頭頸部腫瘤PET圖像分割隨機游走方法

劉國才　胡澤田 朱蘇雨 袁媛 劉科 吳崢 張九堂 莫逸

摘要：針對腫瘤放療生物靶區(qū)高精度勾畫難題，根據(jù)頭頸部腫瘤PET（positron emission computed tomography）影像特點，提出了腫瘤PET圖像分割隨機游走方法.首先，根據(jù)PET SUV（standardized uptake value）影像，采用三維自適應區(qū)域生長和數(shù)學形態(tài)學膨脹方法確定隨機游走方法的種子點，將包含腫瘤的感興趣區(qū)域分為核心腫瘤區(qū)域（標記為前景種子點）、正常組織區(qū)域（標記為背景種子點）和待定區(qū)域.然后，利用頭頸部腫瘤和周圍正常組織PET圖像具有不同的對比度紋理特征，將PET SUV及其對比度紋理值作為隨機游走方法中邊的權值計算依據(jù).實驗結果表明，該法不僅比傳統(tǒng)隨機游走方法平均提速9.34倍，而且，以臨床醫(yī)生手工勾畫的大體腫瘤區(qū)作為參考標準，相似度平均提高32.5%（P<0.05）.本文方法能夠有效地自動勾畫頭頸部腫瘤放療生物靶區(qū).

關鍵詞：醫(yī)學圖像分割；隨機游走；區(qū)域生長；生物靶區(qū)；頭頸癌

中圖分類號：TP391.4 文獻標識碼：A

文章編號：1674-2974（2016）02-0141-09

18F-脫氧葡萄糖（18FDG）正電子發(fā)射斷層掃描（positron emission computed tomography， PET）是一種在分子水平上非侵入性的生物學特性成像方法，是核醫(yī)學影像最先進的分子影像技術之一，目前已被廣泛應用于惡性腫瘤的檢測和分期，并已成為當前腫瘤生物調強放療計劃和療效評估研究的重要影像技術[1-3].基于PET影像的高精度腫瘤生物靶區(qū)勾畫是腫瘤放療計劃和療效評估的基礎，但腫瘤PET影像不僅信噪比低，而且空間分辨率低、部分容積效應嚴重，頭頸部腫瘤周圍正常組織的18FDG標準攝取值（standardized uptake value， SUV）通常還和腫瘤的SUV非常接近，因此，PET影像中的腫瘤邊界通常模糊，且與毗鄰正常組織的分界不清晰.腫瘤內部還具有各向異性的生物學特性，因此，高精度的腫瘤生物靶區(qū)勾畫非常困難.

腫瘤生物靶區(qū)勾畫本質上是腫瘤PET圖像分割問題.隨機游走（random walk， RW）是一種基于圖論的交互式圖像分割方法[4-6]，它將圖像的分割問題轉化為圖的Dirichlet最優(yōu)化問題[5].隨機游走圖像分割算法在圖像像素數(shù)量比較少的情況下，分割速度快，分割效果好，特別是在處理含有強噪聲、弱邊界或缺失邊界、有模棱兩可的圖像區(qū)域時顯示出了突出優(yōu)勢.這些特性使得隨機游走算法非常適合處理PET圖像.Bagci等[7]和Onoma等[8]最先將隨機游走方法應用在肺部腫瘤PET圖像分割中，并取得不錯的效果.但由于頭頸部解剖結構復雜，目前尚未見有關將隨機游走方法應用于三維頭頸癌PET圖像分割的文獻.

隨機游走分割結果一方面依賴于種子點的位置和數(shù)量，另一方面依賴于頂點間邊的權值計算方法.種子點越多，提供的前景與背景區(qū)域信息就越多，相應的分割結果就越令人滿意 [9]. 我們也發(fā)現(xiàn)腫瘤PET圖像分割隨機游走問題的求解不僅需要提供正確標記的腫瘤和非腫瘤種子點，而且種子點的數(shù)目和位置對圖像分割結果有很大影響.不合適的種子點標記，可使隨機游走問題無法有效求解；種子點數(shù)目不充足，可導致分割結果不理想.但是，在三維PET情況下，人工選擇種子點不僅效率十分低下，而且種子點不足難以得到令人滿意的分割結果，尤其對于PET SUV圖像中生物特性各向異性的腫瘤分割更是如此.因此，我們根據(jù)頭頸癌PET SUV分布特點，提出采用三維自適應區(qū)域生長和數(shù)學形態(tài)學膨脹方法，將包含腫瘤的感興趣區(qū)域分為核心腫瘤區(qū)域、正常組織區(qū)域和待定區(qū)域三類，并將核心腫瘤區(qū)域全部體素點標記為腫瘤分割隨機游走問題的生物靶區(qū)種子點，同時將正常組織區(qū)域全部體素點標記為非生物靶區(qū)種子點，這樣只需要對待定區(qū)域的體素點進行隨機游走分割.這不僅使隨機游走問題的求解速度顯著提高，而且大量的種子點使腫瘤分割結果更準確.另一方面，我們發(fā)現(xiàn)頭頸部腫瘤和其周圍正常組織PET SUV圖像具有不同的對比度紋理特征，提出一種基于PET SUV及其對比度紋理特征量的腫瘤分割隨機游走頂點間邊的權值計算方法，以便更好地區(qū)分腫瘤和其周圍高SUV的正常組織，進一步提高腫瘤分割結果精度.

1經典隨機游走方法

受條件限制，我們無法獲取每個病例的病理標本作為金標準.因此，我們邀請3位經驗豐富的放療科醫(yī)生獨立地對每個病例分別進行手工勾畫大體腫瘤靶區(qū)（gross tumor volume，GTV），然后由另外一位經驗豐富的放療科主任醫(yī)師綜合以上3位醫(yī)生勾畫結果給出最終的GTV，我們將這個最終的GTV作為參考標準（ground truth， GT）.為了驗證提出方法的性能，本文采用Dice相似性（similarity， SIM）、靈敏性（sensitivity， SEN）和特異性（specificity， SPE）作為定量評價指標.

3.1性能指標

定義1相似性是指實驗方法所得勾畫結果與金標準的重合程度.SIM值越大表明兩者幾何形狀重合得更好.定義為：

3.2與傳統(tǒng)隨機游走方法性能比較

有研究[16]指出：在三維下的隨機游走分割算法中，采取三維26-鄰域來構造圖所取得的分割效果最佳.因此，本文采用三維26-鄰域來描述三維空間內體素與其相鄰體素的關系.為了便于比較，且根據(jù)文獻[5]，本文對于所有隨機游走方法選取β，β1和β2值均為90.為了簡便起見，我們將手工選擇種子點和未將紋理引入權值函數(shù)（即β2=0）的隨機游走算法記為傳統(tǒng)隨機游走方法.圖4給出了不同種子點選擇方法所得到的隨機游走分割結果.圖4（b）和圖4（j）是手工選取的種子點，圖4（c）和圖4（k）是本文基于三維自適應區(qū)域生長方法自動選取的種子點.從分割結果來看，用手工選取種子點的隨機游走方法分割效果并不理想，圖4（f）和圖4（n）顯示結果都出現(xiàn)了欠分割.這是因為在三維圖像分割中，醫(yī)學圖像情況復雜、數(shù)量較多，手工選取種子點費時費力且?guī)в泻艽蟮闹饔^性，種子點太少不足以表征前景和背景區(qū)域的特征，造成分割結果不理想.本文提出的自動選擇種子點方法是通過大量實驗，在保證較好的分割結果和較快的分割速度前提下選擇得到的.本文方法在執(zhí)行過程中不需要人工干預選擇種子點，從而在保證分割結果精確度的前提下大大提高了方法的執(zhí)行效率.

圖4（a）中黑色方框內的腫瘤和正常組織的PET SUV很相近，腫瘤組織與其右側腮腺毗鄰，邊界沒有明顯的界限，此時（11）式中（Ii-Ij）2趨近為0，而相應的腫瘤和正常組織對比度紋理則有明顯界限（見圖4（d）黑色框內），此時（Ci-Cj）2非0.圖4（i）與圖4（l）也是類似情況，圖4（i）中腫瘤不僅與其左側的腮腺邊界模糊，而且與其下方的小腦組織也沒有明顯的界限.本文提出的改進的權值函數(shù)，將PET圖像的SUV信息與PET圖像對比度紋理聯(lián)合起來，兩者融合后的相應邊權值wij將比僅考慮SUV時減小，從而有利于正確區(qū)分腫瘤和高SUV正常組織.（外圍十字點集：背景種子點，中間星號點集：前景種子點，封閉曲線：腫瘤輪廓，前兩行為本實驗的一例病例，后兩行為另外一例病例的實驗結果）

圖5，圖6和圖7給出了本文自動選取得到種子點的分割結果與傳統(tǒng)手工選取種子點隨機游走分割結果定量比較.從圖5可以看出，本文方法性能明顯優(yōu)于傳統(tǒng)隨機游走方法.本文方法分割結果比傳統(tǒng)隨機游走方法分割結果與參考標準的相似度平均提高32.5%，差異具有統(tǒng)計學意義（t檢驗： H=1， P<0.05）.傳統(tǒng)手工選取種子點數(shù)量不足造成了傳統(tǒng)隨機游走三維圖像分割中出現(xiàn)欠分割（見圖4（f）和圖4（n）所示）.因此，這種情況在特異性指標上會高于本文方法，但是靈敏性卻很低.單一的特異性高沒有實際意義，而本文方法分割結果卻能同時具有較高的靈敏度和特異性，如圖6和圖7所示.

表1給出了本文方法與傳統(tǒng)隨機游走方法運行的CPU時間對比結果.從表1可以看出，本文方法的運行時間要明顯少于傳統(tǒng)隨機游走方法的運行時間，本文提出的方法比傳統(tǒng)隨機游走方法平均提速9.34倍左右，差異具有統(tǒng)計學意義（t檢驗： H=1， P<0.05）.

3.3與傳統(tǒng)閾值法比較

為進一步檢驗方法的性能，我們還將本文方法的分割結果同時與經典的40%最大SUV值（記為40% SUVmax）閾值法和SUV 2.5閾值法（記為SUV 2.5）的分割結果進行了比較.從圖8可以直觀地看到40% SUVmax閾值法和SUV 2.5閾值法都將與腫瘤毗鄰的正常組織包括進來了（見圖8（c）（d）中箭頭所指區(qū)域）.傳統(tǒng)手工選取種子點數(shù)量不足造成了傳統(tǒng)隨機游走三維圖像分割效果并不理想，圖5，圖6和圖7中顯示，對于有些病例，傳統(tǒng)隨機游走分割效果甚至不如40% SUVmax閾值法和SUV 2.5閾值法的分割效果好，這也證實了隨機游走算法依賴種子點的數(shù)量和位置，種子點數(shù)量不足導致傳統(tǒng)隨機游走方法分割效果并不理想.而本文提出的方法卻能夠得到較好的分割結果，如圖8（b）所示.本文所提方法的分割結果光滑圓潤，沒有離散點，充分顯示了本文方法的優(yōu)越性.

4結論

本文在三維自適應區(qū)域生長方法的基礎上提出一種新穎的自動選取腫瘤PET分割隨機游走種子點的方法.利用PET圖像SUV的分布特點，通過三維自適應區(qū)域生長方法結果來確定隨機游走種子點.由此得到的種子點，不僅數(shù)目充足，減少了圖中未標記節(jié)點的數(shù)目，使計算時間大大減少，計算速度明顯提高；而且位置合理，充分地利用PET圖像的全信息，可以很好地表示腫瘤區(qū)域和正常區(qū)域的特征.本研究還將PET圖像基于NGTDM提取的對比度紋理特征引入隨機游走分割方法的權函數(shù)中，改進后的權函數(shù)自適應地融合了PET SUV特點與PET圖像對比度紋理特征，進一步提高了PET圖像分割精度.

實驗結果表明，針對不同頭頸癌PET圖像分割任務，本文提出的分割方法比傳統(tǒng)隨機游走方法均表現(xiàn)出更好的分割效果和更快的分割速度，差異具有統(tǒng)計學意義.而且在與腫瘤毗鄰的正常組織具有與腫瘤區(qū)域相似SUV值等較難分割情況下，該方法利用PET圖像紋理信息改進了腫瘤分割的準確性.該方法還有待大規(guī)模的臨床研究，以確定其臨床應用價值.

參考文獻

[1]NAQA I E. The role of quantitative PET in predicting cancer treatment outcomes[J]. Clinical and Translational Imaging， 2014， 2（4）： 305-320.

[2]SCHWARTZ D L， FORD E， RAJENDRAN J， et al. FDG-PET/CT imaging for preradiotherapy staging of head-and-neck squamous cell carcinoma[J]. International Journal of Radiation Oncology Biology Physics， 2005， 61（1）： 129-136.

[3]SUREZ F J P， MALDONADO S A， DOMNGUEZ G M L， et al. Positron emission tomography （PET） imaging in head and neck cancer[J]. Acta Otorrinolaringologica Espanola， 2003， 55（7）： 303-309.

[4]WECHSLER H， KIDODE M. A random walk procedure for texture discrimination[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1979，1 （3）： 272-280.

[5]GRADY L. Random walks for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2006， 28（11）： 1768-1783.

[6]MEILA M， SHI J. Learning segmentation by random walks[C]//Proceedings of Advances in Neural Information Processing Systems. Cambridge， Massachusetts： MIT Press，2001.

[7]BAGCI U， YAO J， CABAN J， et al. A graph-theoretic approach for segmentation of PET images[C]//Proceedings of 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. New York： IEEE， 2011： 8479-8482.

[8]ONOMA D P， RUAN S， GARDIN I， et al. 3D random walk based segmentation for lung tumor delineation in PET imaging[C]//Proceedings of 2012 9th IEEE International Symposium on Biomedical Imaging. New York： IEEE， 2012： 1260-1263.

[9]GRADY L， SCHIWIETZ T， AHARON S， et al. Random walks for interactive organ segmentation in two and three dimensions： Implementation and validation[M]//Medical Image Computing and Computer-Assisted Intervention-MICCAI 2005. Berlin： Springer Berlin Heidelberg， 2005： 773-780.

[10]SHI J， MALIK J. Normalized cuts and image segmentation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）： 888-905.

[11]LIU Guo-cai， ZHU Su-yu， WANG Yao-nang， et al. Hierarchical and adaptive volume-growing methods for the PET based biologic target volume delineation for radiotherapy treatment planning[C] //Proceedings of 2011 IEEE Nuclear Science Symposium and Medical Imaging Conference （NSS/MIC）. New York： IEEE， 2011： 4293-4295.

[12]REED T R， DUBUF J M H. A review of recent texture segmentation and feature extraction techniques[J]. CVGIP： Image Understanding， 1993， 57（3）： 359-372.

[13]AMADASUN M， KING R. Textural features corresponding to textural properties[J]. IEEE Transactions on Systems， Man and Cybernetics， 1989， 19（5）： 1264-1274.

[14]CUI H， WANG X， FENG D. Automated localization and segmentation of lung tumor from PET-CT thorax volumes based on image feature analysis[C]//Proceedings of 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）. New York： IEEE， 2012： 5384-5387.

[15]LIU Guo-cai， YANG We-li， ZHU Su-yu， et al. PET/CT image textures for the recognition of tumors and organs at risk for radiotherapy treatment planning[C]//Proceedings of 2013 IEEE Nuclear Science Symposium and Medical Imaging Conference （NSS/MIC）. New York： IEEE， 2013： 1-3.

[16]GRADY L， JOLLY M P. Weights and topology： a study of the effects of graph construction on 3D image segmentation[M]// Medical Image Computing and Computer-Assisted Intervention-MICCAI 2008. Berlin： Springer Berlin Heidelberg， 2008： 153-161.