论文部分内容阅读
目的胶质母细胞瘤(glioblastoma multiforme,GBM)是由星形胶质细胞分化形成的颅内原发恶性肿瘤,具有生存率低、致残率高、病死率高等特点,对患者伤害巨大,无论是疾病的诊断、治疗方案的提出还是预后观察,均需对GMB进行定位和诊断。多模态MR图像含有丰富的组织结构信息,被广泛地应用于GBM的诊疗。目前临床上主要依赖放射科医生利用MR图像手动分割GBM,但其组织在MR图像中存在灰度差异不明显、周围常有水肿、边界不清等问题,且专家手动分割复杂繁琐、可重复性差。因此,精确手动分割GBM存在极大挑战。自动方法可以避免因人为因素造成的误分割,结果相对客观,能极大程度地减轻医生工作强度。因此,自动分割GBM多模态MR图像具有极其重要的临床意义。方法针对现有大多数GBM多模态MR图像分割算法未实现细分割肿瘤区域的问题,本文提出了一种基于随机森林的GBM多模态MR图像分割方法。首先,配准GBM 3个模态MR图像后使用N4ITK方法进行偏置场校正;其次,提取MR图像的位置特征、强度特征、纹理特征、上下文特征和对称特征后,应用随机森林分类器获得初步分割结果;最后,移除小于200像素的区域后使用5×5的中值滤波平滑各区域边界得到基于随机森林的GBM分割结果。在此基础上,本文为进一步提高GBM自动分割的准确性,提出了基于三维区域生长的GBM多模态MR图像分割方法。首先,计算得分图与肿瘤区域掩模,利用肿瘤区域掩模获取肿瘤区域信息,进而分析肿瘤区域置信度与精度;其次,选择种子点进行三维区域生长,将高分区域替换随机森林模型初步分割的相应区域,生成新的训练数据;再次,利用新的训练数据训练随机森林模型,将训练后的随机森林模型依据初始提取的219种底层特征对各像素进行分类;最后,移除小于200像素的区域后使用5×5的中值滤波平滑各区域边界得到基于三维区域生长的GBM分割结果。结果本文利用两种分割方法将MR图像分割为正常脑组织区域、肿瘤坏死区域、活跃肿瘤区域、除去肿瘤坏死区域和活跃肿瘤区域的T1异常区域和不包含T1异常区域的FLAIR异常区5大区域,采用Dice相似性系数、敏感度、特异度三个指标分别对整个肿瘤区域和以上4个肿瘤子区域分割性能进行评估。实验结果显示,基于随机森林的GBM多模态MR图像分割方法,其Dice相似性系数分别为0.869、0.748、0.857、0.768、0.681,敏感度分别为0.851、0.739、0.872、0.745、0.667,特异度分别为0.9942、0.9949、0.9958、0.9937、0.9933;基于三维区域生长的GBM多模态MR图像分割方法,其Dice相似性系数分别为0.877、0.763、0.865、0.771、0.702,敏感度分别为0.853、0.742、0.874、0.748、0.673,特异度分别为0.9946、0.9965、0.9963、0.9941、0.9937。结论从实验结果可看出,本文提出的两种GBM多模态MR图像自动分割方法均能得到较好的分割结果。通过比较分析可知,基于三维区域生长的GBM多模态MR图像分割方法在不同肿瘤子区域分割相似性、敏感度和特异度上显示出了较为优异的性能。本文为自动分割GBM多模态MR图像提供了一种思路,在GBM的早期诊断、手术定位等应用方面具有一定的临床参考价值。