周围神经图像分割算法研究

刘　斌，周学礼，张　敏，朱鑫晨

（1.常熟理工学院物理与电子工程学院，江苏常熟215500；2.南京邮电大学通信与信息工程学院，江苏南京210003）

周围神经图像分割算法研究

刘斌1，2，周学礼1，张敏1，朱鑫晨1

（1.常熟理工学院物理与电子工程学院，江苏常熟215500；2.南京邮电大学通信与信息工程学院，江苏南京210003）

摘要：提出一种交互式神经组织CT图像分割算法，本算法基于交互式聚类图像分割算法，针对CT图像中神经组织的特点加以改进，采用自适应空间邻域信息混合高斯模型ASIGMM进行建模，从而能够综合利用像素的灰度信息和邻域空间位置信息实现有效分割.实验证明，本文算法能够更好地保留分割结果的边缘性，充分保证周围神经图像分割的精确性.

关键词：周围神经；交互式；ASIGMM模型；CT图像

医学图像处理是综合利用计算机图形学和数字图像处理技术，将机器视觉的相关成果应用于影像诊断学，是推动智能医学的核心技术.医学图像分割是医学图像重建和三维视觉化的基础，一直是医学图像处理的研究重点.国内外研究主要集中在对CT，MR和显微及三维医学图像的分割处理，并取得了诸多成果，文献［1-5］的研究集中于对大脑MR图像的组织分割，利用多种算法对大脑的MR图像进行测试和优化，致力于MR大脑图像的分割算法研究.文献［6-8］利用图割理论从建模模型改进，迭代算法改进等方面研究肺部组织分割技术.但是针对周围神经图像分割算法的研究较少，神经组织形态细小、组织伸展方向变化不确定，加上受切片精度的影响，肯定会造成切片后神经组织的不连续性，目前，还没有利用活体数据来构建完整三维周围神经组织的先例［9］.人体周围神经的分割和可视化技术是当今世界性的课题和难点之一.

1　周围神经三维重建系统

在三维周围神经模型基础上，利用鼠标的实时三维交互，通过针刺取点结合虚拟切片等方法实现三维测量，开发一套实时周围神经辅助治疗系统，辅助医生对周围神经卡压、神经中断、神经肿胀粘连等疾病的临床诊断，具有很强的研究价值.周围神经重建系统如图1所示，而周围神经分割环节是关系到三维重建系统真实性的关键.

本文提出的交互式神经图像分割算法，可以在人机交互下完成精确分割.利用图像分割的典型算法，并针对神经图像的特点加以改进，综合利用像素点灰度信息和空间位置信息，对算法中的建模模型加以改进，提出面向CT图像神经组织分割算法，是对推动神经图像分割理论与算法设计发展的一次尝试，能够较好地辅助神经外科影像诊断，具有一定的临床应用价值.

图1　周围神经三维重建系统

2　周围神经分割算法设计

2.1初始化分割

使用对象的确定是项目开发和算法设计的前提和关键，考虑到神经组织分割的复杂性，本文提出神经图像分割算法面向的用户对象是从事影像诊断分析工作或者具有一定临床工作经验的医务工作者，这是在算法中使用交互式操作正确性的保证.

完成神经组织的切割需要人机交互操作，本文提出的交互式操作属于非完全交互，用户只是进行区域选择和边缘粗描，算法依此自动修正.

依据图割理论中最大流/最小割定理，从能量惩戒角度设计分割算法，对于图像分割的代数表示为α= argmαin E（α,θ）.其中：假设图像中像素点个数为N，分割中不透明度标号α=｛α1,…αn,…αN｝，αn∈｛0,1｝；θ表示目标和背景的颜色模型.对应图像中的每个像素点Z =｛z1,…zn,…zN｝的标号值，背景用0表示，目标用1表示.任一个向量k =｛k1,…kn,…kN｝，其中kn表示第n个像素对应的高斯分量，因此，图像的吉布斯总能量

区域项体现一个像素被标记为背景或者是目标的惩戒，与被标记的概率成负对数关系，即有式（1）的形式，混合高斯模型GMM中θ有3个参数如式（2）：每一个高斯分量的权重π，均值向量μ，协方差矩阵Σ. RGB的3个通道由3个元素向量确定.这些参数的获取通过学习来确定.获取这3个参数后一个像素RGB颜色值也就唯一确定了，可以带入目标的混合高斯模型和背景混合高斯模型，计算出该像素属于目标和背景的概率，那么区域能量项就根据概率的负对数获取，对应图论中图的t- link边权值也就求出了.

对于边界能量项有

边界能量项体现对相邻像素m和n不连续的惩戒，如果两邻域像素差别很小，那么它属于同一个目标或者同一背景的可能性就很大.如果它们的差别很大，说明这两个像素很有可能处于目标和背景的边缘部分，则被分割开的可能性比较大，所以相邻像素差别越大，边界能量越小.式（3）中β参数由图像的对比度确定，对于对比度比较低，本身有差别的像素m和n的差‖zm-zn‖数值上是很小的，需要乘以一个比较大的参数β来放大这种差别，反之亦然.常数γ为调整系数，目的在于训练出一个合适的参数使边界项更好工作，文献［10］对多种图像的算法测试中获得γ= 50时图像训练的结果比较好. n - link边的权值就可以通过式（3）获得.

2.2自适应空间邻域信息混合高斯建模

受人体组织器官不均匀，场偏移效应，局部体效应的影响，神经组织CT图像中噪声复杂，病变组织边缘模糊［11］，制约以Grab Cut算法为典型代表的交互式聚类图像分割算法分割的正确性.目前依据图割理论的分割算法大多是通过建立高斯混合模型（GMM）基础上得到图像分割的，传统的高斯混合模型用于图像分割时，只考虑利用像素的灰度信息进行分割，忽视空间位置信息和像素之间的关联性，这样做法通常致使图像分割在噪声区域和边界处有错误分割的情况.神经组织细小，在医学影像的神经组织所占图像比例很小，神经组织边缘不明显，因此，如果直接利用GMM模型进行分割，在噪声不可忽视的情况下，必然导致分割不连续与误分割的概率增大，很难得到满意的分割效果，分割精度明显下降.因此需要一种能够在图像分割过程中有保留边界特性的混合参数模型.

研究表明，在有噪声和伪影影响的图像中，忽略像素的邻域信息的分割结果往往会出现粗粒和碎片.学术界利用马尔科夫随机场（MRF）和GMM相结合的方法使得分割过程增强像素之间联系，充分表征当前像素点与邻域像素点的关系，能够产生空间上连续的像素聚类，能够对噪声进行部分抑制，增强边缘性，但是在分割前需要对MRF设置不同的光滑因子β，而由于MRF的空间约束混合高斯模型没有能够描述参数估计的解析表达式，光滑因子β的选择加大了MRF实现的难度.而文献［12-13］基于非MRF空间约束的GMM模型，提出的一种自适应空间邻域信息混合高斯模型（adaptive spatially neighborhood information Gaussian mixture mode，ASIGMM），通过利用加权表达式修改GMM模型函数，能够简单有效对分割图像中图像边界细节进行保留.另外，ASIGMM中保持邻域像素信息与中心像素的生成概率一致，使得改进之后的高斯函数，能够抑制噪声点，增强边缘性保留，提高分割的精确度.文献［13］采用人工合成图像，比较了ASIGMM与传统高斯混合模型（classical Gaussian mixture model，CGMM）、空间变量高斯混合模型［14］（spatially variant Gaussian mixture model，SVGMM）和基于邻域加权高斯混合模型［15］（neighborhood weighted Gaussian mixture model，WGMM）在不同噪声环境下分类的正确率（CCR）.

数据表明，ASIGMM在噪声环境下对图像分割正确性有着良好的表现，这主要是因为ASIGMM综合考虑像素的灰度信息和邻域像素之间的关联性.本文在算法建模时，使用ASIGMM代替传统的GMM模型，用以改进算法，并结合实验结果证明改进对神经组织分割的有效性.实际操作中，该像素属于第β个类的概率受其相邻像素属于第β个类的概率的影响，我们可以通过在计算每个像素属于β类的概率计算中将邻域信息加权在计算中，即实现ASIGMM建模的改进.算法步骤为：

（1）初始化：用户选择ROI区域硬性分割原始图像，标记初始背景和目标值；

（2）ASIGMM模型参数初值确定与建模：根据初始化中硬性分割，利用k-mean算法估计参数初值，并利用参数值进行建模.在改进后的高斯模型中，像素属于某类的概率不仅取决于像素的灰度统计信息，而且与相邻像素的类值关系有关；

（3）迭代能量最小化：构造能量函数，对交互式标记结果重复建模迭代，直至收敛；

（4）边界优化，提取分割结果.

3　算法实现与结果分析

3.1算法实现

对于面向神经组织切割的平台操作方法：

1）载入原始图像，并对图像大小进行初始标准化调节；

2）由用户指定感兴趣区域（ROI：region of interest，完成图像硬性分割；

3）算法迭代初始参数，完成初始分割；

4）用户交互式操作，对指定区域进行人工修改，完善区域分割.

本文采用神经图像为利用CT垂直扫描出的Dicom格式图像，扫描部位为人体腹腔骶髂部，图像分辨率为512*512，主要分割目标为周围神经，本文提出的面向神经组织分割算法与原始聚类Grab Cut算法对CT垂直扫描图像进行对比分割，在分割中指定同样的ROI区域，并采用相同的初始像素标记进行切割，如图2所示.从两者分割效果对比中，体现本文对算法改进的必要性和优越性，并证明本文算法对神经组织分割的有效性和准确性.

图2中（a）为垂直扫描图片CT01-1原始图像；（b）为感兴趣区域ROI指定，目的在于限定神经大致可能区域，缩小分割范围和对目标与背景像素点进行初始提取，用于确定建模参数，实现初步的参数学习；（c）为用户手工对神经组织的外围轮廓进行描绘，确定初始形状；无效区域在图中用灰色阴影覆盖.

图3为根据ROI得到的初次切割结果，图4为用户交互式修改之后，对背景像素和目标像素进行按照用户需求特殊性标记，进一步参数学习，重新迭代的效果，并从图像中分离提取的结果.

3.2实验分析

在本文算法和传统聚类Grab Cut算法都有交互式环节，人机交互环节关系到分割精度，但是在衡量算法性能时，应该着重比较初次分割范围和算法对每次人工交互后，自动修正的正确性.特别是后者，集中体现了算法的智能性和优越性.本文验证两种算法结果均为多次试验中，对交互式操作的代表性结果.

第一，从初次分割结果来看，图3（b）中的初次分割区域更加贴合整个神经组织的外围轮廓，在第一次建模后，利用ASIGMM模型获取的参数更加贴近最优解，从而为迭代优化做好准备.

第二，从图像最终分割结果的边缘性角度来分析，传统聚类Grab Cut算法分割结果边缘并不是很理想，图4（a）中，区域A本身应该是根单独向下方伸出的神经组织，但是在神经组织的右下方边缘模糊，和区域B中向下延伸的神经组织交合在一起.区域C，区域D的突出部分缺失，区域E缺失导致分割不连续.区域B和F周围“黑影”较多，边缘模糊，分割结果不清晰.在图像周边存在比较多的“黑影”，是由一些被算法错误标记的像素点构成，这些像素点的保留致使边缘不明显，分割不连续.

对于对分割结果的定性分析：整个图像的吉布斯能量是区域能量项和边界能量项的总和，对于分割边缘的确定主要影响来自于边界能量项能量的大小，边界能量项体现相邻像素不连续的惩戒，如公式（3）所示.为了均衡算法在不同对比度图像都能够有效的表现相邻像素的差别，引入了参数β来调节不同对比度图像中差别像素的数值表现，β与对比度有关，是由参数学习获得的.这就带来了一个问题：不考虑像素之间的邻域关联信息，对于受噪声影响的像素灰度值，甚至较强的脉冲噪声造成多个像素点的灰度数值发生较大变化，直接对像素的背景和目标的判断标记产生影响，因此，在参数学习过程中，错误标记像素使参数β对比度的训练效果不理想.容易造成黑影，边缘不明显，分割不连续，采用ASIGMM模型可以有效解决这些问题.

图2　相同初始分割设置

图3　初次分割结果

图4　最终分割结果

4　结　语

对于噪声复杂的CT图像中，如果使用对CT图像多次滤波降噪处理，会损失大量的边缘信息.对于神经外科而言，神经组织的有效信息很多从CT图像中组织的外围轮廓和边缘中获取，多次滤波噪声的消除是以信息丢失为代价的.并且，由于噪声特性的不确定，对于CT图像的滤波算法设计难度也很大.完全消除噪声困难，但是可以利用像素之间的关联性形成监督，通过与周围像素点关系的比较，去除噪声点对参数学习的影响，从而提升分割的精确性.本文算法中采用ASIGMM模型，在建模中充分表征当前像素点与邻域像素点的关系，能够产生空间上连续的像素聚类，综合利用灰度信息和像素的空间位置信息用于分割过程，加强对噪声和伪影的抑制，能够对分割边缘有着较好保留，实验证明了本文提出的改进分割算法能够完成CT图像中神经组织的分割任务，较好辅助神经外科影像诊断，为实现周围神经组织的三维重建和可视化系统建立提供保障.

参考文献：

［1］许兴明，赵海峰，罗斌.基于t-混合模型的脑MR图像白质分割［J］.计算机工程与应用，2010，46（17）：191-193.

［2］黄晶晶.脑部MR图像多阈值处理与边缘检测［J］.计算机与数字工程，2013，41（10）：1672-1675.

［3］STOKKING R, VINCKEN K L, VIERGEVER M A. Automatic morphology-based brain segmentation（MBRASE）from MRI-T1 data［J］. NeuroImage, 2000, 12（6）：726-738.

［4］KLAUSCHEN F, GOLDMAN A, BARRA V, et al. Evaluation of automated brain MR image segmentation and volumetry methods ［J］. Human brain mapping, 2009, 30（4）：1310-1327.

［5］WANG L, SHI F, GAO Y, et al. Integration of sparse multi-modality representation and anatomical constraint for isointense infant brain MR image segmentation［J］. NeuroImage, 2014, 89：152-164.

［6］秦晓红，孙丰荣，王长宇，等.基于遗传算法的胸部CT图像肺组织分割［J］.计算机工程，2007，33（19）：188-189.

［7］耿俊卿，孙丰荣，刘泽，等.基于自适应形变模型的胸部CT图像肺组织分割［J］.系统仿真学报，2008，19（23）：5419-5422.

［8］孟琭，赵大哲，贾同，等.一种改进的CT胸部图像肺组织分割方法［J］.东北大学学报（自然科学版），2009，30（2）：187-190.

［9］唐子春.面向神经组织的分割算法研究及平台构建［D］.北京：北京交通大学，2008.

［10］ROTHER C, KOLMOGOROV V, BLAKE A. Grabcut：Interactive foreground extraction using iterated graph cuts［C］//ACM Transactions on Graphics（TOG）. ACM, 2004, 23（3）：309-314.

［11］王银改. ImageJ软件在检验医学图像分析处理中的应用［J］.中华检验医学杂志，2005，28（7）：747-748.

［12］朱峰，罗立民，宋余庆，等.基于自适应空间邻域信息高斯混合模型的图像分割［J］.计算机研究与发展，2011，48（11）：2000-2007.

［13］GREENSPAN H, RUF A, GOLDBERGER J. Constrained Gaussian mixture model framework for automatic segmentation of MR brain images［J］. Medical Imaging, IEEE Transactions on, 2006, 25（9）：1233-1245.

［14］NIKOU C, GALATSANOS N P, LIKAS C L. A class-adaptive spatially variant mixture model for image segmentation［J］. Image Processing, IEEE Transactions on, 2007, 16（4）：1121-1130.

［15］TANG H, DILLENSEGER J L, BAO X D, et al. A vectorial image soft segmentation method based on neighborhood weighted Gaussian mixture model［J］. Computerized Medical Imaging and Graphics, 2009, 33（8）：644-650.

A Study on Peripheral Nerve Image Segmentation Algorithm

LIU Bin1,2, ZHOU Xueli1, ZHANG Min1, ZHU Xinchen1
（1. School of Physics and Electronic Engineering, Changshu Institute of Technology, Changshu 215500, China；2. College of Communication and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China）

Abstract：Peripheral nerve CT image segment is the basis of peripheral nerve 3D reconstruction and visualization. This paper makes an analysis of graph cut theory and algorithm, and puts forward an interactive segmentation algorithm for peripheral nerve image. Based on interactive image segmentation, the algorithm uses ASIGMM in the modelling, which can cut the graph with the utilization of pixel gray and neighbourhood location information. Both theoretical analysis and simulation results justify the feasibility of the algorithm above. Peripheral nerve segmentation algorithm proposed in this paper can effectively suppress noise in the image, achieve better retention of marginal results, and guarantee the accuracy of segmentation.

Key words：peripheral nerve；interactive；ASIGMM model；CT image

中图分类号：TP391.41

文献标识码：A

文章编号：1008-2794（2016）02-0064-05

收稿日期：2016-01-08

通信作者：周学礼，副教授，研究方向：计算机图像学及医学图像处理，嵌入式系统设计，E-mail：zhouxueli008@163.com.