基于腦MR圖像的三維組織自動分割.pdf

1、近幾十年來，醫(yī)學圖像極大地影響了神經(jīng)科學的許多領域。隨著先進的醫(yī)學成像技術的發(fā)展，許多神經(jīng)科學的研究放在了比較腦內(nèi)組織解剖結構的差異上，從而尋求與腦疾病有關的解剖結構形態(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)學圖像分割作為圖像分割領域中的一個重要分支，是實現(xiàn)醫(yī)學圖像分析，進而完成醫(yī)學圖像理解的首要、關鍵性步驟。 隨著磁共振成像（Magnetic Resonance Imaging，MRI）技術的發(fā)展，磁共振

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

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（Bias Field，BF）導致的灰度不均勻（Intensity Non-uniformity，INU）、部分容積效應（Partial Volume Effect，PVE）和運動偽影等不利因素，加之腦組織復雜的形狀、邊界和拓撲結構，使得快速、準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、準確和魯棒的3D分割算法。因為人體組織結構畢竟是三維結構體，而且3D分割充分利用了當今成像設備采集的3D圖像數(shù)據(jù)的信息，其分割結果在空間上更加準確和連續(xù)，提供給研究人員更豐富的人體組織的3D形態(tài)結構、大小、位置等信息，顯示也更加的直觀明了。 近幾十年來，針對圖像分割領域的相關算法雖然種類繁多，且仍層出不窮，但依然無法完全滿足人們的實際需求。

5、其原因相當復雜，包括：無法完全用數(shù)學模型來簡單描述人們所面臨的實際問題；分割對象結構性質的千差萬別；圖像退化以及人們對分割結果預期目標互不相同等。這些原因決定了不可能實現(xiàn)一種普適、通用的分割方法。只能針對特定問題和具體的需求給予合理選擇，在精度、速度、和魯棒性等關鍵性指標上做出均衡或側重。 針對目前醫(yī)學圖像分割領域的發(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)，分析并回顧當前主要的醫(yī)學圖像分割方法，特別是三維醫(yī)學圖像分割算

6、法。針對這些算法中的不足，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，在三個分割層次上，來實現(xiàn)在臨床和神經(jīng)科學研究中對腦組織的分割。 隨著研究人員對腦和腦疾病的研究不斷深入，腦組織的分割已經(jīng)被分為三個層次。第一個層次是將腦組織分割為三大腦組織，灰質、白質和腦脊液；第二個層次是將腦組織進一步分割為皮層結構和皮層下結構；第三個層次是病理組織的分割和提取。這三個層次不是互相獨立的，而是有機的聯(lián)系在一起。如第一層次的

7、分割結果有助于其它兩個層次的分割。本文包括以下的研究工作和創(chuàng)新： 第一、由于腦部MR圖像存在圖像偏場和噪聲，本文提出了一種基于象素灰度值的改進FCM自適應快速自動分割算法，來完成對含有偏場和噪聲的腦部MR圖像進行快速3D分割。在該算法中，給出了一種新的分割目標函數(shù)，采用參數(shù)模型來近似偏場和類似馬爾可夫隨機場先驗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MR數(shù)據(jù)取對數(shù)或濾波等預處理，在目標函數(shù)遞歸優(yōu)化的過

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

9、，我們提出了一種基于多約束和動態(tài)先驗的自動三維分割算法，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準則下，利用改進的EM算法，實現(xiàn)MR腦圖像的分割。MCDPMRF-EM算法具有分割準確、魯棒和分割結果與解剖學一致性高的優(yōu)點。我們的算法有以下創(chuàng)新點：（1）提出多約束模型和構造方法，并利用構造的多約束來提升分割算法的性能。算法對分類數(shù)不敏感，在不同分割數(shù)目設置下，算法的分割結

10、果具有解剖學先驗知識一致性。（2）提出動態(tài)先驗的概念來模擬人眼分割圖像的自適應特點，使得先驗的作用根據(jù)具體的待分割圖像自適應調(diào)整，有效地克服了圖像偏場。（3）利用參數(shù)模型來模擬由于圖像偏場存在而導致的同種組織灰度的變化，避免對圖像灰度值的對數(shù)變換和由此導致的灰度值統(tǒng)計概率不再符合高斯統(tǒng)計模型假設的缺陷。（4）提出一個新的EM改進優(yōu)化算法。在高斯馬兒可夫隨機場模型和偏場模型的假設下，該算法可以快速、準確和魯棒地求解分割目標函數(shù)的最優(yōu)解。

11、 第三、中腦黑質的病變及多巴胺能神經(jīng)元功能的破壞是帕金森?。≒D）的主要原因。通過對黑質精確的三維分割，來獲得其位置、體積和3D形狀，再對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形態(tài)學上的比較，測量黑質形狀和體積的統(tǒng)計變化，有利于提高對早期PD的診斷和評價治療效果。本文提出了一種基于動態(tài)曲面模型和解剖先驗知識為約束的自動3D分割方法，該方法能夠精確地提取黑質的3D形狀結構。而且，就我們所知，黑質的3D分割還未

12、見報道過。 第四、MRI圖像腫瘤的自動分割具有相當大的難度，因為腫瘤及其周圍組織的表現(xiàn)和外觀比較復雜。在臨床上，醫(yī)生和分割算法間的一些交互信息會極大地提高分割算法的分割結果的準確性和針對性?；诖?，我們提出了一種基于圖論最大流/最小切準則的交互式半自動3D腫瘤分割算法。該算法通過簡單的交互，就能夠快速、準確地分割出腦腫瘤。 第五、人類大腦的腦室系統(tǒng)是由四個相互連通的腦室構成，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)性疾病有關聯(lián)，腦室系統(tǒng)體積形態(tài)變化的量化研究對診斷各種腦部疾病，評價治療效果和對疾病發(fā)作和結果的預測都有重要作用。本文提出了一種準確，快速，穩(wěn)健的自動三維人腦腦室系統(tǒng)的混合分割方法，能夠自動地從腦部3D MR圖像中提取出整個腦室系統(tǒng)。該方法由以下兩個算法串聯(lián)構成：（1）基于多約束和動態(tài)先驗馬兒可夫隨機場模型（MRF）和最大期望（EM）優(yōu)化的三維自動分割算法（MCDPMRF-EM算法），MCDPMRF-EM算法將3D圖像分割成5種組

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

15、類型；后一個算法利用前一個算法的結果來進一步分割出整個腦室系統(tǒng)；兩個算法之間通過形態(tài)學方法來聯(lián)系。兩個串聯(lián)算法均在MR圖像的三維空間中進行分割，利用三維空間的參數(shù)偏場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和圖論網(wǎng)絡流中最大流-最小切優(yōu)化分割算法的解偏小的特點，來實現(xiàn)各腦室不同部分的種子像素點提取和帶硬約束的最大流-最小切優(yōu)化方法的腦室自動分割。本混合方法不需要對MR圖像進行去噪，偏場校正等預處理，就能獲得與解剖學知識一