基于多圖譜最優(yōu)標(biāo)簽融合的腦MR圖像分割*

程有娥(浙江工貿(mào)職業(yè)技術(shù)學(xué)院，浙江溫州325003)

基于多圖譜最優(yōu)標(biāo)簽融合的腦MR圖像分割*

程有娥
(浙江工貿(mào)職業(yè)技術(shù)學(xué)院，浙江溫州325003)

腦MR圖像分割已經(jīng)成為醫(yī)學(xué)相關(guān)領(lǐng)域研究的熱點和難點，是輔助相關(guān)疾病臨床診斷和醫(yī)學(xué)研究的不可或缺的一項關(guān)鍵技術(shù)。目前，比較有效的一類方法是基于多圖譜的腦MR圖像分割方法，該類方法涉及到的一個關(guān)鍵步驟是多圖譜標(biāo)簽的融合問題。本文針對傳統(tǒng)的圖譜標(biāo)簽融合方法所有圖譜標(biāo)簽均參與待標(biāo)記體素的標(biāo)簽融合，而沒有進(jìn)行圖譜標(biāo)簽選擇的問題，提出了一種新的基于圖譜圖像灰度信息與圖譜圖像標(biāo)簽信息相結(jié)合的圖譜標(biāo)簽選擇方法。通過該方法可以從各個圖譜中選擇合適的最優(yōu)圖譜標(biāo)簽參與標(biāo)簽融合，排除了不合適的圖譜標(biāo)簽對標(biāo)簽融合結(jié)果的影響，從而可以提高腦MR圖像的分割精度。通過腦MR圖像的分割實驗，并與常用的圖譜標(biāo)簽融合方法進(jìn)行了實驗對比，表明了本文提出的圖譜標(biāo)簽融合方法的有效性。

標(biāo)簽選擇；標(biāo)簽融合；多圖譜；圖像塊

0 引言

隨著人們生活水平的不斷提高，人均年齡的不斷增長，腦疾病已嚴(yán)重的威脅著中老年人的生命與健康，給人們的健康生活帶來了嚴(yán)重的影響。因此，實現(xiàn)腦疾病的早期無創(chuàng)診斷，顯得尤為重要。通過對腦磁共振圖像（又稱MR圖像）中感興趣腦組織的形狀、體積等進(jìn)行長期觀察與分析，并發(fā)掘出該感興趣腦組織與特定疾病之間的關(guān)系，是目前比較常用的一種腦疾病無創(chuàng)診斷方式。而該種方式的實現(xiàn)首先必須把感興趣的腦組織從整個大腦結(jié)構(gòu)中分離出來（即把該腦組織的邊界及其所在的區(qū)域標(biāo)記出來），才能達(dá)到觀察與分析的目的。目前，主要采用的是人工手動標(biāo)記的方式來實現(xiàn)腦部感興趣組織標(biāo)記的，這種人工標(biāo)記的方式存在諸多缺點，如人工標(biāo)記一幅腦MR圖像需要大量的體力、腦力和時間；每天臨床上產(chǎn)生的大量的待標(biāo)記腦MR圖像也使得人工手動標(biāo)記的方式變得不太現(xiàn)實等。因此，研究腦MR圖像的自動分割方法是一項十分具有意義的課題[1]。

腦MR圖像的分割同時也是一項非常具有挑戰(zhàn)性的課題，腦MR圖像中不同腦組織之間在灰度上及其相似，從圖像上看沒有明顯的組織邊界，導(dǎo)致了腦MR圖像的自動分割變得十分困難。為了克服這種困難實現(xiàn)腦MR圖像的自動分割，近來發(fā)展出了一類基于人腦固有結(jié)構(gòu)特點先驗信息的基于圖譜的腦MR圖像自動分割方法[2]，該方法從人腦解剖學(xué)的角度出發(fā)，認(rèn)為不同腦MR圖像的大腦結(jié)構(gòu)及其位置是相對固定和不變的。因此，可以借助已經(jīng)標(biāo)記好的腦MR圖像這種先驗信息來實現(xiàn)待分割腦MR圖像的自動分割。

在基于圖譜的腦MR圖像分割方法中，一例圖譜是由一幅腦MR圖像及與該腦MR圖像所對應(yīng)的一個分割結(jié)果圖像（又稱之為標(biāo)簽圖像）組成。在只有一例圖譜的情況下，獲得待分割腦MR圖像分割結(jié)果的過程如下：首先進(jìn)行的是待分割腦MR圖像與圖譜圖像之間的配準(zhǔn)；然后利用配準(zhǔn)獲得的映射關(guān)系對標(biāo)簽圖像進(jìn)行標(biāo)簽映射；最后標(biāo)簽映射后獲得的圖像即可當(dāng)做待分割腦MR圖像的一個近似分割結(jié)果[3-4]。當(dāng)存在有多個圖譜的情況下，則可以重復(fù)上述過程多次，可以獲得待分割腦MR圖像的多個近似分割結(jié)果，如何對待分割腦MR圖像的多個近似分割結(jié)果進(jìn)行融合，從而獲得待分割圖像最終的分割結(jié)果（又稱這個過程為圖譜標(biāo)簽融合過程）是該類方法中研究的比較多的一個問題，同時也是對最終分割結(jié)果影響較大的一個因素。

不同的圖譜標(biāo)簽融合方法，對待分割腦MR圖像最終分割結(jié)果的影響很大。最簡單的一類圖譜標(biāo)簽融合方法是多數(shù)投票表決法（Majority Voting, MV）[5]和單圖譜選擇法?；诙鄶?shù)投票表決的標(biāo)簽融合方法利用各個圖譜標(biāo)簽映射后獲得的結(jié)果對待分割腦MR圖像中的每一個體素進(jìn)行投票，獲得票數(shù)最多的一類標(biāo)簽即為該體素最終融合所得到的標(biāo)簽。這種方法的缺點是投票過程中所有圖譜標(biāo)簽的權(quán)重相同，沒有考慮到圖譜與待分割圖像的差異性。基于圖譜選擇的方法利用圖像間的相似性測量準(zhǔn)則從若干個圖譜中選擇一個與待分割圖像最相似的圖譜進(jìn)行配準(zhǔn)、標(biāo)簽映射從而獲得待分割腦MR圖像對應(yīng)的分割結(jié)果。該類方法中圖譜圖像與待分割圖像之間相似性測量顯得尤為重要，因為待分割圖像的分割結(jié)果只參考了一例圖譜所提供的先驗信息。

基于圖譜標(biāo)簽局部加權(quán)的標(biāo)簽融合方法是一種十分有效的圖譜標(biāo)簽融合方法[6]，這類方法在一定程度上有效克服了基于多數(shù)投票表決的圖譜標(biāo)簽融合方法所存在的缺陷。該類方法對參與標(biāo)簽融合的每個圖譜標(biāo)簽分別分配一個獨有的標(biāo)簽權(quán)重，以此來反應(yīng)相應(yīng)圖譜標(biāo)簽在標(biāo)簽融合過程中的影響力，達(dá)到了提高與待標(biāo)記體素越相似的圖譜體素所對應(yīng)標(biāo)簽在標(biāo)簽融合過程中的影響力，降低與待標(biāo)記體素不相似的圖譜體素所對應(yīng)標(biāo)簽在融合過程中干擾性的目的[7]。

本文主要研究圖譜標(biāo)簽的融合方法，旨在有效將各個圖譜的標(biāo)簽進(jìn)行融合從而獲得待分割腦MR圖像一致性的分割結(jié)果。針對基于圖譜標(biāo)簽局部加權(quán)的標(biāo)簽融合方法，在圖譜標(biāo)簽融合過程中所有圖譜標(biāo)簽均參與標(biāo)簽融合過程，而沒有過濾掉那些不合適圖譜標(biāo)簽對最終標(biāo)簽融合結(jié)果影響的問題，提出了一種最優(yōu)圖譜標(biāo)簽選擇的策略，從而可以選擇出合適的圖譜標(biāo)簽進(jìn)行標(biāo)簽的加權(quán)融合，以期提高腦MR圖像的分割精度。該最優(yōu)圖譜標(biāo)簽選擇策略，將結(jié)合圖譜圖像局部灰度分布信息與圖譜局部標(biāo)簽分布信息進(jìn)行最優(yōu)圖譜標(biāo)簽的選擇。通過實驗，驗證了本文所提出的最優(yōu)圖譜標(biāo)簽選擇策略的有效性，表明了本文所提出的圖譜標(biāo)簽融合方法能在一定程度上提高腦MR圖像的分割精度。

1 基于圖譜標(biāo)簽局部加權(quán)的標(biāo)簽融合方法

本節(jié)主要介紹基于圖譜標(biāo)簽局部加權(quán)的標(biāo)簽融合方法基本框架以及相關(guān)的符號表示。在本文中，主要針對的是腦MR圖像單個腦組織的分割，因此，在腦MR圖像中與圖譜標(biāo)簽1所對應(yīng)的區(qū)域是目標(biāo)腦組織區(qū)域，與圖譜標(biāo)簽0所對應(yīng)的區(qū)域是背景區(qū)域。本文不涉及到具體配準(zhǔn)算法的研究，因此將與待分割圖像T分別進(jìn)行配準(zhǔn)后獲得的N圖譜圖像記為I={Is|s=1,…,N}及對應(yīng)的圖譜標(biāo)簽記為L={Ls|s=1,…,N}。對待分割圖像中的任意一個體素x(x∈T)，將以該體素為中心的一個圖像塊記為p(x),在各個圖譜圖像中以相應(yīng)位置為中心的一個搜索鄰域記為n(x)，將該搜索鄰域內(nèi)的每一個體素用一個以該體素為中心的圖像塊來表示，并記為p(s,j),s=1,…,N,j∈n(x)。圖像塊中心點的標(biāo)簽表示為y(s,j)。則待分割圖像中的任意一個體素x (x∈T)的標(biāo)簽LT(x)可以通過式(1)和式(3)獲得。

式(1)中xs,j表示第s個圖譜圖像搜索鄰域n(x)內(nèi)的一個體素，w(x,xs,j)則表示圖譜標(biāo)簽ys,j在標(biāo)簽融合過程中的權(quán)重。w(x,xs,j)一種常用的計算方式如式(2)所示[6]。

在式(2)中p(x)與p(s,j)分別表示以體素x和以體素xs,j為中心的圖像塊?！?表示L2范式，h是一個與圖像平滑性有關(guān)的參數(shù)，主要通過實驗獲得。

從上述過程可以看出搜索鄰域n(x)內(nèi)的所有標(biāo)簽均參與了圖譜標(biāo)簽的融合過程，而在這個過程中沒有過濾掉那些不適合的圖譜標(biāo)簽對標(biāo)簽融合性能的干擾。比如某些圖譜可能存在錯誤的圖譜標(biāo)簽，那么這類標(biāo)簽參與融合將會對融合結(jié)果的一致性造成干擾，降低了腦MR圖像的分割精度。針對該問題，本文提出了一種新的最優(yōu)圖譜標(biāo)簽選擇方法，有選擇性的選出參與標(biāo)簽融合的各圖譜標(biāo)簽。具體方法將在下一節(jié)中進(jìn)行介紹。

2 本文方法

本節(jié)主要介紹圖譜標(biāo)簽選擇方法的具體選擇過程，該選擇方法主要建立在圖像塊的基礎(chǔ)之上，通過對圖譜標(biāo)簽所在的圖像塊進(jìn)行分析，從而確定出相應(yīng)標(biāo)簽是否適合參與圖譜標(biāo)簽的融合過程。主要涉及到兩次圖譜標(biāo)簽的選擇過程，下面將對這兩次圖譜標(biāo)簽的選擇過程進(jìn)行具體介紹。

如在第二節(jié)中所介紹的，為標(biāo)記待分割圖像T中的一個體素x，來自于N個圖譜的圖譜標(biāo)簽y(s,j)，s=1,…,N,j∈n(x)均將參與圖譜標(biāo)簽的加權(quán)融合過程。記G=N.||n(x)，其中||n(x)表示各圖譜搜索鄰域內(nèi)體素的總個數(shù)并記g=||n(x)，因此將有G個標(biāo)簽參與圖譜標(biāo)簽融合過程，每個圖譜中有g(shù)個圖譜標(biāo)簽參與標(biāo)簽融合。

第一次圖譜標(biāo)簽選擇：

對于某一圖譜中的g個標(biāo)簽記為l1,…,lg，將每個標(biāo)簽對應(yīng)的體素表示成一個以該體素為中心的圖像塊，則可以得到g個圖像塊，分別記為p1,…,pg。根據(jù)圖像塊中各體素對應(yīng)的標(biāo)簽可以將圖像塊中的體素分為兩類，一類體素對應(yīng)的標(biāo)簽值為0，另一類體素對應(yīng)的標(biāo)簽值為1，圖像塊內(nèi)的這兩類體素如圖1所示。分別計算圖像塊內(nèi)這兩類體素的灰度均值，將與標(biāo)簽值為0對應(yīng)的體素的灰度均值記為Zmi,i=1,…,g，將與標(biāo)簽值為1對應(yīng)的體素的灰度均值記為Omi,i=1,…,g。

圖1 圖像塊及其對應(yīng)的標(biāo)簽

記該圖譜的g個圖像塊中滿足Omi≥Zmi的圖像塊個數(shù)為p，滿足Omi＜Zmi的圖像塊個數(shù)為q。若p≥q則選擇滿足Omi≥Zmi的p個標(biāo)簽參與圖譜標(biāo)簽融合，否則選擇滿足條件Omi＜Zmi的q個標(biāo)簽參與圖譜標(biāo)簽融合。通過上述標(biāo)簽選擇策略后，記從N個圖譜的搜索鄰域n(x)內(nèi)，共選擇出了r個圖譜標(biāo)簽參與標(biāo)簽融合，其中r≤G，具體融合方法采用第二節(jié)中介紹的方法來進(jìn)行標(biāo)簽融合。

第二次圖譜標(biāo)簽選擇：

記融合后獲得的待分割圖像的分割結(jié)果圖像為T，將上述選擇的r個圖譜標(biāo)簽分別表示為一個以該標(biāo)簽為中心的標(biāo)簽塊，通過式(4)分別計算這r個圖譜標(biāo)簽與T中相應(yīng)標(biāo)簽對應(yīng)標(biāo)簽塊之間的相似性。

式中函數(shù)f(x,y)表示當(dāng)x=y時，f(x,y)=1，否則f(x,y)=0。P1和P2分別代表兩個標(biāo)簽塊，k表示標(biāo)簽塊中標(biāo)簽的總個數(shù)，a表示標(biāo)簽塊中的某一個位置標(biāo)簽的序號。選擇所計算出來的相似性大于等于某一給定的閾值的若干個圖譜標(biāo)簽繼續(xù)參與標(biāo)簽融合，則可以得到待分割腦MR圖像T的最終分割結(jié)果LT。

通過上述的具體描述，可以將本文方法簡單概括為算法1的形式：

輸入：待分割圖像T，與待分割圖像T分別進(jìn)行配準(zhǔn)后獲得的N個圖譜圖像及其對應(yīng)的圖譜標(biāo)簽圖像I={Is|s=1,…,N}，L={Ls|s=1,…,N}；

輸出：待分割圖像的分割結(jié)果LT。

Step1：提取各圖譜搜索鄰域n(x)內(nèi)的標(biāo)簽信息；Step2：進(jìn)行第一次圖譜標(biāo)簽的選擇；

Step3：利用式(1)與式(3)對Step2中選擇出來的標(biāo)簽進(jìn)行加權(quán)融合從而獲得待分割圖像的初步近似分割結(jié)果T；

Step4：運(yùn)用式(4)進(jìn)行第二次圖譜標(biāo)簽選擇；

Step5：利用式(1)與式(3)對Step3中選擇出來的標(biāo)簽進(jìn)行再次加權(quán)融合從而獲得待分割圖像的初步近似分割結(jié)果LT(x)；

Step6：重復(fù)Step1～Step5即可獲得待分割圖像T的分割結(jié)果LT。

3 實驗結(jié)果與分析

本節(jié)主要驗證上述圖譜標(biāo)簽選擇方法對腦MR圖像分割效果的影響，同時將本文所提方法與最基本的基于多數(shù)投票表決的圖譜標(biāo)簽融合方法(Majority Voting,MV)[5]、基于非局部相似性的加權(quán)的圖譜標(biāo)簽融合方法(Nonlocal Patch-Based Label Fusion Method,NPBL)[6]以及基于塊稀疏表示的圖譜標(biāo)簽融合方法(Sparse Patch-based Label Fusion Method,SPBL)[7]進(jìn)行了比較。

本文實驗所使用到的腦MR圖像來自于IXI[8-9]圖譜庫，該圖譜庫主要由30幅三維腦MR圖像組成，每個MR圖像都有一個標(biāo)簽圖像與其對應(yīng)，該標(biāo)簽圖像中不同的標(biāo)簽值對應(yīng)著不同的腦部組織。實驗中將一個圖譜的MR圖像作為待分割的目標(biāo)圖像，其余29個則作為圖譜使用。主要對腦部如下2個組織進(jìn)行了分割：Hippocampus(海馬體)與Pallidum(蒼白球)。圖2是Hippocampus的一例圖譜的三個截面(軸狀位、矢狀位、冠狀位)的顯示結(jié)果，圖中標(biāo)記出來的紅色部分即為已經(jīng)勾畫出來的腦Hippocampus組織。

為了評價腦組織分割結(jié)果的好壞，本文主要通過將自動分割方法分割出來的腦組織與圖譜中專家勾畫出來的腦組織進(jìn)行對比量化分析，具體是計算自動方法分割出來的腦組織與專家手工勾畫出來的金標(biāo)準(zhǔn)之間的重疊率，重疊率越高表示自動分割方法分割出來的組織越接近專家勾畫出來的金標(biāo)準(zhǔn)。重疊率計算方法如下[11-14]：

圖2 帶有Hippocampus標(biāo)記的腦MR圖像

其中R1和R2代表兩個圖像的分割區(qū)域，其中一個代表金標(biāo)準(zhǔn)另一個代表自動分割方法分割出來的區(qū)域。

表1展示了不同方法分割腦組織Hippocampus與腦組織Pallidum獲得的平均重疊率。表中的每一個數(shù)據(jù)表示分割30例腦MR圖像相同組織獲得的平均重疊率，因此該表能從整體上反映出各個標(biāo)簽融合方法分割性能的好壞。從表中可以看出NPBL方法要優(yōu)于MV方法(Pallidum例外)，SPBL方法從整體上要優(yōu)于NBPL方法。從該表中可以看出本文所提出的基于多圖譜最優(yōu)標(biāo)簽融合的腦MR圖像分割方法獲得的量化指標(biāo)(重疊率)是最好的，本文方法與NPBL方法唯一的差別在于本文方法加入了圖譜標(biāo)簽選擇的過程，而NPBL方法則是沒有選擇的將所有標(biāo)簽都進(jìn)行加權(quán)融合，從這兩種方法之間的對比更能反映出本文所提出的最優(yōu)圖譜標(biāo)簽選擇策略的有效性，表明了本文所提出的兩種圖譜標(biāo)簽選擇策略能夠有效的將異常圖譜標(biāo)簽進(jìn)行選擇過濾，提高了標(biāo)簽融合的效果(腦MR圖像的分割精度)。

表1 不同方法對不同組織分割后的平均重疊率(%)

圖3展示了一例Hippocampus的具體分割結(jié)果，通過與圖譜中的金標(biāo)準(zhǔn)進(jìn)行對比，可以發(fā)現(xiàn)本文方法分割出來Hippocampus在形狀、大小方面都與金標(biāo)準(zhǔn)的十分接近，表明了本文所提出的新方法具有較好的腦MR圖像分割性能。

圖3 本文方法與金標(biāo)準(zhǔn)的Hippocampus分割結(jié)果對比

4 結(jié)束語

本文提出了一種基于多圖譜最優(yōu)標(biāo)簽融合的腦MR圖像分割方法，該方法在傳統(tǒng)的基于標(biāo)簽加權(quán)的融合方法基礎(chǔ)上提出了一種最優(yōu)圖譜標(biāo)簽選擇的方法，該方法首先通過將圖譜局部灰度信息與局部標(biāo)簽信息相結(jié)合，進(jìn)行圖譜標(biāo)簽的第一次選擇；然后對所選擇的圖譜標(biāo)簽進(jìn)行加權(quán)融合，獲得待分割圖像的初步分割結(jié)果；最后，通過圖譜局部標(biāo)簽與待分割圖像局部分割結(jié)果之間的相似性進(jìn)行圖譜標(biāo)簽的再次選擇，并利用此次選擇的圖譜標(biāo)簽進(jìn)行標(biāo)簽加權(quán)融合，從而獲得待分割圖像的最終分割結(jié)果。實驗結(jié)果表明了本文所提出的圖譜標(biāo)簽選擇策略，能夠在一定程度上克服不良圖譜標(biāo)簽對標(biāo)簽融合的影響，提高了腦MR圖像的分割精度。

[1]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.

[2]L?tj?nen J M P,Wolz R,Koikkalainen J R,et al.Fast and robust multi-atlas segmentation of brain magnetic resonance images[J]. Neuroimage,2010,49(3):2352-2365.

[3]Sabuncu M R,Yeo B T T,Van Leemput K,et al.A generative model for image segmentation based on label fusion[J].IEEE transactions on medical imaging,2010,29(10):1714-1729.

[4]Van der Lijn F,De Bruijne M,Klein S,et al.Automated brain structure segmentation based on atlas registration and appearance models[J].IEEE transactions on medical imaging,2012,31(2):276-286.

[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]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):940-954.

[7]Rolf A.Heckemann,Joseph V.Hajnal,Paul Aljabar,Daniel Rueckert and Alexander Hammers.Automatic anatomical brain MRI segmentation combining label propagation and decision fusion[J].NeuroImage,2006,33(1):115-126.

[8]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].Human brain mapping,2003,19(4):224-247.

[9]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].Human brain mapping,2007,28(1):34-48.

（責(zé)任編輯：潘修強(qiáng)）

Brain MR Image Segmentation Based on Multi-Atlas Optimal Label Fusion

CHENG You-e
（Zhejiang Industry&Trade Vocational College,Wenzhou,325003,China）

Brain MR image segmentation has become a hot and difficult point in the field of medical research,and it is one of the key technologies for clinical diagnosis and medical research.At present,one of the most effective methods is based on the multi-atlas MR image segmentation,and multi-atlas label fusion is a key step of this kind method.In this paper,we focus on the traditional label fusion methods that all of the atlas labels are involved in the label fusion process,but there is no choice of the atlas label.In this paper,a new label selection method based on the gray level information and the label information of the atlas is presented.This method can select the optimal atlas label from all of the atlas,excluding the impact of labels that not suitable for label fusion,which can improve the accuracy of the segmentation of brain MR images.Through the experiment of brain MR image segmentation,and the comparison with the commonly used label fusion method,the validity of the proposed method is demonstrated.

Label selection;Label fusion;Multi-atlas;Image patch

TP391.41

A

1672-0105(2017)02-0030-05

10.3969/j.issn.1672-0105.2017.02.008

2017-04-22

2014年溫州市公益性科技計劃項目“基于多圖譜的腦MR圖像海馬體分割方法研究”(S20140019)

程有娥，女，碩士，浙江工貿(mào)職業(yè)技術(shù)學(xué)院教授，主要研究方向：計算機(jī)應(yīng)用。