МЕТОДИКА ПОРОГОВОЇ СЕГМЕНТАЦІЇ КТ-ЗОБРАЖЕНЬ КІСТОК СКЕЛЕТА

Сучасний прогрес комп'ютерних технологій та удосконалення методів цифрової обробки медичних зображень розкривають нові можливості у створенні й аналізі тривимірних анатомічних моделей. Унаслідок цього стало можливим створення реалістичних тривимірних моделей елементів опорно-рухового апарату (кісток, суглобів, хребців) [1], серцевосудинної системи (серця, артерій) [2] тощо. Саме тому хірурги все частіше користуються 3D-моделями в різних ситуаціях планування оперативного втручання [3]. Важливим етапом медичної візуалізації та комп'ютерної діагностики є сегментація анатомічних структур за даними комп'ютерної (КТ) та магнітно-резонансної (МРТ) томографії. Метою сегментації є виділення потрібних анатомічних структур. Відомі методи виділення кісткової тканини на КТ-зображеннях базуються на: пороговій сегментації; порівнянні сплайн-контуру виділеної структури на зрізі з контуром на іншому зрізі [4]; порівнянні результатів порогової сегментації з атласними даними [5]; апріорних даних форми тканинних структур [6]; методі фіксації рівня (Level set method) [7, 8]; методі локальної деформації [9]; класифікації пікселів [10] тощо. Однак переважна більшість зазначених методів не впроваджені в кінцеві програмні продукти, що представлені в широкому доступі. Це унеможливлює адекватну порівняльну оцінку їх ефективності.

Найпоширенішими програмними комплексами для 3D-сегментації медичних зображень є Mimics (Materialise Interactive Medical Image Control System) [11], 3-D Doctor, Simplant, ScanIp Simpleware та ін. [12]. Базовим методом сегментації в усіх програмних середовищах є пороговий метод. Вагомими перевагами цього методу порівняно з іншими є: простота алгоритму та його програмна реалізація, швидкодія програмного коду не потребує спеціальних машинних знань щодо об'єкта сегментації, його форми і основної та супутньої патологій. Останні переваги особливо важливі, оскільки патологічні зміни опорно-рухового апарату в переважній кількості випадків індивідуальні, що вкрай обмежує більш "інтелектуальні" методи сегментації. Однак процедура сегментації КТ-зображень на основі порогового методу характеризується тим, що виділення анатомічних структур є частковим зі значною кількістю артефактів, які ускладнюватимуть подальше моделювання. Для вирішення цієї проблеми спеціалісту необхідно корегувати отримані результати сегментації в ручному режимі, що є досить тривалим і трудомістким. Так, наприклад, для якісної сегментації кісток тазу, особливо за наявності патологічних змін, високoкваліфікований спеціаліст витрачає від 4 до 8 год рутинних маніпуляцій. Переважно методи сегментації зображень у прикладних програмних середовищах не достатньо якісно відокремлюють область фону, не мінімізують впливу шуму та не знаходять відмінності між частинами зображення, які близькі за абсолютними значеннями яскравості пікселів/вокселів. Це викликає необхідність створення нових методів, які могли б краще враховувати вказані фактори. Тому виникає потреба у створенні автоматизованих систем побудови тривимірних геометричних моделей біологічних об'єктів, що досліджуються. Більше того, при автоматизації процесу створення 3D-моделей істотно знижується ймовірність виникнення помилок, які пов'язані із суб'єктивними уявленнями спеціалістів. Розробка нових, модернізація і адаптація існуючих методів обробки зображень веде до підвищення ефективності постановки діагнозу і тактики лікування [13].

Мета роботи – розробка методики автоматизованої сегментації КТ-зображень кісток скелета.
На поточному етапі досліджень наша робоча група розглядає можливості порогових методів сегментації зображень із використанням морфологічних перетворень.

Матеріали і методи

Медичні зображення. Як вихідні дані використовувалися КТ-зображення таза пацієнта з гетеротопічною осифікацією кульшових суглобів, надані лабораторією медичного 3D-друку Інституту травматології та ортопедії НАМН України. Ці КТ зберігаються у файлах формату DICOM. У результаті зчитування отримано 340 зображень, що являють собою поперечні зрізи. Кожен зріз має такі характеристики: розмір 512х512, товщина 2 мм, розмір кожного пікселя dx = dy = 0,74 мм, товщина зрізу dz = 2 мм.
Рисунок 1: Алгоритм автоматичної сегментації
Алгоритм сегментації. Блок-схема запропонованого алгоритму сегментації кісток за даними КТ наведена на рис.1.
На першому етапі завантажуються КTзображення у форматі DICOM (1). Далі на одному зi зрізів вибирається діапазон порогової сегментації (2), встановлюється значення відповідно до шкали Хаусфільда [14]. Наступним кроком є установка просторових меж сегментації (3). Це дає змогу здійснити сегментацію як усього зображення, так і певної його частини. Після візуальної якісної оцінки адекватності встановлення параметрів сегментації (4) реалізується цикл (5). До кожного i-го зрізу застосовується порогова сегментація з морфологічними перетвореннями (6), тобто до зображень застосовують фільтри, які корегують виділені області. Розглядаючи морфологічні операції над бінарними (сегментованими) зображеннями, будемо дотримуватись таких визначень:
  • фон – області з логічним рівнем яскравості нуль;
  • область зв'язаності – набір вокселів/пікселів на зображенні, в якому будь-які дві точки з'єднані одна з одною через послідовність сусідів [15];
  • області незв'язаності – області зв'язаності, які не з'єднані одна з одною через послідовність сусідніх нефонових вокселів.
Були застосовані такі морфологічні фільтри: "bridge" – з'єднання пікселів об'єкта, роз'єднаних фрагментом фону товщиною в 1 піксель; "holes" – заповнення областей із нульовими значеннями, які відокремлені пікселями зі значеннями 1 [15]. Після цього відбувається знаходження зон незв'язності (ЗН) по 4 або 8 сусідів (7) та розрахунок площі кожної зони (8). Якщо площа ЗН прямує до 0 (в експерименті, якщо кількість вокселів → 150 ), то ця зона незв'язності видаляється (9). Кінцевим кроком алгоритму є порівняння результатів сегментації поточного зрізу i із сусідніми і -1 та і +1 і видалення некорельованих артефактів (10). Під некорельованими артефактами розуміються області зв'язаності, які не мають нефонових сусідніх вокселів у і -1 та і +1 зрізах одночасно.
    Рисунок 2: Роздрукована 3D-модель таза і кульшових суглобів пацієнта з гетеротопічною осифікацією
    Програмне забезпечення. Алгоритм автоматичної сегментації (див. рис. 1) був реалізований у програмному середовищі Matlab із використанням Image Processing Toolbox. Результати сегментації порівнювались із даними, що були отримані за допомогою спеціалізованого програмного забезпечення Mimics Medical 20.0. Артефакти автоматичної сегментації Mimics Medical усувались спеціалістами в ручному режимі. Отримані оброблені зображення покладались за умовно істинні. Адекватність результатів сегментації перевірялась на роздрукованій 3D-моделі таза (рис. 2), а відповідність отриманої моделі клінічним даним – у тому числі й під час хірургічного втручання. Зазначимо, що така процедура виділення кісток таза тривала 5 год.
    Оцінка якості сегментації. Для кількісної оцінки якості сегментації КТ-зображень запропонованим методом отримані 3D-дані порівнювались з умовно ідеальними результатами. Надалі будемо дотримуватись таких позначень 3D-зображень:
    • A – умовно ідеальна сегментація у напівавтоматичному режимі засобами Mimics із корекцією результатів обробки зображень спеціалістом;
    • B – автоматична сегментація на основі порогового методу;
    • С – автоматична сегментація на основі розробленого методу
    Критеріями якості сегментації виступали відсотки виділених вокселів:
    • істинно позитивних:
    • істинно негативних:
    • помилково негативних:
    • помилково позитивних:
    де I – трьохвимірна матриця умовно ідеально сегментованого зображення (А);І~ – результат автоматичної сегментації (зображення В чи С).
    Результати

    Типові результати сегментація КТ-зображень таза пацієнта різними способами представлено на рис. 3. В результаті візуального порівняння зображень помітно, що на зображенні отриманого з використанням тільки порогової сегментації (рис.3,б) спостерігається не повне виділення області кісток та наявна значна кількість артефактів, що не відповідають кістковій структурі. Порівнюючи зображення з умовно ідеальною сегментацією (рис.3,в) та автоматичною сегментацією розробленим методом (рис.3,г), помітна більша схожість результатів, виділені області відповідають кісткам таза.
      Рисунок 3: Типові результати сегментації: (a) початкове зображення; (б) автоматична сегментація на основі порогового методу (В); (в) умовно ідеальна сегментація (А); (г) автоматична сегментація на основі розробленого методу (С)
      Результати кількісної оцінки якості сегментації, отримані в результаті розрахунків за наведеними вище формулами критеріїв якості сегментації, подані в таблиці. Аналізуючи наведені дані, можна відзначити, що на зображеннях С на 22 % більше істинно позитивних вокселів, ніж на В; помилково виділених чи невиділених областей на С менше 8 %, тоді як на В вони знаходяться в межах 29–0,09 %. Також було здійснено порівняння якості отриманих даних С із результатами інших сегментацій, а саме з використанням порогового методу та тільки:
      • С1 – функції порівняння слоїв;
      • С2 – функції порівняння слоїв та морфологічного фільтра bridge;
      • С3 – функції порівняння слоїв та морфологічного фільтра holes;
      • С4 – морфологічного фільтра bridge;
      • С5 – морфологічного фільтра holes;
      • С6 – морфологічних фільтрів bridge та holes.
      Вплив морфологічних фільтрів bridge та holes на сегментацію показано на рис. 4. Наведені приклади наочно ілюструють, що поєднання вибраних фільтрів більш якісно виділяє кісткову тканину, щільність якої суттєво відрізняється в об'ємній частині та на периферії.
        Рисунок 3: Типові результати сегментації: (a) початкове зображення; (б) автоматична сегментація на основі порогового методу (В); (в) умовно ідеальна сегментація (А); (г) автоматична сегментація на основі розробленого методу (С)
        При порівнянні отриманих результатів кількісної оцінки для С16 по відношенню до С виявлено, що значення істинно-позитивних вокселів є меншими при незначному збільшенні істинно-негативних вокселів. Достатньо високі показники істинно-негативних вокселів для всіх методів сегментації.
          Таблиця 1: Оцінка якості сегментації зображень
          За отриманими результатами здійснено розрахунок специфічності, точності та чутливості. Для зображення С вони становили 99,9%, 99,8% та 92,5% відповідно; для В – 99,9%, 99,3% та 70,7%.
          Слід зазначити, що машинний час автоматичної сегментація розробленим методом тривав протягом 5хв.
            Обговорення

            Автоматична сегментація розробленим методом є набагато якіснішою та точнішою за порогову сегментацію. Також розроблений метод дає можливість здійснювати сегментацію за істотно менший робочий час спеціаліста. Варто вказати і на недоліки запропонованої методики: неповне виділення кісток зі зменшеною щільністю тканини (рис. 5а); об'єднання кісток, відстань між якими менша, ніж задана, в нашому випадку 4 вокселі (рис. 5б); неповне відокремлення артефактів, пов'язаних із шумовою складовою томографічних зображень і неспроможністю відокремлення артефактів, пов'язаних із розсіюванням рентгенівських променів на металевих штучних елементах (ендопротезах). Вплив некорельованого шуму на сегментацію мінімізується порівнянням результатів сусідніх зрізів. У кількісному відношенні точність при застосуванні цієї процедури покращується менш ніж на 1 %. Однак це є досить вагомим у випадках, коли відстань між різними кістковими утвореннями достатньо мала, крім того, зменшується час спеціаліста на виділення невеликих областей незв'язаності, що заважають 3D-друку. В той же час, якщо шумова складова представлена спекл-флуктуаціями, то порівняння сусідніх зрізів малоефективне.
            Це зумовлює необхідність подальшого вдосконалення методики сегментації медичних зображень.

            Рисунок 5: Недоліки розробленого методу сегментації: (а) неповне виділення кісток зі зменшеною щільністю тканини; (б) об'єднання кісток, відстань між якими менша, ніж задана (об'єднання крил клубових кісток із крижем)
            Висновки

            Розроблено алгоритм автоматичної сегментації КТ-зображень кісток скелету, який показує на 22 % більш якісніші результати виділення об'єктів дослідження порівняно зі звичайним пороговим методом; похибка сегментації складала менше 8 %. Розраховані значення специфічності – 99,9%, точності – 99,8%, чутливості – 92,5% розробленого методу підтверджують якість даної сегментації. Отримані результати суттєво зменшують час обробки КТ-зображень спеціалістом в області променевої діагностики та 3D друку біологічних тканин та їх моделей. Подальшими перспективами розвитку запропонованої методики є: її інтеграція в спеціалізовані програмні засоби з інтерфейсом користувача з широким спектром інструментів; удосконалення машинного коду, для зменшення комп'ютерного часу розрахунків; удосконалення алгоритму сегментації, щодо зменшення артефактів сегментації.

            Посилання на публікацію
            Kozei, A.S. Method of Threshold CT Image Segmentation of Skeletal Bones / A.S. Kozei, N.A. Nikolov, S.V. Burburska, O.A. Haluzynskyi // Innovative Biosystems and Bioengineering. – 2019. – Vol. 3, №1. – P. 4 – 11.
            http://ibb.kpi.ua/article/view/154897/pdf_40
            Література

            [1] Baradeswaran A, Joshua Selvakumar L and Padma Priya R. Reconstruction of Images into 3D Models using CAD Techniques. European Journal of Applied Engineering and Scientific Research. 2014; 3(1):1-8.

            [2] Jacobs S, Grunert R, Mohr F, et al. 3D-Imaging of cardiac structures using 3D heart models for planning in heart surgery: a preliminary study. Interactive CardioVascular and Thoracic Surgery. 2008; 7(1): 6–9. DOI:10.1510/icvts.2007.156588

            [3] Gillaspie E, Matsumoto J, Morris N, et al. From 3-Dimensional Printing to 5-Dimensional Printing: Enhancing Thoracic Surgical Planning and Resection of Complex Tumors. The Annals of Thoracic Surgery. 2016 May; 101(5): 1958–1962. DOI: 10.1016/j.athoracsur.2015.12.075.

            [4] Wu J, Belle A, Hargraves R, et al. Bone segmentation and 3D visualization of CT images for traumatic pelvic injuries. International Journal of Imaging Systems and Technology. 2014; 24(1):29–38. DOI: 10.1002/ima.22076

            [5] Straka M, LaCru А, Dimitro LI, et al Bone Segmentation in CT Angiography Data Using a Probabilistic Atlas. Vision Modeling and Visualization ((VMV). 2003;19-21.

            [6] Krcah M, Szekely G, and Blanc R. Fully automatic and fast segmentation of the femur bone from 3D-CT images with no shape prior. Proceedings of IEEE International Symposium on Biomedical Imaging: From Nano to Macro. Science. 2011. 2087–2090 p. DOI:10.1109/ISBI.2011.5872823

            [7] Binary image segmentation using the level set method [Internet]. Habr.com. 2018 [cited December 2018]. Available from: https://habr.com/post/332692/

            [8] Kratky J, Kybic J. Three-dimensional segmentation of bones from CT and MRI using fast level sets. Proceedings of SPIE, Medical Imaging SPIE. 2008. 10p. DOI: 10.1117/12.770954

            [9] Proposal T,Feng D. Segmentation of Bone Structures in X-ray Images. Thesis proposal to the School of Computing National University of Singapore, superviser Dr. Leow Wee Kheng. 2006. 66p.

            [10] Chai H, Wee L, Swee T, et al. Adaptive Crossed Reconstructed (ACR) K-mean Clustering Segmentationfor Computer-aided Bone Age Assessment System. International Journal of Mathematical Models and Methods in Applied Sciences. 2011; 5(3):628–635.

            [11] Materialise Mimics [Internet]. Materialise.com. 2018 [cited December 2018]. Available from:http://biomedical.materialise.com/mimics

            [12] Christensen A., Wake N. Medical image processing software. Wohlers Report. 2018; 1-4 p. Available from: http://www.wohlersassociates.com/medical2018.pdf

            [13] Dzung L. Pham, Chenyang Xu, and Jerry L. Prince. Current Methods in Medical Image Segmentation. Annual Review of Biomedical Engineering. 2000; 2(1):315–333.

            [14] Kalpalatha Reddy Т, Kumaravel NA , Shah AK. Assessment of Trabecular Bone Texture from CT Images by Multiresolution Analysis and Classification Using SVM. International Journal of Oral Implantology and Clinical Research. 2010 May-August; 1(2): 55-60.

            [15] Morphological Operations [Internet]. Mathworks.com. 2018 [cited December 2018]. Available from: https://www.mathworks.com/help/images/morphological-filtering.html
            [1] Baradeswaran A, Joshua Selvakumar L and Padma Priya R. Reconstruction of Images into 3D Models using CAD Techniques. European Journal of Applied Engineering and Scientific Research. 2014; 3(1):1-8.

            [2] Jacobs S, Grunert R, Mohr F, et al. 3D-Imaging of cardiac structures using 3D heart models for planning in heart surgery: a preliminary study. Interactive CardioVascular and Thoracic Surgery. 2008; 7(1): 6–9. DOI:10.1510/icvts.2007.156588

            [3] Gillaspie E, Matsumoto J, Morris N, et al. From 3-Dimensional Printing to 5-Dimensional Printing: Enhancing Thoracic Surgical Planning and Resection of Complex Tumors. The Annals of Thoracic Surgery. 2016 May; 101(5): 1958–1962. DOI: 10.1016/j.athoracsur.2015.12.075.

            [4] Wu J, Belle A, Hargraves R, et al. Bone segmentation and 3D visualization of CT images for traumatic pelvic injuries. International Journal of Imaging Systems and Technology. 2014; 24(1):29–38. DOI: 10.1002/ima.22076

            [5] Straka M, LaCru А, Dimitro LI, et al Bone Segmentation in CT Angiography Data Using a Probabilistic Atlas. Vision Modeling and Visualization ((VMV). 2003;19-21.

            [6] Krcah M, Szekely G, and Blanc R. Fully automatic and fast segmentation of the femur bone from 3D-CT images with no shape prior. Proceedings of IEEE International Symposium on Biomedical Imaging: From Nano to Macro. Science. 2011. 2087–2090 p. DOI:10.1109/ISBI.2011.5872823

            [7] Binary image segmentation using the level set method [Internet]. Habr.com. 2018 [cited December 2018]. Available from: https://habr.com/post/332692/

            [8] Kratky J, Kybic J. Three-dimensional segmentation of bones from CT and MRI using fast level sets. Proceedings of SPIE, Medical Imaging SPIE. 2008. 10p. DOI: 10.1117/12.770954

            [9] Proposal T,Feng D. Segmentation of Bone Structures in X-ray Images. Thesis proposal to the School of Computing National University of Singapore, superviser Dr. Leow Wee Kheng. 2006. 66p.

            [10] Chai H, Wee L, Swee T, et al. Adaptive Crossed Reconstructed (ACR) K-mean Clustering Segmentationfor Computer-aided Bone Age Assessment System. International Journal of Mathematical Models and Methods in Applied Sciences. 2011; 5(3):628–635.

            [11] Materialise Mimics [Internet]. Materialise.com. 2018 [cited December 2018]. Available from:http://biomedical.materialise.com/mimics

            [12] Christensen A., Wake N. Medical image processing software. Wohlers Report. 2018; 1-4 p. Available from: http://www.wohlersassociates.com/medical2018.pdf

            [13] Dzung L. Pham, Chenyang Xu, and Jerry L. Prince. Current Methods in Medical Image Segmentation. Annual Review of Biomedical Engineering. 2000; 2(1):315–333.

            [14] Kalpalatha Reddy Т, Kumaravel NA , Shah AK. Assessment of Trabecular Bone Texture from CT Images by Multiresolution Analysis and Classification Using SVM. International Journal of Oral Implantology and Clinical Research. 2010 May-August; 1(2): 55-60.

            [15] Morphological Operations [Internet]. Mathworks.com. 2018 [cited December 2018]. Available from: https://www.mathworks.com/help/images/morphological-filtering.html