局部多維聚類分割CT 肝臟微小病灶的方法

何強，高瞻，段鈺桔，周利炆，趙亮

（1.十堰市太和醫(yī)院精準醫(yī)學研究中心，湖北十堰 442000；2.十堰市太和醫(yī)院醫(yī)學影像中心，湖北十堰 442000；3.湖北醫(yī)藥學院生物醫(yī)學工程學院，湖北十堰 442000）

肝臟局灶性病變（Focal Liver Lesion,FLL）種類多樣、尺寸較小、特征稀少，這類病灶容易被忽視，影響醫(yī)生對病人病情的診斷[1]。如何利用極少的特征，聚焦病灶區(qū)域本身，降低偽影噪音等假陽性的干擾，準確分割出肝臟中小病灶區(qū)域，是該文研究重點。

近年來關(guān)于醫(yī)學圖像分割的研究主要分為傳統(tǒng)圖像分割和基于深度學習的圖像分割。傳統(tǒng)圖像分割算法主要包括邊緣檢測[2]、閾值分割[3]、區(qū)域分割[4]、超像素分割[5]等。傳統(tǒng)圖像分割算法往往針對某個特定場景設置超參數(shù)，泛化能力較差。深度學習對微小目標分割方法可分為多尺度預測[6]、數(shù)據(jù)增強[7]、超分辨率[8]、上下文信息[9]等。雖然深度學習在其他醫(yī)學圖像分割中表現(xiàn)優(yōu)異，但是目前對小目標的分割精度遠遠不夠。另外，目前暫無醫(yī)學相關(guān)微小目標的分割數(shù)據(jù)集可供研究。

該文針對目前小目標分割的研究現(xiàn)狀，結(jié)合肝臟微小病灶的特點，提出多維局部聚類分割肝臟微小病灶的算法，主要用到灰度、相對位置坐標、梯度等特征。該文的主要貢獻有以下幾點：

1）肝臟區(qū)域裁剪為不相交子塊，在圖像局部用聚類算法做分割。

2）利用子塊中灰度值、相對位置坐標以及梯度信息構(gòu)成多維向量進行聚類。

3）采用統(tǒng)計方法對潛在病灶進行分析，精確篩選微小病灶。

1 方法

所有數(shù)據(jù)樣本均進行三步預處理：1）感興趣區(qū)域（ROI）提取。由影像科經(jīng)驗豐富的醫(yī)生，使用自研可加載DICOM 格式的圖像標注軟件，勾畫肝臟和肝臟病灶輪廓。其中包含肝臟2 247 張，病灶841 張。2）轉(zhuǎn)換像素值。CT值的單位是亨斯菲爾德（Hounsfield Unit，HU），范圍為（-1 024，3 071），用于衡量人體組織對X 射線的吸收率[10]。轉(zhuǎn)換時從DICOM 頭文件中讀取兩個標簽信息,分別是Rescale Intercept、Rescale Slope，分別記為RI和RS，PV表示像素值，然后通過式（1）計算得到灰度值。3）將轉(zhuǎn)換后的CT 值歸一化到[0,1]，并映射到[0,255]，保存為長寬為512 個像素的png 圖片。將肝臟輪廓繪制于（512，512）的全零矩陣上，肝臟區(qū)域填充1，非肝臟區(qū)域填充0，保存為png 圖片格式。肝臟病灶掩膜采用相同方法處理。

統(tǒng)計所有小病灶灰度均值m和標準差s。將肝臟區(qū)域裁剪為不相交子塊，在子塊中使用海森矩陣[11]計算灰度值梯度，并結(jié)合灰度值、相對位置坐標構(gòu)成多維向量，采用kmeans++[12-13]聚類算法對子塊進行分割，然后將分割結(jié)果根據(jù)裁剪坐標拼接起來，最后進行后處理和假陽性過濾。肝臟微小病灶切片聚類分割算法過程如圖1 所示。

圖1 肝臟微小病灶分割算法示意圖

考慮像素級圖像分割存在毛刺、空洞等問題，采用膨脹、腐蝕算法對拼接結(jié)果進行后處理，并根據(jù)小病灶形態(tài)學特征提出假陽性過濾策略，如圖2 所示。

圖2 潛在病灶假陽性過濾策略

該算法主要步驟：

1）以病灶區(qū)域為單位，刪除大于144 個像素的病灶區(qū)域，在原始肝臟灰度圖中計算剩余病灶區(qū)域平均灰度值ave。定義集合X，保存所有ave，考慮人工勾畫時不可避免的誤差，ave的取值區(qū)間在[0,100]，然后計算集合內(nèi)所有平均灰度值的均值m和標準差s。

2）讀取原始肝臟灰度圖，記為O，讀取對應文件名肝臟掩膜圖片，記為矩陣M，以最小矩陣框出肝臟部分，矩形左上頂點坐標為(x，y)，長為w，寬為h，肝臟灰度矩陣mask=M×O[y:y+h,x:x+w]。

3）對框出的肝臟mask，依次沿著x軸和y軸，裁剪（16，16）的尺寸，裁剪步長設置為16 個像素，依次得到每個子塊mask_patch，并對mask_patch 做直方圖均衡化。

4）在每個mask_patch 中，利用海森矩陣計算梯度信息。依次遍歷mask_patch，獲取非0 位置的灰度值h，相對位置坐標(x，y)，梯度值t，組成[h,x,y,t]向量形式，保存在數(shù)組n中。

5）定義kmeans++聚類，n_clusters=2。對數(shù)組n進行聚類，計算兩類CT 平均值x1，x2，取落在區(qū)間[m-s,m+s]的一類作為病灶候選結(jié)果，如果沒有則不??；如果都在區(qū)間[m-s,m+s]內(nèi)，則取數(shù)值較小的一類。所有病灶候選結(jié)果根據(jù)裁剪坐標拼接到和矩陣M大小相同的全零矩陣new中。

6）將new進行先膨脹后腐蝕操作，填補中間空心區(qū)域，去掉周圍毛刺。檢測new的輪廓，得到new若干輪廓點集conts，如果單個輪廓點集個數(shù)小于4，刪除該輪廓。如果大于4，則計算最小框住輪廓矩形的長和寬，如果長寬比例大于1.5，刪除該輪廓。

7）最后利用裁剪x、y、w、h信息，將new還原到（512，512）大小，即為最終的病灶分割結(jié)果。

2 實驗結(jié)果與分析

2.1 評價指標

采用Dice 來對分割結(jié)果做評價，Dice 系數(shù)是一種集合相似度度量指標，通常用于計算兩個樣本的相似性[14]。定義為：

式中，TP表示正確預測肝占位的像素個數(shù)，F(xiàn)P表示將肝臟預測為肝占位的像素個數(shù)，F(xiàn)N表示將肝占位預測為肝臟的像素個數(shù)。指標范圍為[0，1]，數(shù)值越大，效果越佳。該算法中，將子塊的分割結(jié)果拼接還原為（512，512），與人工標注病灶結(jié)合來計算Dice。

2.2 數(shù)據(jù)集介紹

該實驗使用的數(shù)據(jù)集來自2018 年至2020 年在十堰市太和醫(yī)院采集的上腹部CT 掃描。影像科醫(yī)生篩選多發(fā)小低密度病灶的病例53 例，由6 名中低年資影像科醫(yī)生對病灶定位并確定邊界，兩名高年資影像科醫(yī)生審核校正。微小病灶數(shù)據(jù)樣本示例如圖3 所示。

圖3 微小病灶數(shù)據(jù)樣本示例

所有數(shù)據(jù)預處理之后保存為png 格式，預處理結(jié)果如圖4 所示。左邊為原圖，中間為肝臟掩膜，右邊為肝臟病灶掩膜。

圖4 預處理結(jié)果示例

統(tǒng)計所有微小病灶平均灰度值，其直方圖如圖5所示。

圖5 微小病灶平均灰度值直方圖

2.3 實驗分析

為了驗證該算法的分割效果，該文設計三組實驗，每組實驗經(jīng)過十則交叉驗證，計算Dice 的平均值和標準差。第一組為傳統(tǒng)的圖像分割算法分割結(jié)果，基于固定閾值的圖像分割的閾值為統(tǒng)計小病灶平均灰度值加標準差，實驗結(jié)果如表1 所示。第二組比較深度學習經(jīng)典圖像分割算法：Fcn8s、Unet、Segnet、Pspnet、Deeplabv3+，每個模型訓練50 個epoch，所有參數(shù)都一樣，取最高Dice 為模型最終訓練結(jié)果，實驗結(jié)果如表2 所示。第三組比較不同的聚類算法：kmeans++聚類、層次聚類[15]、Dbscan[16]聚類，kmeans++聚類中使用灰度值、相對位置坐標和梯度信息聚類，實驗結(jié)果如表3 所示。

表1 傳統(tǒng)圖像分割算法實驗結(jié)果

表2 基于深度學習的圖像分割實驗結(jié)果

表3 不同聚類算法及不同維度聚類實驗結(jié)果

傳統(tǒng)的圖像分割算法Dice 偏低，對于圖像中出現(xiàn)噪音、偽影或肝裂、血管等復雜情況，無法很好地分割，且傳統(tǒng)圖像分割都存在超參數(shù)，不能適用整個數(shù)據(jù)集。從圖6 可以看出，基于固定閾值的圖像分割，分割出了血管、肝裂、邊緣等大量噪音。

圖6 分割結(jié)果比較

深度學習模型中，Deeplabv3+（resnet50）Dice 更高，但是數(shù)據(jù)集總量較少，模型分割小病灶輪廓較粗糙。從圖6 可以看出，Deeplabv3+模型分割結(jié)果中遺漏邊緣和中間的微小病灶，并且勾畫區(qū)域比實際區(qū)域偏大。

在不同的聚類算法實驗中，將灰度值、相對位置坐標和梯度信息構(gòu)成多維向量，使用kmeans++算法分割表現(xiàn)最好。從圖6 可以看出，該文算法分割結(jié)果中，相對于閾值分割，減少了大量假陽性病灶，且閾值作為超參，無法適用。相對于Deeplabv3+模型，對肝臟邊緣和內(nèi)部微小病灶更加敏感，且勾畫區(qū)域更加貼合原始病灶。

3 結(jié)論

肝臟中微小病灶像素信息少，特征不明顯，肝裂、血管間隙以及膽管等組織和病灶特征相似，使肝臟中小病灶的診斷更加困難。針對小病灶特點，該文提出多維局部聚類分割算法，將整個肝臟裁剪為子塊，子塊中肝臟區(qū)域灰度值、相對位置坐標、梯度信息組成多維向量聚類，并根據(jù)小病灶形態(tài)特征過濾明顯的假陽性。最后從理論分析和實驗結(jié)果角度，驗證了方法的準確性和可靠性。該文方法在影像診斷中，可以快速定位微小病灶，節(jié)省醫(yī)生診斷時間，避免遺漏，在一定程度上緩解醫(yī)生閱片診斷壓力。另外，在缺少微小病灶數(shù)據(jù)集的背景下，該算法預勾畫肝臟病灶，減小人工勾畫工作量，提高人工勾畫微小病灶的精度，快速積累原始數(shù)據(jù)。