基于高斯混合模型低对比度SPECT图像分割算法的研究

张战胜，李文亮

（郑州大学附属肿瘤医院 核医学科，河南 郑州 450000）

单光子发射型计算机断层成像（single photon emission computed tomography,SPECT）是临床常用的核医学检查方法，已成为诊断恶性肿瘤骨转移的重要手段，SPECT 骨显像不同于X 线、CT 或MRI 等显像方式，它不仅呈现人体骨骼结构、代谢及骨细胞情况，还可更早地发现成骨骨骼病变，且价格相对低廉，价值/效益比高［1］。

患者进行全身骨显像检查时，设备探测器采集患者身上的射线并转换为计数量，反映在图像亮度上，计数量大的区域亮度越高，图像灰度值越大。正常全身骨骼图像对称均匀清晰，而肿瘤骨转移或骨质破坏部位则会呈现放射性浓聚，图像上表现为团点状亮点。放射性分布与患者骨质情况有关，相似浓聚亮点在一幅图上是病变区域，在另一幅图像中有可能是正常区域如图1 所示。目前全身骨骼显像诊断主要依靠医生个人经验，受主观因素影响较大，且容易出现误诊、漏诊情况［2］。因此开展骨显像计算机辅助诊断系统（computer aided diagnosis,CAD）的研究具有较大的临床价值，本研究采用图像分割算法提取全身骨图像上的感兴趣区域（region of interest,ROI），提高图像亮度、对比度、可读性和图像处理的自动化程度，以便于临床客观地定性、定量分析病灶。

图1 原始骨骼图像

图像分割是利用图像特征集合分解成各具特性区域并提取出ROI 的过程，ROI 优劣及准确度将直接影响医生判断及后续计量或运用［3］。目前图像分割方法主要有阈值法、区域提取法、聚类法和边缘检测法等。目前国内对SPECT 图像分割的相关研究报道较少，大都处在实验阶段，国外相关报道主要集中于SADIK、HUANG、SAJN 等学者采用不同方法对骨图像进行分割［4-6］。由此可见，至今关于SPECT 骨图像分割还没有标准的分割算法。

本研究采用高斯混合模型（Gaussian mixture mode,GMM）分割图像，该算法计算简单，根据图像的灰度信息选取最佳阈值，并综合考虑图像空间信息以保证分割精度，自动识别病变区域从而实现CAD。实验结果表明该算法既能从总体上控制，又在细节上加以优化，且对团点状区域的图像聚类效果显著，能够有效提高SPECT 图像分割精度和稳定性。

1 材料与方法

1.1 材料

为了验证本研究算法的适用性、抗干扰性、稳定性及准确度，选取河南省肿瘤医院核医学科2019 年6 月至7 月200 例患者的全身骨图像作为实验数据。每位患者均在注射20 mCi 锝亚甲基二膦酸盐（99Tcm-MDP）2～3 个小时后，采用美国GE公司产的Discovery NM670 采集前位和后位两幅全身骨图像，本研究编程算法均在Visual Studio 2010编程环境下完成仿真。

1.2 方法

1.2.1 图像分割架构 SPECT 全身骨图像普遍存在边界模糊、图像信噪比低、对比度差等特点，单一分割算法不能获得理想的分割效果，无法为临床提供有效诊断信息。本研究图像分割分预处理、图像分割和后处理三部分。预处理包括图像对比度调整、去除噪声、扩大灰度动态范围锐化图像，针对图像骨骼与本底区分不明显，采用最佳阈值法去除本底，凸显骨骼影像，预处理过程如图2 所示。GMM 则负责将图像划分成若干区域并提取出ROI；最后应用去对称程序和模板匹配法去除误识别区域［7］。整个全身骨图像分割处理流程如图3 所示。

图2 图像预处理过程

图3 图像分割处理流程

1.2.2 高斯混合模型 GMM 采用高斯概率密度函数精确的量化事物，将一个事物分解成若干基于高斯概率密度函数行程的模型［8-9］。GMM 图像分割的过程为：假设图像被分割成K部分，每个图像区域内的像素服从均值μ，方差σ2的正态分布，则整个图像的特征分布就可以用GMM 来描述。

若第K区域的高斯分布如式（1）所示，则整个图像的高斯分布可由公式（2）表示。

Ιxy是第x行，第y列像素灰度值；πk是Ιxy属于第K类的概率权重，满足式（3），fK(Ixy；θκ)是Ιxy在第K类的概率密度函数，θ=(μ1，μ2，…，μK；所有参数形成的未知矢量Φ=(π1，π2，…，πn；θ1，θ2，…，θK)。

1.2.3 求解GMM 参数 本研究采用最大似然函数求解GMM 参数。首先，构造Ixy对数似然估计函数［10-11］，如式（4）所示。

利用式（5）～（8）求解max[logL(Φ)]对应的参数，N是像素总数。

2 图像分割步骤和结果

2.1 图像分割步骤

综上所述，全身骨图像分割过程为：

①输入标准格式的全身骨图像X=Ixy，对图像进行预处理。

②迭代计算最大似然估计参数，设置初始值Φold，利用式（5）～（8）求解参数值，直至logL(Φ(new))-logL(Φ(old))<ε，迭代结束，ε是临界值，取ε=0.01。

③输出分割后的图像，并对图像进行后处理。

2.2 结果

本研究采用200 例全身骨图像（正常和异常图像各100 例）对该分割算法进行测试，结果如图4 所示，圈着区域为疑似病变区域。A 为基于GMM 粗分类的分割结果，B 为后处理后的分割图像。统计显示图像总体分割准确率为75.4，正常图像判断正确率为71.5，病变图像判断正确率为79.3，基本上可以实现全身骨病变区域的判断，且准确率较高，对临床诊断有一定的应用价值。

图4 图像分割及后处理后结果

3 讨论

本研究提出的SPECT 全身骨显像图像分割算法流程简洁，能够快速准确地提取出ROI，识别细微疑似病变区域。综上所述，该算法是一种可行、临床上有实用价值的骨扫描图像分割方法，可为今后图像处理工作提供一定参考。但需要指出的是该算法尚未考虑体位及假体影响，因此仍需进一步完善，以提高分割的精度及准确度。而继续探讨更加稳定和高效的图像分割算法以实现SPECT 图像的自动分割处理也将是本研究团队今后的主要工作。