电子密度模体插件自动定位方法

［基金项目］国家重点研发计划（２０１６ＹＦＣ０１０５１０２）。

［第一作者］产银萍（１９９２—），女，安徽安庆人，在读硕士。

研究方向：锥形束ＣＴ成像。

Ｅ－ｍａｉｌ：１８３２６０７８３１５＠１６３．ｃｏｍ［通信作者］肖玲玲，江西理工大学信息工程学院，３４１０００。

Ｅ－ｍａｉｌ：ｇｚｘｌｌ＠ａｌｉｙｕｎ．ｃｏｍ［收稿日期］２０１８－０７－１５ ［修回日期］２０１８－１１－２１?医学物理与工程学Ｍｅｔｈｏｄ　ｏｎ　ａｕｔｏｍａｔｉｃ　ｌｏｃａｔｉｏｎ　ｏｆ　ｉｎｓｅｒｔｓ　ｉｎｅｌｅｃｔｒｏｎ　ｄｅｎｓｉｔｙ　ｐｈａｎｔｏｍＣＨＡＮ　Ｙｉｎｐｉｎｇ，ＸＩＡＯ　Ｌｉｎｇｌｉｎｇ＊（Ｓｃｈｏｏｌ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｊｉａｎｇｘｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｇａｎｚｈｏｕ３４１０００，Ｃｈｉｎａ）［Ａｂｓｔｒａｃｔ］　Ｏｂｊｅｃｔｉｖｅ　Ｔｏ　ｉｎｖｅｓｔｉｇａｔｅ　ａｕｔｏｍａｔｉｃ　ｌｏｃａｔｉｏｎ　ｏｆ　ｉｎｓｅｒｔｓ　ｉｎ　ｔｈｅ　ｅｌｅｃｔｒｏｎ　ｄｅｎｓｉｔｙ　ｐｈａｎｔｏｍ（ＣＩＲＳ　０６２）ｂａｓｅｄ　ｏｎｄｅｅｐ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ（ＤＣＮＮ）．Ｍｅｔｈｏｄｓ　Ｆｉｒｓｔｌｙ，ｆｏｕｒ　ｉｎｓｅｒｔｓ　ｉｎ　ＣＩＲＳ　０６２ｗｅｒｅ　ｓｅｇｍｅｎｔｅｄ　ｗｉｔｈ　ＤＣＮＮ　ｍｏｄｅｌ，ｎａｍｅｌｙ　ｔｈｅｉｎｈａｌｅｄ　ｌｕｎｇ，ｔｈｅ　ｅｘｈａｌｅｄ　ｌｕｎｇ，ｔｈｅ　ｓｏｌｉｄ　ｔｒａｂｅｃｕｌａｒ　ｂｏｎｅ　ａｎｄ　ｔｈｅ　ｓｏｌｉｄ　ｄｅｎｓｅ　ｂｏｎｅ．Ｔｈｅｎ　Ｍｏｏｒｅ－ｎｅｉｇｈｂｏｒ　ｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍ　ｗａｓ　ｕｓｅｄ　ｔｏ　ｐｒｏｃｅｓｓ　ｔｈｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｔｏ　ｏｂｔａｉｎ　ｔｈｅ　ｐｒｅｃｉｓｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｅｄｇｅｓ．Ｆｉｎａｌｌｙ，ｔｈｅ　ｏｔｈｅｒ　ｆｏｕｒｉｎｓｅｒｔｓ　ｗｅｒｅ　ｌｏｃａｔｅｄ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｇｅｏｍｅｔｒｉｃ　ｆｅａｔｕｒｅｓ．Ｒｅｓｕｌｔｓ　Ｔｈｅ　ｒｅｓｕｌｔｓ　ｏｆ　Ｄｉｃｅ　ｓｉｍｉｌａｒｉｔｙ　ｃｏｅｆｆｉｃｉｅｎｔ　ｗｅｒｅ　ａｌｌ＞０．８５，ｔｈｅｐｒｅｃｉｓｉｏｎ　ｗｅｒｅ　ａｌｌ＞０．８１，ａｎｄ　Ｆ１－ｍｅａｓｕｒｅ　ｗｅｒｅ　ａｌｌ＞０．６１ｂａｓｅｄ　ｏｎ　ＤＣＮＮ．Ｃｏｎｃｌｕｓｉｏｎ　Ｔｈｅ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ＤＣＮＮ　ｃａｎｒｅａｌｉｚｅ　ｔｈｅ　ａｕｔｏｍａｔｉｃ　ｐｏｓｉｔｉｏｎｉｎｇ　ｏｆ　ｔｈｅ　ｉｎｓｅｒｔｓ．［Ｋｅｙｗｏｒｄｓ］　ｃｏｎｅ－ｂｅａｍ　ｃｏｍｐｕｔｅｄ　ｔｏｍｏｇｒａｐｈｙ；ｄｅｅｐ　ｃｏｎｖｏｌｕｔｉｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；ｅｌｅｃｔｒｏｎ　ｄｅｎｓｉｔｙ　ｐｈａｎｔｏｍ；ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎＤＯＩ：１０．１３９２９／ｊ．１００３－３２８９．２０１８０７１１３电子密度模体插件自动定位方法产银萍，肖玲玲＊（江西理工大学信息工程学院，江西赣州　３４１０００）［摘　要］　目的　探讨基于深度卷积神经网络（ＤＣＮＮ）对电子密度模体（ＣＩＲＳ　０６２）插件自动定位的方法。

方法　首先基于ＤＣＮＮ模型分割ＣＩＲＳ　０６２的吸气态肺、呼气态肺、松质骨和密质骨４个插件；之后采用摩尔邻域追踪算法处理插件边缘；最后根据几何特征定位其他４个插件。

结果　基于ＤＣＮＮ分割结果的戴斯相似性系数均＞０．８５，精确度均＞０．８１，综合评价指标均＞０．６１。

结论　基于ＤＣＮＮ方法可实现插件自动定位。

［关键词］　锥束计算机体层摄影术；深度卷积神经网络；电子密度模体；图像分割［中图分类号］　Ｒ８１４．４２　［文献标识码］　Ａ ［文章编号］　１００３－３２８９（２０１９）０３－０４２８－０５ 锥形束ＣＴ（ｃｏｎｅ－ｂｅａｍ　ＣＴ，ＣＢＣＴ）在三维适形放射治疗（ｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌ　ｃｏｎｆｏｒｍａｌ　ｒａｄｉｏｔｈｅｒａｐｙ，３Ｄ－ＣＲＴ）、强调放射治疗（ｉｎｔｅｎｓｉｔｙ－ｍｏｄｕｌａｔｅｄｒａｄｉｏｔｈｅｒａｐｙ，ＩＭＲＴ）和影像学引导放射治疗（ｉｍａｇｅ－ｇｕｉｄｅｄ　ｒａｄｉｏｔｈｅｒａｐｙ，ＩＧＲＴ）等精确放射治疗技术［１］中均发挥着重要作用，已广泛用于临床放射治疗前摆位误差纠正。

ＣＴ值的精度直接影响自适应放射治疗剂量的准确性［２］，故计算ＣＢＣＴ放射治疗剂量［３］前应先校正ＣＴ值，即建立标称ＣＴ值和衰减系数之间的转换关系［４］，标称ＣＴ值和衰减系数均由手动选取重建后三维数据的ＲＯＩ求平均值所得，而手动选取ＲＯＩ增加了校正过程的复杂性。

有研究［５］采用电子密度模体（ｅｌｅｃｔｒｏｎ　ｄｅｎｓｉｔｙ　ｐｈａｎｔｏｍ；型号ＣＩＲＳ　０６２）校正ＣＢＣＴ的ＣＴ值。

ＣＩＲＳ　０６２内部为头部模体，直径·８２４·中国医学影像技术２０１９年第３５卷第３期　Ｃｈｉｎ　Ｊ　Ｍｅｄ　Ｉｍａｇｉｎｇ　Ｔｅｃｈｎｏｌ，２０１９，Ｖｏｌ　３５，Ｎｏ　３１８０ｍｍ，厚５０ｍｍ，共８种组织等效插件，插件直径３０ｍｍ、厚５０ｍｍ，分别为呼气态肺、吸气态肺、脂肪、乳腺、水、肌肉、肝、松质骨和密质骨。

自动选取ＲＯＩ的前提是分割图像中的目标区域。

传统图像分割方法包括基于阈值的分割、基于区域提取的分割、基于边缘检测的分割和结合特定理论工具的分割等。

随着技术的发展，卷积神经网络已广泛用于检测、分割和物体识别等计算机视觉的各个领域，特别是深度卷积神经网络［６］（ｄｅｅｐ　ｃｏｎｖｏｌｕｔｉｏｎ　ｎｅｕｒａｌｎｅｔｗｏｒｋ，ＤＣＮＮ）推动了图像语义分割的发展［７］。

语义分割是指将图像中相同对象的像素分成同一类，并将不同对象分割出来。

本研究采用ＣＩＲＳ　０６２校正ＣＢＣＴ的ＣＴ值，以基于ＤＣＮＮ［８］的方法对ＣＩＲＳ　０６２进行分割，先分割出呼气态肺、吸气态肺、松质骨和密质骨４个插件，再采用摩尔邻域追踪算法［９］处理分割目标的边缘获得精确的分割结果，最后根据几何特征定位每个插件的位置而获得每个插件的ＲＯＩ，并与参考区域进行比较，以判断定位区域是否在插件上。

１　设计与方法１．１　实验数据１．１．１　图像数据　采用中国科学院深圳先进技术研究院自行搭建ＣＢＣＴ系统（由Ｔｏｓｈｉｂａ　Ｅ７２４２ＸＸ线球管、Ｖａｒｉａｎ　ＰａｘＳｃａｎ　４３４３ＣＢ平板探测器与ＩｎｄｉｃｏＩＱ　５０ＫＷ高压发生器等设备搭建），管电流０．６ｍＡ，重建矩阵５１２×５１２×５１２，不同管电压（８０、１００、１２５ｋＶ）条件下扫描ＣＩＲＳ　０６２，实物图见图１Ａ，训练图像见图１Ｂ～１Ｄ。

数据样本过少可导致网络模型泛化能力不足，易陷入过拟合等［１０］问题；而数据间的线性关系过多易造成模型在局部最优值上收敛。

为增加数据样本，从三维图像中选择１０张中间插件（水）不同形态的切片图像，经Ａｖｅｒａｇｅ、Ｄｉｓｋ、Ｇａｕｓｓｉａｎ、Ｍｏｔｉｏｎ滤波器［１１］处理获得１６０张滤波图像，故数据集是三维图像中１０张切片图像和１６０张滤波图像，随机选取２０张作测试集，剩余１５０张再进行数据增强处理，最终产生训练集。

１．１．２　标签数据　标签勾画工具采用ＩＴＫ－ＳＮＡＰ软件。

ＩＴＫ－ＳＮＡＰ可用于分割三维医学图像的结构，并将外部或不相关的特征保持在最低限度。

标注对象为呼气态肺、吸气态肺、松质骨和密质骨，其他插件和圆盘均视为背景。

实验数据运行软件采用ＭａｔｌａｂＲ２０１８ａ，硬件配置采用Ｗｉｎ　７系统，８核Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ７－６７００ＣＰＵ＠３．４０ＧＨｚ的处理器，ＮＶＩＤＩＡＧｅＦｏｒｃｅ　ＧＴＸ　１０８０的显示适配器。

１．２　网络架构　ＤＣＮＮ架构由编码层和其相对的解码层及分类层组成，核心是编码层和其相对的解码层。

网络架构图见图２，不同颜色表示操作不同，相同颜色块的个数表示操作次数相同。

将大小为５１２×５１２的图像数据和标签数据均处理为大小２５６×２５６的图像输入网络，网络编码层遵循典型的卷积网络体系结构，由２个３×３卷积滤波重复应用组成，批量归一化（ｂａｔｃｈ　ｎｏｒｍａｌｉｚｅｄ，ＢＮ）［１２］后传至非线性激活函数（ｒｅｃｔｉｆｉｅｄ－ｌｉｎｅａｒ　ｎｏｎ－ｌｉｎｅａｒｉｔｙ，ＲｅＬＵ）［１３］，再行大小为２×２步长为２的最大池化（ｍａｘ－ｐｏｏｌｉｎｇ）［１４］完成下采样，其中池化层能记录其在原图中的空间位置，使在解码层中进行上采样操作时能将相应的值映射到对应位置。

每个编码层有相对应的解码层，对解码层进行大小为２×２的反卷积操作，利用编码层记录的空间位置填充相应位置的值进行图像恢复。

将最后１个解码层输出的值传至Ｓｏｆｔｍａｘ分类器，获得每个像素的类别完成像素级分类和语义分割，其中加入ＢＮ层可提高网络泛化能力和模型精度、加快收敛速度及降低网络初始化的敏感度。

１．３　摩尔邻域追踪算法　由于ＤＣＮＮ分割结果边缘不够精确，选用摩尔邻域追踪算法处理边缘。

摩尔邻域是指像素共享顶点或边缘８个像素的集合，即八连通区域的像素；基本思想是：当前像素Ｐ为白色，并规图１　ＣＩＲＳ　０６２实物图与三维图像切片图　Ａ．实物图；Ｂ～Ｄ．第２００层切片（Ｂ）、第２２２层切片（Ｃ）、第２７０层切片（Ｄ）三维图像切片图·９２４·中国医学影像技术２０１９年第３５卷第３期　Ｃｈｉｎ　Ｊ　Ｍｅｄ　Ｉｍａｇｉｎｇ　Ｔｅｃｈｎｏｌ，２０１９，Ｖｏｌ　３５，Ｎｏ　３定为“起始”像素，一般Ｐ沿顺时针方向逐像素访问摩尔邻域的每个像素，遇到下一个白色时同样访问摩尔邻域每一个像素，直至遇到“起始”像素停止访问；停止标准为Ｊａｃｏｂ＇ｓ停止标准（Ｊａｃｏｂ＇ｓ　ｓｔｏｐｐｉｎｇ　ｃｒｉｔｅｒｉｏｎ，Ｇｏｎｚａｌｅｚ，Ｒ．Ｃ．，２０１０）［１１］。

１．４　数据训练　数据训练过程中对目标损失函数求得最小值，采用自适应矩估计（ａｄａｐｔｉｖｅ　ｍｏｍｅｎｔｅｓｔｉｍａｔｉｏｎ，Ａｄａｍ）优化算法［１５］对其进行迭代收敛。

Ａｄａｍ是通过计算梯度的一阶矩估计和二阶矩估计的变化而改变学习率的方法，一阶矩估计是梯度的带权平均，计算公式为：ｍｌ＝β１ｍｌ－１＋（１－β１）!Ｅ（θｌ）；二阶矩估计是梯度的带权有偏方差，计算公式为：ｖｌ＝β２ｖｌ－１＋（１－β２）［!Ｅ（θｌ）］２；二者初始均为０向量，但当衰减因子β１、β２接近于１时，ｍｌ与ｖｌ均倾向于０向量（接近于０向量），则对ｍｌ与ｖｌ进行偏差修正，其公式分别为：ｍｌ∧＝ｍｌ／（１－βｌ１）、ｖｌ∧＝ｖｌ／（１－βｌ２），故Ａｄａｍ的公式为θｌ＋１＝θｌ－（ａ　ｍｌ∧）／（ｖｌ槡∧＋ε）。