基于多權(quán)重概率圖譜的腦部圖像分割.pdf

1、醫(yī)學圖像分割是醫(yī)學圖像分析的重要基礎(chǔ)，它是指根據(jù)一定的準則把醫(yī)學圖像劃分為若干個不相交的區(qū)域，使得同一區(qū)域內(nèi)像素的特征相似并且不同區(qū)域內(nèi)像素的特征不同，并對感興趣的區(qū)域(Region of Interest，ROI)進行提取，其目的是將醫(yī)學圖像中某些具有特殊含義的區(qū)域、器官、解剖結(jié)構(gòu)分割出來，并對目標進行特征提取和參數(shù)測量，為臨床和病理學研究提供可靠的依據(jù)，輔助醫(yī)生做出更為準確的診斷。圖像分割技術(shù)是醫(yī)學圖像處理向圖像分析過渡的關(guān)鍵步驟，

2、它在很多方面都有重要應(yīng)用，如損傷組織的量化、手術(shù)模擬、計算機引導(dǎo)手術(shù)、圖像配準等。然而由于不同圖像之間的特征包括結(jié)構(gòu)、強度、紋理、輪廓等信息的差異導(dǎo)致醫(yī)學圖像多樣而復(fù)雜，并且不同類型的醫(yī)學圖像所需分割要求的不同，使得沒有一種醫(yī)學圖像分割方法能夠滿足所有類型的分割要求。
　　針對醫(yī)學圖像分割這個困難而又重要的問題，近幾年來，科學工作者做了大量的研究與探索，分別以灰度信息、紋理信息、區(qū)域信息等為標準建立起多種分割算法，圖像分割方法也層

3、出不窮。閾值分割法是一種最簡單、基礎(chǔ)的圖像分割算法，在待分割圖像中不同區(qū)域之間像素的灰度對比度比較大時，容易得到較好的分割結(jié)果。但閡值分割法的關(guān)鍵是閾值的選擇，在不同區(qū)域之間像素的灰度相差不大或有重疊時，閾值難以選擇，往往會產(chǎn)生錯誤的分割結(jié)果。并且閾值分割法通常只采用了圖像中像素的灰度信息，沒有利用像素的空間信息，因此閾值分割法容易受噪聲和圖像非均勻性的影響。區(qū)域生長法是一種計算簡單、分割速度快、魯棒性強的分割方法。區(qū)域生長法對每一個需

4、要提取的目標都必須手動指定一個種子點，如果種子點選取不當，就容易出現(xiàn)錯誤的分割結(jié)果。并且由于受噪聲和偏移場的影響，可能會導(dǎo)致區(qū)域內(nèi)有空洞甚至是根本不連續(xù)的區(qū)域。邊緣檢測法通過邊緣檢測算子對目標的邊界進行檢測來完成分割，邊緣檢測法簡單易實現(xiàn)，但由于噪聲及非均勻性的影響，邊緣檢測法得到的邊緣常是不連續(xù)的或分小段連續(xù)的，為了得到連續(xù)的目標邊緣，還需要進行邊界閉合處理。并且邊緣檢測法對灰度變化復(fù)雜和細節(jié)較豐富的圖像進行檢測時，邊緣檢測法很難檢測

5、出正確的邊緣;而對邊緣不明顯的圖像，可能會得到不連續(xù)的邊界。聚類算法的分割理論是在特征空間將像素聚集起來，聚類算法不需要訓(xùn)練樣本，是一種無監(jiān)督的統(tǒng)計方法。聚類算法簡單有效，但聚類算法沒有考慮圖像的空間信息，對圖像噪聲及不均勻性敏感，并且聚類算法需要初始聚類數(shù)目、聚類中心?；谏窠?jīng)網(wǎng)絡(luò)的分割思想是通過樣本訓(xùn)練出神經(jīng)網(wǎng)絡(luò)，再由神經(jīng)網(wǎng)絡(luò)對新輸入的圖像數(shù)據(jù)進行分割。神經(jīng)網(wǎng)絡(luò)模型中空間信息參數(shù)的選擇是神經(jīng)網(wǎng)絡(luò)方法的主要問題?；谛〔ㄗ儞Q的分割思想

6、是利用小波變換多尺度的特性，對圖像的邊緣像素點進行檢測，然后利用一定的準則把這些邊緣像素點連接起來形成輪廓，從而完成對圖像的分割。水平集方法計算穩(wěn)定、規(guī)劃容易、可靈活的加入先驗信息。但水平集方法需要周期性的初始化水平集函數(shù)來獲得穩(wěn)定的演化曲線，而初始化水平集函數(shù)計算量大，并且很難確定何時和如何重新初始化水平集函數(shù)。
　　磁共振圖像分辨率高、具有良好的軟組織對比度、信噪比高，因此腦部磁共振圖像是臨床上對腦功能研究及腦組織疾病預(yù)測、診

7、斷的主要手段，而對腦組織進行研究和診斷必須要準確地分割出這些腦部結(jié)構(gòu)。雖然傳統(tǒng)的分割方法在許多應(yīng)用中都能很好的完成分割要求，但由于醫(yī)學圖像結(jié)構(gòu)復(fù)雜、邊緣模糊，傳統(tǒng)的分割方法無法準確地分割，并且磁共振圖像由于受強度的非均勻性及噪聲的影響使得用傳統(tǒng)的分割方法分割出的結(jié)果不魯棒、邊界過于光滑而丟失大量結(jié)構(gòu)結(jié)節(jié)。腦部磁共振圖像分割最初由專家手動分割，手動分割精度高被視為所有分割方法的金標準，但手動分割耗時費力，重復(fù)性低，且非常依賴分割者的經(jīng)驗及

8、解剖學知識。因此實現(xiàn)腦部磁共振圖像的自動分割非常有意義。然而，磁共振圖像因受噪聲、強度非均勻性產(chǎn)生的偽影及不同組織強度相同的影響使得腦部磁共振圖像的自動分割非常困難，因此，引入形狀先驗信息來簡化分割問題是必不可少的。
　　基于圖譜配準的分割方法充分利用手動分割的形狀先驗知識，通過配準將圖譜中存儲的形狀先驗信息直接映射到待分割圖像中，實現(xiàn)一種全自動的“專家”（圖譜）指導(dǎo)下的圖像分割，此時，圖像分割問題就變成了圖像配準問題。圖譜由圖譜

9、灰度圖像及其對應(yīng)的專家手動分割好的圖譜標號圖像組成?；趫D譜配準的分割方法引入了形狀先驗信息，無需手動設(shè)置初始邊界、對噪聲及偏移場不敏感，因而獲得了廣泛的應(yīng)用與認可。Rohlfing等人用基于圖譜配準的分割方法來分割蜜蜂的腦部結(jié)構(gòu)。Heckemann等人用29組圖譜分割出了67個腦部結(jié)構(gòu)。Klein等人利用彈性配準分割出3D磁共振圖像的前列腺。圖譜數(shù)據(jù)的設(shè)計引起了廣大關(guān)注，最簡單的方法是使用一個圖譜，但考慮到人體解剖結(jié)構(gòu)的差異及配準精度

10、的局限性，單圖譜分割難以適應(yīng)不同個體腦部結(jié)構(gòu)的差異，容易產(chǎn)生錯誤分割，特別是邊界處的分割?；诙鄨D譜配準的分割方法采用更多的醫(yī)學圖譜來降低圖譜選擇的不確定性，分別將圖譜灰度圖像與待分割圖像進行配準，得到多個變形場，然后利用變形對相應(yīng)的圖譜標號圖像進行變形，得到多個變形后的圖譜標號圖像，最后對形變后的圖譜標號圖像進行融合，得到最終的分割結(jié)果。因此，基于多圖譜配準的分割方法主要包括兩個部分:圖像配準和標號融合。標號融合是基于多圖譜配準分割的

11、關(guān)鍵步驟，標號融合算法也是近幾年基于多圖譜配準分割的研究重點。多數(shù)表決法(Major Voting)是最簡單最直接的融合算法，它按照少數(shù)服從多數(shù)的方法對標號圖像進行融合?？紤]到圖譜的不同，加權(quán)表決法按照某種相似性準則，對標號進行加權(quán)。Warfield等人設(shè)計的STAPLE算法將每一個圖譜看作為一個弱分類器，然后利用最大期望算法對每一個分類器設(shè)置權(quán)重，以迭代的方式完成標號的融合，從而得到最終的分割結(jié)果。并在STAPLE算法的基礎(chǔ)上，引入空

12、間變化性能參數(shù)，提出Spatial STAPLE算法。SIMPLE算法考慮不同數(shù)量的圖譜會對融合的結(jié)果造成影響，通過選擇性迭代的方法實現(xiàn)標號的融合。
　　傳統(tǒng)的基于多圖譜配的分割方法通過配準將圖譜中存儲的形狀先驗信息映射到待分割圖像中。但在標號融合時，只利用了圖譜的標號信息，沒有利用待分割圖像自身的灰度信息，必然會造成信息的損失與浪費?？紤]傳統(tǒng)標號融合算法的不足，本文提出了一種基于多權(quán)重概率圖譜的腦部圖像分割方法。首先，通過利用配

13、準的局部相似性測度作為權(quán)重來計算局部權(quán)重概率圖譜;其次通過利用標號圖像的距離場作為權(quán)重，引入圖譜標號圖像暗含的位置先驗信息;然后，通過利用待分割圖像中像素與其局部鄰域內(nèi)像素的自相似性作為權(quán)重對概率圖譜進行優(yōu)化，自相似性引入了待分割圖像提供的灰度與結(jié)構(gòu)信息，保證了信息的完整性，降低噪聲的影響，同時考慮鄰域像素的分割情況，提高分割精度。對大量腦部磁共振圖像中的海馬進行分割實驗，并與國際上主流的基于多圖譜配準的分割算法進行了比較，實驗結(jié)果表明