CN102646268A - 基于统计多图谱配准优化的磁共振图像脑子结构自动分割方法 - Google Patents

Abstract

一种基于统计多图谱配准优化的磁共振图像脑子结构自动分割方法，利用手动图像分割方法获取多个图谱；将多个图谱逐个配准到待分割图像；对待分割图像进行初始分割；对初始分割图像进行迭代优化处理；利用多通道图像配准计算每个图谱与待分割图像之间的配准场，利用配准场把图谱的图像和分割结果配准到待分割图像空间；计算最终的分割结果。本发明利用迭代的方法同时优化图谱与分割图像的配准精度和待分割图像的分割结果，使得最终的分割结果明显优于传统的多图谱分割方法。

Description

基于统计多图谱配准优化的磁共振图像脑子结构自动分割方法

技术领域

本发明涉及医学图像处理技术领域，特别涉及对三维磁共振脑图像进行自动分割的方法。

背景技术

在医学影像的基础和临床研究中，对磁共振脑图像进行分割具有重要的意义。可靠、精确的对脑进行分割被广泛的应用于许多医学影像的应用中，如手术计划制定、疾病病程研究、老年人或年轻人的大脑发展等。脑分割包括对脑组织和脑结构进行分割。在传统研究中，由经过训练的专家对脑磁共振图像手工标定所得到的分割结果是图像分割的金标准。然而这种方法非常耗时，特别是随着数据集的不断增大，此方法变得越来越不可行。另外，手工标定也容易引入个体内和个体间的分割偏差。因此，开发全自动的脑分割算法变得十分必要。尽管为了开发高效、准确的自动分割算法，研究人员付出了不懈的努力，但是由于图像本身的质量以及脑组织和结构在磁共振图像中特有属性的影响，开发精确的，可靠的，全自动的脑分割算法仍然面临着不小的挑战。

近年来，基于图谱的分割方法由于其优越的性能引起许多研究人员的关注。基于图谱的分割方法的基本思想是利用图像配准的方法把一副经过手工分割的图像(图谱)配准到待分割图像上，然后把经过配准的图像的手工分割结果做为待分割图像的分割结果。此方法的优点是待分割目标的形状信息可以被隐式的包含在配准的过程中。为了弥补基于单个图谱分割方法容易受偶然的配准错误影响的问题，研究人员最近开发了基于多图谱的分割方法，此方法需要提供多个图谱，然后把每个图谱分别配准到待分割图像空间中，最后利用标签融合的办法把多个经过配准的图谱的分割结果进行融合从而获得分割。在已有工作中，许多研究关注于提出新的标签融合方法，而所用的配准方法则是传统的基于图像相似性的配准方法。这些配准方法受制于图像采集质量和图像内目标差异的影响，从而也间接的影响了最终的分割结果。可以肯定的是，通过提高图谱与待分割图像之间的配准精度可以最终提高分割结果的表现。

发明内容

本方法的目的是提供一种对三维磁共振脑图像进行自动分割的方法。

为了实现上述目的，一种基于统计多图谱配准优化的磁共振图像脑子结构自动分割方法，包括步骤：

利用手动图像分割方法获取多个图谱；

将多个图谱逐个配准到待分割图像；

对待分割图像进行初始分割；

对初始分割图像进行迭代优化处理；

利用多通道图像配准计算每个图谱与待分割图像之间的配准场，

利用配准场把图谱的图像和分割结果配准到待分割图像空间；

计算最终的分割结果。

本发明利用迭代的方法同时优化图谱与分割图像的配准精度和待分割图像的分割结果，使得最终的分割结果明显优于传统的多图谱分割方法。

附图说明

图1是待分割磁共振脑图像和多个图谱；

图2是本发明的流程图；

图3是对图1中待分割图像进行分割的结果。

具体实施方式

下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是，所描述的实施例仅旨在便于对于本发明的理解，而不起任何限定作用。

本发明是对T1加权像三维磁共振脑图像进行的自动分割。如图1所示，图像102，104展示了对脑图像进行分割时所需的输入图像，其中，102为一层T1加权像三维磁共振脑图像的轴状位视图，104为一组经过手工分割的图谱。

本发明在多图谱分割的框架下提出了一种基于迭代统计多图谱的分割方法。利用具有手动分割结果的一组图像作为图谱，首先利用传统统计多图谱方法对待分割图像进行初始分割，然后利用迭代的方法优化初始分割结果，最后把迭代之后得到的结果作为最终的分割结果。

图2展示了使用本方法进行磁共振脑图像分割的流程。

本方法的输入包括一副待分割的磁共振图像和一组进行过手动子结构分割的图谱。

用T^img表示一副待分割图像，用 $S_1=(S_1^{\mathrm{img}},S_1^{\mathrm{lab}}),...,S_n=$ $(S_n^{\mathrm{img}},S_n^{\mathrm{lab}})$ 表示n个待分割图像，其中

是第i个图谱的图像，

是第i个图谱的分割结果，其中L表示一共有L个待分割的结构，0表示背景。传统的基于多图谱的分割方法包括两步，第一步，利用一般图像配准的方法计算每一幅图谱与待分割图像的配准场U_i，并利用配准场把图谱图像和分割结果配准到待分割图像空间；第二步，利用配准过的n个图谱的分割结果

用标签融合的办法估计待分割图像的分割结果T^lab，具体的标签融合方法可参考Sabuncu(Sabuncu et al.“A generative model for image segmentation basedon label fusion”IEEE Trans Med Imag 29(2010)，pgs.1714-1729)，Artaechevarria(Artaechevarria，et al″Combination strategies inmulti-atlas image segmentation：application to brain MR data，″，IEEE Trans Med Imag 28(2009)，pgs.1266-1277)。

在步骤202中，要对待分割图像进行初始化分割，方法可以用传统的多图谱分割方法(如上所述)。

在步骤204中，要确定是否到达对初始结果进行优化要求的停止标准，用t表示当前的迭代次数。迭代的标准可以有两种，第一种是限制最大的迭代次数，如限制

t＞T_max，    (1)

第二种是分析迭代过程中前后两次的分割结果的差异，如

$\frac{2\×|T^{\mathrm{lab}\left(t\right)}\∩T^{\mathrm{lab}(t-1)}|}{\left|T^{\mathrm{lab}\left(t\right)}\right|+\left|T^{\mathrm{lab}(t-1)}\right|}>\mathrm{\ϵ}---\left(2\right)$

其中上式的左边表示前后两次分割结果的Dice指数，其值属于0到1，前后两次的分割结果越相似此值越接近1.

如果分割结果满足上面两个条件其中一个，则退出迭代，输出分割结果，如果两个条件都不满足则继续执行迭代。

在步骤206中，利用多通道配准计算每个图谱与待分割图像之间的配准场，其计算过程可以看成是对下式的最小化，

其中U_i是要求的配准场，第一项测量了经过配准的图谱图像与待分割图像的灰度之间的互相关，第二项测量了经过配准的图谱分割结果与估计的待分割图像分割结果之间的相似性，第三项是正则化项。通过优化公式3，可以得到一组配准场U_i，i＝1...n，利用配准场可以把图谱的图像和分割结果配准到待分割图像空间。

在步骤208中，要把得到的n个配准后的图谱分割结果用标签融合的方法计算最终的分割结果。标签融合的方式可以有很多种，其中最简单的是投票方法，而最近的研究表明利用图谱图像与待分割图像在局部的灰度相似性可以获得更精确的结果。需要指出的是在我们的方法中任何一种标签融合方法都可以使用。

图3给出了使用本方法对图1中所示磁共振脑图像进行分割得到的结果。

其中，图像302为T1加权像图像(与图102为同一副图像)，图像304为手动分割的结果，图像306为用传统多图谱分割结果，其中的标签融合方法为基于投票的方法，方法可参考文献Artaechevarria(Artaechevarria，et al″Combination strategies in multi-atlasimage segmentation：application to brain MR data，″，IEEE Trans MedImag 28(2009)，pgs.1266-1277)；图像308为使用本方法得到的最终分割结果，为了便于比较，其中的标签融合方法也为基于投票的方法。

通过分别比较自动分割方法(图像306与图像308)与手动分割方法的相似性可以分析不同方法的优劣。图中用不同的颜色表明了有显著不同的地方，从中可以看出本方法与传统的多图谱分割方法相比更接近手动分割结果。

图像310展示了自动分割方法的分割结果与手动分割结果的Dice指数，横坐标标明了15中不同的组织和结构。其中深色的标签是传统的多图谱分割方法的比较结果，而浅色的标签是本方法的比较结果，从中可以看出本方法在大多数的组织和结构上比传统多图谱分割方法更精确。

以上所述仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所披露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (8)

1.一种基于统计多图谱配准优化的磁共振图像脑子结构自动分割方法，包括步骤：

利用手动图像分割方法获取多个图谱；

将多个图谱逐个配准到待分割图像；

对待分割图像进行初始分割；

对初始分割图像进行迭代优化处理；

利用多通道图像配准计算每个图谱与待分割图像之间的配准场，

利用配准场把图谱的图像和分割结果配准到待分割图像空间；

计算最终的分割结果。

2.按权利要求1所述的方法，其特征在于所述迭代优化处理包括：

限制最大的迭代次数。

3.按权利要求1所述的方法，其特征在于所述迭代优化处理包括：

分析迭代过程中前后两次分割结果的差异。

4.按权利要求2或3所述的方法，其特征在于：

如果满足权利要求2和权利要求3的条件之一，则退出迭代；

如果不满足权利要求2和权利要求3的条件，则继续执行迭代。

5.按权利要求1所述的方法，其特征在于按下式计算每个图谱与待分割图像之间的配准场：

其中，U_i是要求的配准场，第一项测量了经过配准的图谱图像与待分割图像的灰度之间的互相关，第二项测量了经过配准的图谱分割结果与估计的待分割图像分割结果之间的相似性，第三项是正则化项。

6.按权利要求1所述的方法，其特征在于采用利用标签融合方法计算最终的分割结果。

7.按权利要求6所述的方法，其特征在于所述标签融合方法包括投票方法。

8.按权利要求6所述的方法，其特征在于所述标签融合方法包括利用图谱图像与待分割图像在局部的灰度相似性进行融合。

Images