一种基于形态学与区域连通性的3D鼻腔分割算法

2019-04-10，，，，，

生物医学工程学进展 2019年1期

关键词：连通性形态学鼻腔

，，，，，

1. 郑州大学附属儿童医院河南省儿童医院郑州儿童医院 (郑州, 450018)2. 河南信息工程学校(郑州, 450000)3. 新乡市中心医学院(新乡, 453003)4. 新乡医学院生物医学工程学院(新乡, 453003)

【关键字】鼻腔分割; 形态学; 颅脑掩模; 连通性分析; 杰卡德相似度系数; 鼻腔横截面积

0 引言

鼻腔作为呼吸系统的屏障器官，具有对吸入空气进行加湿、加温，阻挡灰尘等有害颗粒的功能。鼻窦炎、鼾症、阻塞性睡眠呼吸障碍等呼吸系统疾病与鼻腔的解剖结构异常密切关联。因此，鼻腔的解剖特性对呼吸系统疾病具有重要的研究意义[1]。

普通CT对解剖结构的显示具有局限性，且容积测量的准确性较低。多层螺旋CT弥补了传统CT的不足[2]。当前，利用三维重建软件对鼻腔解剖结构的研究主要有：孙日明等[3-6]利用区域生长算法完成了鼻腔的分割，但该分割仅适用于2D层面，不同的连通区域需多次分割，且分割结果容易受到种子点和阈值的影响。熊华晖等[7-8]利用水平集方法实现了鼻腔的边界提取，保证了边界的光滑性和封闭性，但算法复杂度高，且需手动设置初始区域，参数设置对分割结果影响较大，临床适用性差。当前主要利用工作站对垂直于鼻腔、鼻咽的界面图像进行测量，获取截面积以及鼻孔中心到截面积的距离，建立鼻腔、鼻咽及面积-距离曲线，利用CT体积测量软件测量鼻腔和鼻咽的容积，进而评价鼻腔的生理功能[9]。

本文根据鼻腔的解剖结构特点，利用形态学和区域连通性的分析，实现了3D鼻腔的快速分割。通过设计颅脑模板，消除机架等非目标区域的影响；然后在模板区域，根据鼻腔的特点，设计了基于二值化与形态学的腔体目标的提取算法；最后将序列图像合成3D图像，根据连通区域分析，获取鼻腔区域。将分割结果与影像医生手动分割结果对比，利用杰卡德相似度系数评价分割的精度，证明本算法的有效性。对分割结果进行统计分析，获取鼻腔最小横截面积随距离变化的曲线，以此参数为鼻腔相关疾病诊断提供依据。本算法复杂度低，分割精度高，具有一定的临床应用价值。

1 方法

1.1 鼻腔CT影像特点

鼻分为外鼻，鼻腔和鼻旁窦三部分。外鼻由鼻骨、鼻软骨、皮肤及肌肉组成。鼻腔位于筛窦和上颌窦之间，鼻中隔将其分成左右两半，前通鼻前庭，后达鼻咽腔，呈顶窄底宽的狭长腔隙，如图1(a)所示。鼻旁窦：左、右成对，包括额窦、筛窦、上颌窦和蝶窦，前组鼻窦(上颌窦、前-中组筛窦、额窦)开口于中鼻道；后组鼻窦(后组筛窦和蝶窦)分别引流于上鼻道的后部和蝶筛隐窝，如图1(b)所示。经统计分析，鼻腔内充满气体，与空气的CT值相同，且鼻腔在3D结构上是连通的。

图1 鼻解剖结构Fig.1 Anatomic structure of nose

本文根据鼻腔的CT结构特点，设计了基于形态学和区域连通性的3D鼻腔的快速分割算法，并对分割结果进行统计分析，获取鼻腔横截面积随距离的变化曲线。本算法的主要流程如图2所示。

图2 3D鼻腔的快速分割算法流程Fig.2 Algorithm flow of 3D nasal cavity rapid segmentation

1.2 鼻腔提取的方法

本文设计了一种基于形态学与区域连通性的3D鼻腔分割算法。首先根据颅脑CT的结构特点，设计颅脑模板，消除机架等非目标区域的影响；其次在模板内，根据鼻腔的影像特点，设计基于二值化与形态学的2D腔体目标的提取算法，所提取的区域，包括鼻腔和内耳；最后将序列图像合成3D图像，根据连通区域分析，获取鼻腔区域。

1.2.1颅脑模板的创建

采用多层螺旋CT连续扫描头颈部获取鼻腔CT影像，由于机架的影响导致所获取的影像包括一些不必要的非目标区域。对于机架等非目标区域，其CT值比空气和脑组织的CT值都高，无法直接去除；且此部分与大脑不连通，并且该区域相对大脑是小区域，利用区域联通性分析的方法，可以消除机架等非目标区域的影响。故本文设计了颅脑模板，具体如下所示。

Brain_mask mask=brianmask_obtian(I)输入: 脑部CT图像1输出: 颅脑模板mask颅脑与空气的二值化;利用滚球算子对孔洞进行填充;区域连通性进行分析;提取最大的联通区域(颅脑模板mask)

1.2.2基于形态学和先验知识的鼻腔提取

利用创建的颅脑模板可以获取颅脑组织，利用二值法提取鼻腔目标，其中包括充满气体的鼻腔和内耳区域。利用鼻腔的3D连通性，去除内耳区域和不连通的非目标区域，获取鼻腔区域。具体算法如下所示。

Nasal_cavity result= Nasal_cavity_obtian(brain)输入: 颅脑区域brain输出: 鼻腔resultfor i=初始层:结束层二值法提取空腔区域;合成3D的影像;end连通性分析;返回鼻腔目标

1.3 鼻腔的横截面积

将分割的结果进行冠状面重建，获取冠状面鼻腔的序列影像，鼻腔的横截面积的统计分析在冠状面上进行计算，获取鼻腔的横截面积与鼻孔距离的变化曲线。冠状面相邻层的层厚为0.625 mm，通过插值方法可以求出任意位置的截面积，最终得到从鼻腔前端至鼻咽部的一条连续的面积曲线。

2 结果

采用TOSHIBA Asteion/Multi多层螺旋CT扫描，电压120 kV，电流300 mA。采集参数如下：层厚1 mm，层距1 mm，图像大小512×512，物理分辨率0.625 mm×0.625 mm。本文对年龄3～7岁正常儿童颅脑CT图像进行分析，结果如下。

2.1 鼻腔分割的结果

利用本文算法对正常儿童的鼻腔进行自动分割，选择第6、42、92层显示分割结果如图3所示。其中左侧为第6层的处理结果，中间为第42层的处理结果，右侧为第92层的处理结果；第1行为原始的图像序列，第2行为所创建的颅脑模板，第3行为鼻腔及内耳等区域的提取结果，第4行为最终鼻腔的分割结果。从分割结果可以看出，本算法可以根据鼻腔的CT影像特点，快速精确分割鼻腔。

图3 本文算法的处理结果Fig.3 Result of our algorithm

2.2 自动分割与手动分割的对比分析

为定量分析鼻腔的分割精度，我们采用Jaccard Similarity(JS)指标来评价分割的精度，如公式(1)所示，通过定量分析的方法验证本算法分割精度的优越性。

(1)

其中S1是利用本算法获得的分割结果，S2是影像医生手动分割结果。影像专家手动分割结果如图4所示。利用Jaccard Similarity定量分析结果如图5所示，从定量分析的结果可以看出，与影像专家手动分割的结果相比，本算法每层的分割精度都高达94%以上，达到临床应用的标准。

2.3 基于3D鼻腔的统计分析

通过对分割的鼻腔区域进行冠状面重建，在冠状面上统计闭合区域的面积，获取鼻腔横截面积与鼻孔距离的变化曲线。图6给出受试者从鼻腔前端至鼻咽部连续的面积曲线。其中，红线表示右鼻腔横截面积，蓝线代表左鼻腔横截面积，绿线为总的截面面积。此参数对了解鼻腔的结构特点及鼻腔疾病的诊治有重要参考价值。

3 讨论与结论

本文针对鼻腔的影像特点，设计了基于形态学与区域联通性的3D鼻腔分割算法。该算法通过设计颅脑模板，消除机架和非目标区域的影响，然后在2D层面上提取腔体区域，利用3D的连通性分析，提取鼻腔区域。该方法可以有效解决当前鼻腔分割缺陷(依赖影像医生主观经验进行手动勾画费时费力)，而本方法依据鼻腔的结构特点，可快速分割出鼻腔区域。该方法可以消除影像医生手动分割过程中的主观经验的影响；利用Jaccard Similarity指标评价分割的结果，证明本算法可准确地分割鼻腔目标。本算法仅利用了形态学算子和连通分析，无任何参数，可快速地提取CT影像的鼻腔。