基于LBP塊相似性的圖譜標(biāo)簽融合

梁 艷

(上海建橋?qū)W院商學(xué)院，上海 200000)

基于LBP塊相似性的圖譜標(biāo)簽融合

梁 艷

(上海建橋?qū)W院商學(xué)院，上海 200000)

磁共振腦部圖像的定量分析通常需要對(duì)腦部解剖結(jié)構(gòu)進(jìn)行精確可靠的自動(dòng)分割，基于多圖譜的腦部核磁共振（MRI）圖像自動(dòng)分割方法是解決該問(wèn)題的一種非常有效的方法，其中比較關(guān)鍵的一個(gè)問(wèn)題是圖譜標(biāo)簽融合問(wèn)題．本文針對(duì)該問(wèn)題提出了一個(gè)基于局部二進(jìn)制模式（LBP）塊相似性的圖譜標(biāo)簽融合方法．實(shí)驗(yàn)結(jié)果表明，利用該方法對(duì)腦部MRI圖像中的組織進(jìn)行分割，能夠獲得較精確的分割結(jié)果．

核磁共振圖像；圖像分割；標(biāo)簽融合；塊相似性

磁共振成像在病理檢測(cè)、腦組織研究及臨床研究中扮演著重要的角色．臨床應(yīng)用中每天都產(chǎn)生大量的磁共振圖像數(shù)據(jù)，單純依靠手動(dòng)的數(shù)據(jù)分析方法來(lái)研究已變得不太現(xiàn)實(shí)．因此，急需一種具有一定精確性、魯棒性、可靠性的腦部MRI圖像分割算法，這已成為醫(yī)學(xué)圖像分析領(lǐng)域中極具挑戰(zhàn)性的研究課題之一．目前已有學(xué)者提出了一些自動(dòng)的腦部MRI圖像分割算法，比如基于可變形模型或區(qū)域增長(zhǎng)的方法[1]、基于圖割的方法[2]、基于圖譜分割的方法[3]、基于形狀模型的方法[4]等．基于多圖譜的分割方法被證明是其中比較有效的方法，圖譜指的是一個(gè)圖像以及與該圖像對(duì)應(yīng)分割結(jié)果（標(biāo)簽圖像）的一個(gè)圖像對(duì)．基于多圖譜的自動(dòng)分割方法是借助已有圖譜的先驗(yàn)信息來(lái)對(duì)待分割的圖像進(jìn)行分割．該類方法主要由三個(gè)步驟組成：各個(gè)圖譜圖像與待分割圖像之間進(jìn)行配準(zhǔn)；利用配準(zhǔn)獲得的形變場(chǎng)對(duì)圖譜的標(biāo)簽進(jìn)行映射；對(duì)各個(gè)圖譜標(biāo)簽圖像映射完成后的結(jié)果進(jìn)行融合．標(biāo)簽融合策略對(duì)最終分割結(jié)果具有重要的影響，該問(wèn)題也是目前研究的較多的問(wèn)題之一．

本文在基于非局部塊相似性的圖像去噪方法[5]基礎(chǔ)上，提出了一種基于LBP塊相似性的圖譜標(biāo)簽融合方法．該方法在普通塊相似性的標(biāo)簽融合方法基礎(chǔ)上，引入了塊的LBP信息以此來(lái)提高塊之間相似性度量的可靠性，使得標(biāo)簽融合過(guò)程中的權(quán)重更加精確，從而提高標(biāo)簽融合的效果．

1 多圖譜分割框架及局部二進(jìn)制模式基本原理

1.1 多圖譜分割框架

本節(jié)主要介紹基于多圖譜的腦部MRI圖像分割方法基本框架，該類方法大體可以分為三個(gè)基本步驟，分別是配準(zhǔn)、標(biāo)簽映射和標(biāo)簽融合．在本文中待分割的目標(biāo)圖像表示為fT，其分割結(jié)果表示為lT，n個(gè)圖譜表示為

標(biāo)簽映射：用獲得的變形場(chǎng)ui,i=1,…,n分別對(duì),n 進(jìn)行映射，映射過(guò)程簡(jiǎn)單地表示為，映射后的圖譜表示為Ai=(fi,li),i=1,…,n ．

標(biāo)簽融合：標(biāo)簽映射完成后可以將li,i=1,…,n分別看做待分割目標(biāo)圖像的n個(gè)近似分割結(jié)果．標(biāo)簽融合的目的就是要將這n個(gè)近似分割結(jié)果進(jìn)行綜合全面考慮從而獲得一個(gè)全局的、更可靠的分割結(jié)果．其中最簡(jiǎn)單的一類標(biāo)簽融合方法是基于簡(jiǎn)單投票的方法，對(duì)于待分割目標(biāo)圖像中的一個(gè)位于x處的體素，其標(biāo)簽信息lT(x)可以通過(guò)簡(jiǎn)單投票方法[7]獲得，該過(guò)程可以簡(jiǎn)單表示成（1）式的形式．

其中l(wèi)i(x)表示第i個(gè)圖譜x處的標(biāo)簽信息，從上式可以看出基于簡(jiǎn)單投票的標(biāo)簽融合方法將所有圖譜同等看待，各個(gè)圖譜在標(biāo)簽融合的過(guò)程中權(quán)重相同，而且同一個(gè)圖譜中不同位置的體素權(quán)重也相同．如果一個(gè)圖譜圖像與待分割的目標(biāo)圖像之間的相似性很低，在融合過(guò)程中這個(gè)圖譜的參與必將降低融合的效果．針對(duì)該問(wèn)題，其中比較有效的一類解決方法是針對(duì)不同圖譜的不同位置設(shè)置不同的融合權(quán)重[8-9]．

1.2 局部二進(jìn)制模式基本原理

圖像的局部二進(jìn)制模式特征首先在一個(gè)3× 3的鄰域系統(tǒng)[10]中被提出，如圖1所示．對(duì)于圖像中的每一個(gè)點(diǎn)都可以計(jì)算出一個(gè)LBP值，具體計(jì)算如下：

s(x)是一個(gè)限制函數(shù)，若x大于等于零，則s(x)值為1，否則s(x)值為零．gc是當(dāng)前要計(jì)算LBP值的點(diǎn)，也是鄰域的中心點(diǎn)，gp則是該中心點(diǎn)的鄰接點(diǎn)．局部二進(jìn)制特征對(duì)于光照與對(duì)比度的變化具有很強(qiáng)的魯棒性．

圖1 計(jì)算LBP時(shí)的鄰域示意圖Fig 1 The neighborhood when calculate LBP

2 本文方法

本文提出的多圖譜標(biāo)簽融合算法，針對(duì)不同圖譜不同位置的體素設(shè)置不同的融合權(quán)重，因此融合權(quán)重的計(jì)算是關(guān)鍵，計(jì)算出來(lái)的權(quán)重越可靠，則融合的效果越好．本文正是在傳統(tǒng)的基于灰度相似的權(quán)重計(jì)算方法基礎(chǔ)上，提出了基于LBP塊相似性的權(quán)重計(jì)算方法．

假定n個(gè)圖譜圖像已向目標(biāo)圖像fT配準(zhǔn)，配準(zhǔn)后的圖譜為Ai=(fi,li),i=1,…,n ，本節(jié)部分符號(hào)已在第一節(jié)中說(shuō)明．本文多圖譜標(biāo)簽融合方法主要由LBP值的計(jì)算、權(quán)重計(jì)算、最終融合三個(gè)部分組成．

計(jì)算LBP值：對(duì)待分割的目標(biāo)圖像fT及圖譜圖像fi,i=1,…,n中的各個(gè)點(diǎn)分別計(jì)算其相應(yīng)的LBP值．本文LBP值的計(jì)算采用5× 5× 5的十字星型三維鄰域系統(tǒng)，此時(shí)只有中心三個(gè)軸位置的點(diǎn)參與到LBP值的計(jì)算過(guò)程中去，因此總共有12個(gè)點(diǎn)參與到中心點(diǎn)LBP值的計(jì)算過(guò)程當(dāng)中．對(duì)目標(biāo)圖像及圖譜圖像計(jì)算LBP值以后，相應(yīng)的目標(biāo)圖像表示為bT，圖譜圖像分別表示為bi,i=1,…,n，這樣n個(gè)圖譜就變成了如下形式：Bi=(bi,li),i=1,…,n ．

計(jì)算權(quán)重：對(duì)于待分割目標(biāo)圖像中的某個(gè)位于x處的體素，配準(zhǔn)后各個(gè)圖譜圖像bi,i=1,…,n相應(yīng)位置為中心的一個(gè)搜索鄰域內(nèi)的所有體素都將參與到位于x處目標(biāo)體素的標(biāo)簽融合過(guò)程中去，假設(shè)該搜索鄰域表示為一個(gè)s×s×s大小鄰域，則每個(gè)圖譜將有s3個(gè)體素參與到目標(biāo)體素的標(biāo)簽融合．之所以讓一個(gè)圖譜搜索鄰域內(nèi)的所有點(diǎn)都參與到目標(biāo)體素的標(biāo)簽融合而不是只讓該搜索鄰域中心的一個(gè)點(diǎn)參與，是為了克服配準(zhǔn)過(guò)程中產(chǎn)生的誤差，因?yàn)榕錅?zhǔn)不可能達(dá)到目標(biāo)圖像與圖譜圖像嚴(yán)格一一對(duì)應(yīng)的關(guān)系，或多或少會(huì)存在一些偏差．圖譜搜索鄰域內(nèi)的各個(gè)體素的權(quán)重是通過(guò)計(jì)算該體素與位于x處目標(biāo)體素之間的相似性獲得的，具體的相似性計(jì)算是通過(guò)當(dāng)前體素所在的塊之間相似性獲得的，記位于x處的目標(biāo)體素所在的塊為pT，圖譜搜索鄰域內(nèi)某個(gè)體素所在的塊為pj,j=1,…,n* s3，該體素對(duì)應(yīng)的標(biāo)簽記為lj,j=1,…,n* s3，相應(yīng)的權(quán)重記為wj,j=1,…,n* s3．權(quán)重計(jì)算如下：

標(biāo)簽融合：在獲得了圖譜搜索鄰域內(nèi)各個(gè)體素的權(quán)重后，最終的融合就可以簡(jiǎn)單地看成一個(gè)加權(quán)投票的過(guò)程．由于本文針對(duì)的問(wèn)題是單目標(biāo)分割，因此圖譜標(biāo)簽只包含0值和1值，與0值相對(duì)應(yīng)的區(qū)域?yàn)楸尘皡^(qū)域，與1值對(duì)應(yīng)的區(qū)域?yàn)槟繕?biāo)區(qū)域．

各個(gè)圖譜搜索鄰域內(nèi)體素認(rèn)為目標(biāo)體素x標(biāo)簽為1的總權(quán)重如下：

計(jì)算出來(lái)sum(x)的值在0到1之間，如果該值大于等于0.5則可以認(rèn)為位于x位置處的目標(biāo)體素屬于目標(biāo)區(qū)域，否則屬于背景區(qū)域．通過(guò)這樣的方式可以對(duì)待分割目標(biāo)圖像每一個(gè)位置處的體素進(jìn)行劃分并得到待分割目標(biāo)圖像最終的分割結(jié)果．

3 實(shí)驗(yàn)結(jié)果

本節(jié)通過(guò)對(duì)腦部MRI圖像的分割來(lái)驗(yàn)證本文方法的有效性．實(shí)驗(yàn)中所用到的數(shù)據(jù)庫(kù)是IXI數(shù)據(jù)庫(kù)[11-12]，該數(shù)據(jù)庫(kù)包含30例圖譜，每一例圖譜的標(biāo)簽都是經(jīng)過(guò)專家勾畫出來(lái)的，因此可以認(rèn)為每一例圖譜的標(biāo)簽信息都是一個(gè)金標(biāo)準(zhǔn)．本文主要對(duì)腦部MRI圖像中常見(jiàn)的與疾病相關(guān)的7個(gè)組織進(jìn)行分割：Hippocampus、Amygdala、Caudate nucleus、Nuc.accumbens、Putamen、Thalamus、Pallidus．圖2展示了1例只包含Hippocampus的圖譜，圖2（a）中紅色區(qū)域是Hippocampus所在區(qū)域，圖2（b）是圖1（a）中Hippocampus的三維成像．

圖2 Hippocampus圖譜及Hippocampus相應(yīng)的三維圖像Fig 2 Hippocampus atlas and three dimensional image of Hippocampus in atlas image

評(píng)價(jià)分割結(jié)果的好壞，主要是通過(guò)計(jì)算兩個(gè)二值區(qū)域的重疊率(Dice)來(lái)實(shí)現(xiàn)的．兩個(gè)二值區(qū)域O1與O2重疊率計(jì)算如下：

本文實(shí)驗(yàn)中將其中的一個(gè)圖譜圖像作為待分割的目標(biāo)圖像，其余的29個(gè)作為圖譜使用．分割完成后通過(guò)計(jì)算自動(dòng)分割結(jié)果與該圖譜本身金標(biāo)準(zhǔn)之間的重疊率來(lái)評(píng)價(jià)自動(dòng)分割算法的效果，結(jié)果見(jiàn)表1．為了驗(yàn)證本文分割方法的性能，主要引入了如下對(duì)比算法：基于簡(jiǎn)單多數(shù)投票的標(biāo)簽融合算法（MV）[7]、基于非局部塊灰度相似性加權(quán)的標(biāo)簽融合方法（Nonlocal-PBM）[9]．其中基于簡(jiǎn)單多數(shù)投票的標(biāo)簽融合算法是最基本的也是最簡(jiǎn)單的一類方法，該方法計(jì)算簡(jiǎn)單，速度快在某些情況下能夠取得不錯(cuò)的效果．本文方法與基于非局部塊相似性加權(quán)的標(biāo)簽融合方法十分相似，都是基于相似性加權(quán)的標(biāo)簽融合方法，不同之處在于本文利用了LBP的特性來(lái)計(jì)算權(quán)重，使得計(jì)算出來(lái)的權(quán)重更可靠．

表1 IXI數(shù)據(jù)庫(kù)中不同方法對(duì)不同組織分割后的平均重疊率Table 1 Mean dice ratio results of different tissues from different methods in IXI database

從表1中可以看出，基于非局部塊灰度相似性加權(quán)的標(biāo)簽融合方法（Nonlocal-PBM）的分割性能要優(yōu)于基于簡(jiǎn)單多數(shù)投票的標(biāo)簽融合算法（MV），但對(duì)Pallidus這個(gè)組織的分割是個(gè)例外，這也說(shuō)明了在某些情況下基于簡(jiǎn)單多數(shù)投票的標(biāo)簽融合算法也能取得較好的分割效果．從表1中還可以看出，本文標(biāo)簽融合方法的分割效果是最優(yōu)的，與Nonlocal-PBM方法相比本文方法在各個(gè)不同組織的分割效果上都有所提高，這主要是因?yàn)樵摲椒ɡ昧藞D像的LBP特性，使得計(jì)算出來(lái)的融合權(quán)重更可靠，從而提高了標(biāo)簽融合的效果．但對(duì)于Pallidus這個(gè)組織的分割，本文方法與MV方法相比分割效果并沒(méi)有提高，這也說(shuō)明了MV方法在某些情況下確實(shí)是有效的．

圖3展示了某一例MRI圖像腦部Hippocampus的分割結(jié)果，圖3（a）是該例MRI圖像的分割金標(biāo)準(zhǔn)，圖3（b）是本文的分割結(jié)果．從圖中三維立體成像可以看出用本文方法分割出來(lái)的Hippocampus在形狀上基本與金標(biāo)準(zhǔn)相似，但在一些拐點(diǎn)細(xì)節(jié)處，本文方法還有待進(jìn)一步提高．

圖3 Hippocampus三維圖像Fig 3 Three dimensional image of Hippocampus

4 結(jié)束語(yǔ)

基于塊相似性加權(quán)的標(biāo)簽融合方法關(guān)鍵在于如何構(gòu)建相似性度量準(zhǔn)則，通常來(lái)說(shuō)計(jì)算出來(lái)的塊相似性越可靠，標(biāo)簽融合的效果就越好．本文正是基于相似性度量這一問(wèn)題，在基于塊灰度相似性加權(quán)的標(biāo)簽融合算法基礎(chǔ)之上提出了基于LBP塊相似性加權(quán)的標(biāo)簽融合算法．實(shí)驗(yàn)中，對(duì)IXI標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)中30個(gè)腦MRI圖像的7個(gè)腦組進(jìn)行了分割，本文算法的分割效果要優(yōu)于另外兩種算法，從而驗(yàn)證了本文標(biāo)簽融合算法的有效性．

[1] Chupin M,Mukuna-Bantumbakulu A R,Hasboun D,et al. Anatomically constrained region deformation for the automated segmentation of the hippocampus and the amygdala: method and validation on controls and patients with Alzheimer's disease [J]. Neuroimage,2007,34: 1001-1003.

[2] Van d L F,Den H T,Breteler M M,et al. Hippocampus segmentation in MR images using atlas registration,voxel classification,and graph cuts [J]. Neuroimage,2008,43(4): 711-713.

[3] Wu G,Kim M,Sanroma G,et al. Hierarchical multi-atlas label fusion with multi-scale feature representation and label-specific patch partition [J]. NeuroImage,2015,106: 38-40.

[4] Hu,S,Collins D L. Joint level-set shape modeling and appearance modeling for brain structure segmentation [J]. Neuroimage,2007,36: 677-679.

[5] Buades A,Coll B,Morel J M. A review of image denoisingalgorithms,with a new one [J]. Multiscale Model Simulat,2005,4(2): 495-496.

[6] Klein S,Staring M,Murphy K,et al. Elastix: a toolbox for intensity-based medical image registration [J]. IEEE T Med Imaging,2010,29(1): 201-202.

[7] Kittler J,Alkoot F M. Sum versus vote fusion in multiple classifier systems [J]. IEEE Trans Pattern Anal Mach Intell,2003,25(1): 113-115.

[8] Coupé P,Manjón J V,Fonov V,et al. Patch-based segmentation using expert priors: application to hippocampus and ventricle segmentation [J]. NeuroImage,2011,54(2): 945-947.

[9] Rousseau F,Habas P A,Studholme C. A supervised patch-based approach for human brain labeling [J]. IEEE T Med Imaging,2011,30(10): 1855-1857.

[10] Ojala T,Pietik?inen M,Harwood D. A comparative study of texture measures with classification based on featured distributions [J]. Pattern Recogn,1996,29(1): 54-55.

[11] Hammers A,Allom R,Koepp M J,et al. Three-dimensional maximum probability atlas of the human brain,with particular reference to the temporal lobe [J]. Hum Brain Map,2003,19: 228-230.

[12] Hammers A,Chen C H,Lemieux L,et al. Statistical neuroanatomy of the human inferior frontal gyrus and probabilistic atlas in a standard stereotaxic space [J]. Hum Brain Map,2007,28: 35-36.

Atlas Label Fusion Based on the LBP Block Similarity

LIANG Yan
(Business School,Shanghai Jian Qiao University,Shanghai,China 200000)

Quantitative MRI analysis often requires accurate and reliable automatic segmentation of brain anatomical structures,and the automatic segmentation based on multi-Atlas brain MRI image is an effective method. During the process,atlas label fusion is the key issue. In this paper,an atlas label fusion method based on LBP block similarity is proposed. The paper demonstrates that the proposed method can obtain a more accurate segmentation result of the brain MRI image.

MRI; Image Segmentation; Label Fusion; Patch Similarity

TP391.7

：A

：1674-3563(2017)02-0042-06

10.3875/j.issn.1674-3563.2017.02.006 本文的PDF文件可以從xuebao.wzu.edu.cn獲得

(編輯：王一芳)

2016-11-02

溫州市公益性科技計(jì)劃項(xiàng)目(S20140019)

梁艷(1987-)，女，安徽桐城人，助教，碩士，研究方向：計(jì)算機(jī)金融，金融數(shù)學(xué)