CT图像处理中肝脏分割技术研究进展

林天武 邹春莉 吴佩琪

医学影像设备的快递发展促使了更多无创高端影像设备应用于临床，影像医学有了革命性进步，解决了医学领域许多重大课题和难题[1]，这些新的技术使得医生可以通过无创的方式，观察到人体内部的组织结构与病变信息，大大提高了病灶检出率。计算机断层扫描（Computed Tomography，CT）相比较于X射线扫描，CT扫描的成影效果有着很大的提升，对软组织构成的器官的成像效果更清晰，更能突出病变器官及病灶区域，已被广泛应用于肝脏疾病临床诊断。腹部CT影像的肝脏分割是肝病医学图像诊断中的关键基础技术，是计算机辅助诊断领域中肝脏病灶目标检测的基础[2-3]，也是三维重建的关键步骤[4-5]，分割结果的准确度直接影像及决定后续更高阶的图像处理操作质量。由于CT影像成像设备的局限性以及成像时器官的蠕动，在成像过程中会产生伪影、噪声等干扰因素，不同的造影剂对增强程度的差异，造成CT图像中组织器官内部成像灰度不均，不同患者的腹部CT中肝脏形状、大小尺寸差异很大，肝脏与其周边器官（如肝脏和心脏、胆囊等）之间边界模糊或确实等问题，对精准的分割出目标组织器官带来了机大的挑战。本文将介绍肝脏CT图像处理中常用的分割方法，并展望人工智能在影像学中的应用前景。

1 CT图像中肝脏分割技术

从腹部CT扫描片中准确分割肝脏对计算机辅助诊断和治疗十分重要，通常放射科医生或外科医生需采用手动分割的方式，但是由于扫描片数据量大，手动分割乏味耗时，分割效果参疵不齐。近年大量机器学习方法被开发应用于提升肝脏分割效果及效率。根据用于机器学习的图像数据所带标签情况，可分为无监督（基于图像自身特征信息）、弱监督及监督学习分割法（基于使用含标签数据训练）。

1.1 基于无监督、弱监督学习的分割算法

传统的医疗影像数据大多无明显标注及标签，对这部分没有任何标签的训练样本进行图像处理时，常使用无监督或若监督学习的医学图像分割方法，该类方法的优点在于， 通过算法可以给大量的未标注数据，学习出较好的特征描述，如从图像本身提取纹理、像素值、位置或方向梯度等特征信息进行学习训练，而不需要进行复杂的样本收集和训练。

1.1.1 无监督学习 数据不被特别标识，学习模型是为了推断出数据的一些内在结构。例如假设CT图像中肝脏亮度呈高斯拟合分布，建立基于高斯拟合的亮度模型及基于主成分分析（PCA）的肝脏外观模型，以选定的初始切片为起点，根据相邻CT切片上下迭代分割所有CT序列中的切片，最后进行目标区域的拟合[6]。该类方法利用相邻CT切片间的空间关联性，设置肝脏组织的外观轮廓标识，结合基于外观轮廓先验的图割算法，再迭代整个CT序列切片，最后拟合得到目标器官区域，虽得到不错的分割效果。该法的缺点是，在初始层的选择需要人为确定所选层为肝脏最大面积层。Weiwei Wu 等人[7]则提出了一种结合形态学和阈值图像算法的超体素图像的分割算法，该算法的核心在于采用非线性耦合准则的3D区域生长。首先根据最大强度投影（MIP）和阈值法确定腹部区域，然后采用基于自适应阈值处理法和形态学操作从腹部区域提取感兴趣肝脏区域（VOI），使用简单线性迭代聚类（SLIC）方法生成肝脏VOI的超体素，使用交互式分割算法得到分割结果，对于肝脏分割结果中的溢出部分则用手动方式进行修复。超像素分割法因其边缘容易发生不粘合或像素泄露等问题，从而降低肝脏分割精度。

图1 超体素自动分割算法分割效果

1.1.2 弱监督学习 弱监督学习采用无标签训练样本时，通常使用交互式半自动化的方法，首先人工设置初始生长种子点或区域，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的，实现半自动的弱监督学习的器官分割算法。对于依据医学图像本身特征信息做分割的算法有区域增长法、图割等医学图像分割算法。区域生长算法[8]是分割技术中很常用的分割算法，通常对组织结构简单的目标对象的分割结果有不错的分割结果，其基本思想是从一组生长点开始，将与该生长点性质相似的相邻像素或区域与生长点合并，形成新的生长点逐步增长区域，重复此过程指导不能生长为止，达到分割图像的目的。生长点和相邻区域的相似性判断特征可以是像素灰度值、纹理、颜色等多种图像信息。然而却存在需要手动选择生长点的缺点，手动选择生长点可能造成像素值分布不匀，往往会造成过度分割，即将图像分割成过多的区域。宋晓等[9]人及彭平丰[10]等人分别提出了肝脏分割种子点的自动获取办法和自适应的区域生长算法，后者算法是根据肝脏区域的灰度和梯度进行种子点区域生长，最后得到肝脏区域。Liao等[11]通过提出了一种利用CT图像的强度、局部背景和相邻切片的空间相关性来分割肝脏区域的高效半自动方法，该方法采用了一种基于瓶颈检测的边界细化方法，提高了分割精度，避免了繁重的训练过程或统计模型的构建，能够处理复杂的形状和强度变化。上诉分析可知弱监督学习法均需基于人工标记初始化肝脏像素点。

综上所述，无监督或弱监督学习分割算法可以在先验概率的条件下对较为复杂的CT图像进行分割，但这类算法易出现欠分割或过分割现象，且算法计算较复杂。

1.2 基于监督学习的分割算法

相比较基于无标签的无监督或弱监督学习法，基于监督学习的分割法，学习训练集包括标签图像集（分割结果标签）和原图像集（已知分割结果），通过训练集的学习找特定规律，从而训练出带有一定规律的分类器。使用含有目标器官无标签的医学图像作为测试集，通过分类器分割出目标器官。由于监督学习法是基于已知标签样本数据的学习，所以该算法可省去人工设参，能较好的提取目标器官轮廓，提高分割精度和鲁棒性，多用于自动化程度较高或完全自动化的器官分割。在医学图像分析中，常用的监督学习分割算法包括传统的机器学习和深度学习法。传统机器学习方法主要通过学习感兴趣区域（region of interest，ROI）及其周围环境区域的特征对应的标签建立模型，从而在医学图像中分割出目标器官轮廓或概率分布图。Zheng等[12]提出一种肝脏自动分割方法，以肝脏外观纹理及上下文信息作为特征，首先使用几层带标签的切片数据，训练出一个初级弱分类器，然后依次迭代加入新的上下文特征，训练出一个高级的强分类器，最后修正分割结果。Iglesias等[13]和Li等[14]分别通过学习公开数据集中的肝脏轮廓数据，训练出肝脏统计先验形状模型，结合演化算法为其他分割算法提供形状轮廓先验信息，从而提高肝脏分割算法的鲁棒性和泛化能力。

随着医学电子影像技术的发展，已发展出多种器官分割算法。其中，深度学习作为一种新型算法，在医学图像处理领域具有非常重要的发展前景。深度学习算法也被用于CT图像分割，建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与训练数据（带标签的CT影像）的实际结果进行比较，不断调整预测模型，知道模型的预测结果达到一个预期的准确率。基于深度学习的卷积神经网络具有可以从大量数据中学习特征提取，挖掘数据内在丰富信息，提高特征表达能力，通过端到端的训练进行迭代优化，可精确提取出复杂、且有效的器官特征，建立较高辨别分割能力的分类器[15]。近年基于卷积神经网络的分割方法成为目前研究热点。深度学习的概念起源于人工神经网络[16]，机器视觉识别图像的能力随着卷积神经网络（convolutional neural network，CNN）的发展产生了突飞猛进的提高，神经网络中每一层均可充当判断特定模式是使用“筛选器”，其在处理复杂的医学图像时不易陷入局部最优，具有优异的特征学习能力。Kalin-ovsky等人首先使用ED-CNN算法进行肺部CT分类，在此基础上采用深度学习算法对肺实质进行分割，获得较高的分割精度及较强的鲁棒性等有点。全卷积神经网络（fully convolutional neural network，FCNN）可以直接处理整个图像，实现端到端的图像分割。Christ等[17]采用两个级联的U-Net 的网络模型实现肝脏以及肿瘤的分割，U-net等二维卷积网络无法利用CT影像的单位空间信息，分割的图像边缘粗糙，分割结果不够细致。文献[18]尝试使用三维卷积神经网络的深度学习方法改善肝脏分割，但是CT影像的浅层和深层的特征没有很好结合。孙明建等[19]提出中提出的3DUnet基础上，提出一种新型的深度全卷积网络结构3DUnet-C2，充分利用肝脏 CT 图像的三维空间信息，并有效结合肝脏区域的浅层特征和深层特征。针对肝脏边界不精准问题，运用三维条件随机场优化肝脏分割边界。从ISBI2017 Liver Tumor Segmentation Challenge的数据集中随机选取的20张测试集上获得准确率的Dice系数为96.9%，高于3DUnet和Vnet模型的Dice系数。Hu等[20]提出了一种基于三维卷积神经网络和全局优化表面演化的自动分割框架，首先训练出一个深度3D CNN来学习肝脏的主要特异性概率图，该概率图给出了肝脏的初始表面，并在接下来的分割步骤中充当先验形状，然后将先验分割得到的全局和局部外观信息自适应的融合到分割模型中，并以曲面演化的方式对分割模型进行全局优化。该方法已在公开 的Sliver 07数据库和当地医院数据上得到验证。定量验证和比较表明，该方法准确有效，具有一定的临床应用价值。

图2 基于3D Unet-C2-CRF模型的肝脏分割模型的流程

2 展望

随着计算机算力核心技术的突破，深度学习算法不断创新与迭代，大数据技术的发展以及大型数据集的可用性，迅速地推动着人工智能在医学影像中的应用。众多研究表明人工智能等技术给医学领域带来的改变是毋庸置疑的。最为广泛研究的是人工智能技术与影像科的融合研究，尤其是面向CT影像数据的人工智能辅助诊断系统开发研究。研究目的以器官分割和病灶识别为主，在病灶的定性诊断、定量分析方面偏少。多数的研究基于公开数据集开展，样本量有限，结果的可靠性尚需更多临床中心验证。深度学习算法在医学图像处理领域具有重要的理论意义和实际应用价值。目前，大多数医学图像分割采用的是监督的深度学习算法，然而，针对某些缺乏大量数据支持的情况下，监督的深度学习算法便很难发挥其优越性。为了克服有效数据缺乏的问题，对于深度学习算法的研究可以从监督领域转移到弱监督或无监督领域。如何在医学图像处理有效地使用弱监督和无监督算法，同时又不影准确性，是目前众多研究者正在研究的一个问题，但却没有提供被临床接纳的解决方案，这将是一个需要被继续研究的方向。