基于Python语言的海马结构分析软件的设计及验证*

牛敏，李淑宇△,李琼玲，李欣蔚，王雪彤

(1.北京航空航天大学生物与医学工程学院 北京 100083；2. 北京航空航天大学生物医学工程高精尖创新中心，北京 100083)

1 引 言

海马位于颞叶的内侧，在人类的学习和记忆中扮演着重要的角色。在许多神经精神疾病中，海马的结构和功能都极易受到损伤。目前用于海马分割的软件，主要有ITK-SNAP[1],FSL[2],FreeSufer[3]等。鉴于目前用于海马研究的软件功能不能完全满足临床分析的需要，且可操作性较差，本研究基于Python语言，自主开发了一款界面友好，功能齐全的海马自动分析软件。主要功能包括：结构磁共振图像的可视化、预处理、海马结构的自动分割，构建海马结构共变网络，统计分析等，这些功能已在ADNI公共数据库上验证了其有效性，为科研工作者和临床医生提供了海马形态学研究的重要工具。

2 海马分析软件设计与实现

软件采用分层和模块化设计方式，分为界面设计层、软件功能层。遵循高内聚-低耦合的设计原则，封装好的模块之间采用接口连接，以提高软件的可扩展性与可维护性。主要实现的功能包括：医学图像显示、结构磁共振图像预处理、海马结构的自动分割、基于海马的结构网络连接、统计分析。软件结构框图见图1(a)。海马分析软件界面设计见图1(b)。

图1 (a).软件架构图;(b).海马分析软件界面设计

Fig1 (a).Softwarearchitecture;(b).HippocampusanalysisGUIpanel

2.1 海马结构的自动分割

对于预处理后的MRI图像,采取一种改进的基于多图谱分割方法进行海马的自动分割，该方法由本课题组自主开发并已发表[4]，该方法的核心是对多图谱分割方法中的标签融合步骤进行改进，利用基于图像块的流行学习方法计算图谱图像块在低维坐标空间里的权重值，加权融合后得到目标图像的分割结果。简称为基于多图谱的流行学习海马分割方法(local manifold learning,LML)。用户可以自己选择如下六个参数，具体步骤见图2(a)。

图2 (a).海马结构自动分割；(b).构建海马的结构共变网络

Fig2 (a).Hippocampusauto-segmentation；(b).Constructhippo-basedstructuralcovariancenetworks

2.2 基于海马的结构共变网络连接

结构共变网络提供了一种利用结构磁共振影像探索脑结构网络的有效方法，该方法可以描述脑区之间灰质形态学度量的结构共变模式[5-7]。基于海马的结构共变网络连接包括预处理、定义海马种子点、构建结构共变网络。

首先使用在MATLAB中运行的SPM8(http://www.fil.ion.ucl.ac.uk/spm/)软件里的VBM8(http://www.neuro.uni-jena.de/vbm/)工具包对数据进行基于体素的形态学(voxel-based morphometry, VBM)[8]的处理。从FSL软件提供的Harvard-Oxford皮层下结构图谱中提取出左右海马，作为种子点[9]。针对每个样本，使用MarsBarROI工具箱(http://marsbar.sourceforge.net/) 从灰质图像中计算出左右海马的平均灰质体积。

基于平滑和调制后的灰质图像，使用线性回归模型分析左右海马的结构共变模式。以左右两个海马为种子点计算与全脑灰质体积的相关，确定与种子点具有正相关连接的体素。具体步骤见图2(b)。

2.3 统计分析

把经过分割得到的海马体积进行统计分析，采用双样本t检验，观察两组数据是否有显著性差异。为了研究不同组之间海马与其他脑区的结构连接强度的差异，我们进一步对两组数据进行组间比较。这种结构共变连接的差异可以反映为海马种子点和其他区域间的回归线斜率的差异，可通过一个典型的交互线性模型进行分析[10]。最终生成所有回归项系数和统计激活图像。

3 软件验证

为测试该软件系统的可靠性和有效性，进行海马分割、基于海马的结构共变网络连接及统计分析实验。实验数据为ADNI 3.0T数据集，22个正常人，23个阿尔兹海默症患者，选择由EADC项目[11]提供的海马手动分割结果作为自动分割方法的准确性验证标准。

3.1 海马结构的自动分割

将本软件LML方法用于ADNI3.0T数据集的海马分割，并与Freesurfer和FSL-FIRST两种软件海马分割结果进行比较，用Dice系数作为海马分割准确性的定量指标，定义如下：

其中S1表示手动分割结果；S2表示自动分割结果；(S1∩S2)代表两个分割区域的重复部分；V(X)表示分割区域X的体积。此外，我们进行了三种软件分割后海马体积的测量分析和三种软件分割时间的比较。实验结果见表1。

表1 三种软件进行的海马分割性能比较

附注1：表中显示了Dice相似指数的平均数±标准方差；海马体积的平均数±标准方差；分割时间比较；*AD组与NC组存在显著性差异(P<0.05,GRF校正)；L-HP:Left-hippocampus左海马；R-HP:Right-hippocampus右海马；NC:正常人；AD:阿尔兹海默症患者。

由实验结果看出，该软件的LML方法的分割准确性明显优于Freesurfer和FSL-FIRST,并且由海马体积分析可检测出NC和AD两组之间的显著性差异；且该软件的LML方法分割速度快于其他两种分割方法。从而证明了该软件的有效性和可靠性。

3.2 基于海马的结构共变网络连接

将得到的平滑之后的全脑灰质图像作为图2(b)Group images输入，海马平均灰质体积作为seeds variate输入，将海马平均灰质体积与全脑其他脑区进行相关性分析，即可得到结构共变网络，为了定性比较正常人和阿尔兹海默症的结构共变网络，得到的统计激活图像用DPABI[12]软件显示在一个标准模板上。正常人组和阿尔兹海默症患者中左海马和右海马的共变网络见图3。

图3AD和NC两组左右海马的结构共变网络

Fig3HippocampusstructuralcovariancenetworksinADandNC

用DPABI软件对统计激活图像进行高斯平滑场(Gaussian random field)多重比较校正，体素水平p<0.01,组水平p<0.05被认为是统计显著的。用DPABI或XJVIEW显示显著性区域见图4右，用MarsbarROI工具箱做以该区域峰值为中心半径为4 mm 小球，然后用MarsBarROI计算出每个样本该显著性区域的平均灰质体积，以该显著性区域的平均灰质体积做纵坐标，左右海马的平均灰质体积做横坐标，绘制相关性曲线。结果见图4左。

图4海马结构共变网络的组间差异

Fig4Significancedifferencehippocampusstructuralcovariancenetworksbetweengroups

由于目前缺乏权威公认的用于构建结构共变网络软件，无法进行分析比较实验，我们用ADNI3.0T NC和AD两组数据来验证软件的有效性和可靠性。从两组的组间差异可以看出阿尔兹海默症患者左海马与前额叶的连接比正常人增强，而左海马与右侧颞叶、右侧海马旁回连接都是减弱的。右海马与右楔前叶连接也是减弱的，这与之前的结构共变网络[13-16]的研究结果大体一致。且NC和AD两组存在明显的组间差异，证明了该软件的有效性和可靠性。

4 结论

该软件通过对MRI图像可视化、预处理、海马结构的自动分割，基于海马的结构网络连接、统计分析等功能设计，实现了对海马形态学的系统分析。并在ADNI数据中验证了软件的有效性。该软件提供的海马分割算法具有分割准确性高，耗时短的优势。本研究为科研工作者和临床医生提供了海马形态学研究的重要工具。

但是该软件还存在一些不足。该软件只针对脑结构磁共振图像的海马分析，而不支持脑功能图像的海马分析。未来工作中可补充海马亚区的功能分割，海马亚区的功能网络连接等功能，使海马分析软件功能更加齐全。因该软件在Linux平台下开发，调用了大量的图像处理软件库，所以在使用该软件时，必须配置相关的软件，如FSL, SPM, MATLAB, ITK, Anaconda等。未来工作中，可以解决软件库依赖问题，为用户提供更加方便的海马分析软件。