医学影像识别、分割和解析（第一章）：介绍

第一章：医学影像识别、分割和解析的介绍

1.介绍

医学影像的识别（recognition）、分割（segmentation）和解析（parsing）是医学影像分析的核心任务。医学影像识别是指识别医学图像中的目标。理论上，目标的识别并不需要对目标进行检测或定位；但是实际上，通常会结合检测和定位去辅助完成目标识别。一旦完成识别，或检测，即得到了目标的最小外包矩形框（bounding box），就可以通过分割的任务寻找目标物体的精确边界。当图像中存在多个目标物体时，对多个目标的分割就变成了语义解析的任务，即对2D图像或3D图像中的像素赋予语义标签（Semantic Labels）。通过将同一目标的像素或体素打上相同的标签，就完成了对该目标的分割。

有效的图像识别、分割和语义解析方法能给临床带来很大的益处。以下重点围绕其对影像扫描、影像读片、高级量化和建模几方面说：

扫描：CT和MRI扫描设备在扫描图像的时候需要设置大量的参数和协议，针对不同病人的扫描，因为需要针对性的设置参数和协议，导致扫描的图像的图像质量有很大的差异。通过高吞吐量扫描节省成本，或避免患者受到过多的辐射等因素，使得诊断CT扫描总会有针对性的对患者的特定局部区域进行的，不多（减少剂量）不少（获取足够信息）。因此，从侦察图像（预扫描图像）中有效准确的检测到待扫描器官的位置，在最小的区域内进行扫描，能够使实际扫描过程中患者接受到更少的辐射、减少时间和成本，增加多次扫描的一致性。
读片用于诊断、治疗和手术计划：读片过程中，当医生在特定部位或器官上查找病变时，放射科医生需要将体素调整到目标位置。发现病灶后，医生需要生成报告。医学影像的语义分析能够将读片和生成报告结构化为一个线型工作流，从而提高读片的效率、精度。医学影像语义分析也是放射治疗、干预和外科手术在手术规划中的先决条件。
高级量化和建模：如组织体积等临床参数测量，对疾病诊断非常重要。在没有智能后处理软件的协助下，手动的去定义目标并进行参数的测量，在3D的医学影像中，是非常费时间的。自动影像语义分析也能克服多次读片出现不一致结果的情况。最后一点，基于3D目标的分割，使得生物力学和血液动力学建模分析变得可行。
医学影像解析系统的终极目标，是通过解析复杂的语义，和人体解剖基础模型（FMA）进行匹配，将人体结构符号表示为人类可理解的形式，并且机器系统能够导航、解析和解释的。生物医学科学领域最大的计算机知识库中，包含大约75000个种类，超过120000项，2.1百万的关系实体，来源于168中关系类型，将FMA类别连接成为一个连贯的符号模型。Terminologica Anatomica是更简单一些的表示模型，是人类解剖属于的国际标准，包含7500中器官结构。

当前的医学影像识别、分割和配准技术离终极目标还很远，主要关注一下语义目标：

• 1.解剖标记点（Anatomical landmarks）：人体扫描中，解剖结构信息明确的点，如肝脏顶部、主动脉弓、耻骨联合等。
• 2.主要器官：肝脏、肺、肾脏、脾脏、胰腺、膀胱、直肠等。
• 3.主要骨结构：肋骨、椎骨、盆骨、股骨、胫骨、排骨、头骨、下颚骨、手和足骨结构等。
• 4.病灶、结节等。包括肝脏和肾脏损伤、肺结节、淋巴结等。

1.2 挑战和机会

医学影像分析的临床应用面临着巨大的挑战。主要的挑战来源于解剖目标的形状和外观存在很大的差异，主要由以下因素造成：

传感器噪声/伪音：医学设备本身的物理噪声和图像重建误差。图像为伪影的大小取决于图像的模态和成像参数设置。例如，高剂量扫描的CT图像伪影很小，但是低剂量成像CT则含有很多噪声。另外吗，金属物体（如体内植入物）会在CT影像中产生伪影。在MRI扫描中，伪影来源于磁场本身的不均匀性，梯度的非线性性等。
患者个体差异和患者的移动：患者之间存在体型差异：胖或瘦、高或矮、成年人或小孩等。因此，解剖结构上会有差异。另外，因为患者的呼吸、心跳周期、血液和脑脊髓液的流动、蠕动、吞咽，和其他的自行运动，都会导致产生不同的影像、导致不同的解剖形变。
病理状态，手术和造影剂：病理状态会导致更大程度的解剖解剖形变。这导致统计建模变得非常困难。为了更好地理解潜在的情况，造影剂通常用来为一些特定结构造影使其更好的可视化。造影剂注入后的不同时间图像的表现会不同（造影剂在体内的代谢）。最后，手术切除等会直接完全的改变解剖目标的形状。
部分扫描和视野：剂量辐射是CT扫描中的重要关注点。为了减少剂量，只对必须要扫描的部分进行扫描。这样会产生视野很小的部分扫描图像，导致解剖上下文信息很弱，甚至完全没有。因此，标记点或器官不可见或部分可见。在MRI扫描中，为了加快扫描速度通常只进行最小范围的扫描。
软组织：内部的一些器官都是具有相似特征的软组织，他们（如肝脏和肾脏）相互接触，之间的边界信息非常弱。但是又必须将这些器官不重叠的分割出来。

图 1.1 （a）举例：CT图像下不同人体区域，严重病例，造影剂，弱对比度等的图像

图1.1（1）展示了3D CT影像下各种情况的不同表现。（b）展示了各种膝关节病理状况。

医学影像的另一个挑战是临床应用对精度、稳定性和速度的严格要求。读片和诊断通常不允许出错。尽管要求很高的精度和稳定性，速度仍不能慢，一个快速的工作流能够确保医院的高吞吐量。放射科和外科医生不会愿意话几个小时甚至几分钟去等待一个分析结果。

面临挑战，必须探索机遇来应对，目前主要包含以下两个机遇：

大数据：医学扫描越来越常见。例如，2005年在美国大约有57百万个体接受了CT检查。到2012年数量超过85百万。大量数据中展现出来的特异性情况，非常具有统计学意义。
解剖上下文：不想自然图像，医学影像具有很强的上下文信息，例如有限数量的解剖目标，约束和结构化的背景，不同解剖结构之间的关系，强先验姿态参数信息等。
根据这些机遇，能够通过大量数据获取这样的上下文信息的统计机器学习方法非常适用于医学影像处理。这本书全文的方法都基于机器学习，还包括对多目标的处理。

1.3 从粗糙到精确的目标表示

任何一个智能系统都开始于一个可理解的知识表示（knowledge representation，KR）。KR起到的最基本作用是“它可以代替物体本身。这就会引出一个精确度的问题：它能够多精确的表示真实的物体？物体最完整的精确表示就是物体它本身，任何其他的表示都是不准确的，它们不可避免地会包括一些的简化假设”。

在相关文献中，有各种不同的简化假设来近似表示医学目标或解剖结构。图1.2展示了文献中常用的不同的形状表示。

• 刚体表示：最简单的表示是平移模板到目标中心t=[tx,ty,tz]，也就是说只考虑目标中心这一参数。完整的刚体表示平移、旋转和缩放参数θ=[t,r,s]。如果缩放参数是各向同性的（各个方向上缩放的尺度应该一致），刚体变换变为条件更严格的相似变换。刚体变换的扩展是仿射变换。
• 自由形式表示：图1.2（c-e）展示了常用的自由形式表示，包括基于点的表示（2D曲线S和3D曲面M），Mask函数φ(x, y, z)，水平集函数φ(x, y, z)等。
• 低维度参数表示：也叫做统计形状模型（statistical shape model，SSM），如图1.2（f）所示，是一种常用的基于点的自由形式形状的PCA分析的低维度参数模型。其他的低维度参数表示包括M-rep，球函数（spherical harmonics，SPHARM），球面小波（spherical wavelets）等。