滕騰，陀芳，葛洪洲

1青島市中醫(yī)醫(yī)院耳鼻咽喉科，山東青島266034；2青島市中醫(yī)醫(yī)院影像科

梅尼埃病是一種原因不明的、以膜迷路積水為主要特征的特發(fā)性內(nèi)耳疾病，多發(fā)生在30～50歲的中青年人群中，發(fā)病率為10/10萬～157/10萬［1］。梅尼埃病主要由各種感染、損傷、耳硬化癥、腫瘤、白血病、自身免疫性疾病和遺傳因素引起，臨床表現(xiàn)為反復(fù)發(fā)作的旋轉(zhuǎn)性眩暈、波動(dòng)性聽力損失、耳鳴和耳悶脹感。臨床檢查多采用影像學(xué)檢查，特殊造影劑下的內(nèi)耳膜迷路MRI可顯示部分患者內(nèi)淋巴管擴(kuò)張［2］。磁共振成像（MRI）具有無骨性偽影、無電離輻射、軟組織結(jié)構(gòu)清晰、多序列成像等優(yōu)點(diǎn)，但是空間分辨率不高［3］。醫(yī)學(xué)圖像處理能夠使醫(yī)學(xué)圖像更加直觀、清晰，提高診斷效率，其中圖像分割是圖像處理最為關(guān)鍵的技術(shù)之一。傳統(tǒng)的區(qū)域生長水平集分割算法運(yùn)行時(shí)間長，難以獲得滿意的分割結(jié)果；專家手工分割算法雖然準(zhǔn)確率較高，但耗時(shí)長，挑戰(zhàn)性大，經(jīng)驗(yàn)不足的醫(yī)生難以準(zhǔn)確判斷［4-5］。統(tǒng)計(jì)形狀模型是利用高分辨率圖像作為訓(xùn)練樣本，并與待測圖像進(jìn)行比較，通過合適的配準(zhǔn)方法得到精確解析的模型［6］。水平集分割算法采用三維曲面的演化來表示二維曲線的演化，應(yīng)用曲線運(yùn)動(dòng)的連續(xù)演化來尋找圖像邊界，直到找到目標(biāo)輪廓，然后曲線停止運(yùn)動(dòng)。曲線沿圖像的每個(gè)部分移動(dòng)，從不同的部分取切片，然后得到一條閉合曲線。隨著時(shí)間推移，水平集發(fā)生變化，計(jì)算出視域。水平集分割算法具有良好的圖像分割效果，可獲得用于輪廓提取的相應(yīng)形狀［7-8］。為了提高對梅尼埃病內(nèi)耳道MRI圖像的診斷效率，我們將統(tǒng)計(jì)形狀模型與水平集分割算法相結(jié)合，提出了三維水平集智能分割（IS3DLS）算法。本研究以專家手工分割算法為標(biāo)準(zhǔn)，比較IS3DLS算法、區(qū)域生長水平集分割算法與專家手工分割算法的相似性和準(zhǔn)確性，旨在篩選最優(yōu)分割算法用于臨床診斷。

1 資料與方法

1.1 臨床資料選擇2017年10月—2020年4月在青島市中醫(yī)醫(yī)院就診的梅尼埃病患者68例，男20例、女48例，年齡18～62歲。左耳68只、右耳68只。均符合中華醫(yī)學(xué)會(huì)耳鼻咽喉科分會(huì)制定的梅尼埃病診斷標(biāo)準(zhǔn)，有耳鳴、耳聾、耳悶等癥狀，MRI檢查表現(xiàn)為外淋巴間隙變細(xì)，而內(nèi)淋巴間隙擴(kuò)張。排除接受過內(nèi)淋巴囊手術(shù)、人工耳蝸植入手術(shù)、鼓室慶大霉素注射的患者。本研究經(jīng)醫(yī)院倫理委員會(huì)審核，患者及家屬均簽署知情同意書。

1.2 MRI圖像的獲取采用SIEMENS公司1.5 T超導(dǎo)型MRI系統(tǒng)，標(biāo)準(zhǔn)頭線圈，應(yīng)用三維穩(wěn)態(tài)構(gòu)成干預(yù)序列進(jìn)行內(nèi)耳檢查。掃描參數(shù)：TR 6.0 ms，TE 2.7 ms，F(xiàn)OV 135×180，matrix（矩陣）256×192，層厚0.7 mm。本文采用T2加權(quán)顳骨區(qū)域MRI圖像數(shù)據(jù)。

1.3 圖像分割

1.3.1 專家手工分割由本院耳科專家直接在MRI原始圖像上畫出感興趣區(qū)（ROI）的邊緣，將對應(yīng)的目標(biāo)分割出來，進(jìn)行各種量化評估、風(fēng)險(xiǎn)評估以及術(shù)中手術(shù)模擬。

1.3.2 區(qū)域生長水平集分割首先在內(nèi)耳ROI內(nèi)設(shè)置種子點(diǎn)，通過實(shí)驗(yàn)調(diào)試區(qū)域生長法相關(guān)參數(shù)，經(jīng)多次調(diào)試直至最優(yōu)，獲得最佳區(qū)域生長分割結(jié)果后，輔助手工操作去除周圍與內(nèi)耳無關(guān)的組織結(jié)構(gòu)，獲得預(yù)分割結(jié)果。將預(yù)分割結(jié)果作為初始輪廓掩膜，水平集演化分割內(nèi)耳。

1.3.3 IS3DLS分割

1.3.3.1 內(nèi)耳統(tǒng)計(jì)形狀模型的建立隨機(jī)選取28組內(nèi)耳（左耳28只、右耳28只）圖像，交由本院耳科專家手動(dòng)分割獲得三維內(nèi)耳體素模型。利用3DSlicer中的移動(dòng)立方體算法，將體數(shù)據(jù)轉(zhuǎn)化為均勻分布的三角網(wǎng)格表面數(shù)據(jù)，獲得訓(xùn)練樣本。將所有訓(xùn)練樣本放置在相同的坐標(biāo)空間中，采用Platts分析方法對具有相同特征點(diǎn)數(shù)的相應(yīng)訓(xùn)練樣本集進(jìn)行比對。在2D樣本空間下，每個(gè)形狀樣本Si與平均形狀S-之間的平方誤差之和表示為D：D=∑|（Si-S-）2|。初始平均形狀是從訓(xùn)練樣本集中隨機(jī)指定的樣本圖像。任意兩個(gè)形狀Si和Sj之間的普氏距離（Pd）計(jì)算公式為：

公式中的n表示每個(gè)形狀中包含的特征點(diǎn)的數(shù)量。在高維空間擴(kuò)展條件下，需要對任意兩個(gè)形狀樣本進(jìn)行對齊。首先，計(jì)算每個(gè)形狀的中心，所有形狀的大小應(yīng)該統(tǒng)一，并用歐幾里得距離方程表示，即：

將兩個(gè)形狀的中心對齊，并采用奇異值分解方法對齊旋轉(zhuǎn)方向。然后通過最小化Platts距離得到最終的對準(zhǔn)樣本。

1.3.3.2 利用三維配準(zhǔn)技術(shù)測量圖像建立內(nèi)耳統(tǒng)計(jì)形狀模型后，我們將形狀模型與水平集分割方法相結(jié)合，進(jìn)行6組（左耳6只、右耳6只）內(nèi)耳的分割。利用醫(yī)學(xué)圖像處理工具包ITK（insight Toolkit）實(shí)現(xiàn)配準(zhǔn)過程。首先輸入?yún)⒖紙D像和浮動(dòng)圖像，根據(jù)軟件給定的初始變換參數(shù)將參考圖像轉(zhuǎn)換為幾何坐標(biāo)；然后對浮點(diǎn)圖像進(jìn)行插值計(jì)算，得到新的坐標(biāo)面積。計(jì)算參考圖像和差分后的浮動(dòng)圖像的相似度，如果相似度滿足預(yù)先設(shè)定的配準(zhǔn)要求，則輸出變化參數(shù)，得到最佳浮點(diǎn)圖像的插值圖像；如果不滿足預(yù)先設(shè)定的配準(zhǔn)要求，則繼續(xù)進(jìn)行最優(yōu)化計(jì)算，直到得到滿足要求的最終變換參數(shù)。

1.3.3.3 內(nèi)耳ROI的獲取采用配準(zhǔn)技術(shù)自動(dòng)定位和獲取內(nèi)耳ROI。選擇三維剛體變換作為變換模型，剛體變換包括平移和旋轉(zhuǎn)。變換公式如下：

公式中的（Xm，Ym，Zm）表示登記圖像的空間位置坐標(biāo)，（Xf，Yf，Zf）表示要變換的目標(biāo)圖像的空間位置坐標(biāo)。A是3×3的旋轉(zhuǎn)矩陣，F(xiàn)=A(Xf，Yf，Zf)，b是3×1的平移向量，矩陣的約束條件為ATA=I和detA=1。此外，AT是A的轉(zhuǎn)置，I是單位矩陣。本研究選取互信息作為相似性度量。對于給定的圖像X和Y，互信息量表示如下：

公式中的H（X）、H（Y）和H（X，Y）分別是熵X、熵Y和它們的聯(lián)合熵。當(dāng)X和Y相互獨(dú)立時(shí)，聯(lián)合熵等于它們各自的熵之和。當(dāng)X和Y不相互獨(dú)立時(shí)，聯(lián)合熵小于各自熵之和。即：

選擇梯度下降法作為配準(zhǔn)過程的優(yōu)化算法，通過迭代的方法對目標(biāo)函數(shù)進(jìn)行優(yōu)化，以達(dá)到最優(yōu)的配準(zhǔn)條件。然后，采用三次多項(xiàng)式插值法對體素點(diǎn)進(jìn)行非線性差分，即：

根據(jù)公式得到最終的配準(zhǔn)圖像，實(shí)現(xiàn)內(nèi)耳ROI的自動(dòng)定位和識(shí)別。

1.4 不同分割算法對內(nèi)耳圖像分割精度的評價(jià)以專家手工分割算法為標(biāo)準(zhǔn)，計(jì)算IS3DLS算法和區(qū)域生長水平集分割算法與專家手工分割算法的相似性和準(zhǔn)確性，采用馬修斯相關(guān)系數(shù)（MCC）、戴斯相似系數(shù)（DSC）從體素重疊率角度評價(jià)分割算法的準(zhǔn)確性，MCC代表兩種數(shù)據(jù)的相似性；DSC代表分割效果，DSC>0.8表示算法分割效果較好。采用假陽性率（FPR）和假陰性率（FNR）從錯(cuò)分割角度評價(jià)分割算法的準(zhǔn)確性，F(xiàn)PR、FNR分別代表過分割和欠分割，該值越接近0，分割錯(cuò)誤程度越低，準(zhǔn)確率越高。以IS3DLS算法、區(qū)域生長水平集分割算法兩種算法的分割結(jié)果與手動(dòng)分割結(jié)果表面之間的平均距離Dmean（mm）與最大距離Dmax（mm）計(jì)算兩者的表面輪廓誤差，用于驗(yàn)證分割精度。以真位置（TP）和假位置（FP）衡量兩種分割算法得到的區(qū)域之間的誤差，采用平均最小歐氏距離（AMED）和Hausdorff距離（HD）來確定兩種分割算法的分割輪廓與專家手工分割輪廓之間的差異。

1.5 統(tǒng)計(jì)學(xué)方法采用SPSS21.0統(tǒng)計(jì)軟件。計(jì)量資料以±s表示，組間比較采用t檢驗(yàn)，計(jì)數(shù)資料采用χ2檢驗(yàn)。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 三種圖像分割算法獲得的內(nèi)耳ROI結(jié)果內(nèi)耳MRI圖像顯示內(nèi)淋巴管和內(nèi)淋巴囊異常增大，提示患者患有梅尼埃病。通過內(nèi)耳統(tǒng)計(jì)形狀模型獲得的內(nèi)耳平均形狀見OSID碼圖1。專家手工分割、區(qū)域生長水平集分割、IS3DLS算法獲得的ROI結(jié)果見OSID碼圖2～4。經(jīng)對比，IS3DLS算法對前庭、耳蝸、半規(guī)管顯示清晰，分割準(zhǔn)確，與專家手工分割算法基本一致。

2.2 IS3DLS算法的準(zhǔn)確性和誤差測試結(jié)果使用IS3DLS算法的6組內(nèi)耳圖像分割結(jié)果與專家手工分割算法分割結(jié)果的準(zhǔn)確性和誤差比較見表1。IS3DLS算法的MCC、DSC均接近1，F(xiàn)PR、FNR均接近0，Dmax低于1.5 mm（<3體素）、Dmean低于0.5 mm（<1體素）。這表明IS3DLS算法結(jié)果與專家手工分割算法結(jié)果基本一致。

表1 IS3DLS算法的準(zhǔn)確性和誤差測試結(jié)果

2.3 IS3DLS算法與區(qū)域生長水平集分割算法的準(zhǔn)確性比較見表2。IS3DLS算法的MCC高于區(qū)域生長水平集分割算法，提示其與專家手工分割算法的結(jié)果更接近。兩種算法的DSC均>0.8，表明兩種算法的分割效果都很好，且IS3DLS的分割效果更好；IS3DLS算法的FPR、FNR均低于區(qū)域生長水平集分割算法（P均<0.05）。

表2 兩種分割算法的準(zhǔn)確性比較

2.4 IS3DLS算法與區(qū)域生長水平集分割算法的誤差比較見表3。與專家手工分割算法相比，IS3DLS算法和區(qū)域生長水平集分割算法均具有較高的TP和較低的FP。IS3DLS算法的HD小于區(qū)域生長水平集分割算法（P<0.05）。

表3 兩種分割算法的誤差比較

2.5 兩種分割算法的運(yùn)行時(shí)間比較區(qū)域生長水平集分割算法的運(yùn)行時(shí)間為（37.2±0.3）s，IS3DLS算法為（23.5±0.5）s，IS3DLS算法的運(yùn)行時(shí)間少于區(qū)域生長水平集分割算法（P<0.01）。

3 討論

內(nèi)耳的結(jié)構(gòu)較復(fù)雜，梅尼埃病患者會(huì)有不同部位的迷路積水情況［9］。3D加權(quán)水成像序列通常用于多平面重建，可用于內(nèi)耳疾病的MRI檢查、聽神經(jīng)薄層掃描和內(nèi)耳迷路的水成像［10］。MRI的優(yōu)點(diǎn)是不會(huì)產(chǎn)生骨性假影，適用于全身各系統(tǒng)疾病，可獲得任意方向（橫斷、冠狀、矢狀或任何角度）的斷層圖像和三維圖像，并且具有無電離輻射、軟組織結(jié)構(gòu)清晰、多序列成像等優(yōu)點(diǎn)；但MRI成像時(shí)間長，空間分辨率低，據(jù)統(tǒng)計(jì)僅為2 mm［11］。醫(yī)學(xué)圖像分割在數(shù)字醫(yī)學(xué)研究和治療方案的制定與實(shí)施中具有重要作用。噪聲和對比度對圖像分割有重要影響，區(qū)域生長水平集分割算法通過傳統(tǒng)的區(qū)域生長切割初步確定內(nèi)耳輪廓，去除內(nèi)耳邊界噪聲，并采用自適應(yīng)曲率閾值法修復(fù)內(nèi)耳邊界，最后應(yīng)用水平集方法中的距離正則化水平集進(jìn)化（DRLSE）模型對內(nèi)耳區(qū)域進(jìn)行精確分割［12］。該方法能有效防止圖像邊緣的漏檢，并能處理各種類型病變的圖像，但其運(yùn)行時(shí)間長，難以獲得滿意的分割結(jié)果，其準(zhǔn)確性和可操作性還有待提高［13］。專家手工分割算法雖然準(zhǔn)確率較高，但耗時(shí)長，挑戰(zhàn)性大，對醫(yī)生的經(jīng)驗(yàn)要求較高。

水平集分割算法是一種基于微分幾何的圖像分割算法，該方法將不同形狀的圖像合并到能量函數(shù)中，最終得到由零水平函數(shù)集表示的輪廓形狀。在分割超聲、CT和MRI圖像時(shí)，該方法能有效分割圖像邊界的模糊區(qū)域或部分缺失的病灶。水平集分割方法具有較高的分割精度［14-15］。統(tǒng)計(jì)形狀模型建模是連接幾何圖案和功能圖案的強(qiáng)大可視化和量化工具。通過對統(tǒng)計(jì)形狀模型的檢驗(yàn)，得到患者圖像的特征［16-17］。IS3DLS是基于統(tǒng)計(jì)形狀模型建模的水平集分割方法，其對偽邊界和噪聲的抗干擾性更強(qiáng)，顯著提高了結(jié)果的準(zhǔn)確性，同時(shí)也提高了處理速度。

本研究結(jié)果顯示，MRI可以發(fā)現(xiàn)內(nèi)淋巴管和內(nèi)淋巴囊的異常增大，從而確診為梅尼埃病。通過對所有訓(xùn)練樣本的統(tǒng)計(jì)分析，可以得到內(nèi)耳的統(tǒng)計(jì)形狀模型。三維配準(zhǔn)技術(shù)得到的內(nèi)耳ROI與內(nèi)耳ROI的繪制結(jié)果基本一致。與專家手工分割相比，IS3DLS算法的MCC值和DSC值分別為0.959 9和0.959 4，區(qū)域生長水平集分割算法的MCC值和DSC值分別為0.869 3和0.872 1。雖然兩種算法都有較好的分割效果，但I(xiàn)S3DLS算法更接近于1，說明其分割效果更佳。與區(qū)域生長水平集分割算法的FPR 0.140 2和FNR 0.071 8相比，IS3DLS分別為0.032 5和0.036 5，更接近于0，說明IS3DLS算法分割錯(cuò)誤程度更低，準(zhǔn)確率更高，具有更好的分割效果。在運(yùn)行時(shí)間方面，IS3DLS算法的運(yùn)行時(shí)間較區(qū)域生長水平集分割算法顯著縮短，表明IS3DLS算法處理速度更快，所需時(shí)間更短。

3D配準(zhǔn)技術(shù)得到的內(nèi)耳ROI與繪制的內(nèi)耳ROI相似。IS3DLS和區(qū)域生長水平集分割算法具有較好的分割效果。與區(qū)域生長水平集分割算法相比，IS3DLS算法的分割效果更接近專家手工分割算法，誤差更小。IS3DLS具有較快的速度和較短的時(shí)間，其性能與訓(xùn)練樣本的大小有關(guān)。當(dāng)訓(xùn)練樣本量較小時(shí)，存在一定的誤差。然而，在實(shí)際實(shí)驗(yàn)中很難獲得大量的訓(xùn)練樣本，所以當(dāng)待測試圖像的形狀與選擇的訓(xùn)練樣本相差較大時(shí)，測試的誤差就更大了。希望今后引入更先進(jìn)的分割算法，進(jìn)一步提高M(jìn)RI圖像的分割效果，增加計(jì)算機(jī)輔助治療在臨床醫(yī)學(xué)中的應(yīng)用價(jià)值。本研究結(jié)果可為梅尼埃病患者內(nèi)耳道MRI圖像分割算法的研究提供實(shí)驗(yàn)依據(jù)，從而提高M(jìn)RI圖像的分辨率。