劉道踐　李　源*　安維民　顧風(fēng)軍

基于醫(yī)學(xué)圖像的肝癌計(jì)算機(jī)輔助診斷方法的研究*

劉道踐①李源①*安維民②顧風(fēng)軍①

劉道踐,男,(1967- ),碩士，副研究員。解放軍第302醫(yī)院醫(yī)學(xué)信息中心，從事醫(yī)學(xué)信息化管理工作。

目的：通過(guò)研究肝癌計(jì)算機(jī)輔助診斷方法，實(shí)現(xiàn)自動(dòng)識(shí)別肝癌病灶特征區(qū)域，達(dá)到輔助醫(yī)生診斷的目的。方法：針對(duì)圖像分割及識(shí)別等技術(shù)難點(diǎn)，在傳統(tǒng)計(jì)算機(jī)輔助診斷的基礎(chǔ)上，改進(jìn)并提出新的圖像預(yù)處理及圖像分割方法；根據(jù)已有的大規(guī)模標(biāo)注圖像數(shù)據(jù)進(jìn)行肝部病灶智能分類(lèi)，從多方位對(duì)肝部病灶進(jìn)行判斷，以提高計(jì)算機(jī)輔助診斷的可用性。結(jié)果：通過(guò)試驗(yàn)可較好地對(duì)病灶區(qū)域進(jìn)行分割及識(shí)別，初步實(shí)現(xiàn)了肝癌病灶的識(shí)別。結(jié)論：利用計(jì)算機(jī)輔助診斷方法，可敏銳地識(shí)別肝癌病灶的細(xì)微變化，為肝癌輔助診斷提供參考指標(biāo)，提高肝部惡性腫瘤識(shí)別的準(zhǔn)確性。

圖像分割；計(jì)算機(jī)輔助診斷；肝癌

DOI∶ 10.3969/J.ISSN.1672-8270.2015.05.001

[First-author’s address] Medical Information Center, 302 Hospital of PLA, Beijing 100039, China.

肝癌在我國(guó)的發(fā)病率較高，其死亡人數(shù)在世界上占有很大比例，而肝癌的早期發(fā)現(xiàn)和治療對(duì)于患者而言尤其重要。目前，醫(yī)院普遍通過(guò)CT、B超等醫(yī)學(xué)影像技術(shù)對(duì)肝癌進(jìn)行診斷，在短時(shí)間內(nèi)對(duì)每日積累的海量醫(yī)學(xué)影像圖片進(jìn)行鑒別診斷，對(duì)醫(yī)生的醫(yī)學(xué)圖像識(shí)別能力和耐力有極高的要求。故本研究基于醫(yī)學(xué)圖像的肝癌計(jì)算機(jī)輔助診斷系統(tǒng)將逐步成為幫助醫(yī)生進(jìn)行醫(yī)學(xué)圖像診斷不可缺少的工具，以減輕醫(yī)生部分工作，輔助醫(yī)生搜索出具有明顯特征的病灶區(qū)域，提高診斷的準(zhǔn)確性，減少誤判、漏判的概率[1-2]。

1　計(jì)算機(jī)輔助診斷技術(shù)

計(jì)算機(jī)輔助診斷在醫(yī)學(xué)影像領(lǐng)域是指通過(guò)結(jié)合醫(yī)學(xué)、影像學(xué)、信息學(xué)及計(jì)算機(jī)技術(shù)對(duì)醫(yī)學(xué)影像進(jìn)行的圖像處理及圖像分析，并通過(guò)計(jì)算機(jī)算法分析識(shí)別病灶區(qū)域，輔助醫(yī)生進(jìn)行診斷。20世紀(jì)70年代，在國(guó)際上已經(jīng)開(kāi)始了計(jì)算機(jī)輔助診斷的研究，美國(guó)MIT的高端和斯柯特·莫頓教授在《管理決策系統(tǒng)》一書(shū)中首先提出計(jì)算機(jī)輔助決策系統(tǒng)，通過(guò)試驗(yàn)證明計(jì)算機(jī)可以成為輔助決策診斷的工具。20世紀(jì)90年代，在肝病領(lǐng)域的計(jì)算機(jī)輔助診斷中研究人員通過(guò)提取特征量，并通過(guò)分類(lèi)器進(jìn)行分類(lèi)。近年來(lái)，計(jì)算機(jī)輔助診斷不斷發(fā)展，加入了遺傳算法、支持向量機(jī)算法、灰度共生矩陣分析及人工智能網(wǎng)絡(luò)等技術(shù)，對(duì)醫(yī)學(xué)影像的病灶識(shí)別率有了極大的提高[3-6]。

2　基于肝癌圖像的計(jì)算機(jī)輔助診斷方法

2.1醫(yī)學(xué)影像數(shù)據(jù)選取

本研究醫(yī)學(xué)影像數(shù)據(jù)由醫(yī)院放射科提供；選取89名確診為原發(fā)性肝癌患者的肝部多期掃描圖像；診斷設(shè)備為GE和TOSHIBA醫(yī)療設(shè)備，數(shù)據(jù)格式為DICOM格式圖像，進(jìn)行圖像的格式批量轉(zhuǎn)換，目前使用jpeg作為一般情況下圖像分析格式。

2.2基于多期CT掃描的圖像分割

2.2.1CT圖像傳統(tǒng)分割方法

圖像分割是典型的經(jīng)典難題，隨著醫(yī)療影像的發(fā)展，圖像分割在醫(yī)學(xué)輔助診斷中具有特殊的重要意義，圖像分割算法通常會(huì)用到不同對(duì)象間特征的不連續(xù)性和同一對(duì)象內(nèi)部特征的相似性[7]。

閾值法是最常見(jiàn)的區(qū)域分割方法，優(yōu)點(diǎn)為其方法相對(duì)簡(jiǎn)單，對(duì)于目標(biāo)圖像區(qū)域灰度差異很大時(shí)，能有效的對(duì)圖像進(jìn)行分割；缺點(diǎn)為其方法不適用于特征相差較小的圖像，對(duì)于圖像中不存在明顯分割邊界的圖像效果不好。區(qū)域生長(zhǎng)方法是將具有相似性的像素逐步合并為一個(gè)區(qū)域的方法，與閾值法類(lèi)似，區(qū)域生長(zhǎng)同樣對(duì)噪聲敏感，往往在使用過(guò)程中會(huì)產(chǎn)生空洞或者局部分裂。分類(lèi)和聚類(lèi)方法是具有自我訓(xùn)練能力，比如k均值方法，迭代逐步更新聚類(lèi)中心有一系列方法來(lái)提供聚類(lèi)算法對(duì)圖像分類(lèi)的魯棒性。

對(duì)于圖像分割另一大類(lèi)是基于圖像邊緣的分割方法，有基于曲面擬合、曲線擬合的方法。根據(jù)圖像的一階導(dǎo)數(shù)得到圖像的邊緣圖像，根據(jù)圖像物體表面連續(xù)的假設(shè)，通過(guò)高階多元函數(shù)進(jìn)行曲線擬合后得到物體邊緣。還有一類(lèi)非常靈活的圖像分割方法為基于形變模型的方法。擬定初始邊界后算法自我迭代，逐步逼近目標(biāo)物體，但該方法同樣只是驗(yàn)證了相對(duì)簡(jiǎn)單的圖像[8-11]。研究顯示，目前的醫(yī)療圖像分割算法普遍研究目標(biāo)為單一圖像，并未利用CT圖像序列，因此本研究提出的方法將從此點(diǎn)出發(fā)，從而實(shí)現(xiàn)三維圖像分割。

2.2.2基于多期CT掃描的圖像分割方法

在對(duì)CT圖像進(jìn)行分割過(guò)程中，結(jié)合傳統(tǒng)基于邊緣分析的圖像分割方法，同時(shí)提出結(jié)合CT掃描連續(xù)性假設(shè)的條件，對(duì)空間三維進(jìn)行輔助分析。圖像分割算法：①對(duì)單張圖像進(jìn)行邊緣分析；②在肝臟內(nèi)部進(jìn)行區(qū)域生長(zhǎng)算法像素填充，設(shè)定區(qū)域生長(zhǎng)規(guī)則，提取到的圖像邊緣會(huì)對(duì)區(qū)域生長(zhǎng)起到阻礙作用；③結(jié)合該層切片上下相鄰多層切片邊緣分析結(jié)果，根據(jù)置信度對(duì)待分析層區(qū)域生長(zhǎng)可同樣起到阻礙作用[12]。

圖像分割方法與傳統(tǒng)方法相比的優(yōu)勢(shì)在于對(duì)內(nèi)臟邊緣模糊區(qū)域，結(jié)合上、下多層分析可得到更好的分類(lèi)邊緣，能夠避免產(chǎn)生過(guò)多的分類(lèi)小區(qū)域。對(duì)于CT類(lèi)特殊圖像序列，使用該方法可得到互相驗(yàn)證的分割邊緣[13-14]。

(1)CT圖像邊緣檢測(cè)。圖像邊緣檢測(cè)算子眾多，不同的邊緣檢測(cè)算子側(cè)重點(diǎn)不同，其效果各異。本研究比較了Roberts算子、Sobel算子、Prewitt算子及Laplacian算子對(duì)CT圖像的邊緣檢測(cè)效果，根據(jù)多次觀察比較，最終使用Sobel算子進(jìn)行邊緣檢測(cè)。可以看出Sobel邊緣檢測(cè)算子能很好的避免局部噪聲，且邊緣曲線清晰(如圖1所示)。

圖1　CT圖像邊緣檢測(cè)對(duì)比圖

(2)基于多層邊緣置信度的圖像分割方法。該方法主要針對(duì)于CT圖像類(lèi)的序列圖像分割，該圖像序列在時(shí)間上和空間上具有連續(xù)性。由于CT圖像的這一特殊特征，本研究提出在三維空間的圖像分割方法基于下述假設(shè)：①被檢測(cè)物體幾何外形變化緩慢不存在大量突變；②切片在物理空間上間隔較短?；诖思僭O(shè)產(chǎn)生出下述CT肝部圖像分割算法：①生成存在肝臟區(qū)域的CT圖像切片的邊緣檢測(cè)圖像序列；②準(zhǔn)備待分割圖像，通過(guò)DICOM格式圖像提取肝部類(lèi)似密度區(qū)域；③通過(guò)左右區(qū)域判斷排除胰腺部分，其余部分計(jì)算中心點(diǎn)作為種子點(diǎn)；④通過(guò)區(qū)域生長(zhǎng)算法填充鄰近像素，在生長(zhǎng)過(guò)程中根據(jù)兩個(gè)條件判斷是否生長(zhǎng)，若像素灰度值在閾值范圍內(nèi)，擴(kuò)展并生長(zhǎng)，若生長(zhǎng)方向遇到該切片上下3層切片邊緣檢測(cè)點(diǎn)，停止該方向生長(zhǎng)，根據(jù)置信度規(guī)則制定目前位置的邊緣；⑤抽取填充部分，該切片肝部分割完成(如圖2所示)。

圖2 連續(xù)切片邊緣檢測(cè)圖

圖2中的連續(xù)切片邊緣檢測(cè)圖像顯示，肝部邊緣呈現(xiàn)緩慢收縮或者擴(kuò)張趨勢(shì)，因此肝部邊緣在空間上具有可參考性。本層切片可能在某些區(qū)域模糊，或者呈現(xiàn)絲狀，在這種情況下該區(qū)域的邊緣非常不明顯，甚至是錯(cuò)誤的，如果根據(jù)該切片上、下多層切片該位置附近的邊緣作為參考，則可以得到該切片肝臟邊緣的指導(dǎo)位置。得到指導(dǎo)位置后根據(jù)一定的加權(quán)方法，最終確定本層切片的邊緣位置。假設(shè)該切片位置向上、向下同時(shí)參考3層，則該層邊緣置信度計(jì)算方法為公式1：

公式(1)顯示，該層邊緣置信度結(jié)合了三維立體情況，很好地避免了突發(fā)性邊緣檢測(cè)失敗導(dǎo)致的圖像分割失敗，極大增加了算法魯棒性。

(3)肝部CT圖像分割結(jié)果分析。CT肝部圖像分割算法較好地處理了肝臟邊緣的絲狀結(jié)構(gòu)，很好的結(jié)合了相鄰切片的邊緣檢測(cè)結(jié)果，最終得到的肝部分割效果較為理想(如圖3所示)。

圖3　CT圖像分割填充與區(qū)域提取結(jié)果圖

2.3病灶區(qū)域分析方法

本研究在完成對(duì)多期CT圖像的三維配準(zhǔn)后，為計(jì)算機(jī)分析做必要的預(yù)處理，再利用增強(qiáng)CT掃描分析多期肝臟區(qū)域的病灶變化，可觀察到病灶在多期掃描過(guò)程中的變化(如圖4所示)。

(1)通過(guò)配準(zhǔn)后圖像差的病灶區(qū)域提取。增強(qiáng)CT掃描的原理是利用病灶區(qū)域血供的特殊性，因此病灶區(qū)域在多個(gè)時(shí)期必然與正常肝臟區(qū)域變化不同，如動(dòng)脈期肝臟大部分區(qū)域注入造影劑，在CT影像上呈現(xiàn)高亮狀態(tài)，而病灶區(qū)域根據(jù)病灶的特點(diǎn)，可能會(huì)由于無(wú)動(dòng)脈血供而導(dǎo)致顏色較深，或者由于血供更加明顯體現(xiàn)出影像更加明亮。因此，根據(jù)配準(zhǔn)后的圖像進(jìn)行圖像差運(yùn)算，便可得到病灶區(qū)域的輪廓。由于多期掃描可產(chǎn)生數(shù)個(gè)相同內(nèi)臟位置不同時(shí)期的切片，因此可有種圖像差結(jié)果，通過(guò)6個(gè)結(jié)果交叉驗(yàn)證，可得到最終更具有魯棒性的病灶識(shí)別結(jié)果。

圖4　多期配準(zhǔn)后肝臟區(qū)域圖

(2)基于高斯混合模型的病灶區(qū)域提取。通過(guò)分析CT圖像的特殊性，結(jié)合CT圖像在時(shí)間上連續(xù)的特性，對(duì)于肝部病灶區(qū)域獨(dú)特的采用了基于高斯混合模型的圖像聚類(lèi)分割方法。在聚類(lèi)過(guò)程中，不僅僅考慮單張圖像上像素的特征，同時(shí)考慮隨著時(shí)間的變化在CT圖像變化中的局部特征。由于多期CT掃描注射造影劑的影響，多期CT圖像會(huì)呈現(xiàn)出較為統(tǒng)一的明暗變化，其原因?yàn)樵煊皠└鶕?jù)器官血供情況分布到身體器官各部位，同時(shí)由于人體代謝而產(chǎn)生明暗變化所致。然而，由于病灶區(qū)域血供情況異于正常器官部位，使病灶區(qū)域顯示出不同的明暗變化。本研究采用基于混合高斯模型的方法對(duì)CT圖像流進(jìn)行分析，對(duì)于區(qū)域病灶的發(fā)現(xiàn)和分割有更好的靈敏度和分割精度。

圖5　病灶區(qū)域分離及標(biāo)注圖

高斯混合模型的原始思想是通過(guò)數(shù)個(gè)不同參數(shù)的高斯分布函數(shù)的加權(quán)來(lái)擬合任意變化曲線，通過(guò)對(duì)目標(biāo)數(shù)值變化的學(xué)習(xí)，逐漸擬合出可描述目標(biāo)曲線的高斯混合模型，從而得到多組高斯模型參數(shù)，最終通過(guò)對(duì)高斯模型參數(shù)的聚類(lèi)來(lái)實(shí)現(xiàn)圖像分割和數(shù)值分析等。

高斯混合模型常用于聚類(lèi)，通過(guò)選擇成分最大化的后驗(yàn)概率來(lái)完成聚類(lèi)。與k-means聚類(lèi)相似，高斯混合模型也使用迭代算法計(jì)算，最終收斂到局部最優(yōu)。高斯混合模型在各類(lèi)尺寸不同、聚類(lèi)間有相關(guān)關(guān)系時(shí)可能比k-means聚類(lèi)更合適。高斯混合模型對(duì)于圖像序列處理有良好的能力，通過(guò)統(tǒng)計(jì)每個(gè)像素的變化特點(diǎn)，根據(jù)不同參數(shù)的高斯函數(shù)，利用不同權(quán)值對(duì)高斯函數(shù)進(jìn)行加權(quán)，從而對(duì)圖像像素變化規(guī)律進(jìn)行擬合，將變化規(guī)律數(shù)據(jù)化，從理論上可更好的適應(yīng)對(duì)象變化特征，能夠更好的獲得分類(lèi)結(jié)果[15](如圖5所示)。

3　結(jié)語(yǔ)

本研究通過(guò)增強(qiáng)CT多期掃描病灶的變化規(guī)律分析病灶區(qū)域，實(shí)現(xiàn)病灶區(qū)域的偵測(cè)和分離，其結(jié)果顯示，識(shí)別準(zhǔn)確率達(dá)到85%，算法實(shí)現(xiàn)了預(yù)期效果，可根據(jù)CT圖像進(jìn)行計(jì)算機(jī)圖像處理，從而在大量圖像數(shù)據(jù)中分析出病灶區(qū)域。然而，大量的試驗(yàn)表明，根據(jù)患者CT圖像的復(fù)雜性，還存在一定的誤報(bào)率，主要誤報(bào)為小肝癌病灶，但實(shí)際為配準(zhǔn)誤差以及肝臟門(mén)靜脈區(qū)域血管的影響所導(dǎo)致，有待進(jìn)一步研究改進(jìn)。

[1] 董放，李保偉.基于分形維數(shù)對(duì)肝臟CT圖像的紋理特征研究[J].武警醫(yī)學(xué)，2003，14(6)：337-340.

[2] 劉建華.基于圖像處理的CT圖像肝癌診斷技術(shù)研究[J].清華大學(xué)學(xué)報(bào)，2014，54(7)：917-923.

[3] 劉偉.基于紋理分析和人工神經(jīng)網(wǎng)絡(luò)的肝部CT圖像識(shí)別[D].泰安：泰山醫(yī)學(xué)院，2006.

[4] 葉俊.基于多期肝臟CT圖像的計(jì)算機(jī)輔助診斷系統(tǒng)中關(guān)鍵技術(shù)的研究[D].上海：上海交通大學(xué)，2010.

[5] 王曉飛.基于MRI的腦腫瘤計(jì)算機(jī)輔助檢測(cè)技術(shù)研究進(jìn)展[J].中國(guó)醫(yī)學(xué)物理學(xué)雜志，2014，31(1)：4635-4638.

[6] 王建偉.基于Snake模型的肝癌CT圖像分割方法的研究[D].鄭州：華北水利水電學(xué)院，2009.

[7] DOI K.Computer-aided diagnosis in medical imaging：Historical review，current status and future potential[J].computer Medical Imaging Graph，2007，31(4-5)：198-211.

[8] 強(qiáng)永乾.基于Web平臺(tái)孤立性肺結(jié)節(jié)影像計(jì)算機(jī)輔助診斷的研究[J].西安交通大學(xué)學(xué)報(bào)，2011，32(3)：367-370.

[9] Van Ginneken B，Ter Haar Romeny BM，Viergever MA.Computer-aided diagnosis in chest radiography：a survey[J].IEEE Trans Med Imaging，2001，20(12)：1228-1241.

[10] Kuhnigk JM，Dicken V，Bornemann L，et al. Morphological seg-mentation and partial volume analysis for volumetry of solid pulmonary lesions in thoracic CT scans[J].IEEE Trans Med Imaging，2006，25(4)：417-434.

[11] Yamamoto M，Ishida T，Kawashita I，et al. Development of comput-er-aided diagnostic system for detection of lung nodules in three-dimensional computer tomography images[J].Nippon Hoshasen Gijutsu Gakkai Zasshi，2006，62(4)：555-564.

[12] 王偉勝.醫(yī)學(xué)圖像計(jì)算機(jī)輔助診斷數(shù)據(jù)平臺(tái)研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2013，32(1)：105-108.

[13] 隋美榮.計(jì)算機(jī)輔助診斷系統(tǒng)在急診影像學(xué)中的應(yīng)用探討[J].中國(guó)醫(yī)療設(shè)備，2011，26(11)：89-90.

[14] 姜慧研.腹部MRI中肝臟圖像的自動(dòng)提取與肝硬化的自動(dòng)識(shí)別[J].中國(guó)臨床醫(yī)學(xué)影像，2002，13(5)：337-341.

[15] 李玲.基于CT圖像的肝癌計(jì)算機(jī)輔助診斷[J].甘肅科學(xué)學(xué)報(bào)，2012，24(1)：61-64.

Study on liver cancer computer-aided diagnosis based on medical imaging

LIU Dao-jian,LI Yuan, AN Wei-min, et al

China Medical Equipment,2015,12(5)∶

Objective∶ To investigate the computer auxiliary diagnosing method of liver cancer to realize the automatic recognition of hepatocellular carcinoma (HCC) lesions characteristic region so as to assist the doctor in diagnosing the tumor. Methods∶ Facing the technical difficulties in image segmentation and recognition, we put forward a new image preprocessing and segmentation method based on the data of traditional computer-aided diagnosis. Meanwhile, we made intelligent classification of liver lesions according to a large number of existing image annotation data to improve the usability of computer-aided diagnosis through the judgment of liver lesions in many aspects. Results∶ Better segmentation and recognition of the lesions were achieved to realize the identification of HCC lesions. Conclusion∶ The use of computer-aided diagnosis of HCC results in keen recognition of slight changes of lesions in patients. Furthermore, it can provide a reference for the auxiliary diagnosis of HCC. As a result, the diagnosing accuracy of liver malignant tumor can be improved combining with the doctor's clinical experience.

Image segmentation; Computer-aided diagnosis; Hepatocellular carcinoma

1672-8270(2015)05-0001-04

R197.324

A

國(guó)家高技術(shù)研究發(fā)展計(jì)劃(2012AA02A606)“功能性臨床信息技術(shù)與系統(tǒng)開(kāi)發(fā)”；解放軍第302醫(yī)院院內(nèi)課題(YNKT2012034)“基于海量醫(yī)學(xué)圖像分析的肝癌輔助診斷”

①解放軍第302醫(yī)院醫(yī)學(xué)信息中心 北京 100039

②解放軍第302醫(yī)院醫(yī)學(xué)影像中心 北京 100039

ly302@126.com

2015-01-14