善设备的硬件和软件性能， 设法提高数据的空间分辨率、密度分辨率、信嗓比和降低成像时问。图像重构 过程中主要研究如何尽可能多地保留原始信息，以提高图像质量。 1 2 2 医学影像获取 国外医学影像设备生产厂商出于商业垄断的考虑，均对设备产生的影像数 据进行加密处理，使得数据不具备开放性，对数据的处理必须使用厂商提供的 软硬件。因此，要对数据进行后处理工作，必须解决影像数据的计算机获取问 题。目前，各厂商一般都以许可证方式提供符合d i c o m 标准的医疗设备，以解 决不同厂商的各种医疗设备的互连问题。 1 23 医学影像预处理 医学影像数据在计算机上实现无误读取后，如何从中提取我们所关心的数 据并实现数据的计算机显示是医学影像处理与分析的另外一个关键问题。图像 预处理技术对影像数据进行各种处理，以期得到最好的显示效果。常用的预处 理技术有滤波、增强、恢复、插值，以及缩放、旋转、平移等几何变换技术。 1 2 4 医学影像配准 医学影像主要可分为两大类：解割图像和功能图像。解剖图像主要攒述人 体的生理解剖结构，其来源包括x 射线、c t 、m r i 以及超声等；功能图像主要 描述人体在不同状态下组织器官的功能活动和新陈代谢等状况，其来源包括 p e t 、s p e c t 、f m r i 等。不同的图像模态能提供不同的信息，影像配准的目的就 是将这些信息结合起来，从而得到更多的信息，以利于医生诊断。 125 医学影像分割 简单来说，医学影像分割就是从影像中提取出感兴趣的区域。在医学应用 中，医学影像分割的研究具有重要的意义。图像分割是提取图像中特殊组织的 定量信息的不可缺少的手段，它也为三维可视化的实现提供基础数据。针对不 同种类的医学影像和待分割对象的特点，可以选择不同的分割方法。 1 2 6 医学影像三维可视化 医学影像的三维可视化是指利用一系列的二维切片图像重建三维图像模型 并进行定性、定量的分析。三维医学图像可视化技术作为有力的辅助手段能够 弥补影像成像设备在成像上的不足，便于医生从多角度、多层次地观察图像， 并且能够使医生有效地参与数据的处理分析过程，在辅助医生渗断、手术仿真、 引导治疗等方面都发挥着重要的作用。 1 2 7 医学影像分析 在对医学影像分割和可视化的基础上，可以实现医学影像分析，即提取出 对临床应用有用的定量信息。定量信息通常以参数形式表示，如腔体、肿瘤的 体积、血管的直径、三维区域的平均密度等等。最简单的分析技术是直接基于 切片显示的测量，在二维图像中可以测量距离、面积、角度，并统计密度分布， 如均值、方差。在显示的三维模型基础上可测量两点间距离、曲线长度、表面 积和体积等。 1 2 8 医学影像存储与管理 随着影像诊断需求的增加和影像设备的种类、数量的不断增长，用于诊断 的影像数据正在以爆炸式的方式增多，海量医学影像数据的存储、管理、通讯、 检索等都成为了重要的研究课题。针对该问题，医学影像归档与通讯系统( p a c s ) 应运而生，p a c s 不仅对医学影像进行归档和通讯，还进一步包括了查询、辅助 诊断、数据挖掘等功能。 总之，医学影像处理与分析涉及的研究范围非常广泛。随着医学影像在临 床中愈来愈多的应用，图像分割在医学影像处理与分析中的地位愈加重要，它 是病变组织的三维重建、定量分析等后续操作的基础，也是临床医学应用的瓶 颈，分割的准确性对医生判断疾病的真实情况并做出正确的治疗计划至关重 要。本论文将医学图像分割和测量作为研究重点，具有一定的理论意义和实用 价值。 1 3 医学图像肿瘤分割和测量研究综述 在一定的生长时期内，肿瘤的大小反映了肿瘤生长的速度，治疗后肿瘤的 大小变化又是衡量治疗方法是否有效的指标，所以医学临床中对于病变组织除 了准确分割以外，对其大小作定量测量是非常有意义的。如果可以实现对肿瘤 准确的非侵入性的测量，可以比较不同治疗方法的疗效，并对进一步治疗提供 指导。 肿瘤的测量是建立在分割的基础之上的，只有肿瘤的分割准确，测量才有 意义。因此，肿瘤的有效准确分割是进一步定量分析的前提。 1 3 1 医学图像分割方法综述 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域 是互相不交叉的，每一个区域都满足特定区域的一致性。从处理对象角度来讲， 分割是在图像矩阵中确定所关心的目标的定位。显然，只有把感兴趣的目标物 体从复杂的景象中提取出来，才有可能进一步对各个子区域进行定量分析或者 识别，进而对图像进行理解。 借助集合的概念，分割的比较正式的定义“1 如下： 令集合r 代表整个图像区域，对r 的分割可看作将r 划分为n 个满足以下 五个条件的子区域r ，r2 ，一，r 。： ” ( 1 ) u r ，= r ； ，= l ( 2 ) 对所有的f 和，i ，有月，n r = o ； ( 3 ) 对f = 1 , 2 ，月，有p ( r ，) = t r u e ； ( 4 ) 对f j ，有e ( r ，u r ，) = f a l s e ； ( 5 ) 对i = 1 , 2 ，月，r ，是连通的区域。 其中，p ( r ) 是对所有集合r ，中元素的逻辑谓词，a 代表空集。 条件( 1 ) 说明一幅图像的分割结果中全部子区域的总和( 并集) 应能包括图 像中所有的像素，即分割应将图像中的每个像素都分进某个子区域中：条件( 2 ) 指出在分割结果中各个子区域是互不重叠的，或者说在分割结果中一个像素不 能同时属于两个区域；条件( 3 ) 指出在分割结果中每个子区域都有独特的特性， 也就是属于同一个区域中的像素应该具有某些相同特性：条件( 4 ) 指出在分割结 果中，不同的子区域具有不同的特性，没有公共元素，或者说属于不同区域的 像素应该具有一些不同的特性；条件( 5 ) 要求分割结果中同一个子区域内的像素 应当是连通的，即同一个子区域内的任两个像素在该子区域内互相连通。 医学图像中，通常将图像分为两类区域：感兴趣区域( r o i ，r e g i o n so f i n t e r e s t ) 和背景区，感兴趣区域包含重要的诊断信息，尽管在整幅图像中所占 的面积也许不大，但其错误描述的代价非常高，背景区域的信息则较为次要。 由于医学图像的成像原理和组织本身的特性差异，以及噪声、场偏移效应、局 部体效应等的影响，使获取的医学图像不可避免地具有模糊、不均匀性等特点。 另外，人体的解剖组织结构和形状的复杂性以及不同个体叫的差异性等，使得 一般的图像分割方法对医学图像分割效果并不理想。所以医学图像分割除了要 用到一般的分割技巧以外，还需要结合医学领域中的相关知识，才能做出合理 的分割。 分割后的医学图像可以被广泛应用于各种场合，如组织容积的定量分析、 计算机辅助诊断、解剖结构的研究、治疗规划、功能成像数据的局部体效应校 正和计算机手术导航等。 1 3 1 1 医学图像分割的一般方法 1 基于区域的分割方法 基于区域的分割方法是利用区域内特征的相似性把图像划分成一系列有意 义区域的处理方法。 1 ) 阈值分割 阈值法的基本思想是用个阈值( 称为单闽值) 或几个阈值( 称为多阈值) 将图像的灰度级分为几个部分，认为属于同部分的像素是同一目标。阈值法 分为全局阚值法和局部阈值法两种所谓全局阚值方法是利用整幅图像的灰度 信息，从整幅图像中得到分割用的阈值，并且根据该闽值对整幅图像进行分割； 局部阈值法则根据图像中不同的区域获得对应不同区域的几个阈值，利用得到 的这些阈值对图像进行分割，亦即一个阈值对应图像中的一个子区域。 阈值法分割的优点是简单，运算效率高，对于不同类物体的灰度值或其他 特征值相差很大时，它能很有效地对图像进行分割。它的缺点是不适于多通道 图像和特征值相差不大的图像的分割，对于图像中不存在明显的灰度差异或各 物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。另外，由 于它仅仅考虑了图像的灰度信息而不考虑图像的空间信息，阈值分割对噪声和 灰度不均匀很敏感。 阈值分割的结果依赖于阈值的选取，如何选取合适的阈值是此类分割方法 的困难所在，许多学者针对该问题进行了较深入的研究，提出了很多方法，常 用的阈值选取方法有最大类间方差法。1 、最小误差法“3 、最大熵法”1 等等。 闽值分割方法通常作为图像的预处理，在其后应用其他一系列分割方法进 行处理，它常被应用于c t 图像中皮肤、骨骼的分割。 2 ) 区域生长和分裂合并 区域生长和分裂合并法是两种典型的串行区域分割方法，其特点是将分割 过程分解为多个顺序的步骤，其中后续步骤要根据前面步骤的结果进行判断而 确定。 区域生长是种根据事先定义的准则将像素或子区域聚合成更大区域的过 程。基本思想是以一组种子点开始，将与种子点性质相似( 如灰度级的特定范 围) 的相邻像素附加到生长区域的每个种子上。浚过程重复递归进行，直到没 有任何一个点可以加入任何一个区域为止。 区域生长算法的优点是计算简单，特别适用于分割小的结构，如肿瘤和伤 疤。区域生长法存在的最大问题是如何定义区域一致性准则，生长准则的选耿 直接影响最后形成的区域，准则太严，漏检的像素就会多：相反，准则太松， 区域的重叠也就变得严重“1 。为了减轻这些缺点，产生了诸如模糊分类的区域 增长法m 和其他方法m ，。 区域分裂合并法的思想是先将输入图像分为任意大小且不重叠的区域，然 后再合并或分裂这些区域以满足分割的要求。这类方法中，常需要根据图像的 统计特性设定图像区域属性的一致性测度，其中最常用的测度多基于灰度统计 特征，如同质区域中的方差等“1 。在区域的分裂合并方法中，不需要预先指定 种子点”0 1 ，它的研究重点是分裂和合并规则的设计，但是，分裂可能会使分割 区域的边界被破坏。 3 ) 分类器和聚类 分类是模式识别领域中一种基本的统计分析方法。分类的目的是利用已知 的训练样本集在图像的特征空间找到点( 一维) 、曲线( 二维) 、曲面( 三维) 或超曲面( 高维) ，实现对图像的划分。用分类器进行分割是一种有监督的 ( s u p e r v i s e d ) 统计方法，它需要手工分割得到的样本集作为新图像进行自动分 类的参考。分类器又分为两种：非参数( n o n p a r a m e t r i c ) 分类器和参数 ( p a r a m e t r ic ) 分类器。典型的非参数分类器包括k 近邻( k n n ) 及p a r z e n 窗( 一种 投票分类器) ，它们对图像数据的统计结构没有要求。参数分类器的代表是b a y e s 分类器，它假设图像的密度函数符合高斯独立分布。 分类器算法有两个优点：( 1 ) 不需要迭代运算，因此计算量相对较小：( 2 ) 可以应用于多通道图像，但是分类器同样没有考虑空间信息，因此对灰度不均 匀的图像分割效果不好。 聚类算法与分类器算法极为类似，只是它不需要训练样本。因此是一种无 监督的( u n s u p e r v is e d ) 统计方法。因为没有训练样本集，该算法迭代地进行图 6 像分类，并提取各类的特征值。从某种意义上说，聚类是一种自我训练的分类， 其中，k 均值、模糊c 均值、e m 和分层聚类方法“”1 是常用的聚类算法。 聚类算法不需要训练集，但是需要一个初始分割提供初始参数，初始参数 对最终分类结果影响较大。另一方面，聚类也没有考虑空间关联信息，因此也 对噪声和灰度不均匀敏感。 4 ) 基于随机场的方法 基于随机场的方法是一类考虑空间像素点之间空间关联的纯粹统计学方 法，如基于马尔可夫随机场( m r f ) 方法及基于吉布斯随机场( g r f ) 的方法。统计 学方法的实质是从统计学的角度出发对数字图像进行建模把图像中各个像素 点的狄度值看成是具有一定概率分布的随机变量。 使用m r f 模型进行图像分割需要解决的问题包括：领域系统的定义，能量函 数的选择及其参数的估计，极小化能量函数从而获得最大后验概率的策略等。 m r f 模型应用的难点在于选取合适的参数，控制空间相关性的强度，强度过强将 导致分割图像的边缘过度平滑，从而丢失一些重要的解剖细节信息。另外，应 用m r f 模型的算法计算量很大，根据这些方法提出的解决图像分割的办法是由最 大后验概率准则( m a p ) 推导得出的，为了减少计算量而不得不简化模型的假设前 提而得到次优解。 5 ) 其他基于统计学的方法 标记法是较常用的一种基于统计学的方法，该方法将图像欲分割成的几个 区域各以一个不同的标号来表示，对图像中的每一个像素，用一定的方式赋予 其中一个标号，标号相同的像素就组成该标号所代表的区域。 另一种较常用的基于统计学的方法是混合分布法，该方法把图像中每一个 像素的扶度值看作是几个概率分布( 一般用g a u s s i a n 分布) 按一定比例的混合， 通过优化基于最大后验概率的目标函数来估计这几个概率分布的参数和它们之 间的混合比例。 2 基于边缘的分割方法 基于边缘的分割方法是目前研究最多的方法，该方法通过检测不同区域间 的边缘来实现图像分割。边缘总是以强度突变的形式出现，可以定义为图像局 部特性的不连续性，如灰度的突变、纹理结构的突变等。 边缘检测技术可以按照处理顺序分为串行边缘检测及并行边缘检测。在串 行边缘检测技术中，当前像素是否属于欲检测的边缘取决于先前像素的检测结 果；而在并行边缘检测技术中，一个像素是否属于检测的边缘只与当前像素及 相邻像素有关。 1 ) 并行微分算子 并行微分算子通过求一阶导数极值点或二阶导数过零点来检测边缘。常用 7 的一阶导数算子有梯度算子、r o b e r t s 算子、s o b e l 算子和p r e w i t t 算子；二阶导 数算子有l a p l a c i a n 算子、k i t s c h 算子等非线性算子。在实际应用中各种微分算 子常用小区域模板来表示，微分运算利用模板与图像的卷积来实现。这些算子 对噪声敏感，不适合直接用于存在噪声而且复杂的医学图像。 为了减少噪声对图像的影响，通常在求导之前先对图像进行滤波。常用的 主要是m a r r 提出的采用拉普拉斯算子求高斯函数的二阶导数得到的l o g 滤波算 子1 。而抑制噪声和边缘精确定位是无法同时满足的，边缘检测算法通过图像 平滑去除噪声，但却增加了边缘定位的不确定性：反过来，若提高边缘检测算 子对边缘的敏感性，同时也会提高对噪声的敏感性。 2 ) 基于曲面拟合和边界曲线拟合的方法 曲面拟合法的基本思想是将灰度看成高度，用一个曲面来拟合个小窗口 内的数据，然后再在拟合的曲面进行边缘检测来决定边缘点。由于拟合的曲面 是满足一定平滑性的有理曲面，因而可以使图像噪声得到平滑。 基于边界曲线拟合的方法用平面曲线来表示不同区域之间的图像边界线， 根掘图像梯度等信息找出能正确表示边界的曲线，从而实现图像分割，而且由 于得到的是边界曲线，而不像其他一些方法中找出的是离散的、不相关的边缘 点，因而对图像分割的后续处理如物体识别等高层次分析有很大的帮助。即使 是用一般方法找出的边缘点，用曲线来描述它们以便于高层次分析也是经常采 用的一种有效方法。 3 ) 串行边界查找法 串行边界查找法通常查找高梯度值的像素，然后将它们连接起来形成表示 对象边缘的曲线。串行边界查找法在很大程度上受起始点的影响，以前像素的 检测结果对下一像素的判断也有较大影响。由于检测到的边缘像素在实际图像 中通常不相邻，如何将它们连接起来是一个问题，另一个问题是噪声的影响， 由于梯度算子具有高通特性，噪声通常也是高频的，因此可能会造成一些错误 边缘像素的检测。 3 结合区域与边界信息的方法 在实际应用中，为发挥各种方法的优势，克服它们的缺陷以获得更好的分 割效果，常把各种方法结合起来使用。例如，基于区域的分割方法往往会造成 图像的过度分割，而单纯的基于边缘检测的方法有时不能提供较好的区域结构， 各种方法怎样结合成为问题研究的重点，人们为此做了很多的研究”3 ，其 中基于形变模型的方法是目前研究最多、应用最广的分割方法。 形变模型结合了几何学、物理学和近似理论，通过使用从图像数据获得的 约束信息以及目标的位置、大小和形状等先验知识，可以有效地对目标进行分 割、匹配和跟踪分析。从物理学角度看，可将形变模型看成一个在施加外力和 内部约束条件下自然反应的弹性物体。形变模型主要分为两大类：参数形变模 型和几何形变模型。 基于参数形变模型的分割过程就是使模型在外能和内能的作用下向物体边 缘靠近，外力推动轮廓曲线( 曲面) 运动，而内力保持轮廓的光滑性。该方法 基于某种形式的目标函数的优化，目标函数最基本的形式就是某种基于图像的 能量项和另一个与内部能量或形状模型相关项之和。m k a s s n 先提出的模型对 初始位置和噪声敏感，而且对于凹槽部分不能得到正确的轮廓边界“”，随后出 现了不同的改进方法“”“”0 1 ，这些方法中较为成功的是c h e n y a n gx u 的梯度矢 量流模型，陔方法大大增加了曲线的捕获范围，对初始位置没有要求，但在对 多目标分割时，得到的目标轮廓线是互相相连的。 几何形变模型方法利用曲线演化理论来实现目标轮廓提取。目标轮廓作为 零水平集对应于一个更高维曲面演化函数在平面的投影，而演化函数可用某种 形式的偏微分方程来表示，利用图像信息( 如边缘) 来控制曲面演化的运动。 4 基于模糊集理论的方法 医学成像系统的物理特性以及不同组织对能量吸收的细微差异造成了医学 图像具有一定的模糊和不均匀性，图像中的区域并非总能明确地划分，存在不 确定因素，因此，图像分割问题是典型的结构不良问题。模糊集理论具有描述 事物不确定性的能力，因而有研究者将模糊集理论引入到图像处理与分析领域。 对于一个目标物体，用o n l 之间的一个隶属度值来表示图像中像素隶属于目标 物体的程度。基于模糊理论的图像分割方法包括：模糊阈值分割法、模糊聚类 分割法和模糊连接度分割法等。 5 基于神经网络的方法 八十年代后期，图像处理、模式识别和计算机视觉的主流领域，受到人工 智能发展的影响，出现了将更高层次的推理机制用于识别系统的做法，这种思 路也开始影响图像分割技术，在解决具体的医学图像问题时，出现了基于神经 网络模型( a n n ) 的分割方法。 神经网络模拟生物特别是人类大脑的学习过程，它由大量并行的节点构成， 每个节点都能执行一些基本的计算，学习过程通过调整节点间的连接关系以及 连接的权值来实现“。典型方法如b l a n z 口g i s h i l l 用前向三层网络来解决分类 问题“”，该方法中输入层的各个节点对应像素的各种属性，输出层结果为像素 的类别。b a b a g u c h i 等则使用多层网络且用反向传播方法对网络进行训练”， 该方法中输入为图像的灰度直方图，输出为阈值分割的阈值。 这些神经网络方法的出发点是将图像分割问题转化为能量最小化、分类等 问题，从而借助神经网络技术来解决问题，其基本思想是用训练样本集对a n n 进行训练，以确定节点间的连接和权值，再用训练好的a n n 去分割新的图像数据。 这类方法的一个问题是网络的构造需要大量的训练样本集，然而收集这些样本 在实际中是非常困难的。 6 基于数学形态学的方法 数学形态学在图像处理中的应用近年来日渐受到重视，更多的系统采用形 态学算子来对图像进行预处理或后处理。数学形态学的基本思想是用具有一定 形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目 的。形态学的基本操作是膨胀和腐蚀，它们的一些基本运算相互结台可以产生 复杂的效果。 形态学理论在图像分割中的应用比较有代表性的是l u cv i n c e n t 等人提出 的分水岭算法“，经过分水岭方法处理得到原始图像的过度分割图，因此该方 法常与其他方法结合使用。虽然基于数学形态学的方法已成功用于图像分割， 但它们需要用户的介入或准确的关于图像结构的先验知识。 1 31 2 医学图像分割算法的评价 图像分割中另一个重要的问题是对分割算法的定性和定量评价，这对于医 学图像的分割尤为重要，因为分割的准确度直接关系到临床应用的效果。 图像分割评价通过对图像分割算法性能的研究达到优化分割的目的，通过 评价可以掌握各个算法在不同分割任务中的表现，以通过选择算法参数来适应 不同类型图像的需要，另外，通过比较多个算法分割特定图像的性能，有助于 在具体分割任务中选取合适的算法。分割评价不仅可以提高现有算法的性能， 对研究新的分割方法也具有指导意义。 人们在分割算法的评价方面提出了若干方法，但目前还没有一个大家都能 接受的客观评价标准”“。现有的评价方法可以归纳为两类：直接分析法和间接 实验法，直接分析法直接研究分割算法本身的原理特性，通过分析推理得到算 法性能；间接实验法根据分割图像的质量间接地评价算法的性能。 在医学图像分割算法的评价上一般采用差异实验法，即将计算机的分割结 果与人工正确分割结果相比较，这种做法的问题是不同的操作人员对嗣一幅图 像的分割结果往往是有差异的，一种比较好的做法是获得几个操作人员的手工 分割结果，再比较计算机的分割结果是否与这些手工分割结果一致。 1 3 1 3 医学图像分割的研究特点 经过国内外研究人员多年的努力，提出了很多种分割算法，但至今还没有 一种通用的方法可以用于医学图像的分割，总的来说分割算法的研究呈现以下4 个特点： 1 0 ( 1 ) 人们逐渐认识到现有的任何一种单独的图像分割算法都难以对一般图像 取得令人满意的分割结果，因而人们在致力于将新概念、新方法引入图像分割 领域的同时，更加重视多种分割算法的有效结合，采取什么样的结合方式才能 充分利用各种方法的优点，取得好的效果己成为人们关注和研究的问题。 ( 2 ) 医学图像的分割需要利用医学领域中的大量知识，如心室的大致形状、颅 内白质和灰质的含量和相对位置关系等，分割可用的医学领域知识归纳为四种： 一是图像中不同对象的灰度分布情况：二是不同影像设备的成像特点；三是对 象的形状特征( 即解剖知识) ；四是不同对象间的空间几何关系。 ( 3 ) 随着三维可视化技术的发展，医学图像的三维分割受到更多关注。这是因 为医学图像中直接给出了以二维切片形式组织的三维数据，这就为三维分割提 供了可能。三维分割方式有两种：一种是直接在三维数据空间中分割，提取出 感兴趣区域包含的体素；另一种是对每张二维切片独立进行分割，再将每张切 片中提取的轮廓组合起来用于三维重建。 ( 4 ) 医学图像分割面向具体的临床应用，分割算法的准确性将影响诊断结果和 治疗方案，因此算法的准确性尤为重要。图像分割一直是一个经典难题，目前 的自动分割方法虽然在一些方面取得了一定的成功，但还远远不能满足医学图 像处理实践中对分割结果准确性的要求，因而，近年来由用户参与控制、引导 的交互式分割方法在医学图像分割中受到越来越多的关注， 1 3 2 肿瘤测量综述 在一定的生长时期内，肿瘤的大小反映了肿瘤的生长速度。治疗后肿瘤大 小的变化又是衡量一种治疗方法是否有效的指标。 放射治疗中，众多研究已经表明肿瘤体积是影响放疗效果的主要因素之一， 富颈癌、头颈部肿瘤、恶性黑色素瘤的放疗结果已证实了这点。因此胂瘤体 积的测量越来越受到重视。特别是随着新的放疗技术如i m r t 、3 d c r t 等的出 现，要求靶区剂量分布与肿瘤区适形，尽可能减少_ i _ f 常组织受照容积，提高治 疗增益比，因而肿瘤靶区的确定成为治疗成败的关键步骤”。许多专家认为应 该用肿瘤体积变化的大小作为疗效评价准则，肿瘤体积越大，表明肿瘤细胞数 量越多，从而引起肿瘤内血运障碍、乏氧细胞增多，甚至可以出现肿瘤中心坏 死，乏氧也可能引起肿瘤对放射治疗的抗拒，并且增加肿瘤的侵袭性”。 正是由于在一定生长时期内，肿瘤的大小反映了肿瘤的生长速度。治疗后 肿瘤大小的变化又是衡量一种治疗方法是否有效的指标，因此对于恶性病变除 了准确定位以外，对其体积作定量测量在医学临床是很有价值的，有助于治疗 计划的制定，如确定给药剂量、穿刺针数等。通过对肿瘤体积的测量可以辅助 医生诊断，提高疾病诊断的准确性和正确性。 肿瘤体积测量方法临床常用的方法有以下几种”“：临床体检、影像学检查 及手术。由于有些癌症患者就诊时已丧失手术机会，所以肿瘤的测量以前两种 方法为主。临床体检主要适用于表浅的，可见到( 或触及到) 的肿瘤，例如， 宫颈癌，可以根据妇科双合诊来估算肿瘤的大小。喉癌可以根据喉镜检查结合 x 片来估计肿瘤的最大直径，但这种测量方法只能大致估算，差异大。影像学 技术的发展和应用使对各种恶性肿瘤体积测量成为可能，如c t 、m r i 、b 超和 p e t 等等。综合考虑各种检查手段的敏感性、特异性及价格等因素，目前( 尤 其是国内) 以利用c t 图像进行肿瘤测量为主。 1 3 2 1 肿瘤测量的一般方法 1 肿瘤的一维、二维测量 按照世界卫生组织7 0 年代提出的标准，在c t 的横断面上可以进行肿瘤的 测量，病灶大小用最大直径和最大垂直径的乘积来描述，它代表了平面面积， 通过比较治疗前后的病灶大小对治疗效果进行评估“”1 ，如图1 2 所示。 1 9 9 4 年，t h ee u r o p e a no r g a n i z a t i o nf o rr e s e a r c ha n dt r e a t m e n ti n o n c 0 1o g y ( 欧洲癌症研究与治疗组织) 、t h en a t i o n a lc a n c e ri q s t i t u t eo ft h e u n i t e ds t a t e s ( 美国国家癌症研究所) 和t h en a t i o n a lc a n c e ri n s t i t u t e o fc a n a d ac 1 i n i c a lt r i a lsg r o u p ( 加拿大国家癌症中心研究组) 等组织研究 并提出了新的肿瘤疗效评估定则( r e s p o n s ee v a l u a t i o nc r i t e r i ains o l i d t u m o r s ，r e c i s t ) ，此评估定则为了简化测量，用一维测量即横断面上的最大直 径来表示肿瘤大小，对肿瘤进行定量评估“”。 图1 2 肿瘤二维测量示意图 以上两种基于直径的测量方法在临床应用中实现比较简单，但由于肿瘤边 界模糊不清，常为不规则形或浸润性生长，简单的一维、二维测量不能准确提 供其真实大小。同时，由于手工测量具有一定的主观性，同一测量方法在不同 专家间差异颇大，甚至同一专家在不同的时间和不同的状态下对同一幅图像的 测量结果亦有差异，结果的可重复性较差，测量精度不高”“”“。例如，当肿 瘤头尾方向较长时，仅从横断面测量即低估了其大小。 2 肿瘤的三维测量 通过影像学技术进行肿瘤体积三维测量的常用方法有两种： ( 1 ) 椭圆体公式法”“3 ，即通常先假定被测肿瘤类似椭圆体，测量肿块三个相 互垂直平面上的最大直径，按照标准椭圆体公式v = 0 5 2 3 高( h ) 宽( 矿) 长( ) 来计算肿块体积。这种方法的特点是测量计算简单，但肿瘤的形态并不规则， 通常不是椭圆体，而且不同观察者或同一观察者在不同时间测量肿瘤的体积时， 也存在着较大的观察者间及观察者内差异。治疗后在对同一病灶随访观察时， 也不能确保每次都能选择同一断面进行测量，因此测量结果常存在较大偏差。 ( 2 ) 累加法。“”，即首先确定每一层的肿瘤边界，计算各层肿瘤区域的像素 点数，并乘以扫描间隔得到部分体积值，通过累加得到肿瘤体积像素大小，再 按照比例尺进行换算，即可得到肿瘤的真实大小。这种方法的优点是测量准确、 可重复性高，缺陷是需要完成每张c t 片的肿瘤分割，工作量和数据量较大， 耗时，不宜为临床接受。 1 3 ，22 肿瘤测量与疗效评估 肿瘤治疗疗效分四类：完全缓解、部分缓解、稳定期和恶化期。表1 1 为 采用不同测量法对疗效分类的依据”。文献【2 8 ，2 9 中，研究者们组织放射医生 对多个病例进行肿瘤治疗疗效的评估研究，结果表明各种不同的测量方法在实 际应用中都受到一定的限制，对于浸润性的结构和周围炎性组织的敏感性往往 导致不同的方法之间产生一定程度的差异。到目前为止，一维、二维、三维测 量法哪一种更适合于疗效评估，尚未达成统一。 1 4 本文主要工作 本文的主要研究内容是结合病理及解剖学等信息，针对医学c t 图像中肿瘤 的