CT体积中自动对比度相位估计

### CT 体积中自动对比度相位估计 #### 1. 引言 计算机断层扫描（CT）是肝脏成像和肝脏局灶性病变诊断中最常用的方法。多排探测器 CT（MDCT）在特定循环阶段进行的多期扫描，能更好地勾勒血管轮廓，提高对实质病变的检测和特征描述能力。自动病变分类、分割和序列比较算法需要准确的对比度相位信息，才能获得最精确的结果。然而，目前的相位信息要么需要手动输入，要么从 DICOM 标签中提取，但这些输入往往不准确或缺失，且格式在不同医院和临床医生之间存在差异。 为了解决这些问题，本文提出了一种基于局部区域图像强度的自动对比度相位分类算法。该算法利用特定对比度相位下多个器官和解剖结构的不同增强程度，自动确定相位标签。具体来说，算法首先使用基于学习的解剖结构检测器，然后利用这些结构周围的局部区域训练分类器，识别以下对比度相位：平扫期（NP）、肝动脉优势期（HADP）、肝静脉期（HVP）和平衡期（EP）。 该算法仅依靠图像内容自动检测对比度相位，不依赖常常缺乏标签信息的 DICOM 标签，使相位标记标准化，可用于自动对比度特定扫描分析，如病变检测、分割和随访研究中的比较。由于这些算法在对比度信息不正确时可能不准确甚至失败，因此对相位检测的准确性要求很高。此外，由于对比度估计会增加整体扫描分析的计算量，算法必须高效。 算法的鲁棒性来自对解剖结构周围多个局部图像区域的联合分析。基于判别学习的解剖检测器（PBT）使用大量带注释的图像数据库进行训练，所使用的解剖结构包括肝脏、主动脉、肾动脉分叉水平的腔静脉和肾中心。学习算法解决了解剖位置的固有歧义性，接近人类注释的性能。在相位分类中使用多个图像区域提高了鲁棒性，当仅使用一个区域无法确定相位或某个解剖检测器失败时，也能正常工作。 该相位估计技术在三个方面具有创新性： - 提出了一种利用解剖检测器置信度有效组合多个图像区域证据的方法。 - 相位分类过程基于决策树，每个节点是一个多类 LogitBoost 分类器。 - 树的组织方式允许利用先验知识，如每个地标对特定相位的分类有效性，或根据每个相位的训练标签数量调整树的拓扑结构。 #### 2. CT 中的对比度增强 在大约 24 秒的第一次屏气期间，动脉优势期（HADP）获取具有动脉和动脉门静脉增强的图像。在注射造影剂 60 秒后开始的约 10 秒的第二次屏气期间，进行门静脉增强扫描（肝静脉期，HVP）。在此阶段，肝实质达到最大增强，肾皮质和髓质也有强烈增强。最后，进行 3 分钟的延迟扫描（平衡期，EP），大约 120 秒后，肾盏和肾盂开始充满排泄的造影剂。平扫期（NP）扫描在不注射造影剂的情况下进行。每个阶段器官的特定增强使得可以根据器官扫描估计对比度相位。在临床实践中，通常只获取一个阶段的扫描。 在临床常规中，对比度相位信息通常手动添加到系列描述或图像注释的 DICOM 字段中，但这些信息没有结构化或标准化。旨在捕获增强时间和相位的新 DICOM 对象尚未广泛采用，且已经存在大量标签无结构的数据。图像元数据中的采集时间（如果可用）可用于提取多次扫描之间的时间延迟，但由于造影剂的动力注射器与扫描仪未耦合，无法获得造影剂注射开始后的延迟时间。此外，为减少患者的辐射量，并非总是扫描所有阶段。因此，本算法不依赖元数据，而是使用肝脏、主动脉、肾静脉分支处的腔静脉和肾脏周围的图像区域自动估计对比度相位。 为了说明不同对比度相位下图像强度的变化，计算了以下统计数据：每个解剖区域用于获取强度直方图，并为所有体积绘制直方图的统计值。对于主动脉和腔静脉使用直方图的平均值，对于肝脏和肾脏使用峰值（由于强度不均匀性）。结果表明，这些区域可以指示对比度相位，但由于图中的重叠，仅靠一个区域无法对所有相位进行分类。 | 解剖结构 | 统计值 | | ---- | ---- | | 主动脉 | 直方图平均值 | | 腔静脉 | 直方图平均值 | | 肝脏 | 直方图峰值 | | 肾脏 | 直方图峰值 | #### 3. 算法 算法自动确定图像对比度相位的概率估计。要估计的相位集合 P 包括肝动脉优势期（HADP）、肝静脉期（HVP）、平扫期（NP）和平衡期（EP）。算法使用从图像 V 的邻域 V1, V2, ..., Vt 获得的对比度相位观测值 ri。每个邻域 Vj 由 d 维图像 V 内的边界框坐标指定，V : Rd →[0, 1]。观测值集合描述了每个区域和相位特定的强度外观。相位对比度检测算法的目标是为给定体积 V 估计每个对比度相位 ri ∈P 的概率质量函数 p(ri|V)。 当集合 P 中的相位数量较多时，估计相位 ri 变得困难，区分两个相位比区分四个相位更容易。此外，并非所有观测值都对每个相位的分类有用，特别是当两个或多个相位的观测值相同时（如肾脏区域）。为了解决这个问题，提出了一种多级算法，其中每个级别 s 的相位数量 |Ps| 较少，Ps ⊂P，观测值集合也较小。实验发现，两级算法可以实现可靠的对比度相位估计。 在两级算法中，可以表示为： \[p(ri|V) = \sum_{k} p(ri|V, qk)p(qk|V)\] 其中 ri 和 qk 分别是在第 2 级和第 1 级估计的对比度相位。 使用肝脏、主动脉、腔静脉和肾脏周围的邻域图像区域估计对比度。每个定向区域 j 由参数 θj = {p, r, s} 定义，指定区域的位置（p）、方向（r）和大小（s）。图像邻域 Vj 内的观测值集合来自区域 j，因此： \[p(qk|V) = \sum_{j}