基于MRI的脑室扩大自动诊断算法研究

林丹 黄海于

（1.西南交通大学 信息科学与技术学院 四川省成都市 611756）（2.西南交通大学 计算机与人工智能学院 四川省成都市 611756）

1 引言

脑室扩大多于发生于肿瘤引起的脑脊液循环径路的梗阻，但也可能出现在脑萎缩性的病变中。阿尔茨海默病是一种病理性的脑萎缩，有文献在阿尔茨海默病(Alzheimer’s Disease, AD)中度或中期的病理检查中提到了脑室扩大的情况，本文研究的是阿尔茨海默病及正常老年人的脑室扩大情况。根据Evans指数，见图1，在侧脑室中央部的截面中，若双侧脑室额角的最宽距离A与两侧颅骨内层板障之间的最大横向距离B的比值大于0.3，则为脑室扩大，反之则为脑室无扩大。(后文中提到的A,B含义和此处的A,B含义一致)

图1：Evans指数（CT层面、MRI层面）

近年来，关于脑室扩大相关的研究很多，但主要为脑室分割，或计算面积、体积，或是研究脑室扩大与其他疾病之间的关系，或是研究自动化计算的值与手工计算的值之间的关系等，而关于自动计算Evans指数来诊断脑室扩大相关的算法相对较少。文献是从胎儿的二维超声图像中测量大脑侧脑室比率来预测脑室是否肿大，首先其通过滤波、直方图均衡化、边缘检测等方式对图像进行预处理，其次利用随机霍夫变换提取感兴趣区域，然后利用Kmeans聚类分割出感兴趣区域中的脉络丛结构，最后提取特征并计算比值。虽然本文数据集非超声图像，但是均通过计算比值来诊断脑室，研究中的方法可以借鉴，但算法还需改进。 文献做了长时间的研究，使用Evans指数获取在70岁及以上人群样本中的参考值，结论中对痴呆患者的Evans指数的统计分析结果为0.31。

研究中采用原始影像中包含目标区域的切片以保证数据的真实性，针对脑室扩大诊断中存在的距离误差较大的问题，本文提出二阶段计算Evans指数诊断脑室扩大算法，即先利用椭圆检测获取两侧颅骨内层板障之间的最大横向距离B，然后根据第一阶段的结果降低第二阶段计算双侧脑室额角的最宽距离A的难度，同时排除其他无关区域的带来的干扰。

2 脑室扩大诊断算法

研究中采用Evans指数诊断脑室扩大，需要计算包含侧脑室中央部截面的切片中的双侧脑室额角的最宽距离A，和两侧颅骨内层板障之间的最大横向距离B，脑室扩大诊断流程见图2。

图2中，首先将符合要求的横断位包含侧脑室中央部的切片作为输入影像，然后通过椭圆检测来获取B，并且根据椭圆检测获取第二阶段所需子图，通过分割出子图中的脑室获取A，最后计算比值得到Evans指数。

图2：脑室扩大诊断流程

流程中有两处滤波，首先椭圆检测之前进行了维纳滤波，此处调用的是Matlab2018b中的wiener2函数实现。然后在得到分割的子图后进行了双边滤波，通过双边滤波可以保留脑室和周围结构的边缘，同时对脑室和周围结构进行平滑。

2.1 计算两侧颅骨内层板障之间的最大横向距离

2.1.1 椭圆检测

椭圆检测采用的是文献的算法来实现的，其首先提取弧支撑线段，其次迭代和连接潜在的属于公共椭圆的弧支撑线段形成弧支撑组，然后局部选择具有较高显着性的弧支持组和全局搜索所有有效的配对组来拟

合初始椭圆，最后对椭圆候选集表示的参数空间进行层次聚类,椭圆检测结果可视化如图3。

从图3中可以看出，椭圆检测算法可以较好的检测出头颅的轮廓，通过结果也可以说明文献中的算法可以用于头颅磁共振的研究中。

图3：椭圆检测结果

2.1.2 结果矫正

由于椭圆检测获取的只是大体头颅的位置，直接利用椭圆检测结果无法准确获取两侧颅骨内板板障之间的最大横向距离，需要对部分椭圆进行过滤并对结果进行矫正来降低误差。内板在脑膜和板障之间，内板在T1WI影像上信号较脑膜和板障低，其像素值也较脑膜和板障低。所以在检测出椭圆后直接用检测结果作为距离B是不准确的，需要对结果进行矫正，见图4。

图4：结果矫正示意图

图4(a)，红色曲线为检测出的椭圆轮廓，绿色为过椭圆中心的竖直线，红色椭圆边界线与绿色线段存在两个交点，且该交点不在低像素值的内板上，如果直接将两个焦点间的距离作为距离B则存在明显的偏差。图4(b)为(a)中绿色线条所在像素值，通过先计算一定范围内(通过参数调整，将10个像素点作为距离)的最大值找到，然后根据最大值的距离在找到一定范围内(通过参数调整，10个像素点作为距离)的最小值矫正后的红色圆圈所在位置，然后取两个矫正后位置的差的绝对值即得到距离B。通过结果矫正使得计算得到的距离B和实际的距离B之间的误差进一步减小，据统计有62.4%的样本距离B的误差在0～3个像素点之间。

此处是通过先定位到最大值的位置然后进一步定位最小值，且最大值最小值均实在一个固定的间距内进行查找，采用的10个像素点作为查找到范围。如果不对范围进行限定，从图4(b)中也可以看到不能较好的定位红色圆圈的位置，即内板的位置。

2.2 计算双侧脑室额角的最宽距离

2.2.1 裁剪子图

为了使得后面的分割更有效，研究中通过裁剪出目标子图以排除其他部位带来的干扰，利用检测得到的椭圆中心位置裁剪出对应的子图区域，裁剪结果见图5。

图5：子图

每个子图的大小取决于检测的椭圆参数，子图的位置取决于椭圆中心点的位置，上述子图是根据椭圆中心与距离A之间设定，椭圆检测结果的好坏直接影响到子图分割的结果。

2.2.2 分割脑室

脑室分割主要是利用头颅磁共振影像的特点，磁共振能量在不同的结构中存在不同的衰减，不同的人体的脑结构大体一致，所以可以根据该特点利用阈值进行分割。研究中脑室分割采用的MATLAB工具自带的graythresh函数，该函数使用最大类间方差找到图像的阈值，然后利用该阈值将灰度图转换为二值图像。

由于脑室中的像素值普遍低于周围像素，子图中也存在部分像素值偏低的结构，即使通过最大类间方差的方式找到阈值也只能对图像进行初步的分割，最终输出的二值图像结果中还会包含其他的低像素区域，对此分割后还检测出了低像素连通区域，并通过低像素连通区域的坐标均值过滤掉部分靠近边界的面积较大的低像素区域。

实验发现，脑室面积较小的区域能检测出来，但对于脑室坐标均值不在约束范围内且面积也较小的分割结果不理想，如图6中的(a)，分割出来的区域并不是脑室区域，而对于面积较大即使部分像素靠近边界也可以较好的分割出来，见图6中的(b)和(c)。

图6：特殊类型分割结果

脑室分割出来之后直接将白色的像素点映射到坐标上，然后获取坐标轴上首末索引的差即为距离A。

3 实验

3.1 数据集和评价指标

本文采用的磁共振影像来源于ADNI(Alzheimer’s Disease Neuroimaging Initiative) 数据库(adni.loni.ucla.edu)，该数据集主要用于检验磁共振成像、扩散张量成像、神经心理学测评等指标是否可衡量AD的发展变化。研究中筛选了标签为AD、CN的T1WI样本，影像采集设定为3T的磁场强度、MPRANGE序列、样本年龄为55～90岁。此外，排除了一些存在明显伪影的质量较差的样本。由于Evans指数的计算需要横断位的脑室切片, 首先对数据集进行切片，然后手动对784张切片测量距离A和距离B，最后计算Evans指数，将大于0.3的样本标注为脑室扩大，其他样本标注为脑室无扩大。

为了评估本文所提算法的有效性，采用了精确率、灵敏度、特异度及准确率四种评价指标。精确率计算公式如（1）：

灵敏度、特异度、准确率的计算公式如（2）、（3）和（4）。

其中，TP表示手动测量为脑室扩大，算法输出结果也为脑室扩大；TN表示手动测量为脑室无扩大，算法输出结果也为脑室无扩大；FP表示手动测量为脑室无扩大，算法输出结果却为脑室扩大；FN表示手动测量为脑室扩大，算法输出结果却为脑室无扩大。

3.2 脑室扩大诊断

研究中是采用Evans指数来诊断脑室是否扩大的，而Evans指数是通过计算A/B，关于B值的计算都采用相同的计算方式，此处对B计算的值和实际测量的距离B之间的误差进行了统计，利用直方图进行误差统计分析，如图7。

图7：距离B与测量距离B之间的误差直方图统计

从图7中可以看到关于距离B的计算误差，有1.1%的样本计算的误差大于15，这可能是因为椭圆检测没有找到对应样本的最佳的椭圆导致的，误差在10～15之间的也存在2.3%的样本，这些样本在计算内板的时候没有找到内板的位置。96.6%的样本误差在0～9以内，即存在0～9个像素点的偏差。根据统计结果也可以看出对于距离B的自动计算结果表现较好。

对于A值的计算方法中的分割脑室部分对比了以下几种不同的分割方法：

（1）采用Sobel检测边缘，然后对边缘进行映射，并找到映射后的数组中连续最大像素数量作为距离A。

（2）采用Kmeans聚类，对聚类结果采用连通区域检测、位置、面积等约束排除部分区域以获取距离A。结果处理即文中脑室分割后的处理结果一致。

（3）采用文献SFFCM算法，对聚类的结果处理同(2)，获取距离A。

（4）采用Graythresh，对分割的结果处理同(2)，获取距离A。

下面对四种算法计算的距离A与手动测量的距离A之间的误差绝对值进行了统计，如图8。

图8：算法计算的距离A与手动测量的距离A之间的误差直方图统计

从图8中可以看到，横坐标代表算法计算的距离和实际手动测试的距离之间的误差绝对值，纵坐标表示对应误差的样本数量。当横坐标误差范围在5～30个像素点时，Kmeans和Graythresh算法对应的样本数量少于Sobel和SFFCM算法对应的样本数量，从分割的实际结果发现Kmeans和Graythresh在分割上效果也接近，但Graythresh在研究中的数据集上表现稍好于Kmeans。

3.3 结果分析

研究中采用了精确率、灵敏度、特异度及准确率四种评价指标，实验结果见表1。

表1：对比试验结果（单位：%）

正如前面分析的四种算法计算距离A的结果一样，Kmeans和Graythresh的效果优于Sobel和SFFCM，从表1中看到，虽然SFFCM的精确率、准确率是最高的，但其特异度却非常低，约为32.43%。相对而言Kmeans和Graythresh的实验结果较好。

利用本文提出的二阶段脑室扩大诊断算法框架得到的四种算法的实验结果准确率均在84%以上，而Graythresh的精确率达到了57.34%，灵敏度达到了90.94%，特异度为73.87%，准确率为88.52%。相较于文献在超声数据集上得到的结论，本文所提算法在精确率和灵敏度少稍有下降，以Graythresh作为对照，精确率和灵敏度均下降了接近10%，而在特异度上却提高了近65%，在准确率上提高了近20%。该文献用到了Kmeans聚类，本文研究中也对比了Kmeans算法，但是对Kmeans聚类的结果进行了进一步优化，本文的实验结果虽然在精确率和灵敏度上有近13%的下降，但是在特异度上有近68%提升，准确率也有近19%的提升，由此说明本文所提算法的有效性。

特异度表示的是实际的脑室扩大样本中算法预测也为脑室扩大的比值，本文所提算法在特异度上有明显的提高，进一步降低了漏诊的概率。但是在精确率上略有下降，精确率表示的实际是预测为脑室扩大的样本中实际脑室也扩大的比值，误诊率略有提高。

4 结语

本文提出的二阶段Evans指数诊断脑室扩大算法在实验中表现较好，虽然在精确率和灵敏度上略有下降，但在准确率上有提升，而且在特异度上的提升更为明显。通过二阶段算法将Evans指数中的距离A和距离B分别计算，且距离A的计算是通过距离B裁剪的子图分割得到，这样可以使得A的计算结果更好，同时对距离B的矫正进一步降低了误差。研究中Evans指数的计算结果依赖椭圆检测的结果，如果椭圆检测的效果很差，则对距离B和距离A的计算都将带来严重的偏差，研究中有接近3.4%的样本距离B的计算误差大于10个像素点，还有需要改进的地方。