33、医学图像自动分割方法的创新与应用

医学图像自动分割方法的创新与应用

在医学图像分析领域，自动分割技术对于疾病的诊断和治疗具有至关重要的意义。本文将介绍两种不同的自动分割方法，分别是基于结构融合的左心房动脉瘤自动分割方法，以及基于机器学习驱动的主动表面的3D PET肿瘤病变分割方法。

基于结构融合的左心房动脉瘤自动分割

数据集与实验设置

• 数据集 ：数据来自合作医院，包含2011 - 2013年期间经320层动态容积CT诊断为左心房动脉瘤的229例患者。其中男性160例，女性69例，患者平均年龄为59 ± 12岁，年龄范围从21岁到85岁。所有患者中，229例有心悸症状，85例有前胸疼痛，68例有胸闷，76例有不稳定型心绞痛，34例患有糖尿病，62例合并高血压。
• 实验设置 ：使用155个数据集进行训练，74个数据集进行测试。通过7×7窗口共提取150,000个训练单元和75,000个测试单元。分类模型在定义的CNN网络中使用这些补丁进行训练，最终模型训练约330,000次迭代。

方法比较与定量分析

• 对比方法 ：将该方法与三种当前最先进的方法进行比较，即基于深度学习的自动特征学习（ALADDIN）、深度投票模型（DVM）和ALEXNET。
• 实验结果
  • 分割效果 ：实验结果表明，该方法的分割结果优于其他三种方法。其他方法存在过度分割的问题，将大面积的心房壁标记为动脉瘤，而该方法能够更准确地识别动脉瘤和心房壁之间的边缘。
  • 面积相关性 ：在临床诊断中，动脉瘤的面积是一个重要的评估标准。通过计算像素数量来计算面积，该方法的结果与真实值更接近，表明其极深网络在训练中取得了最佳结果，分割方法比其他三种方法更稳健。
  • 误差率 ：在不同受试者的相对误差率方面，该方法也优于其他三种方法，这证实了该方法能够学习更复杂和有区分性的特征，克服背景噪声、巨大的形状变异性以及动脉瘤和心房壁之间低强度对比度等重大挑战。
• 评估指标 ：为了进一步定量评估四种方法，计算了预测面积与真实面积之间的相关系数（Correl），其范围为[0,1]，1表示完全匹配。此外，还使用了精确率（P）、召回率（R）和F1分数等评估指标。结果显示，该方法在相关系数、精确率、召回率和F1分数方面均优于其他三种方法，因此该方法能够实现更好的分割，并且更稳定，在临床实践中具有重要意义。

方法	相关系数（Correl）	精确率（P）	召回率（R）	F1分数
本文方法	0.924	0.828	0.850	0.839
ALADDIN	0.711	0.782	0.620	0.692
DVM	0.760	0.674	0.718	0.695
ALEXNET	0.611	0.809	0.657	0.725

结论

该研究提出了一种基于深度残差网络的新框架，用于实现左心房动脉瘤的自动分割。具体而言，提出了一种新颖的结构融合算法，用于捕获每个像素邻域中显示的结构信息，从而产生更准确的分割结果。实验表明，该方法能够实现高度准确的分割结果，并且优于现有的最先进方法，在左心房动脉瘤的临床诊断中具有重要作用。

基于机器学习驱动的主动表面的3D PET肿瘤病变分割

研究背景与目标

正电子发射断层扫描（PET）是一种捕捉人体功能过程（如新陈代谢）的医学成像方式。对PET中肿瘤组织进行定量分析是精确剂量测定和放射治疗计划的关键步骤。然而，定量成像的一个关键挑战是如何区分心脏、大脑和肾脏等正常器官的活动与恶性病变的异常活动。本文的目标是开发一种完全自动的病变分割方法，无需用户初始化或参数调整，即可对新的PET图像进行分割。

方法步骤

• 数据预处理
  • 膀胱裁剪 ：鉴于研究重点是头颈部（H&N）癌症，检测并裁剪掉膀胱，即移除膀胱以下的所有横向切片。
  • 强度归一化 ：为了减少受试者之间的图像变异性，将所有体积的强度归一化为零均值和单位方差。
• 机器学习：特征与分类
  • 特征设计
    • 放射性示踪剂摄取（5个特征） ：基于标准化摄取值（SUV），计算每个体素的活动值以及3×3×3窗口内SUV的最大值、最小值、均值和标准差，以编码活动信息。
    • 空间归一化的解剖位置（1个特征） ：以膀胱的最上点和图像的最上点（即大脑顶部）为解剖标志，对图像进行轴向空间归一化，得到一个新的归一化轴向位置特征，值范围从0（最下方）到1（最上方）。
    • PET图像纹理（8个特征） ：使用四个标准的3D Haar-like特征（边缘、线条、矩形和中心环绕）来捕捉每个体素周围10×10×10区域的一般纹理模式，并计算每个横向平面的四个纹理统计量（聚类突出度、均匀性、差异方差和归一化逆差异）。
    • 放射性示踪剂活动均匀性（2个特征） ：在3×3×3和4×4×4两个尺度上计算肿瘤活动的均匀性特征。
  • 分类 ：每个体素的特征向量长度为16。训练时，从病变、身体、空气背景、肾脏、心脏和大脑区域收集标记样本。将心脏和肾脏视为一类，大脑单独作为一类。使用随机森林分类器对每个体素的标签概率进行预测，分类器的参数通过留一图像交叉验证在训练集上进行训练。为了提高预测速度，使用了快速的C实现，并在4个CPU核心上进行并行处理。
• 基于学习似然的凸分割 ：将随机森林分类器产生的后验模型作为数据（似然）项纳入Bresson等人的凸分割公式中：
  [E(u) = \int_{\Omega} |\nabla u(x)| dx + \int_{\Omega} u(x)(P_{obj}(x) - P_{bg}(x) + CA)dx]
  其中，(u(x))是分割标签场，(\Omega)是图像域，第一项是边界正则化项，第二项是数据项。(P_{obj})是病变的概率，(P_{bg} = 1 - P_{obj})，(CA)是一个常数，用于惩罚分割表面的面积，以约束小的不连通组件的大小。轮廓自动初始化为3D体积边界周围的“盒壳”，由于公式是凸的，算法无论如何初始化都能收敛到相同的全局解。所有实验中，100次分割更新迭代就足以收敛。

实验结果

• 实验设置 ：在The Cancer Imaging Archive（TCIA）提供的H&N癌症数据集上进行评估。选择10张图像进行训练，15张新图像进行测试。训练数据来自Siemens Biograph Duo扫描仪，测试数据来自原扫描仪以及Siemens Biograph 40扫描仪。TCIA为所有25张图像提供了6次手动分割（3个用户，每个用户2次试验）。训练种子体素从病变、背景和正常活动区域收集，共1108个种子。使用训练数据的种子体素和手动分割来调整超参数和选择特征，这些超参数在所有测试图像中保持固定。
• 定量分割结果
  • 评估指标 ：使用Dice相似系数（DSC）、Jaccard指数、假阳性（FP）和假阴性（FN）率对分割方法进行验证。
  • 方法比较 ：将该方法与Foster等人的最先进工作进行比较，结果表明，该方法在五个不同类别和凸分割的情况下，优于Foster等人的方法。不仅DSC和Jaccard指数更高，FP和FN率更低，而且该方法完全自动且可重复，而Foster等人的软件需要选择病变周围的3D感兴趣区域并调整参数，平均每张图像需要有经验的用户花费5分钟。
• 分割一致性 ：评估了用户之间和用户内部的病变分割一致性，并与自动方法的结果进行比较。发现用户2的内部变异性最高，平均DSC为0.844，用户3与其他两个用户的一致性最低，平均DSC为0.787。该完全自动方法与其他用户的平均DSC一致性为0.741，仅比专家用户3的表现低4%。

分割结果比较	DSC	Jaccard	FP	FN
本文方法（5类+凸分割）	高	高	低	低
Foster等人方法	低	低	高	高

综上所述，这两种自动分割方法在医学图像分析领域都具有重要的应用价值。基于结构融合的左心房动脉瘤自动分割方法能够准确识别动脉瘤和心房壁之间的边缘，在临床诊断中具有重要意义；基于机器学习驱动的主动表面的3D PET肿瘤病变分割方法能够实现完全自动的病变分割，无需用户干预，且分割结果准确、稳定，在PET图像分析中具有很大的潜力。未来，这些方法有望进一步改进和完善，为医学诊断和治疗提供更有力的支持。

医学图像自动分割方法的创新与应用

方法步骤流程图

下面通过 mermaid 格式流程图来展示基于机器学习驱动的主动表面的 3D PET 肿瘤病变分割方法的步骤：

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A([开始]):::startend --> B(数据预处理):::process
    B --> B1(膀胱裁剪):::process
    B --> B2(强度归一化):::process
    B --> C(机器学习：特征与分类):::process
    C --> C1(特征设计):::process
    C1 --> C11(放射性示踪剂摄取):::process
    C1 --> C12(空间归一化的解剖位置):::process
    C1 --> C13(PET图像纹理):::process
    C1 --> C14(放射性示踪剂活动均匀性):::process
    C --> C2(分类):::process
    C2 --> C21(收集标记样本):::process
    C2 --> C22(随机森林分类器预测):::process
    C2 --> C23(留一图像交叉验证训练):::process
    C2 --> C24(快速C实现并行处理):::process
    C --> D(基于学习似然的凸分割):::process
    D --> D1(纳入后验模型到凸分割公式):::process
    D --> D2(自动初始化轮廓):::process
    D --> D3(迭代更新分割):::process
    D3 --> E([结束]):::startend

两种方法的优势总结

• 基于结构融合的左心房动脉瘤自动分割方法
  • 准确性高 ：能够精准识别动脉瘤和心房壁之间的边缘，避免了其他方法过度分割的问题，在面积计算上与真实值更接近。
  • 稳定性强 ：通过结构融合算法捕获像素邻域的结构信息，使得分割结果更加稳定，在相关系数、精确率、召回率和 F1 分数等评估指标上表现优异。
  • 临床价值大 ：在左心房动脉瘤的临床诊断中，能够为医生提供准确的信息，辅助诊断和治疗决策。
• 基于机器学习驱动的主动表面的 3D PET 肿瘤病变分割方法
  • 完全自动化 ：无需用户初始化或参数调整，即可对新的 PET 图像进行分割，减少了人为因素的干扰，提高了工作效率。
  • 特征设计合理 ：综合考虑了放射性示踪剂摄取、解剖位置、图像纹理和活动均匀性等多种特征，能够更好地区分正常组织和肿瘤病变。
  • 分割效果好 ：在 Dice 相似系数、Jaccard 指数等评估指标上优于其他方法，且分割结果稳定，与专家手动分割的一致性较高。

实际应用场景分析

• 左心房动脉瘤诊断 ：基于结构融合的自动分割方法可以帮助医生快速准确地确定左心房动脉瘤的位置和大小，为制定治疗方案提供重要依据。例如，在手术前，医生可以通过分割结果评估动脉瘤的复杂程度，选择合适的手术方式；在手术后，通过对比分割结果，可以评估治疗效果。
• PET 肿瘤病变检测 ：基于机器学习驱动的主动表面的分割方法可以在肿瘤的早期检测和治疗监测中发挥重要作用。在肿瘤筛查中，能够自动识别病变区域，提高筛查效率；在治疗过程中，通过定期分割 PET 图像，可以监测肿瘤的生长或缩小情况，及时调整治疗方案。

未来发展方向

• 多模态数据融合 ：结合多种医学成像模态（如 CT、MRI、PET 等）的信息，进一步提高分割的准确性和可靠性。例如，将 CT 图像的解剖结构信息与 PET 图像的代谢信息相结合，能够更全面地了解病变的特征。
• 深度学习模型优化 ：不断改进深度学习模型的结构和算法，提高模型的学习能力和泛化能力。例如，采用更先进的卷积神经网络架构，或者引入注意力机制，增强模型对关键特征的捕捉能力。
• 临床应用推广 ：将这些自动分割方法进一步推广到临床实践中，与医院的信息系统集成，实现自动化的诊断流程。同时，开展大规模的临床试验，验证方法的有效性和可靠性，为临床医生提供更多的决策支持。

总之，医学图像自动分割方法在疾病诊断和治疗中具有巨大的潜力。随着技术的不断发展和完善，这些方法将为医学领域带来更多的创新和突破，为患者的健康提供更好的保障。