【www.zhangdahai.com--其他范文】
方玲玲，王欣
辽宁师范大学计算机与信息技术学院,大连 116000
颅内脑肿瘤分为原发性肿瘤和继发性肿瘤(单翔 等，2018；
赖小波 等，2019)。原发性肿瘤是一种由大脑异常增生而引起的神经性疾病，经常出现在脑组织、脑神经和脑膜位置。由身体其他部位(如肝脏、肺部等)的恶性肿瘤转移至脑部而形成的称之为继发性脑肿瘤。据统计，颅内肿瘤的患病率高达0.003 2%。多数情况下，脑肿瘤易发生于脑部幕上的额叶、颞叶等，通常由病毒感染或化学诱因等高危因素造成，其患病比例约为75%。具体来说，幕下脑肿瘤发病概率略低于幕上肿瘤，一般在小脑半球、桥脑和侧脑室等位置发病率较高，常见的肿瘤为星形细胞瘤、髓母细胞瘤等。其中，最常见的脑部疾病为脑胶质细胞瘤，其患病比例接近50%(葛婷 等，2017；
Bagherimofidi等，2019)。磁共振成像(magnetic resonance imaging, MRI)具有对肿瘤位置和软组织结构反应灵敏的特点，可在对人体损害最小的情况下获得多角度、多模态成像，良好反映人体结构和功能信息(Galvão等，2020；
Leblond和Kauffmann，2016)。医师通过观测MRI脑部医学图像中肿瘤的位置及大小，进而判断其良恶性状况，实现对病灶区域进行精确检测。但是，由于医学设备引起的场偏移和患者自身的活动导致所获得的MRI脑部医学图像中存在点灰度不均、信噪比差异等问题，需要一种普适算法辅助医师对脑肿瘤进行精确分割。超像素的概念最早由Ren和 Malik(2003)提出，该算法一经提出便普遍应用于图像分割领域。经过十余年的发展在医学图像分割方面使用得愈加广泛，具体包括辅助诊疗(李孟歆 等，2020；
姜涛 等，2020；
刘静和黄玉清，2018)、图像配准(刘晨 等，2019；
Ji等，2014；
Vupputuri等，2020)、多器官分割(Bechar等，2018；
Khosravanian等，2021)、3维重建(吴连耀和万旺根，2020；
张志忠和李晓明，2017；
Zhao等，2017)、软组织提取(王海鸥 等，2019)和病灶良恶性判断(Angulakshmi和 Lakshmi Priya，2019；
Soltaninejad 等，2018)等。
基于脑部MRI医学图像的超像素/体素分割算法(Huang 等，2018；
Randrianasoa 等，2018；
祁琪，2018；
Saha等，2018)通过设定权值或初始种子点的个数和位置，将2维图像或3维图像的点按照颜色、纹理和频谱等特征，划分成可表示图像局部特征或功能子结构的区域块。要求得到的超像素/体素能紧凑整齐地获得具有较强依附性，且最大程度保留肿瘤特征的边界信息。同时，需要保证算法对图像中的噪声具有更强的鲁棒性，有效减少计算冗余和大规模对象的运行时间，从而生成形状规则、边界精准且具有较低计算复杂度的图像分割算法。
由于超像素/体素分割算法可平滑准确地描述图像边缘信息，将具有相同结构的点划分至同一子区域，从而大幅度减少数据信息的规模计算，可得到脑肿瘤解剖区域内部结构或功能信息，其反映出肿瘤与周围组织间的动态关系，辅助医师获得肿瘤的位置与大小等信息，有效提高医师疾病诊断和确定后续治疗方案的效率。
本文使用超像素/体素的最新研究算法对MRI脑肿瘤医学图像进行分割，通过边缘召回率、欠分割错误率、紧密度评测和可达分割准确率4项指标分析各算法性能。此外，针对超像素/体素算法在医学图像分割领域中的应用现状来阐述其未来发展趋势和局限性，具有一定的应用价值。
MRI图像(Kong等，2019；
Irving等，2016)利用氢原子核在外加磁场中不同的组织结构对能量的吸收状况不同这一特性，生成具有较高空间分辨率和时间分辨率的全方位成像。MRI图像最大的优点是在不损伤患者身体健康的情况下，获得反映不同结构信息的多模态图像，因此常常应用于脑疾病检测。下面针对MRI脑部医学图像的不同特性进行分析。
1.1 MRI脑部医学图像的多角度特性
MRI脑部医学图像可以多平面成像，主要通过水平面、矢状面和冠状面3个角度进行观测，分别将人体横断为上下两面、纵切为左右两部以及纵断为前后两部，如图1所示。图1(a)(b)分别展示水平序列为128和133的脑肿瘤多角度解剖图像(来自开放存取系列影像研究数据集(Open Access Series of Imaging Studies, OASIS)中序号为OAS2_0099_MR2的多角度成像)。
图1 多角度下的MRI脑肿瘤医学图像
水平面角度可直观反映脑肿瘤大小和占位效应，且根据密度可获得脑肿瘤的水肿区域或瘤转移导致的钙化区域。矢状面和冠状面角度进一步直观反映脑肿瘤的位置以及由于脑瘤转移导致压迫神经或组织器官的情况，有效辅助医师判断肿瘤的良恶性状况并确定后续治疗方案。
1.2 MRI脑部医学图像的多模态特性
多模态MRI脑部医学图像具体表现为T1加权图像(T1 weighted)、T2加权图像(T2 weighted)、T1c图像(T1 contrast,在T1加权图像中使用造影剂)和流体衰减反转恢复图像(fluid attenuated inversion recovery, FLAIR)。不同模态的MRI图像对颅内肿瘤显示的侧重点也有所不同，如在T1加权图像中，脑组织间的对比度较明显，可有效分离脑部结构和水肿区域，鉴别有明显水肿占位效应的高级别胶质瘤和转移瘤等疾病。T2加权图像可有效分离人脑健康组织和显著水肿区域，可有效鉴定由于细胞毒性扩散或大面积水肿导致的中枢神经系统原发性淋巴瘤等疾病。T1c图像可有效划分脑部结构的囊变区域和肿瘤区域，针对脑肿瘤中心坏死部分弥散或肿瘤内血管充盈情况进行脑出血情况判断。FLAIR图像对蛛网膜下腔和脑实质内的病灶较为敏感，当靠近脑脊液与健康脑组织的边界处发生病变时，FLAIR图像中的弛豫时间会随之发生改变，病灶区域将会显现为高信号。因此，FLAIR成像可体现脑肿瘤区域与大脑其他组织之间的明显差异，有效分离脑部灰质、白质和脑脊液等结构。
图2显示了多模态下的MRI脑肿瘤医学图像(来自多模态脑肿瘤分割挑战赛(Multimodal Brain Tumor Segmentation Challenge, BraTS)2018数据集序号为TCIA08_469_1和TCIA08_218_1的多模态图像)，真实数据图像(ground truth)中黄色区域表示整个脑肿瘤的占位面积，红色区域表示肿瘤的核心位置，绿色区域表示增强肿瘤结构。通过ground truth给定的肿瘤结构划分结果可判断脑部坏死状况和出血占位情况，且由于病灶在不同模态下的密度信号不同，通过多模态信息整合和对比可有效获取高性能的分割结果。
图2 多模态下的MRI脑肿瘤医学图像
由于超像素/体素分割算法能够有效提取图像的中层特征，可大幅度降低算法对噪声点的敏感度，具有较强的鲁棒性。使用超像素/体素分割图像可有效增强对象规模较大和后续处理复杂的医学图像计算效率，降低计算复杂度。且随着图像尺寸和维度增加，该算法能将结构一致且表示相似局部信息的点划分至同一区域，有效表达局部特征信息和功能子结构。因此越来越多的超像素/体素分割算法应用到图像的预处理步骤。
根据算法原理，将超像素/体素分割算法分为两类，一是基于图论的分割算法，二是基于梯度上升的分割算法，具体可参考附表1。
附表1 超像素/体素分割算法对比
基于图论的分割算法通过图论知识，将图像以G=〈V,E〉的形式表示成一张带有权值ωi,j的无向图(V表示顶点，E表示边)，该值表示连接顶点Vi和Vj的边Ei,j在特定特征上的差别。通过不同的准则将分割任务转换为求取能量方程最小值的代价问题，从而获得超像素/体素图像分割结果，如图3(a)所示。
图3 超像素分割算法
其经典算法包括：基于图论(graph-based)的算法(Felzenszwalb和 Huttenlocher，2004；
张明慧 等，2016)、标准化分割(normalized cut)(Ghosh等，2018；
Dutta等，2019；
Wang 等，2019；
王春瑶 等，2014)和基于熵率(Liu等，2014)的算法(entropy rate superpixel, ERS)等。基于梯度上升的分割算法通过设定初始种子点个数和位置的方式，迭代遍历点之间的差异性以及特征的相似程度，从而将具有相同特征的像素点/体素点划分至同一子区域，如图3(b)所示。其经典算法有：Watershed算法(Vincent和 Soille，1991)、基于水平集理论的Turbopixels算法(Levinshtein等，2009；
Xing等，2020)和简单线性迭代聚类算法(simple linear iterative clustering algorithm, SLIC)(Achanta 等，2012)等。
2.1 基于图论的分割算法
王亚杰等人(2014)提出了一种基于熵率法的超像素分割算法，其主要思想为通过计算像素点之间的熵对区域块整体紧凑均匀的作用，进而获得每个区域的空间频率，获得较为平滑的图像边界信息，划分出的超像素符合图像的功能信息和结构信息。但是该算法对处于边缘附近的噪声点灵敏，导致其分割准确性稍显不足。在王亚杰等人(2014)方法的基础上，Gao等人(2017)将图像表示成以超像素或连接组件作为节点的加权图，用梯度和空间距离线索对每个节点进行排序，从而得到超像素和基于连通分量的图像线索。该算法可有效克服王亚杰等人(2014)方法中的图像噪声和血管伪影等问题，具有较强的鲁棒性。但该算法在处理与周围组织器官存在黏连现象的具有较强依附性的医学图像时，不能较好地获得病灶位置和分割信息。
Zhang等人(2017)提出了一种基于图论的图像分割算法，其主要思想是从预分割核开始定义核的粗略中心和大小，通过笛卡儿坐标系中的椭圆状边界映射到极坐标系统中的线，并利用动态规划和确保最佳闭合轮廓的迭代方法来识别所构建图中的全局最佳路径，具有良好的图搜索性能。但是该算法生成的超像素边界极不规则，像素块在区域密度大的地方分布较密，区域密度小的地方分布较稀疏。该算法同样具有Gao等人(2017)方法中对有明显占位效应的脑肿瘤、受侧脑室挤压导致肿瘤周围水肿和瘤内出血的弱边界分割准确率略有不足的问题。为有效克服算法对弱边界信息提取不足的情况，崔强(2018)提出了一种基于图切(graph cut)和随机游走(random walk)的交互式超体素分割算法，该算法的主要思想是通过处理代表体素点所处位置的权值图谱，表示该点行至另一体素点的概率。并通过相邻已知MRI切片图像的形状特征初始化未知图像的权值和图谱概率，从而划分超体素区域。该算法有效克服了传统算法需要大量人工标记的分割图谱导致时间成本过高的问题,解决了Zhang等人(2017)和Gao等人(2017)方法中存在的与血管黏连的病灶弱边界分割准确率不高的问题，有效提高超体素分割算法的准确性。但是该算法忽略了切片之间的空间特征，仅从2维角度预测脑肿瘤生长规律，不能准确地描述实际脑肿瘤的生长趋势。且使用已知切片作为未知切片的初始量导致误差迭代，不具有较强的鲁棒性。
Ghosh等人(2018)提出了一种在迭代k-means聚类框架中结合normalized cut超像素的分割算法，其主要思想是通过谱聚类将normalized cut算法与k-means聚类框架结合，通过迭代简单的k-means聚类算法来优化归一化割的代价函数，可有效测量像素之间的相似性，且由于算法的计算复杂度是线性的，可减少迭代计算量，提高算法效率。该算法可生成整齐平整的超像素边界，但是分割的准确率较低，且得到的像素块大小基本相同，导致无法获得细小边界信息。
2.2 基于梯度上升的分割算法
Xiang等人(2010)提出了基于Turbopixels的涡轮像素分割算法，该算法对于每个局部窗口中的像素都引入线性变换，将颜色向量映射为聚类指示向量。该算法通过将线性变换下的估计误差相加以获得目标函数，并从该目标函数中获得全局最优分割结果。该方法效率较高，但对于纹理图像而言，生成的超像素中会包含不同的对象，使得病灶的弱边界分割效果较差。Li和Chen(2015)在Xiang 等人(2010)方法的基础上进行改进，提出了一种线性谱聚类(linear spectral clustering, LSC)的超像素分割算法，该算法的主要思想是通过核函数将像素点的位置与大小信息映射到高维的特征空间中，从而得到像素点的相似程度，获得超像素边界。克服Xiang 等人(2010)方法对纹理图像提取特征略有不足的问题，可得到较为规整，且分割像素块大小基本一致的超像素边界。但该算法只有在像素较为平坦的区域才能获得光滑整齐的超像素，在边界区域(非均匀区域)获得的超像素边界较为杂乱。
为实现图像弱边界的准确分割，Shen 等人(2016)提出了一种基于密度的聚类算法。该算法克服了经典基于密度的聚类算法(density-based spatial clustering of applications with noise, DBSCAN)中计算种子点到每个像素点距离导致运行速度过慢的问题。其主要思想是通过计算邻近距离项和种子距离项判断像素点的相似特征来决定点归属情况，获得初始的超像素分割结果。然后，计算颜色特征和空间特征将小簇的像素块进行合并，从而得到具有较高边界粘附性的超像素边界。但是，该算法为每个像素块设置一个最大区域值，若达到该值，即使像素点与该块具有相同特征也不进行合并。然后通过计算特征距离进行合并操作，从而造成计算的冗余，导致算法运行时间较长。且生成的超像素边界较为杂乱，无法按照图像的结构子功能进行划分。在Shen 等人(2016)方法的基础上，Wu 等人(2017)提出了一种基于超像素和分水岭的多光子显微图像分割方法，其主要思想是用超像素代替像素来分析多光子显微图像，将空间、CIE Lab 颜色空间和相位一致性特征的超像素结合，从而将图像分割成保持边界细节的小块。接着，利用标记控制分水岭从重建图像中得到细胞边缘信息，使算法可有效获得弱边界信息。该算法的分割准确率较高，可有效克服Xiang 等人(2010)方法中弱边界分割结果略有不足的问题。但该算法无法有效克服噪声，当噪声点位于图像边界附近时，将对最终的超像素分割结果产生极大影响，不具备较强的鲁棒性。
Amami 等人(2019)克服了Wu 等人(2017)方法中为得到弱边界准确信息导致超像素形状不规则的问题，提出了一种基于SLIC的医学图像自适应超体素算法AdaSLIC。该算法主要通过求得子区域种子点到最近图像轮廓的距离得到体素点的数值大小，进而得到图像的边界信息。与Shen 等人(2016)算法相比，该算法具有更强的紧凑型和自适应性，可得到较好的分割结果。但在计算过程中，其未将感兴趣区域与不感兴趣区域区分开，导致计算过程中出现大量冗余现象，致使计算效率较低。同年，Singh等人(2020)提出了一种基于SLIC超像素的图像算法，该算法将简单线性迭代聚类思想与自动可调的基于高斯径向基函数核的模糊c均值算法相结合。该算法可用于图像分割以及深度学习网络使用，具有较强的鲁棒性，且提高了算法的运行效率。但是该算法不能较好地获得图像的弱边界信息，导致分割效率有所欠缺。
为有效增强算法的鲁棒性和自适应性，张志龙 等人(2020)提出了一种基于密度、图论和聚类思想的采用密度峰值进行聚类的超像素分割算法。该算法的主要思想是利用初始设置的圆形模板来获取局部图像的密度，利用处于边缘的像素点局部密度较小的特性，将求得的局部密度最大点设置为种子点。然后用一个多叉的归属关系树表示所计算的每个像素点之间的距离大小和所属关系，从而求得超像素的分割结果。该算法的优点是不需要进行迭代优化，计算效率较高，且获得的超体素分割结果在初始设置不同大小的圆形模板或设置不同数目种子点的情况下，都能获得具有较强依附性且贴近图像边缘的超像素分割边界。但该算法获得的超像素分割边界不具有规则平滑的形状，无法清晰地表达邻域区域的信息内容，不利于后续的相同特征提取操作。
2.3 超像素/体素分割算法评价指标
基于MRI脑肿瘤医学图像的超像素/体素分割算法评价指标(Stutz等，2018；
Wang等，2017)主要关注：算法求得的病灶边界信息与ground truth是否具有较高的边界贴合度；
另外，算法是否最大程度地保留脑肿瘤核心区域、增强区域和明显水肿占位区域的边界信息。现有的评价指标(罗学刚 等，2019；
宋熙煜 等，2015)包括边缘召回率(boundary recall, BR)、欠分割错误率(under-segmentation error, UE)、紧密度评测(compactness measure, CM)、可达分割准确率(achievable segmentation accuracy, ASA)以及其他标准，如图4所示。其中，黑色实线表示超像素/体素算法分割的脑肿瘤边界，黑色虚线表示对应ground truth的病灶边缘。
图4 超像素/体素算法评价标准示意图
2.3.1 边缘召回率
BR是超像素/体素算法分割MRI脑肿瘤边界结果与ground truth相重叠的比率，用来计算位于病灶边界周围γ(一般取1或2，本文设置为2个单位点内超像素/体素分割结果与对应ground truth中点的个数比值，计算为(Liu等，2011)
(1)
式中，p和q分别代表ground truth和超像素/体素病灶分割结果中的目标区域点，δG表示ground truth分割结果G中位于病灶边缘γ范围内所有像素/体素点的集合，δR表示超像素/体素分割结果R中超像素/体素边缘上所有点的集合，f(t)用来判别图像上两点间的欧氏距离是否小于γ，具体为
BR判断分割结果好坏如图4(a)所示，灰色区域表示病灶边界允许存在γ范围内的误差点，优秀的超像素/体素分割算法虚线和实线基本覆盖甚至完全覆盖，表示超像素/体素分割的脑肿瘤边缘与ground truth病灶的边界贴合度高。
2.3.2 欠分割错误率
UE用于计算超像素/体素脑肿瘤划分区域超出ground truth对应病灶的面积和比值，计算为(Buyssens等，2014)
(2)
式中，S表示超像素/体素脑肿瘤分割结果，G表示ground truth的病灶真值，gi表示G中的第i个病灶划分区域，Sk表示S中第k个超像素/体素块，|Sk-gi|表示符合真实病灶划分范围内的超像素/体素中点的个数。Achanta等人(2012)克服了式(2)没有考虑超像素/体素间可能存在独立像素点的问题，对UE计算式进行改进，计算为
(3)
式中,N表示MRI医学图像中点的个数，Sk|Sk∩gi表示超像素/体素分割第k个超像素/体素与第i个ground truth病灶区域中不重合点的个数，B表示容错率，该实验将其设置为5%。UE判断分割结果好坏如图4(b)所示，灰色区域表示UE面积，UE区域越小，表示超像素/体素算法求得的脑肿瘤边界越精准，脑肿瘤边缘与病灶边界的贴合度越高。
2.3.3 紧密度评价
CM用于评价超像素/体素的形状、大小的紧凑规则程度(Schick等，2013)，Fu等人(2014)定义了CM的计算式为
(4)
式中，Len(Sk)和Area(Sk)分别表示第k个超像素/体素的周长和面积大小，n表示超像素/体素的分辨率，N表示MRI脑部医学图像中点的总数。CM值一定程度上取决于超像素/体素分辨率大小，其判断分割结果好坏如图4(c)所示，CM值越大，表明超像素/体素算法求得的脑肿瘤边缘形状越规则，越接近ground truth病灶边界。
2.3.4 可达分割准确率
ASA通过将超像素/体素脑肿瘤分割结果与ground truth病灶分割结果中所有区域进行对比，为每一个超像素/体素匹配一个与之最相近的ground truth病灶区域块，通过计算所有区域内分配标签正确点的个数和MRI脑部医学图像点总数N的比值，计算为
(5)
ASA判断算法分割结果好坏如图4(d)所示，黑点表示正确分割点(即黑色实线内正确划分至黑色虚线内的点)，白点表示错分割点，灰点表示孤立点。优秀的超像素/体素分割算法保证黑点与白点和灰点的比值最大，从而获得更高准确率的分割结果。
磁共振成像设备对脑肿瘤分割效果较好，为了便于脑肿瘤分割算法的研究，国际医学图像计算和计算机辅助干预会议(Medical Image Computing and Computer Assisted Interventions Conference, MICCAI)每年举办多模态脑肿瘤分割挑战赛，期间提供了大量测试集(test set)和训练集(training set)，用以标记脑肿瘤的位置与脑内水肿、坏死和出血区域，ground truth划分完整肿瘤(whole tumor)、增强肿瘤(enhance tumor)和肿瘤核心(tumor core)区域(附录介绍了部分公开的MRI脑肿瘤医学图像数据集)。本文实验使用BraTS 2018数据集，包含 285个颅内肿瘤病例，每个病例包含T1加权图像、T2加权图像、T1c图像、FLAIR图像和对应的ground truth，图像大小为240×240×155。图5显示了图像中种子点个数设置为200的超像素算法分割表皮样囊肿的结果(来自BraTS18数据集序号为TCIA08_469_1的图像)。本文若无特殊说明，默认实验设置超像素个数为200(分割代码可参考https://pan.baidu.com/s/1wWEL72Tt0Ky18 Wg3 myuVzg)。
图5 12种超像素分割MRI脑部医学图像的分割结果
为进一步比较不同超像素算法分割脑肿瘤医学图像的性能，将graph-based算法(Abate等，2016)、normalized cut算法(Van Den Heuvel等，2008；
王春瑶 等，2014；
Cour等，2005)、基于熵率算法(Liu 等，2011)、拓扑保持正则算法(Fu 等，2014；
Tang 等，2012)、lazy random walk算法(Shen 等，2014)、turbopixels算法(Levinshtein等，2009)、DBSCAN算法(Shen 等，2016)、LSC算法(Li和Chen，2015)、SLIC算法(Angulakshmi 等，2019；
Saha 等，2018)和SLICO(simple linear iterative cluster zero)算法等10种可直接对超像素种子点个数进行设置的算法进行性能对比。此外，分水岭算法(Vincent和Soille，1991；
Wu 等，2017)和superpixel lattice算法(Moore 等，2008)无法实现超像素数目的精准控制，因此本文对这两种算法不进行性能评测。实验对BraTS 2018数据集中15幅3维脑肿瘤图像进行超像素分割。BraTS 2018数据集提供将脑肿瘤划分成完整肿瘤、核心肿瘤和增强肿瘤3个区域的ground truth，如图6(a)所示(来自BraTS 2018数据集序号为TCIA08_218_1的图像)。
图6 肿瘤区域超像素分割图像
图6(b)显示了图5中12种超像素分割算法对应的肿瘤结果图像(灰色、黑色和白色分别代表增强肿瘤区域、核心肿瘤区域和完整肿瘤区域)。白线为相应算法获得的超像素边界，若交界处没有白线，则证明该算法不能有效划分功能不同的区域边界。由于医学图像分割更侧重于对病灶的形状、大小和位置等进行测量和判断，因此本文只对完整脑肿瘤区域进行算法测评，图7—图10分别展示BR、UE、CM和ASA等4个评价指标在超像素个数为200、400、600、800和1 000下分割完整脑肿瘤区域的定量分析曲线。其中，BR和UE指标用来评测超像素分割算法得到的脑肿瘤边界与ground truth中实际病灶的边界依附性和最大程度保留脑部图像中肿瘤边界特征信息的性能。CM指标用来测评生成的超像素分割边界紧凑整齐的形状规则程度及是否表示成具有较强图像局部特征或功能子结构的区域块。ASA指标用来测评分割边界的精准信息及是否对噪声干扰具有较强鲁棒性。
图7 BR指标变化曲线
图8 UE指标变化曲线
图9 CM指标变化曲线
图10 ASA指标变化曲线
通过图5—图10可看出graph-based算法可较为精准地分割核心肿瘤，有效鉴别血管充盈的脑肿瘤区域。但对完整肿瘤区域和增强肿瘤区域分割准确能力稍显不足，易出现对灰度差异不明显肿瘤的漏诊情况。normalized cut算法在BR、UE、CM和ASA共4项指标评测中性能较为突出，可获得具有强边界依附性的脑肿瘤边界，极大程度保留肿瘤边界的特征信息。但该算法将病灶区域与大脑结构中脑部灰质和白质划分至同一超像素内，使得完整肿瘤区域划分成多个不能有效表示脑部功能子结构的区域块，不利于后续脑肿瘤区域特征分区域提取。
superpixel lattice算法可较好地定位核心肿瘤位置，但分割的超像素边界不具有较强的依附性，无法获取精准的肿瘤结构信息。基于熵率算法能准确获取增强肿瘤边界信息，获得脑肿瘤区域与周围脑肿瘤细胞有明显密度差异的边界信息，有效鉴别由不规则钙化和骨化引起的砂砾体型肿瘤或由于颅骨受损导致硬化的病灶。但该算法生成的超像素边界形状不规则，容易出现将具有相同结构的区域块割裂的情况，不能有效实现邻域信息表达。
拓扑保持正则算法克服了基于熵率算法无法对像素边界实现精确描述的问题，可生成紧凑整齐的超像素，在CM和ASA指标下的分割性能良好。但该算法没有解决由于初始超像素个数不同导致最终的分割结果质量跨度较大问题，不能较好地划分核心肿瘤和增强区域具有模糊线性的边界。lazy random walk算法可生成较为规则的核心肿瘤超像素边界，较为完整地保留增强肿瘤的结构信息，有效诊断由血管增多导致的恶变肿瘤和颈内动脉供血形成的脑膜瘤等疾病。但该算法不能获得增强肿瘤边界信息，BR和UE指标较低，未能最大程度保留脑部图像中肿瘤边界信息的特征。
分水岭算法可获得有明显占位效应的脑肿瘤或受侧脑室挤压导致的明显肿瘤周围水肿和瘤内出血的弱边界分割信息，可获得较为完整的增强肿瘤边界信息。但该算法得到的超像素不符合大脑功能子单元结构，针对边界较为模糊的核心肿瘤和完整肿瘤区域，其分割准确率稍显不足，会导致具有大脑功能块与不具备脑部功能块划分至同一超像素内，在计算聚类中心到超像素范围内点距离时增加脑部特征点到无用点的计算过程，导致计算效率过低。turbopixels算法有效克服初始设置的超像素个数不同导致分割结果准确率差异过大问题，有效增强算法鲁棒性，且可较为完整地保留增强肿瘤的结构信息。该算法在4项指标下的数值较为稳定，随着设置的种子点数目增加，获得的分割性能较为稳定。但该算法对整体灰度对比度较小，且对于脑肿瘤位置与周围组织器官存在粘黏现象的医学影像而言，其分割准确率大大降低，尤其在不同的种子点数目下的ASA分割性能有待提高。DBSCAN算法可有效获得精准的完整肿瘤、核心肿瘤和增强肿瘤区域的边界信息，根据图像密度有效鉴定肿瘤实部、坏死和液化区域，提供脑部感染等并发症的肿瘤信息，但该算法对噪声点较为敏感，对处于边缘信息的噪声点不具有较强的鲁棒性。
LSC算法可有效克服单模态梭形纤维增生性脑肿瘤和致密的脉管结构性血管肿瘤与有丝分裂增加导致的非典型性脑肿瘤存在的边界模糊情况和医学成像设备本身存在的模糊性等问题。但该算法生成的超像素边界将具有相同特征和功能子结构的大脑区域划分成多块，无法正确反映脑肿瘤形状、大小和外观等形态和与周围脑膜或血管的牵拉情况。从图11看出，该算法在不同数目的种子点下分割性能相差较大，其中，CM和ASA指标比相同条件下的分割算法数值偏低。SLIC算法具有较强的紧凑性，完整保留脑部医学图像纹理结构和特征连续性，便于后续脑肿瘤特征提取和分割。但算法计算过程存在大量冗余，不利于大对象规模的分割操作。SLICO算法在SLIC算法上进行改进，具有较低的计算复杂度和自适应性特点的高效率图像分割算法，可有效降低医师发生错诊和漏诊的情况，利用计算机辅助诊疗进行高效精准的病灶处理。由于高级别胶质瘤通常由具有明显核异型性的多形性星型细胞所构成，在MRI医学图像中表现为具有明显占位效应的组织水肿和瘤内出血导致增强肿瘤区域显现明显环形强化。且肿瘤实质整体呈现高信号，具有较强的纹理特征和颜色特征。图11展示了超像素个数设置为200和400分割高级胶质瘤图像的结果(来自BraTS18数据集序号为TCIA06_211_1的图像)。
图11 不同超像素数目对应的超像素分割结果
由于超像素的数目与图像的细节纹理有关，为有效测试在不同超像素尺寸下的脑部医学图像分割性能，本文进行了200、400、600、800、1 000共5种不同的超像素种子点个数的对比实验。从图7—图11可以看出，当设置的种子点数目较大时，算法获得的肿瘤边界信息更为精准，BR、UE和ASA指标会随着超像素尺寸的减小而增加。但是，随着超像素尺寸的减小，将会导致分割结果出现过拟合现象，使得位于同一功能块的超像素划分至不同的区域，从而无法正确地描述病灶与健康脑组织之间的邻域关系。当设置的种子点数目过小时，可获得较为规则的超像素，但是获得的边界信息准确度有待提高，无法精准地描述病灶的占位效应信息，CM分割指标会随着超像素尺寸的增加而提高。
从视觉效果来看，graph-based、normalized cut、lazy random walk、DBSCAN和LSC算法可较好地保留肿瘤边界信息，具有较好的局部局灶信息特征。拓扑保持正则、turbopixels、SLIC和SLICO算法分割的超像素形状结构上更加完整紧凑，对病灶边界的特征描述较为平滑柔和，以此弥补算法对边界描述的不足之处。
4.1 提高超像素/体素算法分割效率
随着Hinton等人(2006)基于手写数字识别的深度网络算法的提出，解决了传统机器学习中反向传播(back propagation, BP)算法随着网络层数增加调参导致梯度爆炸或消失问题，实现将深度学习网络退化成浅层网络问题，从而开启深度学习的热潮。如今，深度学习在图像分割、语义分析和语音识别等方面应用愈加广泛。基于医学图像的超像素/体素算法尝试使用基于深度学习实现病灶精准分割，便于后续对医学图像进行处理，得到更为准确的病灶分割结果。
金兰依等人(2018)提出一种基于半监督阶梯网络的医学图像分割算法，其主要思想为构建一个内嵌多层感知机与卷积神经网络(convolutional neural networks, CNN)的半监督机器学习架构，为减少计算冗余，克服超像素分割边界的不规则性导致信息丢失问题，算法通过构建梯形网络并实现网络层之间的横向连接加快网络调参的收敛速度，解决多层网络梯度消失的问题，且极大增强算法准确率，实现病灶的精准分割，较好地辅助医师预测并诊断病灶良恶性状况和确定后续治疗方案。
吕朝晖(2018)提出一种基于超像素的多器官医学图像分割算法，其主要思想是通过卷积神经网络解决具有高灰度相似性的超像素医学图像无法准确分割的问题，利用人工标注的真实病灶图像训练包含多个集成分类器的多器官分割机器学习模型，通过该模型可有效提高超像素特征提取的准确率，获取肿瘤生长的重要特征，实现对生长肿瘤进行准确分割，为后续肿瘤的治疗提供帮助。
超像素/体素分割算法能有效捕捉医学图像病灶局部信息，并将其与图像冗余信息分至不同超像素/体素内，将具有相似纹理和颜色等特征的点划分在一个区域块中，且该块能有效表达图像功能子结构的特征信息，因此常常用于图像分割预处理阶段，旨在获得对图像宏观特征有更佳描述的最小区域块分类。国内外研究者目前致力于通过机器学习提高超像素/体素分割算法的准确性以及特征信息的提取效率，在此基础上实现病灶分割(Ji 等，2014；
孙明杰，2017)、3维重建(胡军，2010；
李媛媛，2008)等操作，以满足当今大数据处理时代要求(周友龙等，2010；
曾元一，2019)。
4.2 扩展算法应用维度
随着医学设备的逐渐完善和计算机存储及计算能力的不断升级，医师诊断医学影像、阶段性诊疗报告和病历数据信息呈爆炸式增长，传统的超体素分割算法通过先分割出固定的3维面片，计算距离体素点最近的种子点标签值并进行点的归属划分，进而求得图像边缘信息，该算法不能有效根据图像自身的特征信息自适应解决由于图像初始超体素个数不同导致最终的分割结果质量不同的问题，且该算法通过将3维医学图像分割成多幅2维医学图像进行超像素分割，通过合成多幅2维图像分割结果获得最终的3维病灶边界信息，导致病灶片与片之间的关系特征消失，忽略了病灶整体的空间特征，致使最终的分割效果差强人意。为增进算法准确性，刘斌(2017)将病灶片之间的特征信息考虑在超像素划分范围内，通过将上一序列图迭代求得的分割结果作为其相邻切片的初始分割轮廓，以此增加相邻病灶片之间的联系，但该算法是基于2维图像操作，并未真正实现3维图像病灶分割。肿瘤细胞的生长受到多方面的因素影响，仅从2维角度预测肿瘤生长的规律和趋势不够全面，不能准确描述实际肿瘤生长趋势。
杨雨婷(2018)提出了一种基于3维大脑磁共振成像的超体素分割算法，该算法的主要思想为通过将全卷积神经网络和超体素分割思想结合形成可有效进行并行计算提高算法效率的特征信息提取算法，通过对超体素提供的细节特征提取实现与卷积神经网络获得的整体与局部信息结合，从而实现对脑部结构中脑脊液、灰质和白质的有效分割。
基于3维的超体素算法实现对整体3维医学图像进行病灶精准分割操作，完整保留其图像纹理结构和特征连续性，避免由于将图像拆分成多幅2维图像导致图像特征向量不连贯的问题，从而解决初始设置的体素种子点数目不同导致结果分割准确性不同的状况，有效增强算法的分割精度便于后续对3维医学图像进行处理，得到更为准确的病灶分割结果(Cao和Cao，2013；
Zhang 等，2013)。
受计算机设备和病人阶段性病理影响，仅凭一幅单模态3维医学图像无法提供足够精准的病例信息进行诊疗，且对实现肿瘤模型重建，描述肿瘤位置、大小和特征信息显然是不充分的。由于3维医学影像分辨率较高，其包含的特征信息较为庞大，且肿瘤自身具有复杂性和多样性，可以通过有效整合多模态图像数据信息，降低数据存储和处理的成本和时间，减少计算复杂度，提高数据处理的高效性(李锵 等，2020；
Lee 等，2014；
Giraud等，2018；
Vupputuri等，2018)。因此，如何针对单模态梭形纤维增生性肿瘤和致密的脉管结构性血管肿瘤与有丝分裂增加导致的非典型性肿瘤存在的边界模糊情况和医学成像设备本身存在的模糊性等问题可通过多模态磁共振成像信息整合有效解决(刘宏 等，2014)。
超像素/体素算法可有效提高大对象规模和后续处理复杂的医学图像处理效率，随着医学图像尺寸和维度增加，算法有利于结构局部信息的表达，通过划分特征相似的区域块，为后续能够获得正确表达病灶结构信息的目标分割奠定基础。基于医学图像的超像素/体素算法已成为当前图像分割领域热点，受到国内外学者的密切关注。通过介绍超像素/体素分割算法的评价指标、国内外最新发展动态和对比实验与分析，可看出超像素/体素分割算法具有较高的分割性能，研究领域具有良好的发展前景。但该算法在医学图像上的应用仍存在几点不足：1)如何克服算法将具有大脑功能的区域块与不具备脑部功能的区域块划分至同一子区域内，且使得初始设置的种子点可最大程度接近病灶结构以满足当今大数据和实时性要求，实现病灶结构精确分割，提高算法精确度与性能为当前研究一大难点。2)如何有效克服医学图像中存在于边界附近的异常点和噪声点造成算法过拟合分割或分割不足的情况，在实现分割区域具有强空间连通性并保证得到的分割边界不跨越遮挡影像边缘信息的条件下，实现病灶的3维重建为另一大难点。随着机器学习的兴起，如何有效实现2维至3维医学图像的转变，避免图像特征不连贯的问题，并将多模态病灶信息有效整合，降低数据存储空间和处理成本，进而高效实现病灶精准分割，较好辅助医师预测并诊断病灶良恶性状况和确定后续治疗方案是未来超像素/体素算法的重要发展方向。
猜你喜欢 病灶边界像素 剪切波弹性成像在乳腺不同深度病变中的可重复性评价肿瘤影像学(2022年3期)2022-07-13能谱CT 在肺癌淋巴结转移诊断中的应用价值影像研究与医学应用(2022年9期)2022-06-24像素前线之“幻影”2000小哥白尼(军事科学)(2022年2期)2022-05-25守住你的边界故事作文·高年级(2022年2期)2022-02-24有边界和无边界读者·校园版(2019年18期)2019-09-09“像素”仙人掌红领巾·萌芽(2019年8期)2019-08-27OF MALLS AND MUSEUMS汉语世界(The World of Chinese)(2018年5期)2018-11-24AP—4、EZH2基因表达量与子宫内膜癌病灶中细胞凋亡、上皮间质转化的相关性研究医学信息(2018年14期)2018-10-30人蚁边界防护网小猕猴智力画刊(2017年6期)2017-07-03高像素不是全部CHIP新电脑(2016年3期)2016-03-10本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0427/589992.html
