人工智能在醫(yī)學(xué)影像中的MRI海馬區(qū)分割算法研究綜述

◆朱大龍 易云山

（網(wǎng)絡(luò)通信與安全紫金山實驗室江蘇 211100）

核磁圖像MRI（Magnetic Resonance Imaging）海馬區(qū)的分割是診斷阿茲海默癥等疾病的重要手段[1]。圖像分割后可以根據(jù)核磁機(jī)器成像的參數(shù)估算出海馬區(qū)的體積。因絕大多數(shù)病人的MRI海馬區(qū)會出現(xiàn)萎縮，因而在醫(yī)療過程中醫(yī)學(xué)專家可以通過病人的MRI海馬區(qū)的體積特征來診斷病人的病情。因此，MRI海馬區(qū)的圖像分割技術(shù)和算法在醫(yī)學(xué)上有較強(qiáng)的應(yīng)用需求。因此相關(guān)圖像處理專家學(xué)者都在積極研究MRI海馬區(qū)分割算法，以期獲得可靠的醫(yī)學(xué)影像數(shù)據(jù)。但是MRI海馬區(qū)圖像分割技術(shù)和算法是一項比較耗時、且有一定難度、重復(fù)性較高的枯燥工作，有研究表明傳統(tǒng)的分割一張MRI圖像大約需要2小時[2]，并且在手動分割的判定標(biāo)準(zhǔn)上也引起過較為廣泛的討論[3]，因此，傳統(tǒng)的圖像分割方法的耗時性、主觀性等因素都為客觀的、準(zhǔn)確的自動分割技術(shù)的發(fā)展和興起奠定了基礎(chǔ)。

1 臨床應(yīng)用

臨床應(yīng)用方面，不同的MRI海馬區(qū)分割方法有著不同的分割難度。手動分割技術(shù)需要豐富的專業(yè)知識，且耗時、重復(fù)、標(biāo)準(zhǔn)不一。而傳統(tǒng)的自動分割/半自動分割算法，在技術(shù)上也面臨著如下挑戰(zhàn)：

（1）海馬區(qū)與其相鄰區(qū)域【杏仁核（Amygdala）、丘腦（Thalamus）、尾狀核（Caudate Nucleus）等】在MRI成像上的灰度值很接近[4]。

（2）海馬區(qū)與鄰近區(qū)域的邊界也沒有明確的醫(yī)學(xué)定義。

（3）分割結(jié)果仍依賴所采用的分割算法以及預(yù)處理步驟[5]。

海馬體的形態(tài)特征分析在許多臨床應(yīng)用中被用作重要的生物標(biāo)志物（bio-marker），包括顳葉癲癇（temporal lobe epilepsy）、阿爾茨海默?。ˋD）和輕度認(rèn)知障礙（MCI）、精神分裂癥、重度抑郁癥、雙相情感障礙以及許多其他神經(jīng)和精神疾病[6]。鑒于海馬體測量廣泛的臨床應(yīng)用，需要開發(fā)可靠地將不同形狀和大小的海馬體進(jìn)行分割的方法。

通過使用MRI的T1結(jié)構(gòu)像，海馬體的萎縮已被證明是MCI患者將發(fā)展為 AD的一個預(yù)測性生物標(biāo)志物[7]。Frisoni[8]的一篇論文闡述了Structural MRI作為疑似AD患者臨床常規(guī)檢查的一部分的實用性。海馬體的體積測量也用于監(jiān)視AD的發(fā)展和評估潛在治療藥物的有效性。1998年Laakso[9]表明把MRI海馬區(qū)的體積作為分類依據(jù)（分類健康人與AD患者），就可以獲得92%的準(zhǔn)確率（靈敏度= 94%，特異性90%）。

海馬體體積的不對稱性（單側(cè)海馬體萎縮）已被證明是癲癇異常側(cè)化的預(yù)測因子（Cook et al. 1992;Cendes et al.1993[10]）。海馬體的萎縮也被用來衡量該疾病的進(jìn)展（Cendes 2005[11]）。

海馬體萎縮也與其他幾種疾病有關(guān)，但在這些疾病中，這種測量方法尚未被驗證為生物標(biāo)志物，這些包括但不限于：精神分裂癥（Nelson et al. 1997[12]）、創(chuàng)傷后應(yīng)激綜合征（Bremner et al. 1997[13]）、抑郁癥（Bremner et al. 2000[14]）、雙相情感障礙（Blumberg et al. 2003[15]）以及其他疾病（Geuze et al. 2005[16]）。

2 傳統(tǒng)分割算法和方法

從MRI海馬區(qū)的分割技術(shù)和算法發(fā)展過程和應(yīng)用到的計算機(jī)技術(shù)、圖像處理技術(shù)，自動化技術(shù)等發(fā)展角度來看，傳統(tǒng)的海馬區(qū)分割技術(shù)可分為：

2.1 Atlas-Based類算法和方法

Atlas在圖像分割的領(lǐng)域里表示圖像感興趣區(qū)域的理想劃分方式，它可以是有代表性個體的圖片，或者一些個體圖片的集合。Atlas在分割過程中可以以多種多樣的方式應(yīng)用，最簡單的例子就是“分割過程中可以以多種多樣的：通過配準(zhǔn)（registration）將目標(biāo)圖像轉(zhuǎn)換到Atlas圖像，從 Atlas坐標(biāo)系獲得分割信息后再通過反變換復(fù)原成原始目標(biāo)圖像的方法。

同樣，還有“樣，還有i-Atlas”的方法，也就是配準(zhǔn)到多個Atlas Image，分別獲得分割信息后通過一種“分abel fusion”的融合技術(shù)結(jié)合起來獲得最終原圖的分割技術(shù)方法。

另外一種利用Atlas分割的方法叫“割的方法叫“起來獲得最終原圖的分割技術(shù)方，主要先將不同Atlas配準(zhǔn)到一起，以獲得圖像的感興趣結(jié)構(gòu)的統(tǒng)計信息（幾何形狀、體素灰度、紋理），然后將該信息再應(yīng)用于 deformable model/classifier/optimizer方法中去的一種分割方法。

2.2 Deformable Model類算法和方法

在semi-automated分割方法中，專家手工畫出初始的輪廓，經(jīng)過將輪廓迭代變形，最后形成最終分割邊界；在automated方法中，初始輪廓由原圖與Atlas校準(zhǔn)獲得。

最初的deformable model名為ACM（Active Contour Model），由Kass提出。初始輪廓根據(jù)內(nèi)在能量（internal energies）和外在能量（external energies）變形，內(nèi)在能量保持輪廓平滑，外在能量由圖片灰度（intensity）定義。

改進(jìn)版本為 ASM（Active Shapes Model Cootes et al. 1995）和AAM（Active Appearance Model Cootes et al. 2001），二者同樣是Probabilistic-Atlas方法的實例，因其形變的概率信息是由幾個atlas得到的。

3 各類分割算法技術(shù)分析

3.1 基于Semi-Automated Methods的分割算法

1990年末該方法被提出，少數(shù)是根據(jù)課上學(xué)到的閾值分割和區(qū)域生長分割，更多的是使用更精細(xì)的，可以添加感興趣區(qū)域約束的技術(shù)，比如 deformable models， atlas-based techniques 和 classifier-based techniques，如人工神經(jīng)網(wǎng)絡(luò)。

第一種分割方法，使用的是較為基礎(chǔ)的分割技術(shù)。由于前面提到的分割海馬區(qū)的困難性，需要在分割過程中引入大量的主觀人為因素，用戶在分割的過程中與軟件互動進(jìn)行綜合分割。代表性的有Freeboroughet al. 1997[17]，提出的結(jié)合閾值和區(qū)域生長法，用戶互動地改變閾值和生長的參數(shù)，一邊修改一邊盯著屏幕進(jìn)行分割和判斷，最終給出分割數(shù)據(jù)和結(jié)果。

第二種分割方法，使用的是更為精細(xì)的分割技術(shù)。在第一種分割技術(shù)基礎(chǔ)上，融入了一些發(fā)展的新型技術(shù)，如計算機(jī)技術(shù)，自動化技術(shù)和圖像處理技術(shù)等。

在不同的分割算法方面，以上兩種分割方法亦有較為不同的算法處理方式。

（1）基于Deformable model的分割算法

Ashton et al. 1997[18]：基于ACM算法和方法。由于海馬體內(nèi)可能有大量的切片，算法使用前一個切片的分割區(qū)域作為后續(xù)切片的基礎(chǔ)。在文中作者提出了一種計算ACM外部能量的新方法，該方法對海馬區(qū)邊緣的不連續(xù)性不那么敏感。

Schnabel et al. 1999[19]：將atlas和ACM進(jìn)行混合算法處理，先對患者的第一個MRI海馬區(qū)體積進(jìn)行手動分段處理，然后執(zhí)行后續(xù)MRI sessions的自動分割。對于自動分割，第一個分割作為一個altas與后續(xù)的session配準(zhǔn)。

Kelemen et al. 1999[20]：第一個使用ASM算法做海馬區(qū)分割。該方法在輪廓變形過程中，考慮了海馬體的幾何變異性和圖像強(qiáng)度。初始輪廓是基于用戶在目標(biāo)圖像上標(biāo)記的點形成的。

（2）基于Atlas的分割算法

在這些方法中，用戶負(fù)責(zé)在圖像中選擇一些特定的點，這些點將用于對圖集的初射仿射配準(zhǔn)。然后對仿射變換后的圖像進(jìn)行非線性配準(zhǔn)。

Christensen et al.1997：在之前人工檢查的初始對準(zhǔn)基礎(chǔ)上，同時應(yīng)用了另外兩個配準(zhǔn)階段。

Haller et al. 1997&Hogan et al. 2000：通過使用流體力學(xué)方程計算的轉(zhuǎn)換，采用了單一的后續(xù)階段。

tangear .2012：提出了一種類似的方法，該方法使用一種 Large Deformation Diffeomorphic Metric Mapping （LDDMM）的技術(shù)。

3.2 基于Automated Methods的分割算法

隨著計算機(jī)技術(shù)、自動化技術(shù)和圖像處理技術(shù)的發(fā)展，從 2000年初開始，全自動分割的方法開始被提出。與半自動方法中用戶提供的初始幾何空間信息不同，全自動方法中加入了待分割結(jié)構(gòu)的解剖統(tǒng)計信息。這些方法中的大多數(shù)在某些階段使用了預(yù)先分割的地圖集，包括基于單地圖集、多地圖集或概率地圖集的典型方法，以及基于變形模型的混合方法。一些替代方法也使用分類器。

（1）Deformable models

Duchesne et al. 2002： AAM，通用的腦結(jié)構(gòu)分割，在MRI海馬區(qū)分割上驗證。

Klemencic et al. 2004：Single-Atlas+DeformableModels，與 Atlas配準(zhǔn)后將 Hippocampus區(qū)域轉(zhuǎn)到原圖片，然后將這個區(qū)域作為初始的AAM方法的輪廓。

（2）Single-Atlas Methods

Barnes et al. 2007：首先，通過仿射配準(zhǔn)來獲得與海馬體相對應(yīng)的ROI。然后，另外一個不同的仿射配準(zhǔn)應(yīng)用于前一階段定義的區(qū)域。

Kwak et al. 2013：使用graph cuts algorithm（Greig et al. 1989）和morphological opening operation，優(yōu)化基于atla的初始配準(zhǔn)的輸出結(jié)果。

（3）Multi-Atlas Methods

在多圖譜方法中，首先選擇一個圖譜，然后利用單圖譜技術(shù)對目標(biāo)圖像進(jìn)行分割。這個過程對每個可用的圖集重復(fù)，從不同atlas中獲得的不同片段集合并起來。最終分割的創(chuàng)建是通過標(biāo)簽融合技術(shù)（label fusion technique）完成的，這也是此類算法和方法應(yīng)用和發(fā)展過程的最大挑戰(zhàn)。

Heckemann et al. 2006：使用手動分割好的30個正常人的atlases?！皌lases好的 et al. 2006的最大test occurrence among the 30 atlases is attributed to each voxel.”。

Sabuncu et al. 2010 ：實現(xiàn)了一個通用的多圖譜方法，并測試了不同的標(biāo)簽融合算法，準(zhǔn)確率高于作為benchmark的FreeSurfer。

（4）Probabilistic-Atlas Methods

概率地圖集方法的使用始于將一組地圖集登記到一個標(biāo)準(zhǔn)空間。在這個標(biāo)準(zhǔn)空間中，可以編制與感興趣的結(jié)構(gòu)有關(guān)的統(tǒng)計數(shù)據(jù)，例如與圖像強(qiáng)度有關(guān)的發(fā)生概率、全局位置和鄰近結(jié)構(gòu)。在分割新目標(biāo)圖像的過程中，將每個體素劃分為是否屬于海馬體區(qū)域。這種分類是基于使用地圖集預(yù)先計算的概率。

Fischl et al. 2002：開發(fā)出著名的FreeSurfer軟件，成為大腦MRI結(jié)構(gòu)分割的基準(zhǔn)。

該方法提出將大腦分為包括海馬區(qū)的21類。如果考慮到不同操作人員之間的差異，自動分割的結(jié)果與手動分割的結(jié)果具有較高的準(zhǔn)確性和可比性。作者還對該方法檢測阿爾茨海默病早期患者海馬體小體積變化的能力進(jìn)行了廣泛的評估，發(fā)現(xiàn)該算法足夠敏感。

將概率圖譜應(yīng)用于分割的一種常用方法是使用基于概率圖譜計算的推理步驟。這個推理階段可以通過不同的技術(shù)來完成。

Ashton et al. 2003， Zhou and Rajapakse 2005 and Morra et al. 2008使用atlases作數(shù)據(jù)集的分類器

Tong et al. 2013 分類器+詞典 FDDLS （FixedDiscriminative Dictionary Learning for Segmentation）

Dill V et al. 2015 同時也給出上述不同方法的性能評估表。

4 深度學(xué)習(xí)算法和方法

隨著神經(jīng)網(wǎng)絡(luò)、人工智能、深度學(xué)習(xí)以及大數(shù)據(jù)、海量計算技術(shù)等新興信息技術(shù)的發(fā)展，文獻(xiàn)[21]提出了一個基于神經(jīng)網(wǎng)絡(luò)模型，能夠在標(biāo)準(zhǔn)硬件上在30秒內(nèi)分割雙側(cè)海馬體的單一T1大腦圖像，主要用于初始化和近似預(yù)配準(zhǔn)。其核心是一個由大量真實和合成的例子訓(xùn)練而成的深度3D卷積網(wǎng)絡(luò)。該算法不是從零開始，而是依賴于存在的FreeSurfer和現(xiàn)有的帶有FreeSurfer標(biāo)簽的在線數(shù)據(jù)集作為巨大的知識來源，這樣可快速、大幅度地增加了訓(xùn)練樣本的數(shù)量。但是，由于其將準(zhǔn)確度限制在FreeSurfer mask的范圍內(nèi)，因此訓(xùn)練集還包含大量額外的高精度、高信噪比合成樣本。訓(xùn)練樣本的混合，結(jié)合非線性幾何數(shù)據(jù)的擴(kuò)充過程，易于使網(wǎng)絡(luò)規(guī)整，使其具有較強(qiáng)的魯棒性。

該方法主要是首先使輸入近似地配準(zhǔn)到一個固定大小的感興趣的訓(xùn)練區(qū)域，然后海馬區(qū)被輸入到我們的卷積神經(jīng)網(wǎng)絡(luò)，輸出一個概率分割圖。此映射被映射回原始空間，并可選地設(shè)定閾值，這樣海馬體的體積就可以計算出來。

文獻(xiàn)[22]利用最近的進(jìn)展，通過人工智能、深度學(xué)習(xí)方法設(shè)計并實現(xiàn)了一個全自動分割方法，提供了較好的準(zhǔn)確性和快速的分割結(jié)果。該方法基于深度卷積神經(jīng)網(wǎng)絡(luò)（CNNs），并結(jié)合了獨特的分割和糾錯步驟。分割掩模由三個獨立的模型組成，與輸入體積的正交切片一起操作，而錯誤的標(biāo)簽隨后通過替換和改進(jìn)網(wǎng)絡(luò)的組合進(jìn)行校正。該研究方法探索了不同的訓(xùn)練方法，并演示了在基于CNN的分割中，如何通過遷移學(xué)習(xí)技術(shù)有效地結(jié)合多個數(shù)據(jù)集，從而提高海馬區(qū)的分割質(zhì)量。該方法被評價使用兩個不同的公共數(shù)據(jù)集，并與現(xiàn)有的方法進(jìn)行了比較。在EADC-ADNI HarP數(shù)據(jù)集中，該方法的輸出與可用的ground truth手動分割之間的對應(yīng)產(chǎn)生的平均Dice值為0.9015，而整個MRI體積所需的分割時間為14.8秒。在MICCAI數(shù)據(jù)集中，通過從較大的EADC-ADNI HarP數(shù)據(jù)集中轉(zhuǎn)移學(xué)習(xí)，Dice的平均值增加到0.8835。

該方法從網(wǎng)絡(luò)頂層結(jié)構(gòu)開始，利用2D卷積，將三維結(jié)構(gòu)像按三個不同的切片方向進(jìn)行訓(xùn)練，最后通過average fusion得到最后的結(jié)果。

5 結(jié)束語

由于MRI海馬區(qū)分割技術(shù)和算法具有廣泛的醫(yī)學(xué)臨床應(yīng)用需求，因此精確、可靠地分割MRI海馬區(qū)技術(shù)和算法越來越重要。隨著人工智能、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、大數(shù)據(jù)、云計算等相關(guān)計算機(jī)網(wǎng)絡(luò)技術(shù)和算法的發(fā)展，核磁共振圖像處理算法能力必將日益增強(qiáng)。同時加上更迫切、更多的臨床試驗，必將促進(jìn)MRI海馬區(qū)分割技術(shù)和算法得到進(jìn)一步發(fā)展。在未來發(fā)展方向上，MRI海馬體分割技術(shù)和算法必將借助于人工智能、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、大數(shù)據(jù)等新興計算機(jī)網(wǎng)絡(luò)技術(shù)，向著混合型分割算法，自動化分割技術(shù)方向發(fā)展，對醫(yī)學(xué)影像分割技術(shù)的提升和臨床應(yīng)用必將日益成熟。