基于低秩张量分解的肝脏CT图像自动分割方法研究

Accurate liver segmentation from CT images is a key step and a prerequisite for liver cancer computer-assisted diagnosis, treatment and surgical planning. This project aims to address the inaccuracy problems of existing liver segmentation methods, when segmenting liver tissue with severe pathology, by investigating an active shape model (ASM) based automatic liver segmentation method in CT images. In order to achieve precise and robust segmentation of the liver tissue with severe pathology, the low-rank tensor decomposition theory is integrated into the global shape prior knowledge based active shape model and atlas methods. Based on previous studies, this project will conduct the following research: the construction of a robust low-rank tensor decomposition based shape prior model, by explicitly modeling non-Gaussian errors or gross segmentation errors; the derivation of an accurate low-rank tensor decomposition based probabilistic atlas (PA) shape model initialization, by eliminating the negative effects of pathology on the constructed PA and on the likelihood image; the implementation of an efficient hierarchical shape model search method, where the shape model is deformed in a global-to-local fashion. The study of this project is expected to provide key technical support for the applications of liver cancer computer-assisted diagnosis, treatment and surgical planning, and has important value in clinical applications.

在CT图像中对肝脏组织进行准确的分割是进行肝癌计算机辅助诊断、治疗和手术规划的关键步骤和前提。本项目针对现有肝脏分割方法在分割含严重病变的肝脏组织时存在分割结果不准确的问题，研究基于主动形状模型的肝脏CT图像自动分割方法。旨在通过将低秩张量分解理论融入基于全局形状先验知识的主动形状模型和图谱方法中，实现对含严重病变肝脏组织的精确和稳健分割。本项目将在前期研究的基础上进行如下研究：通过显式地对非高斯误差或分割粗差进行建模，构建鲁棒的基于低秩张量分解的形状先验模型；通过消除病理异常对构建的概率图谱和肝脏似然图像造成的不利影响，获取准确的基于低秩张量分解的概率图谱形状模型初始化；通过将形状模型按照由整体到局部的方式进行演化，实现高效的多层次形状模型搜索方法。本项目的研究将为肝癌计算机辅助诊断、治疗和手术规划等应用提供核心技术支持，具有重要的临床应用价值。

从人体腹部CT图像中分割肝脏是实现肝癌计算机辅助诊断和手术规划等临床应用的重要步骤和前提。然而，现有的肝脏分割方法无论在精度还是鲁棒性上均无法满足临床应用的需求。当对含严重病变的肝脏进行分割时，会遇到以下两个额外的挑战：（1）含有的病灶区域具有与正常肝脏完全不同的灰度值，而且不同类型的病灶具有完全不同的形状和外观特征；（2）与肝脏相邻的器官和组织会表现出与肝脏周边病灶几乎相同的灰度值，这将会造成它们之间的边界模糊。.. 本课题围绕含严重病变肝脏的多图谱分割框架主要开展了以下三项研究：（1）针对特定人群的概率图谱和病灶校正后的肝脏图谱的生成；（2）肝脏多图谱分割算法；（3）肝脏分割结果的精度评价。首先提出一种多切片的低秩张量分解策略来有效地恢复嵌入在三维医学图像中的潜在低秩结构。然后，提出一种基于低秩张量分解的图谱构建方法来生成病灶校正后的肝脏图谱，该图谱可有效缓解由于病灶存在而导致的肝脏分割性能下降。最后，提出一种基于低秩张量分解的多图谱分割算法来为每个测试图像生成针对特定病例的肝脏图谱，并实现精确的图像配准和标签传播。为了对肝脏分割结果的精度进行评价，本课题采用了两个基于体积和表面距离的度量指标在192组临床的门静脉期腹部增强CT图像中对提出的方法进行了大量实验，并证实了其有效性。定性和定量结果均表明，当肝脏组织存在严重病变时，本项目提出的方法可用来对肝脏进行精确和稳健的分割。此外，还在MICCAI肝脏分割竞赛数据集LiTS2017上对提出的方法进行了测试，并获得了很好的性能，且与目前最好的肝脏自动分割方法具有可比性。.. 利用计算机图像处理和图形学技术对肝脏CT图像进行精确、稳健的分割与重建可为临床肝癌诊断、治疗和手术规划提供精确的肝脏三维可视化模型。本项目的研究可为基于CT图像的肝癌计算机辅助诊断、治疗和手术规划等应用提供核心技术支持，具有重要的临床应用价值。