MRI自动图像分割技术对多发硬化(MS)病灶容积测量的初步研究

辽宁沈阳军区总医院放射科(辽宁 沈阳 110015)

段 阳 杨本强 刘文源徐 猛 李延锋 刘 宇

MRI自动图像分割技术对多发硬化(MS)病灶容积测量的初步研究

辽宁沈阳军区总医院放射科(辽宁 沈阳 110015)

段 阳 杨本强 刘文源徐 猛 李延锋 刘 宇

目的 采用不同序列间组合提高自动图像分割技术对MS病变容积测量。材料和方法 以手动分割的病灶容积为金标准，比较不同序列(M,MPRAGE；F,FLAIR；D,DIR；T2，T2WI) 间所组合的不同通道（二、三和四通道）的自动分割技术测量MS病灶容积特点。结果 二通道（M+T2M+DM+F）的敏感性、特异性和精确性分别为:41.8%33.3%63.4%、8 2.2%9 3.9%9 3.6%和82.1%99.0%98.9%;三通道(M+T2+D/ M+D+F/M+F+T2)的敏感性、特异性和精确性分别为:40.4%64.8%62.5%、8 7.1%/9 9.1%/9 8.6%和86.9%/98.9%/98.5%；四通道(M+T2+D/ M+D+F/M+F+T2)的敏感性、特异性和精确性分别为:74.4%、97.0%和96.9%。结论采用四通道图像自动分割技术对MS病灶容积测量较佳。

磁共振成像；图像分割；多发硬化

多发硬化疾病(Multiple Sclerosis，MS)是中枢神经系统的脱髓鞘疾病。多见于北美及欧洲，估计全世界至少有300～400万患者，占神经系统疾病发病率的6%～10%。近年来日本和我国的报道日趋增多。磁共振成像是多发硬化疾病临床诊断和治疗唯一的、有效的影像学评价方法。MS明确诊断后，如何进行病例临床随访和疗效评价是一个关键的问题。全自动的或半自动图像的分割方法和定量MRI分析方法已应用到临床随访和疗效评价[1-3]。传统的MRI全自动的或半自动图像分割具有很好的重复性和一定的精确性，但因传统MRI成像图像分辩率较低,仍存在一定的问题[1]。最近高分辩率MR容积扫描不仅提高图像分辨率，显示更多的病变，还减少了伪影[4,5]。这为全自动的或半自动图像分割提供一个更好的图像基础。目前高分辩MRI图像分割研究刚刚开始，采用不同的通道可以提高病变的测量，但如何进行图像组合是一个更关键的问题。本研究采用20例MS病人的多序列(MPRAGE、FLAIR、DIR和T2WI)MRI进行二、三和四通道(MPRAGE+FLAIR、MPRAGE+T2WI、MPRAGE+DIRR、MPRAGE+FLAIR＋T2WI、MPRAGE+FLAIR＋DIR和MPRAGE+FLAIR＋T2WI＋DIR)组合,评价MS的病变容积的敏感性、精确性和特异性，寻找最佳的图像分割方法。

1 材料和方法

1.1 1.1 患者的选择和MRI采集20例反复复发型MS病人，年龄在30～55岁，女性，平均年龄37.5。使用Simens和GE公司的1.5T超导MRI扫描仪，多序列的MPRAGE、FLAIR、DIR和T2WI采集，采用头表面线圈，扫描层厚1.3mm，层间距0mm，矩阵256×256，FOV30cm×30cm，矢状切面扫描，3D MPRAGE(TR/TE/TI,2700/5/950ms)，FLAIR(TR/TE/ TI,6500/349/2200ms)，DIR(TR/TE/TI1/TI2,6500/355/2350/350ms)和T2WI(TR/TE,4300/349ms)(图1-4)。

表1 多通道的MRI的图像分割的特异性、精确性和敏感性比较

1.2 MRI分析与处理所有其它序列的图像以MPRAGE为基准进行匹配(co-registration)和密度标准化。两个经验丰富的放射科医生确定MS的灰白质病灶。其中一位在FLAIR图像的连续层面手动圈定病灶的ROI(ROI，region of interesting)，小于4像素的病灶由于较难以确定而放弃。在GE(General Electronic Healthcare)图像分析工作站,使用图像分析软件的模糊聚类技术对多发硬化病人的矢状位MR图像进行多通道的(二，三和四通道)脑组织进行分割。由于图像中的非脑组织如颅骨、眼球和肌肉等和背景噪声信号强度与脑组织有一定重叠，而产生误分现象。因此在分割前利用全脑容积(ICC,intracranial cavity)图像预处理,剔除非脑组织而保留大脑组织，用FKM(Fuzzy K-means Clustering Algorithm)对其实施分割[1,2]。在每个MR序列图像和其背景中，利用鼠标选取相同位置的大脑组织和图像背景(噪声)作为感性趣区；然后从MR图像中分离出不同脑组织和背景(噪声)的ROI。在每个序列MRI上，用非线性各向异性散布滤波器(nonlinear anisotropic diffusion filter)对这些ROI进行滤波处理，消除燥声和平滑图像，增强和探测图像中的目标边界。然后对以上得到的图像像素值进行二值化处理建立一个模板(mask)，利用该模板从原始图像中提取不同结构的大脑结构。自动融合各个序列的结构图，得到一个根据像素值而建立综合脑分割图像彩色图[2,6](图5-11)。MS病灶分为脑皮层病灶和脑白质病灶两类(图12)，然后根据它们的像素大小计算脑灰质、白质、病灶和脑脊夜的容积。

1.3 统计与分析方法

以手动分割的病灶容积为金标准(图12)。真阳性、真阴性、假阳性和假阴性分别被定义为手动分割病灶与自动分割吻合、手动分割非病灶与自动分割的非病灶吻合、自动分割病灶但手动分割为非病灶和自动分割非病灶但手动为病灶。比较自动分割的图像与手动分割的病灶容积。计算自动分割方法测量病灶容积的敏感性、精确性和特异性。敏感性或真阳性率描述病灶的容积的百分数被正确地判断为阳性结果(敏感性＝真阳性/(真阳性+假阴性)×100%)。特异性或真阴性率描述在没有病灶的容积中被判断为阴性结果的机率(特异性＝真阴性/(真阴性+假阳性)×100%)。精确性或真实性是指真正的病灶容积和真正的其它组织(不是病灶)在总的脑容积的百分数(真阳性+真阴性)/ (真阳性+假阳性+真阴性+假阴性)×100%)。

2 结 果

2.1 二通道的图像分割在二通道分割对比中，M+D(33.3%)探测病灶的敏感性低于M+F(63.4%)和M+T2(41.8%)；但其特异性(93.9%)和精确性(93.6%)低于M+F的(99.0%，98.9%)，高于M+T2的(82.2%，82.1%)。M+D对灰质病灶的敏感性(34.5%)明显高于白质的病灶(19.9%)。M+T2对脑白质病灶(25.0%)和灰质病灶(43.2%)的敏感性明显高于M+D的(19.9%，34.5%)。

2.2 三通道的图像分割

M+F+D探测病灶的敏感性、特异性和精确性(64.8%、99.1%和98.9%)高于M+F+T2(62.5%，98.6%，98.5%)和M+T2+D的(40.4%，87.1%和86.9%)。M+F+D探测灰质(66.1%)和白质(50.4%)病灶的敏感性 比 M+F+T2(42.2%，20.7%)和M+T2+D(63.7%，48.4%)的均高。M+F+T2探测病灶(灰白质)的敏感性、特异性和精确性均高M+T2+D的。

图1、2、3和4分别代表DIR、FLAIR、MPRAGE和T2W图像。DIR、FLAIR和T2WI为以MPRAGE为基准的排列图像。图5、6、7、8、9、10和11分别为不同的通道组合的分割彩色图。蓝色、白色、灰色和橘黄色分别代表为脑脊液、白质、灰质和病灶。图12为手动测量的病灶的感兴趣区（红色），箭头为脑皮层病灶。所有的图像由于进行了排列， 所以解剖结构和病变的三维空间一致，并可对比。

2.3 四通道的图像分割与其它比较 M+F+T2+D探测病灶的敏感性、特异性和精确性明显(74.4%，97.0%，96.9%)高于其它二、三通道的图像分割的结果。在灰白质(灰质74.9%，白质68.4%)病灶探测 M+F+T2+D也明显高于其它的分割方法。

3 讨 论

医学图像分割是一个根据区域内的相似性和区域间的不同,把图像分割成若干区域的过程。图像分割目的是根据像素的类别把图像中的象素划分成一定的类别，这些类别具有某些特征(如灰度、纹理)相似性。MR颅脑图像的分割目的是清晰地描绘出颅脑中各个解剖结构的边界，如灰质、白质和脑脊液等。自动图像分割方法在多发硬化的疗效评价已发挥重要的作用。比较其它方法，这种方法既省时、重复性相对较好[2,7,8]。已以广泛应用到科研和MS临床药物三期的疗效评价[1,3,9]。但是，由于传统的MR显示的多发硬化的病灶较高分辨率MR图像较低，因而在高分辩率MRI应用以后，显示有一定的不足。高分辨率的MR图像提高探测病灶精确性、敏感性和特异性，尤其是DIR和FLAIR可提高探测灰质和隐蔽部位的病灶。DIR可提高皮层病灶的探测的敏感性，因为它既抑制脑机脊夜和脑白质的信号。Flair抑制脑脊液的信号同时提高探测MS病灶的敏感性。3D T2WI图像比传统T2WI更具有高的分辨率，发现更多较小的病灶。MPRAGE可提供更好的灰白质的分辨率。使用这些最新的高分辨率图像进行分割必然提高病灶探测的精确性、敏感性和特异性。在使用高分辨率MR图像时，由于不同的MR序列有不同特点和不同组织敏感性，所以使用不同高分辨率MR图像会得到不同脑组织分割敏感性、精确性和特异性。如果充分融合这种图像分割技术将会及大提高脑组织和病变的分割结果。本研究将不同的MR序列图像进行技术融合进一步提高图像的分割的精确性、敏感性和特异性。

3.1 二通道的图像分割

我们以MPRAGE为基础的精细解剖结构为基础，分别与DIR、FLAIR和T2WI进行二通道的组合的图像分割，比较它们的之间差别。从结果看，M+F的敏感性、特异性和精确性明显好于M+T2和M+D的，而M+T2的结果好于M+D的。主要是由于MPRAGE结合Flair比与DIR和T2WI结合提供更明显的病灶信息。虽然DIR敏感于皮层病灶，但因有一些噪声会产生一定误差，单纯与MPRAE融合分割并不能提高分割的精确性、敏感性和特异性。MPRAGE与T2WI的结合比MPRAGE＋DIR的结果好，因为T2WI较DIR有更少的噪声，同时又提供更多的病变信息。

3.2 三通道的图像分割

在三通道的分割中，在M+F基础上，分别结合DIR和T2WI结果明显好于M+T+D的结果，这说明三通道的标准中，M+F+D/M+F+T2结合与二通道的结果大致相同。然而M+F+T2并没有比M+F+D好，这因为即使DIR有一定的噪声,但Flair和DIR结合可以提高比FLAIR+T2WI更强的病变信息。这说明DIR和FLAIR结合可以提供病变的信息，将优于T2WI和DIR的结合。当然这也与FLAIR在探测病灶明显好于T2WI有关。在M+F+D和M+F+T2两者的结果明显接近，但在灰质病灶明显好于M+F+T2的结果，说明DIR在明显提高皮层的病灶的探测。T2WI与DIR结合并不能提高病灶的探测，而FLAIR与DIR结合提高了病灶的探测。这是因为DIR的噪声，再加上T2WI脑脊液的掩盖。这些均不利于发现皮层的病灶和隐蔽的病灶，自然不会增加病灶的探测。

3.3 四通道的图像分割

在四通道图像分割中，由于结合四个MRI序列的信息明显提高了病灶的探测。这说明多通道的图像分割具有很高的敏感性和特异性精确性。虽然其敏感性还没有比达到非常高的水平(74.4%)，但特异性和精确性非常高(97.0%和96.9%)MPRAGE提供了很好的灰白质的对比度和解剖结构，DIR提供了皮层病灶的信息，但也提供了噪声。而再结合FLAIR可以纠正这种噪声，弥补病变的分割信息。T2WI不仅提供白质的病灶信息，更重要的是提供脑脊液的信息，减少了病灶被分割成脑脊液或脑脊液被分割成病灶。

多通道的图像分割提供丰富的信息，易于对病灶的探测。进一步的研究将增加病例数目，并测量这种方法的重复性。

1. Wei X,Warfield SK, Zou KH,et al.Quantitative analysis of MRI signal abnormalities of brain white matter with high reproducibility and accuracy.J Magn Reson Imaging 2002;15:203-209.

2. Guttmann CR, Kikinis R, Anderson MC, et al.Quantitative follow-up of patients with multiple sclerosis using MRI: reproducibility. J Magn Reson Imaging 1999;9:509-518.

3. Lewanska M, Siger-Zajdel M, Selmaj K.No difference in efficacy of two different doses of intravenous immunoglobulins in MS: clinical and MRI assessment. Eur J Neurol Federation of Neurological Societies 2002;9(6):565-572.

4. Pouwels PJ, Kuijer JP, Mugler JP, 3rd, Guttmann CR, Barkhof F. human gray matter: feasibility of single-slab 3D double inversion-recovery highspatial-resolution MR imaging. Radiology 2006;41:73-79.

5. Bink A, Schmitt M, Gaa J, Mugler JP, 3rd, Lanfermann H, Zanella FE. Detection of lesions in multiple sclerosis by 2D FLAIR and single-slab 3D FLAIR sequences at 3.0 T: initial results. Eur Radiol 2006;16:1104-1110.

6. Warfield S, Dengler J, Zaers J, et al. Automatic identification of gray matter structures from MRI to improve the segmentation of white matter lesions. J Image Guid Surg 1995;1:326-338. 7. Wu Y, Warfield SK, Tan IL, et al. Automated segmentation of multiple sclerosis lesion subtypes with multichannel MRI. Neuroimage 2006;32:1205-1215.

8. Tedeschi G, Dinacci D, Lavorgna L, et al. Correlation between fatigue and brain atrophy and lesion load in multiple sclerosis patients independent of disability. J Neurol Sci 2007;263:15-19.

9. Liu L, Meier D,Polgar-Turcsanyi M, Karkocha P, Bakshi R, Guttmann CR. Multiple sclerosis medical image analysis and information management. J Neuroimaging 2005;15（4 suppl）:103S-117S.

(本文编辑: 汪兵)

A Preliminary Study of MS Lesion Volume Measurement by Using MRI Automated Segmentation Technique

DUAN Yang,YANG Ben-qiang,LIU Wen-yuan,et al.,
Department of Radiology, General military Hospital; Shenyang, 110013, China

act] Objectivective To improve automated technique in MS lesion volume measurement. Materialsrials andand Methodsthods To compare lesion volume of multiple channels automated segmentation with that of manual segmentation in different sequences of 3D high resolution MRI: (MPRAGE, T2WI, FLAIR and DIR). Resultssults the sensitivity of M+T2/M+T2+D, M+D/M+D+F, M+F/M+F+T2 and M+F+T2+D were 41.8/40.4%, 33.3/64.8%, 63.4/62.5%, 74.4%; the specificity were 82.2/87.1%, 93.9/99.1%, 99.0/98.6%, 97.0% and the accuracy were 82.1/86.9%, /93.6/98.9%, 98.9/98.5%, 96.9%. Conclusionusion In automated segmentation, the four channels automated segmentation is the best measurement way in MS lesion volume.

rds] Magnetic Renounce Imaging; Imaging Segmentation; Multiple Sclerosis

R455.2

A

10.3969/j.issn.1672-5131.2014.03.04

2014-04-20

杨本强