基于多權(quán)重概率圖譜的腦部圖像分割.pdf

1、醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像分析的重要基礎(chǔ)，它是指根據(jù)一定的準(zhǔn)則把醫(yī)學(xué)圖像劃分為若干個(gè)不相交的區(qū)域，使得同一區(qū)域內(nèi)像素的特征相似并且不同區(qū)域內(nèi)像素的特征不同，并對(duì)感興趣的區(qū)域(Region of Interest，ROI)進(jìn)行提取，其目的是將醫(yī)學(xué)圖像中某些具有特殊含義的區(qū)域、器官、解剖結(jié)構(gòu)分割出來(lái)，并對(duì)目標(biāo)進(jìn)行特征提取和參數(shù)測(cè)量，為臨床和病理學(xué)研究提供可靠的依據(jù)，輔助醫(yī)生做出更為準(zhǔn)確的診斷。圖像分割技術(shù)是醫(yī)學(xué)圖像處理向圖像分析過(guò)渡的關(guān)鍵步驟，

2、它在很多方面都有重要應(yīng)用，如損傷組織的量化、手術(shù)模擬、計(jì)算機(jī)引導(dǎo)手術(shù)、圖像配準(zhǔn)等。然而由于不同圖像之間的特征包括結(jié)構(gòu)、強(qiáng)度、紋理、輪廓等信息的差異導(dǎo)致醫(yī)學(xué)圖像多樣而復(fù)雜，并且不同類型的醫(yī)學(xué)圖像所需分割要求的不同，使得沒(méi)有一種醫(yī)學(xué)圖像分割方法能夠滿足所有類型的分割要求。
　　針對(duì)醫(yī)學(xué)圖像分割這個(gè)困難而又重要的問(wèn)題，近幾年來(lái)，科學(xué)工作者做了大量的研究與探索，分別以灰度信息、紋理信息、區(qū)域信息等為標(biāo)準(zhǔn)建立起多種分割算法，圖像分割方法也層

3、出不窮。閾值分割法是一種最簡(jiǎn)單、基礎(chǔ)的圖像分割算法，在待分割圖像中不同區(qū)域之間像素的灰度對(duì)比度比較大時(shí)，容易得到較好的分割結(jié)果。但閡值分割法的關(guān)鍵是閾值的選擇，在不同區(qū)域之間像素的灰度相差不大或有重疊時(shí)，閾值難以選擇，往往會(huì)產(chǎn)生錯(cuò)誤的分割結(jié)果。并且閾值分割法通常只采用了圖像中像素的灰度信息，沒(méi)有利用像素的空間信息，因此閾值分割法容易受噪聲和圖像非均勻性的影響。區(qū)域生長(zhǎng)法是一種計(jì)算簡(jiǎn)單、分割速度快、魯棒性強(qiáng)的分割方法。區(qū)域生長(zhǎng)法對(duì)每一個(gè)需

4、要提取的目標(biāo)都必須手動(dòng)指定一個(gè)種子點(diǎn)，如果種子點(diǎn)選取不當(dāng)，就容易出現(xiàn)錯(cuò)誤的分割結(jié)果。并且由于受噪聲和偏移場(chǎng)的影響，可能會(huì)導(dǎo)致區(qū)域內(nèi)有空洞甚至是根本不連續(xù)的區(qū)域。邊緣檢測(cè)法通過(guò)邊緣檢測(cè)算子對(duì)目標(biāo)的邊界進(jìn)行檢測(cè)來(lái)完成分割，邊緣檢測(cè)法簡(jiǎn)單易實(shí)現(xiàn)，但由于噪聲及非均勻性的影響，邊緣檢測(cè)法得到的邊緣常是不連續(xù)的或分小段連續(xù)的，為了得到連續(xù)的目標(biāo)邊緣，還需要進(jìn)行邊界閉合處理。并且邊緣檢測(cè)法對(duì)灰度變化復(fù)雜和細(xì)節(jié)較豐富的圖像進(jìn)行檢測(cè)時(shí)，邊緣檢測(cè)法很難檢測(cè)

5、出正確的邊緣;而對(duì)邊緣不明顯的圖像，可能會(huì)得到不連續(xù)的邊界。聚類算法的分割理論是在特征空間將像素聚集起來(lái)，聚類算法不需要訓(xùn)練樣本，是一種無(wú)監(jiān)督的統(tǒng)計(jì)方法。聚類算法簡(jiǎn)單有效，但聚類算法沒(méi)有考慮圖像的空間信息，對(duì)圖像噪聲及不均勻性敏感，并且聚類算法需要初始聚類數(shù)目、聚類中心?；谏窠?jīng)網(wǎng)絡(luò)的分割思想是通過(guò)樣本訓(xùn)練出神經(jīng)網(wǎng)絡(luò)，再由神經(jīng)網(wǎng)絡(luò)對(duì)新輸入的圖像數(shù)據(jù)進(jìn)行分割。神經(jīng)網(wǎng)絡(luò)模型中空間信息參數(shù)的選擇是神經(jīng)網(wǎng)絡(luò)方法的主要問(wèn)題?；谛〔ㄗ儞Q的分割思想

6、是利用小波變換多尺度的特性，對(duì)圖像的邊緣像素點(diǎn)進(jìn)行檢測(cè)，然后利用一定的準(zhǔn)則把這些邊緣像素點(diǎn)連接起來(lái)形成輪廓，從而完成對(duì)圖像的分割。水平集方法計(jì)算穩(wěn)定、規(guī)劃容易、可靈活的加入先驗(yàn)信息。但水平集方法需要周期性的初始化水平集函數(shù)來(lái)獲得穩(wěn)定的演化曲線，而初始化水平集函數(shù)計(jì)算量大，并且很難確定何時(shí)和如何重新初始化水平集函數(shù)。
　　磁共振圖像分辨率高、具有良好的軟組織對(duì)比度、信噪比高，因此腦部磁共振圖像是臨床上對(duì)腦功能研究及腦組織疾病預(yù)測(cè)、診

7、斷的主要手段，而對(duì)腦組織進(jìn)行研究和診斷必須要準(zhǔn)確地分割出這些腦部結(jié)構(gòu)。雖然傳統(tǒng)的分割方法在許多應(yīng)用中都能很好的完成分割要求，但由于醫(yī)學(xué)圖像結(jié)構(gòu)復(fù)雜、邊緣模糊，傳統(tǒng)的分割方法無(wú)法準(zhǔn)確地分割，并且磁共振圖像由于受強(qiáng)度的非均勻性及噪聲的影響使得用傳統(tǒng)的分割方法分割出的結(jié)果不魯棒、邊界過(guò)于光滑而丟失大量結(jié)構(gòu)結(jié)節(jié)。腦部磁共振圖像分割最初由專家手動(dòng)分割，手動(dòng)分割精度高被視為所有分割方法的金標(biāo)準(zhǔn)，但手動(dòng)分割耗時(shí)費(fèi)力，重復(fù)性低，且非常依賴分割者的經(jīng)驗(yàn)及

8、解剖學(xué)知識(shí)。因此實(shí)現(xiàn)腦部磁共振圖像的自動(dòng)分割非常有意義。然而，磁共振圖像因受噪聲、強(qiáng)度非均勻性產(chǎn)生的偽影及不同組織強(qiáng)度相同的影響使得腦部磁共振圖像的自動(dòng)分割非常困難，因此，引入形狀先驗(yàn)信息來(lái)簡(jiǎn)化分割問(wèn)題是必不可少的。
　　基于圖譜配準(zhǔn)的分割方法充分利用手動(dòng)分割的形狀先驗(yàn)知識(shí)，通過(guò)配準(zhǔn)將圖譜中存儲(chǔ)的形狀先驗(yàn)信息直接映射到待分割圖像中，實(shí)現(xiàn)一種全自動(dòng)的“專家”（圖譜）指導(dǎo)下的圖像分割，此時(shí)，圖像分割問(wèn)題就變成了圖像配準(zhǔn)問(wèn)題。圖譜由圖譜

9、灰度圖像及其對(duì)應(yīng)的專家手動(dòng)分割好的圖譜標(biāo)號(hào)圖像組成。基于圖譜配準(zhǔn)的分割方法引入了形狀先驗(yàn)信息，無(wú)需手動(dòng)設(shè)置初始邊界、對(duì)噪聲及偏移場(chǎng)不敏感，因而獲得了廣泛的應(yīng)用與認(rèn)可。Rohlfing等人用基于圖譜配準(zhǔn)的分割方法來(lái)分割蜜蜂的腦部結(jié)構(gòu)。Heckemann等人用29組圖譜分割出了67個(gè)腦部結(jié)構(gòu)。Klein等人利用彈性配準(zhǔn)分割出3D磁共振圖像的前列腺。圖譜數(shù)據(jù)的設(shè)計(jì)引起了廣大關(guān)注，最簡(jiǎn)單的方法是使用一個(gè)圖譜，但考慮到人體解剖結(jié)構(gòu)的差異及配準(zhǔn)精度

10、的局限性，單圖譜分割難以適應(yīng)不同個(gè)體腦部結(jié)構(gòu)的差異，容易產(chǎn)生錯(cuò)誤分割，特別是邊界處的分割?；诙鄨D譜配準(zhǔn)的分割方法采用更多的醫(yī)學(xué)圖譜來(lái)降低圖譜選擇的不確定性，分別將圖譜灰度圖像與待分割圖像進(jìn)行配準(zhǔn)，得到多個(gè)變形場(chǎng)，然后利用變形對(duì)相應(yīng)的圖譜標(biāo)號(hào)圖像進(jìn)行變形，得到多個(gè)變形后的圖譜標(biāo)號(hào)圖像，最后對(duì)形變后的圖譜標(biāo)號(hào)圖像進(jìn)行融合，得到最終的分割結(jié)果。因此，基于多圖譜配準(zhǔn)的分割方法主要包括兩個(gè)部分:圖像配準(zhǔn)和標(biāo)號(hào)融合。標(biāo)號(hào)融合是基于多圖譜配準(zhǔn)分割的

11、關(guān)鍵步驟，標(biāo)號(hào)融合算法也是近幾年基于多圖譜配準(zhǔn)分割的研究重點(diǎn)。多數(shù)表決法(Major Voting)是最簡(jiǎn)單最直接的融合算法，它按照少數(shù)服從多數(shù)的方法對(duì)標(biāo)號(hào)圖像進(jìn)行融合?？紤]到圖譜的不同，加權(quán)表決法按照某種相似性準(zhǔn)則，對(duì)標(biāo)號(hào)進(jìn)行加權(quán)。Warfield等人設(shè)計(jì)的STAPLE算法將每一個(gè)圖譜看作為一個(gè)弱分類器，然后利用最大期望算法對(duì)每一個(gè)分類器設(shè)置權(quán)重，以迭代的方式完成標(biāo)號(hào)的融合，從而得到最終的分割結(jié)果。并在STAPLE算法的基礎(chǔ)上，引入空

12、間變化性能參數(shù)，提出Spatial STAPLE算法。SIMPLE算法考慮不同數(shù)量的圖譜會(huì)對(duì)融合的結(jié)果造成影響，通過(guò)選擇性迭代的方法實(shí)現(xiàn)標(biāo)號(hào)的融合。
　　傳統(tǒng)的基于多圖譜配的分割方法通過(guò)配準(zhǔn)將圖譜中存儲(chǔ)的形狀先驗(yàn)信息映射到待分割圖像中。但在標(biāo)號(hào)融合時(shí)，只利用了圖譜的標(biāo)號(hào)信息，沒(méi)有利用待分割圖像自身的灰度信息，必然會(huì)造成信息的損失與浪費(fèi)?？紤]傳統(tǒng)標(biāo)號(hào)融合算法的不足，本文提出了一種基于多權(quán)重概率圖譜的腦部圖像分割方法。首先，通過(guò)利用配

13、準(zhǔn)的局部相似性測(cè)度作為權(quán)重來(lái)計(jì)算局部權(quán)重概率圖譜;其次通過(guò)利用標(biāo)號(hào)圖像的距離場(chǎng)作為權(quán)重，引入圖譜標(biāo)號(hào)圖像暗含的位置先驗(yàn)信息;然后，通過(guò)利用待分割圖像中像素與其局部鄰域內(nèi)像素的自相似性作為權(quán)重對(duì)概率圖譜進(jìn)行優(yōu)化，自相似性引入了待分割圖像提供的灰度與結(jié)構(gòu)信息，保證了信息的完整性，降低噪聲的影響，同時(shí)考慮鄰域像素的分割情況，提高分割精度。對(duì)大量腦部磁共振圖像中的海馬進(jìn)行分割實(shí)驗(yàn)，并與國(guó)際上主流的基于多圖譜配準(zhǔn)的分割算法進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明