论文部分内容阅读
人体脑组织主要包括基底核与大脑皮层两部分,基底核位于大脑深部,由一系列神经核团组成,大脑皮层则由覆盖于端脑平面的灰质以及皮层深部的白质组成。磁共振成像可清晰地分辨脑部灰质、白质及其余各神经功能核团,对比度特性丰富,细节清晰精确,成为医学临床上对脑功能研究、脑组织疾病预测、病灶确定及手术前中期辅助干预的主要手段。如通过脑部磁共振图像的海马体分割,实现海马体体积的测量与形态研究,可对多种神经系统疾病进行分析诊断。海马体(Hippocampus)主要负责人类的记忆、学习以及空间定位。许多神经系统疾病,如颞叶癫痫、阿尔兹海默病、精神分裂症及抑郁症等,都与海马体形态体积和功能的改变有关。因此,实现海马体的精确分割,对许多神经系统疾病的研究有着重要意义。图像分割(Image Segmentation)是指根据不同目的,将目标区域与其余不同涵义的部分进行区分或提取的过程。传统图像分割方法有阈值法、边缘检测法、区域生长法、聚类法、基于遗传算法、人工神经网络、马尔可夫随机场模型以及基于小波变换的方法等。阈值法是指利用选取的阈值对图像的灰度直方图进行分类。边缘检测法一般包含滤波、增强、检测三个步骤。区域生长法实质为一个迭代过程,克服了常见的分割区域不连续的缺点。聚类法是指把分割看作将图像的灰度分为各不相同的类的过程。遗传算法是模拟自然进化过程搜索最优解的一种方法。基于人工神经网络的图像分割方法是通过训练神经网络得到决策函数,再对图像的像素点进行分类。基于马尔可夫随机场模型的图像分割方法包括邻域系统选择、目标函数确定、参数估计,目标函数极小化、最大后验概率获取。小波变换相当于进行多尺度多通道分析,对不同尺度上检测到的边缘进行综合便能实现精确的边缘提取。然而,海马体形状不规则,边缘模糊,难以与其毗邻组织进行区分,因此,传统图像分割算法在海马体分割问题上,出现结果不理想、精确度下降等问题,研究者们针对该问题,做了许多研究工作。早期,海马体分割的方法主要为手动分割。手动分割需要有经验的医生在图像切片上逐层进行标记,为保证结果的准确性,必须大量练习并对同一图像反复勾画,求取平均值以减小误差。手动分割的精确度较高,但耗时费力,缺乏重复性,因此,海内外学者在半自动与全自动分割海马体的方法上做了大量研究,如结合阈值法和边界跟踪法的半自动分割方法、Snake模型以及包含三类不同信息的形变模型进行海马体分割等。半自动分割方法大大减少了海马体分割所需的时间与人力,但在大样本的研究中仍非最佳选择。为追求更高效率的海马体分割手段,许多自动分割方法被提出,如弹性表面模型的使用、基于体素的三维配准分割、自动环境模型的研究以及利用海马体周围区域成像的统计模型完成其自动分割等,均取得较好的成效。此外,多种自动分割软件被开发出来,可实现三维脑部图像结构数据的处理。近年来,基于图谱配准的海马体分割方法亦引起许多关注。基于图谱配准的分割方法是指根据不同的分割目标选择图谱,将其与待分割图像进行配准,借助所得变换参数对图谱对应的标记图像进行形变,得到最终分割结果。基于图谱配准的分割方法可以分为基于单图谱、基于平均形状图谱和基于多图谱三种。其中基于单图谱配准的分割方法难以适应不同个体间,结构组织存在的差异性,出现误差的概率大。基于多图谱配准的分割方法则选用多个图谱,分别与目标图像进行配准,获取多组形变参数,对各标记图像进行形变,再采用图像融合技术对所有形变后的标记图像进行融合,得到最终分割结果。图谱数量的增加,可有效降低图谱选择的差异性,有助于实现更精确的分割。基于多图谱配准分割算法的两个关键点分别为图像配准与融合。合适的图像配准算法能获得更精确的配准结果,使得形变后的标记图像与待分割图像中的海马体在形状、体积大小方面更相似。此外,合适的融合算法能有效提取每个初始分割结果中的信息,获得最具代表性的结果,作为最终分割的海马体。图像配准(Image registration)是指在不同时间、不同成像设备或采用不同成像方法时,对获取的图像进行匹配的过程。图像配准方法种类繁多,分类复杂。若根据空间变换模型(Transformational Model)分类,有刚性变换、仿射变换、投影变换与非线性变换四种。其中非线性变换将直线映射为曲线,对目标的形变与位移有更合理的描述。若根据相似性测度(Similarity Measure)来分,则包含基于特征与基于灰度值两大类。基于特征的图像配准算法需在配准前对图像特征进行提取,没有充分利用每个像素点的信息。基于灰度值的配准方法在计算过程中,则利用到图像中所有的像素点,且不需分割、特征提取等预处理。常用的基于灰度值的相似性测度有差值平方和、互信息与互相关系数等。差值平方和简单直接,但仅适用于同一模态图像间的配准。最大化互信息法能用于不同模态图像的配准,精度高、鲁棒性强。然而,常用的相似性测度使用的前提为假设图像灰度值的分布是均匀的,但对脑部磁共振图像而言,射频场分布不均匀、噪声、脑部组织电磁特性改变等原因,造成图像灰度值分布并不均匀。近年来被提出的残差复杂度相似性测度可解决该问题。最小化残差复杂度算法是根据矩阵分析及离散余弦变换等相关理论,推导出一个新的能量函数,对脑部磁共振图像的配准效果较为理想。然而,该算法对噪声较敏感,鲁棒性差。因此本文对该算法进行改进,为图像中不同的像素点赋予不同大小的权重,权重计算方法为根据参考图像对应的梯度图,选择合理的邻域并求得每个像素点的邻域局部梯度值,再根据局部梯度计算对应的权重。权重参数的提出,为残差融入图像的空间位置信息,可有效降低噪声或其它偶然因素造成的图像灰度值突变的影响,提高配准算法的有效性。除图像配准外,图像融合在基于图谱配准的分割方法中亦扮演重要角色。图像融合(Image Fusion)是指将同一目标的若干成像数据进行有效信息的最大限度提取,消除冗余及矛盾,综合成一个高质量的图像。基于多图谱配准的分割算法中,采用融合技术对若干形变后的标记图像进行融合,将所得的清晰准确的综合图像作为分割结果,有效地提高算法整体的精确度。常用的融合算法有加权选择法、COLLATE(Consensus Level, Labeler Accuracy and Truth Estimation)算法与STAPLE(Simultaneous Truth Performance Level Estimation)算法等。本文采用的STAPLE算法使用最大期望法进行估计求解,对目标图像的多个初始分割结果进行融合,并计算每个分割的性能水平。在实现图像目标区域的分割后,需采用合适的评价方法对算法的性能及有效性进行评价。评价方法可分为主观评价与客观评价两种,主观评价难以满足算法定性、定量的分析要求。客观评价包括分析法与实验法,分析法是指直接对算法进行评价,总结其优缺点。实验法则是将算法应用到实际中再进行归纳。常用的客观评价指标有平均距离、均方差、Dice相似性测度及绝对容积误差等。其中相似性测度的评价方法计算简单,直接对分割结果与参考图像的重叠率进行比较,实现分割算法的定量分析。本文采用基于多图谱配准的分割方法,实现脑部磁共振图像中的海马体的自动分割。实验内容安排如下：实验选择了18个来自美国Henry Ford医院的T1加权脑部磁共振图像,每个图像均有对应的医学专家手动分割结果,作为最终分割结果的对比参考图像。为进行对照比较实验,分别采用最小化残差复杂度和改进后的最小化残差复杂度算法对图像进行配准,进而使用STAPLE算法对初始分割结果进行融合。此外,为增加实验结果的可信度,两种算法都将分别进行十组实验,即共17×10×2个配准结果,10x2个最终分割结果。实验主要流程包括：(1)对18个图像进行预处理,使得所有图像的灰度值和对比度处于同一水平,并根据海马体的位置选择感兴趣区域,以降低算法所需时间,提高算法的效率；(2)对待分割图像与图谱进行配准。为对两种算法的配准结果进行评价,使用互信息进行定量分析。计算结果表明,MRC方法配准得到的图像计算的互信息值比RC方法的互信息值要大,配准效果更好；(3)利用几何变换参数对标记图像进行形变。观察形变结果可发现,每个初始分割结果均与金标准存在一定差异,若只选择一个形变结果作为最终分割结果,其精度必难以保证；(4)分别对每组的17个初始海马体分割结果进行融合,获得一个与金标准更为接近、更精确的海马体图；(5)分别计算两种方法所得结果的Dice值,MRC方法组的十个结果均优于基于RC方法组,由此说明基于MRC配准的分割算法精确度更高,本文提出的算法是一种有效的海马体分割方法。