核素肾动态显像肾脏感兴趣区域分割算法的研究

刘任从，徐磊，张乐乐，孟庆乐，杨瑞，王自正

南京医科大学附属南京医院（南京市第一医院） 核医学科，江苏 南京 210006

核素肾动态显像肾脏感兴趣区域分割算法的研究

刘任从，徐磊，张乐乐，孟庆乐，杨瑞，王自正

南京医科大学附属南京医院（南京市第一医院） 核医学科，江苏 南京 210006

目的提出一种新颖的核素肾动态显像肾脏感兴趣区自动勾画算法。方法选取30位行核素肾动态显像患者作为研究对象，首先对原始肾图做形态学运算、强度对增强和高斯滤波等预处理，去除非感兴趣区和提升图像对比度；接着采用最大类间差法（Otsu）自适应确定最佳阈值，完成肾脏的初步分割；然后形态学操作和边界追踪被用来提取肾脏边界。结果基于本文算法的分割结果与专家手工分割结果具有很高的相关性，平均真符合率达91%，平均假误符合率为13.4%，平均假符合率为9.3%，边界误差距离为1.6个像素。且基于本文算法的Dice相似性系数（0.9061±0.0196）和平均耗时（2.1477±0.2835）s均优于其他算法。结论基于本文的分割算法能快速准确的提取肾脏感兴趣区域，可应用于核素肾动态显像肾小球滤过率的测定。

核素肾动态显像；图像分割；最大类间差法；形态学操作；边界追踪

引言

肾小球滤过率（Glomerular Filtration Rate，GFR）是一个评价肾功能好坏的重要指标，不仅从形态和功能上评估肾脏，而且能准确、灵敏的反映双肾和单肾功能[1-2]。目前最常用的方法是基于SPECT肾脏动态核素显像的Gates法[3]，其中最重要一步是勾画肾脏感兴趣区。当今各大设备厂商均提供了基于手工勾画的肾动态处理软件，此种处理方法存在着耗时、主观性大等缺点。

近些年，研究者开始尝试采用自动和半自动分割算法提取肾脏感兴趣区。Hallker等[4]采用单阈值法自动勾画肾脏区域，在肾脏形态规则时能较好的提取肾脏边界，对于肾功能受损图像效果不佳，原因是肾脏图像灰度分布不均，仅根据图像直方图很难确定分割阈值。Tomaru等[5]提出一种基于双阈值的半自动分割算法，图像进行一次分割后，肾脏与本底之间仅有一个像素连接，此时采用二次阈值分割，切断剩下的单像素连接点，获得完整的肾脏区域，但多数情况肾脏与本底之间的连通区域是一个像素块，再次进行阈值分割很难分离出肾脏感兴趣区。Inoue等[6]提出多种手工与半自动分割相结合的算法，如边缘检测算法、基于时相图像法，但均因不能同时对正常肾脏和肾功能受损情况有效而没有得到推广，且都操作者临床水平依赖较重。

肾脏核素动态图像对比度差，背景中包含肝脏、脾脏等器官，常规分割算法很难单独提取肾脏区域[7]。本文先采用时相图像减法、形态学法、图像增强等预处理，消除背景中其他器官的影响和增强图像对比度，接着Otsu算法被用来确定最佳阈值，完成肾脏感兴趣区域的初步分割；最后进行形态学开闭运算和边界追踪，提取、修补肾脏边界，获得肾脏感兴趣区。

1 材料与方法

1.1 一般资料

本研究选取30例行SPECT肾动态核素显像患者作为研究对象，其中男21人，女9人，平均年龄48岁。4名患者仅有单侧肾脏，其余26人是双侧肾脏。本研究采取的是回顾性分析法，对患者的诊断和治疗没有影响。

所有数据均由西门子双探头SPECT采集，步骤如下：第一步，1 min采集注射前放射性计数；第二步，患者检查采用仰卧位，经肘静脉以“弹丸”式注射99mTc-DTPA，剂量为200 MBq/m2,体积0.5～1.0 mL，同步开机采集，其中肾血流灌注期2 s/帧，连续采集30帧[8]，肾功能动态期1 min/帧，采集20帧；第三步，采集1 min注射后残余放射性计数。图像矩阵大小均为128×128，放大倍数为1.0。

1.2 图像预处理

1.2.1 去除肾脏本底

肾脏感兴趣区提取是在合成图像上进行，但肾图中同时包含肝脏、脾脏和血管等干扰区域，且对比度同肾脏区域，因此分割处理之前必须消除此种干扰。本文根据放射性核素随时间在肾区的富集程度，采用以下步骤移除肾外干扰区域：① 选取第1～2、3、3～4 min采集所得图像记为I1、I2、I3；② 图像I1减去图像I2得到图像I4，即保留肾外本底的同时去除肾区；③ 对图像I4进行二值化和形态学运算，去除散点，得到图像I5；④ 将I5作为模板作用于图像I3，得到图像I6，移除肾外本底和保留肾区。

1.2.2 图像增强与平滑

肾动态图像分辨率较低，本文采用强度对增强算法，主要基于图像像素强度对分布，综合图像的局部信息和全局信息，可在不放大噪声的基础上增强肾脏图像对比度[9]。主要过程如图1所示：① 首先将输入图像的像素灰度值标准化到[0, 255]区间，扫描图像的所有像素，并计算当前像素强度i(x,y)和其邻近4个像素强度；② 计算像素的扩张力EF和反扩张力AEF；③ 计算净扩张力NEF，并进行幅值转换；④ 计算映射函数IMF，与输入图像进行图像卷积即得增强图像EI。

肾脏图像的噪声主要来源于散射和本底放射性活度的随机噪声，属于高频噪声[10]。本文首先采用高斯滤波器平滑肾脏图像，滤波模板为5×5，然后使用最大值滤波操作锐化肾脏边缘，滤波模板大小为3×3。

图1 强度对图像增强算法过程

1.3 肾脏感兴趣提取

1.3.1 肾脏感兴趣区初步获取

当肾功能受损时，肾动态图像对比度严重下降，全自动分割算法很难检测肾区，且半自动算法对肾区的初步分割依赖于视觉观察，主观误差较大[11]，因此初步分割肾区是后续肾脏感兴趣区提取的必要前提。本文采用视觉观察与计算机辅助运算结合的方法，借助操作者的临床经验与计算机优势完成肾区的初步提取。首先计算图像（m, n）中n个像素列的像素和，得到n个数值点，形成一个一维曲线，曲线具有两个峰一个谷（图2a），两峰值分别对应两侧肾脏。然后在曲线上选取4个分割点，确定两肾的界限范围，完成肾脏的初步分割（图2b）。

图2 肾脏感兴趣区初步提取

1.3.2 基于Otsu阈值算法提取肾脏感兴趣区

Otsu算法（即最大类间差法）是在判决分析最小二乘法原理的基础上推导而来，是一种自动阈值选取方法[12]。主要思想是：确定一个最佳阈值，在完成图像二值化后，使背景和目标两个像素类间的方差达到最大，从而达到区别背景和目标的目的。

首先，将图像的像素按照灰度阈值t分成A类和B类，A类由灰度值[0,t]的像素组成，B类由灰度值[t+1,K]的像素组成，则A类和B类图像的均值可由公式(1)和公式(2)表示[13]。

其中，i代表图像灰度值，i=0…K-1,ωA、ωBA分别表示A类和B类图像的所占比例，由公式(3)和公式(4)给出。

其中p(i)对应灰度级i出现的概率，如公式(5)所示。ni表示灰度级i的数量，N表示图像像素数量。

其次，根据公式(1)、(2)和(5)，图像总体灰度均值由公式(6)计算所得。

最后，A类和B类区域的方差如公式(7)所示。

当H(t)取最大值时对应的阈值t即为最佳分割阈值。

1.4 图像后处理

图像分割后的双肾边缘依然凹凸不平，存在较多噪声，本文采用形态学开-闭运算交替顺序滤波平滑肾脏轮廓[14]。其中开运算在平滑图像边缘的同时，断开狭窄的连接，去除微小不相关部分；闭运算会将缺口连通起来，填充比结构元素小的洞。然后，采用八邻域边界跟踪法提取肾脏的轮廓边缘，通过一个确定的边缘点，一句合适的搜索结构连接相邻边缘点，从而检测出肾脏区域的真正轮廓，避免出现伪边界和边缘断裂。

1.5 图像评价

采用边界误差距离d、区域误差（真符合率TP、假符合率FP和假误符合率FN）和Dice相似性指数D定量评价本文算法的准确性，由公式(8)～(12)给出[15-16]。其中‖‖表示两个点集合之间的二维欧氏距离，M表示人工勾画的轮廓，P表示本文提取的轮廓，Am代表手动分割的肾脏区域，Ap代表本文算法的提取区域。Dice相似性系数越接近于1，图像分割越精确。

2 结果

为了验证本文算法的可行性和优越性，将本文提出算法与单阈值算法、双阈值算法、K均值算法和手工分割进行对比分析。

2.1 本文算法各步骤处理结果

本文算法各步骤处理结果，见图3。可以看出基于本文分割算法能准确的提取肾脏感兴趣区域。首先根据时间放射性浓聚变化能移除肾外干扰区域（图3e）；接着使用强度对增强算法提升图像对比度，增强图像边缘（图3f）；然后联合使用视觉观察与计算机辅助运算完成肾区的初步分割，采用Otsu阈值算法分割出肾脏感兴趣区（图3g）；最后使用形态学处理和轮廓追踪完成肾脏感兴趣的勾画（图3h）。

图3 本文算法各步骤处理结果

2.2 本文算法与人工分割对比分析

邀请两位有经验的核医学医师手工勾画54个肾脏感兴趣区域，然后将此结果作为参照，和本文提出算法的分割结果进行比较，见图4。图中A、B分别代表两位医师的结果。平均真符合率为91%，平均假误符合率为13.4%，平均假符合率为9.3%，且最短距离平均误差为1.6个像素，标准差和最大值分别为0.5和4.5个像素，表明本文算法与手工分割算法具有很强的相关性和一致性。

图4 两位医生手工分割与本文算法分割的统计学分析

2.3 不同分割算法提取的肾脏感兴趣区比较

不同肾脏分割结果，见图5。可以看出基于本文算法提取的肾脏感兴趣区域完整度最高，其他分割算法所得分割结果均包含无关的干扰部分，分割不彻底，尤其是单阈值分割和K均值分割算法，不能有效的分离背景和肾脏区域。

图5 不同分割算法提取的肾脏区域

观察表1可得，以手工分割为参考，Dice相似性系数取得最大值是本文分割算法（0.9061±0.0196），较差的是K均值算法（0.4053±0.0096）和单阈值算法（0.5638±0.0286）。算法的平均耗时最大值是手工分割（9.1088±0.5110）s，最小值是本文提出的算法（2.1477±0.2835）s。综合精确性和实时性，基于本文提出的分割算法优于其他算法。

表1 不同分割算法的定量分析

3 结论

本文提出一种图像分割算法，并应用于核素肾动态显像肾脏感兴趣区的自动勾画。其中预处理阶段能去除肾外干扰区域和提高图像对比度，Otsu分割算法能自适应的确定最佳阈值，快速分离背景和肾脏区域，最后轮廓追踪能自动勾画肾脏边界。定性和定量分析可知，基于本文算法能快速准确分割肾脏感兴趣区，肾脏区域和边界和手工分割均具有很强的相关性，显著优于其他分割算法，是一种可行的肾脏感兴趣区分割算法。

[1] 汪长银,赵燕芬.Gates法测肾功能时一侧肾脏感兴趣区勾画面积对另一侧肾小球滤过率的影响[J].中华核医学与分子影像杂志,2016,36(5):464-465.

[2] Liu ST,Gao DH,Yin FL.Infrared image segmentation method based on 2D histogram shape modification and optimal objective function[J].J Syst Eng Electron,2013,24(3):528-536.

[3] Shi MJ,Li GZ,Li FF.C2G2FSnake: automatic tongue image segmentation utilizing prior knowledge[J].Sci China Inform Sci,2013,56(9):154-167.

[4] Halkar R,Chrem Y,Galt B,et al.Interobserver variability in quantitating the MAG3 renal uptake based on semiautomated and manual regions of interest[J].J Nucl Med,1996,37:293.

[5] Tomaru Y,Inoue T,Oriuchi N,et al.Semi-automated renal region of interest selection method using the double-threshold technique:inter-operator variability in quantitating 99 m Tc-MAG3 renal uptake[J].Eur J Nucl Med Mol I,1997,25(1):55-59.

[6] Inoue Y,Yoshikawa K,Yoshioka N,et al.Evaluation of renal function with 99mTc-MAG3 using semiautomated regions of interest[J].J Nucl Med,2000,41(12):1947.

[7] Lin KJ,Huang JY,Chen YS.Fully automatic region of interest selection in glomerular filtration rate estimation from99mTc-DTPA renogram[J].J Digit Imaging,2011,24(6):1010-1023.

[8] Tian C,Zhang X,Han Y,et al.A semi-automated region of interest detection method in the scintigraphic glomerular filtration rate determination for patients with abnormal low renal function[J].Clin Nucl Med,2013,38(11):855-862.

[9] He Z,Sun L.Surface defect detection method for glass substrateusing improved Otsu segmentation[J].Appl Opt,2015,54(33):9823-9830.

[10] 董洁,赵书俊,王静,等.基于肾动态定量分析中肾脏ROI的提取研究[J].计算机应用与软件,2010,27(7):249-252.

[11] Renjith A,Manjula P,Kumar PM.Brain tumour classification and abnormality detection using neuro-fuzzy technique and Otsu thresholding[J].J Med Eng Technol,2015,39(8):498-507.

[12] Chen TB,Chen JC,Lu HH.Segmentation of 3D microPET images of the rat brain via the hybrid gaussian mixture method with kernel density estimation[J].J X-ray Sci Technol,2012,20(3):339-349.

[13] Bemis KD,Harry A,Eberlin LS,et al.Probabilistic segmentation of mass spectrometry (MS) images helps select important ions and characterize confidence in the resulting segments[J].Mol Cell Proteomics,2016,16(5):1761-1772.

[14] 刘清岩,李思进,郭烽.肾脏感兴趣区大小对Gates’s法测定肾小球滤过率影响[J].山西医药杂志,2009,38(17):802-803.

[15] 汪长银,文兵,张湘园.兴趣区设置对Gates法测定肾小球滤过率的影响[J].放射学实践,2007,22(1):92-95.

[16] 田灿灿.半自动感兴趣区检测算法在肾小球滤过率定量分析中的研究[D].上海:上海交通大学,2013.

[17] 司宏伟,王明明,赵学峰,等.肾动态显像法肾小球滤过率的估算及其主要影响因素[J].中国医学装备,2013,(12):64-66.

Study of a Novel Automatic Method of ROI Delineation in Renal Dynamic Radionuclide Imaging

LIU Rencong, XU Lei, ZHANG Lele, MENG Qingle, YANG Rui, WANG Zizheng
Department of Nuclear Medicine, Nanjing First Hospital, Nanjing Medical University, Nanjing Jiangsu 210006, China

ObjectiveThis paper aims to propose a novel method of ROI extraction which was used in renal dynamic imaging.MethodsA total of 30 clinical dynamic renograms were introduced. The renal image was initially performed by morphological reconstruction followed by intensity-pair and Gaussian smoothing filter, which could sharpen the edge of kidney and suppress the noise. Then, adaptiveOtsuthreshold method was applied to segment the rough renal area. Finally, the morphological operation and boundary tracking were adopted to remove the irrelevant parts and extract the contour of renal.ResultsThere was high correlation between physicians’ manual contours and these by our approach. For area error analysis, the mean true positive area overlap,the mean false negative, the mean false positive and the boundary error were 91%, 13.4%, 9.3% and 1.6 pixels, respectively.Our approach acquired largerDiceindex (0.9061±0.0196) and lower computing time (2.1477±0.2835) s than other methods.ConclusionThe proposed method is a feasible approach for ROI extraction in renal dynamic imaging, which can obtain more efficient, accurate and robust results.

renal dynamic imaging; image segmentation; Otsu threshold method; morphological reconstruction; counter tracking

R445.5

A

10.3969/j.issn.1674-1633.2017.12.016

1674-1633(2017)012-0068-04

2017-08-21

2017-09-08

国家自然科学基金（81271604）。

王自正，主任医师，博士生导师，主要研究方向为放射性核素显像、核素治疗。

通讯作者邮箱：zzwang136@aliyun.com

本文编辑 王静