文摘

自动分割特定心脏部分在识别任务中扮演着重要的角色,这是用于诊断和治疗。一个特别重要的应用程序分割的心外膜脂肪(心脏周围),通过各种研究表明风险水平所示为发展中各种心血管疾病以及预测某种疾病的进展。量化的心外膜脂肪CT图像需要提前图像分割方法。心外膜脂肪的最先进的方法分割的问题是他们的高依赖用户交互,导致低再现性的研究和耗时的分析。本文提出一种新颖的半自动分割和量化方法的心外膜脂肪从3 d CT图像。我们的方法是一种semisupervised挤牙膏式分割方法基于局部自适应形态学和模糊c均值聚类。此外,我们使用一个几何椭圆之前过滤掉不受欢迎的目标集群的部分。验证所提出的方法显示了良好的分割结果之间的通信和手动分割由内科医生。

1。介绍

心外膜脂肪提出了一个围绕心和内脏脂肪的沉积,主要位于房室和心室心外膜血管周围的树林1]。有研究表明越来越多的心外膜脂肪可以表明动脉粥样硬化疾病的发展和相关代谢综合症的参数。进一步,一些研究表明,增加心外膜脂肪体积及其延伸分布发挥重要作用的发展不利的代谢轮廓和加强心血管风险(2]。与心外膜脂肪体积增加的一些条件包括以下:患病率的增加冠状动脉钙化(3,4),舒张压填充受损(5),心肌梗死的发展(3)和心房纤颤(6),并增加颈动脉硬化(7]。最后,有证据表明,心外膜脂肪具有特点的内分泌组织能够促进加速动脉粥样硬化(8,9]。

由于心外膜脂肪的重要性及其与各种心血管和代谢疾病的关系,心外膜脂肪检测、量化、和三维分割已成为心脏图像分析和心脏病的重要课题。不同的成像技术可用于心外膜脂肪成像,分割和量化10- - - - - -12]。具体地说,CT发现更准确的评估脂肪组织由于其高空间分辨率相比,超声波(13]。

在Coppini et al。13),一个地区发展战略提出了作为预处理步骤,为了从其他目标提取心脏地区的CT图像。作为一个额外的步骤,医生被要求地方7控制点心包边境,然后用于样条插值以获得一个平滑的心包关闭轮廓。最后,心外膜脂肪是由阈值量化,因为它坐落在这个理论上生成的轮廓。层次结构、多级multifeature、模糊affinity-based计算框架,提出了分割的腹部脂肪组织(14和进一步扩展15为了适用于分割的心外膜脂肪。进一步,的工作13]此外减少了用户干预,尽管专家仍然需要滚动心包片和将控制点。一个算法,它使用心脏的解剖发现心包行和单独的心外膜脂肪从心包脂肪了16]。在总督et al。17),作者使用一个额外的处理步骤为心包的识别跟踪线从心脏形心到心包层,利用样条函数插入外点。沙赫扎德et al。1)提出了心外膜脂肪第一个完全自动化的方法分割使用multiatlas方法。在Zlokolica et al。18),心脏的分割区域的图像内容是由应用形态学重建操作打开紧随其后的阈值和随后的形态学膨胀运算符。的大小和形状形态运营商发现实验图像片,而阈值输入图像直方图的统计分析发现,一般为每一个图像片不同,适应性强。这个想法是进一步扩展19)通过实施结构先验知识和主客观的信件,作为额外的一步排除的细分部分的预定义的圆。

在本文中,我们基于我们之前的工作和提出一个新方法心外膜脂肪分割基于2 d分割方法,包括模糊c均值聚类和椭圆拟合。模糊c均值聚类使用一个预定义的数量的集群内检测出感兴趣的区域(ROI)。与减少监督执行聚类,唯一的输入信息从医生的坐标是一个补丁心外膜脂肪组织对应。后用户标志着补丁的心外膜脂肪,所提出的模糊c均值聚类应用于集群作为实现正确的目标图像的分割的最小距离user-marked补丁。我们使用以下事实作为先验信息的方法。首先,心外膜脂肪组织位于附近的椭圆的中心放在集群产生的质量。这使我们能够确定心外膜脂肪像素分割过程。其次,出于这一事实心外膜脂肪位于心室的表面(主要是前外侧),我们实施额外的假设关于角参数化的椭圆。通过这样做,我们另外过滤器的部分产生的集群不属于心外膜脂肪组织。我们最终的分割结果进行了比较,验证提出的概念提供的手动分割心血管外科医生。 Additionally, we also demonstrate that the proposed approach outperforms the segmentation method of [18)和通用图像分割方法:蛇活动轮廓的方法(20.和区域增长的方法21]。

本文组织如下。节2,我们描述提出了心外膜脂肪分割方法,我们首先讨论输入数据集和节介绍图像预处理步骤2。2。在那之后,我们将解释提出的分割方法部分2。3。提供了实验结果与讨论部分3。最后,结论部分4。

2。材料和方法

在本节中,我们将讨论数据集用于我们的研究和提出的方法分割心外膜脂肪。该方法包括两个主要步骤:(i)图像预处理和ROI提取(部分2。2)和(2)我们新颖的图像分割方法(部分2。3)用于最后的心外膜脂肪分割。部分2。3组织在两个部分:(i)部分2.3。1解释提出的模糊c均值聚类步骤和(2)部分2.3。2描述了集群数据过滤一步几何拟合方案。

2.1。数据集和伦理批准

这项研究包括共有十先前建立冠状动脉疾病患者(稳定和不稳定心绞痛)。所有患者胸部CT扫描提交标准对比包括CT coronarography上执行256 -片扫描仪西门子SOMATOM双重来源。在该方法中,我们考虑对比CT图像与12位像素深度分辨率,因此提供4096灰色的水平。研究机构审查委员会批准,所有受试者签署书面知情同意。这项研究是进行符合赫尔辛基宣言。

2.2。CT图像增强和ROI提取

在本节中,我们基于我们的以前的工作18)增强输入CT切片图像和检测心脏(和心外膜脂肪)感兴趣的区域(ROI)。处理步骤的目标是消除nonheart-related图像内容,只保留图像内容相关的整个心脏地区。一个例子,一片获得3 d CT图像的心,没有以前的对比度增强,如图1。

从图可以看出1,输入图像片不是足够的图像质量用于手动或自动图像分割。为了提高输入图像切片质量的视觉质量和质量特征提取和分割,我们建议先进行预处理的输入图像片image-adaptive色调映射。拟议的色调映射函数是基于输入图像直方图的基础上,形成转移色调映射函数的参数进行了优化。

我们的目标是在区分整个心脏地区和周边其他的身体部位。出于这个原因,我们首先检测ROI,包括全心(用图表示2)在我们进一步执行三维分割的心外膜脂肪。在这之前,我们应用在输入图像对比度增强促进后续分割任务。

为了自动提取心脏地区的形象片,我们提出一个morphology-based屏蔽方案。这包括形态学重建“开放”操作,其次是阈值和随后的形态学膨胀运算符。我们使用循环(盘状)结构元素形态学运算符(SE),因为主要是圆形的心(2 d图像片),其室,近端血管。我们确定SEs基于预测的最佳规模大小心脏的心脏病专家提供的(输入)和像素间距(包含在DICOM头)。在我们的示例中,计算SE的大小形态运营商是40像素和20像素开放的重建和膨胀算子,分别。中间的阈值取决于每个输入图像片统计,因此不同的适用于每个输入图像片。ROI自动提取的结果如图3的图像切片图2,显示整个心脏地区的准确描述。

另外,提取ROI可以显示为一个面具(二进制)的形象 ,降低非心脏区域所有像素对应分配灰度值0,而心像素灰度值分配1:

2.3。心外膜脂肪细分方案

在本节中,我们描述了挤牙膏式心外膜脂肪分割方案具有高度的自适应性、准确性和自动化。在提出的分割方法中,我们首先对先前执行图像聚类预处理输入图像中提取ROI如图3。这代表了一个初始分割对应一个集群,然后进一步处理只提取部分对应于心外膜脂肪组织。该方案的主要步骤是模糊c均值聚类方法,椭圆拟合,最终subclustering /过滤ellipse-shaped集群区域对应于心外膜脂肪。

2.3.1。模糊c均值聚类在该地区的利益

该预处理输入图像的初始分割切片(ROI)内使用模糊c均值聚类(执行22使用预定义的集群的数量。 。特征向量用于聚类的分割任务 ,在那里代表了特定亮度的平均值 图像像素的补丁 ,而代表亮度的方差在补丁:

补丁在ROI采样和收集每个图像块。特性计算,获得一组 我们执行聚类的特性。请注意,是均匀采样的数量形象片的补丁,我们之间有一个独特的对应关系特性的指数吗在和中心(坐标)的补丁 ,在那里 集群的数量预定义的和实证的具体确定CT扫描孔径。集群没有执行初始种子信息和生成 模糊集群根据他们的软特性函数和满足 ,因为 和 注意,越接近是表明更高的对应一个特定的补丁的中心集群 。

为了获得参考图像补丁,用户需要检查单一代表CT片(从目标病人数据)和一个种子点的地方。种子点代表了图像中心坐标 参考补丁的 提出的无监督聚类方法确定产生的集群,集群,选择对应于心外膜脂肪。我们获得,通过计算参考补丁之间的距离和所有模糊集群包含在 。为固定模糊聚类索引 我们确定的距离如下: 在哪里特征向量的均值来自哪里 ,思考相应的软特征函数 也就是说,

我们获得由此产生的集群,集群以最小距离参考补丁 也就是说,集群指数给出的

注意,每个像素与空间坐标 和 (图片片的 大小),可以由多个补丁(除非补丁抽样是不相交)。因为我们需要生成的模糊聚类在一组离散的像素,结果pixel-wise模糊集群获得使用以下方程: 在哪里是所有补丁覆盖像素的集合 和的指数在模糊聚类中设置补丁 。由此产生的模糊聚类与索引 ,重新计算使用(6)和定义在特定的图像片像素的集合,是输出集群的集群的一步。由此产生的集群包含像素对应于心外膜脂肪组织,及其集群数据用于进一步处理。

在图4(一),我们显示输入图像的模糊聚类结果如图3。由此产生的集群包含心外膜脂肪组织与其他的异常数据,我们需要进一步去除。

2.3.2。集群数据预滤器使用几何拟合椭圆

在完成模糊c-mean-based初始分割(如部分中解释2.3。1),我们执行预滤器使用几何椭圆拟合提取的集群数据。这一步是用来过滤掉无用的部分目标集群数据。

如图4 (b),集群的上层部分数据可以配备一个椭圆与黄色虚线表示。证实了医生,心外膜脂肪分布对应于图的拟合椭圆4。因此,我们的假设是,重要的部分产生的集群中,医生将分类为心外膜脂肪组织,主要分布在拟合椭圆。在这样的假设,我们表示几何椭圆之前(GEP)。椭圆,表示参照椭圆(重新),放置在中心的集群和经过接壤部分,如图4 (b)。我们期望被放置在心室心外膜脂肪组织,主要是前外侧,我们将额外的几何之前提到的假设,也与《全球经济展望》。除了几何椭圆拟合,我们应用约束的角度用参数表示再保险的这部分产生的集群的预定义的弧内重新选为可取的和其他的部分过滤掉不受欢迎的。后者是如图4 (c)红色的弧线。

计算GEP和相应的特定的图像切片中完成以下三个步骤:(1)估计的中心 (2)估计的角度之间的主要轴线和参照图像片的轴(3)估计的参数和对应于两轴定义椭圆的形状特征。

重新参数化和用极坐标表示,鉴于在以下形式: 在哪里 是一个椭圆的中心, 是一个椭圆的参数对应于特征轴,然后呢 是一个角参数(参见图吗5)。估算 ,我们使用重心方法,估计 确定为 的时刻 ,定义为 在哪里和离散空间坐标对应吗x- - -y相互重合的形象片,参照坐标系统的重新定位。进一步,(8),代表的像素亮度特征函数的加权模糊聚类 在这种方式,我们不仅考虑像素亮度值还特定像素的隶属度模糊聚类结果(如果我们考虑像素与质量密度函数统计观察 和 前面的表达式可以被认为是作为给定的离散空间坐标的数学期望和 ,职责)。

接下来,我们需要估计的角度之间的主要轴线和参照图像的轴(见图5),它定义了“软点云”的主要方向在生成的集群以及再保险的方向。因此,我们定义向量的观察作为 和估计协方差矩阵 ,因为 我们使用为了将额外的信息关于软特征函数产生的集群(5)。为目的的决定 我们应用主成分分析(PCA):我们分解正定矩阵 正规化的对角加载的小正 因此,我们获得以下: 在这里, 和 ,在那里 和 矩阵的特征值和特征向量 分别。此外,是酉矩阵,在哪里 和

的主要方向“软点云”,代表产生的集群,实际上是特征向量的方向对应于最大的特征值,即 ,这样 最后,我们获得的估计作为 在哪里 的投影单位x设在向量 我们通过简化的仿射变换应用于近似投影数据点属于ROI: 与 被旋转矩阵的角度 这样的投影矩阵应用于每个 在图像中的位置。进一步,我们还应用(12)原重新定义为(7),这将集中在 与x设在与轴(原则 )。新改造重新由以下参数方程:

最后,为了评估 参数,它定义的两个特征轴,我们旨在解决以下约束优化问题: 在哪里和给出的参数形式(14),所以, 属于转换RE(其参数和我们估计)和和对应转换坐标((12))的图像切片数据样本。此外, 虽然术语 从上面容许集参数,为了使搜索空间小。自优化问题(15)不是凸的,我们解决了它通过使用标准梯度程序局部最小值。

重新在我们获得最优参数,我们的目标是在过滤nonepicardial脂肪的部分产生的集群。根据《全球经济展望》的假设,这些片段产生的模糊聚类的再保险的邻居。参数 已经发现了经验和固定片和所有病人在所有实验。除了获得再保险社区环,我们介绍两个弧约束的部分重新产生的集群将被标记为理想的(保留),而其余的将不良(删除),如图6。两者之间的角弧被定义为 在哪里和代表第一和第二弧,从x分别设在。

为了确定和 理想的区域,我们首先进行去模糊化产生的集群。集群计算defuzzified脆 通过切磨产生的模糊聚类使用预定义的 (参数实证发现,它已经固定了所有片和患者在所有实验。)因此,我们有 根据我们获得的部分产生的模糊集群 也就是说,脆集群 ,像素满足以下: 在哪里 特定像素对应的角极坐标 和 代表像素之间的距离 再保险: 在哪里 代表了极坐标半径对应 和 代表了极坐标半径上的对应点,角极坐标等于 (和定义在(15)。)

的实际上代表了最后的2 d分割的心外膜脂肪为特定CT切片图像。在我们的实验中,角度和根据经验对特定类型的病人和CT成像参数。为了这个目的,我们使用援助的医生控制角度训练集的患者。控制角表示和 减少数量的等距控制的手动设置形象片。实际的和然后确定每个CT片作为现有周边的线性插值控制角度。最后一个和(所有的CT片)然后在测试阶段使用了分割的数据对应于相同类型的病人和CT成像参数。作为最后的后处理步骤,我们执行关闭图像形态学操作(装有猛结构化元素) ,因此产生的最终结果心外膜脂肪在特定的CT图像分割切片。

3所示。结果与讨论

我们现在在这一节中提出的结果半自动心外膜脂肪分割的目标细分测量和临床评价。手动分割由医生作为地面实况数据用于计算目标三维分割的措施。“走一个”交叉验证原理被用于训练和测试阶段。我们比较的分割结果该方法获得的结果,我们之前的心外膜脂肪分割方法(18)(我们称之为本地适应性morphology-thresholding (LAMT),蛇活动轮廓的方法(20.),和区域增长方法(21])。(蛇和区域增长算法的实现已经从开源Matlab代码免费使用http://www.mathworks.com。)

我们寻求最优值以下参数: 和 参数(直径像素的数量)大小的盘状结构元素形态学操作“重建开放,用于提取的预处理阶段心脏地区的利益(地区)的图像块。参数大小的盘状结构元素形态学操作“扩张”,遵循“开放的重建”操作,输入图像进行对比度增强,部分中解释吗2。2。

的参数 用于获取切去模糊化阶段,获得最终的分割结果的一部分特定的形象片,部分中描述2.3。2。参数 给定的像素数量,定义了几何椭圆的社区中使用预滤器阶段,描述的部分2.3。2。为了获得最优值参数所提到的,我们形成离散组合设置如下: 和 。在前面描述的组合设置(通过所有可能的值),以及沿行“离开一个“交叉验证培训/测试过程中,我们评估的成本函数。成本函数,为此,被定义为骰子加工之间的相似性系数的平均值和手动分割(由医学专家)地面实况图像片属于病人的训练集。当我们使用“走一个”交叉验证过程,每一轮的过程中,我们随机选择,通过均匀分布,一个病人测试,其余的训练集,然后描述了成本评估在所有CT图像片属于训练集,我们得到这些参数的值为“最好的”

数量等距控制CT切片图像获取邻近角度的控制和选择是足够大,但仍然足够小,不要太过要求医学专家和费时。医学专家不得不标签片为每一个病人,因此,毗邻控制角度和了,除了前面提到的 在离开一个“交叉验证培训/测试过程。即在每一轮的交叉验证过程 得到结果与控制角度 通过简单平均超过所有的病人选择特定的训练集。然后,测试执行,特别的圆。最后控制角度选择是那些获得成本最低(骰子加工之间的相似性系数的平均值和手动分割片)轮。如上所述节2.3。2,所有其他病人和CT片不属于结果控制片,接壤毗邻的角度由现有周边的插值控制角度。最后,上下界限和 用于(15),获得经验和准备 和 在我们所有的实验。

在数据6(一),7(一),8(一个),我们为三个不同的例子显示,输入的CT片,减少产生的模糊聚类的 附近的再保险的对应区域,应用形态学操作的后处理步骤。在数据6(一),7(一),8(一个),红色color-marked地区表示生成的模糊聚类,随后提出重新安装。此外,提出了削减再保险相同的数据所示黄色和白色线,白线对应的地方削减的部分估计和黄线表示社区和角带宽的选择。

单一的分割结果CT片进一步如图6,7,8相比,提出的分割方法是手动分割(由医生)和三个基准方法的引用。红色color-marked地区数字表示生成的分段心外膜脂肪区域,通过运用特定的方法。它可以观察到,该方法优于三个基准方法([18,20.,21]),较低的地区发现的错误数和更高程度的连通性检测到的地区,相对参考(手动分割地面真理)。

为了比较我们的方法的分割结果在地上真理,我们用骰子相似系数(23),这是一组相似度量定义两组和(在我们的例子中,组像素点属于分割图像和地面实况图像) 在哪里体素内的特定设置。

在表1,我们将展示的结果计算出的骰子系数,我们测量的自动和手动分割获得的区别(批准的医疗专家)对整个三维图像/体积,拟定和三个参考分割方法,即蛇活动轮廓的方法(20.[],区域增长方法21],和LAMT方法[18]。它可以观察到,我们的方法产生的结果高骰子系数值,明显高于骰子系数获得相比,我们的参考方法。我们还注意到该方法不太耗时的医学专家相比,参考方法。即蛇活动轮廓方法需要初始轮廓交付每CT图像切片;区域增长方法要求至少一个补丁的坐标为每个CT片交付;和LAMT方法需要四个补丁提供的坐标。

为了得出临床结论从心外膜脂肪量来衡量,我们介绍规范化的体积(NV)的心外膜脂肪比例的病人的心外膜脂肪体积和重量。NV计算值在表2与心外膜脂肪测量的相对误差比较分段(方法)和手动带注释的体积。相对误差计算的结果显示接受的错误率(小于等于15%)有两个离群值。

我们的实验显示为3支冠状动脉疾病NV值高于船舶的冠状动脉疾病与平均值0.96和0.75,分别。高血压患者也表现出NV值略低于血压正常的患者,与平均值分别为0.82和0.96,。所有测试,3例有减少射血分数(波纹管42%)。然而,减少射血分数并不相关足够NV脂肪体积计算。

4所示。结论

在心脏CT图像分割和量化的心外膜脂肪发挥重要作用在协助医生在诊断心血管疾病和进步的结果。这个过程的更高级别的自动化有助于减少interobserver可变性和缩短执行时间。在这项工作中,小说心外膜脂肪分割方案。方法是基于局部自适应形态和模糊c均值聚类,其中只有用户输入特定的图像的坐标补丁属于目标心外膜脂肪。此外,几何椭圆之前使用为了过滤掉不受欢迎的目标集群的部分。实验结果说明该方法之间良好的对应关系,提出手动分割地面真理。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本文部分省级秘书处为科学和技术发展的自主伏伊伏丁那省(塞尔维亚)(批准号114 - 451 873/2015 - 01)。