圖譜法腦部MRI圖像自動(dòng)分割技術(shù)發(fā)展及應(yīng)用

何小海 梁子飛 唐曉穎 滕奇志

(1.四川大學(xué)電子信息學(xué)院，成都，610065； 2.中山大學(xué)卡內(nèi)基梅隆大學(xué)聯(lián)合工程學(xué)院，廣州，510006； 3.廣東順德中山大學(xué)卡內(nèi)基梅隆大學(xué)國(guó)際聯(lián)合研究院，順德，528300)

?

圖譜法腦部MRI圖像自動(dòng)分割技術(shù)發(fā)展及應(yīng)用

何小海1梁子飛1唐曉穎2,3滕奇志1

(1.四川大學(xué)電子信息學(xué)院，成都，610065； 2.中山大學(xué)卡內(nèi)基梅隆大學(xué)聯(lián)合工程學(xué)院，廣州，510006； 3.廣東順德中山大學(xué)卡內(nèi)基梅隆大學(xué)國(guó)際聯(lián)合研究院，順德，528300)

腦部MRI圖像自動(dòng)分割是計(jì)算機(jī)技術(shù)運(yùn)用于醫(yī)學(xué)上的一個(gè)典型工作，腦部圖像分割技術(shù)對(duì)于人類研究腦部疾病具有重要意義。雖然有一些非常廣泛應(yīng)用的圖像分割方法，如閾值法、區(qū)域增長(zhǎng)法、聚類法等，但在腦部MRI圖像分割中，這些方法都沒(méi)有圖譜法具有更為實(shí)際的醫(yī)學(xué)研究與臨床價(jià)值。本文回顧了腦部圖像配準(zhǔn)、分割的發(fā)展歷程，介紹了圖譜分割算法的發(fā)展及基本原理，以及當(dāng)前比較前沿的多圖譜分割系統(tǒng)的組成和應(yīng)用。最后本文對(duì)圖譜法腦部自動(dòng)分割在實(shí)際臨床醫(yī)學(xué)中的應(yīng)用前景作了總結(jié)和展望。

腦部磁共振圖像；信息處理；圖像分割；微分同胚；腦部圖像配準(zhǔn)

引 言

在人類對(duì)腦部結(jié)構(gòu)認(rèn)識(shí)過(guò)程中已經(jīng)將腦部劃分成很多個(gè)功能區(qū)，各個(gè)區(qū)域?qū)θ说恼Z(yǔ)言、運(yùn)動(dòng)、記憶等起著不同作用。在醫(yī)生或研究者作疾病分析時(shí)，尤其是在腦部疾病研究當(dāng)中，很多時(shí)候需要取出或者獨(dú)立出某個(gè)感興趣區(qū)域(Regions of interest, ROI)去研究其顏色或者體積等特征變化。磁共振成像(Magnetic resonance imaging, MRI)由于其圖像清晰、分辨率高得到醫(yī)學(xué)研究者和醫(yī)生的廣泛認(rèn)可，特別是在醫(yī)學(xué)腦部自動(dòng)分割及其后的體積測(cè)量時(shí)可以得到更高的精確度。

醫(yī)學(xué)圖像分割發(fā)展到全自動(dòng)處理經(jīng)歷了一個(gè)漫長(zhǎng)過(guò)程。初期的醫(yī)學(xué)圖像分割靠醫(yī)學(xué)工作人員手動(dòng)完成，當(dāng)圖像掃描層數(shù)較少時(shí)，手動(dòng)完成可行性較高。但隨著醫(yī)學(xué)成像科技的發(fā)展，掃描層數(shù)大幅上升，人工手動(dòng)分割變得越來(lái)越難以實(shí)現(xiàn)。客觀原因是大多數(shù)情況下，掃描圖像達(dá)到幾十或者上百層，所以人工對(duì)每一層實(shí)現(xiàn)分割的方法幾乎難以實(shí)施；主觀因素是因?yàn)槿说闹R(shí)和判斷力的局限性，由于MRI圖像有對(duì)比度不高、組織邊界模糊等特點(diǎn),使得人眼對(duì)于各個(gè)區(qū)域的邊界判斷比較模糊，因此非常精確的分割需要有多年解剖學(xué)經(jīng)驗(yàn)的專業(yè)醫(yī)學(xué)相關(guān)人員完成。半自動(dòng)分割是結(jié)合人的知識(shí)與計(jì)算機(jī)的快速運(yùn)算的優(yōu)點(diǎn)進(jìn)行圖像分割，但是在這個(gè)過(guò)程中人的經(jīng)驗(yàn)也仍占有主要作用[1]。因此全腦自動(dòng)分割成為當(dāng)下計(jì)算機(jī)技術(shù)領(lǐng)域研究的熱點(diǎn)，只有全自動(dòng)分割才能徹底將人工干預(yù)的主觀判斷誤差消除。

自動(dòng)腦分割的方法較多，簡(jiǎn)單的自動(dòng)分割算法有基于區(qū)域、紋理和直方圖閾值[2-3]的方法，復(fù)雜的有基于先驗(yàn)?zāi)Ｐ汀⒔y(tǒng)計(jì)學(xué)、水平集的方法等[4-7]，近年來(lái)在模糊理論、機(jī)器學(xué)習(xí)和人工智能等技術(shù)的發(fā)展背景下，也有很多基于這些理論的算法出現(xiàn)。例如2009年周顯國(guó)等提出改進(jìn)快速的模糊聚類分割方法，其改進(jìn)方法就是利用圖像直方圖，找到峰值作為模糊聚類的初始化中心[8]；文獻(xiàn)[9]提出的改進(jìn)模糊聚類的分割算法，作者改進(jìn)了原有的模糊均值聚類算法，利用粒子群算法選擇初始聚類中心；文獻(xiàn)[10]介紹了有交互的人工智能分割方法。

基于圖譜法的腦部自動(dòng)分割是綜合了許多知識(shí)的一個(gè)比較完整的系統(tǒng)框架。其原理是利用配準(zhǔn)將需要分割的圖像映射到已經(jīng)分割好的模板上，然后通過(guò)數(shù)學(xué)逆變換算子將分割結(jié)果變換到原圖空間，從而獲得原始輸入圖像的分割結(jié)果。這個(gè)過(guò)程涉及到的問(wèn)題有先驗(yàn)知識(shí)利用、配準(zhǔn)、模板融合等，例如已經(jīng)分割好的模板的建立，是一種全局的先驗(yàn)知識(shí)的運(yùn)用?；趫D譜分割算法的關(guān)鍵是映射過(guò)程的準(zhǔn)確性，映射很大程度上決定了分割的好壞，因此這類算法的核心通常都建立在精確的配準(zhǔn)算法基礎(chǔ)上。圖譜的建立也有單圖譜或者多圖譜策略，當(dāng)研究者只是研究單一的病理，某種疾病的多個(gè)病例的幾何平均基本就可以作為一個(gè)統(tǒng)一的分割模板，但是當(dāng)研究多種不同疾病時(shí)，由于大腦形態(tài)各異，僅僅一個(gè)統(tǒng)一模板的建立基本無(wú)法滿足分割準(zhǔn)確性的要求。

圖譜法分割實(shí)現(xiàn)跟隨著配準(zhǔn)算法的發(fā)展而進(jìn)行，只有在配準(zhǔn)方法的精確度達(dá)到一定程度后，才能用于分割。配準(zhǔn)算法的研究由來(lái)已久，早期的配準(zhǔn)主要是基本的方向或者角度配準(zhǔn)，并沒(méi)有任何形變，這也是自然圖像配準(zhǔn)中常用的剛性配準(zhǔn)方法。典型的剛性配準(zhǔn)算法是立體定位框架算法，利用立體定位標(biāo)記作為參照物[11]，但是人為標(biāo)記很容易引入誤差，所以就有一些計(jì)算機(jī)提取標(biāo)記特征的算子或者模型被引入[12-13]。后來(lái)又有很多全像素的方法配準(zhǔn)，例如聯(lián)合直方圖配準(zhǔn)、熵值或者互信息作為配準(zhǔn)測(cè)量尺度[14-16]，這些方法又進(jìn)一步提升了配準(zhǔn)精確度。

光流配準(zhǔn)是計(jì)算機(jī)視覺(jué)中常見(jiàn)的非剛性配準(zhǔn)方法[17]，基本原理是將圖像每個(gè)像素點(diǎn)都賦予一個(gè)速度矢量，在物體運(yùn)動(dòng)的每一個(gè)時(shí)刻，圖像點(diǎn)與物體點(diǎn)一一對(duì)應(yīng)，利用速度矢量動(dòng)態(tài)分析圖像的變化。后來(lái)有很多研究者利用這種方法進(jìn)行醫(yī)學(xué)圖像例如CT，MRI圖像配準(zhǔn)[18-19]。有一類非剛性配準(zhǔn)形變算法是基于物理模型例如彈性形變和流體運(yùn)動(dòng)模型，這些模型更符合真實(shí)大腦的變形?；趶椥阅Ｐ拖嚓P(guān)的算法如HAMMER[20]， 基于熱力學(xué)模型的算法如Demons[21-22]。從變形模型的自由度來(lái)說(shuō)，是從線性模型到彈力模型到物理粘滯力模型再到大變形微分同胚模型逐步提升，如圖1所示。

圖1 配準(zhǔn)模型自由度關(guān)系Fig.1 Relationship of different deformation registration model

這些模型中最為普適的是大變形微分同胚模型。微分同胚定義為：對(duì)給定的兩個(gè)微分流形，若對(duì)光滑映射f：M→N存在另一個(gè)對(duì)應(yīng)的光滑映射g：N→M，使得f·g=id(id為單位算子)則稱f是微分同胚的。在早期還沒(méi)有提出明確的大變形微分同胚配準(zhǔn)算法之前就有相關(guān)探索研究。在1996年Miller等提出了大變形動(dòng)力學(xué)模板[23]，他們提出的方法可以滿足模板到目標(biāo)圖像的大距離非線性動(dòng)力學(xué)矩陣的需求，原理是將身體組織模板化為高度粘性的流體。Miller小組等人在后續(xù)的研究工作中逐步提出了大變形微分同胚配準(zhǔn)的數(shù)學(xué)描述及配準(zhǔn)算法，例如1997年在文獻(xiàn)[24]中討論了微分同胚流的變分問(wèn)題；2000年實(shí)現(xiàn)了標(biāo)志點(diǎn)的匹配[25]；2005年文獻(xiàn)[26]提出了大變形微分同胚的測(cè)地流算法，對(duì)配準(zhǔn)兩幅圖像給出了大變形微分同胚的解決算法，作者對(duì)于歐拉-拉格朗日公式最小化速度場(chǎng)給出推導(dǎo)，并且詳細(xì)地描述了名為大變形微分同胚映射(Large deformations diffeomorphic metric mapping, LDDMM) 的算法流程。LDDMM算法研究探索的過(guò)程中，其他研究者對(duì)于解剖學(xué)微分同胚的求解也從未停止。例如John在2007年提出了快速微分同胚配準(zhǔn)算法(Diffeomorphic anatomical registration using exponentiated lie algebra,DARTEL)具有計(jì)算速度優(yōu)勢(shì)[27]；文獻(xiàn)[28-29]提出的SyN(Symmetric image normalization)配準(zhǔn)方法也是從LDDMM算法得到啟示; 2014年Herve等提出的Spectral log-demons算法是在經(jīng)典Demons基礎(chǔ)上的一種微分同胚配準(zhǔn)求解[30]。早在2009年就有研究者對(duì)比較主流的14種非線性配準(zhǔn)方法做過(guò)比較客觀的評(píng)估[31]，其中就有很多大變形微分同胚模型算法。

大變形微分同胚配準(zhǔn)具有可以實(shí)現(xiàn)大變形、進(jìn)行同胚逆變換的特性，這使得圖譜法自動(dòng)分割才更具有可行性。比較完整的基于配準(zhǔn)的單圖譜分割系統(tǒng)有IBAMSPM，F(xiàn)reesurfer，F(xiàn)SL等[32-34]。但在很多情況下單個(gè)模板并不能滿足解剖學(xué)分割所需要的精確度，在后來(lái)的研究當(dāng)中，很多人提出了多模板的分割算法，其中也包括Miller研究小組對(duì)于T1和DTI圖像配準(zhǔn)的工作[35-37]。

1 單圖譜腦部自動(dòng)分割

圖譜法分割系統(tǒng)的核心是大變形配準(zhǔn)，大變形微分同胚能夠更好地表達(dá)人體組織的解剖學(xué)結(jié)構(gòu)形變，具有可逆及較好的平滑度保持，在腦部形變中被廣泛使用。假定兩幅圖像，兩者由一個(gè)微分同胚變換系相關(guān)聯(lián)?？紤]變形操作，其形狀配準(zhǔn)問(wèn)題數(shù)學(xué)上定義如下[26]

(1)

在這個(gè)框架下，變換Φ在速度矢量vt，t∈[0，1]的結(jié)束點(diǎn)Φ=Φ1產(chǎn)生。在真實(shí)的人體組織結(jié)構(gòu)變形中，對(duì)于Y0和Y1的理想微分同胚變形場(chǎng)使得取得式(1)的解不存在。在配準(zhǔn)求解中算法也會(huì)作一個(gè)折中。整個(gè)代價(jià)函數(shù)最小可以轉(zhuǎn)換為[25-26]

(2)

文獻(xiàn)[28-29]用一個(gè)更為適用的算子來(lái)作相似度測(cè)試代替式(2)中的卷積方差矩陣。因此提出代替求解式為

(3)

式中:Ω為圖像域；Π～為互相關(guān)操作，其反映了兩個(gè)矩陣之間的距離。變形場(chǎng)Φ根據(jù)圖像Y0和Y1的距離來(lái)決定。作者指出，在單位時(shí)間t→1上積分是無(wú)法在能量最小化時(shí)使得變形場(chǎng)最優(yōu)。因此文獻(xiàn)[28]提出最小化式為

(4)

LDDMM是比較早也是比較主流的大變形微分同胚配準(zhǔn)研究算法，除此之外，微分同胚Demons算法也是比較有認(rèn)可度的配準(zhǔn)算法。微分同胚Demons算法與LDDMM 的區(qū)別在于，LDDMM將微分同胚場(chǎng)表示為Φ1=exp(w),其中w為子變形組極微小的變形組成；而在微分同胚Demons中Φ1=ψ°exp(u)，其中ψ為圖像域差分的元素,u用來(lái)保證指數(shù)場(chǎng)的存在并且ψ°exp(u)還是屬于圖像域的差分域Diff(Ω)[38-39]。因此微分同胚Demons的最優(yōu)化求解如下

(5)

除了以上方法外，還有很多利用指數(shù)變形場(chǎng)求解大變形微分同胚形變的[27,30]。其主要的特點(diǎn)是利用指數(shù)形式形變場(chǎng)加大形變的力度。

大變形微分同胚形變場(chǎng)配準(zhǔn)精度的提高促成了基于圖譜法的腦自動(dòng)分割系統(tǒng)的發(fā)展。假設(shè)擁有一個(gè)已經(jīng)被分割為很多解剖學(xué)區(qū)域的圖像模板及其圖譜，那么利用大變形微分同胚，可以將新輸入的圖像配準(zhǔn)，然后將事先分割好的圖譜進(jìn)行逆變換得到該輸入圖像的分割圖譜，整個(gè)分割流程如圖2所示。

圖2 基于微分同胚變形的自動(dòng)腦分割系統(tǒng)框圖(LDDMM為例)Fig.2 Automatic brain segmentation system diagram based on diffeomorphic deformation (LDDMM)

圖2中有彩色邊緣的圖像為腦部圖像被分割成不同區(qū)域的圖譜。模板圖像可以是某比較有代表性的人的腦部圖像，也可以是人工合成的幾何平均圖像，幾何平均圖像能夠容易實(shí)現(xiàn)不同人腦的標(biāo)準(zhǔn)映射，因此在很多自動(dòng)分割系統(tǒng)的研究中，都利用一個(gè)幾何平均圖像作為模板。這種平均模板分割在大多數(shù)情況下可以成功，并且很多此類系統(tǒng)也得到了認(rèn)可[32,40]。但并不是所有的人腦圖像都可以用單一平均模板進(jìn)行配準(zhǔn)，或者可以配準(zhǔn)但精確度不夠，尤其有疾病的人腦圖像，這些圖像某些區(qū)域會(huì)發(fā)生非常大的異常變形。例如有些阿茲海默病人中間的腦室區(qū)域會(huì)發(fā)生擴(kuò)張，擴(kuò)張的程度很大時(shí)，分割精度會(huì)受到嚴(yán)重影響[41-43]。

2 多圖譜腦部自動(dòng)分割

由于單個(gè)模板在很多情況下無(wú)法達(dá)到配準(zhǔn)分割精度，很多研究者提出了基于多模板的分割方法來(lái)提高分割的精度。其示意圖如圖3所示。在選擇模板時(shí)利用最優(yōu)化算法，求解每個(gè)模板變形后的權(quán)重，對(duì)于圖譜的某個(gè)標(biāo)簽，即腦部的某個(gè)解剖學(xué)區(qū)域，當(dāng)其融合后的區(qū)域與輸入病例這一區(qū)域的距離最小時(shí)，權(quán)重向量即為所需要的最優(yōu)解[35]。多圖譜分割數(shù)學(xué)求解表示如下

(W|I)

(6)

式中：W未知，需要求解的輸入病例圖譜標(biāo)簽I為已知的圖像模板。式(6)為在已知很多已經(jīng)分割的模板條件下，求解病例圖像分割圖譜W使得這個(gè)概率最大。文獻(xiàn)[35-36]中求解最優(yōu)化融合向量時(shí)采用了EM算法。Wang等利用了局部搜索策略提高速度和機(jī)器學(xué)習(xí)修正誤差求解融合系數(shù)[37,44]。早在2009年Aljabar等就討論過(guò)模板的選擇對(duì)于分割精確性的影響[45]，其選擇模板的方式比較簡(jiǎn)單，就是利用相似度測(cè)量和一些基本的元信息例如年齡、性別和臨床狀態(tài)等；同年Xabier等提出一種多模板融合算法，其融合策略比較簡(jiǎn)潔，主要作了全局和局部的相似度估計(jì)并通過(guò)估計(jì)值來(lái)確定每個(gè)模板的權(quán)重[46]；2013年Ballanger等對(duì)多模板自動(dòng)分割方法的精確度、穩(wěn)定性通過(guò)模板本身進(jìn)行了測(cè)試[47]，2014年Lancelot等又利用多模板方法進(jìn)行老鼠腦部分割，并且討論了用最大后驗(yàn)概率求解一個(gè)最可能模板和利用多個(gè)模板融合形成一個(gè)自組模板分割方法的優(yōu)劣[48]。

圖3 多模板融合分割示意圖Fig.3 Multi-atlas fusion diagram

3 基于腦部自動(dòng)分割的傳統(tǒng)研究與臨床應(yīng)用前景

腦部MRI成像在臨床上一個(gè)很重要的應(yīng)用就是腫瘤和中風(fēng)的檢測(cè)，這兩種疾病通常會(huì)造成大的解剖學(xué)變化。但是除了這兩種疾病診斷，MRI的信息利用還可以在很多方面。尤其是在某些神經(jīng)疾病的早期檢測(cè)，在這一時(shí)期腦部結(jié)構(gòu)變化難以用人眼判斷，并將其與年齡影響區(qū)分開(kāi)來(lái)。因此，很多腦部疾病的研究都基于MRI自動(dòng)分割后統(tǒng)計(jì)分析。而傳統(tǒng)的疾病研究模式非常固定，首先需要采集病人腦部圖像，其獲取方式如圖4所示。通常取幾組研究對(duì)象，其中包括對(duì)照組和具有某種疾病的病例。然后將采集圖像輸入自動(dòng)分割系統(tǒng)，系統(tǒng)輸出為每個(gè)對(duì)象不同解剖學(xué)區(qū)域。最后，通過(guò)對(duì)比兩組輸出的不同，分析疾病影響的具體腦部區(qū)域。這種病理研究模式是經(jīng)典方法，并且到目前為止，幾乎所有利用圖譜法自動(dòng)分割的疾病研究，都是利用單數(shù)據(jù)源獲取。單數(shù)據(jù)源可以降低非解剖學(xué)因素的影響。例如2010年Andreia對(duì)于腦癱病人的分析[49]，同年，其對(duì)嬰兒到成人的神經(jīng)發(fā)育研究中，討論了利用彌散張量成像(Diffusion tensor imaging， DTI)的自動(dòng)非正常檢測(cè)應(yīng)用[50]。還有大量基于分割的研究都是利用了數(shù)據(jù)的同源獲取方法[51]。

臨床中數(shù)據(jù)的來(lái)源多種多樣，利用同源數(shù)據(jù)進(jìn)行疾病分析的方法往往只能應(yīng)用在科學(xué)研究中，如果將醫(yī)學(xué)研究者的分析方法應(yīng)用在臨床診斷當(dāng)中，面臨一個(gè)很大的難題就是數(shù)據(jù)同源，臨床數(shù)據(jù)有可能來(lái)自于各種不同設(shè)備，而且其分辨率、噪聲、掃描參數(shù)等都可能存在各種差異。同時(shí)很多分割系統(tǒng)提供的解剖學(xué)圖譜定義的不同也使得臨床難以應(yīng)用，例如LDDMM,Freesurfer圖譜定義分別如圖5所示，基于LDDMM分割的圖譜將腦室又進(jìn)行了精確分區(qū)。文獻(xiàn)[52]對(duì)基于分割的LDDMM方法非解剖學(xué)影響作了分析，文中采集了6組數(shù)據(jù)，分別針對(duì)3個(gè)最常用的掃描儀設(shè)備品牌、兩個(gè)常用的磁場(chǎng)強(qiáng)度和6種不同的分辨率來(lái)進(jìn)行多圖譜LDDMM自動(dòng)分割方法的魯棒性評(píng)估[26,35]。測(cè)試結(jié)果表明，解剖學(xué)影響權(quán)重為非解剖學(xué)影響的5倍以上，所以從統(tǒng)計(jì)意義上講，非解剖學(xué)的影響基本可以忽略。 因此，自動(dòng)分割很有希望應(yīng)用在未來(lái)臨床診斷當(dāng)中，這對(duì)于預(yù)防人類多發(fā)性的疾病，例如阿茲海默病，有非常重要的意義[42,52]。在臨床中，醫(yī)生還沒(méi)有充分利用已有知識(shí)去聯(lián)系解剖學(xué)結(jié)構(gòu)與疾病的準(zhǔn)確關(guān)系。未來(lái)基于大數(shù)據(jù)處理，通過(guò)統(tǒng)計(jì)學(xué)分析，可以檢測(cè)出腦部結(jié)構(gòu)的微妙變化，這將會(huì)在輔助診斷中發(fā)揮重要作用。

4 結(jié)束語(yǔ)

本文介紹了基于圖譜法腦部MRI圖像自動(dòng)分割技術(shù)原理與發(fā)展，并對(duì)自動(dòng)分割方法在醫(yī)學(xué)研究上的應(yīng)用和臨床應(yīng)用的可行性進(jìn)行了討論。圖譜法分割的核心是大變形微分同胚理論，這項(xiàng)理論的提出起源于Miller等在早期研究中作出的數(shù)學(xué)推導(dǎo)。大變形微分同胚能同時(shí)實(shí)現(xiàn)較大的身體組織結(jié)構(gòu)的變形和完全可逆的兩個(gè)特性，為圖譜法自動(dòng)分割奠定了基礎(chǔ)，圖譜法分割使得自動(dòng)分割可以按照人為的功能區(qū)劃分進(jìn)行分割，由于是按照醫(yī)學(xué)功能區(qū)域分割，其對(duì)于醫(yī)學(xué)研究和臨床醫(yī)生都具有特殊的意義，這也是圖譜法分割在腦部研究領(lǐng)域被廣泛采用的原因。但是經(jīng)典的圖譜法分割只限于醫(yī)學(xué)統(tǒng)計(jì)研究，并非臨床應(yīng)用，其主要原因是全自動(dòng)分割的精確度受到臨床數(shù)據(jù)多源特性的影響，因此后來(lái)發(fā)展出多圖譜融合分割方法，這類方法大大提高了分割的精確度，同時(shí)將由研究到臨床的轉(zhuǎn)換過(guò)程推進(jìn)了一大步。最后，本文通過(guò)對(duì)基于LDDMM的經(jīng)典多圖譜自動(dòng)分割方法的測(cè)試，證實(shí)了其方法對(duì)于多源數(shù)據(jù)統(tǒng)計(jì)上具有一定的魯棒性，這表明從同源數(shù)據(jù)科學(xué)研究到臨床多源大數(shù)據(jù)應(yīng)用具有較大可行性。

綜上所述，基于圖譜法的腦自動(dòng)分割系統(tǒng)發(fā)展到多圖譜融合分割，通過(guò)對(duì)精確性的有突破性的提高并且具有較強(qiáng)的魯棒性，才有了臨床應(yīng)用可能。在以往的腦部功能疾病統(tǒng)計(jì)方法研究中，全自動(dòng)分割已經(jīng)被很多醫(yī)學(xué)研究者使用，但是由研究到臨床還需要很長(zhǎng)一段時(shí)間，其臨床應(yīng)用的可靠性還需要經(jīng)歷長(zhǎng)期考驗(yàn)，但是在未來(lái)大數(shù)據(jù)應(yīng)用的基礎(chǔ)上利用優(yōu)化的分類器設(shè)計(jì)，全自動(dòng)分割將是非常有現(xiàn)實(shí)意義的輔助醫(yī)療診斷手段。

[1] 蘭紅.多閾值優(yōu)化的交互式醫(yī)學(xué)圖像分割方法[J].計(jì)算機(jī)科學(xué),2013,40(9):296-299.

Lan Hong. Interactive medical image segmentation algorithm optimized by multi-thresholds[J]. Compuer Science, 2013,40(9):296-299.

[2] Lai C C. A novel image segmentation approach based on particle swarm optimization[J]. IEICE Transactions on Fundamentals of Electronics Communications and Computer Sciences, 2006,E89a(1):324-327.

[3] Chu C C， Aggarwal J K. The integration of image segmentation maps using region and edge information[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1993,15(12):1241-1252.

[4] Zhou Shoujun, Chen Wufang, Jia Fucang, et al. Segmentation of brain magnetic resonance angiography images based on MAP-MRF with multi-pattern neighborhood system and approximation of regularization coefficient[J]. Medical Image Analysis, 2013，17(8):1220-1235.

[5] Wilson D L, Noble J A. An adaptive segmentation algorithm for time-of-flight MRA data[J]. IEEE Transactions on Medical Imaging, 1999,18(10):938-945.

[6] 呂曉琪，石靜，任曉穎，等.一種基于水平集的三維肝臟磁共振圖像混合分割方法[J].數(shù)據(jù)采集與處理,2015,30(2):350-358.

Lü Xiaoqi, Shi Jing, Ren Xiaoying, et al. Hybrid segmentation for 3D liver magnetic resonance imaging based on level set method[J]. Journal of Data Acquisition and Processing, 2015,30(2):350-358.

[7] 唐利明，黃大榮，李可人.基于變分水平集的圖像分割模型[J].數(shù)據(jù)采集與處理,2014,29(5):704-712.

Tang Liming, Huang Darong, Li Keren. New model based on variational level set for image segmentation[J]. Journal of Data Acquisition and Processing, 2014,29(5):704-712.

[8] 周顯國(guó)，陳大可，苑森淼.基于改進(jìn)模糊聚類分析的醫(yī)學(xué)腦部MRI圖像分割[J].吉林大學(xué)學(xué)報(bào):工學(xué)版,2009,39:382-385.

Zhou Xianguo, Chen Dake, Yuan Senmiao. Medical brain MRI images segmentation by improved fuzzy C-Means clustering analysis[J]. Journal of Jilin University: Engineering and Technology Edition, 2009,39:382-385.

[9] 苗彬，侯燕.基于改進(jìn)模糊均值聚類算法的醫(yī)學(xué)圖像分割[J].激光雜志,2015,36(1):140-143.

Miao Bin, Hou Yan. Medical image segmentation based on improved fuzzy c-means clustering algorithm[J]. Leaser Journal, 2015,36(1):140-143.

[10]Erdt M S S, Sakas G. Regmentation: A new view of image segmentation and registration[J]. Journal of Radiation Oncology Information, 2012,4(1):1-23.

[11]Strother S C, Anderson J R, Xu X, et al. Quantitative comparisons of image registration techniques based on high-resolution MRI of the brain[J]. J Comput Assist Tomogr, 1994,18(6):954-62.

[12]Alpert N M, Bradshaw J F, Kennedy D, et al. The principal axes transformation—A method for image registration[J]. J Nucl Med, 1990,31(10):1717-22.

[13]Li H, Manjunath B S, Mitra S K. A contour-based approach to multisensor image registration[J]. IEEE Trans Image Process, 1995,4(3):320-34.

[14]Hill D L G, Hawkes D J, Harrison N A, et al. A strategy for automated multimodality image registration incorporating anatomical knowledge and image characteristics[J]. Information Processing in Medical Imaging, Lectures Notes in Computer Science, 1993,687:182-196.

[15]Eldeib A, Farag A A, Moriarty T. A fast genetic search algorithm for accurate multi-modal volume registration by maximization of mutual information[C]∥Cars′99: Computer Assisted Radiology and Surgery. Paris, France: [s.n.]， 1999:244-248.

[16]Studholme C, Hill D L G, Hawke D J. Multiresolution voxel similarity measures for MR-PET registration[J]. Information Processing in Medical Imaging, 1995,3:287-298.

[17]Fayad H J, Bakhous C, Pam T, et al. Optical flow vs bspline image registration for respiratory motion modeling[C]∥2012 IEEE Nuclear Science Symposium and Medical Imaging Conference Record (Nss/Mic). Anaheim CA: IEEE, 2012:3914-3917.

[18]Hoog A C B, Singh T, Singla P, et al. Evaluation of advanced Lukas-Kanade optical flow on thoracic 4D-CT[J]. J Clin Monit Comput, 2013，27(4):433-41.

[19]Dougherty L, Asmuth J C, Gefter W B. Alignment of CT lung volumes with an optical flow method[J]. Acad Radiol, 2003,10(3):249-54.

[20]Shen D G, Davatzikos C. HAMMER: Hierarchical attribute matching mechanism for elastic registration[J]. IEEE Transactions on Medical Imaging, 2002,21(11):1421-1439.

[21]Thirion J P. Non-rigid matching using demons[C]∥1996 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Proceeding. San Francisco, CA: IEEE, 1996:245-251.

[22]Thirion J P. Image matching as a diffusion process: An analogy with Maxwell′s demons[J]. Med Image Anal, 1998，2(3):243-60.

[23]Christensen G E, Rabbitt R D, Miller M I. Deformable templates using large deformation kinematics[J]. IEEE Transactions on Image Processing, 1996,5(10):1435-1447.

[24]Dupuis P, Grenander U, Miller M I. Variational problems on flows of diffeomorphisms for image matching[J]. Quarterly of Applied Mathematics, 1998,56(3):587-600.

[25]Joshi S C, Miller M I. Landmark matching via large deformation diffeomorphisms[J]. IEEE Transactions on Image Processing, 2000,9(8):1357-1370.

[26]Beg M F, Miller M I, Trouve A, et al. Computing large deformation metric mappings via geodesic flows of diffeomorphisms[J]. International Journal of Computer Vision, 2005,61(2):139-157.

[27]Ashburner J. A fast diffeomorphic image registration algorithm[J]. NeuroImage, 2007,38(1):95-113.

[28]Avants B B, Epstein C L, Grossman M, et al. Symmetric diffeomorphic image registration with cross-correlation: Evaluating automated labeling of elderly and neurodegenerative brain[J]. Med Image Anal, 2008,12(1):26-41.

[29]Avants B B, Tustison N J, Song G, et al. A reproducible evaluation of ANTs similarity metric performance in brain image registration[J]. NeuroImage, 2011,54(3):2033-44.

[30]Lombaert H, Grady L, Pennec X, et al. Spectral log-demons: Diffeomorphic image registration with very large deformations[J]. International Journal of Computer Vision, 2014,107(3):254-271.

[31]Klein A, Andersson J, Babak A, et al. Evaluation of 14 nonlinear deformation algorithms applied to human brain MRI registration[J]. NeuroImage, 2009,46(3):786-802.

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

[33]Garcia-Vazquez V, Reig S, Janssen J, et al. Use of IBASPM atlas-based automatic segmentation toolbox in pathological brains: Effect of template selection[C]∥2008 IEEE Nuclear Science Symposium and Medical Imaging Conference (2008 Nss/Mic). Dresden, Germany: IEEE, 2009:3544-3546.

[34]Smith S M, Jenkinson M, Woolrich M W, et al. Advances in functional and structural MR image analysis and implementation as FSL[J]. NeuroImage, 2004,23:S208-S219.

[35]Tang X Y, Kenichi O, Andreia V F, et al. Bayesian parameter estimation and segmentation in the multi-atlas random orbit model[J]. PLOS One, 2013,8(6):e65591.

[36]Tang X Y, Shoko Y, John H, et al. Multi-contrast multi-atlas parcellation of diffusion tensor imaging of the human brain[J]. PLOS One, 2014,9(5):e96985.

[37]Wang H Z, Jung W S, Sandhitsu D, et al. Multi-atlas segmentation with joint label fusion[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013,35(3):611-623.

[38]Arsigny V, Commowick O, Pennec X, et al. A log-euclidean framework for statistics on diffeomorphisms[J]. Medical Image Computing and Computer Assisted Intervention, 2006,4190:924-931.

[39]Monica H, S O, Xavier P. Comparing algorithms for diffeomorphic registration: Stationary LDDMM and diffeomorphic demons[C]∥2nd MICCAI Workshop on Mathematical Foundations of Computational Anatomy, the 11th International Conference on Medical Image Computing and Computer Assisted Intervention. New York City, USA: [s.n.]， 2008:24-35.

[40]Klauschen F, Goldman A, Barra V, et al. Evaluation of automated brain MR image segmentation and volumetry methods[J]. Human Brain Mapping, 2009,30(4):1310-1327.

[41]Brewer J B, Magda S, Airriess C, et al. Fully-automated quantification of regional brain volumes for improved detection of focal atrophy in Alzheimer disease[J]. American Journal of Neuroradiology, 2009,30(3):578-580.

[42]Frisoni G B, Fox N C, Jack C R, et al. The clinical use of structural MRI in Alzheimer disease[J]. Nature Reviews Neurology, 2010,6(2):67-77.

[43]Oishi K, Mielke M, Albert M, et al. Neuroanatomical correlates of cognitive and neuropsychiatric worsening in Alzheimer′s disease: Whole-brain longitudinal DTI analysis[J]. Neurology, 2012,78(1):P03.092.

[44]Wang H Z, Yushkevich P A. Groupwise segmentation with multi-atlas joint label fusion[C]∥Medical Image Computing And Computer-Assisted Intervention (Miccai 2013), the 16th International Conference on Medical Image Computing and Computer Assisted Intervention. Nagoya, Japan: [s.n.], 2013:711-718.

[45]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.

[46]Artaechevarria X, Munoz-Barrutia A, Ortiz-de-Solorzano C. Combination strategies in multi-atlas image segmentation: Application to brain MR data[J]. IEEE Transactions on Medical Imaging, 2009,28(8):1266-1277.

[47]Ballanger B, Tremblay L, Sgambato-Faure V, et al. A multi-atlas based method for automated anatomical Macaca fascicularis brain MRI segmentation and PET kinetic extraction[J]. NeuroImage, 2013,77:26-43.

[48]Lancelot S, Roche R, Slimen A, et al. A multi-atlas based method for automated anatomical rat brain MRI segmentation and extraction of PET activity[J]. PLOS One, 2014,9(10):e109113.

[49]Faria A V, Alexander H, Elaine S, et al. Quantitative analysis of brain pathology based on MRI and brain atlases-applications for cerebral palsy[J]. NeuroImage, 2011,54(3):1854-61.

[50]Faria A V, Zhang J, Oishi K, et al. Atlas-based analysis of neurodevelopment from infancy to adulthood using diffusion tensor imaging and applications for automated abnormality detection[J]. NeuroImage, 2010,52(2):415-428.

[51]Jain S, Sima D M, Ribbens A, et al. Automatic segmentation and volumetry of multiple sclerosis brain lesions from MR images[J]. NeuroImage Clin, 2015,8:367-75.

[52]Liang Zifei, He Xiaohai, Can Ceritoglu, et al. Evaluation of cross-protocol stability of a fully automated brain multi-atlas parcellation tool[J]. PLOS One, 2015,10(7):e0133533.

Development and Application for Atlas-Based Brain MRI Image Segmentation Technology

He Xiaohai1， Liang Zifei1， Tang Xiaoying2,3， Teng Qizhi1

(1.College of Electronics and Information Engineering, Sichuan University, Chengdu, 610065, China; 2.SYSU-CMU Shunde International Joint Research Institute, Guangzhou, 510006, China; 3.SYSU-CMU Shunde International Joint Research Institute, Shunde, 528300, China)

Automated segmentation of brain MRI image is an important computer-based technology with wide applicability in medicine field, and of great significance in the study of human brain diseases. There exists a variety of segmentation methods, such as the the thresholding method, the region growing method, and the clustering method, which are broadly applied to natural images. However, those methods are not as powerful or practical as atlas-based method when applied to clinical medical image. The development of the atlas-based method for brain image segmentation is reviewed, and representative algorithms are introduced. The basic principles of these parcellation algorithms are described as well as the components of a state-of-the-art segmentation system. On this basis, the segmentation procedures are introduced, and its various applications in clinical medicine are discussed. Finally, the current status and the future potential of the automated segmentation′s applications in clinical medicine are summarized.

brain magnetic resonance imaging; information processing; image segmentation; diffeomorphic; brain image registration

國(guó)家自然科學(xué)基金(61372174，81173356)資助項(xiàng)目。

2015-08-18；

2015-09-11

TP391; Q64

A

何小海(1964-)，男，教授，研究方向：通信與信息系統(tǒng)、圖像處理與模式識(shí)別，E-mail:hxh@scu.edu.cn。

梁子飛(1989-)，男，博士研究生，研究方向：醫(yī)學(xué)圖像處理和視頻處理。

唐曉穎(1988-)，女，副教授，研究方向：生物醫(yī)學(xué)工程和醫(yī)學(xué)圖像處理。

滕奇志(1961-)，女，教授，研究方向：模式識(shí)別、圖像處理和三維重建。