基于肝脏影像的形态分割方法及电子设备与流程

1.本发明涉及影像处理技术领域，尤其涉及一种基于肝脏影像的形态分割方法及电子设备。


背景技术：

2.对于肝癌和肝内胆管结石等肝脏占位性疾病目前最有效的治疗手段是肝脏切除手术。由于血管肿瘤在肝脏中的位置因人而异，手术所需要顾及因素也更多，为此通过形态分割了解肝脏内部结构十分重要。需要在准确定位肿瘤和结石的基础上，精准切除病灶肝段，并最大限度保留正常肝脏及其出入肝血流，从而提高手术的成功率，达到精准肝切除的目的。
3.在肝脏肿瘤切除手术规划中医生需要保证肿瘤切缘大于一厘米的基础上，实现残肝最小的缺血体积和最小的淤血体积。为了实现上述目的，人们通过对肝脏影像的建模和形态分割的方法来为医生提供形态分割参考结果，用于辅助医生规划切除区域，已经临床应用于手术的各种三维重建软件已被广大外科医生所使用，主要包括：德国mevis、和国内的mi-3dvs等系统。这些软件或系统已在大的肝脏外科中心广泛使用，并且实现了三维可视化、肝脏的精确分段和虚拟切割。但这些软件或系统在具体临床实践中仍存在较多问题，例如针对于如何规划最优的形态分割区域这一问题还亟待解决。


技术实现要素：

4.针对现有技术的不足，本发明的目的在于提供一种基于肝脏影像的形态分割方法及电子设备。
5.为实现前述发明目的，本发明采用的技术方案包括：
6.第一方面，本发明提供一种基于肝脏影像的形态分割方法，包括：
7.1)基于肝脏影像生成肝脏三维模型，对肝实质、肝静脉、门静脉以及肝占位进行体素化操作，获得多个体素块，并建立肝静脉和门静脉的血管树形模型；
8.2)基于所述肝脏三维模型和血管树形模型寻找每个肝实质体素块的最近邻血管体素，建立所述肝实质体素块与所述血管树形模型的供养关系；
9.3)对所述肝占位进行切缘扩充，得到初始候选区域；
10.4)基于目标函数对所述初始候选区域中的体素块进行打分，从所述初始候选区域中选择目标体素块进行拟切除，所述目标函数包括表面积分数以及血管数分数，所述表面积分数代表拟切除体素块所导致的切面表面积，所述血管数分数代表根据所述供养关系得出的拟切除体素块对应的最近邻血管体素的重要程度；
11.5)基于所述目标函数继续对拟切除的目标体素块的相邻体素块进行打分，并从中选择新的目标体素块，继续对其进行拟切除，并重复执行该步骤直至达到结束条件，并至少将所有拟切除的体素块作为形态分割结果；
12.其中，步骤4)和步骤5)中每次拟切除后均更新拟切除体素块的相邻体素块的表面
积分数以及血管数分数。
13.第二方面，本发明还提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器运行时上述形态分割方法的步骤。
14.第三方面，本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被运行时能够执行上述形态分割方法的步骤。
15.基于上述技术方案，与现有技术相比，本发明的有益效果包括：
16.本发明所提供的基于肝脏影像的形态分割方法充分考虑了切面表面积，手术难度，存活肝脏体积等因素，结合血管树模型的流域划分，能有效实现对肝脏占位的快速、准确的优化形态分割。
17.上述说明仅是本发明技术方案的概述，为了能够使本领域技术人员能够更清楚地了解本技术的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合详细附图说明如后。
附图说明
18.图1是本发明一典型实施案例提供的形态分割方法的流程示意图；
19.图2是本发明一典型实施案例提供的形态分割方法的算法逻辑框图；
20.图3是本发明一典型实施案例提供的形态分割方法的切缘扩充过程示意图；
21.图4是本发明一典型实施案例提供的形态分割方法的体素化操作示意图；
22.图5是本发明一典型实施案例提供的形态分割方法的最近邻搜索过程示意图；
23.图6是本发明一典型实施案例提供的形态分割方法的最近邻搜索状态示意图；
24.图7是本发明一典型实施案例提供的形态分割方法的血管树和血管链表示意图；
25.图8是本发明一典型实施案例提供的形态分割方法的建立血管树模型过程示意图。
具体实施方式
26.鉴于现有技术中的不足，本案发明人经长期研究和大量实践，得以提出本发明的技术方案。如下将对该技术方案、其实施过程及原理等作进一步的解释说明。
27.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
28.而且，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个与另一个具有相同名称的部件或方法步骤区分开来，而不一定要求或者暗示这些部件或方法步骤之间存在任何这种实际的关系或者顺序。
29.本发明的发明人在长期实践中发现，基于贪心算法，可以利用mri三维重建的肝脏体素模型作为环境，通过结合医生专家提出的意见设计目标函数，并对血管的供血进行树形结构的建模，使得智能体可以在进行手术指导时将复杂的血管供血问题考虑进去。在更精准的三维重建和最近邻域算法实现肝脏形态分割基础上，实现更加符合临床实际的门静脉和肝静脉耦合的精准肝脏形态分割，从而达到兼顾门静脉与肝静脉流域的目的，为下一步进行临床推广奠定基础。
30.需说明的是，本发明所提供的技术方案本质上属于肝脏影像或模型的信息处理方法，其目的是为医生或科研人员提供有价值的肝脏切除参考信息，医生在进行肝脏手术时可以参考本发明技术方案所提供的形态分割结果，但一定是需要结合自身的专业能力才能够进行肝脏的手术，且本发明所提供的形态分割结果也并非直接指示医生的手术动作，而是在术前的规划中提供参考，辅助医生决策以降低医生的工作量，因此，本发明所提供的基于肝脏影像的形态分割方法属于医疗中间信息或参考信息的处理方法，而非疾病的诊断与治疗方法。
31.本发明实施例提供了一种基于肝脏影像的形态分割方法，包括如下的步骤：
32.1)基于肝脏影像生成肝脏三维模型，对肝实质、肝静脉、门静脉以及肝占位进行体素化操作，获得多个体素块，并建立肝静脉和门静脉的血管树形模型。
33.2)基于所述肝脏三维模型和血管树形模型寻找每个肝实质体素块的最近邻血管体素，建立所述肝实质体素块与所述血管树形模型的供养关系。
34.3)对所述肝占位进行切缘扩充，得到初始候选区域。
35.4)基于目标函数对所述初始候选区域中的体素块进行打分，从所述初始候选区域中选择目标体素块进行拟切除，所述目标函数包括表面积分数以及血管数分数，所述表面积分数代表拟切除体素块所导致的切面表面积，所述血管数分数代表根据所述供养关系得出的拟切除体素块对应的最近邻血管体素的重要程度。
36.5)基于所述目标函数继续对拟切除的目标体素块的相邻体素块进行打分，并从中选择新的目标体素块，继续对其进行拟切除，并重复执行该步骤直至达到结束条件，并至少将所有拟切除的体素块作为形态分割结果。
37.其中，步骤4)和步骤5)中每次拟切除后均更新拟切除体素块的相邻体素块的表面积分数以及血管数分数。
38.需说明的是，所述肝占位包括肿瘤占位和肝内结石占位；步骤1)-3)的实施顺序并非限定为标号顺序，可以交叉或同步进行。
39.在一些实施方案中，步骤2)中，可以采用最近邻搜索的方法寻找每个肝实质体素块的最近邻血管体素；所述供养关系包含任一血管体素块所直接供养的细胞数及其对应的分支血管树供养的细胞数的总和。
40.在一些更加具体的实施方案中，步骤2)具体可以包括如下的步骤：
41.构建肝静脉体素块和门静脉体素块对应的kd树，对每一个肝实质体素块进行最近邻搜索。
42.对所述血管树形模型进行漫水填充，记录血管体素块的前后顺序，并使用链表连接子节点与父节点，累加所有子节点供给肝细胞的数量至父节点，以更新所有父节点对应的血管体素块的供养关系，直至更新至所述血管树形模型的根部。
43.在一些实施方案中，当肝实质体素块被拟切除时，通过所述链表查找拟切除的肝实质体素块对应的所有父节点，并更新整个所述血管树形模型的供养关系。
44.在一些实施方案中，步骤3)中，通过计算三角片面的顶点法向量来完成所述切缘扩充，所述切缘扩充的厚度为在1cm以上的固定值或预设值。其中，固定值是指算法每次进行切缘扩充时均遵循的一个数值，例如固定为1cm或1.5cm等，预设值是指在执行所述切缘扩充前，获取操作者，例如医生对切缘扩充厚度的拟定数值，这样做的好处在于能够基于操
作者的经验及其对待分割肝脏的初步判断，拟定合适的切缘扩充厚度，进而实现针对不同目标肝脏的可适应性调整。
45.在一些实施方案中，步骤4)和步骤5)中，所述目标函数还包括细胞活性分数，所述细胞活性分数代表对应的所述肝实质体素块的细胞死亡或存活的状态。
46.所述目标体素块的选择趋势为所述切面表面积越小、最近邻血管体素的重要程度越低以及细胞处于存活状态。
47.在一些实施方案中，当任一肝静脉体素块和门静脉体素块被拟切除后，所述供养关系中对应的肝实质体素块的细胞被标记为死亡状态。
48.在一些实施方案中，选择所述目标函数的目标分数最大的体素块作为所述目标体素块；所述目标函数的表达式可以为：
[0049][0050]
其中，score(x)代表所述目标分数，x代表所述体素块，ws代表所述体素块的表面积权重，δs代表拟切除所述体素块造成的肝实质表面积变化量，g(p
′
x
)代表所述体素块对应的肝静脉重要程度，m(p
″
x
)代表所述体素块对应的门静脉重要程度，1代表存活细胞体素块的细胞活性分数，d代表死亡细胞体素块的细胞活性分数，且l大于d，g(x)代表肝静脉体素块的重要程度，m(x)代表门静脉体素块的重要程度。
[0051]
在一些实施方案中，所述结束条件包括是否达到最大回合数。
[0052]
基于上述概述性技术方案，参见图1-图8，本发明实施例具体示例的一种肝脏肿瘤的形态分割算法，可以采用如下的具体步骤得以实施：
[0053]
s1：根据顶点法向量，将肝脏的占位进行切缘一厘米扩充。
[0054]
具体的，步骤s1可以是通过计算三角片面的顶点法向量来完成扩充的操作。肝脏三维形状表示中的每一个顶点由多个三角面片共享，其对应的顶点法向量也就是这些平面法向量相加。v是三角片面顶点法向量，p0，p1，p2……
pn是包含该点平面的平面法向量。
[0055][0056][0057]
然后可以对顶点法向量作归一化，把顶点法向量均变成长度为1的标准向量。其中向量归一化首先要求出向量各个方向的坐标之和，由于存在坐标为负数不能直接求和的情况，需先将三个方向的坐标求平方再求和，最后开根号可得最终的求和除数。其中x，y，z分别代表顶点法向量三个方向的分量，(v
x
，vy，vz)代表归一化后法向量。
[0058][0059][0060][0061]
将归一化后的顶点法向量加上顶点的坐标即可得到如图3所示的扩充后的三维形状表示的切缘扩充区域，也作为后续拟切除处理的初始候选区域。
[0062]
s2：对肝脏影像转换成由三角面片描述的三维空间信息，对肝实质，肝静脉，门静脉，占位进行体素化操作，每一个体素块可由三维离散空间中的点表示。
[0063]
具体的，步骤s2可以是基于分离轴算法的体素化操作，分离轴算法的原理是如果两个凸多边形在某一轴上的投影互不重合，则两者不相交无法构成体素块，该轴则被叫做分离轴。在三维空间中存在着三角面片与体素块，如果体素块即正方体的法向量以及三角片的一条法向量或者三角形边与正方体边的叉乘所得到的向量中存在一条轴可以使得两者的投影不重合，则三角片与体素块不相交。
[0064]
如图4所示e0，e1，e2三个轴分别是直角坐标系的x，y，z的三个单位向量，而n则是三角面片的法向量，f0，f1，f2分别是三角面片三条边的向量。基于分离轴算法，对于体素块与三角片面的碰撞总共需要检测它们在13个轴上的投影是否重合。分别是：
[0065]
1.e0＝(1，0，0)，e1＝(0，1，0)，e2＝(0，0，1)aabb包围盒的三个法向量。
[0066]
2.n三角面片的法向量。
[0067]
3.a
ij
＝ei×fj
三角面片的三条边与三个基向量的叉乘，其中，a
ij
代表三角面片的三条边与三个基向量的叉乘；ei分别指上述直角坐标系的x，y，z的三个单位向量，其中i＝0或1或2；fi分别指上述三角面片三条边的向量，其中j＝0或1或2。
[0068]
s3：根据最近邻原则寻找肝实质与血管之间的供养关系，使用基于树结构的算法寻找每个肝实质体素块的最近邻血管体素。
[0069]
具体的，由于在肝脏中门静脉负责血液的流进，肝静脉负责血液的流出。因此本发明实施例设定肝细胞的供养原则为：每个肝脏体素块和离它最近的门静脉体素和肝静脉体素所对应，分别负责该体素块的流进和流出，两种体素缺一不可。如果肝脏体素所对应的门静脉体素和肝静脉体素中有一块被切除，那么该肝脏体素块为死亡的肝细胞。以肝静脉为例。假设为需要寻找供给血管的肝细胞三维坐标，g为所有的肝静脉体素三维坐标，ng表示所有的肝静脉体素点的索引，则所对应的肝静脉点可表示为如下公式：
[0070][0071]
由于空间中体素数量过多，通过线性遍历来寻找最近的肝静脉体素和门静脉体素运行速度过慢，为此本发明实施例优选采用了kd树方法。kd树是二叉搜索树的一种变种，可以用来分割k维空间的数据结构。对于每个节点，根据划分的维度，左子树在该维度的值小于右子树在该维度的值。为了使得二叉树更加平衡，将会找出方差最大的维度，并按照在该
维度上的中位数对其他数据进行划分，如图5-图6示出了kd树的构建过程示意，其中，图5为kd树方法的流程示意。
[0072]
参见图6，假设肝脏坐标为五角星，kd树方法会选取其中一个测试点使用虚线连接，如果存在最近邻点，则该点一定位于圆圈范围内(如果是三维空间则为球)，通过该图可以看出最近邻圈没有穿过根节点的分裂超平面，即树根左侧划分的区域不可能存在最近邻点，从而减少搜索空间范围。而圆圈穿过了圆圈内圆形节点的分裂平面，所以在寻找最近邻的时候需要对该节点的兄弟节点进行递归搜索。
[0073]
分别完成对肝静脉点云和门静脉点云的kd树构建后，需要对每一个肝脏体素进行最近邻搜索。kd树的搜索过程是首先对肝脏体素的坐标数据进行二叉搜索，不断查找直到叶子节点。再从叶子节点不断回溯到根部，在回溯的过程中，维护一个当前最近点和最近距离，如果在回溯路径中某一节点的超球面穿过了父亲节点的分裂平面，那么则需要对兄弟节点进行同样的递归操作。当退回到根节点，则完成了最近邻搜索。然后通过哈希表的方式存储每个肝细胞所对应的最近肝静脉点和最近门静脉点，在得到堵塞血管的区域后，通过哈希表就能找到肝细胞中的缺血区域和淤血区域，进而能够建立起肝实质体素块与血管树形模型的供养关系。
[0074]
该步骤中使用的算法伪代码例如可以是下表所示：
[0075][0076]
s4：使用图像细化算法提取血管的树形结构，在此基础之上建立血管树模型。
[0077]
如图7所示，在步骤s3和步骤s4中，一个血管体素块所供给的肝脏细胞数量不单单由血管体素块本身所决定，还有其后所有的血管分支所供给肝脏细胞数量的累加所决定。为此，本文提出了一个基于链表的血管树模型，在漫水填充的过程中记录下血管体素块的前后顺序，并使用链表连接子节点与父节点。血管树的所有枝叶都能通过链表找到它的上一节点，并且累加供给肝细胞的数量来更新血管体素块的信息，如此反复直至根部。
[0078]
根部是血液的入口，如果根部被切除则所有的肝实质细胞都将会坏死。在计算不同位置的供养细胞数量时，通常血管树的枝叶节点所供给的数量最大，而根部由于通常在肝实质的外部，几乎没有供给细胞，因此这会导致在算法的规划过程中对血管的重要程度判断失误而误切根部。如图7所示，通过对血管进行树形结构建模，可以准确的计算出血管不同位置体素块的重要程度，假设图中a为血管树的根部，而f，e，c为血管的末端枝叶。括号
里的内容为血管节点本身所供给的细胞数量，而正方形节点里的数据则为累加所有子节点供给细胞数量之和。血管树及血管链表主要起到了如下两个作用：
[0079]
(1)使用累加的供给细胞数量来表示不同位置的血管重要程度。
[0080]
(2)当有正常的肝实质细胞被切除，通过链表查找父亲节点更新整个血管树。
[0081]
上述步骤中采用的漫水填充法的实质是宽度优先搜索，不同于普通的bfs，在漫水填充的过程中还需要完成节点先后关系的提取实现链表的创建，该算法的伪代码可以例如下表中所示：
[0082][0083]
需说明的是，上述步骤s1-s4仅仅代表步骤的标号，但并非代表步骤的绝对执行顺序，例如，步骤s3和步骤s4可以顺次执行，也可以逆序执行，甚至可以同步执行。
[0084]
更加具体的，步骤s4中的图像细化是形态学中的一种常用方法，其定义是在不改变图像拓扑结构的同时不断剔除边界，最后得到图像的骨架。在肝脏形态分割中，由于血管结构复杂，为了方便后续的血管树状模型的构建，以及供养关系的判断。采用拓扑细化通过不断扫描图像并在保持连通性的前提下，不断剔除简单点，最后剩下的点即为图像的骨架。如图8所示分别对肝静脉和门静脉进行了骨骼化图像细化。
[0085]
s5：使用目标函数对每个肝实质候选点打分，所述的肝实质候选点即所述初始候选区域中的体素块的简称，为节省篇幅，如下文中的部分内容亦进一步简称为候选点；为了考虑到切面的表面积不能过大，切缘尽量光滑，加入了表面积权重和表面变化值。而尽可能的切除死细胞并保留活细胞同样是手术的目标之一，所以分别对正常肝体素块和死亡肝体素块设定不同的初始分数。此外，模型中每个候选点的分数还由它所对应的肝静脉体素块和门静脉体素块重要程度的最小值所决定。而血管的重要程度由血管树模型中每个血管体素块所供给肝细胞数量来衡量。肝静脉体素和门静脉体素的重要程度可表示为目标函数的得分值。
[0086]
例如，所述目标函数的表达式可以为：
[0087][0088]
其中，score(x)代表所述目标分数，x代表所述体素块，ws代表所述体素块的表面积权重，δs代表拟切除所述体素块造成的肝实质表面积变化量，g(p
′
x
)代表所述体素块对应的肝静脉重要程度，m(p
″
x
)代表所述体素块对应的门静脉重要程度，1代表存活细胞体素块的细胞活性分数，d代表死亡细胞体素块的细胞活性分数，且1大于d，g(x)代表肝静脉体素块的重要程度，m(x)代表门静脉体素块的重要程度。
[0089]
s6：使用贪心算法完成形态分割方案。在完成了目标函数的设计后，就可以实现对候选点打分，候选点的选取范围是切除区域的边缘点。在实际的算法应用过程中，由于体素空间巨大，如果在每次切除时重新计算候选点所消耗的时间太长，为此本发明实施例通过动态的管理和更新候选点集合来完成算法的优化。
[0090]
前述的步骤s5中的目标函数同样应用在基于贪心算法的形态分割中，其算法的核心就是不断选取在当前状态下最好的选项，来完成手术的规划，而评价不同选项的好坏主要通过贪心算法的目标函数来实现，如下将对如何选择候选点以及对候选点的打分进行阐述。
[0091]
具体的，贪心算法的大致流程为：首先计算出肿瘤表面的点，在这些点的位置所相邻的肝脏体素块和血管体素块都将成为候选点。对这些候选点使用目标函数来进行打分，在执行形态分割时，每次选择分数最高的点作为拟切除点，同时更新候选点集合。
[0092]
如图2所示，本发明实施例的贪心算法首先会对肿瘤边缘的候选点进行打分，并将候选点集合和其相对应的分数存储起来便于后续使用。当对一个候选点进行拟切除操作时，该点相邻的可切除区域又可以作为候选点进行打分处理，同时切除该点还会引起相邻候选点的表面积发生变化，所以需要更新相邻候选点分数。在切除血管和肝实质的过程中血管树也将会动态的更新，血管树上每个节点的重要程度反映了切除该血管体素会有多少正常的肝实质将会变成坏死的细胞。
[0093]
由此，上述本发明实施例所提供的肝脏影像的形态分割算法及其中所体现的分割方法充分考虑了切面表面积，手术难度，存活肝脏体积等因素，结合血管树模型的流域划分，有效实现了对肝脏占位的快速且准确的形态分割。
[0094]
而在实际的应用场景中，现有软件基于传统couinaud分段理论进行分割，即以门静脉和肝静脉为标志，将两者综合分析确定肝段当两者不一致时，则门静脉应作为最终决定性标志。而在临床工作中，门静脉和肝静脉分段不一致情况大量存在，当只考虑门静脉而忽略肝静脉时，势必影响残肝流出道，造成实际的剩余功能性肝体积减少。本发明通过肝脏门静脉流域和肝静脉流域的划定，利用算法进行最优化切除范围确定，目标是在保证肿瘤切缘大于1cm基础上，实现残肝最小的缺血体积和最小的淤血体积。基于140例测试图像，采用本发明实施例提供的方案，所规划的分割结果的残肝缺血体积占比平均值0.89％，采用传统分段方法残肝缺血体积占比平均值14.52％。采用本发明规划残肝淤血体积占比平均值0.83％，采用传统分段方法残肝淤血体积占比平均值16.97％。本发明规划结果明显优于
现有规划方案(p＜0.05)。
[0095]
此外，本发明实施例还提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器运行时执行上述任一实施方案中的形态分割方法的步骤。
[0096]
本发明实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被运行时能够执行上述任一实施方式提供的形态分割方法的步骤。
[0097]
本发明实施例还提供一种基于肝脏影像的形态分割系统，其包括：
[0098]
模型生成模块，用于基于肝脏影像生成肝脏三维模型，对肝实质、肝静脉、门静脉以及肝占位进行体素化操作，获得多个体素块，并建立肝静脉和门静脉的血管树形模型。
[0099]
供养关系模块，用于基于所述肝脏三维模型和血管树形模型寻找每个肝实质体素块的最近邻血管体素，建立所述肝实质体素块与所述血管树形模型的供养关系。
[0100]
切缘扩充模块，用于对所述肝占位进行切缘扩充，得到初始候选区域。
[0101]
初始切除模块，用于基于目标函数对所述初始候选区域中的体素块进行打分，从所述初始候选区域中选择目标体素块进行拟切除，所述目标函数包括表面积分数以及血管数分数，所述表面积分数代表拟切除体素块所导致的切面表面积，所述血管数分数代表根据所述供养关系得出的拟切除体素块对应的最近邻血管体素的重要程度。
[0102]
循环切除模块，用于基于所述目标函数继续对拟切除的目标体素块的相邻体素块进行打分，并从中选择新的目标体素块，继续对其进行拟切除，并重复执行该步骤直至达到结束条件，并至少将所有拟切除的体素块作为形态分割结果。
[0103]
其中，初始切除模块和循环切除模块中每次拟切除后均更新拟切除体素块的相邻体素块的表面积分数以及血管数分数。
[0104]
应当理解，上述实施例仅为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。