基于三维模糊连接脉冲耦合神经网络的肾脏CT图像自动分割算法.pdf

基于三维模糊连接脉冲耦合神经网络的肾脏CT图像自动分割算法白培瑞李峥刘庆一*王梦毕丽君任延德王成健(山东科技大学电子信息工程学院青岛266590)(青岛大学附属医院放射科青岛265000)摘要：3维肾脏CT图像的自动准确分割对减轻医师阅片工作量和提高计算机辅助诊断效率具有重要意义。但是，由于肾脏器官的结构复杂性以及邻近部位的灰度相似性，3维肾脏的准确分割仍具有挑战性。该文基于简化脉冲耦合神经网络(SPCNN)结构简单、参数量少的特点，结合模糊连接度(FC)算法，提出一种3维肾脏CT图像的自动分割算法。主要贡献为：(1)将SPCNN的2维模型扩展为3维模型，可以充分利用3维CT图像的层间信息；(2)提出了一种基于感兴趣区域质心的3维种子点自动生成策略，可以有效提高算法的自动分割效率；(3)实现了3维FC响应图与3维SPCNN的有效耦合。所提算法在自制数据集和公开数据集上进行了验证实验，结果表明该算法的性能优于现有的主流算法，其Dice系数、准确率、敏感度、体积误差、平均对称表面距离的平均值分别可以达到0.9095,0.9969,0.8517,0.1749和0.8536。关键词：3维CT图像；肾脏分割；脉冲耦合神经网络；模糊连接度中图分类号：TP911.73;TP391.41文献标识码：A文章编号：1009-5896(2023)06-2264-09DOI:10.11999/JEIT221252Automatic Kidney CT Images Segmentation Algorithm Based on 3DFuzzy Connectedness and Pulse Coupled Neural NetworkBAIPeiruiLIZhengLIUQingyiWANGMengBILijunRENYandeWANGChengjian(School of Electronic Information Engineering,Shandong University of Science and Technology,Qingdao 266590,China)(Department of Radiology,Affiliated Hospital of Qingdao University,Qingdao,Shandong 265000,China)Abstract:Automaticandaccuratesegmentationof3DkidneyCTimageisofgreatsignificancetoreducetheworkloadofdoctorsandimprovetheefficiencyofcomputer-aideddiagnosis.However,duetothestructuralcomplexityofkidneyorgansandthegraysimilarityofadjacentparts,accuratesegmentationof3Dkidneyisstillchallenging.BasedonthecharacteristicsofsimplestructureandfewparametersofSimplifiedPulseCoupledNeuralNetwork(SPCNN),combinedwithFuzzyConnectedness(FC)algorithm,anautomaticsegmentationalgorithmofthree-dimensionalkidneyCTimagesisproposedinthispaper.Themaincontributionsofthispaperareasfollows:(1)The2DSPCNNisextendedto3DSPCNN,whichcanmakefulluseoftheinter-layerinformationof3DCTimages.(2)A3Dseedpointautomaticgenerationstrategybasedonthecentroidofregionofinterestisproposed,whichcaneffectivelyimprovetheautomaticsegmentationefficiencyofthealgorithm.(3)Effectivecouplingof3DFCresponsemapand3DSPCNNisrealized.Theproposedalgorithmisvalidatedonself-madeandpublicdatasets,andtheresultsshowthattheperformanceoftheproposedalgorithmisbetterthanthatoftheexistingmainstreamalgorithms.TheaveragevaluesofDicecoefficient,accuracy,sensitivity,volumeerrorandaveragesymmetricsurfacedistancecanachieve0.9095,0.9969,0.8517,0.1749and0.8536respectively.Key words:3DCTimages;Kidneysegmentation;PulseCoupledNeuralNetwork(PCNN);FuzzyConnectedness(FC)收稿日期：2022-09-27；改回日期：2022-12-08；网络出版：2022-12-09*通信作者：刘庆一lqy_基金项目：国家自然科学基金(61471225)FoundationItem:TheNationalNaturalScienceFoundationofChina(61471225)第45卷第6期电子与信息学报Vol.45No.62023年6月JournalofElectronics&InformationTechnologyJun.20231 引言肾脏是泌尿系统具有代谢功能的重要内脏器官，负责清理身体内产生的废物杂质，同时也具有调节内分泌平衡和维持血压稳定的功能1。计算机断层扫描成像(ComputedTomography,CT)是放射科临床上常用的肾脏疾病辅助诊断手段。3维肾脏CT图像的分割是肾脏体积测量以及诊断某些导致肾脏形态变化疾病的关键技术。但是，手动的分割方法存在着工作量大、诊断效果容易受主观经验和疲劳的影响等问题2。因此，3维肾脏CT图像的自动分割方法研究具有重要的理论意义和临床应用价值。目前，针对3维肾脏CT图像的分割已经提出大量优秀的方法。从分割策略的角度，可以分为基于2维切片的分割和基于3维体数据的直接分割两类3。其中，第1类分割策略是对3维数据的2维切片图像逐层进行分割，然后将分割结果进行3维重建。代表性工作有：Zhang等人4提出基于图割的活动轮廓模型，Les等人5提出两路扫描技术。以上工作均基于2维切片图像分割后再3维重建，无法有效利用CT图像的层间信息，且易受患者运动伪迹的影响。第2类分割策略是直接对3维CT体数据进行分割。代表性工作有：Jin等人6提出改进随机森林算法，Khalifa等人7开发3维非负矩阵分解引导的活动轮廓模型，均直接对3维肾脏分割。随着深度学习方法的出现，一些研究者将其引入3维医学图像分割。代表性工作有：Qayyum等人8提出了混合3维残差网络，胡敏等人9基于残差卷积和注意力机制改进U型神经网络，刘侠等人10提出卷积神经网络和超像素的联合能量主动轮廓模型，iek等人11将U-Net架构中拓展为3DU-Net，Kang等人12提出融合3维卷积神经网络(3D-ConvolutionalNeuralNetworks,3D-CNN)和长短时记忆卷积网络(ConvolutionalLongShortTermMemory,ConvLSTM)模型，以上工作均通过深度学习算法应用于3维医学图像分割，效果较为理想，但是，基于深度学习的分割方法存在对训练样本数量和计算能力要求较高，以及深度网络模型的可解释性较差等问题。脉冲耦合神经网络(PulseCoupledNeuralNetwork,PCNN)依据视觉区域的神经元活动规律而提出，更符合视觉神经系统的生理学基础，被广泛应用于医学图像处理13。相比于深度学习算法，PCNN模型不需要训练。但是，传统的PCNN只能利用图像的灰度特征进行分割，容易受到目标周围具有灰度相似性区域的干扰。因此，近年来出现了一些将PCNN与其他算法融合的研究。例如，在本文的前期研究中，将2维模糊连接度(FuzzyCon-nectedness,FC)与PCNN进行融合，提升了对多种2维医学图像的分割性能14。FC作为一种分析不确定性的理论模型，适合处理边界模糊以及与其他图像信号分析方法结合。代表性工作有：郑瑾等人15将小波模极大值边缘检测方法与FC算法结合，DeMoraesBraz等人16将广义图切割和FC框架结合。FC算法的缺点是需要人工选定种子点。对于采用FC算法的3维肾脏分割算法而言，手动选定种子点是通过医生对图像进行阅读后，手动标记肾脏区域关键层内的某些像素点作为种子点，这会增加人工工作量和主观性，降低自动化程度，对FC算法的临床应用造成限制。目前，FC算法的种子点自动生成策略大多基于图像的先验信息以及解剖学的相关知识。例如：张睿等人17利用局部极值和经验阈值选取种子点，李彬等人18首先通过阈值法提取脑组织，然后自动将高亮度像素作为种子点。但是，目前尚无针对3维肾脏CT图像种子点自动生成策略。针对3维肾脏CT图像分割存在的挑战，本文基于FC和PCNN提出一种可以有效利用3维数据层间信息的算法，并提出一种3维种子点自动生成策略，可以实现3维肾脏快速且准确的全自动分割。2 相关原理与方法2.1 脉冲耦合神经网络模型PCNN是由Eckhorn等人19依据哺乳动物视觉神经活动而提出的网络模型，其神经元具有非线性特点，不需要训练，模型简单，但是模型参数较多。为了减少模型参数，Chen等人20提出了2维简化脉冲耦合神经网络(SimplifiedPulseCoupledNeuralNetwork,SPCNN)。其公式为Ui,jn=eFUi.jn 1+Si,j1+VLk,lWi,j,k,lYk,ln 1(1)Yi,jn=1,Ui,jn Ti,jn0,其他(2)Ti,jn=eTTi,jn 1+VTYi,jn(3)其中，Ui,jn是(i,j)位置神经元的内部活动项，Ti,jn是动态阈值，Yi,jn是二进制输出。n为迭代次数，代表神经元之间的连接常数，F代表反馈输入的衰减常数，T代表动态阈值的时间衰减常数，VT代表动态阈值的固有电势，Wi,j,k,l为内部连接矩阵。2.2 模糊连接度模型FC是Udupa等人21根据图像的模糊性本质提第6期白培瑞等：基于三维模糊连接脉冲耦合神经网络的肾脏CT图像自动分割算法2265出的数学理论，可以用于描述n维空间图像像素之间的模糊连接度。设C表示任意3维图像的体素点集合，定义3维空间的体素点c是位于目标区域的种子点，cC；d是3维CT图像上任意位置的体素点，dC。(1)计算模糊邻近度。模糊邻近度表示3维空间中各体素点与种子点在位置距离上的相似水平，定义为k1(c,d)=11+k1vuut3i=1(ci di)2(4)3i=1|cidi|3k1其中，k1代表一个非负的权重参数；当时(c,d)=0。(2)计算模糊亲和力。模糊亲和力表示3维空间中各体素点与种子点在位置距离以及灰度值上的相似水平，定义为k(c,d)=k1(c,d)1+k2|f(c)f(d)|(5)其中，k2代表一个非负的权重参数，f(c)与f(d)分别代表种子点c和体素点d的灰度值。NK(3)计算模糊连接度。FC表示3维空间各体素点与种子点的相关性与区域连通性。定义Pcd代表种子点c到体素点d的所有可能路径，pcd为其中任意一条路径，即pcd=(cd(1),cd(2),cd(3),cd(n)(n2)，其中n表示cd之间的路径长度。任意路径的最弱连接(pcd)如式(6)所示，模糊连接度(c,d)如式(7)所示N(pcd)=minl2,nk(cd(l1),cd(l)(6)K(c,d)=maxpcdPcdN(pcd)(7)3 3维模糊连接脉冲耦合神经网络模型3.1 3维简化脉冲耦合神经网络以2维SPCNN为基础，本文在将其推广到3维空间，同时省略了反馈输入的衰减常数F。将3维神经元对应到3维图像体素，灰度值高的体素点先进行点火，引起周围26邻域内的神经元发放同步脉冲，产生3维的二进制输出，得到二值化图像，3DSPCNN模型的迭代公式为Fi,j,kn=Ii,j,kn(8)Li,j,kn=Wi,j,k,l,w,hYl,w,hn 1(9)Ui,j,kn=Fi,j,kn(1+Li,j,kn)(10)Yi,j,kn=1,Ui,j,kn Ti,j,kn0,其他(11)Ti,j,kn=eTTi,j,kn 1+VTYi,j,kn(12)其中，Fi,j,kn表示(i,j,k)位置神经元的反馈输入，Li,j,kn表示(i,j,k)位置神经元的线性连接输入。考虑计算复杂程度，本文只考虑6邻域神经元的影响，所以将Wi,j,k,l,w,h值定义为Wi,j,k,l,w,h=000010000,010101010,000010000(13)如图1所示，3DSPCNN模型包括接受模块、调制模块和脉冲产生模块。3.2 融合机制PCNN模型符合人眼视觉特性，3DFC图像比原始图像更适合作为3DSPCNN的刺激输入。如图2所示，在3DFC模型输出图像后，根据图像尺寸特征构建3DSPCNN模型，将3DFC图像输入到3DSPCNN模型神经元。并保证输入图像体素点位置与模型神经元位置在3个维度上保持相对应，如式(14)所示F(i,j,k)=I(i,j,k)=3DFC(i,j,k)(14)其中，i,j,k是坐标变量，F(i,j,k)值为3DSPCNN第1次迭代时(i,j,k)位置的模糊连接度值。3DFC算法根据种子点的信息计算产生3DFC图像，该图像的体素点取值为对应的FC值，大小为01，种子点处的体素值最大。3DFC与3DSPCNN的融合过程中，保证种子点处神经元率先点火。图13DSPCNN神经元模型图2融合机制2266电子与信息学报第45卷3.3 3维种子点自动生成策略FC算法在提供图像空间信息的同时，需要设置种子点信息，种子点选择的适合度是影响分割结果准确性的重要因素。为此，本文提出根据肾脏感兴趣区域质心自动生成种子点的策略。假设3维CT图像具有Z层2维切片图像，根据肾脏CT图像的特征，本文选取肾脏面积相对较大的第n层(n=Z/2)作为关键层，利用阈值法在关键层分割脊椎区域，并计算其质心O(x0,y0)，如图3(a)所示。然后，分别以O1(x060,y090),O2(x060,y0+90)为椭圆圆心，建立一个长半轴为60、短半轴为50、向脊椎倾斜45的椭圆形区域作为左右肾脏感兴趣区域。在肾脏感兴趣区域上利用最大类间方差法实现二值化，计算最大连通域的质心坐标(a,b)。根据层间相关性，将质心坐标(a,b)直接映射到相邻层，自动生成大小为333的3维种子点，其坐标为(a1:a1,b1:b1,n1:n1)，如图3(b)所示。3.4 算法流程本文算法将3DFC算法与3DSPCNN模型融合，流程如图4所示，具体步骤如下：步骤1将3维肾脏CT图像预处理，包括通过最近邻插值方法逆变换将512512Z的数据调整为128128Z，以及窗宽窗位调整。步骤2生成在肾脏区域上的3维种子点。步骤3将预处理后的3维CT图像输入3DFC，计算模糊连接度值3DFC(i,j,k)，得到3DFC图像。步骤4将3DFC得到的模糊连接度图像替代3DSPCNN的反馈输入，3DSPCNN根据适当的参数进行迭代，得到分割结果，并通过上述最近邻插值方法将数据大小恢复为512512Z。步骤5通过形态学后处理，包括腐蚀、膨胀操作来填充肾脏区域的孔洞，圆滑肾脏边界凹陷。并最终恢复原始尺寸。腐蚀、膨胀分别定义为S=X B=x,y|Bx,y X(15)S=X B=x,y|Bx,y X=(16)其中，X代表原始输入图像，B代表所创建的结构元素。3.5 参数选取k1K根据上述3DFC算法，定义3维肾脏CT图像的种子点矩阵s，在种子点矩阵s中将种子点处的数值设置为1，记作s(i0,j0,k0)=1。模糊邻近度(i,j,k)可以根据式(4)构建，此时将参数k1的值设置为0.1。模糊亲和度(i,j,k)可以根据式(5)构建，此时将参数k2的值设置为0.3。3维模糊连接度3DFC(i,j,k)可以根据式(6)、式(7)构建，若3维CT图像中肾脏种子点为s(i0,j0,k0)，则3DFC(i,j,k)可以定义为3DFC(i,j,k)=K(s(i0,j0,k0),d(i,j,k),3DFC(i,j,k)(0,1)(17)4 实验结果分析4.1 实验数据及环境本文所提方法在3个CT图像数据集进行测试。其中，自制数据集青岛大学附属医院_肾脏(theAffiliatedHospitalofQingdaoUniversity_Kidney,AHQU_K)由青岛大学附属医院放射科提供，包含40例3维肾脏CT图像数据，所有数据的2维切片图像尺寸为512512，切片层数为61153，3Dircadb公开数据集(https:/www.ir-cad.fr/research/3d-ircadb-01/)包含20例3维腹部CT图像，Kits19公开数据集(https:/kits19.grand-challenge.org/data/)包含210例3维腹部CT图像。本文算法在上述两个数据集中选取了20例包含完整肾脏的CT数据进行实验，所有数据的2维切片图像尺寸为512512，切片层数为32151。定量评价分割效果的金标准由具有丰富经验的放射科医师手动分割完成。本文算法的运行环境为笔记本电脑(LAPTOP-5TQNUN3H)，CPU为2.70GHzIntelCorei5-11400H，内存16GBRAM。操作系统为微软Win-dows11ServicePack1(MicrosoftInc.,美国)。开发工具软件采用MATLABR2020b(MathWorksInc.,美国)。图3左右肾脏的种子点示意图4本文算法流程图第6期白培瑞等：基于三维模糊连接脉冲耦合神经网络的肾脏CT图像自动分割算法22674.2 实验结果图5示出了不同分割算法对3维肾脏分割结果的2维显示，其中最左侧标明了数据名称，括号内的数字为切片层数。第2列是手动分割结果。第3列是3D区域生长算法的分割结果，区域生长算法不能同时进行3维双肾分割，该结果由单肾分割结果叠加而成。第4列第7列依次为3DSnakes算法、3DFC算法、3DSPCNN算法以及本文所提3DFC-SPCNN算法的分割结果。图6示出了与图5对应数据的3维分割结果。上述算法种子点均根据本文所提自动生成策略进行选取，能够高效定位肾脏区域，生成3维种子点。从图5和图6可以看出，在3DFC算法和3D区域生长算法的分割结果在肾脏轮廓出现明显欠分割现象，3DSnakes算法的分割结果在肾脏两侧出现过分割现象，3DFC算法则出现不同程度的过分割或欠分割。由于3DSPCNN仅依靠灰度信息对图像进行分割，而CT图像中的肾脏与其周围组织或器官具有较高的灰度相似性，因此，3DSPCNN对肾脏的分割性能表现得非常差，融合3DFC加入了空间信息，生成的特征图显著降低了干扰，使得性能大幅上升，本文算法结果与手动分割结果的视觉吻合度最好。为了定量评估3维分割结果，本文分别对3个数图5肾脏分割结果比较图6肾脏的3维结果显示2268电子与信息学报第45卷据集分割结果的5个定量指标进行统计分析。5个指标分别为Dice系数、准确率Acc、敏感度Sen、体积误差(VolumeError,VE)和平均对称表面距离(Av-erageSymmetricSurfaceDistance,ASSD)，其定义式为Acc=TP+TNTP+FP+TN+FN(18)Sen=TPTP+FN(19)Dice=2TP(TP+FP)+(TP+FN)(20)VE=abs(|A|B|B|)(21)ASSD(A,B)=aAmind(a,B)|A|+|B|+bBmind(b,A)|A|+|B|(22)BA其中，TP表示真阳性，TN表示真阴性，FP表示假阳性，FN表示假阴性，d(a,)以及d(b,)分别表示有向平均Hausdorff距离。表1表3分别列出了3个数据集中所有样本5个定量指标的平均值和标准偏差。VE和ASSD右侧的“”表示该指标值越小，分割越准确。5 讨论本文将3DFC与3DSPCNN融合，结合种子点自动选取策略，提出的自动分割方法可以直接对3维CT图像进行分割。实验表明，本文所提算法可以实现3维肾脏CT图像的自动分割，分割结果准确性主要受3维种子点选取和模型参数选取的影响。5.1 3维种子点选取本文所提3维种子点自动生成策略依赖于寻找关键层上感兴趣区域内最大连通域的质心，所选取的关键层需具备肾脏边缘清晰、在感兴趣区域内所占面积比例较大的条件。因此，根据解剖学知识和肾脏CT数据特点，所需关键层应位于3维数据中间层切片附近，对包含Z层切片的3维数据，可直接选取第Z/2层的2维切片作为关键层。此外，在实验过程中本文发现，若按照上述策略选取多个关键层，从而生成多个3维种子点，可以小幅增加分割精确度。如表4所示，按照3维种子表 1 3D FC-SPCNN算法与不同算法在AHQU_K数据集上的分割结果比较算法DiceAccSenVEASSD3DFC-SPCNN0.91750.01450.99690.00050.85330.02990.17490.05050.79030.14803DFC0.90030.03960.99640.00120.82680.06580.22130.07230.95520.41413D区域生长0.89160.05890.99540.00580.82520.05010.31510.14421.23650.50713DSnakes0.80580.06870.99280.00290.73690.10280.23740.10361.62870.95663DSPCNN0.14810.03870.74330.06340.73760.065613.60173.333220.16763.8033表 2 3D FC-SPCNN算法与不同算法在3Dircadb数据集上的分割结果比较算法DiceAccSenVEASSD3DFC-SPCNN0.91190.02270.99720.00070.85190.02270.18650.02930.81070.15053DFC0.87380.07690.99640.00190.79260.10110.24920.09621.09260.50163D区域生长0.86200.08160.99350.00530.81920.06350.28740.13311.20590.60093DSnakes0.80630.02230.98630.00380.75860.03820.22060.02481.40370.13793DSPCNN0.22080.05610.91820.24250.70270.05612.21171.427919.45605.1872表 3 3D FC-SPCNN算法与不同算法在Kits19数据集上的分割结果比较算法DiceAccSenVEASSD3DFC-SPCNN0.89910.01030.99660.00140.84990.03050.16330.07400.95980.24633DFC0.83830.03700.99070.00880.81360.05900.33920.20891.54680.67213D区域生长0.86210.05160.99490.00390.78050.10100.31970.13571.63310.86653DSnakes0.83290.05260.99080.00410.74950.14050.20830.09161.38610.35693DSPCNN0.04870.02060.53120.08310.73920.057330.58977.706223.9144.0112第6期白培瑞等：基于三维模糊连接脉冲耦合神经网络的肾脏CT图像自动分割算法2269点自动生成策略，本文随机选取10例数据作为测试对象，选择第Z/2层、第Z/25层、第Z/2+5层作为关键层，利用3DFC-SPCNN分割得到结果。该分割结果与相同参数、种子点个数不同的分割结果相比较，实验结果证明，多个种子点相对单个种子点而言，分割指标略有提升，但计算量和计算时间也会增加，因此，本文方法中采用了单个种子点的自动生成策略。5.2 模型参数选取本文所提3DSPCNN存在T,VT,N,4个参数，3DFC存在的k1,k2两个权重参数，共有6个参数可以进行选取。对于肾脏CT图像分割问题，可以利用解剖先验知识和成像技术特点，进一步简化参数的选取工作。下述两种策略可以用于本文模型在分割3维CT图像时的参数选取。策略1保持3DFC参数不变，调节3DSPCNN参数。在实验中，固定3DFC参数k1=0.1,k2=0.3。3DSPCNN动态阈值的放大系数VT值大小对分割结果起到重大作用，需要选择合适的数值避免欠分割或者过分割现象。如图7(c)所示，VT值过大，会使3DSPCNN阈值衰减过快，导致无法分割出目标区域。策略2调节3DFC参数，保持3DSPCNN参数不变。在实验中，固定3DSPCNN参数T=1,VT=18.05,N=6,=0.1。3DFC的k2参数可以控制模糊亲和力，影响像素点相似性的判断。k2经验值为0.3，如果将k2调小，则模糊亲和力变大，可以获得相对较大的体素点相似性，相似性越大，分割结果就会越接近于目标。但是，如图7(d)所示，如果k2值过小，会使肾脏与其周边的器官或组织获得过大的体素点相似性，导致错误的分割结果。以上两种参数选取策略是均针对肾脏分割问题进行了优化，可快速得到最好的分割结果。由于3DFC的计算时间远大于3DSPCNN的计算时间，因此，在本文实验中不同数据集均采用了策略1，且选取的参数是统一的，节省了调节3DFC的计算时间，相对于策略2而言更为快捷。但是在处理肾脏与肝脏距离较近的图像时，仅调节3DSPCNN的参数难以取得理想结果，采用策略2可以通过调节亲和度系数，更为有效地区分肾脏和肝脏区域。因此，对3维肾脏CT图像分割中而言，策略1的效率更高，而策略2的鲁棒性更强，在临床实际应用中，对于大量的影像数据，采取策略1更能满足医生快速准确的诊断需求。5.3 相关算法时间对比分析本文针对所有实验数据，随机选取10例数据进行算法平均运行时间的对比。运行结果为3DFC-SPCNN耗时1 955.25s,3DFC耗时1 963.55s,3D区域生长耗时6.24s,3DSnakes耗时70.02s,3DSPCNN耗时1.88s。3DFC需要计算各体素之间的邻近度和模糊连接度，运行时间稍长，通过与3DSPCNN融合，一定程度上提升了算法的运行速度，这也从计算效率层面反映出本文所提算法的优势。另外，本文也对降维操作与计算时间的关联进行了实验验证，结果表明，降维操作可以大幅提高3DFC的计算效率，但分割准确度略有下降。比如，将图像从128128N为6464N，然后输入3DFC-SPCNN，计算耗时由1955.25s缩短为204.85s，速度提升约90%，相应Dice系数均值下降约2%。5.4 与深度学习算法对比分析本文增加了基于深度学习的3DU-Net算法11表 4 相同参数、种子点个数不同的分割结果的评价指标对比DiceAccSenVEASSD时间(s)Z/20.91970.99670.85510.18640.81503172Z/2和Z/250.92080.99680.85720.18170.79193193Z/2和Z/25和Z/2+50.92130.99680.85810.18040.78633200图7参数设置不同结果对比2270电子与信息学报第45卷对比实验，48例数据作为训练集，12例数据作为测试集。该实验在图形工作站上完成，CPU为Intel(R)Xeon(R)Silver4210RCPU2.40GHz2.39GHz。实验结果显示，3DU-Net模型的平均Dice系数为93.17%，略高于本文算法。3DU-Net模型对肾脏空腔边界的分割更准确(如图8所示)，但受到训练样本的影响，对部分具有特异性的数据容易出现错误的分割结果(如图8第1行所示)。该样本脊椎处存在灰度值较高的区域，被3DU-Net模型错误分割为肾脏目标，导致指标ASSD均值为2.06，而本文算法则可以克服这一问题。此外，3DU-Net模型的训练耗时为115.3h，本文所提算法不需要训练，在计算效率方面具有优势。图8第1列为原图，第2,3列分别为3DU-Net模型以及本文算法分割结果与手动分割结果对比图，其中，红色标签为手动分割结果，绿色标签为算法分割结果。图8与3DU-Net分割结果对比6 结束语本文提出一种新的3DSPCNN模型，将其与3DFC算法融合进行肾脏CT图像分割，并且提出3维种子点自动生成策略。相对于逐层处理的2维分割方法，本文方法可以计算3维种子点与其他层体素间的模糊邻近度，从而能够有效利用层间信息，解决了现有算法计算效率低、种子点选取困难和需要过多人工干预的问题。实验结果表明本文算法可以对3维肾脏CT图像实现准确的自动分割，且性能优于现有的主流算法。在下一步研究中，将继续优化参数的自动选取策略，并尝试将该模型应用于其他器官的3维分割。参 考 文 献VAZIRIND.SilvasdiagnosticrenalpathologyJ.KidneyInternational,2010,77(11):939940.doi:10.1038/ki.2009.392.1DOIK.Computer-aideddiagnosisinmedicalimaging:Historicalreview,currentstatusandfuturepotentialJ.Computerized Medical Imaging and Graphics,2007,31(4/5):198211.doi:10.1016/pmedimag.2007.02.002.2TORRESHR,QUEIRSS,MORAISP,et al.Kidneysegmentation in ultrasound,magnetic resonance andcomputedtomographyimages:AsystematicreviewJ.Computer Methods and Programs in Biomedicine,2018,157:4967.doi:10.1016/j.cmpb.2018.01.014.3ZHANGPin,LIANGYanmei,CHANGShengjiang,et al.KidneysegmentationinCTsequencesusinggraphcutsbasedactivecontoursmodelandcontextualcontinuityJ.Medical Physics,2013,40(8):081905.doi:10.1118/1.44812428.LES T,MARKIEWICZ T,DZIEKIEWICZ M,et al.Adaptive two-way sweeping method to 3D kidneyreconstructionJ.Biomedical Signal Processing and Control,2021,67:102544.doi:10.1016/j.bspc.2021.102544.5JINChao,SHIFei,XIANGDehui,et al.3DfastautomaticsegmentationofkidneybasedonmodifiedAAMandrandomforestJ.IEEE Transactions on Medical Imaging,2016,35(6):13951407.doi:10.1109/TMI.2015.2512606.6KHALIFA F,SOLIMAN A,TAKIELDEEN A,et al.KidneysegmentationfromCTimagesusinga3DNMF-guidedactivecontourmodelC.The2016IEEE13thInternationalSymposiumonBiomedicalImaging,Prague,CzechRepublic,2016:432435.doi:10.1109/ISBI.2016.7493300.7QAYYUM A,LALANDE A,and MERIAUDEAU F.Automaticsegmentationoftumorsandaffectedorgansintheabdomenusinga3Dhybridmodelforcomputedtomography imagingJ.Computers in Biology andMedicine,2020,127:104097.doi:10.1016/pbiomed.2020.104097.8胡敏,周秀东,黄宏程,等.基于改进U型神经网络的脑出血CT图像分割J.电子与信息学报,2022,44(1):127137.doi:10.11999/JEIT200996.HUMin,ZHOUXiudong,HUANGHongcheng,et al.Computed-tomographyimagesegmentationofcerebralhemorrhage based on improved U-shaped NeuralNetworkJ.Journal of Electronics&InformationTechnology,2022,44(1):127137.doi:10.11999/JEIT200996.9第6期白培瑞等：基于三维模糊连接脉冲耦合神经网络的肾脏CT图像自动分割算法2271刘侠,甘权,刘晓,等.基于超像素的联合能量主动轮廓CT图像分割方法J.光电工程,2020,47(1):190104.doi:10.12086/oee.2020.190104.LIUXia,GANQuan,LIUXiao,et al.JointenergyactivecontourCTimagesegmentationmethodbasedonsuper-pixelJ.Opto-Electronic Engineering,2020,47(1):190104.doi:10.12086/oee.2020.190104.10IEK,ABDULKADIRA,LIENKAMPSS,etal.3DU-Net:LearningdensevolumetricsegmentationfromsparseannotationC.The19thInternationalConferenceonMedical Image Computing and Computer-AssistedIntervention,Athens,Greece,2016:424432.doi:10.1007/978-3-319-46723-8_49.11KANGLi,ZHOUZiqi,HUANGJianjun,et al.RenaltumorssegmentationinabdomenCTImagesusing3D-CNNandConvLSTMJ.Biomedical Signal Processing andControl,2022,72:103334.doi:10.1016/j.bspc.2021.103334.12ZHAN Kun,SHI