對稱歸一化配準的多圖譜大腦擴散張量圖像分割

蔡文琴， 王遠軍

（上海理工大學 健康科學與工程學院, 上海 200093）

隨著我國人口老齡化程度加深，大腦精神類疾病的發(fā)病率呈現(xiàn)快速增長趨勢，例如，原發(fā)性老年癡呆癥[1]、腦缺血[2]、中風[3]及精神分裂[4]等。擴散張量成像(diffusion tensor imaging, DTI)[5]是唯一能夠非侵入性地對生物組織中水分子的各向異性擴散特征進行成像的成像模態(tài)，它能夠提供組織微細結(jié)構(gòu)信息，特別是對于大腦白質(zhì)組織在分子水平上的檢測更為靈敏?；贒TI 的全腦解剖學分割能夠獲取腦組織中細微的結(jié)構(gòu)信息，并對DTI 數(shù)據(jù)中腦白質(zhì)或病變區(qū)域進行提取與處理，能夠為臨床疾病的輔助診斷提供更好的分析手段。一般來說，由臨床醫(yī)生手動進行勾畫的腦解剖學圖像被認為是最準確的分割方法，俗稱“金標準”；然而，由于DTI 圖像的圖像分辨率低，且為四維圖像，因而不易于被醫(yī)生進行手動分割。因此，開發(fā)一種具有較高準確率和魯棒性的DTI圖像自動分割算法已經(jīng)成為國內(nèi)外醫(yī)學圖像處理與分析領(lǐng)域的研究熱點。

傳統(tǒng)的醫(yī)學圖像分割方法有很多，例如，閾值分割法[6]、區(qū)域生長法[7]及水平集分割法[8]等，這些方法是利用圖像的灰度、梯度或者其他區(qū)域的特征進行分割，而DTI 圖像每個體素是 3×3的張量，因其圖像特點，它不適用于這些方法進行分割。為此，近年來國內(nèi)外學者紛紛提出了各種不同的方法對張量圖像進行分割。Rittner 等[9]通過梯度的計算，使用分水嶺分割算法對DTI 數(shù)據(jù)中的胼胝體進行了分割。在此基礎(chǔ)上，王毅等[10]提出了一種基于矢量活動輪廓模型的DTI 腦胼胝體分割方法，該類算法對于局部某個腦區(qū)的分割效果尚可，但是，對分割大腦多個腦區(qū)的效果欠佳，而且由于分水嶺算法對于邊緣信息的敏感度，容易導致其產(chǎn)生過分割的現(xiàn)象；Lenglet 等[11]提出了張量空間的高斯概率活動輪廓模型分割算法對DTI 大腦數(shù)據(jù)進行分割，并推導出了用于衡量張量間不相似性的測地距離，但該算法的分割精準度和魯棒性會隨著DTI數(shù)據(jù)中高斯模型的變化而產(chǎn)生影響；Dai 等[12]提出了DTI 大腦縱向分割方法，但是，由于該算法對數(shù)據(jù)集的要求高，需要多次重復(fù)采集大腦數(shù)據(jù)來改善分割效果，且它的方法以結(jié)構(gòu)圖像為主，僅利用DTI 成像的各向異性分數(shù)圖像，因此，并不適用于對普通DTI 大腦圖像的分割研究。綜上所述，由于腦部結(jié)構(gòu)的復(fù)雜性以及腦部區(qū)域邊界的模糊性，上述方法在分割DTI 圖像的不同腦組織的精確度上差異很大，存在著一定的局限性。

針對上述方法的不足，本文提出了一種基于對稱圖像歸一化配準的DTI 腦區(qū)分割方法，它是以磁共振T1 圖像的分區(qū)圖為前提，利用ANTs 配準方法，結(jié)合對稱圖像歸一化的配準模型，將磁共振T1 圖像與DTI 的b0 圖像進行配準，從而獲取DTI 空間的位移場信息，再使用位移場將T1 圖像的分區(qū)圖映射至DTI 空間，最終得到DTI 圖像的腦區(qū)分割結(jié)果。本文選取了阿爾茨海默癥（Alzheimer's Disease, AD）患者作為實驗對象進行研究，而其發(fā)病時通常局部腦區(qū)會發(fā)生異常，因此，需要選取合適的方法對局部腦區(qū)的分割結(jié)果進行定量和定性的評估。以往的方法大多采用兩種方式：一種是針對DTI 圖像的局部腦區(qū)，通常會選用手動分割該區(qū)域，再將自動分割結(jié)果與其作比較，來驗證實驗的準確性。此方法對磁共振T1 圖像的適用性更高，但是，由于DTI 圖像的分辨率低，在此基礎(chǔ)上進行手動分割的效果不佳，容易因“金標準”劃分的錯誤而直接影響其最終結(jié)果。因此，本文采用的是定量評估中常用的另一種方法，即統(tǒng)計學的研究方法，它可以從側(cè)面反映局部腦區(qū)劃分的準確性，且該方法可結(jié)合DTI 圖像中的各向異性圖來更好地驗證AD 患者發(fā)病時相較于正常對照組（normal control, NC）其腦區(qū)異常部分。實驗結(jié)果表明，該算法取得了良好的分割結(jié)果，有助于精確地理解人腦微觀結(jié)構(gòu)，進而更好地輔助臨床進行疾病的診斷。

1 對稱歸一化配準的多圖譜大腦擴散張量圖像分割方法

基于DTI 成像的全腦區(qū)分割方法是基于磁共振T1 成像的更深層研究，由于DTI 圖像的不易分割性，因此，實驗考慮將已得到的基于T1 成像的腦分割圖像通過某種配準和映射的方式轉(zhuǎn)換為對應(yīng)的DTI 分區(qū)圖?；诖殴舱馮1 的大腦分割方法[13]是利用多圖譜的分割方法，借助多項式展開的配準和全局加權(quán)融合，得到最終目標圖像的分割結(jié)果。得到T1 分割圖像后，提取同一病例DTI 圖像的b0 圖像，將目標圖像與b0 圖像運用ANTs（advancednormalization tools）中的對稱歸一化（symmetric normalization，SyN）變換模型對兩者進行空間配準，將位移場參數(shù)映射至T1 對應(yīng)的分割結(jié)果中，即可得到在DTI 空間上的全腦區(qū)分割結(jié)果，此方法將不易被手動分區(qū)的DTI 圖像進行了巧妙的轉(zhuǎn)換，利用磁共振T1 圖像的特點，得到了最終的分割結(jié)果。該方法的流程如圖1 所示。

圖1 DTI 圖像分割算法流程圖Fig.1 Flow chart of DTI image segmentation algorithm

1.1 ANTS 配準方法

由于不同人群的大腦解剖結(jié)構(gòu)各不相同，因此，需要通過配準操作將不同的個體配準到同一個空間上，從而確定大腦的形態(tài)。ANTs[14]是近年來對2 個圖像進行配準中效果最好的軟件之一，它是基于C 語言進行編寫的，其運行速度較快，且不受圖譜與目標圖像的圖像大小限制，此配準包通常在Linux 系統(tǒng)下使用較為廣泛。

實驗中，使用ANTs 中的SyN 變換模型[15]進行配準操作，它是仿射變換和可變形變換的結(jié)合，以互信息作為其優(yōu)化的指標，用最大化微分同胚映射空間內(nèi)的互相關(guān)，優(yōu)化了歐拉-拉格朗日配準技術(shù)所不能保證的相似性度量的對稱性。微分同胚是具有可逆性的映射[16]，通常假設(shè)剛性和縮放變換已經(jīng)進行了提取，且圖像的邊界也能進行映射。在此空間中元素之間的最短路徑稱之為測地線，SyN 方法能夠保證在測地線連接2 個圖像（即圖像I 和圖像J）的前提下，使得2 個圖像都沿著形狀進行流線型移動，且無論相似度或優(yōu)化參數(shù)如何改變，從圖像I 到圖像J 和從圖像J 到圖像I 的路徑一致。此外，在進行距離估算的同時，也要保證其對稱一致性，其映射情況如圖2所示。第1 行為初始化時的原始圖像I 和原始圖像J；第2 行為經(jīng)過SyN 方法收斂后，這些圖像經(jīng)過微分同胚變形后的狀態(tài)；第3 行為變形的位移場；第4 行為變換的函數(shù)。I（0.5）表示在0.5 時刻原始圖像I（0）變換后的圖像。

圖2 圖像I 和圖像J 的SyN 測地線路徑[17]Fig.2 SyN geodesic path of image I and image J[17]

1.2 b0 圖像的位移場映射

DTI 技術(shù)是近年來研究腦成像的新方向，它是利用水分子布朗運動的特點去間接反映人體組織結(jié)構(gòu)，根據(jù)水分子的運動方向及形式去判斷其三維走向，從而達到研究腦功能的目的，對腦白質(zhì)疾病及研究腦網(wǎng)絡(luò)的連接性、完整性及其他特點的評估提供了新的依據(jù)，具有磁共振T1 加權(quán)像、磁共振T2 加權(quán)像等其他常規(guī)MRI 圖像無法與之比較的優(yōu)越性。b0圖像是DTI圖像在掃描時當b值為0 時生成的圖像[18]，b為擴散敏感系數(shù)，其表達式為

式中： γ為旋磁比；G為 磁場強度； δ為每個梯度脈沖施加的時間； Δ為脈沖施加的時間間隔。

從式（1）中可以得到，b值為常數(shù)，由施加磁場的梯度場強的參數(shù)來確定，且b的值越大，彌散運動發(fā)生時水分子越敏感，b0 圖像如圖3 所示。

圖3 b0 大腦圖像Fig. 3 b0 brain image

實驗中，將目標的待分割T1 加權(quán)圖像與DTI的b0 圖像通過ANTs 進行配準，得到其空間的對應(yīng)位置信息及映射的位移場參數(shù)，再將此位移場映射至目標圖像的分區(qū)圖，即可得到在DTI 空間上的全腦區(qū)分割圖像。

1.3 FA 圖像

各向異性分數(shù)(fractional anisotropy, FA)[19]是用來反映分子之間的差別和離散性的表示方法，它的定義為

式中：FA為部分各向異性指數(shù)； λ1，λ2，λ3表示擴散張量的本征值， λ=(λ1+λ2+λ3)/3表示張量的平均擴散率。

FA常用于衡量擴散張量部分各向異性的程度，它的值在0～1 之間進行變化，當FA=0 時，則表示擴散各向同性；當FA=1 時，則表示擴散各向異性。目前，在臨床研究中，F(xiàn)A值的應(yīng)用較為廣泛，其原因如下：

a.FA值不會隨著坐標系的改變而輕易進行改變，也就是說它具有旋轉(zhuǎn)不變性的特點。

b. FA 圖像可以獲取到腦灰質(zhì)及腦白質(zhì)之間的對比性，因此，它可以較為容易地對腦部的感興趣區(qū)域進行提取，適用于作為全腦區(qū)分割的參考比較圖像。

c. FA 圖像具有較高的信噪比，與腦區(qū)分割圖像進行點乘后可以較好地反映各個腦區(qū)的不同特征，便于后續(xù)的針對某個腦區(qū)或者某些區(qū)域進行分析，F(xiàn)A 圖像如圖4 所示。

圖4 FA 大腦圖像Fig. 4 FA brain image

由于FA 圖像是表示腦白質(zhì)等組織各向異性及完整性的一個度量指標，而AD 患者發(fā)病時通常腦白質(zhì)等區(qū)域容易發(fā)生異常。因此，本實驗選擇將DTI 的FA 圖像與磁共振T1 分區(qū)圖對應(yīng)的各個腦區(qū)的標簽進行逐一點乘，提取出各個感興趣的腦區(qū)區(qū)域，再針對AD 患者發(fā)病時容易發(fā)生異常的腦區(qū)通過合適的統(tǒng)計學方法進行評估和驗證。

1.4 統(tǒng)計分析方法

實驗中，利用SPSS(statistical product and service solutions)17.0 軟件[20]對所得到的腦區(qū)分割結(jié)果進行統(tǒng)計學評價，運用獨立樣本t檢驗對AD 和NC 進行比較。在進行獨立樣本t檢驗前，需要對實驗數(shù)據(jù)進行正態(tài)分布的驗證，保證其滿足正態(tài)分布才能進行下一步的分析。因為只有滿足了這個前提，才可以保證計算出的統(tǒng)計量能夠滿足T 分布[21]。當P＞0.05 時，則接受原來的假設(shè)，認為對應(yīng)腦區(qū)的差異不具有統(tǒng)計學意義；在P＜0.05時，則否定原先假設(shè)，認為對應(yīng)腦區(qū)的差異具有統(tǒng)計學意義。在統(tǒng)計參數(shù)的比較中，選擇腦區(qū)圖像的灰度平均值進行統(tǒng)計學檢驗，灰度均值反映了圖像中所有像素灰度值的算數(shù)平均。均值越大，則說明圖像的亮度越大；均值越小，則代表圖像的亮度越小，其公式為

式中：An代 表計算得出的灰度均值；a1，a2，···，an代 表各個像素點的像素值；n代表像素點的總個數(shù)。

2 實驗數(shù)據(jù)

2.1 實驗環(huán)境與數(shù)據(jù)

本文所有的實驗均在Window10 系統(tǒng)下進行操作，運行環(huán)境為：內(nèi)存8.0 GB；芯片Intel Core（TM） i7-8700 CPU @3.20GHz；算法是基于Matlab語言開發(fā)的，其版本為R2018a。實驗的第一個數(shù)據(jù)集來源于the Alzheimer’s Disease Neuroimaging Initiative（ADNI）[22]數(shù)據(jù)集的40 例磁共振T1 加權(quán)MRI 序列和其對應(yīng)的DTI 序列圖像（其中，20 例為AD 患者病例，20 例為NC 對照組）；第二個數(shù)據(jù)集是15 例T1 加權(quán)像及它對應(yīng)的標簽圖像，該數(shù)據(jù)集來自O(shè)ASIS 數(shù)據(jù)庫，被用于MICCAI 2012多地圖集標記重大挑戰(zhàn)賽和研討會[23]。該數(shù)據(jù)集的標簽均由臨床的專家進行了手動標記，共標注了138 個結(jié)構(gòu)，其中28 個標簽為非皮質(zhì)層結(jié)構(gòu)[24]，分別為：第三腦室、第四腦室、腦干、左/右半球伏隔核、腦白質(zhì)、小腦白質(zhì)、尾狀核、杏仁核、海馬、側(cè)腦室、蒼白球、殼核、丘腦、腹側(cè)間腦以及小腦小葉IV、VI-VII 和VIII-X。ADNI 數(shù)據(jù)集中的每例圖像數(shù)據(jù)的切片數(shù)量在201～254 之間，切片尺寸為1 96×197，其具體數(shù)據(jù)信息如表1 所示。MICCAI 數(shù)據(jù)集中的每幅圖像的切片數(shù)量在261～334 之間，切片尺寸為 256×256。2 個數(shù)據(jù)集合的各向同性分辨率均為1 mm×1 mm×1 mm。

表1 ADNI 數(shù)據(jù)集信息Tab.1 ADNI dataset information

2.2 實驗預(yù)處理

ADNI 數(shù)據(jù)集獲取的40 例數(shù)據(jù)是DICOM 格式的圖像，而后續(xù)的操作需要NIFTI 圖像進行操作，因此，首先使用Mricron 軟件中的dcm2nii.exe將所有圖像都轉(zhuǎn)變?yōu)镹IFTI 格式的圖像，在軟件界面中通過File 中的DICOM to NIFTI 添加需要轉(zhuǎn)換的圖像或者文件夾即可進行轉(zhuǎn)換，將轉(zhuǎn)換后的DTI 圖像運用FSL 軟件進行了b0 圖像和FA 圖像的提取。

由于每例圖像數(shù)據(jù)的切片數(shù)目各不相同，為了便于后續(xù)的實驗操作及評價，將2 個數(shù)據(jù)集中所有的磁共振T1 圖像的切片數(shù)都調(diào)整成256×334×256。然后使用FSL 軟件中的BET-Brain Extraction Tool[25]對磁共振T1、b0 和FA 的顱骨進行了剝離操作，最后使用3D Slicer 下的N4ITK MRI Bias correction 對圖像進行偏置場校正，以保證圖像灰度的標準化[26]，去除多余噪聲等干擾信息。實驗預(yù)處理后的T1、b0 和FA 圖像如圖5 和圖6 所示。

圖5 預(yù)處理前后對比圖（AD 患者組）Fig.5 Comparison of before and after preprocessing (AD patient group)

圖6 預(yù)處理前后對比圖（NC 對照組）Fig.6 Comparison diagram before and after preprocessing (NC control group)

3 實驗結(jié)果與分析

本文在基于多圖譜的分割算法得到磁共振T1 圖像的分割結(jié)果后，進一步獲得了DTI 圖像的分割結(jié)果。實驗運用ANTs 的配準方法，結(jié)合DTI 的b0 和FA 圖像的特點，獲取了DTI 空間上的全腦區(qū)分割結(jié)果。圖7 為ADNI 數(shù)據(jù)集中AD 患者和NC 對照組的DTI 圖像的腦區(qū)分割結(jié)果。為了更加直觀地顯示其分割效果，用不同顏色區(qū)分了AD 與NC 最終分割結(jié)果中的各個腦區(qū)。

圖7 AD 和NC 的DTI 腦區(qū)分割結(jié)果Fig.7 DTI brain segmentation results of AD and NC

由于腦白質(zhì)被神經(jīng)軸突和髓鞘包裹，其主要用于對外周器官進行信息傳遞及協(xié)調(diào)[27]，白質(zhì)的異?？梢苑从矨D 患者大腦的功能性變化。因此，臨床上可以通過腦白質(zhì)纖維束來對AD 局部異常進行判斷，其標簽圖像如圖8 所示。另外，腦灰質(zhì)、海馬及顳葉也是早期AD 患者中可能發(fā)生異常的腦區(qū)。

圖8 腦白質(zhì)的標簽位置圖像Fig.8 Image of the label position of the white matter of the brain

實驗中，將AD 和NC 的腦區(qū)運用獨立樣本t檢驗，結(jié)果如表2 所示。從表2 中可以看出，AD 患者相對于NC 對照組而言，它在大腦白質(zhì)區(qū)域、灰質(zhì)區(qū)域及海馬體等重要的中樞神經(jīng)系統(tǒng)腦區(qū)發(fā)生了異常，經(jīng)過SPSS 軟件的獨立樣本t檢驗，得出P＜0.05，證明AD 和NC 在這些腦區(qū)具有顯著性差異。

從結(jié)果中可以看出，基于DTI 圖像去研究AD 患者和NC 對照組的腦區(qū)結(jié)構(gòu)可以反應(yīng)老年時期大腦白質(zhì)、灰質(zhì)等容易產(chǎn)生異常的腦區(qū)的位置和功能性變化。同時，對于正常老年人個體的研究也可以加深對大腦神經(jīng)性疾病（例如：AD, 輕度認知障礙（mild cognitive impairment, MCI）等）可能出現(xiàn)異常情況的理解與分析，從而為臨床獲取有價值的解剖及病理性信息提供了幫助和推進作用。

4 結(jié) 論

本文主要將原始的利用多圖譜對磁共振T1 圖像的大腦分割轉(zhuǎn)變?yōu)閷TI 圖像的分割。由于DTI 圖像的分辨率低，且是四維圖像，因此，很難手動地進行腦區(qū)的勾畫及劃分。因此，本文在基于T1 分區(qū)結(jié)果的基礎(chǔ)上，利用ANTs 的配準方法，將待分割的目標圖像與DTI 的b0 圖像利用SyN 配準模型進行配準，得到其映射的位移場信息，再將位移場映射至T1 圖像的分區(qū)圖從而得到在DTI 空間上的各個腦區(qū)分割結(jié)果。然后將該分區(qū)圖與DTI 的FA 圖像進行點乘，計算其圖像的灰度均值。利用統(tǒng)計學的獨立樣本t檢驗方法驗證AD 患者和NC 對照組在腦白質(zhì)、腦灰質(zhì)、海馬體和顳葉等腦區(qū)的異常情況，最終得到P＜0.05，則表示這些腦區(qū)具有顯著性差異，說明這些腦區(qū)是臨床上阿爾茲海默癥患者可能發(fā)生異常的腦區(qū)位置。另外，DTI 圖像能夠反映分子的擴散運動信息，對于腦白質(zhì)的纖維束追蹤有著重要的影響意義，本文得到的DTI 腦區(qū)分割結(jié)果有望于在將來纖維束追蹤方面提供新的研究思路，更有望于在臨床上對大腦疾病的研究和診斷提供幫助和分析依據(jù)。