УДК 004.93 Н.Н. Митрюшина Ю.С. Белов

Электронный журнал: наука, техника и образование
УДК 004.93
Н.Н. Митрюшина
Ю.С. Белов
КОМПЬЮТЕРНАЯ ДИАГНОСТИКА РАКА ЛЕГКОГО: ОБЗОР
МЕТОДОВ СЕГМЕНТАЦИИ ЛЕГКИХ НА ИЗОБРАЖЕНИИ
Сегментация легких на изображениях грудной клетки является
важным шагом любой системы компьютерной диагностики,
используемой для раннего выявления рака легких и других легочных
заболеваний. Большую часть существующих методов, используемых
для сегментации легочных тканей, можно разделить на четыре
категории: основанные на пороговой сегментации, деформировании
границ, использовании информации о форме и выделении краев. В
данной статье делается обзор текущих методик из каждой
категории, разработанных для выполнения сегментации легких. Также
в статье затрагиваются ряд проблем, с которыми сталкиваются
исследователи, описываются преимущества и недостатки каждой
категории методов.
Ключевые слова: компьютерная диагностика рака легких,
сегментация легких, пороговая сегментация, деформирование границ,
модель формы, выделение краев
Введение. По данным Международного агентства по изучению рака,
злокачественные новообразования в легких являются наиболее частой
причиной смерти от рака во всем мире [1]. Ранняя диагностика может
повысить эффективность лечения и длительность выживаемости пациента
[2]. На данный момент, наиболее точными неинвазивными методами
визуализации для нахождения и диагностики узлов в легких являются
позитронно-эмиссионная томография (ПЭТ) и компьютерная томография
(КТ), способные выявить раковые опухоли на самых ранних стадиях их
развития [2]. При этом КТ позволяет определить локализацию и размер
очага,
ПЭТ
используется
для
определения
его
характера:
доброкачественного или злокачественного [3]. Однако данные методы
визуализации представляют специалистам значительный объем
информации, требующей комплексного анализа за короткое время.
Системы компьютерной диагностики (также CAD системы)
оказывают неоценимую помощь рентгенологам, позволяя существенно
упростить процесс прохождения обследования и дальнейшую постановку
диагноза [4].
Сегментация легких. Одной из основных стадий работы CAD
системы является сегментация легочных тканей на изображениях грудной
1
Информационные технологии
клетки [5]. Данный этап служит важным шагом в любой CAD,
используемой для ранней диагностики рака легких, а также других
легочных заболеваний, и необходим для уменьшения области
дальнейшего поиска узлов в легких. В работе Armato и соавт. [6]
иллюстрируется влияние выбора алгоритма сегментации на всю систему в
целом. Так в зависимости от вида используемого алгоритма сегментации
легких (общего, или же специально адаптированного для данной задачи),
в тестовых данных не было выявлено от 5% до 17% узловых
новообразований на последующих этапах.
Сегментация легких является сложной задачей ввиду различия
протоколов сканнеров и сканирования, а также наличия объектов,
сложных для выявления на изображении. К таким объектам относятся
неоднородности в области легких и легочные структуры с одинаковыми
плотностями (артерии, вены, бронхи и бронхиолы). Большинство
существующих методов сегментации легочных тканей можно условно
разделить на четыре категории: основанные на пороговой сегментации,
деформировании границ, использовании информации о форме и
выделении краев.
Пороговая сегментация. Здоровые ткани легких образуют темные
области на КТ-изображениях, по сравнению с другими частями грудной
клетки (Рис. 1). Этот контраст между легкими и окружающими их
тканями побудил многих исследователей к поиску оптимального порога,
способного отделить легкие от остальной части изображения, и созданию
в дальнейшем серии основанных на данном факте алгоритмов.
Порог может быть вычислен итерационно, для получения
начального участка легких [7], затем исходная сегментация уточняется
при помощи морфологических операций открытия и закрытия. Такой
подход был впоследствии использован [8] для автоматической
сегментации области легких как этапа предобработки перед сегментацией
легочных долей.
(а)
(б)
(в)
Рис. 1. КТ-изображения грудной клетки здорового человека: поперечный
срез (а), вид спереди (б), вид сбоку (в) [6].
2
Электронный журнал: наука, техника и образование
Этот же метод был предложен в работе Ross и соавт. [9], но для
нахождения порога был выбран метод Отсу. В работе Armato и соавт. [6]
для отделения грудной клетки от фона, а затем легких от грудной клетки,
использовали порог по уровню серого.
Другой подход на основе пороговой сегментации включает в себя
четыре этапа обработки: 1) удаление крупных дыхательных путей из
области легкого, используя изотропную диффузию для сглаживания
краев; 2) нахождение оптимального порога для удаления легочных
сосудов; 3) разделение легких на левое и правое при нахождении
передних и задних стыков с помощью наибольшего порога; 4)
морфологическое сглаживание границы легких вдоль средостения и
легочной стенки на основе структуры дерева дыхательных путей. Для
выявления областей легких в сегментации легочных долей значение
порога подбирается с помощью анализа гистограммы. Сегментация
легких далее уточняется с помощью маркирования связанных
компонентов и морфологической операции замкнутого закрытия. Далее
следует сглаживание выделенных легочных контуров.
Главной проблемой пороговой сегментации является сильная
зависимость от многих факторов, в том числе протокола получения
изображений и типа сканера. Кроме того, плотность некоторых легочных
структур, такие как артерии, вены, бронхи, бронхиолы, очень близки к
плотностям тканей грудной клетки (Рис. 2). В результате пороговая
сегментация не может быть точной для всей легочной области и требует
дальнейшей
интенсивной
постобработки
для
преодоления
неоднородности плотностей в области легких.
Рис. 2. Применение алгоритма сегментации легких на основе простого
порога. Дыхательные пути и сосуды исключаются из области легких [6].
3
Информационные технологии
Сегментация на основе деформируемой модели. Данные методы
сегментации легких используют деформирование границ модели, такие
как активные контура (snakes), level sets (LS), геодезические активные
контура. Контур начинается с некоторого первоначального расположения
и формы, а затем деформируется в соответствии с конкретными
внутренними и внешними направляющими силами для соответствия
форме объекта. Контура могут выделить интересующую область, или же
определить границы объекта. Itai и соавт. [10] извлекли область легких
при помощи 2D параметрической деформируемой модели, используя в
качестве внешних направляющих границы легких. Деформируемая
модель начиналась с первоначальной пороговой сегментации,
расчитанной из данных КТ. Результаты сегментации были использованы
далее на этапе классификации патологических зон в пределах каждой
легочной области.
Инициализация контура возможна также на границе области
грудной клетки. Далее происходило автоматическое разделение контура
на две области, соответствующие левому и правому легким.
Основными недостатками сегментации на основе деформируемой
модели являются чрезмерная чувствительность к установленным
начальным условиям, а также невозможность традиционных
направляющих сил (например, на основе краев и оттенков серого)
захватить естественную неоднородность в регионах легких. Отдельную
сложность представляют из себя узлы, располагающиеся на границе
легких. Наиболее точная сегментация легких имеет критически важное
значение при скрининге рака, и исключение таких узлов не позволяет
использовать полностью автоматизированные CAD системы [4]. Эти узлы
могут быть включены в область легких путем дальшейшего
использования методов постобработки (например, алгоритма адаптивной
границы, который включает в область легких небольшие вогнутые
участки на границе легкого). Тем не менее, данные методы не являются
универсальными и могут оказаться бесполезными в отдельных случаях
(Рис. 3).
4
Электронный журнал: наука, техника и образование
(а)
(б)
Рис. 3. Узлы на границе легочных областей малого размера (а) могут быть
включены в область легкого путем использования морфологических операций,
но нахождение набора параметров для учитывания всевозможных случаев (б)
представляет из себя сложную задачу [10].
Использование информации о форме. Для повышения точности
сегментации данные методы предварительно добавляют начальную
информацию о форме легких на сигнальных изображениях. Используемая
форма должна быть согласована с начальными данными КТ до
выполнения сегментации.
Shi и соавт. [11] использовали адаптивную первоначальную форму
для определения деформируемой модели, применяемой в сегментации
легочных полей. Начальная форма была получена вручную с помощью
метода главных компонент, используя маркированные контура легочных
областей. Она использовалась для сегментации изображений каждого из
объектов, выявленных в начальный момент времени. Проблема
изменчивости формы данных объектов на последующих снимках была
решена путем ее адаптации с помощью полученных ранее
сегментированных изображений.
Sun и соавт. [12] проводили сегментацию легких в два этапа: 1) для
получения грубой начальной сегментации границ легких использовался
метод согласования 3DASM (активной форменной модели); 2) для
5
Информационные технологии
нахождения более точной сегментации использовался глобальный метод
оптимального нахождения поверхности, разработанный Li и соавт.[13].
Для сегментации патологий в легких Sofka и др. [14] производили
выравнивание
модели
формы,
а
затем
осуществляли
ее
усовершенствование посредством итеративного подхода деформации
поверхности.
Главным ограничением методов сегментации на основе формы
является то, что их точность сильно зависит от того, насколько правильно
установлена первоначальная модель формы в отношении объекта на КТ
изображении.
Выделение краев. Сегментация легких, основанная на выделении
краев, осуществляется с помощью пространственных фильтров
детектирования краев или вейвлет-преобразований. Так Campadelli и
соавт. [15] определяли первоначальный контур границ легких с помощью
первой производной фильтров Гаусса. После этого выполнялась
процедура отслеживания края с помощью операции Лапласа над
гауссианом, использованная на трех разных масштабах, чтобы найти
непрерывный внешний контур легких. В дальнейшем он интегрировался с
первоначальным контуром для получения окончательной сегментации
легких на КТ-изображении грудной клетки человека.
В работе Mendonca и соавт. [16] области интереса выбирались
автоматически в виде прямоугольных зон, охватывающих каждую область
легкого в максимально возможной степени посредством итерационной
процедуры. Краевые точки (средостенные, реберные, верхние и нижние
граничные точки) детектировались с помощью пространственных
фильтров выявления краев и соединялись для определения замкнутого
контура границ легких.
Возможно также использование двумерного вейвлет-преобразования
для выделения границ легких в стеке двумерных изображений [17].
Дальнейшее улучшение результата сегментации может быть выполнено
посредством трехмерной морфологической обработки [18].
Заключение. В статье был произведен обзор современных методов,
разработанных для осуществления сегментации легких как одного из
этапов в системах компьютерной диагностики, используемых для раннего
выявления рака легких и других легочных заболеваний.
Также для обеспечения наиболее точной сегментации некоторые
технические вопросы должны быть изучены дополнительно. Они
включают в себя уровень автоматизации техники, чувствительность
метода к параметрам сканирования, эффективность алгоритма при работе
с различными видами изображений, а также способность обеспечить
надлежащую сегментацию легких в случае тяжелых патологий, связанных
с присутствием неоднородностей в легких пациента.
6
Электронный журнал: наука, техника и образование
СПИСОК ЛИТЕРАТУРЫ
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
7
International Agency for Research on Cancer. Lung Cancer Estimated
Incidence, Mortality and Prevalence Worldwide in 2012. URL:
http://globocan.iarc.fr/Pages/fact_sheets_cancer.aspx
(дата
обращения:
22.10.2015)
Диагностика рака легких: [Электронный ресурс] // МНИОИ им. П.А.
Герцена. 2015. URL: http://www.mnioi.ru/informatsiya-dlya-klienta/raklegkikh/diagnostika-raka-legkikh/ (дата обращения: 28.10.2015).
Злокачественные новообразования органов дыхания и грудной клетки:
[Электронный ресурс] // Симптомы, диагностика и лечение. 2015. URL:
http://www.medicalj.ru/diseases/cancrology/699-zlokachestvennyenovoobrazovanija-organov-dyhanija (дата обращения: 2.10.2015).
Календер В. Компьютерная томография. Основы, техника, качество
изображений и области клинического использования / Перевод с англ. –
М.: Техносфера, 2006. – 344 с.
Бухарбаева Л.Я., Насыров Р.В., Тиунов И.С. Классификация и структура
систем автоматизированного проектирования для биомедицинской
инженерии, Медицинская техника, 2015, №3, с. 41-45.
Armato III S.G., Sensakovic W.F. Automated lung segmentation for thoracic
CT: impact on computer-aided diagnosis. Academic Radiology, 2004, vol. 11,
no. 9, pp. 1011–1021.
Hu S., Hoffman E.A., Reinhardt J.M. Automatic lungsegmentation for accurate
quantitation of volumetric X-ray CT images. IEEE Transactions on Medical
Imaging, 2001, vol. 20, no. 6, pp. 490–498.
Van Rikxoort E.M., De Hoop B., Van De Vorst S. et al. Automatic segmentation
of pulmonary segments from volumetric chest CT scans. IEEE Transactions on
Medical Imaging, 2009, vol. 28, no. 4, pp. 621–630.
Ross J.C., Estepar R.S., Dıaz A. et al. Lung extraction, lobe segmentation and
hierarchical region assessment for quantitative analysis on high resolution
computed tomography images. In Proceedings of the International Conference
on Medical Imaging Computing and Computer-Assisted Intervention
(MICCAI’09), 2009, vol. 5762, pp. 690–698.
[10] Itai Y., Kim H., Ishikawa S. et al. Automatic segmentation of lung areas
based on SNAKES and extraction of abnormal areas. In Proceedings of the 17th
IEEE International Conference on Tools with Artificial Intelligence (ICTAI ’05),
November 2005, pp. 377–381.
Shi Y., Qi F., Xue Z. et al. Segmenting lung fields in serial chest radiographs
using both population-based and patient-specific shape statistics. IEEE
Transactions on Medical Imaging, vol. 27, 2008, no. 4, pp. 481–494.
Sun S., Bauer C., Beichel R. Automated 3-D segmentation of lungs with lung
cancer in CT data using a novel robust active shape model approach. IEEE
Transactions on Medical Imaging, 2012, vol. 31, no. 2, pp. 449–460.
Li K., Wu X., Chen D., Sonka M. Optimal surface segmentation in volumetric
images-A graph-theoretic approach,” IEEE Transactions on Pattern Analysis and
Machine Intelligence, vol. 28, no. 1, pp. 119–134, 2006.
Информационные технологии
[14] Sofka M., Wetzl J., Birkbeck N. et al. Multi-stage learning for robust lung
segmentation in challenging CT volumes. In Proceedings of the International
Conference on Medical 27 Imaging Computing and Computer-Assisted
Intervention (MICCAI ’11), 2011, pp. 667–674.
[15] Campadelli P., Casiraghi E., Artioli D. A fully automated method for lung
nodule detection from postero-anterior chest radiographs. IEEE Transactions
onMedical Imaging, 2006, vol. 25, no. 12, pp. 1588–1603.
[16] Mendonca A.M., Silva J.A., Campilho A. Automatic delimitation of lung fields
on chest radiographs. In Proceedingsof the International Symposium on
Biomedical Imaging (ISBI ’04), 2004, vol. 2, pp. 1287–1290.
[17] Сакович И.О., Белов Ю.С. Математические модели геометрических
преобразований изображения. Наукоемкие технологии в приборо- и
машиностроении и развитие инновационной деятельности в вузе:
материалы региональной научно-технической конференции, 21–23 апреля
2015 г. Калуга: Издательство МГТУ им. Н. Э. Баумана, 2015, том 3, с.173183.
[18] Белов Ю.С., Гуров С.Г. Сравнительный анализ алгоритмов выделения
границ изображения. Наукоемкие технологии в приборо- и
машиностроении и развитие инновационной деятельности в вузе:
материалы Всероссийской научно-технической конференции, 24–26
ноября 2015 г. Калуга: Издательство МГТУ им. Н. Э. Баумана, 2015, том 3,
с. 97-100.
СВЕДЕНИЯ ОБ АВТОРАХ
Митрюшина
Наталья
Николаевна
(Mitryushina
Natalya
Nikolayevna) - cтудент кафедры ФН1-КФ «Программное обеспечение
ЭВМ, информационные технологии и прикладная математика» КФ МГТУ
им. Н.Э. Баумана; natalya_mitryushina@mail.ru
Белов Юрий Сергеевич (Belov Yuriy Sergeevich) – канд. физ.-мат.
наук, доцент
кафедры ФН1-КФ
«Программное
обеспечение,
информационные технологии и прикладная математика» КФ МГТУ им.
Н.Э. Баумана; fn1kf@mail.ru
8
Электронный журнал: наука, техника и образование
COMPUTER-AIDED DIAGNOSIS SYSTEMS FOR LUNG CANCER:
OVERVIEW OF TECHNIQUES FOR LUNG SEGMENTATION
The segmentation of lungs from chest images is a crucial step in any CAD
system that can lead to the early diagnosis of lung cancer, as well as other
pulmonary diseases. Most existing techniques for lung segmentation can be
classified into four categories: methods based on signal thresholding, deformable
boundaries, shape models, or edges. This paper overviews the current techniques
of each category that have been developed to implement lung segmentation. In
addition, the paper addresses several challenges that researchers face and
outlines the strengths and drawbacks of the existing approaches for lung
segmentation.
Keywords: computer-aided diagnosis systems for lung cancer, lung
segmentation, signal thresholding, deformable boundaries, shape models, edges.
9