基于MRI的脑肿瘤自动分割技术

唐 诗，王福龙

（广东工业大学应用数学学院，广东广州510520）

由于传染病逐渐被控制，人类平均寿命延长，恶性肿瘤对人类的威胁日益突出，已成为目前最常见的死亡原因之一。恶性肿瘤早期多无症状，即使有症状也常无特征性。报告显示：脑肿瘤的发病率与死亡率在逐年上升［1］。我国原发中枢神经系统肿瘤的年发病率为16.5/10万，其中近半数为恶性肿瘤，占全身恶性肿瘤的1.5%。WHO将中枢神经系统肿瘤根据病理学和分子生物学特征分为17类。

磁共振（MR）成像是利用强外磁场内人体中的氢原子核即氢质子，在特定射频脉冲作用下产生磁共振现象的医学成像。MRI黑白灰度称为信号强度，其中白影称为高信号，灰影称为中信号，黑影称为低信号。MRI可显示人体任意断面的解剖结构，对软组织的分辨率高，无骨性伪影，因此可清晰显示脑组织的各种结构，如图1所示。根据信号的强弱、脑室受压和脑组织位移、瘤周脑水肿范围、瘤组织及其继发改变，如坏死、出血、囊变和钙化等，可以确定肿瘤的部位、大小、数目、血供、与周围结构解剖关系，对绝大部分肿瘤可做出定性诊断。功能MRI可揭示肿瘤与大脑皮质功能区关系。

图1 脑MRI分类分割

传统的MR信息是直接由经验丰富的神经放射科医生获取的，由他们进行的手工分割是非常可靠的。有经验的放射科医生可以利用病理细节对MR图像中的脑肿瘤进行分类。这些细节多种多样，纹理图案可以是均匀的也可以是不均匀的；信号强度可以是可等信号，也可以是低信号或是高信号；可以表现出与脑组织相同的强度，也可以更暗或者更亮。异质性肿瘤可以显示不同的信号强度区域，如肿瘤内的囊性和坏死部分。专家可以从MR图像中获得多种信息，再结合活检、CT、分子生物学检查、病史和经验等，判断出肿瘤的性质和分级。

MR图像提供了丰富的大脑软组织解剖信息，但这使得手工判读变得困难。因此，出现了自动化的图像分析工具的需求［2］。文献［3］对不同临床医生完成分割的变异性进行了研究。使用10例患者的数据，由4名临床医生进行分割，手工分割所花费的时间为10 min，而使用3D Slicer进行半自动分割的时间为5 min，后者需要的平均时间为熟练的手工分割所需时间的61%。根据文献［4］的研究，多达四分之三的观察者，会将实际胶质瘤组织的像素划分到神经胶质组织，这是手工分割最突出的缺点。

1 自动方法

目标定位或边界检测、边界估计等都属于分割的过程［5］。人眼可以毫不费力地分辨出感兴趣的结构并将其从背景组织中提取出来，但在算法开发中，这是一个巨大的挑战。分割算法的主要原理是利用区域生长算法、变形模型、阈值和模式识别技术（如模糊聚类和神经网络）等，根据图像的强度或纹理来确定边界。

1.1 基于阈值的分割方法

阈值分割法是一种非常简单的分割方法，它包括基于一个或多个阈值的直方图和灰度特征。这项技术是脑肿瘤分割的标准方法。由于脑肿瘤的典型结构，强度阈值是实现感兴趣区域分割的一项具有挑战性的任务［6］。局部和全局阈值技术被广泛用于检测肿瘤的合适位置。当目标和背景之间的均匀强度较高时，则采用全局阈值分割，可以得到以下输出图像

其中，T是阈值，I（k，l）是输入图像。

局部阈值是用强度直方图分割像素周围的区域。这被用来确定T1加权像的平均强度阈值［7］。用高斯分布确定正常脑MRI中T2加权像的阈值［8］。文献［9］对图像进行预处理和增强，利用全局阈值形成二值图像，然后用形态学运算分割脑肿瘤。基于阈值的图像分割是最简单的方法，与基于区域的分割方法相比它是有效的。在脑部MRI中，不能考虑局部或全局阈值所提供的信息。因为它对强度均匀化和偏场校正等预处理和后处理技术敏感，并对噪声敏感。阈值法无法确定医学图像的灰度分布，在实际应用中很困难。在过去的十年中，研究者们将阈值分割与其他分割方法相结合，在医学图像的灰度特征和灰度分布中获得了更精确的结果。

1.2 基于边界的分割方法

边界检测是通过图像的强度变化实现的，边界像素是图像函数急剧变化的地方。基于边界的图像分割技术很多，诸如：Sobe、Prewitt、Roberts和Canny等。文献［10］提出了一种改进的肿瘤边缘检测算法，将一种基于图像的自动阈值分割算法，结合Sobel算子检测脑肿瘤边缘，然后利用闭合轮廓算法和基于对象分割的方法提取肿瘤区域。该方法的结果优于传统的基于Sobel算子的方法。文献［11］提出了一种结合模糊推理系统的图像边缘检测，阈值经过k-均值模糊规则的处理。一般来说，基于边缘的分割方法简单且容易。有时会产生开放的轮廓，并且对阈值敏感。为了克服这些问题，研究者们进行了大量的研究工作。

1.3 基于区域的分割方法

基于区域的分割方法建立在图像背景均匀性的基础上。检查图像中的像素，通过合并基于预定义的相似标准的不相交区域形成的邻域像素。基于区域的图像分割包括区域生长法和分水岭算法。这些方法广泛应用于脑肿瘤的MRI分割。

1.3.1 区域生长算法

区域生长法是最常用的方法，它是基于区域的最简单的分割方法。利用该方法获得与原始图像相似的像素结合区域。区域生长法从最小的种子开始，将图像中种子的领域中，满足同质性准则的像素合并入种子区域。这个过程是递归的，直到没有更多的像素可以合并到目标区域中。最初的种子可以是手动选取的，也可以是自动选取的［12］。

文献［13］提出了一种基于模糊知识的多光谱MR图像种子区域生长方法。考虑到多光谱图像空间信息和相关性的优点，利用模糊边缘和相似性对种子区域进行预处理，以确定肿瘤的原始种子。文献［14］采用基于纹理的区域生长，该方法提取邻域像素的局部纹理信息，同时考虑像素强度阈值和纹理阈值来提取脑肿瘤。区域生长的主要优点是生成具有相似像素的区域，缺点是对噪声和种子点初始化敏感。在存在噪声的情况下，分段区域断开。当分割区域中感兴趣的对象被合并时，分割结果会有所不同。

1.3.2 分水岭算法

分水岭算法可以借助于水在陆地景观上的行为来描述，景观被水坝分割成不同的不相交区域，大坝建在不同流域的水流汇合处，当水达到陆地景观的最高水平时，停止建造水坝。因此，景观中的每个区域都属于一个水坝。它直接产生一个完整的图像轮廓，不需要连接轮廓线［15］。分水岭算法的优点是能同时对多个区域进行精确分割，并且不需要连接轮廓线，缺点是过分割，为了克服这个缺点，需要对噪声进行预处理和后处理，以提高分割结果的正确性。

文献［16］控制标记分水岭算法使用标记和洪水，从这些标记开始进行运算，而不是使用区域极小的图像梯度，该方法对大图像效果较好。文献［17］将分水岭分割与形态学运算相结合，得到肿瘤的分割区域，并对异常脑图像进行检测，具有较好的分割精度。文献［18］提出了一种基于期望最大化算法和分水岭分割相结合的分割方法，它给出了MRI脑图像中脑脊液和灰质分割的有效梯度的结果。在脑分割中，这些方法常被用作预处理步骤。针对疾病诊断的要求，研究者们提出了更先进的自动化方法。

1.4 基于变形的分割方法

变形模型通过内部和外部的作用力，驱动图像中的曲线和曲面变形。在变形过程中，内力保持曲线的光滑性和相同的特征，而外力则驱动曲线变形为感兴趣的形状，并与图像曲线相邻区域相联系。变形模型提取具有相似结构的元素，并将边界积分为一致性和一致性结构。三维MRI数据的分割已成为一种具有挑战性的方法。变形模型分为参数变形模型和几何变形模型。

1.4.1 参数变形模型

参数变形模型即蛇型，分为显式变形模型和活动轮廓模型。利用此模型分割脑肿瘤的最重要步骤是检测脑肿瘤的边界。蛇型之所以被广泛使用，是因为它们对肿瘤边界的敏感性。它们甚至可以通过适当的初始化来跟踪对象的轮廓，与传统的Sobel和Laplacian等边缘检测分割方法相比，这种方法获得了更好的分辨率结果［19］。

文献［20］为了计算脑肿瘤的体积，提出了一种在MR图像中使用活动轮廓模型进行分割的新测量方法。肿瘤的体积是利用阿尔法形状理论从它的轮廓获得的，因为这项技术涉及受影响的组织，因而给出了更精确的结果。阿尔法形状的概念是从“形状”的自然感知中对点的空间集合进行验证的，数学定义是几何模型中特定点集的数学定义。文献［21］提出了一种新的集的方法，MRI图像的均匀性和偏场校正强度结合组织分割，并采用一个偏场的贝叶斯框架来提高校正精度。与其他的分割方法相比有着更好的结果。文献［22］通过布谷鸟搜索策略来实行活动轮廓模型，在该方法使用两个不同形状的搜索窗口。中尺度对流系统的基本思想是布谷鸟产卵在它的巢里，然后，它把卵移到下一个最好的巢里。对于给定n个巢数，为下一代提供一个具有最佳解决方案的巢。另一个巢必须换成新的卵。主要框架应用两搜索窗口形成主动轮廓。该方法能够更准确地分割肿瘤。参数变形模型的主要缺点是不能很好地处理三维MR图像中轮廓的分割和合并变化。

1.4.2 几何变形模型

几何变形模型也被称为隐式变形模型、水平集。水平集方法定义了高维曲面，并在图像域上形成曲面或轮廓。水平集比数学形态学和通常的统计分类效果更好。文献［23］将脑磁图中的组织分割和偏置场估计与能量最小化的新公式结合起来，提高了分割精度和鲁棒性。文献［24］设计了一种用于分割大脑肿瘤的新方法，它结合了自动细胞肿瘤分割和改进水平集分割，提高肿瘤的概率图空间平滑。文献［25］采用基于区域的水平集方法和改进的符号压力函数（SPF）对肿瘤进行MRI分割。无论轮廓在何处演化，都要提取对象。参数的自动调整基于阈值技术，无需人工干预。这些变形模型可以与其他算法结合，提高了MRI图像中脑肿瘤的分割精度。

1.5 基于学习的分割方法

医学图像的分析与诊断领域中机器学习方法是有效的，它有助于从经验数据中学习复杂的模式和关系并做出准确的决策。不同类别的学习方法可分为监督的学习方法和无监督的学习方法，它们均可应用在分割方法上。有监督的分割方法使用标记的MRI大脑训练数据集。监督方法旨在减少在MRI测试中推广的脑数据集的功能关系。换句话说，它是数值权重或数值系数和方程组之间的一种关系。训练数据集的选择在监督方法中起着至关重要的作用，因为不同的训练数据集会导致训练时间的极大不平等，影响分割结果［26］。监督方法中的每个样本由两个因素组成：输入特征和输出标签。

在无监督分割方法中，算法指定大脑图像中的类数和具有相似像素的数值分组，没有使用人工标注的MRI脑训练数据集。因此，只有输入特征在无监督方法中可用，而这些特征是由被抑制或忽略的变量引起的。无监督方法的目的是揭示不同特征样本中被抑制的变量。文献［27］提出了一种强大的MRI脑图像分割在超体元水平对脑组织的新方法。信息理论判别分割（ITDS）是一个聚类分析方法识别同步数据聚类和脑组织的特征选择在超体元的水平。与其他聚类方法相比，这种方法具有更高的置信度。

1.5.1 模糊C均值

模糊C均值（FCM）是一种聚类理论，将一群数据分割到两个或者更多的聚类中。它只考虑分割图像的强度，但在噪声图像中的强度也明显可以接受。FCM算法基于目标函数极小化。在肿瘤的医学诊断中，针对不同疾病的不同特点提供标准治疗方法。结合K均值和FCM分割算法，准确地检测不同大小和阶段的肿瘤［28］。利用FCM对脑肿瘤进行分割已成为一个有效的研究领域，其算法为

其中，y是聚类模糊的度（一般来说y=2），r表示数据s到聚类θ的隶属度，d表示s到聚类θ的中心的距离，r必须满足条件

r和θ由下式获得

θ的迭代终止条件为

其中，ε是一个终止参数，p是迭代次数［29］。

在FCM中，目标函数是通过隶属函数和集群中心不断更新的，除非阈值大于迭代中的优化。脑肿瘤的分割包括正常组织和异常组织，正常组织包括灰质、白质、脑脊液，异常组织包括水肿、活动细胞和坏死核。FCM用于MRI多序列数据找出原的神经病理和神经组织对比度信息的临床诊断。所得结果为多序列数据，与正常组织和强度分布重叠。文献［30］提出了一种结合区域生长和模糊知识的分割方法新的方法用于多光谱影像，命名为基于模糊知识的种子区域生长（FKSRG）。文献［31］提出了一种改进的直觉模糊（IFCM）聚类算法，将局部空间信息和本地的灰度信息混合。采用离散曲线演化技术（DCE）对T1、T2和PD脑MR图像进行聚类分割。与脑肿瘤的功能MR自动分割相比，其结果更为准确［32］。

1.5.2 马尔科夫随机场

马尔可夫随机场（MRF）属于无监督聚类分割方法，它提供了脑部MR图像像素间的空间信息和相关信息。MRF模型是备受推荐的算法，因为在MRI数据集中，像素的重叠和图像中噪声的影响都会降低。在T1和T2加权像的不同组织中，分别用不同的模型对正常组织和异常组织进行分割。利用迭代条件模型（ICM）和高斯混合模型（GMM）对这些组织进行建模和训练。MRF模型包括对邻域体素/像素的统计需要，而不需要去除形态学运算［33］。为了检测大脑的异常，文献［34］提出了一种多层MRF框架，以提供大脑各层之间的信息，包括像素强度、空间位置和结构一致性。对于给定的体素，低层对肿瘤的高分类具有相似性。针对脑肿瘤自动分割和增强的临床诊断，提出了一种新的技术，即空间精确加权隐马尔可夫模型和期望最大化算法。低分辨率图像结合空间插值的准确性来评价隐马尔可夫过程在多通道MR图像分割中的不同分辨率。同样，高分辨率数据序列与低分辨率数据序列一起使用，它们显示更精确的结果。文献［35-36］利用脑肿瘤的容积MR图像，提出了一种分割脑组织的自动方法。MRI是基于平均Atlas的非刚性配准并结合模型的肿瘤生长的生物力学和质量效应的肿瘤为软组织变形的模拟。文献［37］提出利用空间组合特征提取采用Gabor分解模式的一个方法，分离肿瘤和非肿瘤区域（包括水肿）。然后采用基于纹理特征提取的贝叶斯分类方法对肿瘤和水肿进行分割。文献［38］开发了一种分层次完全自动化的脑肿瘤分割概率框架，采用MRF适应框架和具有多窗口多光谱的脑MRI图像技术的Gabor滤波器。利用MRF分割进一步细化了结果。文献［39］提出了一个采用MRF、基于体素的MR和区域MRF的迭代框架，该框架还用于对脑图像的所有子类进行分类。MRF的主要限制是它的计算复杂度和选择参数的有效性。然而，它被用来有效地模拟纹理特性和强度不均匀性。

1.5.3 支持向量机

支持向量机是最常见和有效的监督分类与统计模式，它是一种基于核的分割方法参数。支持向量机广泛应用于脑肿瘤识别、组织分类和人脑解剖结构分割。利用支持向量机分类器对图像中两类具有最高边界超平面的区域进行分离。由于没有像阈值等先验知识，支持向量机对研究MR图像数据的非线性分布很熟悉。由于自动处理过程中，脑肿瘤特征提取与模糊聚类方法相比具有更好的分割效果，因而将支持向量机作为脑肿瘤分割的一种方法［40］。一般采用支持向量机分类器对健康组织进行分割，大多数新研究者利用支持向量机将肿瘤和非肿瘤区域分割为基于体素强度特征向量的组织子空间［41］。文献［42］提出了一种新的基于多核的多序列脑肿瘤MR图像分割方法，融合了融合过程和特征选择。这包括测量距离和最大似然函数的两个步骤，即对脑肿瘤进行分类，修正肿瘤区域的轮廓。将结果与一类SVM方法相比较，多核支持向量机方法具有更高的准确率和较低的误码率。脑肿瘤的分割在高多样性和模糊边界的外观上表现出复杂的特征，为了克服这些困难，文献［43］提出一种名为局部独立投影分类（LPIC）的脑部MRI图像的自动分割方法。与使用全局信息的分割方法相比，LPIC将全部像素自然平滑地分类。利用自适应网络模糊推理系统（ANFIS）克服了SVM分类器和神经网络在提高分割精度方面的不足［44］。该ANFIS分类器结合了模糊规则和前馈反向传播神经网络，提高了分割精度。这有助于训练从MRI脑图像中提取的特征，并将其分类为正常或异常脑图像。文献［45］将SVM分类器与EM算法相结合，与k-均值、粒子群优化算法、FCM分割方法相结合，得到了较好的分割精度和性能指标值。

1.5.4 人工神经网络

人工神经网络是一种基于聚类的分割技术。该神经网络分类器以节点为输入节点，借助数学运算对输入节点进行修改，设置绝对输出节点。人工神经网络实现脑肿瘤分割的方法具有复杂性和耗时性。在人工神经网络中，大量的图像对于训练数据集是至关重要的，它使网络规模更大，训练时间更长。

1.6 基于Atlas图集的分割方法

医学图像分割中最强大、最常用的方法是基于Atlas图集的分割。该方法利用配准算法对输入图像与预分割图像进行一对一映射，以确定分割结果。基于Atlas图集的脑图像分割算法可以提供测量肿瘤分割异常的大脑和正常的大脑数据之间的差异［46］。这种方法的局限性在医学图像的变尺寸、形状和性质等复杂结构分割中是显而易见的。从人脑MRI脑结构分割的角度出发，采用多Atlas分割方法对颅骨剥脱、组织分类、肿瘤分割等进行预处理。这种分割广泛应用于脑的结构［47］。文献［48］提出了将拓扑图与Atlas图集用于脑肿瘤的多区域分割的多水平集改进算法。文献［49］提出了无网格拉格朗日显式动力学方法，用来处理模拟Atlas变形，利用多模态MRI分割肿瘤的形状，推导出一种新的肿瘤生长模型，该方法能够处理没有网格的大变形。肿瘤生长模型使用肿瘤的实际形状，而不是不规则形状，不需要种子初始化。该方法通过并行处理增强了对参数变化的鲁棒性，减少了计算时间。基于Atlas的分割的主要缺点是它需要更多的时间来构造Atlas，优点是像素和区域强度之间关系较高。

2 结语

本文总结了不同的脑肿瘤图像分割方法，如表1所示，每种方法都声称自己比其他分割方法具有更好的结果。阈值法是一种无故障、简单的实现方法，但对噪声敏感。区域生长被认为是寻找高对比区域最快的方法，但依赖于种子点的初始化。分水岭模型有助于捕捉范围的改进，但结果过分割。变形模型有利于它们的轮廓连通性，但计算昂贵。监督方法减少了脑数据集的功能关系，无监督方法揭示了不同特征样本中被抑制的变量。这些方法缺乏分割精度，可以采用混合分割方法加以改进。混合分割结果具有良好的准确性，并在有效性和鲁棒性方面提供了更好的结果。为了提高分割方法的精度、复杂度、速度和效率，未来的研究还有很大的发展空间。

表1 脑肿瘤MRI图像分割方法的优缺点

数字图像处理方法和机器学习技术帮助放射学家进行有效地诊断，综合技术为他们提供了第二种意见和帮助。对分割出的组织进行分类，尽管目前的很多技术都取得了较高的分类准确率，但这些技术只在良性和恶性或者低级别和高级别两类疾病中进行，而未考虑WHO分级系统的肿瘤类型进一步分类。研究人员正在改进图像处理和机器学习方法，开发专门用于脑肿瘤的分级的算法，尤其是针对胶质瘤的大部分病例：星形细胞瘤。