摘要

原发性肝癌可分为肝细胞癌和胆管癌（Hepatocellular carcinoma and Cholangiocarcinoma）。肝细胞型是一种常见类型，这是全世界最常见的肝癌致死原因。

CT是目前广泛应用于肝脏肿瘤鉴别和治疗的成像方法。从CT图像中分割肝脏肿瘤对肝脏功能分析、肝脏病理解剖研究具有重要意义。它对疾病的诊断也很重要。

传统的肿瘤检测方法耗时长，检测误差大，需要专家对肿瘤进行分析。

本文讨论了肝肿瘤早期诊断的各种方法，并讨论了各种方法的优缺点。

关键词：CT肝脏图像，肝肿瘤，模糊c均值聚类，支持向量机分类器，卷积神经网络，CAD。

1.引言

肝脏是位于腹部右侧的一个沉重的器官。图1所示。显示肝脏的正面。肝脏呈红褐色，重约3磅。肝脏有左右叶。胆囊(gallbladder)，部分胰腺(pancreas)和肠(intestine)出现在肝脏下。所有这些器官和肝脏都负责消化、吸收和处理食物。

肝脏的主要功能是清洁来自消化道的血液，然后供给血液使身体休息。肝脏还可以净化化学物质和处理药物。肝脏也为血液凝结和其他功能准备重要的蛋白质。

肝脏疾病有肝炎、肝硬化、肝细胞癌(肝癌)、情绪色素沉着症、原发性硬化性胆管炎、原发性胆汁性肝硬化等。这些疾病是由感染、遗传疾病和过量饮酒引起的。有些疾病的发生是由于未知的原因。

肿瘤的大小、形状和位置是开始治疗的必要条件。肝脏肿瘤的形状、大小、位置等特征因人而异，如图2所示，因此准确分割肝脏肿瘤非常困难，对治疗也非常重要。图2a、图2b、图2c、图2d为肝脏CT图像，显示肝脏有病变。

2.文献调查

肿瘤边界及邻近的非癌性肝组织不清楚。肿瘤有不同类型的外观，肿瘤的密度也各不相同，因此肿瘤在肝脏中的分割成为一项艰巨的任务。

[23]“A Semi-automated Method for the Liver Lesion Extraction From a CT Images Based on Mathematical Morphology”2013中提出分割的两个阶段。

• 形态学重建（morphological reconstruction）用于提取第一阶段的肝脏，第二阶段采用分水岭变换（watershed
  transform）检测肝脏病变。
• CT肝脏图像中病灶与肝脏强度的对比度较低，病灶分割非常困难。为了解决这一问题，利用解剖学信息和数学形态学工具对肝脏肿瘤进行分割。

[24]“Neutrosophic Sets and Fuzzy C-Means Clustering for Improving CT Liver Image Segmentation”2014中使用NS和FCM进行分割。

• CT肝脏图像转换为NS域，用T、I和F子集表示，给出真实、不确定和虚假的百分比。用NS中的熵来评估不确定度。FCM用于NS的阈值调整。利用连通分量算法对CT肝脏图像进行分割，得到肝脏区域。

[25]“Deep Learning for Automated Segmentation of Liver Lesions at CT in Patients with Colorectal Cancer Liver Metastases”2019讨论了一种使用全卷积网络进行自动检测和分割的方法。

• 将人工分割的图像作为ground truth图像或标签来训练网络。基于CNN的深度学习在结直肠肝转移瘤(CLMs)分割中提高了效率。利用有病灶的CT肝脏图像对网络进行训练和测试。

[26]SEGMENTATION OF LIVER TUMOR USING FAST GREEDY SNAKE
ALGORITHM讨论了快速贪心蛇算法(FGSA)在肝脏图像中分割肿瘤区域。

• 从分割区域提取GLCM特征，利用反向传播神经网络分类器对肿瘤进行分类。从数据库中选取60张图像进行训练和测试。

[27]“Liver Segmentation from CT Image Using Fuzzy Clustering and Level Set”2013讨论了FCM和level set来分割肝脏。

• 本实验先对CT图像进行增强处理，然后用FCM分割肝脏区域，再用距离正则化水平集进行改进，最后在后期处理中使用形态学运算。
• 该方法具有较高的准确性和特异性。与标准水平集方法相比，该方法更有效地处理过分割问题。

[28]“Extraction and Classification of Liver Abnormality Based on Neutrosophic and SVM Classifier”2019使用CAD对肿瘤进行检测和分类。

• 在预处理中，采用中值滤波。然后利用FCM阈值的神经元结构域(NS)对肝脏进行分割，最后利用形态学运算得到肝脏轮廓。利用GLCM特征向量，利用SVM分类器对肿瘤进行分类。

[29]“A Joint Deep Learning Approach for Automated Liver and Tumor Segmentation” 2019中，使用了两个连续的全卷积神经网络。

• 一个网络用于分割肝脏，而另一个网络用于分割肿瘤。利用LiTS数据集对网络进行训练。

[30]“Hierarchical Fine-Tuning for joint Liver Lesion Segmentation and Lesion Classification in CT”2019提出了一种利用U-net自动分割和分类肝脏和病变的方法。

• 采用级联U-net同时进行分割和分类。
• 利用LiTS数据集训练病灶分割模型。该方法提高了分类成功率和分类精度。

[31]“Deep learning based liver cancer detection using watershed transform
and Gaussian mixture model techniques”2019中，CAD被用于检测用于治疗的癌症组织。

• 在该计算机辅助设计中，基于分水岭高斯的深度学习(WGDL)技术用于肝脏肿瘤的检测，使用225张图像来开发这种方法；采用标记控制分水岭法对肝脏进行分割；采用高斯混合模型(GMM)对病灶进行分割。将从分段性病变中提取的纹理特征用于深度神经网络(DNN)分类器，该分类器用于三种类型的肝癌(HEM)、肝细胞癌(HCC)和转移癌(MET)的自动分类。
• 该方法具有较高的分类精度，采用DNN分类器进行索引，在分类过程中验证损失极小。

[32]“AHCNet: An Application of Attention Mechanism and Hybrid Connection for Liver Tumor Segmentation in CT Volumes”2019中，设计了一种注意混合连接网络体系结构。

• 本文提出了肝脏定位网络、肝脏分割网络和肿瘤分割网络，并将这些网络级联起来。利用joint dice损失函数训练肝脏定位网络，实现精确的三维肝脏bounding box。肿瘤分割网络利用病灶二元交叉熵作为损失函数，发现更多潜在恶性肿瘤，减少假阳性。
• 该网络使用LiTS数据集进行训练。这种级联网络提供了精确的分割。

3.肝脏肿瘤分割的一般步骤

肿瘤治疗和评价的重要步骤是识别肿瘤是否存在和识别肿瘤的不同时期。

A.CT肝脏图像

肝脏CT图像可以从不同的数据集获得。如公共数据集：IRCAD, 3Dircadb, MICCAI Sliver07数据集。肝脏CT图像也可从肿瘤治疗医院获得。

B.图像预处理

得到CT肝脏图像后，必须对CT肝脏图像进行预处理。预处理有减少图像噪声，改善图像边缘。用不同的空间滤波器来增强CT肝脏图像。有wiener滤波、双边滤波、混合滤波(双边滤波和wiener滤波的组合)、导向滤波、曲率滤波、阈值化、直方图均衡化、Kirsch滤波、递归高斯滤波和线性插值。

C.肝脏分割和肿瘤分割

它对肿瘤的检测和分类是非常重要的操作。这些是文献中使用的不同分割方法：通过扩张进行形态学重建、使用中性转集（Neutrosophic sets，NS）的模糊c均值聚类（FCM）、全卷积网络、快速贪婪蛇算法(FGSA)、具有水平集的模糊c平均聚类、均值灰狼优化技术(mean grey wolf optimization)、应用于梯度大小的分水岭变换(watershed transform)、置信连接区域增长算法、高斯混合模型、自适应阈值、PSOFFCM、快速行进法(Fast marching)、基于凹凸点的FCM算法、随机森林、标签连接组件和空间正则化等。

D.特征提取

CT肝脏肿瘤图像通过纹理、形状和大小等特征进行识别。肝脏的形状和肝脏区域的灰度信息不足以对肝脏进行分类。
在分类中使用的一个重要特征是纹理。从分割区域提取统计特征(均值、标准差、偏度和峰度)、二阶统计特征(灰度共生矩阵(GLCM))和几何特征(面积、周长、圆度、等效直径和圆度)等特征。

E.分类

在特征提取的基础上，将肿瘤划分为不同类型的分类器

4.肝脏图像预处理方法

A.中值滤波

将矩形窗口的中心像素值替换为矩形窗口内像素值的中位数，如公式(1)所示。

S_xy表示一个m×n的矩形窗口，矩形窗口的中心在(x,y)。g(x,y)是区域中的输入图像，由S_xy定义。f尖(x,y)为中值滤波图像。

B.双边滤波器(BF)

BF用于平滑图像而不改变边缘。双边滤波表达式如式(2)所示。

W_p称为归一化因子，如公式(3)所示：

G_σ(x)表示二维高斯核，如公式(4)所示。

C. Wiener滤波器

称为最小均方误差滤波器，用于被加性噪声(additive noise)和模糊破坏的图像。这是在频域中使用的。
X(u,v)频域表示是退化degraded图像x(n,m)。原始图像的频域表示可以通过X(u,v)与Wiener滤波器G(u,v)相乘得到，如公式(5)：

对S尖(u,v)进行DFT逆处理，得到原始图像。

D.导向滤波guided filter

它是线性平移变滤波器。这里I、p、q分别是引导图像、输入图像、输出图像。根据应用程序的不同，引导图像和输入图像是预先已知的。滤波器在第i个像素处的输出被表示为公式(6)中所示的缩放平均值：

这里i和j表示像素位置。W_ij(I)依赖于I，与输入图像无关。滤波器的输出q随p线性变化。
滤波器核权表示如公式(7)：

|w|是w_k中所有像素的总和，μ_k和σ²_k是w_k的均值和方差。

E.递归高斯滤波Recursive Gaussian filtering

它是最好的低通滤波器。Deriche（1992）表示递归高斯滤波器，如等式（8）所示：

Van Vliet, Young和Verbeek(1998)表示递归高斯滤波器如式(9)所示：

H^-(Z)是反因果系统（anti-causal）。
H⁺(Z)是因果系统（causal）。

F.Kirsch算子

它是一个非线性算子，用于边缘检测。这个算子是一个内核，这个内核在8个方向上以45度的增量交换：N, SW, NW, SE, W, E, S和NE。所有方向上的最大幅值给出如式(10)所示的边幅值：

其中z计算compass方向核g为公式(11)所示：

5.肝脏和肿瘤分割方法

肝脏的分割方法多种多样。扩展形态学重建，使用中性集(NS)的模糊C均值聚类(FCM)，全卷积网络，快速贪蛇算法，模糊C均值聚类(FCM)，平均灰狼优化技术(mGWO)，带FCM阈值和形态学运算的NS域，全卷积神经网络，U-net结构，应用于梯度和形态学运算的分水岭变换，快速推进法，利用NS图像的局部平均强度值自适应阈值，分水岭算法，提取最大连通分量，NS, PSOFFCM，形态学算子和连通分量标注算法。

如表I所示。

用于肝脏分割的方法也用于肿瘤分割。

6.肿瘤分类方法

采用SVM分类器、DNN分类器进行分类。

7.讨论

传统的深度学习技术在图像级分割中对肝脏肿瘤的分割灵敏度不理想。此外，现有的分割算法的缺点是计算量大，计算时间长，分割过度；它可能不定义原始图像的阴影，并为自然图像提供极端分割。

CNN算法性能较好，是图像识别中较为成功的分类器之一。但是需要更大容量的计算机。

采用粒子群算法的FFCM算法精度高，耗时短，对噪声不敏感。但是，该方法在实时数据集上验证的缺陷较少，需要进行更多的理论分析。FFCM用于统计数据分析，是一种聚类方法。但它需要更多的CT图像来验证性能。采用Logistic回归对肿瘤进行分类，具有较高的分类性能。但它需要实现更多的方法来自动实现肿瘤对齐。

模糊像素分类算法用于计算特定像素是否属于特定图像类别的概率。但是，当考虑到大量的数据时，它需要提高准确性。

决策树的性能得到了改进，是一种肝癌自动识别的可行模型，但这需要更多的训练时间。

3D FRN在执行反向传播时包含许多快捷连接，它提高了速度。但是，它需要开发精确的分割方法。

HMRFEM在不影响精度的前提下减少了计算时间，提高了EM获得的分类质量，但对巨大的图像消耗了较多的时间。

PDNETs是异质的，在许多应用中使用，在疾病检测中显示出早期改善。尽管如此，性能仍然需要改进。

FCN达到了较高的精度，用卷积层代替传统CNN的全连通层，交叉卷积层将特征图还原为实际图像大小。但是，它非常复杂，而且速度有点慢。

8.结论

在分割肝脏的区域生长方法中，如果像素满足预定义条件，则将图像中的像素分组为区域。在将像素分组为区域之前，在必须执行分割的区域中选择种子点。因此，与区域生长相关的问题是选择初始种子点以获得更精确的图像分割。在这里，改进的区域生长算法将提高分割性能，其中通过FCM聚类选择种子点。

通过优化特征选择和优化分类模型，对肝脏肿瘤分类模型进行改进，减少检测误差和计算复杂度，提高分类精度。通过优化RNN和CNN的隐含神经元的权重或数量来提高分类性能。