基于ITK多圖譜配準(zhǔn)的腦部皮質(zhì)下核團(tuán)的分割研究

聶秀玲 劉任遠(yuǎn) 陸加明 張 冰 孫 鈺 萬(wàn)遂人#?

1（東南大學(xué)醫(yī)學(xué)電子學(xué)實(shí)驗(yàn)室，南京 210096）

2（南京大學(xué)醫(yī)學(xué)院附屬鼓樓醫(yī)院醫(yī)學(xué)影像科，南京 210008）

基于ITK多圖譜配準(zhǔn)的腦部皮質(zhì)下核團(tuán)的分割研究

聶秀玲1劉任遠(yuǎn)2陸加明2張 冰2孫 鈺1萬(wàn)遂人1#?

1（東南大學(xué)醫(yī)學(xué)電子學(xué)實(shí)驗(yàn)室，南京 210096）

2（南京大學(xué)醫(yī)學(xué)院附屬鼓樓醫(yī)院醫(yī)學(xué)影像科，南京 210008）

大量研究表明，阿爾茨海默癥（AD）的病變與大腦皮質(zhì)下核團(tuán)的萎縮息息相關(guān)，某些核團(tuán)的萎縮（如海馬）可能成為AD疾病早期診斷的標(biāo)志，而皮質(zhì)下核團(tuán)的分割是研究核團(tuán)萎縮模式的重要前提?；贏D患者和正常人各30例3DT1W-MR圖像，先結(jié)合直方圖分析和三維形態(tài)學(xué)分析方法對(duì)圖像進(jìn)行腦組織提取，后采用ITK配準(zhǔn)算法將10個(gè)腦圖譜圖像經(jīng)兩階段分別配準(zhǔn)到提取腦組織后的圖像空間。第一階段實(shí)現(xiàn)基于均方差的仿射配準(zhǔn)，第二階段實(shí)現(xiàn)基于互信息的B樣條形變配準(zhǔn)，兩階段的配準(zhǔn)均采用線性插值法和梯度下降的優(yōu)化搜索方法。最后采用STAPLE融合算法，對(duì)配準(zhǔn)后得到的10個(gè)目標(biāo)圖像進(jìn)行圖像融合，得到最終的分割結(jié)果。結(jié)果表明：除尾狀核外，分割得到的其余6對(duì)核團(tuán)的體積與常用的FSL-FIRST算法的分割結(jié)果無(wú)統(tǒng)計(jì)學(xué)差別（P＞0.05）；AD患者的右側(cè)伏核和雙側(cè)海馬發(fā)生萎縮（P＜0.05）。因此，基于ITK配準(zhǔn)框架的多圖譜配準(zhǔn)分割方法能有效分割MR圖像上邊界不明確的皮質(zhì)下核團(tuán)。

皮質(zhì)下核團(tuán)；多圖譜分割；圖像配準(zhǔn)；ITK

引言

阿爾茨海默癥（Alzheimer′s disease，AD）是一種伴隨各種認(rèn)知功能障礙的慢性神經(jīng)系統(tǒng)退行性疾病，患者一旦出現(xiàn)疾病癥狀，病情會(huì)快速加重，它是導(dǎo)致癡呆癥的最主要的病因。調(diào)查表明，60%～70%的癡呆是由AD轉(zhuǎn)化而來(lái)的［1-2］。目前，對(duì)AD沒(méi)有行之有效的治療方法，其治療的關(guān)鍵在于對(duì)AD的及早診斷，從而采取措施延緩病情［3］。

大量醫(yī)學(xué)研究表明，大腦的皮質(zhì)下核團(tuán)與記憶、學(xué)習(xí)、空間導(dǎo)航等功能息息相關(guān)［4-5］，這些核團(tuán)主要包括7對(duì)，分別為左右側(cè)海馬、伏核、杏仁核、尾狀核、蒼白球、殼核和丘腦。醫(yī)學(xué)研究者發(fā)現(xiàn)，AD患者的海馬、丘腦、杏仁核等結(jié)構(gòu)較健康對(duì)照組會(huì)出現(xiàn)統(tǒng)計(jì)學(xué)意義上的顯著萎縮［6-10］，并且這些核團(tuán)的萎縮與臨床量表評(píng)分具有顯著相關(guān)性，從而推斷AD疾病的成因或許與皮質(zhì)下核團(tuán)有關(guān)。因此，對(duì)皮質(zhì)下核團(tuán)的分割，對(duì)研究AD疾病的成因以及早期診斷都非常有意義。

由于皮質(zhì)下核團(tuán)在MR圖像上的灰度強(qiáng)度值非常相似，像素值高度重疊，并且各核團(tuán)的輪廓不清晰可辨，因此采用傳統(tǒng)的基于灰度信息或邊界信息的圖像分割方法均不能得到良好的分割效果［11］。目前，國(guó)外對(duì)于皮質(zhì)下核團(tuán)的分割主要集中在3種方法：一是基于圖譜的分割算法［12］；二是基于統(tǒng)計(jì)建模的分割算法［3，11］，三是基于形變模型的分割算法［13］。而國(guó)內(nèi)關(guān)于皮質(zhì)下核團(tuán)的分割研究主要集中在對(duì)海馬體的分割［3，14-15］，對(duì)其他核團(tuán)（如丘腦）的分割研究較少。以上提到的3種分割算法都需要大量的手工描繪的核團(tuán)圖像作為訓(xùn)練集進(jìn)行統(tǒng)計(jì)建模，而核團(tuán)的精確勾勒需要依靠經(jīng)驗(yàn)豐富的神經(jīng)影像專家，這項(xiàng)工作無(wú)疑需要耗費(fèi)大量的人力和時(shí)間。但是對(duì)于基于圖譜的分割算法，開(kāi)源項(xiàng)目MICCAI 2012 Multi-Atlas Labeling［16］提供了由專家標(biāo)記的大腦各結(jié)構(gòu)的圖譜圖像，從而節(jié)省了研究者訓(xùn)練圖譜的工作。

ITK是一個(gè)強(qiáng)大的開(kāi)源的醫(yī)學(xué)圖像處理平臺(tái)［17］，提供了多種圖像配準(zhǔn)算法，被越來(lái)越多地應(yīng)用于實(shí)際的2D/3D醫(yī)學(xué)圖像處理中。本研究利用ITK配準(zhǔn)框架，實(shí)現(xiàn)三維MR圖像的多圖譜配準(zhǔn)，采用先仿射配準(zhǔn)后形變配準(zhǔn)的流水線處理，將多個(gè)圖譜圖像配準(zhǔn)到同一個(gè)目標(biāo)圖像，得到多個(gè)已配準(zhǔn)的目標(biāo)圖像，再采用STAPLE融合算法對(duì)這些標(biāo)簽圖像進(jìn)行融合，實(shí)現(xiàn)大腦7對(duì)皮質(zhì)下核團(tuán)的分割。

1 材料和方法

1.1 材料

圖譜采用的MR圖像來(lái)源于免費(fèi)數(shù)據(jù)庫(kù)OASIS（Open Access Series of Imaging Studies，http：//www.oasis-brains.org/）［18］，這些 MR 圖像被應(yīng)用于項(xiàng)目MICCAI 2012 Multi-Atlas Labeling，由神經(jīng)影像學(xué)專家標(biāo)記大腦各結(jié)構(gòu)，共成功標(biāo)記了28個(gè)大腦皮質(zhì)下的結(jié)構(gòu)，所有圖像的分辨率均為1 mm×1 mm×1 mm。該項(xiàng)目共提供了15組已經(jīng)分割好的圖譜圖像。

實(shí)驗(yàn)圖像數(shù)據(jù)均由南京鼓樓醫(yī)院提供，掃描設(shè)備是飛利浦Achieva 3.0T磁共振成像儀。采用三維turbo快速回波T1WI加權(quán)序列掃描來(lái)獲取全腦結(jié)構(gòu)圖像。序列參數(shù)如下：重復(fù)周期（TR）/回波時(shí)間（TE）＝9.7 ms /4.6 ms，翻轉(zhuǎn)角（flip angle）＝8°，層厚（slice thickness）＝1 mm，F(xiàn)OV（field of view）＝256 mm ×256 mm，平面內(nèi)分辨率1 mm×1 mm，掃描層數(shù)為192。

1.2 方法

1.2.1 圖像預(yù)處理

為了降低算法運(yùn)算量，提高運(yùn)算效率和分割精度，需要將圖像中的非腦部組織剔除，只保留腦部組織。常用的腦組織提取工具是FSL-BET［19-20］，但BET算法對(duì)本研究采用的圖像數(shù)據(jù)的腦提取準(zhǔn)確率較低，其閾值參數(shù)的選取范圍為［0，1］，設(shè)置的閾值過(guò)大或過(guò)小，會(huì)造成圖像的過(guò)/欠分割，最壞情況下，即使設(shè)置的閾值覆蓋［0，1］，腦組織提取的效果也不好。因此，本研究結(jié)合直方圖分析和形態(tài)學(xué)處理的算法進(jìn)行腦組織的提?。?1］。

算法思想是計(jì)算圖像的灰度直方圖，用等能量的高斯曲線與直方圖曲線進(jìn)行兩次擬合，第一次獲得圖像與背景之間的閾值，第二次獲得腦部組織與頭骨等非腦部組織之間的閾值，兩次閾值處理后得到初始的腦部二值圖像，然后使用SDC Morphology工具箱進(jìn)行三維形態(tài)學(xué)處理，得到腦組織提取后的圖像。具體算法流程如下：

1）獲取圖像的灰度直方圖，用等面積的高斯曲線擬合直方圖，取兩曲線間最大差值的灰度值為閾值；

2）取兩個(gè)閾值，一個(gè)用于消除圖像背景，另一個(gè)用于獲得腦部組織，處理后得到一個(gè)初始的brain mask；

3）對(duì)初始的brain mask進(jìn)行3D的二值形態(tài)學(xué)處理，先腐蝕后膨脹處理，再獲取圖像的最大連通域，得到剝腦后的brain mask；

4）對(duì)剝腦后的brain mask恢復(fù)對(duì)應(yīng)像素點(diǎn)中原始的灰度值，得到最終剝腦后的圖像。

算法的關(guān)鍵在于兩次曲線擬合時(shí)選取的面積的百分比A1和A2，以及腐蝕膨脹處理時(shí)結(jié)構(gòu)因子的半徑r1、r2的大小。A1、A2分別表示第一、二次擬合的高斯曲線的面積與圖像直方圖曲線總面積的比值。在本研究中，參數(shù)設(shè)置為A1＝70%，A2＝30%。圖1顯示了高斯曲線擬合圖像直方圖的過(guò)程，其中t1和t2為求得的兩個(gè)閾值。

圖1 高斯曲線擬合圖像直方圖Fig.1 Fitting image histogram using Gaussian curve

1.2.2 基于多圖譜配準(zhǔn)的分割方法

配準(zhǔn)實(shí)質(zhì)上是一個(gè)尋找目標(biāo)圖像和模板圖像之間的對(duì)應(yīng)變換函數(shù)的過(guò)程［14］?；趫D譜配準(zhǔn)的分割方法是把分割問(wèn)題看作配準(zhǔn)問(wèn)題，將已經(jīng)分割好的模板圖像（即圖譜圖像）映射到待分割圖像上。如圖2所示，多圖譜分割算法是將多個(gè)已標(biāo)記好的圖譜配準(zhǔn)到目標(biāo)圖像上，得到多個(gè)分割后的label圖像，然后采用圖像融合策略處理label圖像，從而獲得最佳的分割結(jié)果。從15個(gè)圖譜中隨機(jī)選擇10個(gè)圖譜，分別將10個(gè)圖譜配準(zhǔn)到待分割圖像中。

1.2.3 ITK配準(zhǔn)框架

ITK是一款開(kāi)源、跨平臺(tái)的醫(yī)學(xué)圖像處理軟件包，包含一個(gè)C++類庫(kù)，其封裝了多種圖像配準(zhǔn)的相關(guān)算法，并且支持 Png、Dicom、Meta、Nifty、VTK 等多種圖像格式［17］。研究者只需要根據(jù)實(shí)際需要調(diào)用相應(yīng)算法的函數(shù)接口，無(wú)需關(guān)心算法內(nèi)部的具體實(shí)現(xiàn)細(xì)節(jié)。圖3顯示了ITK的圖像配準(zhǔn)框架，包括5部分：輸入圖像、插值算法、空間變換、相似性測(cè)度和優(yōu)化器，各模塊功能如下：

1）相似性測(cè)度：用于衡量圖像配準(zhǔn)的程度。

圖2 基于多圖譜配準(zhǔn)的圖像分割流程Fig.2 Flow chart of multi-atlas based segmentation

2）空間變換模型：用于約束浮動(dòng)圖像形變到參考圖像的方式，一般采用多個(gè)參數(shù)指定特定的形變。

3）插值算法：浮動(dòng)圖像經(jīng)過(guò)變換后，像素坐標(biāo)可能落在非整數(shù)區(qū)域，通過(guò)圖像插值函數(shù)計(jì)算出合適的坐標(biāo)，并將對(duì)應(yīng)像素變換到該點(diǎn)。

4）優(yōu)化算法：用于尋找形變模型的最優(yōu)參數(shù)，從而獲得能量函數(shù)的最優(yōu)值。

圖3 ITK醫(yī)學(xué)圖像配準(zhǔn)框架Fig.3 Registration framework of ITK

1.2.4 基于ITK的多圖譜配準(zhǔn)的實(shí)現(xiàn)

1.2.4.1 相似性測(cè)度

ITK提供多種相似性測(cè)度的類，本研究使用了均方和互信息作為配準(zhǔn)的相似性尺度。

1）均方。均方尺度計(jì)算圖像A和B中用戶定義的區(qū)域的方形像素在亮度上不同程度的均方值，即

式中，Ai是圖像A的第i個(gè)像素，Bi是圖像B的第i個(gè)像素，N是涉及的像素的數(shù)目，理想情況下MS(AB)的值為0。

2）互信息。交互信息測(cè)量一個(gè)隨機(jī)變量（一幅圖像中的圖像亮度）傳遞給另外一個(gè)隨機(jī)變量多少信息，交互信息以熵的形式定義為

式中，H(A)是隨機(jī)變量A的熵，H(A，B)是A和B的聯(lián)合熵。

互信息定義為

1.2.4.2 仿射配準(zhǔn)

仿射變換的效果是將直線映射為直線，保持直線之間的平行性，可以實(shí)現(xiàn)圖像的平移、旋轉(zhuǎn)、剪切與縮放［17］。因此往往使用仿射變換對(duì)圖像進(jìn)行預(yù)配準(zhǔn)，然后使用形變配準(zhǔn)進(jìn)行全局的精確配準(zhǔn)。ITK軟件包提供了itk：：AffineTransform類實(shí)現(xiàn)一個(gè)由旋轉(zhuǎn)、縮放、剪切和平移組成的仿射變換。在3D空間上的一點(diǎn)應(yīng)用仿射變換的效果可表示為

式中，Mij中系數(shù)能夠表示旋轉(zhuǎn)、各向異性的縮放和修剪，Ti定義了每個(gè)維上的平移，Ci是用戶設(shè)置的旋轉(zhuǎn)中心的坐標(biāo)。

ITK配準(zhǔn)方法中的每個(gè)成分都應(yīng)該先被實(shí)例化，每一個(gè)配準(zhǔn)要素都是通過(guò)New（）方法創(chuàng)建的，并且通過(guò)各自的itk：：SmartPointer賦值。定義輸入圖像的像素類型為float，圖像維數(shù)為3，定義相似性尺度為itk：：MeanSquaresImageToImageMetric，優(yōu)化器為itk：：RegularStepGradientDescentOptimizer，使用默認(rèn)的線性插值算法，并使用itk：：CenteredTransformInitializer初始化中心變換的旋轉(zhuǎn)和平移。

1.2.4.3 B-spline形變配準(zhǔn)

B-spline變換是常用的非線性配準(zhǔn)算法，能將圖像的直線映射為曲線，更合理地描述目標(biāo)結(jié)構(gòu)的形變和位移。ITK中的 Itk：：BSplineDeformableTransform類可以解決變形配準(zhǔn)的問(wèn)題，空間變換后產(chǎn)生一個(gè)變形域，域中的變形向量賦值給空間中的每個(gè)點(diǎn)。因?yàn)锽SplineDeformableTransform的參數(shù)空間由所有與BSpline網(wǎng)格的結(jié)點(diǎn)有關(guān)聯(lián)的變形集合構(gòu)成，因此配準(zhǔn)精度隨網(wǎng)格控制點(diǎn)分辨率的增加而增加，本實(shí)驗(yàn)設(shè)置B-splined網(wǎng)格結(jié)點(diǎn)大小為5×5。

1.2.5 STAPLE算法實(shí)現(xiàn)圖像融合

STAPLE 算法的目標(biāo)是利用函數(shù)f(D，Tr｜p，q)的似然函數(shù)估計(jì)性能水平參數(shù)（p，q）。f(D，Tr｜p，q)的最大化實(shí)現(xiàn)了參數(shù)（p，q）的最優(yōu)值［22］，可表示為

式中：D為N×R的矩陣，表示圖譜對(duì)應(yīng)的標(biāo)記圖像的每個(gè)像素在每個(gè)分割中的結(jié)果；R為標(biāo)記圖像的數(shù)量；N為每個(gè)圖像的體素個(gè)數(shù)；Tr表示用于與分割結(jié)果進(jìn)行對(duì)比的人工分割的參考圖像。

1.2.6 統(tǒng)計(jì)學(xué)處理

為減少不同的頭顱體積對(duì)測(cè)量數(shù)據(jù)的影響，對(duì)所測(cè)的7對(duì)核團(tuán)體積進(jìn)行標(biāo)準(zhǔn)化處理，即Vs＝Vi·Va/Vh。Vs為標(biāo)準(zhǔn)化后的核團(tuán)體積，Vi為原始測(cè)量的核團(tuán)體積，Va為平均顱腔體積，Vh為個(gè)體顱腔體積。

采用SPSS 21.0統(tǒng)計(jì)分析軟件，完成數(shù)據(jù)處理、統(tǒng)計(jì)分析。對(duì)本研究算法與FIRST算法測(cè)得的7對(duì)核團(tuán)體積進(jìn)行左右側(cè)比較，以及對(duì)本研究算法測(cè)得的核團(tuán)體積進(jìn)行AD患者與健康對(duì)照組之間的比較。比較均采用兩樣本t檢驗(yàn)統(tǒng)計(jì)方法，以P＜0.05差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 提取腦組織

圖4（a）顯示了兩例分別用直方圖分析法和BET工具提取腦組織的圖像。可見(jiàn)，對(duì)于第1例圖像，直方圖分析法剝腦后得到的腦組織更加完整，輪廓更加圓滑。而對(duì)于第2例圖像，BET工具的剝腦精度明顯不及直方圖分析法，與大腦連著的頸部組織并不能剔除，存在欠分割現(xiàn)象。圖4（b）為用戶操作界面，分為載入圖像、保存圖像、參數(shù)設(shè)置、顯示等模塊。參數(shù)的默認(rèn)設(shè)置為A1＝0.7，A2＝0.3，r1＝3，r2＝7，實(shí)驗(yàn)中采用的是默認(rèn)參數(shù)設(shè)置。

2.2 ITK三維配準(zhǔn)

圖5顯示了圖譜圖像配準(zhǔn)到待分割圖像的效果。未配準(zhǔn)前，由于兩幅圖像間的差異大，因此不能顯示在同一圖像空間。圖5（c）顯示了經(jīng)仿射配準(zhǔn)后的圖像（彩色部分）與原圖像之間的差異，可以看出，圖像整體上已經(jīng)被配準(zhǔn)到待分割圖像的空間，只是邊緣輪廓部分未完全匹配，而再經(jīng)過(guò)形變變換更加精細(xì)的配準(zhǔn)后，圖譜與原圖像完全貼合，包括邊緣部分（見(jiàn)圖5（d））。

2.3 圖像融合

采用STAPLE算法進(jìn)行圖像融合，得到最終的皮質(zhì)下核團(tuán)結(jié)構(gòu)的分割，其結(jié)果如圖6所示。其中，（a）中的10幅圖像分別代表10個(gè)圖譜配準(zhǔn)到目標(biāo)圖像得到的label圖像，（b）是10幅圖像經(jīng)融合后得到的分割圖像，（c）是使用FSL-FIRST工具分割同一例圖像得到的核團(tuán)結(jié)構(gòu)。圖中只顯示了丘腦、殼核和尾狀核核團(tuán)，由于角度原因，其他核團(tuán)沒(méi)有顯示。

圖4 預(yù)處理結(jié)果。（a）直方圖分析法和BET對(duì)相同圖像的腦提取效果對(duì)比；（b）提取腦組織的用戶操作界面Fig.4 Result of pre-processing.（a）Comparison of brain tissue extraction on the same images between histogram analysis and BET；（b）User interface for brain tissue extraction

2.4 算法評(píng)估

表1顯示了本研究算法和FIRST算法所測(cè)7對(duì)核團(tuán)體積的統(tǒng)計(jì)學(xué)比較。除了雙側(cè)尾狀核外，兩種分割算法在其余6對(duì)核團(tuán)體積經(jīng)t檢驗(yàn)統(tǒng)計(jì)學(xué)方法比較，均無(wú)顯著統(tǒng)計(jì)學(xué)差異（P＞0.05）。將本算法應(yīng)用于AD患者和健康對(duì)照組，其t檢驗(yàn)比較結(jié)果如表2所示（30例AD患者和30例健康對(duì)照組在年齡、性別上沒(méi)有統(tǒng)計(jì)學(xué)差異），這30例AD患者在右側(cè)伏核和雙側(cè)海馬上均發(fā)現(xiàn)體積顯著減少（P＜0.05）。

圖5 圖像配準(zhǔn)結(jié)果。（a）配準(zhǔn)前的待分割圖像；（b）配準(zhǔn)前的圖譜圖像；（c）仿射配準(zhǔn)后的圖像與原圖像的疊加顯示；（d）形變配準(zhǔn)后的圖像與原圖像的疊加顯示。Fig.5 Result of image registration.（a）Target image before registration；（b）Atlas image before registration；（c）Image after affine registration is overlay displayed on the original image；（d）Image after deformation registration is overlay displayed on the original image

圖6 圖像分割結(jié)果。（a）Label圖像；（b）本算法分割的核團(tuán)；（c）FSL-FIRST算法分割的核團(tuán)Fig.6 Result of image segmentation.（a）Label images；（b）Segmentation of subcortical structures in our study；（c）Segmentation of subcortical structures using FSL-FIRST algorithm

表1 本算法和FIRST算法所測(cè)核團(tuán)體積的組間差異Tab.1 Group differences of volumes of 7 pairs structures between our algorithm and FIRST algorithm

表2 AD患者與健康對(duì)照組的7對(duì)核團(tuán)體積的組間差異Tab.2 Group differences of volumes of 7 pairs structures between AD patients and normal controls

3 討論和結(jié)論

過(guò)去對(duì)AD疾病的結(jié)構(gòu)學(xué)測(cè)量一般是基于感興趣區(qū)域的測(cè)量方法。然而，這種方法需要人工勾畫感興趣區(qū)，不僅費(fèi)時(shí)費(fèi)力，而且要求勾畫者具有較高的影像學(xué)和解剖水平。由于操作人員個(gè)人主觀因素的影響，不同人勾畫出的感興趣區(qū)也存在客觀性誤差。由于以上原因，近年來(lái)，學(xué)者們趨于采用自動(dòng)分割方法進(jìn)行AD疾病的結(jié)構(gòu)學(xué)測(cè)量，其中使用最廣泛的工具是FIRST。

FIRST是一種強(qiáng)大的自動(dòng)分割三維結(jié)構(gòu)MR圖像中皮質(zhì)下核團(tuán)結(jié)構(gòu)的工具。研究人員證實(shí)，F(xiàn)IRST的分割結(jié)果與手動(dòng)分割結(jié)果相當(dāng)一致，各核團(tuán)體積間并無(wú)統(tǒng)計(jì)學(xué)差異［23］。學(xué)者們使用FIRST進(jìn)行海馬等結(jié)構(gòu)的體積測(cè)量，并且得到了良好的結(jié)論［6，8-9］。然而，F(xiàn)IRST 對(duì)圖像對(duì)比度要求較高，在預(yù)處理階段，對(duì)某些圖像的處理達(dá)不到預(yù)期要求（見(jiàn)圖4（a）），導(dǎo)致之后的分割結(jié)果不理想。另外，F(xiàn)IRST工具是基于Linux系統(tǒng)開(kāi)發(fā)的，一切操作依靠于命令行代碼，對(duì)于醫(yī)師來(lái)說(shuō)，操作上存在一定困難。

本研究提出的算法基于Windows操作系統(tǒng)，采用基于ITK多圖譜配準(zhǔn)算法分割皮質(zhì)下的結(jié)構(gòu)。基于圖譜配準(zhǔn)的分割方法是一種強(qiáng)大的自動(dòng)分割算法，被廣泛應(yīng)用于圖像中復(fù)雜結(jié)構(gòu)的分割。根據(jù)選擇的圖譜數(shù)量，可分為基于單圖譜、基于平均形狀圖譜和基于多圖譜配準(zhǔn)的分割3種?；诙鄨D譜配準(zhǔn)的分割方法由于圖譜數(shù)量增加，可在一定程度上減少分割結(jié)果的誤差，其被證明對(duì)克服不同個(gè)體的差異性、降低圖譜選擇的不確定性有更好的效果，分割精度更高。在本實(shí)驗(yàn)中，基于ITK多圖譜配準(zhǔn)算法和FIRST算法在雙側(cè)伏核、杏仁核、海馬、蒼白球、殼核和丘腦的體積測(cè)量上經(jīng)t檢驗(yàn)比較無(wú)顯著統(tǒng)計(jì)學(xué)差異（P＞0.05）；另外，30例AD患者在右側(cè)伏核和雙側(cè)海馬上均發(fā)現(xiàn)體積顯著減少（P＜0.05）。

海馬在空間導(dǎo)航、語(yǔ)義和情景記憶中起著非常重要的作用。眾多研究表明，海馬萎縮與AD患者的記憶障礙息息相關(guān)。最近的研究表明，在AD患者中，海馬的CA1亞區(qū)出現(xiàn)明顯的萎縮，尤其是在以后會(huì)轉(zhuǎn)變成AD的輕度認(rèn)知障礙患者中［24］。除了海馬外，伏核參與了學(xué)習(xí)和執(zhí)行功能的信息整合，并且與動(dòng)機(jī)、獎(jiǎng)勵(lì)和厭惡等認(rèn)知處理緊密相關(guān)。伏核是紋狀體的一部分，其與海馬和杏仁核的邊緣結(jié)構(gòu)和前額葉皮層具有密切聯(lián)系。學(xué)者們發(fā)現(xiàn)，晚發(fā)性AD患者的伏核體積會(huì)出現(xiàn)顯著減少［25］，但是伏核在認(rèn)知功能下降中的作用還有待研究。

本研究通過(guò)對(duì)AD患者的7對(duì)核團(tuán)結(jié)構(gòu)的體積分析，得出雙側(cè)海馬和右側(cè)伏核均出現(xiàn)顯著萎縮。結(jié)果表明，海馬和伏核的結(jié)構(gòu)變化能作為區(qū)分AD和正常老年人的一種客觀性指標(biāo)。從De Jong等的研究發(fā)現(xiàn)，AD患者的海馬較輕度認(rèn)知障礙者明顯萎縮，這與本研究的結(jié)果是一致的［6］。綜合這種體積指標(biāo)和其他研究報(bào)道的識(shí)別AD的敏感指標(biāo)，未來(lái)可構(gòu)建更為有效的計(jì)算機(jī)輔助診斷系統(tǒng)。

關(guān)于大腦皮質(zhì)下核團(tuán)結(jié)構(gòu)萎縮模式的研究一直是AD疾病研究領(lǐng)域的熱點(diǎn)，因此分割出腦部核團(tuán)結(jié)構(gòu)至關(guān)重要。本研究提出了利用基于ITK配準(zhǔn)框架的多圖譜分割方法，結(jié)合STAPLE融合策略，對(duì)與AD疾病息息相關(guān)的7對(duì)皮質(zhì)下核團(tuán)結(jié)構(gòu)進(jìn)行分割，得到的分割結(jié)果與被廣泛使用的FIRST算法的結(jié)果較為一致（雙側(cè)尾狀核除外）。實(shí)驗(yàn)結(jié)果表明，基于ITK配準(zhǔn)框架的多圖譜分割方法能有效應(yīng)用于大腦深部復(fù)雜結(jié)構(gòu)的分割問(wèn)題中。本研究的局限性在于僅僅研究了各核團(tuán)結(jié)構(gòu)的體積變化，而沒(méi)有對(duì)核團(tuán)的形態(tài)變化做出分析，這也將是下一步工作的研究方向。

［1］ Burns A，Iliffe S.Alzheimer’s disease ［J］.BMJ，2009，338：b158.

［2］ Mucke L.Neuroscience：Alzheimer’s disease［J］.Nature，2009，461（7266）：895-897.

［3］ 羅竹人，申寶忠，王丹，等.MR腦圖像海馬自動(dòng)分割法在AD早期診斷中的應(yīng)用研究 ［J］.現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2012，1：80-86.

［4］ Herrero MT，Barcia C，Navarro JM.Functional anatomy of thalamus and basal ganglia［J］.Childs Nerv Syst，2002，18（8）：386-404.

［5］ Rugg MD，Yonelinas AP. Human recognition memory：a cognitive neuroscience perspective［J］.Trends in Cognitive Sciences，2003，7（7）：313-319.

［6］ De Jong LW，Van der Hiele K，Veer IM，et al.Strongly reduced volumes of putamen and thalamus in Alzheimer’ s disease：An MRI study［J］.Brain，2008，131（12）：3277-3285.

［7］ Pievani M，Bocchetta M，Boccardi M，et al.Striatal morphology inearly-onset and late-onset Alzheimer’ s disease：a preliminary study ［J］.Neurobiology of Aging，2013，34（7）：1728-1739.

［8］ Hilal S，Amin SM，Venketasubramanian N，et al.Subcortical Atrophy in Cognitive Impairment and Dementia［J］.Journal of Alzheimer’s Disease，2015，48（3）：813-823.

［9］ Jiji S，Smitha KA，Gupta AK，et al.Segmentation and volumetric analysis of the caudate nucleus in Alzheimer＇s disease［J］.European Journal of Radiology，2013，82（9）：1525-1530.

［10］ Zarei M，Patenaude B，Damoiseaux J，et al.Combining shape and connectivity analysis：An MRI study of thalamic degeneration in Alzheimer’s disease［J］.Neuro Image，2010，49（1）：1-8.

［11］ Tu Zhouwen，Katherine LN，Piotr D，et al.，Brain anatomical structure segmentation by hybrid discriminative/generative models［J］.IEEE Transactions on Medical Imaging，2008，27（4）：1-14.

［12］ Wang J，Vachet C，Rumple A，et al.Multi-atlas segmentation of subcortical brain structures via the AutoSeg software pipeline［J］.Frontiers in Neuroinformatics，2014，8：1-11.

［13］ Liu CY，Iglesias JE，Tu Zhouwen.Deformable templates guided discriminative models for robust 3D brain MRI segmentation［J］.Neuroinformatics，2013，11（4）：447-468.

［14］ 陳雯艷.基于ROI多圖譜配準(zhǔn)的海馬磁共振圖像分割 ［D］.長(zhǎng)沙：湖南大學(xué)，2012.

［15］ 胡昊.基于多圖譜配準(zhǔn)的海馬體自動(dòng)分割方法研究［D］.廣州：南方醫(yī)科大學(xué)，2014.

［16］ Landman B，Warfield S.MICCAI 2012 Grand Challenge and Workshop onMulti-Atlas Labeling ［M］.Nice：Create Space Independent Publishing Platform，2012.

［17］ Hans JJ，Matthew MM，Luis Ibá?ez，et al.The ITK Software Guide［EB/OL］.http：//itk.org，2015-07-03/2016-10-08.

［18］ Asman A，Landman B.Non-local statistical label fusion for multiatlas segmentation ［J］.Med.Image Anal，2013，17（2）：194-208.

［19］ Jenkinson M，Beckmann CF，Behrens TEJ，et al.FSL ［J］.Neuro Image，2012，62（2）：782-790.

［20］ Smith SM.Fast robust automated brain extraction［J］.Human Brain Mapping，2002，17（3）：143-155.

［21］ Balan AGR，Traina AJM，Ribeiro MX，et al.，Smart histogram analysis applied to theskull-stripping problem in T1-weighted MRI［J］.Computers in Biology and Medicine，2012，42（5）：509-522.

［22］ Warfield SK，Zou KH，Wells WM.Simultaneous truth and performance level estimation（STAPLE）：An algorithm for the validation of image segmentation ［J］.IEEE Transactions on Medical Imaging，2004，23（7）：903-921.

［23］ Nugent AC，Luckenbaugh DA，Wood SE，et al.Automated subcortical segmentation using FIRST：Test-retest reliability，interscanner reliability，and comparison to manual segmentation［J］.Human Brain Mapping，2013，34：2313-2329.

［24］ Tang X，Holland D，Dale AM，et al.The diffeomorphometry of regional shape change rates and its relevance to cognitive deterioration in mild cognitive impairment and Alzheimer＇s disease［J］.Human Brain Mapping，2015，36：2093-2117.

［25］ Pievani M，Bocchetta M，Boccardi M，et al.Striatal morphology inearly-onset and late-onset Alzheimer＇s disease：A preliminary study ［J］.Neurobiology of Aging，2013，34（7）：1728-1739.

Multi-atlas Segmentation of Brain Subcortical Structures Based on ITK Registration Framework

Nie Xiuling1Liu Renyuan2Lu Jiaming2Zhang Bing2Sun Yu1Wan Suiren1#?

1（Lab of Medical Electronics，Southeast University，Nanjing210096，China）

2（Department of Radiology，Drum Tower Hospital Affiliated to Nanjing University Medical School，Nanjing210008，China）

Numerous studies indicated that the process of Alzheimer＇s disease（AD）was closely correlated with atrophy of subcortical structures.Atrophy of some subcortical structures like hippocampi，could be a biomarker of early diagnosis of AD，which makes the segmentation of subcortical structures very important.Based on 3DT1W-MR images of 30 AD and 30 normal controls，we firstly performed brain tissue extraction combining histogram analysis and three-dimensional morphological processing method，then registered 10 brain atlas to the preprocessed image based on ITK registration framework.A two-stage images registration was applied to register multiple atlas on the subject MR scan.First，we applied affine registration with mean squares as metric.Second，B-spline transform based on mutual information model was applied to further registration.In the twostage registration method，linear interpolation model and the optimizer named regular step gradient descent were used.After registration，STAPLE algorithm was achieved to perform image fusion on the obtained 10 registered images to get the final segmented image.The results show that all volumes of subcortical structures except caudate show no statistical differences between our method and FSL-FIRST algorithm（P＞0.05）；bilateral hippocampus and right nucleus accumbens suffer atrophy in AD（P＜0.05）.Our experimental data shows the validity of the multi-atlas-based segmentation method on segmentation of the brain subcortical structures.

subcortical structure；multi-atlas segmentation；image registration；ITK

R318 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：0258-8021（2017）05-0529-07

10.3969 /j.issn.0258-8021.2017.05.003

2016-12-23，錄用日期：2017-03-17

?通信作者（Corresponding author），E-mail：srwan@seu.edu.cn