基于多图谱的多发性硬化症病变分割方法研究与应用

李朋

摘要：本文主要研究基于多图谱的磁共振脑部MR图像的分割方法，最Baillard[1]等在基于一张图谱的方法下对脑部组织进行了简单分割。Heckemann[2]等进行了多组图谱的分割实验并成功的分离出清晰的脑部组织。Klein[3]等充分利用了弹性的配准的方式对MR图像中的前列腺组织进行了分割。Isgum[4]等采用了前向搜素的图谱选择方法大大减少了分割时间。Jia[5]等考虑到已经分割好的图谱和将要分割的图谱之间存在着的一定关系，从而对多图谱图像分割的精度进行了很大的提高。而我们在图谱配准上，采用了fsl-anat配准算法并得到了满意的分割结果。

关键词：多图谱；脑部MR图像；图谱配准；fsl-anat

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）30-0198-02

1 前言

多发性硬化症（MS）是一种常见的中枢神经脱髓鞘疾病。本病最常积累的部位是脑室周围的白质，病人可出现全身症状，严重者会失明，记忆力减退，甚至瘫痪。

核磁共振成像（MRI）可以对脑部的灰质、白质及脑脊液等组织进行清晰显示，但是由于磁共振图像容易受到不均匀的磁场及噪声等影响，会使这些图像有模糊重影等现象，不利于病变的准确分割。

2 算法设计

2.1 算法框架

为了实现较好的图像分割，首先得进行图谱配准，在我们的配准过程中，采用了线性flirt和非线性fnirt配准，配准所产生的误差会由多图谱的选择以及多图谱的融合进行弥补。

2.2图像预处理

去脑壳、偏移场、进行灰度归一化：

2.3多图谱选择

图谱的选择对分割结果会产生一定的影响，所以我们选取了多张图谱，这些图谱由图谱灰度图像和医学专家手动分割好的标记图像组成。首先，我们将图谱灰度图像配准到将要分割的图谱图像上，会得到变形场。然后再用变形场对专家分割好的标记图像进行变形，可以得到变形后的标记图像，最后将变形后的标记图谱进行融合，就可以实现病变的分割。

2.4多图谱融合

近几年，多图谱方法的研究重点主要集中在标号图像的融合上。目前的常用融合方法有STAPLE[6] ，Spatial STAPLE[7]，Major Voting[8]，Weight Voting[9]和SIMPLE[10]。

我们将配准后的图像和不同的融合方法分别进行了分割实验。

3 实验验证

3.1实验环境

本文实验是在硬件运行环境为Intel（R）Xeon（R）CPU E5-2609 v2、内存为8G的PC机；软件环境包括Windows7系统，VMware虚拟机系统，MIPAV软件。在VisualC++开发环境下，借助OpenCV-2.4.10开发平台编程实现算法进行实验。

3.2实验结果及分析

测试样本选用宾大医生lesions数据库，从不同病人上获取的10组三维MR图像上测试的。每组图谱的像素个数为256*256*256，一共有256层图像，每层图像有256*256个像素。

从实验结果分析，可以看出本文方法多图谱fsl-anat配准和Weight Voting融合的分割方法重叠率和Hausdorff距离值都比较集中，与专家手动分割的结果十分接近，说明本文方法具有较好的一致性和鲁棒性。

4 总结

本文所提基于多图谱fsl-anat配准的分割方法，首先对图像进行线性配准，然后利用线性配准结果再进行非线性配准，最后得利用形变场对标号图像进行形变，得到最终结果。经过实验，此方法可以较好的本文提出的方法能有效的在MR图像中快速地分割出腦部病变组织。

参考文献：

[1]Baillard C， Hellier P， Barillot C. Segmentation of brain 3D Mrimages using level sets and dense registration [J]. Med Image Anal， 2001，5（3）： 185-94.

[2]Heckemann RA， Hajnal JV， Aljabar P， et al. Automatic anatomical brain MRI segmentation combining label propagation and decision fusion[J]. Neuroimage， 2006， 33（1）： 115-26.

[3]Klein S， Van Der Heide UA， Lips IM， et al. Automatic segmentation of the prostate in 3D Mr images by Atlas matching using localized mutual information[J]. Med Phys， 2008， 35（4）： 1407-17.

[3]Isgum I， Staring M， Rutten A， et al. Multi- Atlas- Based segmentation with local decision Fusion-Application to cardiac and aortic segmentation in CT scans[J]. IEEE Trans Med Imaging，2009， 28（7）： 1000-10.

[5]Jia HJ， Yap PT， Shen DG. Iterative multi-atlas-based multi-imagesegmentation with tree-based registration[J]. Neuroimage， 2012，59（1， SI）： 422-30.

[6] Warfield SK， Zou KH， Wells WM. Simultaneous truth and performance level estimation （STAPLE）： An algorithm for the validation of image segmentation[J]. IEEE Trans Med Imaging， 2004， 23（7）： 903-21.

[7] Commowick O， Akhondi-Asl A， Warfield SK. Estimating a reference standard segmentation with spatially varying performance parameters： local MAP STAPLE[J]. IEEE Trans Med Imaging，2012， 31（8）： 1593-606.

[8] Aljabar P， Heckemann RA， Hammers A， et al. Multi- atlas based segmentation of brain images： Atlas selection and its effect on accuracy[J]. Neuroimage， 2009， 46（3）： 726-38.

[9] Sjoberg C， Ahnesjo A. Multi- atlas based segmentation using probabilistic label fusion with adaptive weighting of image similarity measures [J]. Comput Methods Programs Biomed， 2013，110（3）： 308-19.

[10] Langerak TR， Van Der Heide UA， Kotte A， et al. Label fusion in atlas-based segmentation using a selective and iterative method for performance level estimation（SIMPLE） [J]. IEEE Trans Med Imaging， 2010， 29（12）： 2000-8.