模糊C均值聚類算法在肺部CT圖像感興趣區域特征提取中的臨床應用研究

古新展 陳文天 戰躍福

CT圖像感興趣區域(region of interest，ROI)是醫學圖像處理和影像診斷的重要研究內容，通過ROI特征提取及分割技術，顯示圖像中感興趣的器官或組織，對病變組織等相關特征進行定性和定量分析，以此提高臨床診斷和服務的水平[1-2]。目前，受到醫學圖像信息復雜性和多樣性等因素影響，ROI特征提取對算法的準確度和實效性提出了更高的要求。模糊C均值(fuzzy C-means，FCM)聚類算法在相關文獻研究中證明了其算法的科學性和實用性，但對圖像中噪聲和偽影等比較敏感，因此在臨床上的應用較少[3-4]。本研究基于FCM算法原理，回顧性分析醫院接診的臨床肺部CT影像資料，探討圖像局部ROI特征提取在臨床診斷中的應用價值，為提高圖像處理能力和提升醫院放射科的診療水平提供依據。

1 資料與方法

1.1 一般資料

選取2016年1月至2018年5月瓊中縣人民醫院放射科接診的200例肺部疾病患者的200幅CT影像資料，其中鈣化病變37例，增殖性病變54例，結節與腫塊78例，空洞與空腔21例，其他表現10例。依據CT圖像處理前后的評價數據將其分為對照組和觀察組，原始圖像診斷及分析數據圖像為對照組，基于FCM算法進行ROI特征提取圖像為觀察組。觀察評價診斷準確率和對比噪聲比(contrast-to-noise ratio，CNR)兩項指標，并評估圖像處理效果。

1.2 納入與排除標準

(1)納入標準：①臨床資料完整，證實患者患有肺部相關疾病；②肺部結節性病灶直徑≤5 cm；③按照影像顯示規范、物理顯示規范、輻射劑量規范、成像技術規范以及影像密度規范，CT影像質量符合診斷要求。

(2)排除標準：①為滲出性病變的患者；②為胸膜病變或縱膈改變的呼吸系統疾病患者。

1.3 儀器設備及檢查參數

采用Perspective型64排128層CT(德國西門子)。CT檢查固定管電壓130 kV，曝光模式為AEC，肺窗顯示：W=1200，L=-600。

1.4 FCM算法

FCM算法采用迭代算法進行目標函數的優化，獲得圖像ROI數據的模糊分類，用隸屬度函數定義的目標函數計算為公式1：

式中C為設定的模糊分類數目，n為ROI數據樣本Xi的數量，μj(xi)為第i個樣本對第j個模糊類的隸屬度函數，且的常數，用以控制聚類結果的模糊程度，mj為第j模糊類的聚類中心。

FCM算法步驟為：①設定聚類數目C和常數p；②初始化各聚類中心mj；③計算隸屬度函數μj；④重新計算聚類中心；⑤重復以上兩步驟，獲得穩定的聚類中心。目標函數極小值的計算過程得到了不同類的聚類中心和隸屬度，完成ROI數據的模糊聚類劃分過程。

1.5 觀察及評價指標

1.5.1 主觀評價指標

對FCM算法處理后肺部CT圖像臨床應用效果的主觀評價由5位具有兩年以上相關工作經驗的影像醫師完成，采用盲法對ROI的病變類型進行鑒別診斷，對照組和觀察組的影像數據按照隨機編號進行呈現，統計診斷結果與臨床證實資料一致程度，計算方法為診斷結果符合臨床資料的患者數量占全部案例數量的百分比，即診斷準確率。考慮到不同主體評價結果的差異性，獨立性診斷準確率的全部案例數量以5位醫師評價案例次數計算，每組分別為1000例(次)，而一致性診斷準確率以5位醫師完全一致且準確的例數進行計算，全部案例數為200例。

1.5.2 客觀評價指標

由于FCM算法對圖像的噪聲敏感，因此在ROI特征提取效果的客觀評價方面，采用CNR指標進行觀察，既分析圖像中噪聲的變化程度，也量化噪聲對病灶組織對比度以及信噪比(signal noise ratio，SNR)的影響程度[5-6]。其計算為公式2和公式3：

式中CNR為肺部CT圖像ROI，SNR為信噪比，x-為n個樣本xi的平均值，空白區選取為圖像中0.4～0.6 cm2的邊緣區域。

1.6 統計學方法

采用SPSS 19.0軟件對兩組的觀察及評價指標進行統計，主觀評價中的計數資料以百分比(%)表示，采用x2檢驗，客觀評價中的計量資料以均數±標準差(x-±s)表示，采用t檢驗，以P＜0.05為差異有統計學意義。

2 結果

2.1 FCM算法處理結果

在200例肺部疾病患者中，肺結核患者51例(占25.5%)；肺腫瘤患者72例(占36.0%)；肺部炎癥患者68例(占34.0%)；其他肺部疾病患者9例(占4.5%)。經初步篩查后選取200例肺部CT圖像的ROI區域，特征提取的典型圖像案例如圖1、圖2所示。

圖1 周圍型肺癌患者FCM算法處理后ROI特征提取圖像

圖2 肺錯構瘤患者FCM算法處理后ROI特征提取圖像

2.2 應用分析結果

2.2.1 主觀評價結果

由5位影像醫師分別對200例患者的200幅肺部CT圖像及FCM處理后圖像進行主觀評價，雙盲法評價后的結果顯示，不同醫師對CT原始圖像的診斷結果完全一致且準確175例，占87.5%，而獨立性診斷結果準確969例(次)，占96.9%；對FCM處理圖像的診斷結果完全一致且準確189例，占94.5%，而獨立性診斷結果準確985例(次)，占98.5%。觀察組的診斷準確率明顯高于對照組，兩組一致性診斷正確率和獨立性診斷正確率差異均有統計學意義(x2=5.983，x2=5.696；P＜0.05)，見表1。

表1 主觀評價分析結果

2.2.2 客觀評價結果

應用CNR指標分別統計FCM算法處理前后的200例患者圖像ROI的客觀評價數據，觀察組的SNRROI為41.19±3.25，低于對照組的39.78±4.27，兩組相比差異有統計學意義(t=2.335，P＜0.05)，表明FCM算法處理后的圖像噪聲明顯提高，圖像ROI的SNR降低；而觀察組的CNR為6.48±3.91，高于對照組的8.36±5.63，兩組相比差異有統計學意義(t=2.612，P＜0.05)，表明FCM算法處理后的圖像對比度明顯提高，噪聲對圖像質量的影響程度降低，見表2。

表2 客觀評價分析結果(±s)

表2 客觀評價分析結果(±s)

注：表中SNRROI為感興趣區域的信噪比；CNR為對比度噪聲比。

組別 SNRROI CNR對照組 41.19±3.25 6.48±3.91觀察組 39.78±4.27 8.36±5.63 t值 2.335 2.612 P值 0.022 0.010

3 結論

醫學圖像特征提取是突出ROI的特殊組織，為定量和定性分析及可視化操作提供必要的有效信息，臨床應用范圍包括組織結構分析、動態分析、三維重建、放射治療及治療評估等方面，對提高影像診斷準確率起到了積極作用[7-9]。目前，國內外關于特征提取技術的研究較多，但臨床應用研究的內容較少，圖像處理的技術操作性和存在的不足是主要的影響因素，制約了放射科圖像后處理工作水平的不斷提升。

本研究結合醫院放射科的實際接診案例，回顧性分析和處理CT影像資料，以FCM均值算法為理論依據，開展肺部CT圖像ROI特征提取的應用研究。臨床應用效果分析通過主觀評價和客觀評價兩方面開展，其中主觀評價的觀測指標是影像診斷準確率，客觀評價的觀測指標是CNR。結果顯示，觀察組的圖像診斷準確率高于對照組，且從一致性診斷和獨立性診斷的準確率兩個方面，分析FCM算法的應用價值，表明基于FCM算法的ROI特征提取有助于提高影像診斷準確率。觀察組的圖像CNR明顯高于對照組，表明基于FCM算法的肺部CT圖像ROI特征提取在臨床中具有較高的應用價值，圖像質量明顯提高，有利于提高放射科的臨床診療效果。

FCM算法與傳統的聚類分割技術相比，引入了模糊概念，不需要人工干預，在圖像ROI特征提取中具有較高的應用價值[10-12]。同時，由于FCM算法對圖像噪聲和偽影具有敏感性，本研究進行局部圖像的后處理，降低了圖像處理過程中的不良影響，但限于該研究對象和內容的特殊性，后期將進一步開展其他部位及疾病的圖像ROI特征提取的研究工作，為提高影像診斷水平奠定工作基礎。