基于三維格子玻爾茲曼模型的海馬結(jié)構(gòu)MRI快速分割

林笑曼，嚴(yán)壯志,2，蔣皆恢，溫軍玲

1.上海大學(xué)通信與信息工程學(xué)院，上海200072 2. 上海大學(xué)生物醫(yī)學(xué)工程研究所，上海200072

基于三維格子玻爾茲曼模型的海馬結(jié)構(gòu)MRI快速分割

林笑曼1，嚴(yán)壯志1,2，蔣皆恢1，溫軍玲1

1.上海大學(xué)通信與信息工程學(xué)院，上海200072 2. 上海大學(xué)生物醫(yī)學(xué)工程研究所，上海200072

目的快速準(zhǔn)確地分割腦部MR圖像的海馬結(jié)構(gòu)對早期診斷阿爾茲海默氏癥(Alzheimer's disease，AD)具有重要價值。該文提出了一種快速和準(zhǔn)確分割MRI三維海馬結(jié)構(gòu)的方法。該方法基于格子玻爾茲曼(Lattice Boltzmann, LB)模型，利用腦部MR圖像的邊緣信息和區(qū)域信息建立一個三維分割模型(3D-LB)，直接在三維空間中通過碰撞和遷移過程提取海馬結(jié)構(gòu)。為驗證3D-LB分割模型的精度和效率，該文對30組海馬結(jié)構(gòu)的測試圖像進行分割實驗，并與三維CV模型進行比較。實驗結(jié)果顯示，基于3D-LB模型的分割方法能有效地分割海馬結(jié)構(gòu)的測試圖像，且相較于三維CV模型，精度更高，所耗時間更少，表明LB方法適用于三維海馬結(jié)構(gòu)的快速和精確分割。

海馬結(jié)構(gòu)；三維格子玻爾茲曼(3D-LB)模型；阿爾茲海默氏癥

0 引言

在老齡化急速發(fā)展的當(dāng)前，阿爾茲海默氏癥(Alzheimer's disease，簡稱AD)已經(jīng)成為不容忽視的社會公共健康問題之一。大量AD患者的出現(xiàn)給患者家庭帶來巨大的經(jīng)濟與精神壓力。由于AD是一種不可逆疾病，早期診斷AD并及時采取有效措施延緩疾病進程是治療AD的唯一方法[1]。目前，臨床上通過對患者進行簡單精神量表測驗，腦脊液檢測，神經(jīng)影像學(xué)檢查(包括CT、MR圖像)等技術(shù)診斷是否患有阿爾茲海默氏癥。其中，利用MR圖像技術(shù)檢測大腦中海馬結(jié)構(gòu)的萎縮程度是臨床上判定AD的最常用診斷方法之一[2]。通過圖像處理技術(shù)實現(xiàn)MR圖像中海馬區(qū)的精確分割，近年來成為了生物醫(yī)學(xué)工程領(lǐng)域的研究課題之一。

近幾年，學(xué)者們提出了多種針對海馬結(jié)構(gòu)MR圖像的分割方法。一種是基于圖譜的分割。文獻[3]利用已標(biāo)記號的圖譜結(jié)構(gòu)和待配準(zhǔn)圖像進行空間配準(zhǔn)得到分割結(jié)果。文獻[4]利用從手工標(biāo)記的訓(xùn)練集得到的概率空間信息結(jié)合馬爾可夫隨機場模型判斷海馬結(jié)構(gòu)。文獻[5-8]提出了多圖譜分割，利用不同的樣本集訓(xùn)練圖譜，并采用仿射法、基于樣條的非線性配準(zhǔn)和ANIMAL配準(zhǔn)的方法對圖像進行配準(zhǔn)，提高了分割精度。但是這些算法性能過分依賴于模板的選擇和配準(zhǔn)的精度，且運算量很大、很耗時。另外一種是基于形變模型的分割方法。文獻[9]應(yīng)用主動輪廓模型，實現(xiàn)了海馬結(jié)構(gòu)的分割。算法的最大弱點往往在海馬結(jié)構(gòu)的頭部產(chǎn)生假邊界，把部分杏仁體分割為海馬結(jié)構(gòu)頭部的一部分。文獻[10]提出用形變模型來定位海馬結(jié)構(gòu)，這個形變模型提供了粗略定位海馬的邊界和正常海馬結(jié)構(gòu)的統(tǒng)計特征，在邊界不清晰處人工標(biāo)記邊界點引導(dǎo)模型進行分割。文獻[11]中都提及了結(jié)合統(tǒng)計灰度信息和水平集方法進行分割。文獻[12]將水平集模型和活動表觀模型相結(jié)合來提高分割精度。

綜上所述，這些方法雖然不同程度的提高了海馬區(qū)分割精度，但依然存在漏分割，比較耗時等問題。尤其是由于現(xiàn)有方法效率低下，無法實時地提供臨床醫(yī)生分割結(jié)果。因此這些方法并沒有很好地被融入到MR圖像工作站中去，高效率的海馬分割目前仍然是AD臨床重要的需求之一。針對這一問題，本文利用格子玻爾茲曼(Lattice Boltzmann, LB)方法來改進現(xiàn)有的形變模型從而實現(xiàn)分割人腦MR圖像中的海馬結(jié)構(gòu)。

1 三維圖像分割LB模型及算法

1.1三維LB模型

LB方法是國際上近十幾年來發(fā)展起來的一種系統(tǒng)建模和模擬方法。由于其計算簡單高效，固有的并行性等特點，目前已被廣泛地運用于二維的圖像處理領(lǐng)域[13-15]。我們利用LB方法的可擴展性構(gòu)建了LB的三維模型，充分利用三維數(shù)據(jù)的空間信息實現(xiàn)精準(zhǔn)快速地三維海馬結(jié)構(gòu)分割。本文構(gòu)建的三維LB圖像分割模型，簡稱為3D-LB模型，其對應(yīng)的空間結(jié)構(gòu)如圖1所示。3D-LB模型是三維空間中離散的網(wǎng)格模型，將三維圖像中的每個體素點都看作是網(wǎng)格上的節(jié)點，每個節(jié)點上的粒子(體素值)都可以朝6個鄰近節(jié)點移動或保持在原位置(0位置處)。LB模型的演化過程可分兩步：遷移過程和碰撞過程。遷移過程是粒子沿矢量方向從節(jié)點移動到相鄰節(jié)點，而碰撞過程是各矢量方向上的粒子密度重分配[16]。

圖1 3D-LB模型Fig.1 3D-LB Model

3D-LB模型對應(yīng)的帶外力項的LB演化方程為：

fα(r+eα·Δt,t+Δt)-fα(r,t)

(1)

對于3D-LB模型來說，本文設(shè)定各個矢量方向的速度eα為：

(2)

3D-LB模型的平衡分布函數(shù)可以表示為：

(3)

采用Chapman-Enskog多尺度展開，對式(1)的兩邊進行泰勒展開，由質(zhì)量守恒和動量守恒定理，經(jīng)推導(dǎo)可以得到3D-LB模型所對應(yīng)擴散方程為：

(4)

其中，F(xiàn)為外力項，D為擴散張量。

(5)

為了使3D-LB模型更適用于MR圖像的特點，即分辨率低、噪聲大，且特性差異性大，本文將圖像的邊緣信息嵌入到3D-LB模型的擴散項中，控制模型的擴散速度，即D為梯度相關(guān)的函數(shù)，并設(shè)計嵌入圖像的區(qū)域信息的外力項約束3D-LB模型的演化，模擬曲面演化分割。

因此，3D-LB模型的宏觀方程式(4)改寫為：

(6)

其中，I表示輸入的三維圖像數(shù)據(jù)，I為三維圖像的梯度，而D=g(|I|)是與梯度相關(guān)的邊緣截止函數(shù)，采用g(|I|)=。Gaussian函數(shù)(Gσ)是方差為σ的高斯核，為了減少噪聲對計算的影響，對圖像進行濾波，實驗中設(shè)定σ=1。式(6)中Iout和Iin表示圖像被閉合演化曲面劃分的外部和內(nèi)部區(qū)域的平均灰度值。φ表示為節(jié)點到曲面間的距離函數(shù)，α,λ1,λ2為預(yù)設(shè)的權(quán)重。

1.2算法

基于前述的3D-LB模型，本文提出了一種三維圖像分割算法，算法流程圖見圖2。

步驟1 初始化距離函數(shù)φ，設(shè)置初始的演化曲面為球面：

(7)

圖2 LB方法的分割流程圖Fig.2 Flowchart of LB method

步驟3 計算邊緣函數(shù)g(|I|)和外力項

F=λ1(I-Iin)2+λ2(I-Iout)2，為了避免重新初始化且使|φ|=1，引入正則化Heaveside函數(shù)[17]，

步驟4 根據(jù)式(1)執(zhí)行碰撞遷移過程，更新各個節(jié)點的值，從而更新距離函數(shù)的值

步驟5 若演化曲面收斂于目標(biāo)區(qū)域，輸出該曲面。否則，返回4，繼續(xù)執(zhí)行。

2 驗證實驗

2.1方法

為了驗證上述LB模型是否可以快速有效地分割三維海馬結(jié)構(gòu)，本文將3D-LB模型與形變模型中的三維CV模型(變分法實現(xiàn))[18]進行了比較。通過水平集方法實現(xiàn)的三維CV模型是典型的形變模型，利用圖像的區(qū)域信息和活動曲面信息實現(xiàn)三維圖像分割，在醫(yī)學(xué)圖像上廣泛的應(yīng)用。本文實驗平臺為Intel Xeon W3550 3.0GHz處理器、8G內(nèi)存、實驗軟件為MATLAB。

為了使實驗具有統(tǒng)計學(xué)意義，本文選取了30組數(shù)據(jù)進行實驗。實驗數(shù)據(jù)都來自于ADNI(Alzheimer's Disease Neuroimaging Initiative, ADNI)數(shù)據(jù)庫(http://adni.loni.usc.edu/)。該數(shù)據(jù)庫中采集了400例輕度認(rèn)知障礙患者(MCI)，200例早期AD患者和200名正常老人志愿者的數(shù)據(jù)，并提供專家分割的海馬結(jié)構(gòu)作為金標(biāo)準(zhǔn)。由于MCI和AD的海馬結(jié)構(gòu)出現(xiàn)了不同程度的萎縮，因此使得邊界比正常人的海馬結(jié)構(gòu)要更加復(fù)雜，因此本文從ADNI數(shù)據(jù)庫中的AD組、MCI組以及正常人組各取了10例，且每個數(shù)據(jù)都有海馬結(jié)構(gòu)的金標(biāo)準(zhǔn)。具體實驗步驟包括：

(1) 本文提取30組數(shù)據(jù)的三維海馬結(jié)構(gòu)的金標(biāo)準(zhǔn)，并將其海馬結(jié)構(gòu)和背景的像素值設(shè)置為40和0，構(gòu)成樣本數(shù)據(jù)，這30組數(shù)據(jù)的大小皆為166×256×30像素。

(2) 由于磁共振圖像的噪聲呈Rician分布[19]，本文在30組樣本數(shù)據(jù)中加入5dB的Rician噪聲合成帶噪聲的測試數(shù)據(jù)。在本實驗中，我們假設(shè)真實圖像中的海馬區(qū)周圍的信息均為噪聲。

(3) 針對測試數(shù)據(jù)，分別用CV方法和LB方法進行分割實驗。其中對LB和CV方法設(shè)置相同的和初始條件：迭代時間步長為Δt=0.1，參數(shù)為：α=1,λ1=λ2=1 。不限迭代次數(shù)，使兩種方法的形變曲面迭代至穩(wěn)定狀態(tài)。

(4) 針對分割結(jié)果進行評估實驗。

2.2評估

算法的評估包括對分割準(zhǔn)確性和時間效率的評估。其中分割準(zhǔn)確性的指標(biāo)為Dice系數(shù)[20]和對稱的絕對平均表面距離[21](Symmetric mean absolute surface distance, SMASD)。時間效率的評估指標(biāo)為兩種方法迭代停止所需的時間及迭代次數(shù)。

Dice系數(shù)是測量分割結(jié)果與金標(biāo)準(zhǔn)的重疊率，其計算公式為：

(9)

其中，S為自動分割結(jié)果，T是人工分割結(jié)果。當(dāng)Dice值為1時，S和T完全匹配，分割結(jié)果最佳；當(dāng)Dice值為0時，S和T完全不重疊。

SMASD是評估分割結(jié)果表面和金標(biāo)準(zhǔn)的表面的差異性，反映了分割結(jié)果和金標(biāo)準(zhǔn)曲面之間的平均距離差異。計算公式為：

(9)

2.3實驗結(jié)果

本文提出的基于3D-LB模型的海馬結(jié)構(gòu)分割方法在30組不同的數(shù)據(jù)上進行了驗證。圖3為3D-LB模型的演化分割過程，其中(a)是初始輪廓，(b)是迭代1次的結(jié)果，(c)是迭代5次的結(jié)果，(d)是迭代10次的結(jié)果，(e)是迭代15次的結(jié)果，(f)是迭代停止的最終結(jié)果。圖中，3D-LB模型只需經(jīng)過15次迭代就能分割出海馬結(jié)構(gòu)的基本輪廓，再經(jīng)過5次迭代演化捕捉海馬結(jié)構(gòu)的細(xì)節(jié)信息，得到最終結(jié)果。對分割結(jié)果進行二維切面顯示，如圖4所示，(a)是橫截面，(b)是冠狀面，(c)是矢狀面?？梢钥闯?D-LB模型已經(jīng)完全收斂在海馬結(jié)構(gòu)的邊緣。由此表明3D-LB模型可以在噪聲中準(zhǔn)確地分割三維海馬結(jié)構(gòu)。

將圖3中的最終結(jié)果顯示在原始的腦部MR圖像上，如圖5。其中綠色標(biāo)記區(qū)域就是3D-LB模型分得的海馬區(qū)，(a)是三維結(jié)構(gòu)圖，(b)是橫截面上的結(jié)果，(c)是冠狀面的結(jié)果，(d)是矢狀面的結(jié)果。

圖3 3D-LB模型演化分割過程Fig.3 Results of 3D-LB model for synthetic hippocampus data.The evolution process from initial surface to the final surface is shown.

圖4 3D-LB模型分割測試圖像的結(jié)果Fig.4 Result of synthetic hippocampus segmentation based on 3D-LB model

圖5 3D-LB模型分割結(jié)果在腦部MR圖像上的顯示白綠色標(biāo)記區(qū)域為海馬結(jié)構(gòu)Fig.5 Segmentation results for hippocampus data on original MR images. The region in white is hippocampus.

為了評估算法的精度，對選取的30組數(shù)據(jù)都用LB和CV兩種方法分別進行迭代，直至取得最大Dice系數(shù)時停止，計算其最大的精度時的評價指標(biāo)，對三組實驗數(shù)據(jù)結(jié)果求均值及方差，并記錄到表1。HC表示正常人，MCI表示輕度認(rèn)知障礙者，AD表示阿茲海默病患者。

表1記錄了LB方法和CV方法在HC、MCI、AD三組數(shù)據(jù)中的平均Dice系數(shù)和平均SMASD值。在相同的數(shù)據(jù)組里，LB方法和CV方法相比，Dice系數(shù)值要高于CV方法，表明相較于CV方法，LB方法得到的分割結(jié)果與金標(biāo)準(zhǔn)重疊率更高。LB方法的SMASD值要小于CV方法的值，表明LB方法得到的三維分割結(jié)果和真實三維輪廓之間的差異小。此外，LB方法的方差比CV方法的方差要小，說明LB方法的評價值波動幅度比CV方法小，顯得更加穩(wěn)定。對于不同數(shù)據(jù)組，由于從正常人到阿茲海默癥患者的三組數(shù)據(jù)，海馬結(jié)構(gòu)逐漸萎縮，體積和形態(tài)都發(fā)生了變化，使得圖像邊界變得更加復(fù)雜，AD組數(shù)據(jù)的Dice系數(shù)值和SMASD值有所下降，但是LB方法比CV方法變化幅度小。根據(jù)對表1的數(shù)據(jù)分析表明，基于3D-LB模型的分割方法在精度上要優(yōu)于三維CV模型，且對數(shù)據(jù)的敏感度低，適用于邊界復(fù)雜的圖像。

為了評估迭代時間效率，我們首先用LB和CV兩種方法對測試數(shù)據(jù)分別迭代100次，記錄兩種方法每次迭代的Dice系數(shù)，結(jié)果如圖6所示。圖6反映Dice系數(shù)隨演化的變化情況，即演化曲面離真實曲面的差異變化，圖中紅線表示LB方法，藍線表示CV方法，橫軸表示迭代次數(shù)，縱軸表示Dice系數(shù)值。(a)是兩種方法在正常組數(shù)據(jù)上的實驗結(jié)果；(b)是兩種方法在MCI組數(shù)據(jù)上的實驗結(jié)果；(c)是兩種方法在AD組數(shù)據(jù)上的實驗結(jié)果。由圖6可見，LB方法在三組數(shù)據(jù)中經(jīng)過少于20次迭代次數(shù)下就能快速的分割出海馬結(jié)構(gòu)，而CV方法在三組數(shù)據(jù)中經(jīng)過100次迭代，重疊率仍小于0.1，不能分割出海馬結(jié)構(gòu)。此外，LB方法在三組數(shù)據(jù)中的迭代次數(shù)呈遞增關(guān)系，這是由于AD組的海馬結(jié)構(gòu)萎縮，體積和形態(tài)都發(fā)生了變化，使得圖像邊界比正常組的海馬結(jié)構(gòu)邊界要復(fù)雜，數(shù)據(jù)的復(fù)雜性增加了處理時間，但迭代次數(shù)都在20次附近波動，因此相差無異。從圖中可以看出，經(jīng)過100次迭代之后，LB方法在迭代20次左右Dice值就達到了最高值，并穩(wěn)定在0.99以上。而CV方法仍在緩慢地演化著，Dice值遠(yuǎn)小于LB方法。

表1 LB和CV方法的質(zhì)量評價對比Tab.1 Performance analysis results between LB and CV

圖 6 LB方法和CV方法迭代100次的演化過程Fig.6 Evolution results of LB and CV after 100 iterations

此外，本文對選取的30組數(shù)據(jù)都用LB和CV兩種方法分別進行迭代，直至取得穩(wěn)定在最大Dice系數(shù)時所需時間，記錄其對應(yīng)的時間及迭代次數(shù)，并計算三組數(shù)據(jù)中10個數(shù)據(jù)的平均分割時間及平均迭代次數(shù)，如表2所示。

表2給出了兩種方法分別分割三組數(shù)據(jù)的海馬結(jié)構(gòu)所需的平均時間和平均迭代次數(shù)。對于同一組數(shù)據(jù)來說，LB方法和CV方法達到Dice系數(shù)最大時，LB方法所需的分割時間遠(yuǎn)遠(yuǎn)小于CV方法迭代所用時間，如3D-LB模型分割正常組的海馬結(jié)構(gòu)只需10 s左右，而CV模型所需時間是LB方法的32倍。同樣，在MCI組CV方法所耗時間比LB方法所耗時間的多了400多 s；在AD組中，CV方法所耗時間也是LB方法所耗時間的40倍。所以，LB方法的時間效率明顯高于CV方法。此外，根據(jù)表中迭代時間的方差可以看出，對于同組里面各個數(shù)據(jù)所需時間，LB方法在3 s內(nèi)變化，而CV方法在90 s之內(nèi)變化，所以LB方法對數(shù)據(jù)的敏感度低，對數(shù)據(jù)變化的影響小。比較兩種方法在不同數(shù)據(jù)組中的時間效率，LB方法在三組數(shù)據(jù)中的所耗時間相近，只相差2 s，而CV方法在三組數(shù)據(jù)中所耗時間相差200 s。因此，根據(jù)對表2的數(shù)據(jù)分析可以看出，基于3D-LB模型分割合成的海馬結(jié)構(gòu)在時間效率上要明顯優(yōu)于基于CV模型的分割方法。

表2 3D-LB和CV方法的時間效率對比Tab.2 Time efficiency results between LB and CV

3 討論

實驗結(jié)果表明，本文提出的基于3D-LB模型能實現(xiàn)三維圖像的分割，且能適用于海馬結(jié)構(gòu)的分割。與三維CV模型比較，在分割的時間效率方面，3D-LB模型具有明顯優(yōu)勢。比如分割A(yù)D組的一組數(shù)據(jù)，CV方法需要950次迭代，而LB方法僅僅只需要12次迭代。

LB方法之所以相較于CV方法會快，是因為和三維CV模型相比較，3D-LB模型本身固有的并行特點，即微觀模型上，圖像上的每個體素點與周圍的鄰近點同時進行碰撞和遷移過程就是模擬曲率的變化。LB方法特有的松弛因子能夠控制曲率的變化，根據(jù)設(shè)計合適的松弛因子，避免了對三維圖像進行曲率計算，節(jié)省了運行時間。而三維CV模型是逐個對體素點進行計算。此外，三維CV模型是通過計算差分方程，利用迭代法不斷更新水平集函數(shù)，提取更新后的水平集函數(shù)的零水平集從而得到更新后的輪廓，這需要數(shù)值的穩(wěn)定性非常高，而且每一次迭代過程都需要對所有圖像數(shù)據(jù)進行計算，對于三維龐大的數(shù)據(jù)來講，是十分耗時的。另一方面，基于3D-LB模型的分割方法充分利用了三維圖像空間上的信息特征，將嵌入邊緣信息作為擴散項，利用區(qū)域信息作為外力項，優(yōu)化了傳統(tǒng)的LB模型，既提高了分割精度又加速了演化過程。此外，基于3D-LB模型的算法由于其代碼簡單且采用了大步長，只需幾次迭代演化就能迅速收斂，提高了分割速度。

本文利用LB方法的可拓展性，成功地將LB方法應(yīng)用到三維圖像的分割中。本文構(gòu)建的三維分割模型-3D-LB模型，在三維海馬結(jié)構(gòu)測試數(shù)據(jù)中得到驗證，能實現(xiàn)三維圖像分割，且算法性能優(yōu)于三維CV模型。目前，3D-LB模型只在測試數(shù)據(jù)中驗證了算法的可行性，尚未實現(xiàn)真實的海馬結(jié)構(gòu)分割。因此在接下來的工作中，會將本文提出的方法應(yīng)用到真實的MR圖像海馬結(jié)構(gòu)分割。

4 結(jié)語

實現(xiàn)快速精確地腦部MR圖像中的海馬結(jié)構(gòu)分割對判定阿爾茲海默氏癥具有重要的臨床意義?，F(xiàn)有的海馬分割方法存在，精度不夠高，比較耗時等問題，學(xué)者們致力于研究一種精度高又快速分割的方法。本文通過引入LB的三維分割模型(3D-LB模型)來分割三維海馬結(jié)構(gòu)圖像。該方法利用三維圖像的區(qū)域信息和邊緣信息，使得活動曲面有效地沿著海馬結(jié)構(gòu)的邊界進行演化，從而在三維中得到海馬結(jié)構(gòu)的輪廓，避免對二維分割結(jié)果再進行三維重建，減少時間冗余。通過與CV方法實驗比較，表明LB方法能夠有效地分割合成的海馬圖像，且大大的提高了傳統(tǒng)分割方法的計算效率，而且在Dice值、SMASD值等評價指標(biāo)上，該方法均優(yōu)于CV方法。因此，3D-LB模型為MR圖像海馬區(qū)分割提供了一種有效的分割方法，有望在MRI海馬結(jié)構(gòu)的三維分割和測量上得到應(yīng)用。

[1] Husain M M, Garrett R K. Clinical diagnosis and management of Alzheimer's disease[J]. Neuroimaging Clinics of North America, 2005, 15(4): 767-777.

[2] Dubois B, Feldman H H, Jacova C, et al. Research criteria for the diagnosis of Alzheimer's disease: revising the NINCDS-ADRDA criteria[J]. The Lancet Neurology, 2007, 6(8): 734-746.

[3] Collins D L, Holmes C J, Peters T M, et al. Automatic 3‐D model‐based neuroanatomical segmentation[J]. Human Brain Mapping, 1995, 3(3): 190-208.

[4] Fischl B, Salat D H, Busa E, et al. Whole brain segmentation: automated labeling of neuroanatomical structures in the human brain[J]. Neuron, 2002, 33(3): 341-355.

[5] Heckemann R A, Hajnal J V, Aljabar P, et al. Automatic anatomical brain MRI segmentation combining label propagation and decision fusion[J]. Neuroimage, 2006, 33(1): 115-126.

[6] Babalola K O, Patenaude B, Aljabar P, et al. Comparison and evaluation of segmentation techniques for subcortical structures in brain MRI[M].Medical Image Computing and Computer-Assisted Intervention-MICCAI 2008. Springer Berlin Heidelberg, 2008: 409-416.

[7] Aljabar P, Heckemann R A, Hammers A, et al. Multi-atlas based segmentation of brain images: atlas selection and its effect on accuracy[J]. Neuroimage, 2009, 46(3): 726-738.

[8] Collins D L, Pruessner J C. Towards accurate, automatic segmentation of the hippocampus and amygdala from MRI by augmenting ANIMAL with a template library and label fusion[J]. Neuroimage, 2010, 52(4): 1355-1366.

[9] Ashton E A, Berg M J, Parker K J, et al. Segmentation and feature extraction techniques, with applications to MRI head studies[J]. Magnetic resonance in medicine, 1995, 33(5): 670-677.

[10] Shen D, Moffat S, Resnick S M, et al. Measuring size and shape of the hippocampus in MR images using a deformable shape model[J]. Neuroimage, 2002, 15(2): 422-434.

[11] Yang J, Duncan J S. 3D image segmentation of deformable objects with joint shape-intensity prior models using level sets[J]. Medical Image Analysis, 2004, 8(3): 285-294.

[12] Hu S, Coupé P, Pruessner J C, et al. Appearance-based modeling for segmentation of hippocampus and amygdala using multi-contrast MR imaging[J]. Neuroimage, 2011, 58(2): 549-559.

[13] Wang Z Q, Yan Z Z, Chen G. Lattice Boltzmann method of active contour for image segmentation[C].Image and Graphics (ICIG), 2011 Sixth International Conference on. IEEE, 2011: 338-343.

[14] Balla-Arabe S, Wang B, Gao X. Level set region based image segmentation using lattice Boltzmann method[C].Computational Intelligence and Security (CIS), 2011 Seventh International Conference on. IEEE, 2011: 1159-1163.

[15] Wen J, Yan Z, Jiang J. Novel lattice Boltzmann method based on integrated edge and region information for medical image segmentation[J]. Bio-medical materials and engineering, 2014, 24(1): 1247-1252.

[16] Chen Y, Navarro L, Wang Y, et al. Segmentation of the thrombus of giant intracranial aneurysms from CT angiography scans with lattice Boltzmann method[J]. Medical image analysis, 2014, 18(1): 1-8.

[17] Li C, Xu C, Gui C, et al. Level set evolution without re-initialization: a new variational formulation[C] .Computer Vision and Pattern Recognition, 2005. CVPR 2005. 2005, 1: 430-436.

[18] Chan T F, Vese L A. Active contours without edges[J]. Image Processing, IEEE Transactions on, 2001, 10(2): 266-277.

[19] Coupé P, Manjón J V, Gedamu E, et al. Robust Rician noise estimation for MR images[J]. Medical image analysis, 2010, 14(4): 483-493.

[20] Babalola K O, Patenaude B, Aljabar P, et al. An evaluation of four automatic methods of segmenting the subcortical structures in the brain[J]. Neuroimage, 2009, 47(4): 1435-1447.

FastSegmentationofHippocampusinMRIBasedon3-DLatticeBoltzmannModel

Lin Xiaoman1, Yan Zhuangzhi1,2, Jiang Jiehui1, Wen Junling1

1. School of Communication and Information Engineering, Shanghai University(Shanghai,200072,) 2. Institute of Biomedical Engineering, Shanghai University(Shanghai,200072)

Fast and accurate segmentation of hippocampus in brain MRI is significantly helpful for radiologists to diagnose Alzheimer's disease (AD) in early stage. This paper proposes a novel Lattice Boltzmann (LB) method to realize the segmentation. This method uses the edge and regional information of hippocampus, establishes a three-dimension LB model and realizes segmentation through the acting process of particles' collision and transform. Comparison experiments were carried out to test the accuracy and efficiency of the novel LB method. The novel LB method was compared to the CV method in 30 composite volume hippocampus MR images. The results showed that the novel LB method could achieve better performance and higher computation efficiency. Hence the feasibility of the novel LB method for segmentation of hippocampus images was proven.

Hippocampus, 3-D Lattice Boltzmann (3D-LB) Model, Alzheimer's disease

10.3969/j.issn.1674-1242.2014.01.001

國家自然科學(xué)基金(No. 61171146)資助項目

林笑曼，E-mail:xiaoman0577@gmail.com

嚴(yán)壯志，教授，博導(dǎo)，E-mail:zzyan@staff.shu.edu.cn

R445.9

A

1674-1242(2014)01-0001-07

2014-01-23)