CN108171697B - 一种基于簇的wmh自动提取系统 - Google Patents

Abstract

本发明公开了一种基于簇的WMH自动提取系统，包括：组织类型分割模块，用于对多位参与者的多个FLAIR图像和多个T1图像进行预处理；DARTEL标准分割模块，用于将所述组织类型分割模块得到的图像映射到DARTEL空间；去非脑组织模块，用于对DARTEL空间的FLAIR图像和T1图像去除非脑组织，得到的图像分别记为D‑FLAIR图像和D‑T1图像；WMH分割模块，用于基于DARTEL空间对所述D‑FLAIR图像和D‑T1图像进行分割，得到WMH图谱；WMH精细划分模块，用于对所述WMH图谱进行精细划分，得到脑室内白质高信号区域PVWMH和深层白质高信号区域DWMH。本系统是一种自动的WMH提取系统，可以基于纵向数据集把白质病灶分割出来，并对能WMH进行精细划分，且具有良好的泛化性。

Description

一种基于簇的WMH自动提取系统

技术领域

本发明属于图像处理领域，具体来说，涉及一种基于簇的脑白质高信号(WMH)自动提取系统。

背景技术

脑白质高信号(WMH),也称为未知的高亮物体(UBO)是在T2加权磁共振成像(MRI)扫描中观察到的脑白质中的异常高信号区域，例如流体衰减反转恢复(FLAIR)序列。缺血诱导的脱髓鞘和轴突损失被认为是潜在的形成机制。许多因素，包括血管和遗传成分，都促进WMH的形成和发展。人群中约50％的40多岁成年人中存在且WHM比例随年龄增长而增加。

WHM作为脑缺血的生物标志物，与各种病理过程密切相关，包括中风和痴呆。中风患者的WMH积累显著高于健康对照组，更多的WMH负担与较差的卒中后认知表现有关。阿尔茨海默症(AD)是最常见的痴呆类型，在AD临床诊断6-10年前，发现了更大的WMH负担，这使WMH成为早期预测AD风险因子。此外，还有研究表明不同的认知领域和神经病理过程与异常的WMH位置相关。因此，提取WMH对于了解脑缺血在神经病理过程中的作用至关重要。

在评估WMH负担中常用视觉评估的方法。目前已经有为临床和研究目的开发了各种评估量表，包括与年龄有关的白质变化，Fazekas和Scheltens评级协议。随着对WMH与神经心理病理学之间关联的新认识，还有越来越多的对区域性的WMH的研究兴趣，以及快速增加的神经影像学数据集，这迫切需要一种有效的自动化WMH分割工具，而且该分割工具还具有可靠的结果。以前的研究提及了一些内部的WMH分割工具。然而，大多数这些工具都是为特定研究而设计的，而不是作为用户友好性和全面的软件包公开提供的。然而，大多数可用的WMH分割工具箱尚未在具有不同扫描仪和参数的不同样本中进行评估，或者通常不会在次区域提供关于WMH的综合信息。此外，他们通常不是完全自动化，需要手动跟踪研究队列中的几个大脑进行训练；大多数可用的WMH分割工具箱主要用于横向研究，不能适用于对纵向数据集的处理。

发明内容

针对相关技术中的上述技术问题，本发明提出一种基于簇的WMH自动提取系统，本系统是一种自动的WMH提取系统，可以基于纵向数据集把白质病灶分割出来，并对能WMH进行精细划分，且具有良好的泛化性。

为实现上述技术目的，本发明的技术方案如下：

一种基于簇的WMH自动提取系统，包括：

组织类型分割模块，用于对多位参与者的多个FLAIR图像和多个T1图像进行预处理，所述FLAIR图像和所述T1图像数量相等，且一一对应；

DARTEL标准分割模块，分别连接所述组织类型分割模块和所述去非脑组织模块，用于生成DARTEL模板，并将所述组织类型分割模块得到的图像映射到DARTEL空间；

去非脑组织模块，分别连接所述DARTEL标准分割模块和所述WMH分割模块，用于对所述DARTEL标准分割模块得到的DARTEL空间的FLAIR图像和T1图像去除非脑组织，得到的图像分别记为D-FLAIR图像和D-T1图像；

WMH分割模块，分别连接所述去非脑组织模块和所述WMH精细划分模块，用于基于DARTEL空间对所述D-FLAIR图像和D-T1图像进行分割，得到WMH图谱；

WMH精细划分模块，用于对所述WMH图谱进行精细划分，运用距离阈值和脑模板的方法对所述WMH图谱进行进一步分割标注，得到脑室内白质高信号区域PVWMH和深层白质高信号区域DWMH。

在本发明的一个实施例中，所述多个FLAIR图像为纵向数据集中的图像，所述纵向数据集是指对于同一位参与者，在不同时间点上采集到的所述FLAIR图像构成的图像数据集合，是医学领域的一种特殊形式的数据。

对于纵向数据集，所述组织类型分割模块进一步包括：

配准单元，用于对每个所述FLAIR图像执行刚体配准，以第一时间点的T1图像为参考，对所有其他时间点的T1图像以及所有时间点的FLAIR图像为源图像执行刚体配准和重采样，得到配准并重采样的FLAIR图像；

T1图像分割单元，用于对每个所述T1图像进行组织类型分割，得到每个所述T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图，以及其他时间点的T1图像配准到第一时间点的T1图像。

对于纵向数据集，所述DARTEL标准分割模块进一步包括：

生成模板单元，用于基于所述第一时间点的T1图像生成DARTEL模板，并为所述第一时间点的T1图像生成一个从个体空间到DARTEL空间的变形流场；所述DARTEL模板的生成方式有两种：

创建模板：

所述创建模板的具体步骤包括：在DARTEL空间生成所述第一时间点的T1图像的模板；

现有模板：

将所述第一时间点的T1图像映射到本地空间已经建立的模板；

DARTEL空间映射单元，用于按照所述个体空间到DARTEL空间的变形流场，将每个所述配准并重采样的FLAIR图像、每个所述其他时间点的T1图像配准到第一时间点的T1图像、以及每个所述其他时间点的T1图像配准到第一时间点的T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图映射到DARTEL空间，得到DARTEL空间的FLAIR图像和T1图像。

在本发明的另一实施例中，所述多个FLAIR图像为横向数据集中的图像，所述横向数据集是指对于所有参与者，在同一时间点采集的所述FLAIR图像构成的图像数据集合。

对于横向数据集，所述组织类型分割模块进一步包括：

配准单元，用于对每个所述FLAIR图像执行刚体配准，以所述FLAIR图像为源图像，以对应的所述T1图像为参考，得到配准并重采样的FLAIR图像；

T1图像分割单元，用于对每个所述T1图像进行组织类型分割，得到每个所述T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图。

对于横向数据集，所述DARTEL标准分割模块进一步包括：

生成模板单元，用于基于所有所述T1图像生成DARTEL模板，并为每个所述T1图像生成一个从个体空间到DARTEL空间的变形流场；所述DARTEL模板的生成方式有两种：

创建模板：

所述创建模板的具体步骤包括：在DARTEL空间生成所有所述T1图像的平均模板；将每个所述T1图像映射到平均模板；

现有模板：

将所述T1图像映射到本地空间已经建立的模板；

DARTEL空间映射单元，用于按照所述个体空间到DARTEL空间的变形流场，将每个所述配准的FLAIR图像、每个所述T1图像、以及每个所述T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图映射到DARTEL空间，得到DARTEL空间的FLAIR图像和T1图像。

所述WMH分割模块进一步包括：

FAST分割单元，用于对所述D-FLAIR图像进行三级组织类型分割，从所述D-FLAIR图像中分割候选簇，所述三级组织类型是WMH，灰质和白质，以及脑脊液；

KNN算法分割单元，用于基于簇和KNN算法从所述候选簇中划分出WMH和非WMH。

进一步地，所述基于簇和KNN算法从所述候选簇中划分出WMH和非WMH具体是基于解剖位置特征ALF、图像灰度特征IF和簇的尺寸特征来提取WMH；所述解剖位置特征ALF是采用组织概率描述所述簇的位置；所述图像灰度特征IF是采用图像灰度比来适应图像的不同灰度值；所述簇的尺寸特征为经过对数转换的簇的尺寸特征。

进一步地，所述簇为符合六连接计算规则的簇。

本发明的有益效果：

1.本发明通过引入DARTEL算法，按照个体空间到DARTEL空间流场，将T1图像和FLAIR图像映射到DARTEL空间，实现了对纵向数据集或横向数据集中的FLAIR图像或T1图像上的WMH的自动提取。同时通过建立针对纵向数据集的组织类型处理流程，克服了现有的WMH的提取方法仅适用于横向数据集的缺点，可以有效地将基于纵向数据集的白质病灶分割出来；

2.本发明是一种基于簇，并结合FAST和KNN算法对WMH进行提取的系统，本系统可以在具有不同扫描仪和参数的不同样本中进行评估，适用范围更广，提取结果更准确、更稳定，且可以对提取的WMH进行精细划分，在次区域提供关于WMH的综合信息。

3.本发明是一种全自动的提取系统，具有良好的泛化性，通过对任意选取的样本进行训练，即可实现对WMH的完全自动化的提取，并适用于其他样本，而不需要针对新的样本重新手动跟踪训练。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明的基于簇的WMH自动提取系统的模块图；

图2是根据本发明的基于簇的WMH自动提取系统的流程图。

图2中相关的英文解释如下：

INPUT：输入；raw FLAIR：(原始的)FLAIR图像；Raw T1：(原始的)T1图像；

COREGISTRATION：配准；Coreg FLAIR：配准的LFLAIR图像；

T1SEGMENTATION：T1分割；GM seg：灰质的概率图；WM seg：白质的概率图；CSFseg：脑脊液的概率图；

FAST：FMRIB’s Automated Segmentation Tool

DARTEL：Diffeomorphic Anatomical Registration Through ExponentiatedLie

RUN DARTEL：运行DARTEL；Flow Field：变形流场；

REGISTER TO DARTEL：配准到DARTEL空间；DARTEL T1：DARTEL空间的T1图像；DARTEL FLAIR：DARTEL空间的FLAIR图像；DARTEL GM：DARTEL空间的灰质的概率图；DARTELWM：DARTEL空间的白质的概率图；DARTEL CSF：DARTEL空间的脑脊液的概率图；

NON-BRAIN TISSUE REMOVAL：移除非脑组织；NBTR DARTEL T1：DAETEL空间中移除非脑组织的T1图像，即D-T1图像；NBTR DARTEL FLAIR：DAETEL空间中移除非脑组织的FLAIR图像，即D-FLAIR图像；

FAST SEGMENTATION：用FAST工具包进行分割；Bias field-corrected FLAIR：偏置场校正的D-FLAIR图像；Segments：用FAST分割D-FLAIR图像所得到的候选簇；

k-NN WMH EXTRACTION：用KNN算法提取WMH；DARTEL FLAIR：D-FLAIR图像；WMHprob.：WMH概率图；WMH：WMH图谱；

PARCELLATION INTO SUB-REGIONS：划分子区域；PV mask：脑室掩膜；Lobar mask：脑叶掩膜；Arterial mask：动脉掩膜。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

特别说明下，本发明中所述“一一对应”是指每位参与者都有一个T1图像和一个FLAIR图像，T1图像和FLAIR图像是一对一配对的，即T1图像和FLAIR图像的数量相等。“对应”是指当选定某一位参与者在某一个时间点的FLAIR图像时，则该位参与者在该时间点的T1图像即为“对应”的T1图像，其他的“对应”关系均同此理。

本实施例任意选取纵向数据集中的10位参与者的T1图像和FLAIR图像，利用本发明的基于簇的WMH自动提取系统进行WMH的提取及WMH的精细划分。参见图1和图2，以下详细介绍本发明的各个模块的工作流程：

实施例一：

对于纵向数据集，即对于同一位参与者，在不同时间点上采集到的FLAIR图像构成的图像数据集合，各模块工作流程如下：

一、组织类型分割模块

本模块是对T1图像和FLAIR图像进行预处理：对FLAIR图像进行配准，对T1图像进行组织分割，为T1图像和FLAIR图像映射到DARTEL空间做准备。

组织类型分割模块包括以下单元：

1)配准单元：由于T1图像通常比FLAIR图像分辨率高，而且有更好的对比度信息，可以用于生成DARTEL空间。因此，对于纵向数据集，以第一时间点的T1图像为参考，对所有其他时间点的T1图像以及所有时间点的FLAIR图像为源图像执行刚体配准和重采样。

2)T1图像分割单元：T1图像的组织分割对于将T1图像和FLAIR图像映射到DARTEL空间是至关重要的。因此，通过T1图像分割单元对每个T1图像进行组织分割，得到对应的白质的概率图、灰质的概率图和脑脊液的概率图。在纵向数据集中，此分割还包括其他时间点的T1图像配准到第一时间点的T1图像。

二、DARTEL标准分割模块

本模块用于生成DARTEL模板，并将配准的FLAIR图像、T1图像及T1图像分割得到的对应的白质的概率图、灰质的概率图和脑脊液的概率图映射到DARTEL空间。本模块包括以下单元：

1)生成模板单元：此单元目的是为每个T1图像生成一个从个体空间到DARTEL空间的变形流场。对于纵向数据集，本单元只对第一时间点的T1图像进行操作，将第一时间点的T1图像映射到DARTEL空间，创建DARTEL模板。也可根据“现有模板”：包括针对小于55岁，65到75岁，70到80岁的已创建模板进行模板选择。与实施例一相同，“现有模板”选项将本地空间中的T1图像映射到已建立的模板，这比“创建模板”耗费的计算时间要少很多。

2)DARTEL空间映射单元：按照个体空间到DARTEL空间变形流场，对于纵向数据集，每个配准并重采样的FLAIR图像、其他时间点的T1图像配准到第一时间点的T1图像，以及其他时间点的T1图像配准到第一时间点的T1图像对应的灰质、白质、脑脊液概率图都被映射到DARTEL空间。

三、去非脑组织模块

由于FAST分割单元需要颅骨剥离的脑图像作为输入，去非脑组织模块是利用DARTEL空间中的脑膜从DARTEL空间的FLAIR图像和T1图像中去除非脑组织，得到的图像分别记为D-FLAIR图像和D-T1图像。

四、WMH分割模块

本模块用于基于DARTEL空间对所述D-FLAIR图像和D-T1图像进行分割，得到WMH概率图。本模块包括以下单元：

1)FAST分割单元：本单元基于FAST算法得到的三级组织掩膜，运用体素六连接计算规则，即构成簇的体素之间至少有一个面连接，得到全脑的候选簇。具体步骤为使用FAST工具包分割D-FLAIR图像，为KNN算法分割单元提供候选三级组织掩膜。考虑到空间强度变化，本单元首先对D-FLAIR图像进行偏置场校正，随后在校正后的D-FLAIR图像上使用FAST进行三级组织分割。FAST是考虑空间邻域信息的可靠和鲁棒的分割算法，通常用于组织类型分割(例如灰质(GM)，白质(WM)，脑脊液(CSF))。与GM或WM区域的强度不同，D-FLAIR图像中的WMH通常非常明亮。此外，D-FLAIR图像中的GM和WM对比度相对较低。本系统采用的D-FLAIR图像的三级组织类型分割，并生成候选三级掩膜。三级组织类型是指WMH，GM和WM，以及CSF。最后基于体素六连接计算规则构建全脑的候选簇。

2)KNN算法分割单元：基于簇和KNN算法从候选簇中划分出WMH和非WMH：

(1)KNN算法概述

KNN算法是一种用于分类的监督学习算法，其核心思想是：如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的k个样本中的大多数样本的类别来决定待分样本所属的类别。该方法为训练集中的每个成员计算n个特征，以建立分类模型。当查询新的观察结果时，对新观察值(即新的簇)计算相同的n个特征，形成一个n维向量。在n维特征空间中，找到最接近查询向量的训练集中的k个向量，并且这些k邻近向量中的多数投票决定了新观察值的类别标签(即超过半数投票决定这个新的簇的类别是WHM)。同时，对新观察值计算类别得分(即概率)，以表明新观测值属于WHM类的可能性。

(2)训练集和分类模型建立

在纵向数据集的10位参与者中，从分割算法的结果中导出的候选簇中目视检查并选择了WMH区域，剩下的候选簇被视为非WMH。将这10个大脑的WMH和非WMH簇作为内置KNN分类模型的训练集。

(3)特征空间计算

本发明的基于簇的WMH自动提取系统使用九个特征来提取WMH，九个特征包括图像灰度特征(IF)、解剖位置特征(ALF)和簇的尺寸特征三类，各类的具体特征如下：

IF包括以下四个特征：

本系统采用图像灰度比作为IF，而不是绝对灰度，以适应来自不同扫描仪设置的不同灰度值。具体来说，IF包括：

IF1：将候选簇的掩膜映射到D-T1图像上，以提取D-T1图像上对应区域的平均灰度，并计算其与D-T1图像上GM区域的平均灰度的比值。

IF2：D-FLAIR图像上候选簇的平均灰度与GM区域的平均灰度的比值。

IF3：将候选簇的掩膜映射到D-T1图像上，以提取D-T1图像上对应区域的平均灰度，并计算其与D-T1图像上WM区域的平均灰度的比值。

IF4：D-FLAIR图像上WM区域的候选簇平均灰度与D-FLAIR图像上候选簇的平均灰度的比值。

ALF也包括以下四个特征：

本系统采用组织概率来描述簇的位置，而不是质心的x-y-z坐标，通过测试中产生的组织概率来描述簇的位置可以使提取结果更准确、更稳定。对于所有ALF，我们使用平均值，而不是单个组织概率图，因为单个组织分割可能受到由于病理学异常强度的区域(如腔隙性梗塞和WMH)的显著影响，特别是当病变从WM扩散到GM时，可能混淆WM在单个空间中的分割。组织概率图的选择取决于DARTEL模板的选择。具体来说，ALF包括：

ALF1：簇的平均GM概率，即簇中所有体素的GM概率之和除以簇中的体素数。

ALF2：簇的平均WM概率，即簇中所有体素的WM概率之和除以簇中的体素数。

ALF3：簇的平均CSF概率，即簇中所有体素的CSF概率之和除以簇中的体素数。

ALF4：与侧脑室的平均距离。距离图是从DARTEL空间的脑室掩膜产生的。簇中所有体素的平均距离用作ALF4。

簇的尺寸特征为一个：

本系统采用对数转换的方式来描述簇的大小，而不是用实际的簇大小来描述簇的大小。

(4)使用KNN算法分割WMH

从FAST分割单元生成的候选簇中，使用基于本模块第(3)部分中所述的九个特征所构建的KNN分类模型，预测WMH概率图，得到最终WMH的簇。研究表明，相对较小的k对于基于簇的WMH提取是足够的。在本系统中，我们使用k＝5进行所有WMH提取，然后将自定义的概率阈值应用于WMH概率图以产生WMH分割掩膜，得到WMH图谱。当k＝5时，概率阈值取0.7，得到的WMH图谱的效果最好。

五、WHM精细划分模块

本模块将WMH分割模块提取的WMH图谱进一步细分为脑室白质高信号区域(PVWMH)和非PVWMH。通过将自定义的距离阈值应用于DARTEL空间中的侧脑室模板的距离图来生成脑室周围掩模。通过使用脑室掩膜可以将WMH图谱划分成PVWMH区域和非PVWMH区域。当距离阈值为10毫米时，得到的PVWMH和非PVWMH的分割结果最佳；当距离阈值为12毫米时，得到的PVWMH和非PVWMH的分割结果良好。非PVWMH区域包括在小脑、脑干和深层白质高信号区域(DWMH)。DWMH可以再进一步划分为脑叶区或动脉区的白质高信号区域。

实施例二：

对于横向数据集，即对于所有参与者，在同一时间点采集的FLAIR图像构成的图像数据集合，各模块工作流程如下：

一、组织类型分割模块

本模块是对T1图像和FLAIR图像进行预处理：对FLAIR图像进行配准，对T1图像进行组织分割，为T1图像和FLAIR图像映射到DARTEL空间做准备。

组织类型分割模块包括以下单元：

1)配准单元：由于T1图像通常比FLAIR图像分辨率高，而且有更好的对比度信息，可以用于生成DARTEL空间。因此，对于横向数据集，首先以T1图像为参考，以对应的FLAIR图像作为源图像执行刚体配准，然后，对刚体配准后的FLAIR图像进行重采样得到配准并重采样的FLAIR图像。

2)T1图像分割单元：T1图像的组织分割对于将T1图像和FLAIR图像映射到DARTEL空间是至关重要的。因此，通过T1图像分割单元对每个T1图像进行组织分割，得到对应的白质的概率图、灰质的概率图和脑脊液的概率图。

二、DARTEL标准分割模块

本模块用于生成DARTEL模板，并将配准的FLAIR图像、T1图像及T1图像分割得到的对应的白质的概率图、灰质的概率图和脑脊液的概率图映射到DARTEL空间。本模块包括以下单元：

1)生成模板单元：此单元目的是为每个T1图像生成一个从个体空间到DARTEL空间的变形流场。本单元提供了“创建模板”和使用“现有模板”两个选项。“创建模板”选项将首先在DARTEL空间上生成所有T1图像的平均模板，然后将每个T1图像映射到平均模板。“现有模板”选项将本地空间中的T1图像映射到已建立的模板，这比“创建模板”耗费的计算时间要少很多。“现有模板”包括针对小于55岁，65到75岁，70到80岁的已创建模板可供选择。

2)DARTEL空间映射单元：按照个体空间到DARTEL空间变形流场，对于横向数据集，将每个配准并重采样的FLAIR图像、每个T1图像、以及每个T1图像对应的灰质的概率图、白质的概率图和脑脊液的概率图映射到DARTEL空间。

在本实施例中，去非脑组织模块、WMH分割模块和WMH精细划分模块的工作流程与实施例一相同，此处不再赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于簇的WMH自动提取系统，其特征在于，包括：

组织类型分割模块，用于对多位参与者的多个FLAIR图像和多个T1图像进行预处理，所述FLAIR图像和所述T1图像数量相等，且一一对应；

DARTEL标准分割模块，分别连接所述组织类型分割模块和去非脑组织模块，用于生成DARTEL模板，并将所述组织类型分割模块得到的图像映射到DARTEL空间；

去非脑组织模块，分别连接所述DARTEL标准分割模块和WMH分割模块，用于对所述DARTEL标准分割模块得到的DARTEL空间的FLAIR图像和T1图像去除非脑组织，得到的图像分别记为D-FLAIR图像和D-T1图像；由于FAST分割单元需要颅骨剥离的脑图像作为输入，去非脑组织模块是利用DARTEL空间中的脑膜从DARTEL空间的FLAIR图像和T1图像中去除非脑组织;

WMH分割模块，分别连接所述去非脑组织模块和WMH精细划分模块，用于基于DARTEL空间对所述D-FLAIR图像和D-T1图像进行分割，得到WMH图谱；

所述WMH分割模块进一步包括：

FAST分割单元：基于FAST算法得到的三级组织掩膜，运用体素六连接计算规则，即构成簇的体素之间至少有一个面连接，得到全脑的候选簇；所述FAST分割单元，用于对所述D-FLAIR图像进行三级组织类型分割，从所述D-FLAIR图像中分割候选簇，所述三级组织类型是WMH，灰质和白质，以及脑脊液；

KNN算法分割单元：基于簇和KNN算法从候选簇中划分出WMH和非WMH；

所述基于簇和KNN算法从所述候选簇中划分出WMH和非WMH具体是基于解剖位置特征ALF、图像灰度特征IF和簇的尺寸特征来提取WMH；所述解剖位置特征ALF是采用组织概率描述所述簇的位置；所述图像灰度特征IF是采用图像灰度比来适应图像的不同灰度值；所述簇的尺寸特征为经过对数转换的簇的尺寸特征；所述簇为符合六连接计算规则的簇；

WMH精细划分模块，用于对所述WMH图谱进行精细划分，运用距离阈值和脑模板的方法对所述WMH图谱进行进一步分割标注，得到脑室内白质高信号区域PVWMH和深层白质高信号区域DWMH；

所述多个FLAIR图像为横向数据集中的图像，所述横向数据集是指对于所有参与者，在同一时间点采集的所述FLAIR图像构成的图像数据集合；

所述组织类型分割模块进一步包括：

配准单元，用于对每个所述FLAIR图像执行刚体配准，以所述FLAIR图像为源图像，以对应的所述T1图像为参考，得到配准并重采样的FLAIR图像；

T1图像分割单元，用于对每个所述T1图像进行组织类型分割，得到每个所述T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图；

所述DARTEL标准分割模块进一步包括：

生成模板单元，用于基于所有所述T1图像生成DARTEL模板，并为每个所述T1图像生成一个从个体空间到DARTEL空间的变形流场；所述DARTEL模板的生成方式有两种：

创建模板：

所述创建模板的具体步骤包括：在DARTEL空间生成所有所述T1图像的平均模板；将每个所述T1图像映射到平均模板；

现有模板：

将所述T1图像映射到本地空间已经建立的模板；

DARTEL空间映射单元，用于按照所述个体空间到DARTEL空间的变形流场，将每个所述配准的FLAIR图像、每个所述T1图像、以及每个所述T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图映射到DARTEL空间，得到DARTEL空间的FLAIR图像和T1图像；

或者，所述多个FLAIR图像为纵向数据集中的图像，所述纵向数据集是指对于同一位参与者，在不同时间点上采集到的所述FLAIR图像构成的图像数据集合；

所述组织类型分割模块进一步包括：

配准单元，用于对每个所述FLAIR图像执行刚体配准，以第一时间点的T1图像为参考，对所有其他时间点的T1图像以及所有时间点的FLAIR图像为源图像执行刚体配准和重采样，得到配准并重采样的FLAIR图像；

T1图像分割单元，用于对每个所述T1图像进行组织类型分割，得到每个所述T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图，以及其他时间点的T1图像配准到第一时间点的T1图像；

所述DARTEL标准分割模块进一步包括：

生成模板单元，用于基于所述第一时间点的T1图像生成DARTEL模板，并为所述第一时间点的T1图像生成一个从个体空间到DARTEL空间的变形流场；所述DARTEL模板的生成方式有两种：

创建模板：

所述创建模板的具体步骤包括：在DARTEL空间生成所述第一时间点的T1图像的模板；

现有模板：

将所述第一时间点的T1图像映射到本地空间已经建立的模板；

DARTEL空间映射单元，用于按照所述个体空间到DARTEL空间的变形流场，将每个所述配准并重采样的FLAIR图像、每个所述其他时间点的T1图像配准到第一时间点的T1图像、以及每个所述其他时间点的T1图像配准到第一时间点的T1图像对应的白质的概率图、灰质的概率图和脑脊液的概率图映射到DARTEL空间，得到DARTEL空间的FLAIR图像和T1图像。

Images