基于细胞自动机的MRI脑肿瘤分割算法研究

摘要

脑肿瘤是指发生于颅腔内的神经系统肿瘤，包括原发性肿瘤和继发性肿瘤两类。原发性脑肿瘤是指发生于颅内脑组织、脑神经、脑膜、垂体以及胚胎残余组织等的肿瘤;继发性脑肿瘤是指颅腔外身体其他部位的恶性肿瘤转移或侵入颅内形成的转移瘤。在人群中，脑肿瘤发病率很高。据调查，原发性脑肿瘤的发病率为7.8/10万人～12.5/10万人。脑肿瘤可发生于任何年龄，以20～50岁年龄组多见。由于颅内肿瘤发生于有限的颅腔容积内，无论良性还是恶性肿瘤，占位效应本身就可以压迫脑组织并造成功能损害，甚至威胁生命。 近年来，随着环境污染的加剧、生活压力的增大以及遗传因素的影响，脑肿瘤的发病率呈逐年上升的趋势。最新的肿瘤流行病学调查研究表明，脑肿瘤发病率约占全身肿瘤发病率的1.4％，死亡率超过2.4％。脑肿瘤是一类发病率、死亡率都很高的肿瘤疾病，已经成为危害人类生命健康的杀手。 脑肿瘤的临床表现多种多样，早期症状有时不典型，甚至出现“例外”情况，而当脑肿瘤的基本特征均已具备时，病情往往已属晚期。脑肿瘤的临床表现一般为由颅内压增高引起的头痛、恶性呕吐、视乳头水肿和视力障碍、癫痫等，以及定位症状与体征如肌肉力减退、癫痫等。 临床上，医生通过详细的病史询问和神经系统检查，可以了解起病方式、首发症状、症状经过以及有无高颅压和局灶性脑症状，根据这些可以推断是否存在脑肿瘤，一般凡有进行性颅内压增高并伴随有局灶脑部症状者，基本可以确定脑肿瘤的存在。进一步参照脑肿瘤的好发年龄、好发部位、症状的发生方式及进展情况以判断肿瘤的部位和性质。医生在诊断脑肿瘤时常辅助使用影像诊断来进行。计算机断层摄影(Computed Tomography, CT)和磁共振成像(Magnetic Resonance Imaging，MRI)已成为目前诊断脑肿瘤的最主要影像学手段。CT和MRI的应用大大提高的脑肿瘤的诊断能力，也使得脑肿瘤的临床治疗效果得到了改善。 早期诊断，早期治疗是包括脑肿瘤在内所有疾病的医疗原则，治疗越早，效果越好。脑肿瘤的治疗原则上是以手术治疗为主，辅助以放疗、化疗、生物治疗等方式。手术治疗需要对脑肿瘤进行合理、有效的检测和监测，以尽可能的切除脑肿瘤。但由于恶性肿瘤的侵入性生长，使其在图像上表现为与周围组织边界模糊，这给临床医生的诊断带来了很大困难。同时，医生在诊断脑肿瘤时，存在一定差异。不同医生对同一个病人的脑肿瘤图像，或是同一个医生在不同时期对同一个病人的脑肿瘤图像的分割结果存在一定的差异。利用计算机技术对脑肿瘤进行有效分割，越来越受到人们的重视。 在现代医学影像诊断技术中，MRI是一种重要的解剖性影像诊断技术。磁共振成像具有较高的组织对比度和组织分辨率，对组织的形态和病理改变有很高的敏感性，无电离辐射，属于无损伤性检查。同时，它可以进行多参数、多序列，任意方位的成像。目前，MRI已成为诊断脑肿瘤的主要手段。临床上，脑肿瘤的分割一般由经验丰富的医生在MRI图像上，利用计算机辅助软件，手动分割来完成的。手动分割有很强的主观性，可重复操作性差。同时，在磁共振成像的过程中，由于噪声、组织运动和局部体积效应等的影响，获得的图像对比度低，不同病灶与周围组织之间边界模糊，这又给手动分割带来了更大的困难。因此，利用脑肿瘤分割算法对脑肿瘤进行效应分割，成为临床上治疗脑肿瘤的迫切需要。 图像分割就是把图像中的感兴趣区域分出来，使这些分开的区域之间相互不交叉，每个区域都满足特定区域的一致性。图像分割是图像分析和图像理解的基础，在医学、军事等领域都有着广泛的应用，吸引了国内外许多专家学者进行研究。随着研究的深入，研究人员提出了很多实用的分割算法，大致可分为基于区域的分割方法、基于边缘的分割方法、结合特定理论工具的分割方法等几类。基于区域的分割方法主要包括阈值法、区域生长和分裂合并法、特征聚类法以及基于马尔科夫随机场的方法。基于边缘的分割方法是通过检测边缘来进行分割的。为此，设计成了各种检测算子，如Sobel算子、LOG算子、Krish算子、Canny算子等。结合特定理论工具的分割方法主要包括基于数学形态学的分割方法、基于神经网络的分割方法、基于模糊理论的分割方法、基于分形理论的分割方法，基于形变模型的分割方法等。这些分割方法各有优缺点，基于马尔科夫随机场的分割方法虽然得到了广泛应用，但边缘定位不准确，运算量大，而且优化过程比较复杂。基于边缘检测的分割方法定位比较精确，但受噪声影响大，仅使用该方法很难对医学图像进行有效分割。基于神经网络的分割方法对随机噪声具有很强的鲁棒性，对人工干预要求比较小，但是图像的能量函数容易陷入局部最小。基于形变模型的分割方法对噪声和伪边界具有很强的鲁棒性，并且可以直接产生闭合参数曲线或曲面，但它对轮廓的初始位置比较敏感。 随着理论研究的深入，细胞自动机越来越受到研究者的关注。细胞自动机(Cellular Automata，简称CA)是定义在有限状态、离散的细胞空间上，并按照一定的局部规则，在离散的时间维度上进行演化的动力学系统。细胞自动机主要包括细胞节点集合、邻域系统以及状态转移函数。细胞自动机的空间结构与数字图像的网格式存储结构具有一致性，可以把数字图像中的每个像素点一一对应到细胞自动机空间中的每个细胞单位上。依据处理目的的不同来制定不同的状态转移函数，从而得到不同的分割效果。 Grow Cut算法是一种基于细胞自动机的分割算法，主要应用于图像编辑和医学图像处理领域。它是一种交互式分割方法，可以利用一些先验知识进行简单的交互处理，简化分割过程。使用Grow Cut算法对MRI脑肿瘤图像进行分割时，分割结果不理想，主要因为该算法的状态转移函数不适用于复杂的MRI脑肿瘤图像，往往误判脑肿瘤边界附近的像素点，不能准确找到脑肿瘤边界。 本文提出了一种新的基于细胞自动机的MRI脑肿瘤分割算法。该分割算法在细胞自动机的基础上，引入了活动轮廓模型来对分割算法进行优化。本文对种子点的选取进行了改良，只需要手动标记前景种子点就可以了，背景种子点通过一定的计算来得到，这就简化了人工交互过程。使用8邻域的Moore邻域来定义每个像素点的邻域空间，针对MRI脑肿瘤图像的特点，构造合适的状态转移函数，并使用一些先验知识对状态转移函数进行约束。当细胞自动机演化结束后，可以得到脑肿瘤图像的标号图，此时得到的分割结果还不够精确，会把脑肿瘤区域附近的一些非肿瘤像素点错分为肿瘤像素点。使用活动轮廓模型对标号图进行优化处理，最终可得到精确的脑肿瘤分割结果。 使用我们提出的分割算法对临床脑肿瘤图像进行分割，实验数据是由在线数据库BRATS2012提供的对比增强T1加权MRI图像。把专家手动分割的结果作为分割真值，来对分割结果进行评价。使用Dice系数(DSC)、JM相似性系数(Jaccard's Measure)、Sensitivity(Sens.)和假阳性率(FPR)等技术评价指标对分割结果进行评价。评价结果显示，本文提出的分割算法具有很高的准确性，与真值结果很接近。由此验证了本文分割方法具有很高的可行性和实用性。

目录

摘要

第一章 绪论

1．1 课题背景及研究意义

1．1．1 课题背景

1．1．2 研究意义

1．2 本文研究内容和论文框架

1．2．1 研究内容

1．2．2 论文框架

第二章 医学图像分割方法

2．1 基于阈值的图像分割

2．2 基于边缘的图像分割

2．3 基于区域的图像分割

2．4 纹理分割

2．5 图像分割的评价标准

2．5．1 基于区域的评价

2．5．2 基于距离的评价

第三章 细胞自动机理论及应用

3．1 细胞自动机理论

3．1．1 细胞自动机的定义

3．1．2 细胞自动机的特征

3．1．3 细胞自动机在图像分割中的应用

3．2 Grow Cut分割算法

3．2．1 交互式图像分割

3．2．2 Grow Cut算法的细胞空间及初始化

3．2．3 Grow Cut算法的演化规则

3．2．4 Grow Cut算法分割MRI脑部肿瘤

第四章 新型基于细胞自动机的MRI脑肿瘤分割算法

4．1 种子点的选取

4．2 细胞自动机的演化

4．3 标号图的活动轮廓演化

4．4 新型脑肿瘤分割算法流程

4．5 实验结果及分析

第五章 工作总结与展望

5．1 论文总结

5．2 工作展望

参考文献

攻读硕士研究生期间完成或发表的论文

致谢

声明