文摘
肝脏和其他软组织之间的灰色对比很低,和边界不明显。因此,它仍然是一个挑战性的任务,要准确地细分的肝脏CT图像。近年来,机器学习的方法已经成为医学图像分割领域的一个研究热点,因为他们可以有效地使用肝脏的“黄金标准”的个性化特征从不同的数据。然而,机器学习通常需要大量的样本数据训练模型,提高医学图像分割的准确性。提出了一种肝脏分割方法基于伽柏字典的稀疏的图像块与以前的边界。这种方法减少了样品的数量通过选择测试样本集初始边界区域内的肝脏。伽柏特性提取和查询字典创建,和稀疏系数计算获得肝脏的边界信息。通过优化重建误差和填坑,一个平滑的肝脏边界。该方法测试数据集2007年MICCAI ISBI2017数据集,和五个措施是用来评估结果。该方法与肝脏分割方法近年来提出的。 The experimental results show that this method can improve the accuracy of liver segmentation and effectively repair the discontinuity and local overlap of segmentation results.
1。介绍
肝癌是世界上最常见的一种癌症,癌症死亡最常见的原因之一(1,2]。医学成像技术被认为是一个重要的技术来帮助医生评估疾病,优化预防和控制措施。近年来,计算机断层扫描(CT)已经成为广泛应用于临床医学诊断和治疗由于其高空间分辨率、成像速度快(3- - - - - -5]。目前,许多研究集中在如何提高肝脏分割的精度和效率,但仍有许多问题有待解决,如肝脏的复杂形状、低对比肝脏和邻近器官,没有明显的边界。
在这样的背景下,基于机器学习的方法发展迅速,已成为近年来的研究热点。研究者提出大量的肝脏分割方法,如地区发展,图切割算法,水平集活动轮廓,统计形状模型和聚类(6- - - - - -11]。基于图像分割的方法操作简单,但分割效果不稳定,容易影响肝脏及周围器官的对比。基于模型的分割方法有稳定的性能,但是需要注册多个注释数据和高要求。聚类方法不需要图像注释和是一种无监督学习方法。深入学习是机器学习算法的一个分支。它可以学习规则从大量的标记为肝脏训练数据集,确定细分模式的参数,自动提取肝脏,深的特性和部分肝脏,从而减少人为因素对分割结果的影响(12,13]。然而,每一个深学习模型建立是为特定的数据,导致可怜的多功能性。这两种方法需要大量的数据,这减少了分割的效率。如何达成一项平衡的样本数据量和分割精度已成为一个主要的困难在医学图像分割14]。提高基于机器学习算法的效率、技术如K-SVD(奇异值分解)算法,稀疏的代码,查询字典已经被广泛应用。Zhang et al。15]提出了一种基于先验知识的稀疏优化模型分割肝脏表面成许多条件和使用K-SVD算法建立的形状信息字典肝脏,从而约束变形模型方法肝脏边界稀疏。廖et al。16)取代了当地的图像补丁和体元信息的特性构造稀疏字典模型肝脏分割,这提高了分割精度低对比度区域在一定程度上。王等人。17)使用最好的稀疏的组合形状sample数据库代表肝脏形状没有任何假设关于其参数分布。这种方法可以获得肝脏的先验形状准确、迅速地从大量样本中。施等。18)提出了一种基于稀疏低秩分解形状模型之前,这减少了限制的应用现有的统计形状模型的PCA降维。徐et al。19)建立一个查询字典,用这种方法训练图像的目标区域,将目标图像分成相同大小的图像补丁来构造一个测试集,然后根据匹配程度的定义目标边界测试集和查询词典。王等人。20.),利用稀疏表示的高维医学结构基于张量,不仅成功地保留了空间结构固有的高维医学数据还在多相医学图像捕获时间信息。
虽然已经取得了很大的进步在基于稀疏编码的肝脏分割算法,之前的研究表明(11]相对小图像的相似性判断补丁会严重影响分割的准确性,和大多数现有算法,使用灰度字典比较图像的相似性,将匹配精度较低。此外,现有方法的分割结果出现不同程度的空洞和重叠,进而影响分割精度。
在此方法中,有两个小礼品:(1)通过提取伽柏功能,肝脏的边界信息可以更好的提取,并采用稀疏编码方法减少训练样本的数量,消除冗余信息;(2)空腔填充的分割结果有效地修复,并删除冗余的边界点,以获得一个平滑的肝脏边界。
2。方法
2.1。该算法的整个过程
建议的方法的流程图如图1。首先,腹部图像的“黄金标准”被注册的腹部图像分割登记技术,和伽柏特征提取进行注册图像,并登记后的“黄金标准”的定义是肝脏的初始边界。第二,选择N个相同大小的图像块作为训练集对肝脏边界伽柏特性形象的“黄金标准”,然后使用K-SVD算法训练和相应的稀疏编码查询词典。第三,选择所有体素点十个社区与肝脏的初始边界上的每个点为中心,并选择相同大小的图像块作为训练集作为边界点和每个立体像素点在附近为中心测试集。第四,使用查询字典训练和测试集(正交匹配追踪,OMP)算法计算稀疏编码对应测试集。最后,一个操作执行孔填充的获得肝脏边界获得最终的分割结果。
2.2。肝脏区域登记
注册的黄金标准图像和图像分割,本文后指以前的实验室研究[21),选择相应的训练图像和目标图像显著点,决定了变形场根据这些点之间的匹配关系,并应用变形场的黄金标准形象。这样,肝脏的近似位置和轮廓在目标图像。注册流程图如图2。
如果整个CT图像用于注册训练图像和目标图像,肝脏地区将受到其他类似密度软组织的影响,导致较低的登记的准确性(22]。为了解决这个问题,本文选择手动五套特征点对训练图像和目标图像,建立了变形特征点之间的关系,使用b样条插值方法计算整体变形关系船的肝脏,从而构造变形场之间的体积数据。计算肝脏的初始边界的方法在测试图像如下。
训练图像定义为 。其相应的黄金标准肝脏图像 ,和目标图像 。在这种情况下,登记和计算过程如下:
在这个过程中,是最佳的变形场,通过注册获得的初始变形场的标记点,指的是相似性度量,是指变形场的正则化约束,和“”表示变形场的应用腹部体积数据。最优变形场应用于黄金标准形象吗获得的近似位置和轮廓的肝脏在目标图像 。计算过程如下:
2.3。训练字典
到目前为止,研究人员已经提出了各种不同的稀疏字典,即。,the wavelet dictionary, the local cosine dictionary, the Anisotropic Refinement Gaussian (AR-Gaussian) multicomponent dictionary, etc. [23- - - - - -26]。在所有这些字典中,小波原子的可分性和各向同性严重影响的能力词典来描述图像的边界结构。当地的余弦字典,虽然可以有效地匹配图像的纹理结构,不能有效展示图像的边缘轮廓结构。如果使用高斯函数和二阶导数原子生成函数,图像的边缘结构可以有效地匹配,但字典包含了大量的原子,从而增加稀疏分解的复杂性。为特定的图像模式,必须选择有效的图像表示方法。同样,对于肝脏CT图像,伽柏特性构建词典的图像是一个不错的选择。因此,本文建立了一个伽柏字典的图像(伽柏信息提取的特征图像,请参考之前的研究结果(11,27])。十个社区选择图像补丁的训练集伽柏从肝脏边界特征词典腹部伽柏肝脏图像的“黄金标准”(如图3)。
(一)
(b)
(c)
(d)
(e)
(f)
在本文中,我们采用了K-SVD算法(28]训练伽柏特征词典对肝脏边界。该算法是一个循环学习的过程。给定一个训练集通过定义一个overcomplete字典 在这是行向量的数量吗 , 是原子的数目的字典, ,在哪里字典的稀疏系数,是稀疏;然后信号可以表示为一个稀疏线性字典原子,它可以显示如下:
在这个过程中,已归一化通过以下公式:
这样的优化问题可以解决以下两个步骤。
2.3.1。稀疏编码
在这个阶段,我们假设字典是固定的,配方的优化问题(3)作为一个寻找最优稀疏系数的过程在矩阵X。然后,上面的公式可以修改如下:
因此,优化问题可以修改如下:
的公式, 。 和的坐标图。如果足够小,OMP[的问题可以解决29日)算法。
2.3.2。字典更新
假设系数和字典都是固定的,k列字典的更新而稀疏矩阵中的所有列X乘以k行吗应记录 。在这种情况下,目标函数(3)可以改写如下:
我们分解为矩阵的总和(排名:1)和假设是固定的,而剩下的一列是列被更新,代表了出错率相对于原始训练集后删除原子列。然后,我们只有保持非零元素和和更新奇异值分解算法。
2.3.3。图像重建
在获得查询词典和相应的稀疏编码训练样本,我们选择附近10分 , ,和顶点的方向最初的肝脏边界图像的分割,导致共30附近的点,并使用这些30附近点为中心选择30个测试样本集具有相同的大小作为训练样本集,形成测试样本集。稀疏编码对应测试样本计算通过使用字典训练的调查。我们计算每组的重建误差样品通过测试样本,调查字典,稀疏编码。公式如下:
最小的重建误差的图像补丁是选为肝脏边界补丁来计算每个边界的中心块是用作肝脏的边界点。
2.4。空虚填满
该算法提出了使用图像补丁作为字典样本集,和肝脏边界获得甚至可能显示不连续或边界重叠。摘要表面凸包算法(29日)和填空算法(30.]介绍了实现插值和完成肝脏边界上的不连续区域,从而获得连续的和光滑的肝脏表面。详细的计算过程如下:(1)输入肝脏分割结果,并使用扫描转换算法进行八叉树分解,分解的一个更加精炼的子空间分割结果。(2)暂停八叉树分解之间的十字路口,当所有的分解线和原始模型都位于八叉树的叶子。(3)十字路口的边界标记为一个“交叉边缘。”(4)选择一个顶点从原始模型,并将其标记为“0。“沿着八叉树的边界扩展它,当它通过“交叉边缘”一次,标签会改变“1。“其他可能被类比推导。每次相交边界传递,标签会改变一次,这将持续到整个八叉树遍历结束。(5)重建的顶点只包含“0”和“1”年代与双重轮廓线算法准确地获得空隙填充后的模型。
3所示。实验
3.1。数据集
本文测试了我们的方法2007年MICCAI (https://www.sliver07.org/index.php)的数据集,ISBI2017数据集和验证图像数据从河北大学附属医院。MICCAI 2007训练数据集包含20对比增强CT卷标准分割,所有这些都有一个像素间距为0.55到0.8毫米,和一片间距1到3毫米,没有任何片之间的重叠。ISBI2017数据集包含了131年和70年对比增强三维腹部CT扫描,分别被用于培训和测试。从六个不同的临床网站获得的数据集是通过不同的扫描仪和协议,有一个很大的不同平面分辨率从0.55毫米到1.0毫米和片间隔从0.45毫米到6.0毫米。医院的数据集包含100个对比增强CT卷。像素间距和切片厚度从0.64到0.65毫米和5.0毫米,分别在所有情况下的平面分辨率像素。
验证该方法,实验在Windows 10个人电脑(PC)和英特尔i7 - 7700 k的CPU和Nvidia GPU RTX3090。该算法是在Python中实现。洞察力分割和登记工具箱ITK (https://www.itk.org/)和可视化工具包VTK (https://www.vtk.org/)被用于基本的3 d图像处理和三维可视化的分割结果,分别。
3.2。评价措施
进一步验证算法的分割精度,实验应用五MICCAI 2007提供的评估标准进行评估,包括以下几点:体积重叠误差(小海湾),相对体积差异中心(RVD),平均对称表面距离(ASSD)、均方根对称面的距离(RMSSSD)和最大对称表面距离(MSSD)。值越小的五个评估标准,性能就越好。定义为该地区的分割结果而“黄金标准”地区 。 的表面体元数据””,是指表面上的任何点体素。指的是欧氏距离。五种精度的计算流程如下(供参考)。(1)卷重叠误差 (2)相对体积误差 (3)平均对称表面距离 在哪里 ,和是欧氏距离。(4)均方根对称表面的距离 (5)最大对称表面距离
4所示。结果
在选择测试集之前,有必要注册黄金标准图像与目标图像,然后使用注册黄金标准图像作为初始边界的肝脏分段。因此,登记结果的准确性直接影响初始边界的准确性和测试集。本文选择两套黄金标准图像注册登记后使用初始边界,黄金标准计算空间距离误差,从而使用这个评估登记精度(如图4)。图4(一)是训练图像,图4 (b)是肝脏的黄金标准图像相对于数据吗4(一)和4 (e)是目标图像。点标记(1)∼(5)数据4(一)和4 (e)选择标记点,用于注册数据吗4(一)来4 (e)。注册图4(一)畸形的成图4 (c)而黄金标准图4 (b)畸形的成图4 (d)在变形场的影响。图4 (f)的姿势是肝脏的注册黄金标准图像在目标图像,证明本文可以注册的注册方法构造黄金标准图像和目标图像准确并获得一个相对精确的初始肝脏边界,也提供了可能的条件选择合适的训练集。
(一)
(b)
(c)
(d)
(e)
(f)
本文只选择测试集的初始边界附近的肝脏,可有效提高分割效率。测试区域选择的准确性,12套CT数据作为源图像注册,两对CT数据随机选择登记,登记后,变形场应用于黄金标准图像(如图5)。数据5(一)∼5(f)显示6套登记结果的可视化效果的黄金标准形象。红色区域是肝脏区域在目标图像,和绿色区域是畸形的金标准肝脏区域(肝脏分段)的初始轮廓。根据图,登记后肝脏边界误差非常小(小于10平均压),这证明了本文提出的算法的可行性。
(一)
(b)
自伽柏特性是对称的特性,本文选择一个角度每20°0到180°范围内形成972伽柏过滤器243角度和尺度。伽柏过滤器银行混淆每个图像块的领空,和每个图像块的大小可以获得972过滤器outputs-images图像补丁(如图6)。如果是直接作为特征向量,将特征空间的维数非常大。在这种情况下,本文选择了灰度平均值成24×1列向量的伽柏特征图像补丁。
(一)
(b)
(c)
图7显示的图像补丁选择字典显示在切片的结果。数据7(A1)∼(A3), (B1)∼(B3)和(C1)∼(C3)显示的影响构建字典截面图像补丁,矢状面和冠状面。从图可以看到,本文选择肝脏边界上的图像块作为训练集,以确保训练集包含肝脏边界,从而使信息查询字典能够有效地表达肝脏边界的特点。
(一)
(b)
图8显示了肝脏分割结果与稀疏字典代码和培训。数据8(A1)∼(A3)和(B1)∼(B3)横断面、矢状面、冠状面和肝脏的分割结果两组CT数据,分别。数据8(a1)∼(a3)和(b1)∼(b3)图像的局部放大视图的绿框的数字8(A1)∼(A3)和(B1)∼(B3),分别。从图可以看出,肝脏边界通过稀疏编码和字典查询是一个图像体素与共同的特征点集。如果肝脏边界在目标图像模糊,大量的图像补丁在选定的测试集将匹配查询字典,生成一个相对大量的冗余信息。然而,当测试集的图像补丁无法匹配的灰度信息和伽柏特性信息查询字典,稀疏编码的应用和字典查询只会导致孔隙对肝脏边界。部分放大后的数据8(a1)、(a2)和(b1),它可以观察到,获得对肝脏边界体素点产生很多重叠的冗余信息,从而生成多个肝脏边界和导致不准确的分割。数据显示8(a3), (b2), (b3),肝脏边界通过稀疏编码和字典查询产生了不连续的空洞,这可能导致不连续的分割结果。为了解决这个问题,本文构建了一个填空方法来弥补不连续的分割结果。具体结果见图9。
图9显示一组三维肝脏的分割结果CT数据。可以看到从图9(a1),因为当地的肝脏边界不清楚,很难找到图像补丁,可以查询字典相一致的测试集,生成一个相对大量的重叠区域的分割结果通过字典查询和稀疏编码。相比之下,至于分割空白填充后,肝脏边界变得光滑和自由空间(如图9(a2))。在数据9(b2)和(c2),肝脏边界之间的灰度对比及其邻近组织很小,生成冗余边界点在不同区域的分割结果空隙填充后,减少了分割精度。相反,冗余消除边界点空隙填充后的结果,获得一个平滑的肝脏边界,充分证明本文提出的算法的可行性。
图9显示一组三维肝脏的分割结果CT数据。第一行是字典查询获得的分割结果和稀疏编码方法;第二行是孔填充后的分割结果;第三行是这个方法的分割结果的对比图和黄金标准。第四到第六行是对应的放大图像中的蓝色框第一行第三行,分别。它可以看到从图的第四行9因为肝脏的局部边界是不清楚,很难找到一个图像块匹配的查询字典在测试集。这使它看起来有更多的空白和重叠区域当只使用查询词典和稀疏编码方法。相比之下,对分割结果洞填满后,肝脏边界变得光滑,没有漏洞(如第五行,如图所示9)。在第一和第二图像在第四行图9,肝脏边界之间的灰度对比及其邻近组织很小,所以分割结果未经洞充填处理多余的边界点在多个地区,影响分割的准确性,和孔填充的结果有效地消除了冗余的边界点,得到一个平滑的肝脏边界,这充分证明了本文算法的有效性。
图10显示五套随机选择的CT数据和他们的肝脏分割结果。第一到第三列在图10显示截面、矢状面和冠状面原始CT图像的分割结果。图中的红线代表肝脏手动分割的黄金标准形象专家,而绿线代表肝脏分割结果与本文提出的算法。根据图所示的结果10的边界分割结果是非常符合肝脏的实际边界。肝脏边界模糊也彻底分割,这证明了效率伽柏字典的算法和显示选择的准确性测试集的初始边界肝脏后登记。我们可以看到从第三列在图10,本文提出的算法能够准确地细分的尖角和萧条地区肝脏,这有效地证明了建立的查询字典该方法可以准确反映肝脏的边界特性,和它也能良好匹配尖角和沮丧的边界特征的地区。此外,填空方法有效地修复无效和冗余信息的分割结果,获得一个平滑的肝脏边界,并提高了分割精度。
图11是一个三维显示肝脏分割结果的对比图5组随机选择的CT数据。第二和第三行图11分别显示肝脏分割结果相同的前后CT洞填满。第一个和最后一个图显示的行相对应的部分放大图像中的蓝色框第二和第三行。可以看到从图的第二行,分割结果之前填洞孔和表面不光滑。然而,第三行图的分割结果11后填洞非常光滑,和网格信息是连续的。
MICCAI 2007数据集,表1礼物的结果评价分割算法的准确性使用五个随机选择的CT数据集。小海湾的平均值,测量系统、ASSD RMSSSD,和MSSD肝脏分割后的五组CT数据,该算法4.7±0.4%,1.6±0.7%,0.8±0.3毫米,1.3±0.5毫米和12.7±5.1毫米。从ASSD的值可以看出,RMSSSD表中,肝脏表面的建设填空算法该算法使分割结果平滑度高,这可以使表面的分割结果与金本位肝脏的表面一致。总体运行时间平均为25.43秒。
表2列表之间的分割错误方法的比较结果提出MICCAI2007和六个方法。的方法(9,11,33半自动分割算法。方法应用于(34),文献[31日,32)自动分割算法。六个算法相比的引用,通过字典建立能准确反映肝脏的边界特征,填空方法有效地获得一个平滑的肝脏边界和提高了分割精度。小海湾下降了1.8%,0.1%,3.43%,0.55%,0.6%,和3.17%,分别;RMSSSD减少0.9毫米,0.1毫米,1.08毫米,0.93毫米,0.1毫米,1.2毫米,分别;MSSD是减少10.1毫米,3.2毫米,8.6毫米,12.1毫米,6.7毫米,10.86毫米,分别。相比之下,(9,11]和[31日),测量系统降低了0.2%,1.2%,和0.1%,分别。相比之下,(9,33,34]和[32],ASSD减少0.3毫米,0.13毫米,0.51毫米,0.49毫米,分别,进一步有效地表明本文的方法可以更好的部分肝脏区域。
表3提出了评价的结果对该算法的分割精度使用五个随机选择的CT数据类型在2017位ISBI数据集。表4列表分割错误的方法的比较结果,1在2017位ISBI。在表中,“-”表示相关的价值没有被计算的参考。相比之下,(1),小海湾是减少了0.14%,ASSD减少0.67毫米。其性能略差比(1测量系统和MSSD]。
医院数据包括100年对比增强CT卷。表5显示5组数据的随机选择从100年CTs来验证本文提出的算法的分割精度。这五个数据的定量结果5.23±0.6%,2.3±0.8%,1.18±0.4毫米,2.25±0.68毫米,分别和17.2±6.8毫米。
5。讨论和结论
本文,提出了一种有效的肝脏分割是基于伽柏字典稀疏的图像补丁之前边界从CT图像中选择。解决这个问题,基于机器学习方法需要大量的训练样本(会影响分割效率),本文使用了黄金标准图像和目标图像获得的初始边界肝脏和选定的测试样本集社区内的初始边界,有效地减少样品的数量。伽柏图像的训练图像,图像块对应于肝脏边界选择构建一个查询词典和两套调查字典是用来获取相应的稀疏系数,有效地表达肝脏边界相结合的信息查询词典和稀疏的系数。此外,重建误差测试样本和调查字典进行优化。图像块的中心的重建误差最小作为肝脏边界,和细分模式完成后由填空方法应用到肝脏表面,确保平滑,分割结果的准确性。
肝脏分割的方法验证了两种流行的公共数据集和临床数据集。2007年MICCAI数据集,与近年来提出的分割方法相比,我们的方法改善了在小海湾,RMSSSD, MSSD。2017年位ISBI数据集,这个方法是0.67毫米的ASSD价值低于秦等。我们提出的方法与以前的方法在精度和效率,我们在临床数据验证该方法。结果证明本文中提到的伽柏信息的有效性建立字典的询盘。此外,它还可以从分割的实验结果得出后空隙填充明显比结果更准确,不接受空白填充过程。空隙填充后,不连续和地方分割结果的重叠也修好了,这表明,本文算法可以实现肝脏CT图像的准确分割。
然而,由于该方法提出了本文主要使用注册和畸形的肝脏模型作为目标图像的初始边界并选择初始边界内的图像块作为测试样本集,准确分割肝脏边界无法实现大变形区域没有被准确地登记。
数据可用性
可在MICCAI 2007数据集https://www.sliver07.org/index.php。ISBI2017数据集是可用的https://competitions.codalab.org/competitions/17094 le-arn_the_details。
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。
确认
这部分工作是支持中国博士后基金(2018号m631755)、河北省自然科学基金一般项目(没有。H2020201021)、北京市自然科学基金(没有。L172055),河北省高层次人才资助项目博士后研究项目(没有选择性资助。B2018003002),河北大学综合实力提高专项资金在中西部地区(排名801260201011),中国的自然科学基金(61401308号,61572063),和甘肃省自然科学基金(18 jr3ra029),河北省政府2020年省级医学人才项目资助(编号361007),2020年河北大学医学学科培养项目(2020号b05)和河北大学研究生创新基金项目(没有。HBU2021ss004)。第一作者Xuehu王是河北大学的博士后研究员。