三维水平集智能分割算法在梅尼埃病患者内耳道磁共振图像分割中的应用效果

滕腾，陀芳，葛洪洲

1青岛市中医医院耳鼻咽喉科，山东青岛266034；2青岛市中医医院影像科

梅尼埃病是一种原因不明的、以膜迷路积水为主要特征的特发性内耳疾病，多发生在30～50岁的中青年人群中，发病率为10/10万～157/10万［1］。梅尼埃病主要由各种感染、损伤、耳硬化症、肿瘤、白血病、自身免疫性疾病和遗传因素引起，临床表现为反复发作的旋转性眩晕、波动性听力损失、耳鸣和耳闷胀感。临床检查多采用影像学检查，特殊造影剂下的内耳膜迷路MRI可显示部分患者内淋巴管扩张［2］。磁共振成像（MRI）具有无骨性伪影、无电离辐射、软组织结构清晰、多序列成像等优点，但是空间分辨率不高［3］。医学图像处理能够使医学图像更加直观、清晰，提高诊断效率，其中图像分割是图像处理最为关键的技术之一。传统的区域生长水平集分割算法运行时间长，难以获得满意的分割结果；专家手工分割算法虽然准确率较高，但耗时长，挑战性大，经验不足的医生难以准确判断［4-5］。统计形状模型是利用高分辨率图像作为训练样本，并与待测图像进行比较，通过合适的配准方法得到精确解析的模型［6］。水平集分割算法采用三维曲面的演化来表示二维曲线的演化，应用曲线运动的连续演化来寻找图像边界，直到找到目标轮廓，然后曲线停止运动。曲线沿图像的每个部分移动，从不同的部分取切片，然后得到一条闭合曲线。随着时间推移，水平集发生变化，计算出视域。水平集分割算法具有良好的图像分割效果，可获得用于轮廓提取的相应形状［7-8］。为了提高对梅尼埃病内耳道MRI图像的诊断效率，我们将统计形状模型与水平集分割算法相结合，提出了三维水平集智能分割（IS3DLS）算法。本研究以专家手工分割算法为标准，比较IS3DLS算法、区域生长水平集分割算法与专家手工分割算法的相似性和准确性，旨在筛选最优分割算法用于临床诊断。

1 资料与方法

1.1 临床资料选择2017年10月—2020年4月在青岛市中医医院就诊的梅尼埃病患者68例，男20例、女48例，年龄18～62岁。左耳68只、右耳68只。均符合中华医学会耳鼻咽喉科分会制定的梅尼埃病诊断标准，有耳鸣、耳聋、耳闷等症状，MRI检查表现为外淋巴间隙变细，而内淋巴间隙扩张。排除接受过内淋巴囊手术、人工耳蜗植入手术、鼓室庆大霉素注射的患者。本研究经医院伦理委员会审核，患者及家属均签署知情同意书。

1.2 MRI图像的获取采用SIEMENS公司1.5 T超导型MRI系统，标准头线圈，应用三维稳态构成干预序列进行内耳检查。扫描参数：TR 6.0 ms，TE 2.7 ms，FOV 135×180，matrix（矩阵）256×192，层厚0.7 mm。本文采用T2加权颞骨区域MRI图像数据。

1.3 图像分割

1.3.1 专家手工分割由本院耳科专家直接在MRI原始图像上画出感兴趣区（ROI）的边缘，将对应的目标分割出来，进行各种量化评估、风险评估以及术中手术模拟。

1.3.2 区域生长水平集分割首先在内耳ROI内设置种子点，通过实验调试区域生长法相关参数，经多次调试直至最优，获得最佳区域生长分割结果后，辅助手工操作去除周围与内耳无关的组织结构，获得预分割结果。将预分割结果作为初始轮廓掩膜，水平集演化分割内耳。

1.3.3 IS3DLS分割

1.3.3.1 内耳统计形状模型的建立随机选取28组内耳（左耳28只、右耳28只）图像，交由本院耳科专家手动分割获得三维内耳体素模型。利用3DSlicer中的移动立方体算法，将体数据转化为均匀分布的三角网格表面数据，获得训练样本。将所有训练样本放置在相同的坐标空间中，采用Platts分析方法对具有相同特征点数的相应训练样本集进行比对。在2D样本空间下，每个形状样本Si与平均形状S-之间的平方误差之和表示为D：D=∑|（Si-S-）2|。初始平均形状是从训练样本集中随机指定的样本图像。任意两个形状Si和Sj之间的普氏距离（Pd）计算公式为：

公式中的n表示每个形状中包含的特征点的数量。在高维空间扩展条件下，需要对任意两个形状样本进行对齐。首先，计算每个形状的中心，所有形状的大小应该统一，并用欧几里得距离方程表示，即：

将两个形状的中心对齐，并采用奇异值分解方法对齐旋转方向。然后通过最小化Platts距离得到最终的对准样本。

1.3.3.2 利用三维配准技术测量图像建立内耳统计形状模型后，我们将形状模型与水平集分割方法相结合，进行6组（左耳6只、右耳6只）内耳的分割。利用医学图像处理工具包ITK（insight Toolkit）实现配准过程。首先输入参考图像和浮动图像，根据软件给定的初始变换参数将参考图像转换为几何坐标；然后对浮点图像进行插值计算，得到新的坐标面积。计算参考图像和差分后的浮动图像的相似度，如果相似度满足预先设定的配准要求，则输出变化参数，得到最佳浮点图像的插值图像；如果不满足预先设定的配准要求，则继续进行最优化计算，直到得到满足要求的最终变换参数。

1.3.3.3 内耳ROI的获取采用配准技术自动定位和获取内耳ROI。选择三维刚体变换作为变换模型，刚体变换包括平移和旋转。变换公式如下：

公式中的（Xm，Ym，Zm）表示登记图像的空间位置坐标，（Xf，Yf，Zf）表示要变换的目标图像的空间位置坐标。A是3×3的旋转矩阵，F=A(Xf，Yf，Zf)，b是3×1的平移向量，矩阵的约束条件为ATA=I和detA=1。此外，AT是A的转置，I是单位矩阵。本研究选取互信息作为相似性度量。对于给定的图像X和Y，互信息量表示如下：

公式中的H（X）、H（Y）和H（X，Y）分别是熵X、熵Y和它们的联合熵。当X和Y相互独立时，联合熵等于它们各自的熵之和。当X和Y不相互独立时，联合熵小于各自熵之和。即：

选择梯度下降法作为配准过程的优化算法，通过迭代的方法对目标函数进行优化，以达到最优的配准条件。然后，采用三次多项式插值法对体素点进行非线性差分，即：

根据公式得到最终的配准图像，实现内耳ROI的自动定位和识别。

1.4 不同分割算法对内耳图像分割精度的评价以专家手工分割算法为标准，计算IS3DLS算法和区域生长水平集分割算法与专家手工分割算法的相似性和准确性，采用马修斯相关系数（MCC）、戴斯相似系数（DSC）从体素重叠率角度评价分割算法的准确性，MCC代表两种数据的相似性；DSC代表分割效果，DSC>0.8表示算法分割效果较好。采用假阳性率（FPR）和假阴性率（FNR）从错分割角度评价分割算法的准确性，FPR、FNR分别代表过分割和欠分割，该值越接近0，分割错误程度越低，准确率越高。以IS3DLS算法、区域生长水平集分割算法两种算法的分割结果与手动分割结果表面之间的平均距离Dmean（mm）与最大距离Dmax（mm）计算两者的表面轮廓误差，用于验证分割精度。以真位置（TP）和假位置（FP）衡量两种分割算法得到的区域之间的误差，采用平均最小欧氏距离（AMED）和Hausdorff距离（HD）来确定两种分割算法的分割轮廓与专家手工分割轮廓之间的差异。

1.5 统计学方法采用SPSS21.0统计软件。计量资料以±s表示，组间比较采用t检验，计数资料采用χ2检验。P<0.05为差异有统计学意义。

2 结果

2.1 三种图像分割算法获得的内耳ROI结果内耳MRI图像显示内淋巴管和内淋巴囊异常增大，提示患者患有梅尼埃病。通过内耳统计形状模型获得的内耳平均形状见OSID码图1。专家手工分割、区域生长水平集分割、IS3DLS算法获得的ROI结果见OSID码图2～4。经对比，IS3DLS算法对前庭、耳蜗、半规管显示清晰，分割准确，与专家手工分割算法基本一致。

2.2 IS3DLS算法的准确性和误差测试结果使用IS3DLS算法的6组内耳图像分割结果与专家手工分割算法分割结果的准确性和误差比较见表1。IS3DLS算法的MCC、DSC均接近1，FPR、FNR均接近0，Dmax低于1.5 mm（<3体素）、Dmean低于0.5 mm（<1体素）。这表明IS3DLS算法结果与专家手工分割算法结果基本一致。

表1 IS3DLS算法的准确性和误差测试结果

2.3 IS3DLS算法与区域生长水平集分割算法的准确性比较见表2。IS3DLS算法的MCC高于区域生长水平集分割算法，提示其与专家手工分割算法的结果更接近。两种算法的DSC均>0.8，表明两种算法的分割效果都很好，且IS3DLS的分割效果更好；IS3DLS算法的FPR、FNR均低于区域生长水平集分割算法（P均<0.05）。

表2 两种分割算法的准确性比较

2.4 IS3DLS算法与区域生长水平集分割算法的误差比较见表3。与专家手工分割算法相比，IS3DLS算法和区域生长水平集分割算法均具有较高的TP和较低的FP。IS3DLS算法的HD小于区域生长水平集分割算法（P<0.05）。

表3 两种分割算法的误差比较

2.5 两种分割算法的运行时间比较区域生长水平集分割算法的运行时间为（37.2±0.3）s，IS3DLS算法为（23.5±0.5）s，IS3DLS算法的运行时间少于区域生长水平集分割算法（P<0.01）。

3 讨论

内耳的结构较复杂，梅尼埃病患者会有不同部位的迷路积水情况［9］。3D加权水成像序列通常用于多平面重建，可用于内耳疾病的MRI检查、听神经薄层扫描和内耳迷路的水成像［10］。MRI的优点是不会产生骨性假影，适用于全身各系统疾病，可获得任意方向（横断、冠状、矢状或任何角度）的断层图像和三维图像，并且具有无电离辐射、软组织结构清晰、多序列成像等优点；但MRI成像时间长，空间分辨率低，据统计仅为2 mm［11］。医学图像分割在数字医学研究和治疗方案的制定与实施中具有重要作用。噪声和对比度对图像分割有重要影响，区域生长水平集分割算法通过传统的区域生长切割初步确定内耳轮廓，去除内耳边界噪声，并采用自适应曲率阈值法修复内耳边界，最后应用水平集方法中的距离正则化水平集进化（DRLSE）模型对内耳区域进行精确分割［12］。该方法能有效防止图像边缘的漏检，并能处理各种类型病变的图像，但其运行时间长，难以获得满意的分割结果，其准确性和可操作性还有待提高［13］。专家手工分割算法虽然准确率较高，但耗时长，挑战性大，对医生的经验要求较高。

水平集分割算法是一种基于微分几何的图像分割算法，该方法将不同形状的图像合并到能量函数中，最终得到由零水平函数集表示的轮廓形状。在分割超声、CT和MRI图像时，该方法能有效分割图像边界的模糊区域或部分缺失的病灶。水平集分割方法具有较高的分割精度［14-15］。统计形状模型建模是连接几何图案和功能图案的强大可视化和量化工具。通过对统计形状模型的检验，得到患者图像的特征［16-17］。IS3DLS是基于统计形状模型建模的水平集分割方法，其对伪边界和噪声的抗干扰性更强，显著提高了结果的准确性，同时也提高了处理速度。

本研究结果显示，MRI可以发现内淋巴管和内淋巴囊的异常增大，从而确诊为梅尼埃病。通过对所有训练样本的统计分析，可以得到内耳的统计形状模型。三维配准技术得到的内耳ROI与内耳ROI的绘制结果基本一致。与专家手工分割相比，IS3DLS算法的MCC值和DSC值分别为0.959 9和0.959 4，区域生长水平集分割算法的MCC值和DSC值分别为0.869 3和0.872 1。虽然两种算法都有较好的分割效果，但IS3DLS算法更接近于1，说明其分割效果更佳。与区域生长水平集分割算法的FPR 0.140 2和FNR 0.071 8相比，IS3DLS分别为0.032 5和0.036 5，更接近于0，说明IS3DLS算法分割错误程度更低，准确率更高，具有更好的分割效果。在运行时间方面，IS3DLS算法的运行时间较区域生长水平集分割算法显著缩短，表明IS3DLS算法处理速度更快，所需时间更短。

3D配准技术得到的内耳ROI与绘制的内耳ROI相似。IS3DLS和区域生长水平集分割算法具有较好的分割效果。与区域生长水平集分割算法相比，IS3DLS算法的分割效果更接近专家手工分割算法，误差更小。IS3DLS具有较快的速度和较短的时间，其性能与训练样本的大小有关。当训练样本量较小时，存在一定的误差。然而，在实际实验中很难获得大量的训练样本，所以当待测试图像的形状与选择的训练样本相差较大时，测试的误差就更大了。希望今后引入更先进的分割算法，进一步提高MRI图像的分割效果，增加计算机辅助治疗在临床医学中的应用价值。本研究结果可为梅尼埃病患者内耳道MRI图像分割算法的研究提供实验依据，从而提高MRI图像的分辨率。