，

(江西理工大學(xué)信息工程學(xué)院，江西 贛州 341000)

錐形束CT(cone-beam CT, CBCT)在三維適形放射治療(three-dimensional conformal radiotherapy,3D-CRT)、強(qiáng)調(diào)放射治療(intensity-modulated radiotherapy, IMRT)和影像學(xué)引導(dǎo)放射治療(image-guided radiotherapy, IGRT)等精確放射治療技術(shù)[1]中均發(fā)揮著重要作用，已廣泛用于臨床放射治療前擺位誤差糾正。CT值的精度直接影響自適應(yīng)放射治療劑量的準(zhǔn)確性[2]，故計(jì)算CBCT放射治療劑量[3]前應(yīng)先校正CT值，即建立標(biāo)稱CT值和衰減系數(shù)之間的轉(zhuǎn)換關(guān)系[4]，標(biāo)稱CT值和衰減系數(shù)均由手動選取重建后三維數(shù)據(jù)的ROI求平均值所得，而手動選取ROI增加了校正過程的復(fù)雜性。有研究[5]采用電子密度模體(electron density phantom；型號 CIRS062)校正CBCT的CT值。CIRS062內(nèi)部為頭部模體，直徑180mm，厚50mm，共8種組織等效插件，插件直徑30mm、厚50mm，分別為呼氣態(tài)肺、吸氣態(tài)肺、脂肪、乳腺、水、肌肉、肝、松質(zhì)骨和密質(zhì)骨。

自動選取ROI的前提是分割圖像中的目標(biāo)區(qū)域。傳統(tǒng)圖像分割方法包括基于閾值的分割、基于區(qū)域提取的分割、基于邊緣檢測的分割和結(jié)合特定理論工具的分割等。隨著技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)已廣泛用于檢測、分割和物體識別等計(jì)算機(jī)視覺的各個領(lǐng)域，特別是深度卷積神經(jīng)網(wǎng)絡(luò)[6](deep convolution neural network, DCNN)推動了圖像語義分割的發(fā)展[7]。語義分割是指將圖像中相同對象的像素分成同一類，并將不同對象分割出來。本研究采用CIRS062校正CBCT的CT值，以基于DCNN[8]的方法對CIRS062進(jìn)行分割，先分割出呼氣態(tài)肺、吸氣態(tài)肺、松質(zhì)骨和密質(zhì)骨4個插件，再采用摩爾鄰域追蹤算法[9]處理分割目標(biāo)的邊緣獲得精確的分割結(jié)果，最后根據(jù)幾何特征定位每個插件的位置而獲得每個插件的ROI，并與參考區(qū)域進(jìn)行比較，以判斷定位區(qū)域是否在插件上。

1 設(shè)計(jì)與方法

1.1 實(shí)驗(yàn)數(shù)據(jù)

1.1.1 圖像數(shù)據(jù) 采用中國科學(xué)院深圳先進(jìn)技術(shù)研究院自行搭建CBCT系統(tǒng)(由Toshiba E7242X X線球管、Varian PaxScan 4343CB平板探測器與Indico IQ 50KW高壓發(fā)生器等設(shè)備搭建)，管電流0.6 mA，重建矩陣512×512×512，不同管電壓(80、100、125 kV)條件下掃描CIRS 062，實(shí)物圖見圖1A，訓(xùn)練圖像見圖1B～1D。數(shù)據(jù)樣本過少可導(dǎo)致網(wǎng)絡(luò)模型泛化能力不足，易陷入過擬合等[10]問題；而數(shù)據(jù)間的線性關(guān)系過多易造成模型在局部最優(yōu)值上收斂。為增加數(shù)據(jù)樣本，從三維圖像中選擇10張中間插件(水)不同形態(tài)的切片圖像，經(jīng)Average、Disk、Gaussian、Motion濾波器[11]處理獲得160張濾波圖像，故數(shù)據(jù)集是三維圖像中10張切片圖像和160張濾波圖像，隨機(jī)選取20張作測試集，剩余150張?jiān)龠M(jìn)行數(shù)據(jù)增強(qiáng)處理，最終產(chǎn)生訓(xùn)練集。

1.1.2 標(biāo)簽數(shù)據(jù) 標(biāo)簽勾畫工具采用ITK-SNAP軟件。ITK-SNAP可用于分割三維醫(yī)學(xué)圖像的結(jié)構(gòu)，并將外部或不相關(guān)的特征保持在最低限度。標(biāo)注對象為呼氣態(tài)肺、吸氣態(tài)肺、松質(zhì)骨和密質(zhì)骨，其他插件和圓盤均視為背景。實(shí)驗(yàn)數(shù)據(jù)運(yùn)行軟件采用Matlab R2018a，硬件配置采用Win 7系統(tǒng)，8核Intel(R)Core(TM)i7-6700 CPU@3.40 GHz的處理器，NVIDIA GeForce GTX 1080的顯示適配器。

1.2 網(wǎng)絡(luò)架構(gòu) DCNN架構(gòu)由編碼層和其相對的解碼層及分類層組成，核心是編碼層和其相對的解碼層。網(wǎng)絡(luò)架構(gòu)圖見圖2，不同顏色表示操作不同，相同顏色塊的個數(shù)表示操作次數(shù)相同。將大小為512×512的圖像數(shù)據(jù)和標(biāo)簽數(shù)據(jù)均處理為大小256×256的圖像輸入網(wǎng)絡(luò)，網(wǎng)絡(luò)編碼層遵循典型的卷積網(wǎng)絡(luò)體系結(jié)構(gòu)，由2個3×3卷積濾波重復(fù)應(yīng)用組成，批量歸一化(batch normalized, BN)[12]后傳至非線性激活函數(shù)(rectified-linear non-linearity, ReLU)[13]，再行大小為2×2步長為2的最大池化(max-pooling)[14]完成下采樣，其中池化層能記錄其在原圖中的空間位置，使在解碼層中進(jìn)行上采樣操作時能將相應(yīng)的值映射到對應(yīng)位置。每個編碼層有相對應(yīng)的解碼層，對解碼層進(jìn)行大小為2×2的反卷積操作，利用編碼層記錄的空間位置填充相應(yīng)位置的值進(jìn)行圖像恢復(fù)。將最后1個解碼層輸出的值傳至Softmax分類器，獲得每個像素的類別完成像素級分類和語義分割，其中加入BN層可提高網(wǎng)絡(luò)泛化能力和模型精度、加快收斂速度及降低網(wǎng)絡(luò)初始化的敏感度。

1.3 摩爾鄰域追蹤算法 由于DCNN分割結(jié)果邊緣不夠精確，選用摩爾鄰域追蹤算法處理邊緣。摩爾鄰域是指像素共享頂點(diǎn)或邊緣8個像素的集合，即八連通區(qū)域的像素；基本思想是：當(dāng)前像素P為白色，并規(guī)定為“起始”像素，一般P沿順時針方向逐像素訪問摩爾鄰域的每個像素，遇到下一個白色時同樣訪問摩爾鄰域每一個像素，直至遇到“起始”像素停止訪問；停止標(biāo)準(zhǔn)為Jacob's停止標(biāo)準(zhǔn)(Jacob's stopping criterion, Gonzalez, R. C., 2010)[11]。

圖1 CIRS 062實(shí)物圖與三維圖像切片圖 A.實(shí)物圖； B～D.第200層切片(B)、第222層切片(C)、第270層切片(D)三維圖像切片圖

1.4 數(shù)據(jù)訓(xùn)練 數(shù)據(jù)訓(xùn)練過程中對目標(biāo)損失函數(shù)求得最小值，采用自適應(yīng)矩估計(jì)(adaptive moment estimation, Adam)優(yōu)化算法[15]對其進(jìn)行迭代收斂。Adam是通過計(jì)算梯度的一階矩估計(jì)和二階矩估計(jì)的變化而改變學(xué)習(xí)率的方法，一階矩估計(jì)是梯度的帶權(quán)平均，計(jì)算公式為：ml=β1ml-1+(1-β1)E(θl)；二階矩估計(jì)是梯度的帶權(quán)有偏方差，計(jì)算公式為：vl=β2vl-1+(1-β2)[E(θl)]2；二者初始均為0向量，但當(dāng)衰減因子β1、β2接近于1時，ml與vl均傾向于0向量(接近于0向量)，則對ml與vl進(jìn)行偏差修正，其公式分別為：/、/，故Adam的公式為/ε)。

分割結(jié)果有多類，故采用Softmax分類器預(yù)測每個類所屬類別的概率，其公式為：

(1)

1.5 評估方法

1.5.1 戴斯相似性系數(shù)(Dice similarity coefficient, DSC) 采用DSC[17]量化分析分割結(jié)果。DSC的計(jì)算公式為：DSC(A,B)=(2|A∩B|)/(|A|+|B|)，其中A代表參考分割區(qū)域，B代表結(jié)果分割區(qū)域，|A∩B|代表A和B的交集。DSC的數(shù)值范圍是[0,1]，數(shù)值越高分割效果越好，0代表兩者無交集，1代表兩者完全重合。根據(jù)文獻(xiàn)[17]的方法，DSC>0.7表示參考分割區(qū)域和實(shí)際分割區(qū)域重復(fù)度高，分割結(jié)果好。

1.5.2 精確度、召回率和綜合評價指標(biāo)(F1-measure) 計(jì)算語義分割邊緣匹配度的關(guān)鍵思想是F1-measure[18]，指在給定像素容忍距離情況下預(yù)測圖像與真實(shí)圖像之間的精確度與召回率。精確度反映被分類器判定的正例中真正的正例樣本比重，計(jì)算公式為：P=TP/(TP+FP)，其中TP為陽性，預(yù)測為陽性；FP為陰性，預(yù)測為陽性，P值范圍為[0,1]，P值越接近于1精確度越高。召回率反映被正確判定的正例占總正例的比重，計(jì)算公式為R=TP/(TP+FN)，其中FN為陽性，預(yù)測為陰性，R值范圍為[0,1]，R值越接近于1召回率越高。

某些情況下精確度與召回率相互矛盾，如極端情況下預(yù)測結(jié)果只有1個且準(zhǔn)確，則精確度為1，而召回率較低；反之，若所有結(jié)果都返回，則召回率是1，但是精確度又較低。評價時應(yīng)綜合考慮精確度和召回率2種評價指標(biāo)。F-measure是綜合精確度和召回率的整體領(lǐng)域指標(biāo)，表示預(yù)測圖像與參考圖像的邊緣匹配度，計(jì)算公式為：F=(a2+1)PR/a2(P+R)，當(dāng)a=1時，即為F1-measure，計(jì)算公式為：F1=2PR/(P+R)，當(dāng)較高時，則說明分割結(jié)果較好；本研究中采用圖像對角線0.75%的值作為容忍距離。

2 結(jié)果

基于DCNN分割結(jié)果見圖3A，由于網(wǎng)絡(luò)中解碼層上采樣后與編碼層融合時出現(xiàn)誤差，分割的插件邊緣含有不屬于此插件類的信息，圖3中綠色框內(nèi)放大的密質(zhì)骨邊緣有其他插件類的信息；同樣，圖像中四角和中心區(qū)域均有此種情況(箭示區(qū)域)。為獲得更精確的分割結(jié)果，先將四角和中心區(qū)域的其他類設(shè)置為背景類，再采用摩爾鄰域追蹤算法處理插件邊緣，獲得結(jié)果見圖3B。與圖3A相比，圖3B中綠色框放大的密質(zhì)骨邊緣消除了其他插件類的信息。圖3C為參考圖像。測試集圖像分割結(jié)果與參考圖像所求的DSC、精確度、召回率及F1-measure見表1。定位CIRS 062插件ROI的結(jié)果見圖4，紅色圈為本方法定位的區(qū)域，綠點(diǎn)圈為參考區(qū)域。多閾值分割結(jié)果見圖5。

表1 測試集圖像分割結(jié)果量化分析

3 討論

CIRS 062插件定位是CBCT系統(tǒng)中校正CT值的關(guān)鍵步驟。插件定位的準(zhǔn)確性決定是否能合理選取插件ROI，為校正CBCT系統(tǒng)的CT值奠定基礎(chǔ)。本研究提出基于DCNN模型的定位，分割結(jié)果中，不同標(biāo)注對象的DSC均>0.85，精確度均>0.81，F(xiàn)1-measure均>0.61，表明分割結(jié)果較好，可實(shí)現(xiàn)自動定位CIRS 062插件ROI，相比于人工手動選取ROI更人性化。CIRS 062插件由不同密度的物質(zhì)材料組成，多閾值分割一次只能分割2個固定插件(吸氣態(tài)肺和密質(zhì)骨)；利用分割的2個插件，再根據(jù)幾何特征定位其他6個插件。受CBCT散射偽影[19]的影響，部分層插件吸氣態(tài)肺分割結(jié)果不完整，故無法定位。

圖2 CIRS 062插件定位的網(wǎng)絡(luò)架構(gòu)圖

圖3 分割結(jié)果圖與參考圖像 A.DCNN分割圖，箭示分割結(jié)果中不屬于此標(biāo)簽類的信息； B.本研究算法分割圖； C.參考圖像 (綠色框內(nèi)為密質(zhì)骨放大圖) 圖4 定位結(jié)果圖 紅色圈為本文方法定位區(qū)域，綠點(diǎn)圈為參考區(qū)域

圖5 閾值分割結(jié)果 A～C.分別為第200(A)、222(B)、270(C)層切片原始圖像； D～F.分別為第200(D)、222(E)、270(F)層閾值分割圖像

本研究提出一種基于深度學(xué)習(xí)的CBCT圖像分割，完成自動定位CIRS 062插件ROI。利用DCNN對圖像進(jìn)行像素級分割，分割結(jié)果較好；但缺點(diǎn)是分割的目標(biāo)邊緣不是很精確，不能一次精確定位，需要進(jìn)一步研究。