CT圖像的頸部淋巴結半自動分割算法

魏 駿，何 凌，車 坤，門 乙，黃 華，張 勁＋，張瓊敏

（1.四川大學 電氣信息學院，四川 成都610065；2.四川大學 華西口腔醫院 頭頸腫瘤外科，四川 成都610041）

0 引 言

在頸部淋巴結診斷中，傳統的觸診診斷對腫瘤是否發生轉移的判斷有很高的假性結論，需借助醫學影像輔助檢查［1－4］。在醫學影像診斷技術中，CT 可以較好地對軟組織或器官成像，能良好地顯示出病變的影像，影像的密度分辨率高。在頭頸部CT 圖像中，頸部淋巴結與周圍結締組織間的界限模糊，其CT 值與周圍軟組織相近，且頸部淋巴結的病理復雜、形態小、不規則，不固定存在于某一特殊位置，在其周圍充滿結締組織，并存在網狀細胞游離于結締組織中。頸部淋巴結的生理特征和圖像的復雜性對放射科醫生提取淋巴結的工作帶來了困難，醫生根據各自經驗，逐層對頸部淋巴結勾畫邊界以得出結論，費時費力且其結論會隨各自主觀經驗判斷不同而存在誤差［5，6］。目前，已提出基于CT 圖像淋巴結提取算法：Adrian Barbu等［7］提出了基于學習的分割算法，Qiang Chen 等［8］提出了基于Snake模型的分割算法，Sebastian Steger等［9］提出了基于單層CT 圖像的分割算法，Lars Dornheim 等［10］提出了基于三維穩定彈簧質點模型的分割算法，Johannes Feulner等［11］提出了基于差異性學習和空間先驗知識的分割算法。

本文基于頭頸部CT 圖像，實現對頸部淋巴結的半自動分割，為臨床醫生提供頭頸部腫瘤輔助診斷指標。針對CT 圖像中頸部淋巴結與周圍軟組織灰度差異小、存在粘結的問題，本文提出一種基于統計學知識的半自動分割淋巴結算法，采用遍歷閾值提取淋巴結種子點，加入基于統計學的強制停止條件，對獲得的種子點進行區域生長，依據頸部淋巴結及周圍軟組織生理特征及其圖像特性，提出淋巴結判決算法，實現頸部淋巴結分割及其體積的計算，為頭頸部腫瘤轉移提供輔助診斷。

1 頸部淋巴結半自動分割算法

本文提出的頸部淋巴結半自動分割算法，其流程如圖1所示。

圖1 淋巴結分割算法流程

本文提出的頸部淋巴結半自動分割算法首先對頭頸部CT 圖像做預處理，提取目標區域減小頭頸部器官及頸部淋巴結周圍結締組織對分割算法的影響。在分割算法中利用遍歷閾值提取頸部淋巴結種子點，再對種子點進行區域生長，最后根據序列CT 圖對生長后的疑似淋巴結進行判別，得到其分割結果。

1.1 預處理

頭頸部CT 原始圖像包括頭頸部所有組織和器官，其CT 值各有不同，軟組織的CT 值在＋20至＋40HU 之間，骨骼和牙齒的CT 值為＋800至＋1000HU，為減小對后期淋巴結分割的影響，本文根據人體生理結構手工提取淋巴結分布區域 （region of interest，ROI），如圖2所示。頸部淋巴結與周圍結締組織的邊界模糊，為減小后期分割泄露的問題，本文對ROI區域進行閾值處理，在保持淋巴結圖像信息不變的前提下減小結締組織對其分割的影響。根據圖像的灰度值，圖像可以分為兩類：C （結締組織）和珚C（其它組織），對于具有灰度值I（x）的像素點x，按式 （1）做預處理

式中：T——ROI圖像直方圖擬合曲線的波谷最小值。

圖2 預處理

1.2 自動分割算法

本節提出的頸部淋巴結自動分割算法主要包括3個步驟：種子點提取、區域生長和淋巴結判別。

1.2.1 種子點選取

在預處理后的圖像中，部分頸部淋巴結與周圍軟組織之間分界清楚，可以較為簡單地提取種子點，如圖3 （a）所示。部分頸部淋巴結靠近周圍軟組織，且頸部淋巴結與周圍軟組織間隙的灰度值與其本身灰度值接近，不能簡單提取出頸部淋巴結種子點，如圖3 （a）所示。本文提出的遍歷閾值算法可以有效實現此類情況的分割。

本文提出的種子點選取算法根據圖像灰度特征，得到圖像中非零灰度值的平均值L，將圖像在灰度值范圍為（T，L］間做遍歷閾值處理，其計算公式如式 （2）所示

圖3 （b）～ （e）為圖3 （a）圖遍歷閾值算法處理過程中的部分圖像，邊界清楚的頸部淋巴結為獨立連通域，當t值在 （T，L］范圍內不斷增大時，與周圍軟組織相連的頸部淋巴結會斷開連接，成為獨立連通域。在每次閾值處理后，對每次閾值處理的結果再次判斷，去除圖像緣邊的軟組織區域，保留下的連通域視為疑似淋巴結區域，并取該區域灰度值最大的一個點作為疑似淋巴結種子點，圖3 （f）～（i）分別為圖3 （b）～ （e）的種子點結果。圖3 （j）為圖3 （a）圖遍歷閾值算法最終種子點結果。

圖3 遍歷閾值算法

1.2.2 區域生長

該步驟基于1.2.1節得到的疑似淋巴結種子點圖進行區域生長，每次生長只針對一個種子點進行。在每次區域生長中，進行以下3種情況的判斷：①待生長點為種子點的8鄰域；②在原圖中，待生長點的灰度值非零；③在生長圖中，待生長點的灰度值為零。

對于邊界清楚的頸部淋巴結，區域生長過程可正常停止在邊界處。而對于與周圍軟組織相連的頸部淋巴結，容易出現生長泄露的問題。根據種子點是該疑似淋巴結最大灰度值點的條件，以及圖像中頸部淋巴結邊緣灰度值較低的特征，本文在區域生長中，引入統計學知識作為強制停止條件。在每次8領域生長后，計算所有像素點對應于原圖灰度值的平均值和標準差s。由于種子點選取的是該頸部淋巴結的最大灰度值點，在新的像素點生長后，平均值）必然會減小，標準差s也會隨著點個數的增加而增大，因此本文在平均值出現增大或者標準差s出現減小的情況時，即生長已泄露到周圍軟組織區域，立即強制停止生長，并舍棄該次新生長的像素點。

1.2.3 頸部淋巴結判別

在1.2.1和1.2.2的步驟中，會出現下列兩種情況需要判別去除：①頸部淋巴結周圍軟組織存在支狀結構的突出；②序列CT 圖像中上下層孤立點。

淋巴結判別主要是依據序列CT 圖像的上下層關系，若疑似淋巴結在上下層圖像中的位置有重疊部分，標記該兩層疑似淋巴結為一個整體，以此掃描整組圖像。

圖4 （d）、（e）中圓框標記的是淋巴結周圍軟組織存在支狀結構突出的情況，圓框中疑似淋巴結的坐標范圍對應到圖4 （f）的原圖即圖4 （c）圖中存在組織部分，由此可判斷圖4 （d）、（e）圓框內的是周圍軟組織的支狀突出。此類情況的判別為：判斷該疑似淋巴結整體的第一層 （即ROI序列圖像的第i層）和最后一層圖像 （即ROI序列圖像的第j層）所在的位置范圍分別映射到ROI序列圖像的第i－1層和第j＋1 層中，若在該范圍內，其像素的灰度值滿足I（x）≥T，則去除該疑似淋巴結整體。

圖4 判別情況

圖4 （e）中方框標記的是上下層孤立點的情況，判別條件為：以該疑似淋巴結的全體像素坐標域為考察范圍，若其上下層圖像中該參考范圍內的灰度值I（x）＜T 則去除該疑似淋巴結。

1.2.4 三維體積計算

通過自動分割算法，實現頸部淋巴結的分割。根據每位患者CT 圖像參數和最后分割結果，逐層逐像素點掃描，得到最終淋巴結的體積，實現輔助臨床診斷。

2 實驗結果及分析

2.1 實驗數據

本文提出的算法應用于5位頭頸部腫瘤患者的336張病例CT 圖，每一位患者分左右兩個頸部淋巴ROI區域，共10組數據，672張淋巴結ROI圖像。本數據來源于四川大學華西第四醫院CT 放射科，原始圖像大小為512×512像素，片層間距1mm，像素間距0.391mm。

2.2 實驗結果

本文提出的頸部淋巴結半自動分割算法對5位患者的數據實現批量精確分割。圖5列舉患者1右ROI部分序列CT 圖像的頸部淋巴結分割結果。

其中圖5 （a）序列圖為患者1右ROI區原圖像，圖像中存在結締組織，且頸部淋巴結灰度值與周圍軟組織接近；圖5 （b）序列圖是利用遍歷閾值算法處理后的種子點圖，該算法能提取出所有疑似淋巴結，確保無漏檢情況發生；圖5 （c）序列圖是基于統計學知識的種子點區域生長后的結果圖，圖5 （d）序列圖是采用頸部淋巴結判別算法后的最終結果圖，該算法能較精確的實現對頸部淋巴結的分割。

圖5 患者1右ROI淋巴結分割結果

臨床診斷關注頸部淋巴結是否漏檢以及是否對其準確分割。結合臨床需求，實驗結果重點討論：①提取的頸部淋巴結數目；②分割后頸部淋巴結的體積計算。

本文中，結合CT 圖像的片層間距和像素間距，實現對淋巴結體積的計算。其計算公式如式 （3）所示

式中：N——頸部淋巴結像素個數，SS——像素間距，SD——片層間距，i——頸部淋巴結圖像層數。

為客觀對本算法進行評估，本文以華西口腔醫院放射科醫生手工分割結果作為標準，采用TPVF 以及PV 兩個評價指標，對頸部淋巴結的分割結果進行統計，其計算公式如式 （4）所示

對采集的5位患者數據，應用本文提出的半自動頸部淋巴結分割算法實現對頸部淋巴結的分割，其分割結果見表1、表2。

本文提出的半自動頸部淋巴結分割算法，實現了對頸部淋巴結的批量精確分割。在實驗的5位患者病例中，該算法未出現對頸部淋巴結的漏判，并實現對頸部淋巴結體積的精確分割，如患者1的左側ROI區域手工分割有14個淋巴結，本算法分割出15個淋巴結，在準確分割出應有的14個淋巴結之外增加了一個 “偽”淋巴結。但對于臨床需求來說，醫生比較容易從結果中刪除多余的 “偽”淋巴結，本算法自動分割的結果篩除了大量類似淋巴結的結締組織、血管等軟組織，大大減少了醫生挨個分析、確定淋巴結的工作量，其次，頸部淋巴結體積參數比較直觀地提供給醫生病人淋巴結生長的統計信息，既便于醫生診斷，又能為病人的追蹤治療提供量化的檢測結果，在臨床診斷上有較高參考價值。

表1 頸部淋巴結數目統計結果

表2 頸部淋巴結體積結果

3 結束語

頸部淋巴結體積參數是診斷頭頸部腫瘤是否發生轉移的重要指標之一，影響腫瘤的診斷、治療和預后。針對頸部淋巴結手工分割具有局限性以及淋巴結生理和圖像特征復雜的問題，本文提出了頸部淋巴結半自動分割算法。該算法使用遍歷閾值處理ROI圖像，避免了淋巴結分割的遺漏，在區域生長中引入統計學均值和標準差信息構建的強制停止條件，彌補了只考慮灰度信息帶來的生長泄露問題，并根據淋巴結及周圍軟組織生理特征及其圖像特性，對生長后的疑似淋巴結做出判定。本文算法實驗于10組頸部淋巴結ROI圖像數據中，得到的分割結果與手工分割的標準結果接近，未出現淋巴結的漏判，能在較少的人為干預下獲得準確度更高的分割結果，實現對頭頸部CT 圖像淋巴結分割的批量處理，并能由分割結果計算出淋巴結的體積，為醫生臨床診斷、治療和預后提供輔助依據，有效提高工作準確率和效率。

［1］SU Naichuan，LI Chunjie，SHI Zongdao，et al.Positron emission tomography／computed tomography for detecting cervical nodule metastases of oral and maxillofacial cancer ［J］.West China Journal of Stomatology，2012，30 （1）：36－44 （in Chinese）.［蘇乃川，李春潔，史宗道，等.正電子發射體層成像／計算機斷層掃描在口腔頜面部腫瘤頸部淋巴結轉移中的診斷價值 ［J］.華西口腔醫學雜志，2012，30 （1）：36－44.］

［2］ZHANG Zhenghua，HUANG Jianqiang，HAN Dan，et al.CT Manifestations of thyroid carcinoma and its correlation with lymph node metastasis ［J］.Head and Neck Imaging，2013（11）：804－811 （in Chinese）. ［張正華，黃建強，韓丹，等.甲狀腺癌的CT 表現與頸淋巴結轉移的相關性 ［J］.中國醫學影像學雜志，2013 （11）：804－811.］

［3］WU Longqiu，LI Jingao，YE Xinqian，et al.Clinical analysis of nasopharyngeal carcinoma with parotid lymph node metastasis［J］.Chinese Journal of Clinical Oncology，2011，38 （2）：100－103 （in Chinese）.［吳隆秋，李金高，葉新芊，等.鼻咽癌腮腺淋巴結轉移臨床分析 ［J］.中國腫瘤臨床，2011，38（2）：100－103.］

［4］CHANG Xiulin，CHEN Zhongwei.Diagnosis of metastatic tumors in neck lymph nodes［J］.Journal of Dental Prevention and Treatment，2010 （5）：274－278 （in Chinese）. ［常秀林，陳仲偉.頸部淋巴結轉移性腫瘤的診斷 ［J］.廣東牙病防治，2010 （5）：274－278.］

［5］Adrian Barbu，Nathan Lay.Artificial prediction markets for lymph node detection ［C］／／4th IEEE International Conference on E－Health and Bioengineering，2013：1－7.

［6］CHEN Yangchun，CHEN Ping.Tumor volume assessment by morphological image processing－a feasibility analysis ［J］.Medical Theory and Practice，2012，25 （14）：1692－1703 （in Chinese）.［陳仰純，陳萍.形態學處理在腫瘤體積測量中的可行性分析［J］.醫學理論與實踐，2012，25 （14）：1692－1703.］

［7］Barbu A，Suehling M，Xu X，et al.Automatic detection and segmentation of lymph nodes from CT data ［J］.IEEE Transactions on Medical Imaging，2012，31 （2）：240－250.

［8］Chen Q，Fang Q，Xu JJ，et al.Snake model－based lymphoma segmentation for sequential CT images［J］.Computer Methods and Programs in Biomedicine，2013，111 （2）：366－375.

［9］Steger S，Ebert D，Erdt M.Lymph node segmentation in CT slices using dynamic programming ［C］／／8th IEEE International Symposium on Biomedical Imaging：From Nano to Macro，2011：1990－1993.

［10］Dornheim L，Dornheim J，Rssling I.Complete fully automatic model－based segmentation of normal and pathological lymph nodes in CT data ［J］.International Journal of Computer Assisted Radiology and Surgery，2010，5 （6）：565－581.

［11］Feulner J，Zhou S，Hammon M，et al.Lymph node detection and segmentation in chest CT data using discriminative learning and a spatial prior ［J］.Medical Image Analysis，2013，17 （2）：254－270.