文摘

随机漫步(RW)方法被广泛用于部分器官体积的医学图像。然而,它会导致一个非常大规模的图由于节点数等于一个立体像素数量和不准确的分割,因为没有合适的初始种子点设置。此外,经典的RW算法为用户设计马克几个像素与任意数量的标签,不管的强度和形状信息的器官。因此,我们之前提出一个基于知识的贝叶斯随机漫步框架部分的体积医学图像挤牙膏式的方式。我们的策略是使用前面分割片获得的形状和强度的知识目标器官相邻切片。根据先验知识,可以动态地更新对象/背景种子点的相邻切片结合窄带阈值(电视台)方法和器官模型,高斯过程。最后,一个高质量的图像分割结果可以自动通过使用贝叶斯RW算法。比较我们的方法与传统RW和先进的交互式分割方法,我们的结果显示改善肝脏分割的准确性( )。

1。介绍

分割CT体积的器官是一个重要的计算机辅助手术的先决条件,计算机辅助干预,图像引导手术。器官从临床CT图像的准确分割是一个具有挑战性的任务:大形状的变化做出准确的分割困难,和现有的损伤(如肿瘤)器官解剖结构表现出相当大的变化。准确地细分一个器官,提出了各种方法在文献[1- - - - - -8),如灰度(9- - - - - -11),基于分类(12,13],clustering-based [14- - - - - -18),统计形状模型——基于(SSM)19,20.),基于概率地图——(PA) (21- - - - - -25),基于活动轮廓——(AC) (26,27],watershed-based [28,29日分割方法。然而,上述方法的主要挑战是大量图像数据的快速有效分割。这可以发现特别是在医疗应用解决三维CT和MRI扫描身体不断增加。

最近,越来越多的兴趣吸引等交互式基于图像分割算法图切(GC) (30.- - - - - -36walker)和随机(RW) [37- - - - - -41)算法。随机加权的沃克算法代表了最近的一个值得注意的发展基于交互式分割方法。这种技术与用户交互更适合体积医学图像保证可靠性,准确性和速度快的要求。

然而,由于古典RW算法定义加权图,高分辨率的体积医学图像,RW方法需要构建相应的大规模图来解决由此产生的稀疏线性系统,从而导致高计算成本:长时间的计算时间和内存使用率高。因此,在过去的几年中,大量的研究已经进行了扩展和增强沃克随机算法。Grady et al。40]扩展经典RW分割方法结合区域强度先知先觉。稀疏线性方程可以解决的预处理共轭梯度实现一个可接受的内存消耗和简单的并行化。在[41与RW),计算要求减轻通过引入一个“离线”之前预先计算与实时RW“在线用户交互。“使用一个类似的原则,离线预先计算被用来进一步加快网络分割(42]。这两种方法都使用了“离线”和“在线”策略来减少等待时间。此外,Goclawski et al。43walker)提出了一个superpixel-based随机方法来减少图像大小,而计算时间线性增长superpixels的数量。superpixels的准确性起着直接的决定性的作用过程中器官分割。

解决这些限制,在我们先前的研究[44),我们提出了一个基于知识的体积医学图像分割框架基于经典随机沃克挤牙膏式的方式。该算法采用前面分割片作为自动设置对象的先验知识/背景种子点的相邻切片。它可以减少图像的规模和显著加快优化过程图。然而,古典RW算法设计为一个通用的交互式分割方法,这样用户可以标记几个像素与任意数量的标签和期望质量结果,不管数据集或分割目标。医学图像分割的忽略了自己绝对强度和形状信息。如果一个一致的强度和形状概要描述感兴趣的对象,那么这些信息应该被纳入RW分割过程。

考虑到这些,在我们的研究中,我们扩展经典随机沃克算法通过合并之前(形状和强度)知识优化的稀疏线性系统。我们工作的目的是结合先验知识的空间凝聚力沃克随机算法原则的方式产生正确的结果。基于扩展的随机沃克,我们应用知识为体积医学图像分割框架挤牙膏式的方式。我们的策略是使用前面分割切片获取之前(形状和强度)的目标器官相邻切片的知识。使用少量的定义的种子点,我们可以获得的分割结果开始片的体积可以作为目标的先验知识的器官。根据这一先验知识,背景对象/种子点自动定义,可以生成相应的贝叶斯模型。将贝叶斯模型集成到RW稀疏系统、器官相邻块的自动分割。

本文的其余部分组织如下。部分2沃克提出简要概括随机算法,然后延伸到包含之前(形状和强度)的知识。部分3阐述了我们提出的基于知识的框架使用扩展RW和贝叶斯模型。部分4包含实验工作,部分5讨论了我们的方法的实现,其次是结论部分6)。

2。发展

随机漫步算法将图像分割作为一个优化问题在一个加权图,其中每个节点代表一个像素或体素。因此,我们首先定义了图,我们正在研究。我们使用以下符号的余生。给定一个图像, ,图由 与顶点(节点) 和边 。每个节点在唯一地标识一个图像像素 。一条边, ,跨越两个顶点和 ,用 。分配一个权重每个边加权图。优势的重量, ,用 。它代表了两个相邻节点之间的相似性和 。一个顶点的度 为所有的边缘事件发生在 。

2.1。沃克随机方法的审查

的随机沃克分割算法37)计算概率,随机的每个像素,沃克离开,像素将首先到达一个前景种子在到达背景种子。这是所示(37],这些概率不得计算分析通过求解一个线性方程组与图拉普拉斯算子矩阵。拉普拉斯算子矩阵被定义为 在哪里由顶点索引和 。 边缘的重量,和显示的图像强度在顶点和 ,分别。代表一个调优常数取决于用户。

给定一个加权图,一组标记(标记)节点, ,和一组标记节点, ,这样 和 ,我们想每个节点标签 与一个标签 。 代表前景, 代表的背景。假设每个节点 也被分配一个标签 ,我们可以计算概率, ,一个随机沃克离开节点到达一个节点通过求解最小化

所有节点分为两组:标记(prelabeled)节点和标记(即。,免费的)节点 。因此,上面的函数可以新配方如下:

最小化(3)对 ,随机沃克问题可以解决下列方程组:

的变量对应的概率没有标记的节点;是概率的集合对应标记节点(即。前景节点的“1”和“0”为背景节点)。由于作为一个概率,

随机漫步算法详细解释在其他地方(37]。接下来,我们将现在如何结合贝叶斯模型转换为上述框架的收益率分割算法。

2.2。随机沃克与贝叶斯模型

根据上面的先验知识,我们可以计算后验概率在节点属于标签 。假设每个标签同样有可能的是,贝叶斯定理给出了一个节点的概率属于标签作为 在哪里映射一个器官和可能性是目标器官的形状图。可以通过扩张目标器官区域在前面的分割切片。可以通过前面的分段估计的器官。 是前台, 是背景。

方程(6)也可以用向量: 在哪里是一个对角矩阵的值对角线上。

根据(6),外部的最低能量分布函数

将后验概率函数(外部)到RW算法(内部),我们可以优化能源:

第一项是背后的驱动力的空间凝聚力沃克随机算法。第二项是一个贝叶斯惩罚项的重量用来保证鲁棒性小断开连接的部分。使用贝叶斯模型的先验知识生成一个器官:形状和强度。在这项工作中,我们设置权重 。

上述方程得到的最低能量满意的解决方案

优化这个能量导致线性方程组:

的使用提出Bayes-based RW算法强的巨大规模限制图中3 d体积医学图像和解决大型稀疏线性系统的必要性。它导致的相对增加标记种子点相对于2 d图像。因此,为了估计每个标记种子点的概率,延长RW算法需要计算较大的逆矩阵 ,导致高成本计算:计算时间长、内存使用率高。我们集成扩展RW算法变成一个知识框架,使之更适合我们的应用程序的和可行的。下面的细节我们的知识框架和结果。

3所示。以知识为基础的框架

我们的知识战略雇佣前分割片的前(形状和强度)知识目标器官的相邻块的自动分割。使用少量的用户定义的种子点,我们可以获得的分割结果开始片体积作为目标的先验知识的器官。根据先验知识,可以动态地更新对象/背景种子点的相邻切片结合窄带阈值(电视台)方法和器官模型,高斯过程。与此同时,可以生成相应的贝叶斯模型。最后,延长Bayes-based沃克随机算法应用于自动段整个体积挤牙膏式的方式。在我们的工作中,“对象”是指目标器官分割和“背景”是指除目标之外的其他组织器官。整个过程的方法是显示在图1。在这种方法中,有一个三步管道包括以下几点:(1)选择和分段开始部分,见图的中间部分1:手动定义对象/背景种子点。(b)生成一个高斯模型(GM)使用种子点。(c)分段器官(肝脏“Candicate像素”)使用古典RW方法。(2)分段邻片,见图的上部和底部1:(a)生成一个高斯模型(GM)根据前面的分段器官(强度的知识)。(b)自动设置对象/背景种子形态学操作基于限制地区的前分段器官形状(知识)。(c)提炼基于电视台的种子点。(d)分段Bayes-based RW提出的器官使用我们的方法。因此,它会自动段剩下的整个器官切片基于先验知识更新的器官。(3)平滑整个体积的边界:最后,输出音量的边界平滑,“傅里叶变换”,形成最终的器官表面。

在下一节中,我们将介绍开始切片分割,通用一代和自动种子点的选择,把之前的强度和形状的先前知识分割器官。

3.1。交互式分割的开始部分

我们建议的分割是一个挤牙膏式方法。在我们的方法有两个主要步骤。第一步是开始段片交互,第二步是段其他剩余片自动基于分段开始切片。第一步的目的(交互式分割开始片)是找到的初始区域目标器官(肝脏),以便它可以作为前(强度和形状)的知识器官为以下步骤自动分割。

第一个交互式分割的过程中两片如图2和包括四个步骤:(1)手动选择一个轴向片开始。沿着轴向轴扫描输入CT体积找到一片的机关拥有相对较大的截面在轴面;(2)手动定义的对象/背景种子开始切片;(3)自动生成阈值图像基于构造高斯模型(GM)使用这些种子。切除肋间肌肉和其他物体部分,使用的对象种子为这个器官构造近似强度模型使用高斯模型(GM)。后估计统计强度模型,构造模型阈值找到“候选像素”器官;(4)自动阈值分割图像。这个过程的最后一步是将阈值分割图像基于古典RW“候选像素”的方法。

3.2。自动分割相邻切片

3.2.1之上。代的通用阈值图像

构造高斯模型(GM) [45]目的是评估一个新的目标器官的图像预处理,以便它可以更容易地辨别目标器官和其他组织之间的区别。作为最后一节解释说,初始分割片可以用来估计的统计参数为当前片肝脏模型。由于存在大量的肝脏像素,统计参数估计是可信的。高斯模型是用来评估肝脏的强度分布。高斯模型是由 参数是什么意思和方差可以估计的标记种子点或前一个分段的器官。显示的图像强度节点 。 是对象, 是背景。

强度模型自动为每个片根据分段确定器官在前片。此外,为了消除物体部分和获得一个精确的结果,我们通过丢弃阈值强度模型的输出概率小于0.5,所以它可以生成一个映射对象的可能性。比较原始的CT图像(图3(b))与相应的强度模型(图3(c))显示,肝脏可以更容易地区别于其他组织。地图为背景,然而,可能使原来没有阈值的概率值。

3.2.2。自动设定种子点

我们的方法的主要假设是它可以确定前近似(形状和强度)知识的器官。由于挤牙膏式的技术应用于部分器官在我们的方法中,用户段一片体积定义这个先验知识,因此,他们是附近的片的自动更新。在这种方法中,假设顺向片相同的病人有很高的相关性,器官的边界下一片不会远离边境在前片。因此,基于前面的形状约束定义片可以用来大致选择对象/背景种子点邻片。

假设截面的肝脏我片分为部件和该地区的每个部分的器官( , )是已知的,对应的部分在 th片,对象和背景的种子可以定义由以下方程: 在哪里相对应的器官的面具吗j参与部分 。 和结构化元素用于在该地区的扩张。结构化元素用于在该地区侵蚀。这些元素是经验选择磁盘半径 , , 。

背景种子点是直接选择在当前在该地区可以被认为是准确的点在肝脏边界。然而,如图3(d),可以看出,仍有大量的假阳性(其他组织)尽管侵蚀肝脏区域前片,因为我们不能段前片准确、肝脏形状的变化仍然存在不同的片。

3.2.3。改进的种子点

正如上面已经解释的,它可以动态地更新为以下片参数的通用模型。如果肝脏的强度模型包括参数和 ,我们可以在狭窄的区域阈值这个组件 找到好的种子候选人肝对应像素点。

我们经验发现的值在范围内 对应于低对比度和高对比度的数据集。

此外,它可以看到从图3(d),自定义区域可能包括非部分(如血管);我们可以门限窄带实现更精确的对象(图种子3(e))。因此,对于一个像素位于该地区 ,如果强度值的像素属于狭窄的范围 种子,它被认为是一个对象。后估计候选像素和优良的对象/背景当前片的种子,Bayes-based RW算法应用于肝段(图3(f))。

3.3。平滑的边界整个体积

然而,获得的分割对象的边界在最后一步是不光滑的,如图3(f)。如果边界点的坐标分析了傅里叶变换(FT),它们含有大量的高频成分。据英国《金融时报》的定义,坐标 从空间域转换到频率域 在哪里是边界点的数量通常大于100。边界平滑,去除高频组件,而有用的(信息轴承)低频组件被保留。因此,在频域保持最初的15组件,然后转移到空间域(图3(g))。

4所示。结果

4.1。数据库

我们的数据集包括26个腹部的CT图像分辨率为0.683×0.683×1毫米³和一个大小为512×512×(159 - 263)像素。所有的数据都存储在DICOM图像格式的12位/像素。这些数据是由通用电气收购光速超扫描仪有八个探测器。肝脏图像的大变化是评价的一个重要特性分割方法。因此,从正常和病理情况下获得的数据是20到75岁。样本包含20正常情况下6病理情况下:没有。1没有。20是正常的情况下,也没有。21。26日属于病理情况。 Therein, patients (pathological cases) were those who were suspected of having a disease, such as chronic liver disease, and were scanned in the course of diagnosis. In order to make a quantitative evaluation for our proposed method, the liver was segmented for each image (i.e., subject) manually as the ground truth. The segmentation was performed under the guidance of a physician in order to obtain accurate liver volumes. This study was conducted with the approval of the institutional review boards at University Ethics Committee, and all data provided written informed consent.

该算法是实现MC-OS-based个人电脑(Intel®Corei7 2.5 ghz和16 gb-dram)。编程环境是在MATLAB环境下进行编码。可视化的图形进行使用VTK [46在c++语言。

4.2。定量测定

测量的准确性我们的方法,我们比较它与传统RW方法和先进的交互式分割算法由两个指标。

4.2.1。准备骰子系数(骰子)

骰子系数是最受欢迎的方法来评价分割精度。这个指标在百分比和基于体素的两个二进制3 d卷手工和自动分段的器官。

4.2.2。体积重叠误差(小海湾)

两套体素之间的体积重叠误差和在百分比。这一比率也被称为Tanimoto或Jaccard系数。

4.3。定量验证肝脏分割

调查我们的提出的分割方法的性能,我们应用提出RWBayes临床CT方法26卷在前一节中所述。两种典型情况下的分割结果图所示4。结果在图4证明执行RWBayes方法部分肝脏能给我们准确的结果。常见的计算机辅助肝脏分割困难是错误的包容的心卷,我们的方法避免。它证实了我们的方法的能力部分肝脏分割结果精度。

额外的挑战来自肝肿大,肝有大量形状变化使它很难被分割。考虑到这个限制,在这个研究中,我们的技术进行CT扫描,结合正常情况下26日和病理情况下有大量形态变化。图4显示肝脏分割结果从一个病理情况。它证明我们的算法的性能是健壮的分段肝脏病理情况下有大量形态变化。

除了视觉检查,进行了定量评价。图5给了一个更清晰的描述对应的准确的结果26例。第一个20数据点对应于正常情况下(骰子平均0.946),剩下的6数据点病理情况下(骰子平均0.930)。关于我们的方法应用到合成形状的结果,我们可以得出结论,我们的方法是健壮的解决肝脏的分割(骰子的平均相似系数= 0.942)。未来的研究方向将包括运用我们的方法更多的数据集,以更准确地评估性能。

4.4。交互式分割方法的定性比较

评价了该方法的有效性(RWBayes) RWBayes与经典随机漫步(RW3D) [37]。考虑到内存使用要求RW3D算法应用到电脑,我们调整所有的数据集( 像素)的大小 像素。此外,我们也将我们的方法与知识框架使用经典的随机沃克和窄带阈值(RWNBT) [44],RWNBT没有生成一个阈值图像基于构造高斯混合模型根据前面的分割肝脏。

量化和比较的结果应用RW3D RWNBT, RWBayes肝脏分割提出了图的方法6。为了直观地提出RWBayes和RW3D方法之间做个比较,这是不合理的给只有一个开始切片与相应的分割结果。它是必要的,以显示不同的片一个数据对应一个点在曲线上 像素。红色的图像分割肝脏切片,覆盖原来的CT片。仿真验证RWBayes的性能明显优于RW3D和RWNBT肝脏分段的方法。

为了做个比较先进的交互式分割算法,我们还比较结果用图割算法(GC) (34)和交互式k - means算法(IKM) (14]。表1清楚地描述了我们的方法的优点清单的比较结果与平均骰子,小海湾,和运行时之间的自动和手动分割为所有26个测试CT扫描。计算时间是一个重要的指标来评估一个分割算法。RW的基础的古典RW算法,方法是一个大型,稀疏线性方程组占领的大小对应于三维图像像素点的数量。因此,它表现出缓慢为解决3 d图像分割。显著减少运行时使用RWBayes-based值分割与基于RW3D证实。与此同时,RWBayes被观察的准确性明显高于骰子比最先进的交互式分割方法/小海湾。直接证明我们提出的方法的性能,在对统计显著性分析,p值的概率获得测试实际上观察到的统计结果。这些统计检验表明,我们提出的RWBayes方法产生高精度的结果对传统的RW3D方法( )。

5。讨论

介绍了一种新的知识框架使用RWBayes器官分割方法。该方法分割一个器官基于先验知识的集合。先验知识包括一个器官的近似形状(形状知识)和统计参数器官的强度(强度的知识)。根据先验知识的一个器官,适当的选择对象/背景的种子进行巧妙地为我们的方法来准确地细分器官从CT图像。

该方法的基本思想是基于相邻切片之间的高相关。当前片是自动生成的种子点根据先验知识的分段器官区域前片。如图5、精密的结果在我们的实验中,我们使用高分辨率数据。

然而,在实际的诊所,CT图像中存在各种各样的决议。一般来说,薄片(高分辨率)对应于强相关性而厚片(低分辨率)对应于弱相关。

为了验证我们RWBayes决议方法的影响,一个典型的CT图像(一项决议 和大小 像素)的大小为7不同分辨率axial-axis (z设在),然后分段使用相同的种子点。图7表明,我们提出的方法可以进行CT扫描与大分辨率的变化。不管图像分辨率,取得了令人满意的分割结果。总之,我们在分段RWBayes方法是健壮的肝脏CT图像的各种决议。仿真结果证明我们提出的高容量RWBayes器官分割方法使用各种决议的CT扫描。

6。结论

在本文中,我们提出了一个新颖的基于知识的框架使用RWBayes器官分割算法。前面的分段器官的先验知识集成到我们的战略和具有以下优点:(1)小规模图;(2)自动化对象/背景种子设置根据已经分割片的先验知识;和(3)鲁棒分割技术通过梳理系统器官的稀疏贝叶斯模型来计算每个标记节点的概率。评估的结果证明了该方法的精度高。相比传统的RW和最先进的交互式分割方法,我们提出的方法可以显著提高分割精度( )。至于未来的应用,该方法可以扩展到其他器官。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的陆军研究办公室奖。w911nf - 15 - 1 - 0521来自美国和部分下边了支持战略研究基金会的项目从日本私立大学(2013 - 2017)。