CN103745473B - 一种脑组织提取方法 - Google Patents

Abstract

一种脑组织提取方法，依次包括：对训练集图像和测试集图像进行预处理；提取训练集图像的图像特征组成训练集，提取测试集图像的图像特征组成测试集；根据训练集构建字典；依据训练集和字典计算训练集样本由字典中单词线性组合的权重系数向量；依据字典和测试集计算测试集样本由字典中单词线性组合的权重系数向量；计算字典中每个单词的分类评分；通过局部线性表示计算测试样本的分类评分，完成对测试样本的分类，得到初步分割结果；对初步分割结果进行后处理，得到分割处理后的脑组织图片。本发明能够高效、准确地提取脑组织图像。

Description

一种脑组织提取方法

技术领域

本发明涉及医学图像分割处理技术领域，具体涉及一种脑组织提取方法。

背景技术

脑组织提取，又称为去脑壳，是诸如脑功能研究、神经图像处理研究等过程中的一个必要的预处理步骤，应用十分广泛。如术前计划的制定、大脑皮层的重建、脑组织的形态学测量等工作，都依赖于能够将脑组织从非脑组织（包括头骨、眼球、皮肤等）中准确分割出来的能力。手工分割T1加权MR图像是脑组织分割处理及研究中公认的“金标准”。但是手工分割面临着两个问题：一是相当耗费时间；二是容易引入人为误差。因此，提供自动或半自动的脑组织提取算法非常必要。

标签融合可看作局部线性表示法中的一类特殊情况，基于标签融合的脑组织提取方法近年来得到了广泛的研究。其中MAPS算法（The Multi-Atlas Propagation andSegmentation method）与BEaST算法（The Brain Extraction based on nonlocalSegmentation Technique）是标签融合类算法中的两例代表。

MAPS算法(Leung et al., 2010)首先建立一个图像库，库内的图像都经过预先的标记，如脑组织标记为1，非脑组织标记为2，这种经过预先标记的图像被称为图谱。之后利用弹性配准将选定的多张图谱配准到目标图像上，此时对目标图像上的某一像素点而言，其在配准图谱上相同位置的像素点的标记是已知的，通过标签融合算法（如 majorityvote, STAPLE, etc.）计算多张配准图谱融合之后的标签作为该像素点的标签，从而得到目标图像脑组织的提取。

BEaST算法(Eskildsen et al.,2012)是一种基于图像块的标签融合算法。在BEaST算法中，同样需要首先建立一个预先标记好的图像库。之后以目标图像某一像素点为中心，取其邻域内一定大小的图像块为单位，通过设定选择标准，在图像库中搜索与目标图像块最相似的一系列图像块，因为图像库中图像的标记都是已知的，通过标签融合算法计算搜索到的最相似图像块的融合标签，并将此标签分配给目标像素点，从而得到目标图像脑组织的提取。BEaST算法是目前脑组织提取效果最好的方法之一。

MAPS算法的主要不足是弹性配准的时间过长，通常一副序列大约需要19小时以上，且脑组织提取结果严重依赖于弹性配准的精度。BEaST算法由于需要在整个图像库中进行搜索，因而对设备性能的要求较高，如果电脑内存较小会严重影响算法的效率。

因此，针对现有技术不足，提供一种可以高效、精确地进行脑组织提取的方法以克服现有技术不足甚为必要。

发明内容

本发明提供一种脑组织提取方法,该方法能够高效、准确地提取脑组织图像。

本发明的上述目的通过如下技术手段实现。

一种脑组织提取方法，依次包括如下步骤：

（1）对训练集图像和测试集图像进行预处理；

（2）提取训练集图像的图像特征，将所提取的训练集图像的图像特征连同预先标记好的标签组成训练集，提取测试集图像的图像特征组成测试集；

（3）由训练集构建字典；

（4）依据字典和训练集计算训练集中每个样本由字典中单词线性组合的权重系数向量；

（5）依据字典和测试集计算测试集中每个样本由字典中单词线性组合的权重系数向量；

（6）依据训练集和步骤（4）得到的训练集样本的线性组合权重系数向量计算字典中每个单词的分类评分；

（7）根据步骤（6）得到的单词的分类评分及步骤（5）得到测试集样本的线性组合权重系数向量，通过局部线性表示计算测试样本的分类评分，完成对测试样本的分类，得到初步分割结果；

（8）对初步分割结果进行后处理，得到分割处理后的脑组织图片。

上述步骤（1）中，预处理操作具体包括：使用N3算法进行去偏移场操作、使用两步法进行灰度归一化操作和通过线性配准将图像配准到标准模板空间进行空间归一化操作。

上述步骤（2）中的图像特征由灰度图像块特征及体素的坐标两部分共同构成，标签由代表脑组织的标记和代表非脑组织的标记两部分构成。

上述步骤（3）中，构建字典的方法具体是使用K均值聚类方法对训练样本进行聚类，选择聚类中心作为字典元素构建字典，每个字典元素称为一个单词。

上述步骤（4）、（5）中使用局部锚嵌入LAE方法计算单词的线性组合权重系数向量；

依据LAE方法，一个样本X通过如下方式表示：

其中，矩阵为通过步骤（3）得到的字典， 代表字典D中训练样本X最邻近的K个训练样本的集合， 为重建误差， 代表线性组合权重系数向量；

计算线性组合权重系数向量的具体过程是从字典中选出训练样本X的K个最邻近的训练样本并构建，对于不属于的元素设其相应的系数 为0，对于属于 的元素利用梯度投影法求解得到与其对应的系数 。

上述步骤（6）中，分类评分的计算是通过求解分类代价函数得到的。

上述步骤（6）具体是通过置信空间法求解分类代价函数得到分类评分的；

所采用的代价函数的形式为：

其中是字典D中每个元素的分类评分，是需要计算的参数；h的取值范围为[0,1]，y为已知的标签，a通过步骤（4）计算得到的。

上述步骤（7）中，测试样本由其最邻近测试样本线性组合表示，构建测试样本分类函数H为：

其中h通过步骤（6）计算得到，测试样本的线性组合权重系数向量a通过步骤（5）的方法得到，通过计算测试样本分类函数得到测试样本X最后的分类评分，完成对测试样本的分类，得到初步分割结果。

上述步骤（8）中，后处理操作具体是将标准模板空间上的分割结果利用线性配准的逆变换映射回原始的图像空间，得到分割处理后的脑组织图片。

本发明的一种脑组织提取方法，依次包括如下步骤：（1）对训练集图像和测试集图像进行预处理；（2）提取训练集图像的图像特征，将所提取的训练集图像的图像特征连同预先标记好的标签组成训练集，提取测试集图像的图像特征组成测试集；（3）由训练集构建字典；（4）依据字典和训练集计算训练集中每个样本由字典中单词线性组合的权重系数向量；（5）依据字典和测试集计算测试集中每个样本由字典中单词线性组合的权重系数向量；（6）依据训练集和步骤（4）得到的训练集样本的线性组合权重系数向量计算字典中每个单词的分类评分；（7）根据步骤（6）得到的单词的分类评分及步骤（5）得到测试集样本的线性组合权重系数向量，通过局部线性表示计算测试样本的分类评分，完成对测试样本的分类，得到初步分割结果；（8）对初步分割结果进行后处理，得到分割处理后的脑组织图片。本发明通过构建字典，并通过局部线性法进行分类，能够大大提高运算效率，提高分类精度，既能准确地提取脑组织图像，又具有高效的特点。

附图说明

利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。

图1为本发明一种脑组织提取方法的流程示意图。

图2是采用本发明的方法和采用BeaST方法对测试集IBSR1的提取结果对比表格。

图3是采用本发明的方法和采用BeaST方法对测试集IBSR1的提取结果的箱形图。

图4是采用本发明的方法和采用BeaST方法对测试集IBSR2的提取结果对比表格。

图5是采用本发明的方法和采用BeaST方法对测试集IBSR2的提取结果的箱形图。

图6是采用本发明的方法和采用BeaST方法对测试集LPBA40的提取结果对比表格。

图7是采用本发明的方法和采用BeaST方法对测试集LPBA40的提取结果的箱形图。

图8是采用本发明的方法和采用BeaST方法对测试集ANDI3T的提取结果对比表格。

图9是采用本发明的方法和采用BeaST方法对测试集ANDI3T的提取结果的箱形图。

具体实施方式

结合以下实施例对本发明作进一步描述。

实施例1。

一种脑组织提取方法，依次包括如下步骤。

（1）对训练集图像和测试集图像进行预处理。预处理具体包括：使用N3算法进行去偏移场操作、使用两步法进行灰度归一化操作和通过线性配准将图像配准到标准模板空间进行空间归一化操作。

（2）提取训练集图像的图像特征，将所提取的训练集图像的图像特征连同预先标记好的标签组成训练集，提取测试集图像的图像特征组成测试集。

具体的，图像特征由灰度图像块特征及体素的坐标两部分共同构成，标签由代表脑组织的标记和代表非脑组织的标记两部分构成。

（3）由训练集构建字典。步骤（3）中，构建字典的方法具体是使用K均值聚类方法对训练样本进行聚类，选择聚类中心作为字典元素构建字典，每个字典元素称为一个单词。

（4）依据字典和训练集计算训练集中每个样本由字典中单词线性组合的权重系数向量。

（5）依据字典和测试集计算测试集中每个样本由字典中单词线性组合的权重系数向量。

步骤（4）、（5）中使用局部锚嵌入LAE方法计算单词的线性组合权重系数向量；

依据LAE方法，一个样本X通过如下方式表示：

其中，矩阵为通过步骤（3）得到的字典， 代表字典D中训练样本X最邻近的K个训练样本的集合， 为重建误差， 代表线性组合权重系数向量；

计算线性组合权重系数向量的具体过程是从字典中选出训练样本X的K个最邻近的训练样本并构建，对于不属于的元素设其相应的系数为0，对于属于的元素利用梯度投影法求解得到与其对应的系数 。

（6）依据训练集和步骤（4）得到的训练集样本的线性组合权重系数向量计算字典中每个单词的分类评分。

步骤（6）中，分类评分的计算是通过求解分类代价函数得到的，具体是通过置信空间法求解分类代价函数得到分类评分的。

所采用的代价函数的形式为：

其中是字典D中每个元素的分类评分，是需要计算的参数；h的取值范围为[0,1]，y为已知的标签，a通过步骤（4）计算得到的。

（7）根据步骤（6）得到的单词的分类评分及步骤（5）得到测试集样本的线性组合权重系数向量，通过局部线性表示计算测试样本的分类评分，完成对测试样本的分类，得到初步分割结果。

步骤（7）中，测试样本由其最邻近测试样本线性组合表示，构建测试样本分类函数H为：

其中h通过步骤（6）计算得到，测试样本的线性组合权重系数向量a通过步骤（5）的方法得到，通过计算测试样本分类函数得到测试样本X最后的分类评分，完成对测试样本的分类，得到初步分割结果。

（8）对初步分割结果进行后处理，得到分割处理后的脑组织图片。

其中，后处理操作具体是将标准模板空间上的分割结果利用线性配准的逆变换映射回原始的图像空间，得到分割处理后的脑组织图片。

本发明利用标记好的原始样本构建字典，同构建图像库相比，构建字典可以大大减少目标像素点的搜索范围，提高了算法效率，大大降低了对设备内存的要求。同时无需经过图像配准这一步骤，提高了结果的鲁棒性。通过K均值聚类重构训练集，大大提高了运算效率。通过LAE算法，能够更好地解决局部线性系数的计算问题，更合理地计算目标样本的融合标签，提高结果的精确性。故本发明的方法具有运算效率高、分类精度好，可高效、准确地提取脑组织图像。

实施例2。

一种脑组织提取方法，依次包括如下步骤。

（1）对训练集图像和测试集图像进行预处理，分别使用N3算法对图像进行去偏移场操作，使用两步法对图像进行灰度归一化操作，通过线性配准工具FLIRT将图像配准到标准模板空间ICBM152进行空间归一化操作，经过预处理后的图像大小为193*229*193，体素大小为1mm*1mm*1mm，图像灰度值范围为0-100。

（2）提取训练集图像的图像特征，将所提取的训练集图像的图像特征连同预先标记好的标签组成训练集，提取测试集图像的图像特征组成测试集。图像特征由体素的灰度图像块特征及体素的坐标两部分共同构成，设图像块大小为，则特征向量的维数为。

（3）由训练集构件字典。具体使用K-means方法对提取自训练样本进行聚类，选择聚类中心作为字典元素构建字典，每个字典元素成为一个单词。

（4）依据字典和训练集计算训练集中每个样本由字典中单词线性组合的权重系数向量。

（5）依据字典和测试集计算测试集中每个样本由字典中单词线性组合的权重系数向量。

步骤（4）、（5）中使用局部锚嵌入LAE方法计算单词的线性组合权重系数向量；

依据LAE方法，一个样本X通过如下方式表示：

其中，矩阵为通过步骤（3）得到的字典， 代表字典D中训练样本X最邻近的K个训练样本的集合， 为重建误差， 代表线性组合权重系数向量；

计算线性组合权重系数向量的具体过程是从字典中选出训练样本X的K个最邻近的训练样本并构建，对于不属于的元素设其相应的系数 为0，对于属于 的元素利用梯度投影法求解得到与其对应的系数 。

（6）依据训练集和步骤（4）得到的训练集样本的线性组合权重系数向量计算字典中每个单词的分类评分。

步骤（6）中，分类评分的计算是通过求解分类代价函数得到的，具体是通过置信空间法求解分类代价函数得到分类评分的。

所采用的代价函数的形式为：

其中是字典D中每个元素的分类评分，是需要计算的参数；h的取值范围为[0,1]，y为已知的标签，a通过步骤（4）计算得到的。

（7）根据步骤（6）得到的单词的分类评分及步骤（5）得到测试集样本的线性组合权重系数向量，通过局部线性表示计算测试样本的分类评分，完成对测试样本的分类，得到初步分割结果。

步骤（7）中，测试样本由其最邻近测试样本线性组合表示，构建测试样本分类函数H为：

其中h通过步骤（6）计算得到，测试样本的线性组合权重系数向量a通过步骤（5）的方法得到，通过计算测试样本分类函数得到测试样本X最后的分类评分，完成对测试样本的分类，得到初步分割结果。

（8）对初步分割结果进行后处理，得到分割处理后的脑组织图片。

后处理操作具体是将标准模板空间上的分割结果利用线性配准的逆变换映射回原始的图像空间，得到分割处理后的脑组织图片。

本发明利用标记好的原始样本构建字典，同构建图像库相比，构建字典可以大大减少目标像素点的搜索范围，提高了算法效率，大大降低了对设备内存的要求。同时无需经过图像配准这一步骤，提高了结果的鲁棒性。通过K均值聚类重构训练集，大大提高了运算效率。通过LAE算法，能够更好地解决局部线性系数的计算问题，更合理地计算目标样本的融合标签，提高结果的精确性。故本发明的方法具有运算效率高、分类精度好，可高效、准确地提取脑组织图像。

实施例3。

结合具体实验结果对本发明方法的效果进行说明。

使用来自互联网的公开数据集的训练集与测试集，其中训练集为ICBM及ADNI，测试集为IBSR1、IBSR2、LPBA40和ANDI3T。除ANDI3T数据集的图像为场强为3T的MR T1图像外，其余5个数据集皆为场强为1.5T的MR T1图像。提取特征时图像块大小为5*5*5,字典大小为30000。用于评价分割结果的四个定量指标分别为Dice 相似性系数（Dice similaritycoefficient DS），Jaccard 相似性系数（Jaccard similarity JS）、假阳性率（Falsepositive rate FPR）和假阴性率（False negative rate FNR）。它们的定义如下：

其中，A为算法提取结果中的体素集合，B为脑组织掩膜中的体素集合即提取的金标准。

采用本发明的方法和采用BeaST方法对测试集IBSR1的提取结果对比如图2所示,采用本发明的方法和采用BeaST方法对测试集IBSR1的提取结果的箱形图如图3所示；采用本发明的方法和采用BeaST方法对测试集IBSR2的提取结果对比如图4所示，采用本发明的方法和采用BeaST方法对测试集IBSR2的提取结果的箱形图如图5所示；采用本发明的方法和采用BeaST方法对测试集LPBA40的提取结果对比如图6所示，采用本发明的方法和采用BeaST方法对测试集LPBA40的提取结果的箱形图如图7所示；采用本发明的方法和采用BeaST方法对测试集ADNI3T的提取结果对比如图8所示，采用本发明的方法和采用BeaST方法对测试集ADNI3T的提取结果的箱形图如图9所示。

箱形图（Box-plot），是一种用作显示一组数据分散情况资料的统计图。箱型图从上到下依次表征数据的最大值、上四分位数、中位数、下四分位数、最小值以及异常值。本发明采用上述四个指标的平均值及方差来对比两种方法的提取精度，采用箱型图来对比两种方法结果的分散情况。

从表格数据中可以看出，在IBSR1、IBSR2两个测试集中，本发明方法的提取结果略优于BEaST算法，在LPBA40、ADNI3T两个测试集中，BEaST算法的结果略优于本发明的方法，但相差十分有限。两种方法在4个数据集上的表现都十分接近。从箱型图对比来看，在IBSR1IBSR2以及ANDI3T这三个数据集中，本发明方法的结果分布更为集中，异常值少。

本实验采用普通台式PC，处理器规格为Intel Core i5-2400 3.10 GHz。当字典大小N为30000时，对一副三维MR脑图像进行脑组织提取的时间约为24分钟，其中4分钟用来进行灰度及空间矫正，20分钟用来完成体素的分类，占用内存约为44Mb。能够大大缩减分割提取时间,有效提高效率。

故本发明的方法达到了同BEaST算法基本相同的结果，能够有效进行脑组织分割提取，而本发明的方法效率可大大提高。

由于本发明的方法利用标记好的原始样本构建字典，同构建图像库相比，构建字典可以大大减少目标像素点的搜索范围，提高了算法效率，大大降低了对设备内存的要求。同时无需经过图像配准这一步骤，提高了结果的鲁棒性。通过K均值聚类重构训练集，大大提高了运算效率。通过LAE算法，能够更好的解决局部线性系数的计算问题，更合理的计算目标样本的融合标签，提高结果的精确性。故本发明的方法具有运算效率高、分类精度好，可高效、准确地提取脑组织图像。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (2)

1.一种脑组织提取方法，其特征在于：依次包括如下步骤，

(1)对训练集图像和测试集图像进行预处理；

(2)提取训练集图像的图像特征，将所提取的训练集图像的图像特征连同预先标记好的标签组成训练集，提取测试集图像的图像特征组成测试集；

(3)由训练集构建字典；

(4)依据字典和训练集计算训练集中每个样本由字典中单词线性组合的权重系数向量；

(5)依据字典和测试集计算测试集中每个样本由字典中单词线性组合的权重系数向量；

(6)依据训练集和步骤(4)得到的训练集样本的线性组合权重系数向量计算字典中每个单词的分类评分；

(7)根据步骤(6)得到的单词的分类评分及步骤(5)得到测试集样本的线性组合权重系数向量，通过局部线性表示计算测试样本的分类评分，完成对测试样本的分类，得到初步分割结果；

(8)对初步分割结果进行后处理，得到分割处理后的脑组织图片；

所述步骤(1)中，预处理操作具体包括：使用N3算法进行去偏移场操作、使用两步法进行灰度归一化操作和通过线性配准将图像配准到标准模板空间进行空间归一化操作；

所述步骤(2)中的图像特征包括灰度图像块特征及体素的坐标，标签由代表脑组织的标记和代表非脑组织的标记两部分构成；

所述步骤(3)中，建字典的方法具体是使用K均值聚类方法对训练样本进行聚类，选择聚类中心作为字典元素构建字典，每个字典元素称为一个单词；

所述步骤(4)、步骤(5)中使用局部锚嵌入LAE方法计算单词的线性组合权重系数向量；

依据LAE方法，一个样本X通过如下方式表示：

$\begin{array}{ccc}x=Da+\mathrm{\ϵ}=\underset{j=1}{\overset{N}{\Σ}}{a}_j{d}_j+\mathrm{\ϵ};& s.t.& \∀d_j\∉N_x\left(k\right),a_j=0;\end{array}$

其中，矩阵D＝[d₁：d₂：…：d_N]为通过步骤(3)得到的字典，N_x(k)代表字典D中训练样本X最邻近的K个训练样本的集合，ε为重建误差，a＝(a₁：a₂：…：a_N)^T代表线性组合权重系数向量；

计算线性组合权重系数向量的具体过程是从字典中选出训练样本X的K个最邻近的训练样本并构建N_x(k)，对于不属于N_x(k)的元素d_j设其相应的系数a_j为0，对于属于N_x(k)的元素d_j利用梯度投影法求解得到与其对应的系数a_j；

所述步骤(6)中，分类评分的计算是通过求解分类代价函数得到的；

所述步骤(6)具体是通过置信空间法求解分类代价函数得到分类评分；

所采用的代价函数的形式为：

$\begin{array}{ccc}J\left(h\right)=\underset{i=1}{\overset{M}{\Σ}}\left|\right|\underset{j=1}{\overset{N}{\Σ}}{a}_j^{\left(i\right)}{h}_j-y^{\left(i\right)}|{|}^2& s.t.& h_j\⋐\[0,1\];\end{array}$

其中h＝(h₁：h₂：…：h_N)^T是字典D中每个元素的分类评分，是需要计算的参数；h的取值范围为[0,1]，y为已知的标记，a通过步骤(4)计算得到的；

所述步骤(7)中，测试样本由其最邻近测试样本线性组合表示，构建测试样本分类函数H为：

$\begin{array}{c}H\left(x\right)=H\left(Da\right)\\ =H\left(\underset{j=1}{\overset{N}{\Σ}}{a}_j{d}_j\right)\\ =\underset{j=1}{\overset{N}{\Σ}}{a}_{j}H\left(d_j\right)\\ =\underset{j=1}{\overset{N}{\Σ}}{a}_j{h}_j\end{array}$

其中h通过步骤(6)计算得到，测试样本的线性组合权重系数向量a通过步骤(5)的方法得到，通过计算测试样本分类函数得到测试样本X最后的分类评分，完成对测试样本的分类，得到初步分割结果。

2.根据权利要求1所述的脑组织提取方法，其特征在于：

所述步骤(8)中，后处理操作具体是将标准模板空间上的分割结果利用线性配准的逆变换映射回原始的图像空间，得到分割处理后的脑组织图片。