基于CT图像的结肠分割综述-2.0(曹剑钊)汇编.docVIP

基于CT图像的结肠分割综述 引言 1.1背景及来源 结肠癌是常见的消化道恶性肿瘤占胃肠道肿瘤的第3位好发部位为直肠及直肠与乙状结肠交界处传统的光学结肠镜检查可以使息肉变得肉眼可见，它的缺点给病人身体带来很大的不适。随着体绘制和可视化技术的成熟，虚拟结肠镜(Virtual Colonoscopy ,VC)技术应运而生。它利用CT或者MRI图像，重建整个结肠内腔的三维结构，通过在整个结肠内部进行漫游来寻找检测结肠内壁上的突起及息肉等异常病变的结构，模拟传统的光学结肠镜检查。虚拟结肠镜具有非侵入性的特点，能够很大程度地减少病人在检查时的不适，适于早期体检和肿瘤的早期发现。CT扫描仪的医院门诊部或治疗中心进行，检查一般分为四个步骤。首先病人要进行清肠准备，一般是扫描的前3-4天只吃流食来避免结肠内残留食物，在扫描前一般还会进食钡餐来标记结肠中没被排净得残留物，同时医生还会给病人置入一个直肠管，向结肠中灌入二氧化碳或空气以便能够使结肠膨胀得到清楚的数据。第二步是给病人进行CT扫描，一般都会扫描两次，一次俯卧，一次仰卧，大约需要10-20分钟，由放射科医生在熟练技师的辅助下完成。扫描过程中，医生会让病人保持不动，并且屏住呼吸几秒钟。第三步，对扫描出来的CT图像进行三维重建和一些预处理。这一步中，对结肠的准确分割是最重要的一步，它直接决定后续检查诊断的准确性。最后一步就是利用面绘制或体绘制在结肠内腔进行虚拟漫游检查息肉。 研究现状及问题 2.1研究现状 自1993 年Vining等人首次提出虚拟支气管内窥镜以来, 虚拟内窥镜技术已被应用到许多临床实验和各种医学诊断中, 主要集中在那些具有空腔组织结构的器官上, 如结肠、气管、血管、内耳等。比较典型的应用有美国GE Research Development Center 开发的虚拟内窥镜医学应用系统(VEMA) , 可以检查人体的多个部位：虚拟结肠、虚拟支气管和虚拟脉管。West Forest 大学虚拟内窥镜研究中心研发了一套Free Flight虚拟内窥镜软件系统。美国Boston SurgicPlanning Laboratory 建立的一种虚拟耳窥镜系统, 以三维形式显示耳的解剖结构来模拟传统内窥镜对内耳的检查过程。法国Laennec Hospital开发的虚拟内窥镜系统主要用来对食管、喉进行虚拟内窥。国内对虚拟内窥镜技术也十分重视, 目前许多重点大学和机构都在研究。其中西北大学的交互式虚拟内窥镜系统、中国科学院自动化所的3DMED 系统已初现成效；浙江大学、中国科技大学等高校也有相关的研究。 检查精度是计算机辅助诊断（CAD）必须面对的问题。结肠体的分割是虚拟结肠镜的检查精度的直接影响因素，所以为了保证虚拟结肠镜的检查精度，必须保证结肠分割的准确性和完整性。,它主要是根据图像中一个或多个特征将图像分为目标区和背景区,分割结果不但和处理仪器有关也和人本身的视觉特性有很大关系,其中图像处理仪器受很多因素的干扰，使得图像除了目标外还存在随机噪声,同时人的视觉对灰度级别不是严格确定的，因此图像分割是一种典型的结构不良问题。 简单的阈值分割不能解决虚拟结肠镜所要求的结肠分割，其原因有两个：第一，CT成像技术自身所带来的部分容积效应（Partial Volume Effect），形成了很多PVE点，如图1所示；第二，在虚拟结肠镜检查前做的清肠准备不完全所导致的结肠内有残留食物或者粪便，如图所示。这两个问题正是结肠分割面临的最大问题。 图1 边界的部分容积效应图2 结肠内部有残留物在同一扫描层面内含有两种以上不同密度而又互相重叠的物质时,则所得的CT值不能如实反映其中任何一种物质的CT值容积效应（Partial Volume Effect[8]。不同的出发点和准则通常会导致不同的聚类算法分类法，一种粗略但被广泛接受的分类法是根据生成聚类的特性将聚类分为层次方法(hierarchical clustering)和划分方法(partitional clustering )[13]。层次方法通过创建一个层次将数据分解成给定的数据集，而划分方法直接将数据划分成预先指定类别数的子类，不需要创建层次结构。 临近 (距离或相似性)度量是大部分聚类算法的基础。主要的相似性度量方法有：Mlnkowski距离、Euclidean 距离、City-block距离、Sup距离、Mahalanobis距离、Pearson相关、点对称距离和余弦相似性。度量方法的选择依赖于具体的聚类问题。主要的聚类方法有：(1) 基于平方误差的聚类，如K-means 算法[14]；(2) 基于混合密度的聚类，如期望最大(EM)算法[15]和高斯混合密度分解(GMDD)算法[16]；(3)基于图论的聚类，如基于