·1368 工程科学学报，第42卷，第10期 TRUS图像配准方面的精度，进行了两组对比实 轮廓标出.从图11(b1~bs)可以看出预分割的轮 验.第一组实验采用监督学习的初始化方法并基 廓边界比较粗糙，但能初步定位前列腺的区域 于前列腺活动表观模型完成图像分割，并与影像 图I1(c1~cs)表示预分割轮廓基于遗传算法的优 专家分割的前列腺轮廓进行对比，同时计算轮廓 化结果逐步收敛的过程.其中蓝色轮廓表示前列 之间豪斯多夫距离4(Hausdorff distance,.HD).第 腺形状均值模型的基于预分割图像的初始姿态， 二组实验对比分析基于形状轮廓配准方法与传统 红色轮廓是采用遗传算法进行姿态优化后的结 方法的实验结果，比较的指标包括配准结果的区 果，粉色轮廓是基于活动表观模型的收敛结果，黑 域重叠戴斯系数DSC2及尿道特征点的配准定位 色轮廓为手动绘制的标准轮廓.从图11(c1~cs)的 精度(Target error,.TE).实验图像取自美国影像引 分割结果可以看出，轮廓的最终收敛结果与标准 导治疗中心提供的数据集：https://zenodo.org/record/ 轮廓具有高的轮廓相似度，其HD均值分别为 16396#.XPJ6 GaIzZdh,收集了前列腺患者的MR/TRUS 1.20,1.04,2.48,1.40,1.57,可以得出分割轮廓与标 影像图片 准轮廓之间的豪斯多夫距离的均值较低为1.54， 3.1图像分割实验 证明了分割方法的有效性 模型的数据标签借助T.F.Cootes的工具箱完 3.2图像配准实验 成，图像的训练和收敛过程借助OpenCV视觉库， 在评估配准方法精度的过程中，使用超声图 采用C+语言实现，遗传算法的优化工作借助了 像标准轮廓区域与术前核磁图像轮廓区域进行配 Python下的Geatpy包完成. 准.实验选取前列腺病人9组MR/TRUS影像进行 训练采用的数据集为3例前列腺病人中层切 图像配准，同时，与文献方法进行对比，并评估 片的MR/TRUS影像图片，其中I8张作为训练集， 配准区域重叠度DSC系数，其结果如图12和图13 5张作为测试集，图像的分割结果如图11所示，其 所示 中图11(a1~a5)为待分割的超声图像，图11(b1~ 图12第1行和第2行分别为前列腺核磁和超 bs)为随机森林的预分割结果，图I1(c1~cs)为轮 声图像，第3行和第4行是本文方法计算出来的配 廓收敛的迭代过程.采用豪斯多夫距离对轮廓相 准结果和融合结果，第5行和第6行是采用文献方 似度进行评估 法得出的配准和融合结果.图13对比了两种配 在算法的实现过程中，首先基于随机森林模 准结果的区域重叠度DSC,结果表明本文方法具 型对测试图像进行预分割，如图11(b1~b5),其中 有良好的配准精度 预分割的区域用蓝色轮廓标出，标准区域用黑色 为了进一步验证配准方法的目标定位精度， 图11前列腺超声图像分割结果.(a1~a5)待分割的TRUS图像：(b1~b;)随机森林预分割结果：(c1~c)轮廓分割收敛过程 Fig.11 Segmentation results of prostate US images:(a-as)initial TRUS images;(b-bs)pre-segmentation results of random forest;(c-cs)convergence processes of contour segmentationTRUS 图像配准方面的精度，进行了两组对比实 验. 第一组实验采用监督学习的初始化方法并基 于前列腺活动表观模型完成图像分割，并与影像 专家分割的前列腺轮廓进行对比，同时计算轮廓 之间豪斯多夫距离[24] （Hausdorff distance, HD）. 第 二组实验对比分析基于形状轮廓配准方法与传统 方法的实验结果，比较的指标包括配准结果的区 域重叠戴斯系数 DSC[25] 及尿道特征点的配准定位 精度（Target error, TE）. 实验图像取自美国影像引 导治疗中心提供的数据集：https://zenodo.org/record/ 16396#.XPJ6GaIzZdh，收集了前列腺患者的MR/TRUS 影像图片. 3.1    图像分割实验 模型的数据标签借助 T.F.Cootes 的工具箱完 成，图像的训练和收敛过程借助 OpenCV 视觉库， 采用 C++语言实现，遗传算法的优化工作借助了 Python 下的 Geatpy 包完成. 训练采用的数据集为 3 例前列腺病人中层切 片的 MR/TRUS 影像图片，其中 18 张作为训练集， 5 张作为测试集，图像的分割结果如图 11 所示，其 中图 11（a1～a5）为待分割的超声图像，图 11（b1～ b5）为随机森林的预分割结果，图 11（c1～c5）为轮 廓收敛的迭代过程. 采用豪斯多夫距离对轮廓相 似度进行评估. 在算法的实现过程中，首先基于随机森林模 型对测试图像进行预分割，如图 11（b1～b5），其中 预分割的区域用蓝色轮廓标出，标准区域用黑色 轮廓标出. 从图 11（b1～b5）可以看出预分割的轮 廓边界比较粗糙，但能初步定位前列腺的区域. 图 11（c1～c5）表示预分割轮廓基于遗传算法的优 化结果逐步收敛的过程. 其中蓝色轮廓表示前列 腺形状均值模型的基于预分割图像的初始姿态， 红色轮廓是采用遗传算法进行姿态优化后的结 果，粉色轮廓是基于活动表观模型的收敛结果，黑 色轮廓为手动绘制的标准轮廓. 从图 11（c1～c5）的 分割结果可以看出，轮廓的最终收敛结果与标准 轮廓具有高的轮廓相似度 ， 其 HD 均值分别 为 1.20，1.04，2.48，1.40, 1.57，可以得出分割轮廓与标 准轮廓之间的豪斯多夫距离的均值较低为 1.54， 证明了分割方法的有效性. 3.2    图像配准实验 在评估配准方法精度的过程中，使用超声图 像标准轮廓区域与术前核磁图像轮廓区域进行配 准. 实验选取前列腺病人 9 组 MR/TRUS 影像进行 图像配准，同时，与文献方法[26] 进行对比，并评估 配准区域重叠度 DSC 系数，其结果如图 12 和图 13 所示. 图 12 第 1 行和第 2 行分别为前列腺核磁和超 声图像，第 3 行和第 4 行是本文方法计算出来的配 准结果和融合结果，第 5 行和第 6 行是采用文献方 法[26] 得出的配准和融合结果. 图 13 对比了两种配 准结果的区域重叠度 DSC，结果表明本文方法具 有良好的配准精度. 为了进一步验证配准方法的目标定位精度， a1 b1 c1 a2 b2 c2 a3 b3 c3 a4 b4 c4 a5 b5 c5 图 11    前列腺超声图像分割结果. （a1～a5）待分割的 TRUS 图像；（b1～b5）随机森林预分割结果；（c1～c5）轮廓分割收敛过程 Fig.11    Segmentation results of prostate US images: (a1‒a5 ) initial TRUS images; (b1‒b5 ) pre-segmentation results of random forest; (c1‒c5 ) convergence processes of contour segmentation · 1368 · 工程科学学报，第 42 卷，第 10 期