基于多圖譜的多發(fā)性硬化癥病變分割方法研究與應(yīng)用

李朋

摘要：本文主要研究基于多圖譜的磁共振腦部MR圖像的分割方法，最Baillard[1]等在基于一張圖譜的方法下對(duì)腦部組織進(jìn)行了簡(jiǎn)單分割。Heckemann[2]等進(jìn)行了多組圖譜的分割實(shí)驗(yàn)并成功的分離出清晰的腦部組織。Klein[3]等充分利用了彈性的配準(zhǔn)的方式對(duì)MR圖像中的前列腺組織進(jìn)行了分割。Isgum[4]等采用了前向搜素的圖譜選擇方法大大減少了分割時(shí)間。Jia[5]等考慮到已經(jīng)分割好的圖譜和將要分割的圖譜之間存在著的一定關(guān)系，從而對(duì)多圖譜圖像分割的精度進(jìn)行了很大的提高。而我們?cè)趫D譜配準(zhǔn)上，采用了fsl-anat配準(zhǔn)算法并得到了滿(mǎn)意的分割結(jié)果。

關(guān)鍵詞：多圖譜；腦部MR圖像；圖譜配準(zhǔn)；fsl-anat

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）30-0198-02

1 前言

多發(fā)性硬化癥（MS）是一種常見(jiàn)的中樞神經(jīng)脫髓鞘疾病。本病最常積累的部位是腦室周?chē)陌踪|(zhì)，病人可出現(xiàn)全身癥狀，嚴(yán)重者會(huì)失明，記憶力減退，甚至癱瘓。

核磁共振成像（MRI）可以對(duì)腦部的灰質(zhì)、白質(zhì)及腦脊液等組織進(jìn)行清晰顯示，但是由于磁共振圖像容易受到不均勻的磁場(chǎng)及噪聲等影響，會(huì)使這些圖像有模糊重影等現(xiàn)象，不利于病變的準(zhǔn)確分割。

2 算法設(shè)計(jì)

2.1 算法框架

為了實(shí)現(xiàn)較好的圖像分割，首先得進(jìn)行圖譜配準(zhǔn)，在我們的配準(zhǔn)過(guò)程中，采用了線(xiàn)性flirt和非線(xiàn)性fnirt配準(zhǔn)，配準(zhǔn)所產(chǎn)生的誤差會(huì)由多圖譜的選擇以及多圖譜的融合進(jìn)行彌補(bǔ)。

2.2圖像預(yù)處理

去腦殼、偏移場(chǎng)、進(jìn)行灰度歸一化：

2.3多圖譜選擇

圖譜的選擇對(duì)分割結(jié)果會(huì)產(chǎn)生一定的影響，所以我們選取了多張圖譜，這些圖譜由圖譜灰度圖像和醫(yī)學(xué)專(zhuān)家手動(dòng)分割好的標(biāo)記圖像組成。首先，我們將圖譜灰度圖像配準(zhǔn)到將要分割的圖譜圖像上，會(huì)得到變形場(chǎng)。然后再用變形場(chǎng)對(duì)專(zhuān)家分割好的標(biāo)記圖像進(jìn)行變形，可以得到變形后的標(biāo)記圖像，最后將變形后的標(biāo)記圖譜進(jìn)行融合，就可以實(shí)現(xiàn)病變的分割。

2.4多圖譜融合

近幾年，多圖譜方法的研究重點(diǎn)主要集中在標(biāo)號(hào)圖像的融合上。目前的常用融合方法有STAPLE[6] ，Spatial STAPLE[7]，Major Voting[8]，Weight Voting[9]和SIMPLE[10]。

我們將配準(zhǔn)后的圖像和不同的融合方法分別進(jìn)行了分割實(shí)驗(yàn)。

3 實(shí)驗(yàn)驗(yàn)證

3.1實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)是在硬件運(yùn)行環(huán)境為Intel（R）Xeon（R）CPU E5-2609 v2、內(nèi)存為8G的PC機(jī)；軟件環(huán)境包括Windows7系統(tǒng)，VMware虛擬機(jī)系統(tǒng)，MIPAV軟件。在VisualC++開(kāi)發(fā)環(huán)境下，借助OpenCV-2.4.10開(kāi)發(fā)平臺(tái)編程實(shí)現(xiàn)算法進(jìn)行實(shí)驗(yàn)。

3.2實(shí)驗(yàn)結(jié)果及分析

測(cè)試樣本選用賓大醫(yī)生lesions數(shù)據(jù)庫(kù)，從不同病人上獲取的10組三維MR圖像上測(cè)試的。每組圖譜的像素個(gè)數(shù)為256*256*256，一共有256層圖像，每層圖像有256*256個(gè)像素。

從實(shí)驗(yàn)結(jié)果分析，可以看出本文方法多圖譜fsl-anat配準(zhǔn)和Weight Voting融合的分割方法重疊率和Hausdorff距離值都比較集中，與專(zhuān)家手動(dòng)分割的結(jié)果十分接近，說(shuō)明本文方法具有較好的一致性和魯棒性。

4 總結(jié)

本文所提基于多圖譜fsl-anat配準(zhǔn)的分割方法，首先對(duì)圖像進(jìn)行線(xiàn)性配準(zhǔn)，然后利用線(xiàn)性配準(zhǔn)結(jié)果再進(jìn)行非線(xiàn)性配準(zhǔn)，最后得利用形變場(chǎng)對(duì)標(biāo)號(hào)圖像進(jìn)行形變，得到最終結(jié)果。經(jīng)過(guò)實(shí)驗(yàn)，此方法可以較好的本文提出的方法能有效的在MR圖像中快速地分割出腦部病變組織。

參考文獻(xiàn)：

[1]Baillard C， Hellier P， Barillot C. Segmentation of brain 3D Mrimages using level sets and dense registration [J]. Med Image Anal， 2001，5（3）： 185-94.

[2]Heckemann RA， Hajnal JV， Aljabar P， et al. Automatic anatomical brain MRI segmentation combining label propagation and decision fusion[J]. Neuroimage， 2006， 33（1）： 115-26.

[3]Klein S， Van Der Heide UA， Lips IM， et al. Automatic segmentation of the prostate in 3D Mr images by Atlas matching using localized mutual information[J]. Med Phys， 2008， 35（4）： 1407-17.

[3]Isgum I， Staring M， Rutten A， et al. Multi- Atlas- Based segmentation with local decision Fusion-Application to cardiac and aortic segmentation in CT scans[J]. IEEE Trans Med Imaging，2009， 28（7）： 1000-10.

[5]Jia HJ， Yap PT， Shen DG. Iterative multi-atlas-based multi-imagesegmentation with tree-based registration[J]. Neuroimage， 2012，59（1， SI）： 422-30.

[6] Warfield SK， Zou KH， Wells WM. Simultaneous truth and performance level estimation （STAPLE）： An algorithm for the validation of image segmentation[J]. IEEE Trans Med Imaging， 2004， 23（7）： 903-21.

[7] Commowick O， Akhondi-Asl A， Warfield SK. Estimating a reference standard segmentation with spatially varying performance parameters： local MAP STAPLE[J]. IEEE Trans Med Imaging，2012， 31（8）： 1593-606.

[8] Aljabar P， Heckemann RA， Hammers A， et al. Multi- atlas based segmentation of brain images： Atlas selection and its effect on accuracy[J]. Neuroimage， 2009， 46（3）： 726-38.

[9] Sjoberg C， Ahnesjo A. Multi- atlas based segmentation using probabilistic label fusion with adaptive weighting of image similarity measures [J]. Comput Methods Programs Biomed， 2013，110（3）： 308-19.

[10] Langerak TR， Van Der Heide UA， Kotte A， et al. Label fusion in atlas-based segmentation using a selective and iterative method for performance level estimation（SIMPLE） [J]. IEEE Trans Med Imaging， 2010， 29（12）： 2000-8.