基于SIFT特征關(guān)鍵點(diǎn)匹配的腦組織提取方法

江少鋒 黃志鵬 楊素華 陳 震 張聰炫

(南昌航空大學(xué)測試與光電工程學(xué)院，南昌 330063)

引言

腦組織提取是指從腦部序列圖像中將腦組織與顱骨、眼球、皮膚、脂肪等非腦組織分離出來的過程，是腦部磁共振圖像處理的重要處理步驟之一。腦組織提取的研究可以簡單地將其分為五大類：基于區(qū)域的、基于邊界的、基于圖譜的、基于學(xué)習(xí)的和基于混合的腦組織提取方法。

基于區(qū)域的腦組織提取方法采用灰度閾值分割或者分類的方法，將腦組織圖像分成幾個(gè)不同的區(qū)域，并且認(rèn)為具有相同或相似特性的區(qū)域是相同的組織，然后采用區(qū)域合并或者形態(tài)學(xué)操作的方法對腦組織進(jìn)行提取?；趨^(qū)域的提取方法有聚類算法[1-2]、區(qū)域生長法[3]、圖割(graph-cuts)法[4]、形態(tài)學(xué)方法[5-6]等?；谶吔绲哪X組織提取方法通過找出一條封閉的曲線，將腦部劃分為內(nèi)部區(qū)域(腦組織)和外部區(qū)域(非腦組織)。典型的方法有BSE(brain surface extraction)算法[7]、可變點(diǎn)陣方法BET(brain extraction tool)算法[8]、活動(dòng)輪廓模型方法[9-11]?；趫D譜的腦組織提取方法先采用圖像配準(zhǔn)技術(shù)，將腦圖像與標(biāo)準(zhǔn)圖譜圖像進(jìn)行對齊，然后再進(jìn)行腦組織的提取[12-13]?；趯W(xué)習(xí)的腦組織提取方法，首先對訓(xùn)練樣本提取灰度、空間坐標(biāo)和梯度等信息作為特征，然后通過機(jī)器學(xué)習(xí)確定參數(shù)模型，進(jìn)而得到實(shí)驗(yàn)測試樣本的參數(shù)[14]。基于混合的腦組織提取方法試圖將上述幾種提取方法結(jié)合起來，從而得到更好的提取結(jié)果?；旌系奶崛》椒ㄍǔＪ且粋€(gè)由粗到精的過程。Segonne等結(jié)合了混合分水嶺算法和可變點(diǎn)陣算法[15]，Jiang等結(jié)合了BET算法和混合水平集算法[16]，Galdames等結(jié)合了直方圖閾值分割法和可變點(diǎn)陣法[17]，稅午陽等結(jié)合了分水嶺算法和水平集方法[18]，賈迪等結(jié)合了水平集算法和形態(tài)學(xué)方法[19]，Wang等結(jié)合了圖譜法和機(jī)器學(xué)習(xí)方法[20]。

本研究將BET算法和圖譜匹配相結(jié)合，提出了一個(gè)新的混合算法、實(shí)現(xiàn)腦組織穩(wěn)定和精確提取。該方法是一個(gè)由粗到精的算法，在粗提取階段通過特征匹配解決BET算法中的參數(shù)設(shè)置問題，從而得到穩(wěn)定的腦組織邊界；在精提取階段以BET得到的腦組織邊界作為初始輪廓進(jìn)行g(shù)raph cuts分割，由于初始輪廓非常接近腦組織，故解決了graph cuts方法對初始化敏感問題，實(shí)現(xiàn)了腦組織精確提取。

1 方法

1.1 BET簡介

BET演化過程實(shí)質(zhì)上就是通過3個(gè)力(平滑力u1、u2，擴(kuò)張力u3)不斷更新離散點(diǎn)陣位置，將初始輪廓上的頂點(diǎn)推到腦組織邊界的過程。在圖1中，A0、A1、A2分別為初始輪廓中3個(gè)連續(xù)頂點(diǎn)，O為初始輪廓的圓心，R是初始輪廓半徑，Ac為A1和A2的中點(diǎn)，S為中線向量，Sn是垂直于A1和A2連線的垂線向量，At為垂點(diǎn)，St是Ac、At連線向量，由圖中向量關(guān)系可知St=S-Sn，Sn的單位向量是eSn。

圖1 BET演化力定義Fig.1 The forces defined in BET

本研究中3個(gè)力定義如下：

1)平滑力u1(見式1)。該力主要用于保持各頂點(diǎn)的等分，將A0拉向A1和A2中間，從而使得3個(gè)相鄰的頂點(diǎn)等距離分布，并且該力平行于輪廓切線。

2)平滑力u2(見式2)。該力主要用于保持輪廓的平滑，作用于頂點(diǎn)A0，與u1垂直，當(dāng)A0過于凸出時(shí)，u2會(huì)將其往內(nèi)拉，這樣u2在頂點(diǎn)演化過程中起到了平滑作用。θ是相鄰頂點(diǎn)間的夾角，用θ表示輪廓的平滑度，即當(dāng)θ<160°時(shí)，認(rèn)為此處輪廓光滑度不夠，這時(shí)簡單地將θ推到180°；當(dāng)θ≥160°時(shí)，則認(rèn)為此處輪廓線足夠光滑，無需進(jìn)行處理。

3)輪廓演化力u3(見式3)。該力與u1垂直，主要在頂點(diǎn)演化過程中控制頂點(diǎn)擴(kuò)張或收縮，將頂點(diǎn)推向腦組織邊界。其中，Imin、Imax是以A0為起點(diǎn)，沿R方向?qū)ふ襠1、d1/2距離內(nèi)所有像素點(diǎn)的最小和最大灰度值，本研究d1取30。參數(shù)bt是0～1的一個(gè)常數(shù)，本研究取0.1；t2是一個(gè)灰度閾值，與腦組織邊界部分低信號平均值有關(guān)。式(4)中的t4是用于調(diào)整灰度值的偏差對演化的影響，t4為腦白質(zhì)和腦灰質(zhì)的灰度平均值的粗略估算。這些參數(shù)中t2對BET提取影響最大，過大容易導(dǎo)致局部收斂，過小容易導(dǎo)致邊界泄漏。

u1=St

(1)

t1=0.5(1+tanh(8(Imax-t4-t2)))bt+t2

(4)

這3個(gè)作用力的合力表達(dá)式為

u=α1u1+α2u2+α2lu3

(5)

1.2 模板的構(gòu)建

本研究采用IBSR網(wǎng)站提供的標(biāo)準(zhǔn)MRI腦部圖像作為模板(見圖2(a))。直接對IBSR中MRI圖像的手動(dòng)腦組織提取結(jié)果(見圖2(b))做BET處理，得到腦組織邊緣的N個(gè)離散的點(diǎn)(見圖2(c))，再將這N個(gè)離散點(diǎn)作為關(guān)鍵點(diǎn)，利用SIFT算法[21]對這些特征點(diǎn)提取描述子特征并進(jìn)行存儲(chǔ)，這樣就集成了一個(gè)含有離散點(diǎn)陣位置、特征描述子等信息的模板特征。

圖2 模板邊界提取。(a)模板圖像；(b)手動(dòng)提取的腦組織；(c)BET提取的腦組織邊界點(diǎn)Fig.2 The brain contour of template image.(a)Template image;(b)Brain tissue mask extracted by manual;(c)The brain contour obtained by BET

提取描述子特征方法如圖3所示，左邊是以關(guān)鍵點(diǎn)為中心的16×16的鄰域窗口，將其劃分為4×4的小窗口，計(jì)算每個(gè)小窗口的梯度方向直方圖，并將梯度方向劃分為8個(gè)方向，每個(gè)方向的大小是由該窗口內(nèi)的像素點(diǎn)在該方向的梯度值經(jīng)過高斯加權(quán)后疊加得到的，最終形成如圖3右側(cè)中4×4×8=128維的特征向量描述子。

圖3 關(guān)鍵點(diǎn)的描述子Fig.3 The feature description of key point in SIFT

1.3 基于特征匹配的腦組織提取方法步驟

BET方法對參數(shù)t2較敏感，且提取結(jié)果常出現(xiàn)過平滑。為解決t2參數(shù)設(shè)置問題，本研究提出了基于特征匹配的腦組織提取方法，通過特征匹配找到已經(jīng)位于腦組織邊界的點(diǎn)，通過這些點(diǎn)自適應(yīng)確定參數(shù)t2；為解決過平滑問題，在得到BET的結(jié)果后進(jìn)行g(shù)raph cuts精提取，從而得到精確的邊界。

本研究所提出的基于特征匹配的腦組織提取方法本質(zhì)上是一個(gè)由粗到精的過程，在讀入腦部磁共振圖像后，采用默認(rèn)參數(shù)(t2=0.15，該參數(shù)較大，保證不會(huì)發(fā)生邊界泄漏)進(jìn)行BET腦組織迭代提取(見圖4(a))，每次迭代后，以得到的輪廓點(diǎn)陣作為關(guān)鍵點(diǎn)提取SIFT特征，并和模板圖像進(jìn)行特征匹配，對于匹配上的點(diǎn)(圖4(b)中的藍(lán)色標(biāo)記點(diǎn))繼續(xù)迭代演化，對于沒有匹配上的點(diǎn)(圖4(b)中的紅色標(biāo)記點(diǎn))說明關(guān)鍵參數(shù)t2不合適，導(dǎo)致演化過慢，為此采用已匹配上的點(diǎn)去估計(jì)未匹配點(diǎn)的t2參數(shù)，其估計(jì)方法如式(6)所示。更新之后繼續(xù)演化，直到達(dá)到最大迭代次數(shù)為止。

(6)

式中，Nm為已匹配的點(diǎn)的個(gè)數(shù)，Ii,min為第i個(gè)匹配點(diǎn)對應(yīng)的Imin。

基于特征匹配的BET算法得到的腦組織輪廓已非常貼近腦組織(見圖4(c))，但是存在過平滑現(xiàn)象。為得到更為精確的腦組織邊界，本研究以該邊界所含區(qū)域?yàn)槌跏贾颠M(jìn)行膨脹減腐蝕操作(形態(tài)學(xué)參數(shù)為菱形結(jié)構(gòu)，半徑為5)，定義一個(gè)環(huán)形感興趣區(qū)域(ROI)，在該ROI中采用文獻(xiàn)[4]的方法進(jìn)行g(shù)raph cuts精提取，并在式(7)～(11)中重新定義了graph cuts中邊的權(quán)重定義，最終得到如圖4(d)所示的腦組織邊界。

圖4 本研究算法腦組織提取過程。(a)BET提取中間結(jié)果；(b)匹配結(jié)果；(c)根據(jù)匹配結(jié)果繼續(xù)BET演化結(jié)果：(d)graph cuts 精提取結(jié)果Fig.4 The processing steps of this brain extraction method. (a) The result of BET in the middle step; (b) The result of feature matching between template and target image; (c) The final result of BET; (d) The refined result of graph cuts

可以看出，本研究通過模板匹配，實(shí)現(xiàn)了BET演化過程中的重要參數(shù)t2的自動(dòng)選擇和腦組織的精確提取。該方法計(jì)算流程如圖5所示。

圖5 本研究算法流程Fig.5 The flowchart of this method

式中,Dpe為p點(diǎn)到腦組織邊界的最近距離，M為圖像的尺寸。Dt(p)使得位于腦組織邊界附近的像素點(diǎn)權(quán)重值較小，而其余像素點(diǎn)權(quán)重值較大，這樣對于遠(yuǎn)離邊界的點(diǎn)，能夠準(zhǔn)確地被分割成非腦組織。對于邊界附近的點(diǎn)須進(jìn)一步通過IG(p)和IR(p)來區(qū)分。

(9)

式中：IG(p)是和ROI區(qū)域內(nèi)的像素點(diǎn)灰度值相關(guān)的值；Ip代表像素點(diǎn)p的灰度值，μ代表ROI中圖像的灰度平均值，Im代表ROI中圖像的灰度最大值；k1為參數(shù)，可根據(jù)不同圖像進(jìn)行調(diào)整。IG(p)表明，Ip與μ差別越大，權(quán)重越高，一般腦組織邊界上的點(diǎn)的灰度接近μ其權(quán)重低，非腦組織灰度遠(yuǎn)離μ其權(quán)重高。

式(10)、(11)是類似BET半全局搜索的約束項(xiàng)，表明若某點(diǎn)附近有很亮的點(diǎn)(如眼球位置)，則認(rèn)為該點(diǎn)也不屬于腦組織，給該點(diǎn)分配一個(gè)高權(quán)重，其中tm為腦組織均值估計(jì)，I(i)為沿中心方向距離該點(diǎn)為i的點(diǎn)的灰度。

1.4 特征匹配及匹配度計(jì)算

為盡可能消除誤匹配和保持不變性，本研究提出一種基于空間距離弱約束投票的特征匹配計(jì)算方法，其表達(dá)式為

(12)

式中：Ti表示目標(biāo)圖像中腦組織邊界中第i個(gè)頂點(diǎn)，Aj表示模板圖像中腦組織邊界中第j個(gè)頂點(diǎn)；FTi表示提取的Ti點(diǎn)的SIFT特征，F(xiàn)Aj表示提取的Aj點(diǎn)的SIFT特征；Df表示兩個(gè)頂點(diǎn)的特征距離，Dd表示兩個(gè)頂點(diǎn)間的空間距離。VOTE表示對特征和空間距離先排序然后進(jìn)行投票，只有特征和空間距離在前nA次投票均命中的才有效，但如果有多個(gè)匹配點(diǎn)，則取特征距離最近的那個(gè)點(diǎn)作為匹配點(diǎn)，而不是取空間距離最近的點(diǎn)作為匹配點(diǎn)，這樣相當(dāng)于采用距離作為一個(gè)弱約束，不僅能夠在很大程度上消除誤匹配，同時(shí)對圖像的縮放和旋轉(zhuǎn)具有較好的不變性。

一個(gè)簡單采用基于空間距離弱約束投票特征匹配方法的二維腦組織邊界匹配結(jié)果如圖6所示，左圖為腦組織模板圖像，右圖為目標(biāo)圖像。分別提取兩幅圖像腦組織邊界的SIFT特征，然后采用基于空間距離弱約束投票的特征匹配方法進(jìn)行特征匹配，可以看出多數(shù)邊界點(diǎn)都匹配上，說明該方法對圖像的縮放和旋轉(zhuǎn)具有較好的不變性。同時(shí)可以看到，匹配上的點(diǎn)存在少量誤匹配，本研究選取了19組數(shù)據(jù)進(jìn)行匹配實(shí)驗(yàn)，這些數(shù)據(jù)在圖像大小、灰度分布上存在較大差異，得到的誤匹配率為10.1%。

圖6 特征匹配結(jié)果(左為模板圖像，右為目標(biāo)圖像，紅色標(biāo)記為未匹配點(diǎn)，藍(lán)色標(biāo)記為已匹配點(diǎn))。(a)模板圖像縮小0.8倍匹配結(jié)果；(b)模板圖像旋轉(zhuǎn)10°匹配結(jié)果Fig.6 The result of feature matching between templ-ate image (left) and target image(right)(Red points are unmatched points, blue points are matched). (a) The result of 0.8 down scaled template image; (b) The result of 10 degree rotated template image

1.5 實(shí)驗(yàn)方法

為了驗(yàn)證本方法的提取效果，采用哈佛大學(xué)醫(yī)學(xué)院形態(tài)分析中心提供的IBSR測試數(shù)據(jù)中的20組標(biāo)準(zhǔn)T1加權(quán)磁共振圖像作為實(shí)驗(yàn)數(shù)據(jù)。每組數(shù)據(jù)包含有約64個(gè)冠狀切片，每片為256像素×256像素，切片厚度為3 mm。IBSR為每一幅腦組織圖像都提供了相對應(yīng)的標(biāo)準(zhǔn)的人工分割結(jié)果。采用本研究方法、BET算法[8]、ROBEX算法[14]和GCUT算法[4]等4種方法,對這20套數(shù)據(jù)進(jìn)行腦組織提取對比實(shí)驗(yàn)。

1.6 評價(jià)方法

采用Jaccard 精度系數(shù)(JS)、Dice 精度系數(shù)(DS)、假陽性率(false positives rate，F(xiàn)P_Rate)、假陰性率 (false negatives rate, FN_Rate)、敏感性 (sensitivity, SE)和特異性 (specificity, SP) 進(jìn)行評價(jià)比較，有

式中，IM代表提取結(jié)果中所有目標(biāo)區(qū)域的像素點(diǎn)集合，IN代表人工分割標(biāo)準(zhǔn)的目標(biāo)區(qū)像素點(diǎn)集合，I為元素都為1的圖像集合。

2 結(jié)果

表1中列出了4種方法對20組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行提取，得到各個(gè)評價(jià)參數(shù)的平均值、標(biāo)準(zhǔn)差及分布范圍，記錄格式為平均值±標(biāo)準(zhǔn)差[范圍]。從表1可以看出，6個(gè)評價(jià)參數(shù)中，本研究方法除FN_Rate和SE之外的參數(shù)都為最優(yōu)，其中最大DS和JS的平均值表明精度最高，最小的方差表明數(shù)據(jù)分布緊密，算法對不同圖像穩(wěn)定性最好。FN_Rate最低的為GCUT方法，但其FP_Rate卻為27.3%。通常來說，F(xiàn)N_Rate和FP_Rate越小，提取結(jié)果越準(zhǔn)確。但只要提取結(jié)果包括所有大腦組織，F(xiàn)N_Rate就為0，而此時(shí)該結(jié)果中也可能包含大量的非腦組織。同時(shí)，如果提取結(jié)果總是包含在腦組織內(nèi)，F(xiàn)P_Rate也等于0。所以說，一個(gè)算法僅僅具有較小的FN_Rate或FP_Rate并不一定代表其結(jié)果非常準(zhǔn)確。一個(gè)準(zhǔn)確、穩(wěn)定的算法應(yīng)該權(quán)衡考慮其FN_Rate或FP_Rate，本研究方法的FN_Rate單獨(dú)較小不是最優(yōu)，但綜合考慮兩者均低于5%，具有最好的均衡性。參數(shù)SE和SP也有相同的情況，SE和SP均衡性最好的是ROBEX算法，本研究方法次之。

由于本研究在定義ROI時(shí)，采用了形態(tài)學(xué)方法，而形態(tài)學(xué)元素的結(jié)構(gòu)和大小對ROI有較大影響，為此本研究采用了3種形態(tài)學(xué)元素(圓形、菱形、正方形)，形態(tài)半徑為5，對IBSR20組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，得到平均DS系數(shù)分別為0.961、0.962、0.962，說明本方法對形態(tài)學(xué)元素形狀不敏感。再采用菱形結(jié)構(gòu)元素，形態(tài)半徑分別為3、5、7各自進(jìn)行試驗(yàn)，得到的平均DS分別為0.927、0.962、0.914?？梢?，形態(tài)學(xué)元素大小對提取結(jié)果有較大影響，形態(tài)學(xué)元素過大，使得ROI范圍過大，容易產(chǎn)生邊界泄漏；形態(tài)學(xué)元素過小，ROI范圍小，容易陷入局部收斂；而中等大小的形態(tài)學(xué)參數(shù)，既能保證不產(chǎn)生邊界泄漏，又不會(huì)陷入局部收斂。

圖7定性列出了本方法、BET 算法、ROBEX算法和GCUT算法對某幅腦部MRI圖像切片的處理結(jié)果?？梢悦黠@看出，本算法最接近手動(dòng)提取結(jié)果，BET算法同時(shí)有邊界泄露和局部收斂現(xiàn)象存在，GCUT算法處理結(jié)果中出現(xiàn)較多邊界泄露，ROBEX算法處理結(jié)果中存在少量邊界泄露且邊界過于平滑。

表120組IBSR腦部MRI圖像處理結(jié)果評價(jià)參數(shù)比較(均值±標(biāo)準(zhǔn)差)

Tab.1Comparisonofthismethodwithexistingbrainextractionapproaches,BET,GCUT,andROBEXusing20MRIvolumesfromIBSR(mean±SD)

方法DSJSSPSEFP_Rate%FN_Rate%BET0.849±0.0760.745±0.1100.976±0.0080.910±0.11222.87±7.959.0±11.3[0.666～0.928][0.499～0.866][0.963～0.991][0.698～0.999][11.8～39.8][0.1～30.2]GCUT0.880±0.0150 0.786±0.02400.973±0.0081.000±0.00027.34 ±3.910.01±0.02[0.844～0.907][0.729～0.829][0.957～0.985][0.999～1][20.5～37.1] [0.0～0.06]ROBEX0.940±0.0120.888±0.02100.987±0.0050.993±0.00511.9±2.750.67±0.46[0.912～0.954][0.839～0.911][0.976～0.993][0.981～0.993][8.31～17.00][0.21～1.92]本方法0.962±0.0080.926±0.01400.994±0.0040.972±0.0204.95±2.742.82±2.00[0.944～0.971][0.894～0.943][0.984～0.998][0.921～0.996][2.19～11.40][0.43～7.91]

圖7 不同算法腦組織提取結(jié)果。(a)腦部MRI圖像切片；(b)手動(dòng)提取結(jié)果；(c) BET算法提取結(jié)果；(d) ROBEX算法提取結(jié)果；(e) GCUT算法提取結(jié)果；(f)本方法提取結(jié)果Fig.7 The extraction results with BET, ROBEX,GCUT and this method. (a) The original cerebral MRI slice; (b) The brain extracted by manual, (c) Result with BET; (d) Result with ROBEX; (e) Result with GCUT; (f) Result with this method

3 討論

腦組織提取是一個(gè)二元分割問題，但是在腦部MRI圖像中，腦組織和其他相鄰組織的灰度缺乏足夠的差異性，不同組織灰度又相互交疊，且常存在灰度分布不均、偽影現(xiàn)象，導(dǎo)致采用自動(dòng)算法穩(wěn)定精確提取腦組織難度很大[22]。為此，本研究嘗試采用模板匹配和混合提取方法，以提高自動(dòng)提取方法的穩(wěn)定性和精度。

本研究首先在BET方法的初始化過程中采用了模板匹配方法，較好地控制了BET方法邊界溢出(最低的FP_Rate)。本方法本質(zhì)上是改進(jìn)的BET方法，提高了BET方法的穩(wěn)定性，但是過平滑現(xiàn)象仍然存在(見圖4(c))，故需進(jìn)一步采用后續(xù)處理，以得到精確的腦組織邊界。本研究在后處理中采用的改進(jìn)的Graph cuts方法，由于前處理提供了很好的初始邊界，故很少出現(xiàn)較大的提取誤差，保證了較高的穩(wěn)定性。但是，算法中形態(tài)學(xué)大小參數(shù)對提取精度有一定影響，不能取太大或太小，經(jīng)過大量實(shí)驗(yàn)，形態(tài)學(xué)半徑取5較好。

對比實(shí)驗(yàn)中，本研究選取的兩種提取對比算法(GCUT 和 ROBEX)和本研究方法均采用了graph cuts方法進(jìn)行后續(xù)精提取，不同之處在于初始化方式和Graph cuts中的邊權(quán)重的設(shè)置。其中,初始化主要影響graph cuts方法的穩(wěn)定性，邊權(quán)重影響graph cuts方法的精度。由于本方法初始化過程中采用了模板匹配方法，為后續(xù)精處理過程中的graph cuts方法提供了很好的初始邊界，故很少出現(xiàn)較大的提取誤差，保證了較高的穩(wěn)定性。相比之下GCUT方法采用簡單的閾值分割方法為graph cuts提供初始化，初始輪廓不夠穩(wěn)定，導(dǎo)致提取的結(jié)果存在較大的邊界溢出(最高的FP_Rate)；而ROBEX方法采用學(xué)習(xí)方法提供的初始輪廓較為穩(wěn)定，但是后續(xù)graph cuts方法沒有針對腦組織特性進(jìn)行優(yōu)化，故提取結(jié)果存在少量邊界泄露(較高的FP_Rate)，且邊界過于平滑。相比之下，本方法在精提取的過程中，本方法根據(jù)腦組織提取特點(diǎn)重新定義了graph cuts的邊權(quán)重，從而有著較高的準(zhǔn)確性(最高的DS和JS)?？梢钥闯霰痉椒ㄓ捎谠诔跏蓟?穩(wěn)定性)和邊權(quán)重方面(精確性)均對graph cuts模型進(jìn)行了優(yōu)化，故能夠保證較高的準(zhǔn)確性和精度。對比實(shí)驗(yàn)中，本方法對所有處理圖像在采用相同的參數(shù)下得到了最高的精度和最小的方差，經(jīng)驗(yàn)證表明本方法的精確性和穩(wěn)定性。當(dāng)用戶在用本方法提取腦組織時(shí)，不用考慮參數(shù)設(shè)定問題，大大方便了用戶。

FN_Rate和FP_Rate兩個(gè)參數(shù)具有一定的矛盾性，低的FN_Rate可能對應(yīng)高的FP_Rate，反之亦然，為此需要根據(jù)實(shí)際應(yīng)用來選擇以哪個(gè)參數(shù)為主。比如，在fMRI圖像配準(zhǔn)應(yīng)用中，不允許腦組織被誤排除，就要求盡可能低的FN_Rate; 在腦組織測量應(yīng)用中，則要求FN_Rate和FP_Rate都不能太高。

4 結(jié)論

本研究針對提取穩(wěn)定性，提出了模板匹配BET方法。為graph cuts精提取提供穩(wěn)定的初始輪廓；針對提取精度；改進(jìn)了graph cuts精提取中的邊權(quán)重定義，從而實(shí)現(xiàn)了精確穩(wěn)定的腦組織提取。雖然本自動(dòng)算法取得了較好的效果，但是由于在腦組織提取迭代過程中需多次進(jìn)行匹配計(jì)算，導(dǎo)致運(yùn)算量較大，故后續(xù)將研究采用并行方法以提高計(jì)算速度；同時(shí)進(jìn)一步研究特征提取和特征匹配技術(shù)，進(jìn)一步降低誤配率，提高提取精度。