图谱法脑部MRI图像自动分割技术发展及应用

图谱法脑部MRI图像自动分割技术发展及应用何小海1,梁子飞1,唐晓颖2,3,滕奇志1（1.四川大学电子信息学院，成都，610065；2.中山大学卡内基梅隆大学联合工程学院，广州，510006；3.广东顺德中山大学卡内基梅隆大学国际联合研究院，顺德，528300）摘要：脑部MRI图像自动分割是计算机技术运用于医学上的一个典型工作，脑部图像分割技术对于人类研究脑部疾病具有重要意义。虽然有一些非常广泛应用的图像分割方法如阈值法、区域增长法、聚类法等，但在脑部MRI图像分割中，这些方法都没有图谱法具有更为实际的医学研究与临床价值。本文回顾了脑部图像配准、分割的发展历程，介绍了图谱分割算法的发展及基本原理，以及当前比较前沿的多图谱分割系统的组成和应用。最后本文对图谱法脑部自动分割在实际临床医学中的应用前景作了总结和展望。关键词：MRI；图谱法；脑图像自动分割；微分同胚；脑部图像配准中图分类号:TP391文献标志码:AAtlas-basedBrainMRIImageSegmentationTechnologyDevelopmentandApplication，XiaohaiHe1，ZifeiLiang1，XiaoyingTang2,3，QizhiTeng(1.Collegeofelectronicsandinformationengineering,SichuanUniversity,Chengdu,610065;2.SYSU-CMUShundeInternationalJointResearchInstitute,Guangzhou,510006;3.SYSU-CMUShundeInternationalJointResearchInstitute,Deshun,528300)Abstract:AutomatedsegmentationofbrainMRIimagesisanimportantcomputer-basedtechnologywithwideapplicabilitytomedicinefield,andthistechnologyisofgreatsignificanceinthestudyofhumanbraindiseases.Thereexistsavarietyofsegmentationmethods,suchasthethresholdingmethod,theregiongrowingmethod,andtheclusteringmethod,thathavebeenbroadlyappliedtonaturalimages.However,thosemethodsarenotaspowerfulorpracticalasatlas-basedmethodwhenappliedtoclinicalmedicalimage.Thisarticleistoreviewthedevelopmentoftheatlas-basedmethodforbrainimagesegmentation,withrepresentativealgorithmsintroduced.Thebasicprinciplesoftheseparcellationalgorithmsaredescribedaswellasthecomponentsofastate-of-the-artsegmentationsystem.Onthisbasis,thisarticleintroducesthesegmentationprocedures,anddiscussesitsvariousapplicationsinclinicalresearch.Attheendofthispaper,wesummarizethecurrentstatusandthefuturepotentialoftheautomatedsegmentation’sapplicationsinrealclinicalresearch.Keywords:MRI;Atlas-based;automatedbrainsegmentation;diffeomorphic;brainimageregistration引言在人类对脑部结构认识过程中已经将脑部划分成很多个功能区，各个区域对人的语言、运动、记忆等起着不同作用。在医生或研究者作疾病分析时，尤其是在脑部疾病研究当中，很多时候需要取出或者独立出某个感兴趣区域(ROI，RegionsofInterest)去研究其颜色或者体积等特征变化。MRI由于其图像清晰、分辨率高所以得到医学研究者和医生的广泛认可，特别是在医学脑部自动分割及其后的体积测量时可以得到更高的精确度。医学图像分割发展到全自动处理是经历了一个漫长过程的。初期的医学图像分割是靠医学工作人员手动完成的，当图像扫描层数较少时，手动完成可行性较高。但随着医学成像科技的发展，扫描层基金项目:国家自然科学基金（61732174，81173356）。数大幅上升，人工手动分割变得越来越难以实现。客观原因是大多数情况下，扫描图像达到几十或者上百层，所以人工对每一层实现分割的方法几乎难以实施；主观因素是因为人的知识和判断力，由于MRI图像有对比度不高、组织边界模糊等特点使得人眼对于各个区域的边界判断比较模糊，因此非常精确的分割需要有多年解剖学经验的专业医学相关人员完成。半自动分割是结合人的知识与计算机的快速运算的优点进行图像分割，但是在这个过程中人的经验也仍占有主要作用[1]。因此全脑自动分割成为当下计算机技术领域研究的热点，只有全自动分割才能彻底将人工干预的主观判断误差消除。自动脑分割的方法较多，简单的自动分割算法有基于区域、纹理、直方图阈值的[2，3]，复杂的有基于先验模型、统计学、水平集的方法等[4,5,6,7]，近年来在模糊理论、机器学习和人工智能等技术的发展背景下，也有很多基于这些理论的算法出现。例如2009年周显国等提出改进快速的模糊聚类分割方法，其改进方法就是利用图像直方图，找到峰值作为模糊聚类的初始化中心[8]；2015年苗彬等提出的改进模糊聚类的分割算法，作者改进了原有的模糊均值聚类算法，利用粒子群算法选择初始聚类中心[9]；在文献[10]中，作者介绍了有交互的人工智能分割方法。基于图谱法的脑部自动分割是综合了很多知识的一个比较完整的系统框架。其原理是利用配准将需要分割的图像映射到已经分割好的模板上，然后通过数学逆变换算子将分割结果变换到原图空间，从而获得原始输入图像的分割结果。这个过程涉及到的问题有先验知识利用、配准、模板融合等，例如已经分割好的模板的建立，是一种全局的先验知识的运用。基于图谱分割算法的关键是映射过程的准确性，映射很大程度上决定了分割的好坏，因此这类算法的核心通常都建立在精确的配准算法基础上。图谱的建立也有单图谱或者多图谱策略，当研究者只是研究单一的病理，某种疾病的多个病例的几何平均基本就可以作为一个统一的分割模板，但是当研究多种不同疾病时，由于大脑形态各异，仅仅一个统一模板的建立基本无法满足分割准确性的要求。图谱法分割实现是跟随着配准算法的发展而进行的，只有在配准方法的精确度达到一定程度后，才能用于分割。配准算法的研究由来已久，早期的配准主要是基本的方向或者角度配准，并没有任何形变，这也是自然图像配准中常用的刚性配准方法。典型的刚性配准算法是立体定位框架算法，利用立体定位标记(StereotacticFiducialMarker)作为参照物[11]，但是人为标记很容易引入误差。所以就有一些计算机提取标记特征的算子或者模型被引入[12,13]。后来又有很多全像素的方法配准，例如联合直方图配准，熵值或者互信息(MutualInformation)作为配准测量尺度[14-16]。这些方法又进一步提升了配准精确度。光流配准是计算机视觉中常见的非刚性配准方法[17]，基本原理是将图像每个像素点都赋予一个速度矢量，在物体运动的每一个时刻，图像点与物体点一一对应，利用速度矢量动态分析图像的变化。后来有很多研究者利用这种方法进行医学图像例如CT、MRI图像配准18,19]。有一类非刚性配准形变算法是基于物理模型例如弹性形变和流体运动模型，这些模型更符合真实大脑的变形。基于弹性模型相关的算法如HAMMER[20]，基于热力学模型的算法如Demons[21,22]。从变形模型的自由度来说，是从线性模型到弹力模型到物理粘滞力模型再到大变形微分同胚模型逐步提升的（如图1所示）。图1.配准模型自由度关系Fig.1Relationshipofdifferentdeformationregistrationmodel这些模型中最为普适的是大变形微分同胚模型。微分同胚定义为：对给定的两个微分流形，若对光滑映射f:M→N存在另一个对应的光滑映射g:N→M，使得f∙g=id(id为单位算子)则称f是微分大变形微分同胚模型粘滞力模型弹力模型线性模型同胚的。在早期还没有提出明确的大变形微分同胚配准算法之前，就有相关探索研究。在1996年Miller等提出了大变形动力学模板[23]。他们提出方法可以满足模板到目标图像的大距离非线性动力学矩阵的需求，原理是将身体组织模板化为高度粘性的流体。Miller小组等人在后续的研究工作中逐步提出了大变形微分同胚配准的数学描述及配准算法，例如1997年在文献[24]中讨论了微分同胚流的变分问题；2000年实现了标志点的匹配[25]；2005年文献[26]提出了大变形微分同胚的测地流(GeodesicFlows)算法，对配准两幅图像给出了大变形微分同胚的解决算法，作者对于欧拉-拉格朗日公式最小化速度场给出推导，并且详细地描述了名为大变形微分同胚映射LDDMM(LargeDeformationsDiffeomorphicMetricMapping)的算法流程。LDDMM算法研究探索的过程中，其他研究者对于解剖学微分同胚的求解也从未停止。例如John在2007年提出了快速微分同胚配准算法DARTEL(DiffeomorphicAnatomicalRegistrationusingExponentiatedLiealgebra)，具有计算速度优势[27]；Avants等在ANTS(AdvancedNormalizationTools)中提出的SyN(SymmetricImageNormalization)配准方法也是从LDDMM算法得到启示[28,29];2014年Herve等提出的SpectralLog-Demons算法是在经典Demons基础上的一种微分同胚配准求解[30]。早在2009年就有研究者对比较主流的14种非线性配准方法做过比较客观的评估[31]，其中就有很多大变形微分同胚模型算法。大变形微分同胚配准具有可以实现大变形、进行同胚逆变换两个特性，这使得图谱法自动分割才更具有可行性。比较完整的基于配准的单图谱分割系统有IBAMSPM、Freesurfer、FSL等[32-34]。但在很多情况下单个模板并不能满足解剖学分割所需要的精确度，在后来的研究当中，很多人提出了多模板的分割算法，其中也包括Miller研究小组对于T1和DTI图像配准的工作[35-37]。1.单图谱脑部自动分割图谱法分割系统的核心是大变形配准，大变形微分同胚能够更好地表达人体组织的解剖学结构形变，具有可逆及较好的平滑度保持，在脑部形变中被广泛使用。假定两幅图像，两者由一个微分同胚变换系相关联。考虑变形操作，其形状配准问题数学上定义如下[26]=(1)其中L为差分算子，其形式为=()。这个算子是与一个已知的体驱动力相关的算子。是从图像强度和梯度信息中产生并且与速度场𝑣⃗=d⃗⃗/dt相关，通过公式+𝑣⃗=b⃗⃗相联系[23]。在这个框架下，变换是在速度矢量𝑣的结束点=产生的。在真实的人体组织结构变形中，对于和的理想微分同胚变形场使得取得公式(1)的解是不存在的。在配准求解中算法也会作一个折中。整个的代价函数最小可以转换为公式(2)[25,26]𝑣̃=∫|𝑣