易坊好文馆

  1. 首页 > 文娱 >

「图像处理」科普 | 图像分割新方法“精确制导”打靶头颈癌完成一例脑干的图像分割耗时仅为36分钟( 二 )


这些方法在勾画靶区时均有所侧重 ， 有的基于灰度 ， 有的基于形状模型 ， 有的基于图谱 ， 每种方法各有所长 ， 但也各有所短 。 因此 ， 他意识到 ， 靶区勾画方法可能呼唤新的交叉或综合 。
以基于灰度的方法为例 ， 王振松说 ， “计算机可以帮助医生区分CT影像中人眼无法识别的细微灰度变化 ， 但头颈部的软组织在CT图像上的灰度分辨率很低 ， 即便是计算机也很难精准区分 ， 误差较大 。 而且 ， 如果遇到金属植入物干扰 ， 比如金属假牙在CT成像中会产生一块伪影 ， 导致靶区勾画更加困难 。 ”
难道鱼与熊掌真的不能兼得吗？能否把这些方法综合起来 ， 各取所长、相互印证 ， 进一步提升勾画的准确度呢？
王振松的思路是 ， 把图谱和形状综合起来 ， 提出一种“多级学习模型” ， 先让计算机“学习”大量的图谱 ， 这些图谱都是由医生手工勾画并经过临床检验的 ， “先验”地掌握头颈部器官或组织的分布规律 。
「图像处理」科普 | 图像分割新方法“精确制导”打靶头颈癌完成一例脑干的图像分割耗时仅为36分钟
本文插图

上图为不同方法分割结果的视觉效果比较 。 第1行是包含脑干的失状面CT成像切面；第2行是包含下颌骨的轴向CT成像切面；第3行是包含左腮腺的轴向CT成像切面 。 每行的6列分别为原始CT影像以及五种分割后的结果轮廓 ， 不同颜色表示不同方法的分割结果：(a)原始CT影像；（b）绿色-目标器官的真实轮廓；（c）蓝色-基于灰度图像表观方法的分割结果；（d）粉色-传统的形状模型方法的分割结果；（e）黄色-等权重顶点回归方法的分割结果；(f)红色-王振松提出的多级顶点回归方法的分割结果 。 可以看出 ， （f）图勾画的结果最接近（b）图的器官真实轮廓）
然后 ， 计算机又结合基于解剖学的“组织器官”的形状等先验知识 ， 按照知识关键性进行同步逐级学习 。 在此过程中 ， 该方法建立了“形状顶点关键度评判”新机制 ， 提出了“多级形状顶点回归”新策略 ， 构建了“形状和图像表观联合学习”新框架 。 “这个方法可以很好地解决金属假牙造成的干扰 ， 这是单纯地基于灰度的方法难以解决的问题 。 ”
通过比较 ， 他提出的“多级顶点回归方法”的分割结果最接近目标器官的真实轮廓 。
实验数据显示：在勾画脑干时 ， 其他5种方法的DSC值（Dice Similarity Coefficient ， 即一种相似性测度 ， 数值越高意味着越相似、越准确）分别为88±3%、86±5%、85±5%、80±7%、86±（-）% ， 而王振松的结果是90±4%；在勾画下颌骨时 ， 其他5种方法的DSC值分别为91±2%、93±2%、88±6%、92±2%、79±5% ， 而王振松的结果是94±1%；在勾画腮腺时 ， 其他5种方法的DSC值分别为82±1%、76±8%、82±5%、81±5%、82±（-）% ， 而王振松的结果是83±6% 。
也就是说 ， 他的方法在靶区勾画的精确度上有了大幅提升 。
「图像处理」科普 | 图像分割新方法“精确制导”打靶头颈癌完成一例脑干的图像分割耗时仅为36分钟
本文插图

图中第一行为不同方法勾画脑干的结果对比；第二行为勾画颌骨的结果对比；第三行为勾画左右腮腺的结果对比 。 可以看出 ， 王振松的方法DSC值最高 ， 勾画效果最好 。
美好心愿：“信息医学”让医疗更智能
2015年底至2016年底 ， 王振松在美国北卡罗莱纳大学教堂山分校访学时 ， 在沈定刚教授的指导下开始研究头颈部CT图像的处理问题 。 从接触这个研究方向到最终做出这项成果 ， 他只用了一年时间 。
“我刚开始做的是图像配准研究 ， 就是把不同时间、不同传感器或不同条件下获取的图像进行匹配、叠加 ， 这和我现在所做的CT图像分割研究有很大区别 ， ”他说 ， “沈定刚教授团队有很好的研究基础 ， 因此 ， 我有幸能够站在前人的基础上 ， 取得了这项研究进展 。 ”
与最终发表的论文相比 ， 编算法、写代码是更加艰辛的工作 。 为了让计算机“学”会如何分割或识别图像 ， 他编写了大量代码 ， 而且要在测试的过程中不断修正 ， 甚至按照新的思路推倒重写 。

推荐阅读


上一篇：「纽约」美国新冠肺炎确诊病例超3万 地方政府很着急

下一篇：『健康』一个“乙肝妈妈”的两次生育