丛明等：基于监督学习的前列腺MR/TRUS图像分割和配准方法 ·1363· paper proposed a novel prostate MR/TRUS image segmentation and the automatic registration method was based on a supervised learning framework.First,the prostate active appearance model was trained to be applied in the prostate TRUS images segmentation task,and the random forest classifier was used for building a boundary-driven mathematical model to realize automatic segmentation of TRUS images.Then,some sets of MR/TRUS images contour landmarks were computed by matching the corresponding shape descriptors used for registration.The method was validated by comparing the automatic contour segmentation results with standard results,and the registration results with a traditional registration method.Results showed that our method could accurately realize the automatic segmentation and registration of prostate TRUS and MR images.The DSC (Dice similarity coefficient,DSC)accuracy of nine sets of registration results is higher than 0.98,whereas the average location accuracy of the urethral opening is 1.64 mm,which displays a better registration performance. KEY WORDS prostate;image registration;image segmentation;random forest;active appearance model 目前，前列腺癌的诊断主要依靠前列腺特异 手动或半自动的方式对前列腺MR/TRUS图像进 性抗原(Prostate specific antigen,PSA),并继以穿刺 行分割，并基于手动放置或特殊的生理特征点进 活检，由于PSA特异性较差，故临床上将穿刺活检 行刚体或非刚体配准0-川 作为确诊前列腺癌的金标准经直肠超声引导下 为了充分发挥前列腺MR/TRUS图像在肿瘤 的前列腺穿刺活检因实时性、低成本、易操作等 诊断、引导穿刺过程中的优势，对前列腺病人术前 优点，成为了临床上最为普遍的诊断前列腺癌的 的MR图像进行手动分割并标记穿刺区域，在前 方法.然而，由于直肠超声图像低的成像质量，因 列腺TRUS图像实时引导穿刺的过程中，将术前 此很难从图像上准确定位恶性肿瘤区域.经直肠 标注的MR图像信息配准到TRUS图像上2I,即采 超声引导下前列腺6针法穿刺活检的假阴性率高 用术前MR图像手动分割的前列腺区域到术中 达30%四另一方面，多参数核磁共振图像(Muli- TRUS图像自动分割的前列腺区域的配准方式进 parametric magnetic resonance imaging,mpMRI) 行图像融合引导穿刺.考虑到前列腺TRUS图像 前公认的诊断前列腺癌的最佳影像技术，可精确 在分割过程中形状尺寸的变化及纹理灰度的影 定位可疑病灶区，从而达到靶向穿刺的目的)为 响，采用基于形状和灰度变化的混合方法建立前 了提高前列腺癌的检出率，核磁/超声(MR/TRUS) 列腺TRUS图像的活动表观模型，用于图像的自 融合引导靶向穿刺技术应运而生，它旨在对术 动分割，同时采用薄板样条(Thin plate spline,.TPS) 前MR图像和实时TRUS图像进行配准融合从而 对前列腺R/TRUS图像上对应的轮廓区域进行 提高穿刺精度.然而，由于MR扫描过程中线圈或 配准融合 直肠内气体的膨胀、病人的呼吸和不自觉的运 本文针对活动表观模型对轮廓进行自动分割 动、超声探头在直肠中对前列腺腺体的挤压，使得 时姿态参数的初始化问题，提出一种基于监督学 术前MR与实时TRUS下前列腺的形态并不一致. 习的超声图像自动分割方法，并基于随机森林1 为了补偿形状变化的影响，通常需要对MR/TRUS 的分类结果建立了姿态参数边界驱动的数学模 图像进行变形配准 型.在配准过程中，针对Kuhn-Munkres(KM)算法 由于超声图像低的信噪比及MR/TRUS图像 进行改进以降低局部匹配代价，同时引入轮廓特 上复杂的灰度变化关系，仅依据图像灰度特征很 征点的定位误差作为薄板样条的正则因子进行 难对MR/TRUS图像上对应的结构特征进行定位 图像配准.最后，本文将分割结果和标准轮廓进行 配准，因此前列腺R/TRUS的配准融合通常是基 对比，同时与其他方法比较了配准精度 于已分割的前列腺表面进行变形配准.现有的配 1 准方法主要有基于灰度的配准方法刀和基于分 基于监督学习的图像分割方法 割表面I⑧-9的配准方法.前者主要针对MR/TRUS 应用活动表观模型进行前列腺轮廓分割的过 图像复杂的灰度变化下构造区域相似性的度量标 程中，需要解决姿态参数的初始化问题，考虑基于 准，后者则在于对MR/TRUS图像进行分割，并通 随机森林实现姿态参数的自动估计，以完成前列 过特定的标记点或直接对整个前列腺切片，进行 腺超声图像的自动分割 配准融合.然而，由于前列腺的自动分割是一项极 1.1前列腺活动表观模型 具挑战的任务，因此现有的融合方法主要是基于 活动表观模型是一种由形状模型和灰度模型paper  proposed  a  novel  prostate  MR/TRUS  image  segmentation  and  the  automatic  registration  method  was  based  on  a  supervised learning framework. First, the prostate active appearance model was trained to be applied in the prostate TRUS images segmentation task, and the random forest classifier was used for building a boundary-driven mathematical model to realize automatic segmentation of TRUS  images.  Then,  some  sets  of  MR/TRUS  images  contour  landmarks  were  computed  by  matching  the  corresponding  shape descriptors  used  for  registration.  The  method  was  validated  by  comparing  the  automatic  contour  segmentation  results  with  standard results, and the registration results with a traditional registration method. Results showed that our method could accurately realize the automatic segmentation and registration of prostate TRUS and MR images. The DSC (Dice similarity coefficient, DSC) accuracy of nine sets of registration results is higher than 0.98, whereas the average location accuracy of the urethral opening is 1.64 mm, which displays a better registration performance. KEY WORDS    prostate；image registration；image segmentation；random forest；active appearance model 目前，前列腺癌的诊断主要依靠前列腺特异 性抗原（Prostate specific antigen, PSA），并继以穿刺 活检，由于 PSA 特异性较差，故临床上将穿刺活检 作为确诊前列腺癌的金标准[1] . 经直肠超声引导下 的前列腺穿刺活检因实时性、低成本、易操作等 优点，成为了临床上最为普遍的诊断前列腺癌的 方法. 然而，由于直肠超声图像低的成像质量，因 此很难从图像上准确定位恶性肿瘤区域. 经直肠 超声引导下前列腺 6 针法穿刺活检的假阴性率高 达 30% [2] . 另一方面，多参数核磁共振图像（Multi￾parametric magnetic resonance imaging, mpMRI）是目 前公认的诊断前列腺癌的最佳影像技术，可精确 定位可疑病灶区，从而达到靶向穿刺的目的[3] . 为 了提高前列腺癌的检出率，核磁/超声（MR/TRUS） 融合引导靶向穿刺技术应运而生[4−5] ，它旨在对术 前 MR 图像和实时 TRUS 图像进行配准融合从而 提高穿刺精度. 然而，由于 MR 扫描过程中线圈或 直肠内气体的膨胀、病人的呼吸和不自觉的运 动、超声探头在直肠中对前列腺腺体的挤压，使得 术前 MR 与实时 TRUS 下前列腺的形态并不一致. 为了补偿形状变化的影响，通常需要对 MR/TRUS 图像进行变形配准. 由于超声图像低的信噪比及 MR/TRUS 图像 上复杂的灰度变化关系，仅依据图像灰度特征很 难对 MR/TRUS 图像上对应的结构特征进行定位 配准，因此前列腺 MR/TRUS 的配准融合通常是基 于已分割的前列腺表面进行变形配准. 现有的配 准方法主要有基于灰度的配准方法[6−7] 和基于分 割表面[8−9] 的配准方法. 前者主要针对 MR/TRUS 图像复杂的灰度变化下构造区域相似性的度量标 准，后者则在于对 MR/TRUS 图像进行分割，并通 过特定的标记点或直接对整个前列腺切片，进行 配准融合. 然而，由于前列腺的自动分割是一项极 具挑战的任务，因此现有的融合方法主要是基于 手动或半自动的方式对前列腺 MR/TRUS 图像进 行分割，并基于手动放置或特殊的生理特征点进 行刚体或非刚体配准[10−11] . 为了充分发挥前列腺 MR/TRUS 图像在肿瘤 诊断、引导穿刺过程中的优势，对前列腺病人术前 的 MR 图像进行手动分割并标记穿刺区域，在前 列腺 TRUS 图像实时引导穿刺的过程中，将术前 标注的 MR 图像信息配准到 TRUS 图像上[12] ，即采 用术前 MR 图像手动分割的前列腺区域到术中 TRUS 图像自动分割的前列腺区域的配准方式进 行图像融合引导穿刺. 考虑到前列腺 TRUS 图像 在分割过程中形状尺寸的变化及纹理灰度的影 响，采用基于形状和灰度变化的混合方法建立前 列腺 TRUS 图像的活动表观模型[13] ，用于图像的自 动分割，同时采用薄板样条（Thin plate spline, TPS） [14] 对前列腺 MR/TRUS 图像上对应的轮廓区域进行 配准融合. 本文针对活动表观模型对轮廓进行自动分割 时姿态参数的初始化问题，提出一种基于监督学 习的超声图像自动分割方法，并基于随机森林[15] 的分类结果建立了姿态参数边界驱动的数学模 型. 在配准过程中，针对 Kuhn-Munkres（KM）算法 进行改进以降低局部匹配代价，同时引入轮廓特 征点的定位误差[16] 作为薄板样条的正则因子进行 图像配准. 最后，本文将分割结果和标准轮廓进行 对比，同时与其他方法比较了配准精度. 1    基于监督学习的图像分割方法 应用活动表观模型进行前列腺轮廓分割的过 程中，需要解决姿态参数的初始化问题，考虑基于 随机森林实现姿态参数的自动估计，以完成前列 腺超声图像的自动分割. 1.1    前列腺活动表观模型 活动表观模型是一种由形状模型和灰度模型 丛    明等： 基于监督学习的前列腺 MR/TRUS 图像分割和配准方法 · 1363 ·