3D-4D MR圖像的腦組織及多發(fā)性硬化損傷區(qū)域的分割方法.pdf

1、核磁共振成像技術(shù)因其非介入性、非損傷性以及很少受目標(biāo)運動影響等特點，已受到醫(yī)學(xué)影像醫(yī)生以及研究人員的廣泛關(guān)注，是臨床研究和病理分析的重要技術(shù)手段。腦核磁共振圖像分割可以為研究腦組織以及病變結(jié)構(gòu)提供有效地形狀和統(tǒng)計信息，不但為腦疾病的量化診斷提供幫助，而且利用縱向神經(jīng)影像（即4D神經(jīng)影像）可以動態(tài)量化分析腦組織動態(tài)變化以及病灶的病變過程，為腦部疾病預(yù)測、病灶變化研究、治療和恢復(fù)效果判斷等具有重要意義。由于借助專家的手工和交互式分割費時、昂

2、貴和受到主觀因素的影響，自動分割和定量分析方法成為核磁共振圖像處理的關(guān)鍵。然而腦核磁共振圖像受噪聲、偏移場以及部分容積效應(yīng)的影響，傳統(tǒng)的分割方法的精度不高，限制了其實際應(yīng)用。而針對4D腦圖像分割，使用3D的分割方法分別對4D數(shù)據(jù)中每個時間點的圖像單獨分割，沒有充分利用4D腦圖像在時間維統(tǒng)計相關(guān)性，有必要研究時間信息先驗驅(qū)動的快速精準(zhǔn)分割算法。
　　針對上述關(guān)鍵學(xué)術(shù)問題，本文以腦萎縮和多發(fā)性硬化損傷的核磁共振圖像分析為應(yīng)用背景，以3

3、D和4D腦核磁共振圖像的腦組織和多發(fā)性硬化損傷區(qū)域的自動分割方法為研究主線，所取得的研究成果為:
　　(1)為了克服腦核磁共振圖像中的灰度分布不均勻性，提出基于互信息的腦核磁共振圖像分割與偏移場矯正模型及快速算法。通過定義基于互信息的腦組織隸屬度表征度量，將偏移場建模為一組多項式基函數(shù)的線性組合，并將其融入高斯概率密度函數(shù)，提出基于互信息的腦核磁共振圖像的分割與偏移場矯正的變分模型。論文給出了利用分裂Bregman算法快速求解隸屬

4、度函數(shù)的快速分割與偏移場矯正算法。實驗表明該方法可以準(zhǔn)確高效地得到腦白質(zhì)，灰質(zhì)以及腦脊液，優(yōu)于目前比較流行的幾種腦組織分割與偏移場矯正的方法。
　　(2)由于成像時間、成像設(shè)備以及成像參數(shù)不同，以及腦組織在時間上的變化，使得4D腦組織的分割非常困難。利用時空信息構(gòu)造各向異性的時空約束項，結(jié)合帶偏移場信息的構(gòu)造數(shù)據(jù)擬合項，提出了一種時空信息驅(qū)動的4D腦組織分割最優(yōu)化模型及其數(shù)值求解算法。該模型綜合了每個時間點的灰度信息、空間以及時間

5、的變化信息，可以非常魯棒的分割4D腦組織，較好的體現(xiàn)每個時間點的圖像個性以及腦組織緩慢變化的共性特征。在仿真數(shù)據(jù)以及OASIS的真實數(shù)據(jù)上的驗證表明本文方法可以提供符合腦組織緩慢變化特性的4D腦組織的分割結(jié)果。
　　(3)由于核磁共振圖像中多發(fā)性硬化損傷的形狀可變、位置各異、亮度和紋理表現(xiàn)各異，核磁共振圖像灰度分布不均勻、部分容積效應(yīng)、頭骨剝離等系列因素，使得多發(fā)性硬化損傷區(qū)域的分割具有極大的挑戰(zhàn)性?；诙嗄B(tài)影像之間的信息融合提

6、高腦圖像組織與病變結(jié)構(gòu)分割精度是一條有效途徑。在不同模態(tài)(T1，T2和FLAIR)影像中，多發(fā)性硬化損傷的表現(xiàn)形式具有明顯的差異（在FLAIR序列中多發(fā)性硬化損傷區(qū)域呈現(xiàn)高亮度，在T2序列中多發(fā)性硬化損傷區(qū)域的灰度與腦脊液的灰度相近，而在T1序列中其灰度與灰質(zhì)的灰度相近）。本文在FLAIR和T1序列圖像基礎(chǔ)上，提出一種多模態(tài)信息融合的多發(fā)性硬化損傷區(qū)域的水平集分割方法。該方法首先利用異常值檢測以及水平集方法在FLAIR序列中檢測出高亮度

7、區(qū)域的邊緣，再用T1序列圖像提供的空間位置信息去除假陽性結(jié)果。在公開數(shù)據(jù)集以及臨床數(shù)據(jù)集上的測試結(jié)果表明本文方法可以較好地檢測出多發(fā)性硬化損傷區(qū)域的邊界，且能保證非常穩(wěn)定的分割正確率。
　　(4)進(jìn)一步跟蹤不同患者多發(fā)性硬化損傷區(qū)域在不同時期的演變，結(jié)合患者的縱向數(shù)據(jù)(longitudinal data)進(jìn)行4D核磁共振圖像的分割和變化檢測定量分析成為新的研究課題。本文利用3D腦多發(fā)性硬化損傷區(qū)域的分割方法提取出各個時間點的多發(fā)性