腦核磁共振圖像分割技術(shù)研究.pdf

1、核磁共振成像(Magnetic Resonance Imaging，MRI)技術(shù)已經(jīng)成為腦疾病臨床診斷的重要輔助手段。準(zhǔn)確地分割腦MR圖像對腦部解剖、腦疾病諸如阿爾茨海默氏病、帕金森氏病以及精神分裂癥的分析與研究等具有重要的指導(dǎo)意義。然而在實際應(yīng)用中，由于射頻場的不均勻性等因素，導(dǎo)致腦MR圖像的灰度均勻性變差，其表現(xiàn)為同一組織的像素灰度沿空間呈緩慢平滑的變化，直接導(dǎo)致傳統(tǒng)的基于全局灰度值的分割模型分割失?。黄浯?，腦MR圖像成像過程中由于

2、受儀器設(shè)備等物理原因影響，使得圖像中經(jīng)常含有噪聲，影響分割精度。除此之外，圖像中存在Partial Volume(PV)效應(yīng)，即各個軟組織之間邊界比較模糊，不明確和不連續(xù)。這些都給腦MR圖像的準(zhǔn)確分割造成了很大困難。和成人腦MR圖像相比，新生兒腦MR圖像分辨率更低，PV效應(yīng)更加顯著；由于新生兒的大腦處在迅速發(fā)育中，導(dǎo)致圖像中的灰度不均勻性的成因更加復(fù)雜；白質(zhì)/灰質(zhì)對比度的逆轉(zhuǎn)，使得處在腦脊液和灰質(zhì)交界處的像素具有和白質(zhì)相似的灰度，使得分

3、割更加困難。所有這些使得腦MR圖像的分割仍然是一個充滿挑戰(zhàn)的課題。大部分腦MR圖像分割方法是基于單個像素的，是離散的，容易受到初始化的影響。為此，本文對成人腦MR圖像和新生兒腦MR圖像分割進(jìn)行了深入研究，首先采用連續(xù)的方法，提出了一些基于活動輪廓的分割模型來克服腦MR圖像中存在的灰度不均勻性；然后，進(jìn)一步將這些分割模型統(tǒng)一到一個凸優(yōu)化框架中，同時分割腦MR圖像和估計偏移場，特別地，由于采用了凸優(yōu)化技術(shù)，可以很好地克服初始化的影響；最后我

4、們進(jìn)一步將該凸優(yōu)化框架模型和活動輪廓模型應(yīng)用到新生兒腦MR圖像分割中，取得了較好的效果。所做的主要工作和研究成果如下：
　　 (1)為了克服灰度不均勻性，提出了一種基于圖像局部均值的分割模型。利用多相位水平集方式來擬合局部灰度，并采用一種簡單而有效的初始化方法，達(dá)到更快更準(zhǔn)地分割腦MR圖像。由于采用了多相位水平集方法，該模型可以同時得到白質(zhì)、灰質(zhì)和腦脊液。另外水平集方法很好地保證了分割結(jié)果的光滑性，可以得到光滑的邊界/曲面。

5、r>　　 (2)為了克服對初始化的敏感性，提出了一種基于局部均值和全局均值的活動輪廓模型。該模型分別定義了一個局部擬合力和全局?jǐn)M合力。其中，局部擬合力用于驅(qū)動曲線向目標(biāo)靠近并在目標(biāo)邊界處停止，全局?jǐn)M合力用于驅(qū)動遠(yuǎn)離目標(biāo)邊界的曲線向目標(biāo)靠攏。在這兩個擬合力的作用下，該模型對初始曲線較不敏感同時克服腦MR圖像中存在的灰度不均勻性。
　　 (3)提出了一種基于局部高斯概率的活動輪廓分割模型。通過分析每個像素鄰域的灰度分布，利用窗口函

6、數(shù)定義了一個局部高斯擬合能量。局部高斯概率中的兩個參數(shù)，局部均值和局部方差是隨著空間變化而變化的，因此本文方法可以很好地克服腦圖像中存在的灰度不均勻性。值得一提的是，本文方法的局部均值和局部方差不再是顯式定義的，而是可以通過變分法原理嚴(yán)格推導(dǎo)出來的。3T和7T的腦MR圖像分割實驗證明本文方法不僅可以有效地克服灰度不均勻性，還可以克服低對比度。
　　 (4)提出了一種新穎的基于凸優(yōu)化的腦MR圖像分割模型，同時進(jìn)行圖像分割和估計偏移

7、場，因此可以克服灰度不均勻性的影響。特別地，由于該模型關(guān)于圖像分割變量是凸的，因此對初始化具有很強(qiáng)的魯棒性。另外該模型也可以克服噪聲的影響。和傳統(tǒng)的基于梯度下降法求解相比，我們采用Split Bregman方法對該模型進(jìn)行快速求解，使得對一幅2D的圖像處理時間一般不超過1秒，3D的數(shù)據(jù)處理時間一般不超過100秒。大量的二維和三維實驗證明本文方法無論在時間效率上還是準(zhǔn)確度上都取得了滿意的結(jié)果。而且，我們還進(jìn)一步給出一個基于凸優(yōu)化的腦MR圖

8、像分割框架模型，該框架綜合利用了圖像的局部統(tǒng)計信息。比較實驗也證明了本文提出的框架模型是有效的。
　　 (5)提出基于凸優(yōu)化和耦合水平集方法的新生兒腦MR圖像分割框架。耦合水平集方法綜合利用了圖像的局部灰度統(tǒng)計信息、基于Atlas的先驗信息、大腦皮層的厚度信息。為了克服初始化對分割結(jié)果的影響，我們采用凸模型進(jìn)行分割，然后進(jìn)行必要的校正，從而為耦合水平集方法提供一個可靠的初始化。該新生兒腦MR圖像分割框架已經(jīng)在10個新生兒數(shù)據(jù)上取