Article Info

[摘要]目的探讨一种基于形态学重建和阈值分割运算的SPECT肾脏图像感兴趣区（ROI）自动勾画方法。方法首先对SPECT肾动态显像图像进行预处理，提升图像的对比度，再对其进行形态学重构，接着用阈值分割算法识别出肾脏，最后通过边界跟踪实现肾脏ROI区的自动勾画。结果使用该图像处理及分割算法实现的ROI自动勾画，相比人工辅助勾画，具有更高的准确性。结论本文运用的形态学重建法和最大类间方差法，有较好的鲁棒性，可以更准确地计算肾小球滤过率，改善了现有Matlab肾动态定量分析软件中ROI勾画不准确的情况，有助于进一步定量分析。

[关键词]图像分割；肾小球滤过率；形态学重建；最大类间方差法

肾小球滤过率（Glomerular Filtration Rate，GFR）是指单位时间内，从肾小球滤过的血浆毫升数，是反映人体肾脏的一个功能性指标，GFR检测的准确性对肾脏功能评价以及临床医生的诊断和治疗起着重要作用[1]。基于核医学检查的Gates法评价肾功能准确度的关键因素在于肾脏感兴趣区（ROI）的准确勾画，目前临床上仍需人工辅助勾画，易造成误差[2]，从而影响测定结果，为了改善图像勾画效果，提升诊断准确性，需要对图像进行分割运算。

图像分割是指把图像分解成各具特性的区域并提取出ROI的技术和过程，分割的准确度及效果直接影响后续的计算及运用。目前常用的分割算法主要有阈值法、区域提取法、聚类法和边缘检测法4类[3]。Bovkoy等[4]利用图割（Graph Cuts，GC）技术实现的半自动分割，精度准确，但速度较慢，国内的研究也大都处在实验阶段，还没有通用的适用于肾脏图像分割的算法。

本文采用阈值分割算法实现图像自动分割并勾画肾脏的ROI，通过参考图像的灰度信息选取阈值，并根据图像的空间信息特点来保证图像分割精度，效果相对较好。

1 资料与方法

本文选取2015年3月～8月来我院用核医学影像设备（SPECT）对肾脏区域进行动态图像采集的100例患者图像作为实验样本。其中50例为双侧肾检查患者图像，50例为单侧肾检查患者图像，所用算法均在Matlab 2012a编程环境下仿真实现。

本文对SPECT肾脏功能成像的图像处理流程包括预处理、目标提取、阈值分割提取和边界追踪。

肾动态成像的图像分辨率较低，灰度范围窄，不便直接进行图像分割检测，需要对图像的灰度范围做线性拉伸处理。在实际应用中，为了突出图像中感兴趣的研究对象，常常要求局部扩展拉伸某一范围的灰度值，或对不同范围的灰度值进行不同的拉伸处理，即分段线性拉伸。

设原图像f(x,y)在[0,M]，感兴趣目标的灰度范围在[a,b]，欲使其灰度范围拉伸到[c,d]，则对应的分段线性变换表达式为：

通过调整折线拐点的位置及控制分段直线斜率，可对任一灰度区间进行拉伸或压缩。通过对图像灰度做修正，提高图像的对比度，改善图像的视觉效果，达到增强图像的目的。通过改变映射输入图像的像素值来增强图像的对比度[5]，突出图像中感兴趣的研究对象，扩展拉伸某一范围的灰度值。

形态学重构是预处理的重要方法之一，主要应用于图像的滤波和分割。该算法可以有效地去除图像中的非感兴趣区域，灰度图像的形态学重构是在二值图像的基础上发展起来的，它涉及两幅图像，一幅图像为标记（Marker），是运算的起点；另一幅是掩膜（Mask），用来约束整个运算过程[6]。假设A和B是具有相同离散值域

的灰度图像，且（

即对于每一像素

由B对A进行灰度重构，重构可以表示为：

其中KM(B)表示对灰度图像以阈值m进行二值化得到的二值图像。

该算法以数学形态学为基础，其基本算子是膨胀和腐蚀，腐蚀用来消除细小颗粒，膨胀用来还原腐蚀保留下来的物体形状。由这两种基本算子复合而成的形态学算子包括形态开重构运算、形态闭重构运算等。开重构运算能够抑制小于结构元素的亮细节，闭重构运算能够抑制小于结构元素的暗细节；因此开闭重构运算的结合可以完全消除比当前尺度小的高亮度和低灰度的细节和噪声，从而实现对图像进行平滑和噪声消除，生成灰度特征均匀，更易于分割的图像[7]。

选取Otsu法（即大津法或最大类间方差法)对经过形态学重构的图像进行阈值提取，可以自动寻找阈值对图像进行划分，将目标物和背景区分开，当分割的两组数据的类间方差达到最大时，可得到最佳分割阈值[8]。针对目标物-背景类的图像分割效果较好，适用于肾脏图像。

假设一个阈值求取公式H(t)，根据Otsu算法，要求H(t)取得最大值，而令H(t)取最大值的t就是最佳阈值，这里需要H(t)与目标、背景均值距离成正比，和两类中各像素和类中心距离的和成反比[9]。

该算法的实现步骤为：① 计算图像灰度概率密度分布P(i)，i=0,1，...L-1；② 计算目标和背景的像素比ω0，ω1；③ 灰度均值Po，Py，求得两类间距，类平均方差δ0，δ1；④ 计算阈值选取函数H(t)，t=0，1，...L-1，求其最大值，相应的灰度级是最佳阈值T；⑤ 根据T实现灰度图像的分割[10]。

图像后处理包括两个部分：去除干扰和目标边界跟踪。分割完成后图像中若还有小像素的干扰，利用像素点本身的特性，删除干扰的小像素点，只留下肾脏图像部分。

边界跟踪就是从灰度图像中一个边缘点出发，依次搜索并连接相邻边缘点，从而逐步检测出边界的方法，采用八邻域追踪算法来进行边界追踪[11]，主要包括3个步骤：① 确定搜索起始点的边缘点；② 采取合适的搜索结构，在找出的边界点的基础上确定新的边界点；③ 确定搜索停止条件，在满足条件时结束搜索[12]。应用此运算可以很好地跟踪并勾画出肾脏的边界。

为了衡量图像分割的效果，笔者把现有手动分割得到的图像作为参考值，将处理的图像数据与之对比，以下定义计算中用到匹配参数:

① 真正（True Positive，TP）计算结果为正的正样本(1和1）；② 真负（True Negative，TN）计算结果为负的负样本（0和0）；③ 假正（False Positive，FP）被模型预测为正的负样本(0和1)；④ 假负（False Negative，FN）被模型预测为负的正样本(1和0)；

若K＜0两者不相关；K值在0～0.20之间则轻度匹配；K值在0.21～0.40之间一般匹配；K值在0.41～0.60之间中度匹配；K值在0.61～0.80范围，则比较匹配；K值在0.81～1之间说明两者匹配度很高；K=1则两者完全匹配[13]。

2 结果

依据本实验算法分析我院核医学部收集的100例样本，以第65号图像样本为例进行处理，在肾动态图像显像7 min左右截取的图像进行分析。

（1）分析该肾脏图像的灰度直方图，根据直方图的像素灰度分布，进行直方图的拉伸，调整图像的对比度，使肾脏边界更加清晰，调整后的灰度直方图，见图1，可以看出拉伸后的图像边缘更加清晰，滤除了一部分噪声。

（2）对获取的肾脏图像进行形态重构运算，使目标图像肾脏更好地与背景分离，肾脏区域的灰度特征更加明显，边缘更加清晰，为下一步的阈值分割做好准备（图2）[14]。

图1 图像灰度直方图拉伸前后对比

注：横坐标是灰度级，纵坐标是该灰度级出现的像素个数。

图2 处理过程图像

注：a.原始图像；b.拉伸后图像；c.形态学重建后的图像；d.阈值分割图像；e.分割后处理图像；f.边界跟踪后图像；g.不经过形态重构预处理的图像；h.手动分割图像；i.K均值聚类图像(k=2)。

（3）接着对处理后的图像进行阈值分割，采用Otsu算法进行阈值提取，根据上述运算步骤，图像中已产生明显分界，阈值算法自动使图像中的肾脏显像部分分割出来，实现目标物与背景分离[15-16]。

（4）阈值分割完成后，结果显示输尿管部分的显像还存在部分干扰，再采用形态学重构运算剔除小像素点，去掉不相关的显像部分。结果显示肾脏部分分割完成。

（5）图像的最终输出下图，实验结果得到了相对精确的肾脏边界图像，方便了GFR的后续处理计算，为临床医生提供便利。实验结果准确度和其他算法相比有明显的优点：加入对比K均值聚类算法，取K=2时可完成阈值分割；最后加入对比临床医生的手动勾画的结果。综合评价自动勾画效果和临床应用效果相似性评价，见表1。

表1 Kappa精度匹配结果评价

由图像处理结果和表1的分析可以得出，应用本文提出的分割方法处理图像，用时短、准确度高，可以很好地处理肾脏的SPECT功能显像图像的区域分割。

3 讨论

本文提出的图像自动勾画算法，对SPECT肾动态显像图像有较理想的分割处理效果。其中预处理部分更好地突出了肾脏的显像部分，图像分界更加清晰；形态学重建比较完整地分割了肾脏的边缘；Otsu阈值分割法分割获取了比较准确的目标图像；然后去除图像中的干扰，通过边界跟踪实现原图像上的ROI勾画。综合实验结果表明，联合使用形态学重建和阈值分割运算可以更加快速、准确地获得SPECT图像肾脏ROI，更好地计算GFR值，为医生的临床诊断提供便利，也为今后图像处理工作提供基础。后续还需要继续探讨更加稳定和高效的图像处理算法，今后也将继续探讨开发一个基于该分割算法的平台，用于实现自动处理肾脏图像的分割处理。

[1] 董洁,赵书俊,王静,等.基于肾动态定量分析中肾脏ROI的提取研究[J].计算机应用与软件,2010,27(7): 249-252.

[2] 司宏伟,王明明,赵学峰,等.肾动态显像法肾小球滤过率的估算及其主要影响因素[J].中国医学装备,2013,10(12):64-66.

[3] 汪长银,文兵,张湘园.兴趣区设置对Gates法测定肾小球滤过率的影响[J].放射学实践,2007,22(1):92-95.

[4] Boykov Y,Veksler O.Graph cuts in vision and graphics:Theories and applications[M].The Handbook of Mathematical Models in Computer Vision.Springer,2006:144-156.

[5] 武治国,王延杰.一种基于直方图非线性变换的图像对比度增强方法[J].光子学报,2010, 39(4):755-758.

[6] 王耀处,杨荣骞,吴效明.双源CT心脏图像腔体区域的分割[J].计算机仿真,2014,31(3):256-260.

[7] Vincent L.Morphological Grayscale Reconstruction in Image Analysis: Applications and Efficient Algorithms[J].IEEE Trans Image Process,1993,2(2):176-201.

[8] 范九伦,赵凤.灰度图像的二维Otsu曲线阈值分割法[J].电子学报,2007,35(4):751-755.

[9] 陈琪,熊博莅,陆军,等.改进的二维Otsu图像分割方法及其快速实现[J].电子与信息学报,2010,32(5):1100-1104.

[10] Mizushima A,Lu RF.An image segmentation method for apple sorting and grading using support vector machine and Otsu's method[J].Comput Electron Agr,2013,94:29-37.

[11] 冯彦铭,谢家龙,李林升,等.基于八邻域跟踪算法的封闭区域几何尺寸测量[J].机械工程与自动化,2013,(6):170-171,173.

[12] 许晓岚,黄丙仓,李欢欢,等.Time-SLIP技术在肾动脉血管成像中的应用价值[J].中国医疗设备,2015,30(12):158-162.

[13] 刘相滨,邹北骥,孙家广,等.基于边界跟踪的快速欧式距离变换算法[J].计算机学报,2006,29(2):317-323.

[14] Gwet K.Variance Estimation of Nominal-Scale Inter-Rater Reliability with Random Selection of Raters[J].Psychometrika,2008,73(3):407-430.

[15] Mukhopadhyay S,Chanda B.Multiscale morphological segmentation of gray-scale images[J].IEEE T Image Process,2003,12(5):533-549.

[16] 何志勇,孙立宁,陈立国.Otsu准则下分割阈值的快速计算[J].电子学报,2013,41(2):267-272.

A Research on the Automatic ROI Delineate Method of Renal Imaging Based on Morphological Reconstruction and Otsu Thresholding Segmentation

TIAN Shu-chang, XU Lei, JIANG Hong-bing
Department of Medical Equipment, the Affiliated Hospital of Nanjing Medical University, Nanjing Jiangsu 210006, China

Abstract：ObjectiveTo investigate the automatic approach to acquire the single photon emission computed tomography (SPECT) function images of kidney based on morphological reconstruction and Otsu thresholding segmentation.MethodsFirst, we elevated the contrast ratio of the SPECT images for preprocessing. Second, we conducted morphological reconstruction, which could sharpen the edge of kidneys. Then we proceeded to identify the kidney by Otsu thresholding segmentation. Lastly, we got the boundary to achieve the segmentation to realize the automatic region-of-interest (ROI) delineation of the kidneys.ResultsThe automatic ROI delineate method produces better reproducibility, consistency, and accuracy in renal imaging compared with manual method to delineate the kidney.ConclusionThe mentioned morphological reconstruction and Otsu thresholding method have great robustness. This procedure can obtain a more rapid, accurate and stable calculation of the glomerular filtration rate, which makes it significant for clinical application.

基金项目：南京市医学发展基金“青年工程”人才培养专项经费

通讯作者：蒋红兵，研究员级高级工程师，主要从事生物医学工程研究。

Abstract:: image segmentation; glomerular filtration rate; morphological reconstruction; Otsu thresholding

基于肾动态定量分析中肾脏ROI的自动勾画研究

1 资料与方法

2 结果

3 讨论