文摘

肾脏分割是一个重要的步骤在发展为肾功能评估任何的计算机辅助诊断系统。介绍了自动化框架3 d肾脏分割从动态相结合的计算机断层扫描(CT)图像区别的特性从当前和之前CT表现为一个随机森林分类的方法。占CT图像的尺度,我们雇佣歧视特征提取高阶空间模型和自适应形状模型除了一阶CT外观。体素模型之间的交互CT数据,我们采用高阶空间模型,它可以增加三倍,四派家庭传统的成对小团体的家庭。肾脏形状先验模型是使用一组训练CT数据和更新在分割使用不仅区域标签还体素的出现在相邻的空间立体像素位置。我们体内框架表现评估动态CT数据来自20个项目,由多个3 d扫描获得之前和之后的对比剂。手动和自动分段之间的定量评价肾轮廓用骰子相似,体积百分比差异,和95年th-percentile双向豪斯多夫距离证实了我们的方法的精度高。

1。介绍

肾脏分割从巨大的动态对比度增强型计算机断层扫描(CT)是计算机辅助诊断肾功能评估的重要性,病理组织定位,放射治疗计划,等等1]。然而,准确分割的肾组织动态CT图像具有挑战性的是由于许多原因,包括数据采集工件,大的不均匀性肾(例如,皮质和髓质),大解剖对象之间的差异,相似的相邻器官的强度,不同的信号强度数据收集的时间进程由于代理运输2,3];参见图1。

研制了许多自动和半自动的方法,来应对这些挑战。早些时候电脑肾图像分析(例如,4)通常是手动或半自动地进行。一般来说,一个用户定义的(ROI)呈现在一个图像和剩下的图像,图像边缘检测和模型曲线匹配这些边缘。然而,ROI配售是基于用户的解剖学知识,因而受到国际米兰——intraobserver可变性。此外,这些方法非常缓慢,即使半自动的技术减少处理时间。传统的分割技术利用图像阈值或地区增长(5- - - - - -9)也一直在探索CT肾脏分割。例如,Pohle和Toennies7)开发了一个自动基于估计的区域增长算法的同质性判据的特征输入图像。一种半自动的方法也提出了Leonardi et al。9]。首先,区域增长的方法是执行获得最初的肾脏从堆栈灰度图像分割。然后,利用直方图分析是用来改进一步最初分段肾脏区域,以减少错误的分割区域。然而,这些传统的方法是不准确的,由于大重叠之间的灰度强度肾和其他周围组织除了敏感的初始化。

最近更准确地细分腹部CTs,分割方法考虑视觉表象,先验形状、纹理特征,或混合技术。特别是,Tsagaan et al。10)提出了一个基于模型变形方法利用一个非均匀有理b样条曲面表示。框架包含统计形状信息(如均值和变异)的目标函数模型拟合过程作为一个额外的能量项。

一个约束优化变形轮廓由王等。11)利用轮廓内部同质性的程度作为额外约束水平集能量最小化框架内。陆et al。12]发达而且肾脏在腹部CT图像分割方法使用Chan-Vese (CV)水平集方法(13]。数学形态学操作提取肾脏结构交互式地执行与以前的解剖学知识。黄等。14)提出了一种多相水平集方法与multidynamic形状模型部分肾脏在腹部CT图像。Campadelli et al。15)提出了一个自动的,基于灰度分割框架基于多平面快速行进法。随机水平基于集合的框架由哈利法等。16,17)集成概率肾脏形状和图像信号先验成马尔可夫随机场(MRF)腹部3 d CT肾脏分割。尽管他们的欢迎,可变形模型方法失败的情况下过度图像噪声,图像分辨率差,或扩散边界如果他们不利用先验模型。

Freiman et al。18)提出了一种基于模型的框架利用最大posteriori-MRF (MAP-MRF)估计输入的CT图像。MAP-MRF估计获得通过使用图min-cut技术。林等。19)提出了一个框架,结合地区——和基于模型的方法。最初的肾脏位置估计使用几何位置,统计信息和先验解剖知识。其次,一个椭圆的候选人肾脏区域提取方法。最后,一个自适应区域增长的方法是用于肾脏分割。明镜et al。20.)提出了一个基于主动形状模型(ASM)的框架,结合curvature-based非刚性的登记方法解决点对应问题的培训数据。混合框架由陈et al。21]结合活动外观模型(AAM),通电的电线,graph-cuts 3 d腹部器官分割的方法。一般来说,参数shape-based技术依赖的存在足够的腹部图像纹理特征和表现不佳可能由于噪声和缺乏明确的特征。Cuingnet et al。22)利用随机森林回归和分类肾脏CT图像分割。最初,全局上下文信息用于检测肾脏。这是紧随其后的是一连串的地方为改进回归森林。然后,概率分割地图使用分类构建森林。最后,一个隐式模板变形算法由这些映射,得到最终的分割。基于模型的框架由Badakhshannoory和卡(23)结合低级分割方案statistical-based建模方法。首先,一个器官空间使用一个统计模型和主成分分析。然后,每个图像块的输入CT体积分段多次使用图论分割不同的分割参数。最后,基于距离准则从器官空间是用来选择最接近的候选人作为最好的分割结果。一般来说,以知识为基础的方法是计算密集型,其准确性取决于训练数据的大小。

Bagci et al。24进一步研究多目标分割)开发了一个框架,集成了一个统计形状模型和分层对象识别为全球graph-cuts分割模型。Wolz et al。25)开发了一种分层的两步atlas登记,进一步研究多目标分割的框架。首先,生成科目的先知先觉的地图集数据库基于multiatlas注册和patch-based分割。使用graph-cuts获得最终的分割,将高级空间知识和学习强度模型。冈田克也的另一个研究et al。26),进一步研究多目标分割执行使用概率相结合的地图册interorgan先验模型空间和强度。尽管可能提高分割精度从其他器官肾脏由于空间限制,多重天体分割方案之前需要更全面的信息。戴一个半自动的GrowCut算法等。27)采用单调递减函数和图像灰色特性传播最初定义的标签在所有的切片获得一个最优削减对于一个给定的CT数据空间。赵et al。28)提出了3 d肾脏分割sliced-based框架。首先,获得一个初始分割使用简历的方法(13]。然后,一组相关功能(例如,片重叠,距离)和多个形态学操作用于估计片之间的连续性。最后的分割是通过丢弃泄漏和弱边缘相邻切片使用本地迭代阈值方法。楚et al。29日)提出了一个自动地图multiorgan分割方法,结合图像空间分割和多尺度加权方案。他们的框架是基于空间分割概率地图集和执行分割使用图切割方法。杨et al。30.]发达multiatlas框架使用一个两步方法获得而且肾脏分割。粗分割是通过注册一个输入down-sampled CT体积与一组低分辨率的图谱图像。然后,出现肾脏图像与高分辨率的图谱coaligned图像使用b样登记。最后的分割结果是通过多数投票所有畸形标签的地图图像。刘等人。31日,32)开发了一个框架,用于肾脏CT图像分割41使用高效传播信念。一个预处理步骤应用于提取解剖地标本地化肾脏搜索区域。然后,一个高效的信念传播用于提取肾脏通过最小化能量函数,结合强度和先验形状信息。然而,该方法评估五41只CT数据集和额外的分割其他器官(如肝、脾脏)需要确定子图象,信封肾脏。

总之,在过去的几年里已经有许多研究对腹部CTs肾脏分割。除了上述的限制,当前的方法有以下的缺点。他们中的大多数是基于视觉外观,不考虑空间互动关系。大多数shape-based方法利用固定模型,因此CT数据的准确性有限外培训范围。大多数现有的方法很适合工作对比CTs。大部分的能源为基础的方法(例如,graph-cut)使用区域和边界信息可能不存在的一些(如precontrast)图像和也许不能实现全局最优的结果。

考虑到这些限制,我们开发了一个3 d肾脏分割框架集成,除了当前的CT表现特征,高阶外观模型和自适应模型特性塑造成一个随机森林(RF)分类模型(33]。集成功能增加我们的能力框架,占大型CT图像的尺度,因此准确地细分对比和41 CTs。尤其是空间特性是基于高阶Markov-Gibbs随机场(MGRF)模型,增加了传统成对派系(34三倍和四派系的家庭。spatial-appearance肾脏形状之前是一个自适应模型,该模型在分割和账户更新不仅对区域标签,而且强度在邻近的空间位置。此外,与其他组织相比,RF采用分类方法由于其(i)强大的学习能力的特点,复杂的数据类(35),(2)不敏感数据异常值,(3)能够克服过度拟合训练集,和(iv)能够处理高维空间以及大量的训练例子。

详细描述我们的开发方法等肾脏从动态CT图像分割的细节区别的特性给出了部分2。值得一提的是,除了我们的方法演示(33),本文提供了(我)一个更全面审查相关的文学作品在腹部CT图像分割(部分3);(2)详细描述的指标用于分割评估和比较的技术(部分3);和(3)扩大实验结果通过添加一个重要指标,用于评价分割技术的鲁棒性,即接受者操作特征(ROC)(部分4)。

2。方法

肾脏的框图分割框架如图2。我们的技术是基于随机森林分类(RF)和包含spatial-appearance特性更好的CT数据类的分离。射频是一种有效的多级机器学习技术,越来越多地应用在数据聚类以及图像分类。作为一个整体学习分类器,射频通常由许多决策树(DTs)和结合了两个主要的概念36]。第一个是随机选择的功能,第二个是“包装”37),这意味着每个DT的培训与训练样本的随机选择和重叠子集。一般来说,作为DTs的数字增加获得更好的结果。然而,有一个阈值超过此性能受益于增加DTs将低于学习这些额外的DTs(的计算成本38]。

在射频训练阶段,每个DT递归过程随机选择的训练样本的特性,从树的根节点开始沿着一条路径使用二进制分类测试,如图3。后者测试比较特性的值在每个内部树节点选择某一阈值,使用一个特定的标准。到达叶节点的DT如果所有样本属于一个类;数据样本的数量小于一个预定义的值,或达到树的最大深度35]。一旦发生,最常见的类标签节点存储训练数据的测试阶段。测试一个给定的数据样本是由应用各自的测试符合它遍历的路径从树的根节点到叶。当达到一个叶节点时,相对应的DT投投票类分配给该节点在训练阶段。最后,多数投票是用来测试样本类标号。最终类概率估计的分数类所有DTs的投票支持。

为了建立一个精确的射频模型,提供了更好的分离数据类,歧视和健壮的特性是必要的。因此,本文从CT数据提取的多个特性,对训练和测试阶段。这些特性包括(i)一阶外观(Hounsfield单位(Hus)值)功能;(2)高阶空间交互功能;和(3)外貌形状模型的特性。这些特性在各体素的提取位置在3 d计算晶格支持灰度CT图像,,他们的地区,或分割地图,。在这里,和是有限的一组整数灰色水平和区域标签(肾对象组织“KT”和其他背景组织“不”),分别。因为空间和形状特征是基于概率模型,一阶外貌特征也归一化减少一个特定功能的统治在射频分类。使用特性的细节在下面几节中给出。

2.1。一阶外观特性

第一种功能用于我们的框架是CT voxel-appearance特性。这些功能在每个立体像素提取p正常化后区域的CT数据。由于图像噪声的存在和重建的工件,我们使用,在每个体素p、区域强度特性,除了本地CT Hounsfield单位(胡)。即我们使用意味着胡锦涛值对称的三维立方体(即。体素的26-neighbors)围绕p的意思是3的溶血性尿毒综合征×3(即平面对称的窗口。,voxels’ 8-neighbors) centered aroundp。

2.2。形状先验特性

最终目标是准确地细分的肾脏CT数据,提取的肾脏边界密切近似专家手工描述。然而,由于一些肾脏结构之间的相似的视觉外观(例如,髓质)和背景,分割不应该仅仅依靠图像信号。因此,预期的形状特征肾脏形状也用于我们的细分框架。在本文中,我们采用一种自适应,概率肾脏形状模型,不仅考虑像素点的位置,而且强度信息(39,40]。

培训,一个形状构造数据库使用一组训练数据集收集来自不同学科;每个包含多个CT扫描获得contrast-enhancements的不同阶段。地面实况分割(带安全标签的数据时)的培训手册描述图像获得的肾脏边界由一个专家。为了减少可变性在主题和最大化重叠估计肾脏的形状先验概率,训练灰度图像coaligned使用两步注册方法。首先,使用三维仿射变换与12自由度(3对3 d翻译,3对3 d旋转,3对3 d缩放、3 d剪切和3)占全球运动(41]。第二,当地肾脏变形处理使用基于3 d b样的转换提出了(42]。最后,得到转换参数为每个扫描应用的二进制(标签)中使用数据分割估计形状先验概率。

用于测试,输入灰度3 d CT肾脏图像,,首先是分段coaligned培训数据库使用上述两步注册方法。这时,一个科目的形状,,提取,通过计算传统标准化之间的交叉相关性(NCC) coaligned输入灰度图像和数据库中的所有灰度图像,选择顶部类似的肾脏(在我们的实验。最后,视觉表象的输入3 d CT图像和灰度选择灰度图像训练指导调整前的形状。即voxel-wise概率,为适应形状之前,估计基于体素。让是一个类似的培训体素内搜索数据集的子集在训练图像,在那里是一个预定义的固定信号范围和是映射的输入信号。让表示基数(压)的子集和克罗内克的δ函数:和0。然后(给药39]

可以找到更详细的自适应形状模型(39,40]。我们的实验使用三个形状特征,如voxel-appearance特性。也就是说,我们使用了价值p,平均值26邻居的一个3 d多维数据集p,平均8平面邻居的3×集中在3对称窗口p。

2.3。空间特性

提高分割的准确性和占很大的不均匀性的肾脏,我们纳入细分方法的空间特性描述肾体素之间的关系和他们的邻居。这些关系使用高阶空间模型描述和分析估计的潜力。空间建模增强了分割计算每个立体像素肾脏的可能性或背景的基础上,最初的标签,米相邻像素点的voxel-wise分类使用形状和强度值形成的空间相互作用模型增加了三倍,四派家庭传统的成对集团家庭(34使用18-connectivity附近]。因此,它是传统的波特模型的扩展(43),只有在不同的潜力估计分析。更多数学高阶空间模型的详细信息,请参见[33,44]。类似于其他特性,三种spatial-based特性:当地的空间概率p三维立方体的平均概率和围绕一个3×3窗口p。总的来说,整个分割方法总结了算法1。

算法1 (3 d肾脏分割步骤)。

步骤1(数据调整装置和形状数据库选择)(一)寄存器输入灰度CT体积使用两步登记培训数据库的部分2.2。(b)计算输入之间的NCC coaligned数据和所有训练卷。然后,选择排名NCC-19-top的训练样本。步骤2(特征提取)(一)估计的voxel-appearance特征coaligned CT体积。(b)估计高阶Potts-MGRF空间概率。(c)估计之前的外貌形状使用中描述的方法(39,40]。步骤3 (RF培训)(一)构造的射频训练模型选择19-top-ranked训练图像。步骤4(组织分割)(一)获得最终的分割输入CT体积在步骤3中使用模型。

3所示。分割评估指标

我们的分割性能评估使用两个指标。第一个是volumetric-based相似性特征空间重叠和体积差异分割和“真实”肾脏区域。这种类型的指标是重要的测量为研究区域,例如,肾脏总量。第二个是基于距离度量,衡量分割的边缘地区接近地面真理,也就是说,如何准确的分割对象的形状对地面真理。在这里,我们使用了骰子系数(DC)和体积百分比差异(PVD)来描述volumetric-based相似,而双向95 th-percentile有限公司(豪斯多夫距离_95年)是用于描述基于距离误差度量:。

让G和年代分别表示的真实和分段肾体素。相似容量说明评估这些集合之间的重叠和占基数(即。、体元数字)真正的积极(tp),假阳性(fp),和假阴性(fn)的子集;;参见图4。

子集包含真正的肾体素标记为肾,nonkidney(背景)体素标记为肾脏,肾脏和真正的体素标记为背景,分别为:

很明显,;;;和在哪里和分别表示一组联盟和十字路口。因此,它认为的;,。直流(45)和周围性血管疾病被定义为

除了直流和周围性血管疾病,95 th-percentile双向有限公司(豪斯多夫距离_95年之间的差异)是用来测量和边界;参见图5。的高清G来年代最大距离的点吗从G他们最亲密点在年代(46]: 在哪里笛卡儿两个3 d点之间的距离。高清是不对称的,一般。这两组之间的对称有限公司被定义为 减少离群值的敏感性,95年公司th-percentile本文中用于测量分割精度。

4所示。实验结果

性能评估的框架是使用动态CT肾脏数据,收集来自20个科目。每个主题数据集包含三个3 d CT扫描获得的预处理和postcontrast介质管理,也就是说,41,postcontrast,对比3 d扫描。获得的CT数据使用一个通用电气光速+扫描仪(美国通用电气,Milwuakee)。CT数据采集参数120 KV、250 mA,平面分辨率:0.64×0.64毫米²切片厚度:0.9毫米,视场(FOV): 360毫米,3 d图像大小范围从232到512×512×512×512×366。为了最小化interobserver变异性的影响,两位专家独立边界划定肾脏CT图像和地面实况标签被认为是作为他们之间的共同分割区域。

使用leave-one-subject-out执行定量评价方法和决策树的数量被设置为400。首先,所有的3 d CT扫描(总共60扫描)我们所有的20个科目coregistered使用登记部分中描述的方法2.2。段测试主题,所有的预处理和postcontrast扫描从训练中删除数据库。然后,19 NCC-top-ranked扫描从剩下的培训选择扫描构建测试扫描自适应形状之前,所描述的(1)和方法(39,40]。最后,所有区域特性中描述的部分2.1和2.3是(我)提取NCC-selected射频扫描构建培训模式;和(2)3 d coregistered测试使用建立射频扫描被分类模型。重复上述步骤的所有60 CT卷的20个科目。

横向分割结果在轴向、矢状面和冠状图中演示了使用我们的技术观点6在不同的对比度增强CT数据从四个主题阶段。3 d肾脏表面是由会计对象标签的射频分类器的输出。后跟一个后处理步骤使用三维中值滤波来平滑噪声输出标签的分类器。框架是评估使用的分割精度评价指标中所描述的部分3。所有学科的整体精度的平均值和标准偏差是总结表1。

为了证明我们的肾脏的高精度细分框架,我们比较的图像分割方法,提出了由张et al。47),免费提供的软件包,从而避免重新实现一个现有的方法。图7表明样本分割结果比较,我们的方法与方法提出了(47在多个对象。结果在图7显示可靠测定肾边界的技术相比,Zhang et al。47)方法。此外,总结整个分割的准确性和Zhang et al。47)方法,对地面事实描述,所有的数据集,在桌子上1。根据高直流和低高清_95年和PVD值表1,我们的技术执行明显比与47]。这是有记录的统计配对使用的统计学意义以及如表所示1(值< 0.05)。

除了分割部分中描述的评价指标2.2,我们分割的鲁棒性框架是评估使用接受者操作特征(ROC) [48)作为替代指标来评估分类系统的性能。一般来说,ROC分析评估分割方法的敏感性相对于其操作点的选择(例如,一个分类阈值)。这是通过策划真阳性和假阳性率之间的关系,不同的操作点。图8显示了我们的ROC曲线法和Zhang et al。47)的方法。图清楚地表明,我们的技术达到更高的性能相比,(47),就是明证ROC曲线下的面积(AUC) 0.96与0.92张等人的方法(47]。

5。结论

总之,一个随机forests-based框架提出了3 d肾脏从动态对比增强腹部CT图像分割。为了占大肾不均匀性和非线性强度变化的动态CT数据,我们的框架集成两个spatial-appearance特性,即高阶空间交互特性和外貌的形状自适应特性之前,除了Hounsfield外观特性。定性和定量评价结果证实可靠的肾脏组织分割使用我们的方法在不同的对比度增强阶段代理运输。这是评估CT数据集收集来自20个科目使用体积和基于距离的评估指标。在未来我们将调查的其他特性(例如,尺度空间,局部二进制模式)。同时,我们计划在大数据集上测试我们的框架来评估其准确性、鲁棒性和局限性。最终,我们计划包括这种分割方法为kidney-dedicated CAD系统急性肾移植排斥反应的早期检测和治疗计划。

相互竞争的利益

作者宣称没有利益冲突。