基于MVT的医学图像处理平台设计与实现

景柏杨，焦雄

（太原理工大学生物医学工程学院，山西太原 030024）

0 引言

随着现代计算机技术与医疗手段的发展融合，医学图像处理技术成为发展最快的交叉领域之一，在疾病诊疗中发挥着不可替代的作用。医生、技师可以通过搭载图像处理技术的平台，从不同角度观察患者病灶区的形态、范围，结合自身临床经验，更加精准地对病灶区进行诊断，从而有效提高诊断效率和精确度。

1 相关研究

目前，国内外已有很多研究人员对医学图像平台进行了开发研究，这些平台大多以ITK（Insight Toolkit）和VTK（Visualization Toolkit）开发工具包为底层技术支持，实现对影像数据的全方位展示，辅助医生对癌变区域进行分割、配准、重建等。例如，德国肿瘤研究中心研发了开源医学影像交互平台Medical Imaging Interaction Toolkits，极大地便利了临床医生；美国宾州大学放射系医疗小组开发的3DVIEWNIX系统提供了医学图像预处理、二维和三维可视化、图像分割等功能，但该系统运行于Unix上，而且没有对外界免费开放。国内的医学图像处理研究以中国科学院自动化研究所田捷教授实验室开发的图像处理平台为代表，该平台主要包括图像处理算法层与图像分析软件平台应用层。Medical Imaging ToolKit（MITK）为该平台的算法层，为整个系统提供算法支持，采用面向对象的设计方法，语法简单直观且易于调用；3D Medical Image Processing and Analyzing System（3DMed）为该平台的用户交互界面，是面向最终用户（临床医生、科研科教人员等）的集成化医学图像显示层。科研人员将MITK提供的三维重建、分割、配准、可视化等功能集成于3DMed提供的用户交互端中，形成一个简明易用的医学图像处理与分析系统。对国内研究人员的相关工作进行粗略汇总，如表1所示。

Table 1 Statistics of domestic medical image processing platform表1 国内医学图像处理平台统计

由表1可知，现有图像处理平台重点关注图像显示、分割、配准以及三维重建功能的开发。事实上，图像特征对于后续处理工作也发挥着重要影响，真实贴合病灶区的数据特征更能准确反映疾病状况。为此，本文设计一个图像处理平台，主要实现对病灶区的特征提取，弥补了现有平台的欠缺，为医务工作者提供更有针对性的诊疗数据。

2 平台架构

国内现有医学图像处理与分析平台大多采用C/S（客户机/服务器）架构设计，其交互性强、响应速度快。然而在该架构下，每台客户机均需安装相应的客户端程序，导致后期的二次开发和维护比较繁琐。此外，以往的主机/终端和C/S架构已无法满足当前全球网络开放、互联和信息共享等需求。

现如今，软件平台的更新换代越来越频繁，基于B/S（浏览器/服务器）模式的平台优势凸显。在软件系统升级时，系统管理人员只需要维护管理服务器，而且不论用户规模有多大都可以随时升级系统，还实现远程维护与共享。B/S模式将系统功能实现的核心部分集中于服务器上，使得系统的开发、维护和使用均得到了简化。B/S的优势在于不需要对客户机进行专门的维护与升级，适用于客户机位置不固定或需要依靠互联网进行数据交换的应用系统。目前，B/S模式已被广泛应用于网络商用系统中，使用者只需在访问端安装一个浏览器，输入网址即可访问平台进行相关操作。用户从浏览器端通过交互界面向服务器提交Http请求，服务器接收请求后，解析URL地址并定位模板文件，根据地址和模板文件生成向浏览器端发送的响应HTML文件。随后，浏览器端接收响应HTML文件进行解析，整理相关资料后，将数据传入用户交互界面进行显示。在B/S系统架构中，流转的数据信息均存储于数据库中，为整个系统提供数据支持。图1为B/S模式的架构。

Fig.1 B/Sarchite cture图1 B/S架构

3 平台设计与实现

3.1 平台搭建目标

通过前后端技术联动，融合相关图像处理算法搭建一个医学图像处理平台，实现对医学图像的三维显示、放大、缩小、旋转等基本操作，对ROI进行特征提取。

3.2 平台设计方案

采用Python技术进行平台设计，采用Django的MVT（Model-View-Template）模式，其中Model负责数据处理，View负责接收请求，Template负责构造要返回的Html页面。该模式具有高耦合、低内聚的特性，便于平台后续开发维护。系统架构如图2所示。

系统功能设计如图3所示，该模块主要实现图像数据上传、格式转换、特征提取、放大缩小等功能。其中特征提取主要分为3个部分，分别为一阶统计量、二阶统计量、高阶统计量。一阶统计量实现图像数据直方图的提取，基于图像形状和大小特征提取等基本信息进行计算；二阶统计量提取图像灰度共生矩阵、灰度行程矩阵、灰度大小矩阵等相关参数；高阶统计量实现图像的小波变换（Wavelet）、拉普拉斯变换（Laplace Transformations）等操作。

Fig.2 The proposed system design architecture图2 系统架构

Fig.3 System function design图3 系统功能设计

功能实现流程如图4所示，通过前端展示的Button按钮绑定某个路径，该路径可访问到能进行特征提取运算的Python文件，在Python文件中设定好输出结果的形式。点击按钮，触发相应的算法进行特征提取。

Fig.4 Flow of function realization图4 功能实现流程

3.3 平台功能实现

3.3.1 平台基础功能展示

以乳腺癌为例进行平台功能展示。如图5所示，图像显示分为4个界面，左上部分为影像数据的三维显示，相关人员可通过滑动鼠标进行器官全貌三维展示。左下、右上以及右下显示区域分别为不同角度的二维影像角度展示，可辅助使用者较为准确地把握病灶区域的轮廓大小。图像数据显示等基本操作主要依赖Cornerstone工具实现。Cornerstone是包括但不限于Dicom格式的交互式医学影像轻量级js组件。该组件支持DICOMweb中的WADO-URL和WADO-RS接口，以实现网页抓取。其采用网页多线程解码加速图像显示，有助于互联网应用JPEG等压缩方式传输图像。其还能灵活嵌入不同的前端框架，便于后续开发维护。

平台的功能选择界面如图5中左侧选择框所示，选用按钮控件实现不同功能的事件绑定。点击上传影像按钮，将需要计算特征的影像数据上传至平台，然后点击选择框中的按钮进行操作。操作界面直观简洁，使用者可轻松选择自己需要的功能。

Fig.5 Interface of platform图5 平台界面

如图6所示，使用者将光标放置在感兴趣部位，通过点击鼠标左键可使感兴趣部位放大，从而更加直观地看到病变部位的影像。

Fig.6 Magnify the Dicom图6 影像放大

窗位窗宽效果如图7所示。使用者可根据需要左击鼠标上下调节不同的窗位、左右滑动调节窗宽，可使病灶区呈现出不同的亮度。

Fig.7 Changing window width and window level图7 变换窗位窗宽

为从不同方位展示病灶区形态，使用者可滚动鼠标滑轮旋转显示界面，具体如图8所示。

Fig.8 3D rotating display图8 三维旋转展示

角度标注功能如图9所示。使用者可点击鼠标右键启动ROI区域勾画，明辨病灶区角度。标注出来的病灶区域可通过相关图像处理算法进行分割提取，进而输入到平台中进行病灶特征计算。

Fig.9 Angular dimension图9 角度标注

3.3.2 影像数据直方图绘制

影像灰度分布信息是图像处理过程中较为重要的一项指标，可通过点击绘制直方图获取影像灰度分布信息，便于研究人员对图像进行更为精准的评估。图10为图5右半部分展示框中右上图像的灰度直方图。

Fig.10 Information of histogram图10 直方图信息

3.3.3 图像特征提取

图11为不同类别特征提取按钮的展示。将分割好的病灶区上传至平台后，点击对应类别特征的按钮进行病灶区特征的提取。操作完成后，特征信息直接输出为csv格式的文件，可保存在用户指定的路径中。

Fig.11 Different category feature extraction buttons图11不同类别特征提取按钮

4 平台测试

为了检验平台提取到特征的可用性，进行基于图像特征的分类计算。以图5展示的乳腺癌图像为例进行病灶区特征提取，将提取好的特征输入到机器学习模型中进行计算验证，若基于特征数据的分类模型得到的AUC（Area Under ROCCurve）值在0.7～1.0之间，则说明该特征可用于进行下一步分析计算。

4.1 数据来源

选择用于癌症研究的医学图像开放数据库（The Cancer Imaging Archive，TCIA），该数据库包含常见肿瘤医学图像及相应的临床信息，图像模态包括MRI、CT等，选取其中的CBIS-DDSM数据集。该数据集以患者为单位进行影像数据存储，每例患者均包含两种位置下的图像数据，分别为常规轴位（CC）与外侧斜位（MLO）。从数据集中随机抽取10例良性肿瘤患者和10例恶性肿瘤患者的钙化数据，综合20个病例两种不同的摄影位置，本实验共包含21例良性钙化病灶和24例恶性钙化病灶。

4.2 实验流程

4.2.1 特征提取

获取病灶区图像数据，上传至平台进行由Dicom格式到jpg格式的转换。然后进行图像数据特征提取，可提取的特征信息如表2所示。45例病灶轮流进行表中特征的提取，对输出的数据进行规范化处理。

Table2 feature in formation statistics表2 特征信息统计

4.2.2 模型选择

本实验采用两种机器学习分类验证模型进行计算，分别为逻辑回归模型和随机梯度下降模型，这两种模型均能在较短时间内检测出所提特征的可用性。

（1）逻辑回归虽含有回归二字，却是一种用于解决分类问题的机器学习方法，用于估计某事件发生的可能性，常用于数据挖掘、疾病诊断、经济预测等领域。该模型具有训练速度快、内存资源占用少的优点，适用于二分类问题。二项逻辑斯蒂回归模型是一种分类模型，其最终表现形式为一种概率模型，如支持向量机、K邻近算法等。二项逻辑斯蒂回归概率模型表示为：

式中，

x

为输入，

Y

为输出，

w

为参数权值向量，

b

为偏置。对于给定的输入

x

，求出上两式的结果，将实例

x

分类到概率较大的那一类。参数

w

的估计一般采用极大似然估计法。（2）随机梯度下降是一种简单但非常有效的算法，多用于支持向量机、逻辑回归等凸损失函数下线性分类器的学习。其计算代价小，可用于大规模数据集。随机抽取一组数据值

w

代入到损失函数中可得到一个初始点，使这个初始点按照负梯度方向运动，表示为：

式中，

α

为学习率，可防止梯度过大从而一次性迈过最低点；

g

为梯度。迭代上一步，直至找到最优解。

将整理好的数据输入到模型中进行计算，对所有数据进行10折交叉验证，采用精确度、查准率、召回率、F1值对模型进行评价。

4.3 结果分析

模型测试结果显示，如图12所示，逻辑回归模型得到ROC曲线的AUC值可达0.89，具体评价指标见图13；如表14所示随机梯度下降模型得到ROC曲线的AUC值为0.82，具体评价指标见图15。两种模型预测的AUC值均可达到0.8以上。

Fig.12 ROC curve of logistic regression model图12 逻辑回归模型ROC曲线

Fig.13 Evaluation result of logistic regression model图13 逻辑回归模型评价结果

通过查阅文献，科研工作者利用提取好的特征经模型计算分析后得到的准确度结果汇总如表3所示。将本文模型测试结果与表3数据进行比较，可以看出本文模型提取出的特征数据可以进行后续相关计算，并得到较为可信的预测结果。

Fig.14 ROC curve of stochastic gradient descent model图14 随机梯度下降模型ROC曲线

Fig.15 Evaluation result of stochastic gradient descent model图15 随机梯度下降模型评价结果

Table3 Statistics of accuracy results表3 准确度结果汇总

5 结语

图像处理在疾病诊断中发挥着越来越重要的作用，特征提取作为图像处理的基础工作之一，对后续工作有重要影响。如今，医学图像处理与分析平台层出不穷，如何更加明晰地展现病变部位，使其更加贴近机体的真实面貌，为医生的准确诊断提供参考依据意义重大。同时，随着医学成像设备的发展，所获取的图像数据越来越大，如何实时处理和显示这些数据，对医疗图像系统开发人员是巨大挑战。

本文设计开发的图像处理平台采用较为灵活的B/S架构，便于后续升级与维护。在功能方面，该平台可将病灶区全貌展现出来，方便提取特征信息。经模型验证，平台提取出的特征信息可正常进行下一步操作。当然平台也存在不足之处，例如当传输影像数据过多时，处理数据的速度会降低。后续会根据实际需要融入数据输出前处理的功能，融合更为先进的图像处理算法，以构建动态的三维图像重建与显示，开发高效率、高精度图像分析处理平台。