基于腦MR圖像的三維組織自動(dòng)分割.pdf

1、近幾十年來，醫(yī)學(xué)圖像極大地影響了神經(jīng)科學(xué)的許多領(lǐng)域。隨著先進(jìn)的醫(yī)學(xué)成像技術(shù)的發(fā)展，許多神經(jīng)科學(xué)的研究放在了比較腦內(nèi)組織解剖結(jié)構(gòu)的差異上，從而尋求與腦疾病有關(guān)的解剖結(jié)構(gòu)形態(tài)改變的特征，以期提高腦疾病診斷的可靠性和治療方案的有效性。醫(yī)學(xué)圖像分割作為圖像分割領(lǐng)域中的一個(gè)重要分支，是實(shí)現(xiàn)醫(yī)學(xué)圖像分析，進(jìn)而完成醫(yī)學(xué)圖像理解的首要、關(guān)鍵性步驟。 隨著磁共振成像（Magnetic Resonance Imaging，MRI）技術(shù)的發(fā)展，磁共振

2、（MR）圖像可以提供腦內(nèi)部組織解剖結(jié)構(gòu)的高對(duì)比度和高分辨率的三維（3D）醫(yī)學(xué)圖像。神經(jīng)科學(xué)研究人員逐漸地對(duì)能將腦精確區(qū)分為三大主要組織，灰質(zhì)（GM）、白質(zhì)（WM）和腦脊液（CSF），進(jìn)而將腦分割為皮層結(jié)構(gòu)、皮層下結(jié)構(gòu)和病理組織的方法產(chǎn)生濃厚興趣。這些基于解剖學(xué)形態(tài)結(jié)構(gòu)改變的研究均依靠對(duì)MR圖像的分割。而醫(yī)學(xué)圖像分割技術(shù)就提供了這種從多模式醫(yī)學(xué)圖像中分割和提取出各種腦組織結(jié)構(gòu)的自動(dòng)和半自動(dòng)的方法。 然而，醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像分析

3、中最困難和最具有挑戰(zhàn)性的問題之一。由于MR成像設(shè)備成像能力的限制，臨床采集的腦組織的MR圖像通常含有噪聲、偏場(chǎng)（Bias Field，BF）導(dǎo)致的灰度不均勻（Intensity Non-uniformity，INU）、部分容積效應(yīng)（Partial Volume Effect，PVE）和運(yùn)動(dòng)偽影等不利因素，加之腦組織復(fù)雜的形狀、邊界和拓?fù)浣Y(jié)構(gòu)，使得快速、準(zhǔn)確和魯棒地分割腦組織MR圖像是一件困難的事。 此外，二維（2D）圖像分割已不

4、能滿足臨床和研究的需要，腦組織3D圖像的分割逐漸成為主流，臨床醫(yī)生和研究人員迫切需要快速、準(zhǔn)確和魯棒的3D分割算法。因?yàn)槿梭w組織結(jié)構(gòu)畢竟是三維結(jié)構(gòu)體，而且3D分割充分利用了當(dāng)今成像設(shè)備采集的3D圖像數(shù)據(jù)的信息，其分割結(jié)果在空間上更加準(zhǔn)確和連續(xù)，提供給研究人員更豐富的人體組織的3D形態(tài)結(jié)構(gòu)、大小、位置等信息，顯示也更加的直觀明了。 近幾十年來，針對(duì)圖像分割領(lǐng)域的相關(guān)算法雖然種類繁多，且仍層出不窮，但依然無法完全滿足人們的實(shí)際需求。

5、其原因相當(dāng)復(fù)雜，包括：無法完全用數(shù)學(xué)模型來簡(jiǎn)單描述人們所面臨的實(shí)際問題；分割對(duì)象結(jié)構(gòu)性質(zhì)的千差萬別；圖像退化以及人們對(duì)分割結(jié)果預(yù)期目標(biāo)互不相同等。這些原因決定了不可能實(shí)現(xiàn)一種普適、通用的分割方法。只能針對(duì)特定問題和具體的需求給予合理選擇，在精度、速度、和魯棒性等關(guān)鍵性指標(biāo)上做出均衡或側(cè)重。 針對(duì)目前醫(yī)學(xué)圖像分割領(lǐng)域的發(fā)展現(xiàn)狀，本文從腦內(nèi)組織MR圖像三維分割的角度出發(fā)，分析并回顧當(dāng)前主要的醫(yī)學(xué)圖像分割方法，特別是三維醫(yī)學(xué)圖像分割算

6、法。針對(duì)這些算法中的不足，提出了一些新的模型和3D分割算法；并利用這些新算法和已有的算法，在三個(gè)分割層次上，來實(shí)現(xiàn)在臨床和神經(jīng)科學(xué)研究中對(duì)腦組織的分割。 隨著研究人員對(duì)腦和腦疾病的研究不斷深入，腦組織的分割已經(jīng)被分為三個(gè)層次。第一個(gè)層次是將腦組織分割為三大腦組織，灰質(zhì)、白質(zhì)和腦脊液；第二個(gè)層次是將腦組織進(jìn)一步分割為皮層結(jié)構(gòu)和皮層下結(jié)構(gòu)；第三個(gè)層次是病理組織的分割和提取。這三個(gè)層次不是互相獨(dú)立的，而是有機(jī)的聯(lián)系在一起。如第一層次的

7、分割結(jié)果有助于其它兩個(gè)層次的分割。本文包括以下的研究工作和創(chuàng)新： 第一、由于腦部MR圖像存在圖像偏場(chǎng)和噪聲，本文提出了一種基于象素灰度值的改進(jìn)FCM自適應(yīng)快速自動(dòng)分割算法，來完成對(duì)含有偏場(chǎng)和噪聲的腦部MR圖像進(jìn)行快速3D分割。在該算法中，給出了一種新的分割目標(biāo)函數(shù)，采用參數(shù)模型來近似偏場(chǎng)和類似馬爾可夫隨機(jī)場(chǎng)先驗(yàn)的模糊隸屬度矢量鄰域約束來模擬腦組織分布的空間一致性。該算法不需要對(duì)MR數(shù)據(jù)取對(duì)數(shù)或?yàn)V波等預(yù)處理，在目標(biāo)函數(shù)遞歸優(yōu)化的過

8、程中，利用偏場(chǎng)參數(shù)模型和鄰域約束來同時(shí)完成象素的分割和圖像偏場(chǎng)的估計(jì)。由于算法利用分割結(jié)果估計(jì)偏場(chǎng)，使得偏場(chǎng)的估計(jì)更加合理和準(zhǔn)確。同時(shí)參數(shù)模型減少了需要估計(jì)參數(shù)的數(shù)目，提高了算法分割結(jié)果的準(zhǔn)確度和分割的速度。模擬和臨床腦部MR圖像的分割實(shí)驗(yàn)結(jié)果表明，我們的算法對(duì)初始值不敏感，對(duì)噪聲有較強(qiáng)的抑制，有效地克服了偏場(chǎng)的影響，分割結(jié)果準(zhǔn)確度高，速度快。我們的算法在三維MR圖像的自動(dòng)分割實(shí)驗(yàn)中取得了滿意的分割速度和準(zhǔn)確度。 第二、在本文中

9、，我們提出了一種基于多約束和動(dòng)態(tài)先驗(yàn)的自動(dòng)三維分割算法，稱之為MCDPMRF-EM算法。該算法將來自MR圖像的一種大尺度約束引入MRF模型中，在貝葉斯框架和最大后驗(yàn)準(zhǔn)則下，利用改進(jìn)的EM算法，實(shí)現(xiàn)MR腦圖像的分割。MCDPMRF-EM算法具有分割準(zhǔn)確、魯棒和分割結(jié)果與解剖學(xué)一致性高的優(yōu)點(diǎn)。我們的算法有以下創(chuàng)新點(diǎn)：（1）提出多約束模型和構(gòu)造方法，并利用構(gòu)造的多約束來提升分割算法的性能。算法對(duì)分類數(shù)不敏感，在不同分割數(shù)目設(shè)置下，算法的分割結(jié)

10、果具有解剖學(xué)先驗(yàn)知識(shí)一致性。（2）提出動(dòng)態(tài)先驗(yàn)的概念來模擬人眼分割圖像的自適應(yīng)特點(diǎn)，使得先驗(yàn)的作用根據(jù)具體的待分割圖像自適應(yīng)調(diào)整，有效地克服了圖像偏場(chǎng)。（3）利用參數(shù)模型來模擬由于圖像偏場(chǎng)存在而導(dǎo)致的同種組織灰度的變化，避免對(duì)圖像灰度值的對(duì)數(shù)變換和由此導(dǎo)致的灰度值統(tǒng)計(jì)概率不再符合高斯統(tǒng)計(jì)模型假設(shè)的缺陷。（4）提出一個(gè)新的EM改進(jìn)優(yōu)化算法。在高斯馬兒可夫隨機(jī)場(chǎng)模型和偏場(chǎng)模型的假設(shè)下，該算法可以快速、準(zhǔn)確和魯棒地求解分割目標(biāo)函數(shù)的最優(yōu)解。

11、 第三、中腦黑質(zhì)的病變及多巴胺能神經(jīng)元功能的破壞是帕金森病（PD）的主要原因。通過對(duì)黑質(zhì)精確的三維分割，來獲得其位置、體積和3D形狀，再對(duì)PD病人和正常人、PD病人早期和晚期以及PD病人治療前后的黑質(zhì)形態(tài)學(xué)上的比較，測(cè)量黑質(zhì)形狀和體積的統(tǒng)計(jì)變化，有利于提高對(duì)早期PD的診斷和評(píng)價(jià)治療效果。本文提出了一種基于動(dòng)態(tài)曲面模型和解剖先驗(yàn)知識(shí)為約束的自動(dòng)3D分割方法，該方法能夠精確地提取黑質(zhì)的3D形狀結(jié)構(gòu)。而且，就我們所知，黑質(zhì)的3D分割還未

12、見報(bào)道過。 第四、MRI圖像腫瘤的自動(dòng)分割具有相當(dāng)大的難度，因?yàn)槟[瘤及其周圍組織的表現(xiàn)和外觀比較復(fù)雜。在臨床上，醫(yī)生和分割算法間的一些交互信息會(huì)極大地提高分割算法的分割結(jié)果的準(zhǔn)確性和針對(duì)性?；诖耍覀兲岢隽艘环N基于圖論最大流/最小切準(zhǔn)則的交互式半自動(dòng)3D腫瘤分割算法。該算法通過簡(jiǎn)單的交互，就能夠快速、準(zhǔn)確地分割出腦腫瘤。 第五、人類大腦的腦室系統(tǒng)是由四個(gè)相互連通的腦室構(gòu)成，腦室內(nèi)腦脊液體積容量的變化和腦室形態(tài)的改變與多

13、種神經(jīng)性疾病有關(guān)聯(lián)，腦室系統(tǒng)體積形態(tài)變化的量化研究對(duì)診斷各種腦部疾病，評(píng)價(jià)治療效果和對(duì)疾病發(fā)作和結(jié)果的預(yù)測(cè)都有重要作用。本文提出了一種準(zhǔn)確，快速，穩(wěn)健的自動(dòng)三維人腦腦室系統(tǒng)的混合分割方法，能夠自動(dòng)地從腦部3D MR圖像中提取出整個(gè)腦室系統(tǒng)。該方法由以下兩個(gè)算法串聯(lián)構(gòu)成：（1）基于多約束和動(dòng)態(tài)先驗(yàn)馬兒可夫隨機(jī)場(chǎng)模型（MRF）和最大期望（EM）優(yōu)化的三維自動(dòng)分割算法（MCDPMRF-EM算法），MCDPMRF-EM算法將3D圖像分割成5種組

14、織類型，同時(shí)估計(jì)圖像偏場(chǎng)。由于MCDPMRF-EM算法采用多約束和動(dòng)態(tài)先驗(yàn)MRF模型，同時(shí)用參數(shù)模型表達(dá)MR圖像偏場(chǎng)，本文方法具有偏場(chǎng)校正、抑制噪聲的能力，并且算法對(duì)不同分類數(shù)目，其分割結(jié)果一致性高。（2）基于高斯馬爾可夫隨機(jī)場(chǎng)模型（GMRF）分割目標(biāo)函數(shù)和s/t最大流-最小切圖論優(yōu)化的快速3D分割算法。前一個(gè)算法用來將腦組織分為白質(zhì)（WM）、白質(zhì)/灰質(zhì)（WM/GM）、灰質(zhì)（GM）、灰質(zhì)/腦脊液（GM/CSF）和腦脊液（CSF）五種組織

15、類型；后一個(gè)算法利用前一個(gè)算法的結(jié)果來進(jìn)一步分割出整個(gè)腦室系統(tǒng)；兩個(gè)算法之間通過形態(tài)學(xué)方法來聯(lián)系。兩個(gè)串聯(lián)算法均在MR圖像的三維空間中進(jìn)行分割，利用三維空間的參數(shù)偏場(chǎng)模型和三維空間約束信息。該混合方法利用像素的部分容積效應(yīng)和圖論網(wǎng)絡(luò)流中最大流-最小切優(yōu)化分割算法的解偏小的特點(diǎn)，來實(shí)現(xiàn)各腦室不同部分的種子像素點(diǎn)提取和帶硬約束的最大流-最小切優(yōu)化方法的腦室自動(dòng)分割。本混合方法不需要對(duì)MR圖像進(jìn)行去噪，偏場(chǎng)校正等預(yù)處理，就能獲得與解剖學(xué)知識(shí)一