影像引導(dǎo)放療中交互式腫瘤靶區(qū)勾畫方法

周 武 謝耀欽 田洋洋

(中國科學(xué)院深圳先進技術(shù)研究院深圳518055)

影像引導(dǎo)放療中交互式腫瘤靶區(qū)勾畫方法

周 武 謝耀欽 田洋洋

(中國科學(xué)院深圳先進技術(shù)研究院深圳518055)

在圖像引導(dǎo)放射治療中腫瘤(靶區(qū))和危險器官的勾畫是制定放療計劃的重要環(huán)節(jié)。在臨床應(yīng)用中靶區(qū)勾畫通常是由醫(yī)生手動完成，雖然這種方法普遍被認為可靠，但是耗時較多且精度受醫(yī)生主觀影響較大。由于臨床上人體組織結(jié)構(gòu)的多樣性和靶區(qū)目標(biāo)影像的復(fù)雜性，自動勾畫方法在精度和可靠性上并不能較好的滿足實際臨床需求。文章提出了一種交互式輪廓勾畫的方法，結(jié)合自動的活動輪廓模型和手動交互的多尺度曲線編輯方法實現(xiàn)靶區(qū)的快速精確勾畫。通過初始化輪廓調(diào)整使活動輪廓模型快速可靠地達到目標(biāo)輪廓，然后使用多尺度數(shù)字曲線編輯可實現(xiàn)對復(fù)雜形狀輪廓的快速修正。醫(yī)學(xué)臨床實驗結(jié)果驗證了方法的有效性。

輪廓勾畫，活動輪廓模型，曲線編輯，放療計劃，影像引導(dǎo)放療

1 引 言

影像引導(dǎo)放射治療(Image Guided Radiation Therapy, IGRT)是一種四維的放射治療技術(shù)，它在三維放療技術(shù)的基礎(chǔ)上加入了時間因數(shù)的概念，充分考慮解剖組織在治療過程中的運動和分次治療間的位移誤差，如呼吸和蠕動運動、日常擺位誤差、靶區(qū)收縮等引起放療劑量分布變化和影響治療計劃等方面的情況。在患者進行治療前和治療中利用各種先進的影像設(shè)備對腫瘤及正常器官進行實時監(jiān)控，并能根據(jù)器官位置的變化調(diào)整治療條件使照射野緊緊“追隨”靶區(qū)，使之能做到真正意義上的精確治療[1]。在腫瘤放射治療的圖像處理和分析中，快速準(zhǔn)確地勾畫出一些感興趣區(qū)對于患者的圖像分析、準(zhǔn)確治療以及減少臨床醫(yī)生工作量有著極大的幫助[2]。

臨床上，靶區(qū)的勾畫通常由醫(yī)生在體數(shù)據(jù)中一層層手動完成[3]。手動分割過程比較精確，但勾畫過程給醫(yī)生負擔(dān)較重，精度受醫(yī)生主觀影響較大。近年來，大量的計算機輔助勾畫方法不斷被應(yīng)用于醫(yī)學(xué)臨床，這些方法中既有半自動也有全自動的[4]。半自動的勾畫方法主要是分割過程加入用戶的輸入信息，使靶區(qū)勾畫在用戶的控制下進行，主要運用于基于閾值法[5]、區(qū)域增長[6]、變形模板[7,8]等。全自動方法在靶區(qū)勾畫中無需任何用戶的輸入，主要依據(jù)分割的先驗知識。比較經(jīng)典的自動分割方法是基于標(biāo)記集的分割方法和基于統(tǒng)計形狀模型的分割方法。盡管自動和半自動方法均在醫(yī)學(xué)圖像分割中被廣泛應(yīng)用，但仍然很難滿足醫(yī)學(xué)臨床的精度和效率的要求。主要原因是臨床醫(yī)學(xué)影像的灰度分布不均勻、對比度較低及噪聲較大，另外靶區(qū)目標(biāo)的邊緣可能模糊和部分缺失[3]。這些因素使得傳統(tǒng)的基于閾值和灰度區(qū)域增長等半自動方法很難獲得精確穩(wěn)定的靶區(qū)輪廓，而活動輪廓模型對于模糊邊緣和形狀較復(fù)雜的靶區(qū)輪廓很難獲得精確的定位。

本文提出了一種交互式目標(biāo)輪廓的勾畫方法。結(jié)合自動的活動輪廓模型和手動交互的多尺度曲線編輯方法實現(xiàn)靶區(qū)的快速精確勾畫。首先，用戶在醫(yī)學(xué)影像中手工畫出包含有感興趣區(qū)域的輪廓。由于該手動勾畫與真實輪廓位置之間一般包含較大的偏差，通過活動輪廓模型使手動勾畫輪廓演化到真實輪廓。

2 方 法

2.1 方法流程

研究目的是在臨床應(yīng)用中簡單快速地實現(xiàn)靶區(qū)的輪廓勾畫。我們結(jié)合傳統(tǒng)的活動輪廓模型和數(shù)字曲線，設(shè)計一種結(jié)合手動和自動的交互式靶區(qū)勾畫方法。輪廓勾畫方法的流程圖如圖1所示，該方法主要包括三個步驟：首先是手動初始化，用戶通過按住鼠標(biāo)左鍵實現(xiàn)感興趣區(qū)域的選擇，手動選擇并移動自動生成的控制點，改變初始勾畫輪廓的位置。其次是通過活動輪廓模型使初始化曲線自動演化。最后通過鼠標(biāo)拖拽多尺度間距的控制點手動修改輪廓。該方法結(jié)合了自動勾畫和手動勾畫的優(yōu)點。一方面，手動勾畫結(jié)果采用數(shù)字曲線表征和控制點位置調(diào)整，可以快速方便地實現(xiàn)輪廓勾畫。將臨床醫(yī)生的寶貴經(jīng)驗融入手動調(diào)整過程。同時，自動輪廓模型的設(shè)計使手動生成的輪廓更加精確，克服了手動分割時主觀因素引起的偏差。

圖1 輪廓勾畫方法流程圖Fig.1. The framework of the proposed contour delineation algorithm

一般情況下，活動輪廓模型在圖像的邊緣較清晰且對比度較高時，可以獲得較精確的結(jié)果。由于醫(yī)學(xué)影像的灰度分布不均、對比度較低且圖像噪聲較大，自動的活動輪廓模型往往包含一些偏差。特別是在靶區(qū)邊緣較模糊或邊緣缺失時，活動輪廓模型很難獲得令人滿意的勾畫結(jié)果。因此，在臨床應(yīng)用中，最后階段的手動編輯是非常必要的。此外，活動輪廓模型的初始輪廓需要靠近真實的目標(biāo)輪廓，一旦初始輪廓距離真實輪廓較遠，活動輪廓模型將很難穩(wěn)定地收斂于真實輪廓，而且耗費時間較多。本文方法可以大大提高活動輪廓模型在臨床應(yīng)用中的性能。一方面，手動初始化和調(diào)整的過程可以為活動輪廓模型產(chǎn)生盡可能接近真實邊界的初始輪廓。如果初始輪廓接近實際輪廓，那么活動輪廓模型的輪廓演化收斂更快，且更可靠。另外，手動細化過程可以改進活動輪廓模型的結(jié)果，在復(fù)雜的醫(yī)學(xué)影像中減少靶區(qū)勾畫的偏差。

2.2 數(shù)字曲線生成和調(diào)整

曲線擬合方法是通過對控制點集擬合生成參數(shù)曲線，利用參數(shù)曲線描繪一個區(qū)域輪廓。因此，通過改變控制點集的空間位置可調(diào)整參數(shù)曲線的形狀。靶區(qū)勾畫中，在手動勾畫的初始化輪廓上自動產(chǎn)生一些控制點集合，然后手動調(diào)整控制點的位置使參數(shù)曲線和靶區(qū)的真實輪廓重合，這樣就達到了手動調(diào)整的目的。在眾多的曲線擬合方法中，選擇了三次Hermite插值方法[9]，因為這種方法計算簡單、曲線平滑。假定向量P0和P1分別表示曲線的起點和終點，向量u0和u1表示曲線離開起點和終點的切線，則四個Hermite基函數(shù)如下：

上述四個向量P0，P1，u0與u1和上述四個Hermite基函數(shù)相乘后相加，就得到了Hermite曲線的一般形式：

圖2 臨床影像的初始輪廓和手動調(diào)整后輪廓Fig.2. Initial drawing and interactive calibration results for clinical CT images

2.3 活動輪廓模型

活動輪廓模型已被廣泛應(yīng)用于醫(yī)學(xué)影像的邊緣檢測和分割。該模型被定義為能量最小化的樣條曲線，能量取決于輪廓形狀和在圖像內(nèi)的位置。輪廓的形狀被內(nèi)力和外力控制，外力引導(dǎo)圖像中輪廓模型的特征，而內(nèi)力為輪廓模型平滑的約束力。假定向量作為輪廓模型的參數(shù)曲線，參數(shù)s從0到1變化，那么活動輪廓模型的能量函數(shù)定義如下：

其中，Eint是迫使活動輪廓曲線短小而光滑的內(nèi)部能量，Eext是使活動輪廓在圖像中趨近對象邊緣的外部能量。普遍的外部能量采用梯度值的逆度量，即邊緣的位置能量較低，而高能量在邊緣以外的區(qū)域。這里的目的是找到這樣輪廓曲線P(s)，使活動輪廓模型的總能量最小化。該內(nèi)部能量被定義為：

為了最小化能量函數(shù)，我們使用Euler-Lagrange方程：采用梯度下降法求解上述方程。將活動輪廓轉(zhuǎn)換成關(guān)于時間 t 的函數(shù)，并且用P對時間的偏導(dǎo)數(shù)替換公式(6)中右式的0：

當(dāng)輪廓模型收斂至最小值時，上述方程的解P(s,t)將穩(wěn)定，它對時間的導(dǎo)數(shù)將為零，因此可以得到上述Euler-Lagrange方程的解。

一般情況下，活動輪廓模型要求初始輪廓盡可能地接近真實的輪廓邊緣。如果活動輪廓模型的初始輪廓距離目標(biāo)邊界較遠，上述輪廓演化可能無法收斂到目標(biāo)邊界。圖3顯示了在不同的初始輪廓下活動輪廓模型的演化結(jié)果。需要注意的是，圖3(b)中的初始輪廓是通過移動圖3(a)的初始輪廓控制點產(chǎn)生的，因此如果初始輪廓偏離實際輪廓遠離，結(jié)果會變得較差。因此，在臨床應(yīng)用中，手動修改初始化初始輪廓使其盡可能地接近實際輪廓是必要的。如果初始輪廓靠近實際輪廓，輪廓演化消耗的時間將被大大降低。此外，醫(yī)學(xué)影像中尖銳的邊緣被活動輪廓模型的內(nèi)部能量計算而平滑，因而臨床醫(yī)療圖像中活動輪廓模型的最終結(jié)果通常包含錯誤。

圖3 不同初始輪廓的活動輪廓模型演化結(jié)果Fig.3. The results of the snake model with different initial contour

圖4顯示了活動輪廓模型在較好的初始輪廓和最佳參數(shù)時的演化結(jié)果，其中，紅色顯示所獲得的輪廓，綠色圓圈中包含的輪廓錯誤是由于高曲率的邊緣和模糊的邊界引起的。我們在試驗中發(fā)現(xiàn)，在靶區(qū)邊緣模糊或部分缺失時，活動輪廓模型的靶區(qū)勾畫錯誤很常見。

圖4 活動輪廓模型的演化結(jié)果Fig.4. The result of the snake model

2.4 多尺度曲線修正

由于在臨床應(yīng)用中活動輪廓模型的靶區(qū)勾畫普遍存在偏差，手動編輯修正這些邊界錯誤非常必要。一般情況下，從活動輪廓模型中得到的邊界大部分是正確的，少部分由于邊緣模糊或缺失會包含錯誤。手動編輯應(yīng)該只修改在有限區(qū)域的邊界錯誤而保持其他勾畫正確的邊界地區(qū)不變。因此，手動編輯是局部控制過程，對一個邊界區(qū)域操作不影響其他的邊界區(qū)域。此外，靶區(qū)輪廓形狀可能很復(fù)雜，固定數(shù)量控制點的擬合曲線可能無法較好地表征復(fù)雜形狀的靶區(qū)輪廓。為此，我們設(shè)計了一個分層的多尺度方法用于修改的控制點，通過控制點的增加提高擬合數(shù)字曲線的伸縮性，從而更好地表征復(fù)雜靶區(qū)輪廓。圖5顯示了分層多尺度方法生成的控制點。在第一層，活動輪廓模型得到的輪廓只生成13個控制點。由于邊界的形狀復(fù)雜，第一層的13個點不能較好的描繪目標(biāo)輪廓。圖5(a)中Hermite插值曲線(藍色)和活動輪廓(紅色)在尖銳區(qū)域的擬合不一致，藍色的擬合曲線與實際邊緣偏差也較大。在靶區(qū)邊緣形狀不復(fù)雜的情況下，很少的控制點就足夠描繪它們結(jié)構(gòu)特征。因此，手動編輯很少的控制點就足夠產(chǎn)生滿意的修正結(jié)果。然而，人體組織解剖結(jié)構(gòu)是復(fù)雜的，較少的控制點擬合的數(shù)字曲線有時很難精確表征結(jié)構(gòu)輪廓，因此，有時需要產(chǎn)生大量控制點用于手動編輯。如圖5(c)和(d)所示，在較多的控制點情況下，Hermite插值曲線(藍色)和活動輪廓(紅色)很吻合。

圖5 分層的多尺度方法生成均勻分布的控制點Fig.5. A hierarchical multiscale approach to generate uniformly spaced control points for manual editing

圖6顯示了用手動編輯改進的活動輪廓模型輪廓的結(jié)果，它清晰地顯示了通過操縱幾個相關(guān)控制點而獲得令人滿意的最終輪廓。其中，紅色曲線為活動輪廓模型產(chǎn)生的原始輪廓，紅色十字為產(chǎn)生的控制點。綠線為手動編輯后產(chǎn)生的最終輪廓，白色十字為經(jīng)過修正的相關(guān)控制點。其它不必修正的控制點則一致顯示為白色。圖 6(a)顯示了為改進活動輪廓模型產(chǎn)生的輪廓，在第三級修改了6個相關(guān)控制點位置。圖6(b)顯示了在第四級中修改了12個相關(guān)控制點位置。一般來說，手動編輯越多的控制點將會使輪廓的勾畫越精細，使修正的曲線越接近真實輪廓。然而，對于使用者而言，修正大量控制點既耗時又容易產(chǎn)生疲憊感。一般第三層產(chǎn)生的控制點已適合手工編輯，而對一些相關(guān)控制點的手工修改可以改善活動輪廓模型的輪廓。如果臨床醫(yī)生想通過手動編輯生成更精確的邊界，可以修正更多相關(guān)控制點產(chǎn)生尖銳輪廓，那么選擇第四層的控制點會更好。

圖6 手動編輯結(jié)果Fig.6. Manual editing

多層控制點生成的優(yōu)點是兼顧控制點調(diào)整的效率和輪廓勾畫的準(zhǔn)確性。因此，我們根據(jù)區(qū)域邊界的長度設(shè)計了一個分層生成控制點的策略。如果活動輪廓模型的演化輪廓出現(xiàn)較大的偏差時就自動生成間距較大的控制點網(wǎng)格，且控制點的數(shù)量相對較少，一個控制點位置的改變將影響較大區(qū)域的曲線輪廓。為了進一步細化結(jié)果，控制點網(wǎng)格要逐步細化。在這種情況下，第i層控制點網(wǎng)格插入新的控制點，建立i+1層細化控制點網(wǎng)格，則每一步控制點間距減半，控制點數(shù)量加倍，而相應(yīng)控制點對周圍輪廓區(qū)域的影像面積也減小。隨著在不同層控制點的修正，將會生成與實際輪廓一致的最終輪廓，這個修正過程直至觀察到滿意的結(jié)果為止。很明顯通過逐步細化可以表達復(fù)雜的形狀，這使得通過用更多的控制點修正小的輪廓以保證其準(zhǔn)確性成為可能。同時，也可以用相對較少的控制點修正大的輪廓，而且這個過程是高效和快速的。

3 結(jié) 果

為了驗證方法的有效性和穩(wěn)健性，我們使用了各種臨床醫(yī)學(xué)圖像，如：CT圖像、MRI圖像和超聲圖像對方法進行測試。在實驗中分別詳細顯示初始輪廓、活動輪廓和手動修正的靶區(qū)勾畫結(jié)果。在醫(yī)學(xué)圖像分割中，由于醫(yī)學(xué)組織結(jié)構(gòu)的復(fù)雜性和很難獲得真實的靶區(qū)輪廓作為標(biāo)準(zhǔn)，嚴(yán)格意義上的量化結(jié)果很難獲得。因此，在文中給出了定性的對比分割結(jié)果。

影像測試數(shù)據(jù)來源于臨床醫(yī)學(xué)，圖7(a)為增強型CT肝臟掃描圖像[10]，圖7(b)為心臟左心室MRI圖像[11]。圖7(c)為一個年輕的男性前列腺超聲圖像[12]，圖中箭頭指向的囊性結(jié)構(gòu)(箭頭)代表前列腺囊腫。由于超聲圖像的分辨率和對比度較低，而且圖像質(zhì)量受到斑點噪聲影響較大，無論是手動分割還是自動分割方法的輪廓都包含較大的分割錯誤。

圖8中顯示了本文方法的分割結(jié)果，從視覺上看，最終輪廓較好地表征了靶區(qū)輪廓。雖然如圖9所示活動輪廓模型可以得到非常平滑的輪廓，但往往偏離真實的邊界。其原因是：在尖銳的邊緣部分活動輪廓模型的內(nèi)部能量使高曲率變得平滑，使演化后的輪廓無法精細定位于真實邊緣輪廓。例如，在圖7(a)所示的CT圖像中，目標(biāo)邊界對比度較低，活動輪廓模型的結(jié)果中包含較大的偏差。本文方法在精細調(diào)整后，可以觀察到最終輪廓并沒有明顯的錯誤。對控制點的手動編輯可以大量減少活動輪廓模型邊界錯誤，這個過程可以通過修正幾個相關(guān)控制點實現(xiàn)。

本文所描述的靶區(qū)勾畫方法已被用于二維臨床醫(yī)學(xué)影像。操作過程包括手動初始化輪廓勾畫，活動輪廓模型演化和交互式手動編輯。512×512像素的二維醫(yī)學(xué)影像輪廓勾畫可能需要幾秒鐘，其中一次Hermite插值擬合需要的時間不超過0.02秒。如果初始輪廓遠離實際輪廓，活動輪廓模型需要耗費大量的時間。然而，所提出的手動初始化方法使初始輪廓接近實際輪廓。因此，如表1所示，活動輪廓模型只需要1~2秒即可完成臨床圖像的輪廓演化?；顒虞喞Ｐ偷牡鷧?shù)最大限度是50?；顒虞喞Ｐ秃馁M的時間和得到的初始輪廓接近實際邊界是值得的注意的，因為初始輪廓收斂到實際輪廓演化需要最少的次數(shù)，所以輪廓時間消耗最低。

圖7 IGRT治療計劃中的臨床醫(yī)療影像Fig.7. Clinical medical images in treatment planning in IGRT

圖8 輪廓修訂(藍色為活動輪廓模型所產(chǎn)生的輪廓，綠色為手動編輯后的最終輪廓)Fig.8. Contour delineation by the proposed method(blue shows the contour generated by the snake model and green shows the fi nal contour after manual editing)

圖9 基于活動輪廓模型的CT，MR，US勾畫輪廓圖像(藍色為初始輪廓，紅色為活動輪廓模型演化產(chǎn)生的最終輪廓)Fig.9. Contour delineation by basic snake model for CT, MR, US images with optimal parameters(blue shows the initial contour and red shows the fi nal contour generated by the snake model)

表1 初始輪廓接近真實輪廓時活動輪廓模型演化耗費時間(/s)Table1. The time consuming of the snake model with initial contours which are close to the actual boundary (/s)

4 結(jié) 論

本文提出了一種新的交互式靶區(qū)輪廓勾畫方法，通過使用活動輪廓模型和多尺度曲線編輯可獲取滿意的靶區(qū)目標(biāo)輪廓。所提出的技術(shù)在臨床應(yīng)用中允許用戶通過簡單的鼠標(biāo)操作迅速修正輪廓，并且克服了臨床應(yīng)用中活動輪廓模型的弊端。實驗結(jié)果顯示了該方法在臨床應(yīng)用中靶區(qū)勾畫的有效性。

[1] Peters TM, Cleary KR. Image-guided Interventions: Technology and Applications [M]. Berlin: Springer, 2008.

[2] Xing L, Thorndyke B, Schreibmannetal E, et al. Overview of image-guided radiation therapy [J]. Medical Dosimetry, 2006, 31(2): 91-112.

[3] Zhao F, Xie X. An overview of interactive medical image segmentation [Z]. Annals of the British Machine Vision Association, 2013, 7: 1-22.

[4] Batchelor PG, Edwards PJ, King AP. 3D Imaging, Analysis and Applications [M]. London: Springer-Verlag, 2012.

[5] Gonzalez RC, Woods RE. Digital Image Processing [M]. Prentice Hall, 2008

[6] Pohle R, Toennies KD. Segmentation of medical images using adaptive regions growing [C] // Proceedings of SPIE Medical Imaging 2001: Image Processing, 2001: 1337-1346.

[7] McInerney T, Terzopoulos D. Deformable models in medical image analysis: a survey [J]. Medical Image Analysis, 1996, 1(2): 91-108.

[8] Kass M, Witkin A, Terzopoulos D. Snakes-active contour models [J]. International Journal of Computer Vision, 1987, 1(4): 321-331.

[9] Mortenson M. Geometric Modeling (3 edition) [M]. Industrial Press, 2007.

[10] Learning Radiology [OL]. http://www.learningradiology.com.

[11] Leids Universitair Medisch Centrum [OL]. https:// www.lumc.nl/con.

[12] Technical Advances in Interventional Radiology [OL]. http://www.mghradrounds.org.

Interactive Target Delineation in Clinical Treatment Planning of Image Guided Radiation Therapy

ZHOU Wu XIE Yaoqin TIAN Yangyang
( Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China )

The accurate contour delineation of the target and organs at risk (OAR) is essential in treatment planning for image guided radiation therapy. In clinical applications, the contour delineation is often done manually by clinicians, which may be accurate, but time-consuming and tedious for users. Although a lot of automatic contour delineation approaches have been proposed, few of them can fulf i ll the necessities of applications in terms of accuracy and eff i ciency. In this work, a novel approach of target delineation was proposed. Target delineation of OARs was achieved by using snake model and multiscale curve editing to obtain promising results. It allows users to quickly improve contours by a simple mouse click. Experimental results demonstrate the effectiveness of the proposed method for clinical target delineations.

contour delineation; snake; curve editing; treatment planning; image guided radiation therapy

TP 391

A

2013-11-20

中國博士后科學(xué)基金(2013M530740)，國家自然科學(xué)基金(81171402)，國家自然科學(xué)基金海外研究基金，港澳合作研究基金(30928030)，國家重點基礎(chǔ)研究發(fā)展計劃973(2010CB732606)，廣東省創(chuàng)新團隊項目(2011S013)。

周武，博士后，研究方向為醫(yī)學(xué)影像分析和圖像配準(zhǔn)；謝耀欽(通訊作者)，研究員，研究方向為醫(yī)學(xué)物理和彈性配準(zhǔn)，E-mail：yq.xie@siat.ac.cn；田洋洋，碩士研究生，研究方向為醫(yī)學(xué)影像分析。