專利名稱：腦缺血病灶區(qū)的自動(dòng)分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理技術(shù)，特別涉及一種基于多尺度統(tǒng)計(jì)分類以及局部容積分類方法對(duì)腦缺血病灶區(qū)的自動(dòng)分割方法。
背景技術(shù)：
所謂圖像分割是指將圖像中具有特殊涵義的不同區(qū)域區(qū)分開來，這些區(qū)域是互相不交叉的，每一個(gè)區(qū)域都滿足特定區(qū)域的一致性。從處理對(duì)象角度來講，分割是在圖像矩陣中確定所關(guān)心的目標(biāo)的定位。顯然，只有把“感興趣的目標(biāo)物體”從復(fù)雜的景象中提取出來，才有可能進(jìn)一步對(duì)各個(gè)子區(qū)域進(jìn)行定量分析或者識(shí)別，進(jìn)而對(duì)圖像進(jìn)行理解。圖像分割包括閾值分割、邊緣檢測(cè)、統(tǒng)計(jì)分類等等方法。圖像分割可用的特征包括圖像灰度、顏色、紋理、局部統(tǒng)計(jì)特征或頻譜特征等，利用這些特征的差別可以區(qū)分圖像中不同目標(biāo)物體。既然我們只能利用圖像信息中某些部分特征分割區(qū)域，因此各種方法必然帶有局限性和針對(duì)性，只能針對(duì)各種實(shí)際應(yīng)用領(lǐng)域的需求來選擇合適的分割方法。
目前，圖像分割方法最重要的一個(gè)實(shí)際應(yīng)用領(lǐng)域是醫(yī)學(xué)圖像的分割。醫(yī)學(xué)圖像包括CT，MR，及其它醫(yī)學(xué)影象設(shè)備所獲得的圖像，目前醫(yī)學(xué)圖像分割的研究多數(shù)是針對(duì)MR圖像或是以MR圖像為例的。醫(yī)學(xué)圖像分割方法的研究有兩個(gè)顯著的特點(diǎn)，一個(gè)是一般要用到醫(yī)學(xué)中的領(lǐng)域知識(shí)，如心室的大致形狀，顱內(nèi)白質(zhì)和灰質(zhì)的含量和相對(duì)位置關(guān)系等等，另一個(gè)是經(jīng)常采用三維分割的方式，這是因?yàn)橐话愕膱D像中僅僅具有二維數(shù)據(jù)，即三維景物通過攝象機(jī)或其它成象設(shè)備得到的二維投影，而醫(yī)學(xué)圖像中則直接給出了以二維切片形式組織的三維數(shù)據(jù)，這就為三維分割提供了可能。針對(duì)醫(yī)學(xué)圖像，具體的分割方法有許多種，如基于區(qū)域的閾值分割、區(qū)域生長和分裂合并、分類器和聚類、以及基于隨機(jī)場的方法等；另外還有基于邊緣的并行微分算子、曲面擬合法、邊界曲線擬合法等。
在醫(yī)學(xué)成像方式中，彌散核磁成像是臨床診斷的重要手段，尤其對(duì)于腦中風(fēng)疾病。腦中風(fēng)是一種十分嚴(yán)重的疾病，可能導(dǎo)致人的終身殘疾，甚至死亡。彌散加權(quán)核磁成像(diffusion weighted magnetic resonanceimaging，簡稱DWI)技術(shù)是非常重要且有效的檢測(cè)腦缺血病的臨床手段。尤其DWI可以在發(fā)病急性期檢測(cè)出病灶，這是常規(guī)核磁成像技術(shù)所不可比擬的。精確的檢測(cè)腦缺血病灶的位置和大小，有助于對(duì)疾病分類，估計(jì)疾病狀況，以及指導(dǎo)治療。然而，由于受到T2加權(quán)，旋轉(zhuǎn)密度，T1加權(quán)等信號(hào)的影響，以及腦白質(zhì)纖維方向的影響，DWI圖像的對(duì)比度很低；并且僅僅利用DWI圖像不能提供充分的彌散信息。因此，目前在臨床上，彌散張量核磁成像(diffusion tensor magnetic resonance imaging，簡稱DTI)技術(shù)被越來越多的用來定量估計(jì)、分析病灶區(qū)的彌散特征。
大量的學(xué)者利用DWI或者DTI技術(shù)，研究腦缺血病人隨著病情的轉(zhuǎn)變，病灶區(qū)體積的變化；以及利用DTI技術(shù)，定量分析病灶區(qū)水分子的彌散各向同性、各向異性。在以前的研究中，多采用手動(dòng)方法分割腦缺血病灶區(qū)，但是手動(dòng)分割是非常耗時(shí)的，而且分割結(jié)果依賴于操作者的主觀判定。由于噪聲、局部容積效應(yīng)、強(qiáng)度不均勻性和彌散各向異性等因素的影響，到目前為止，自動(dòng)或者半自動(dòng)分割DWI、DTI圖像的腦缺血區(qū)域仍然是困難的問題。局部容積效應(yīng)的產(chǎn)生是由于核磁掃描線圈的有限的空間分辨率造成的；強(qiáng)度不均勻性的產(chǎn)生是由于射頻脈沖的不均勻性(radio frequency inhomogeneities)造成的；強(qiáng)度重疊是由于在DWI或者DTI圖像中腦缺血病灶區(qū)與腦神經(jīng)纖維強(qiáng)度的相似性造成的。
關(guān)于自動(dòng)或者半自動(dòng)分割DWI、DTI圖像的腦缺血病灶區(qū)的文獻(xiàn)非常有限。Martel等提出了一種半自動(dòng)的分割方法，即吸收空間約束的自適應(yīng)閾值分割；并采用迭代條件模式(iterative conditional mode，簡稱ICM)方法來尋找局部最優(yōu)解。但是，由于彌散各向異性所造成的強(qiáng)度重疊的影響，他們不能滿意的區(qū)分病灶區(qū)和神經(jīng)束。
對(duì)于常規(guī)MR圖像的病灶區(qū)的分割，通常采用基于圖譜(atlas-based)的分割方法。利用非線性配準(zhǔn)方法，解剖模板可以成功的識(shí)別不同的正常解剖結(jié)構(gòu)。然而，病灶區(qū)不可能利用正常的解剖模板生成，因此就不可能利用圖譜直接分割獲得病灶區(qū)。Leemput等采用統(tǒng)計(jì)分類方法自動(dòng)分割核磁(MR)圖像的不同組織結(jié)構(gòu)，利用正常人的圖譜作為正常組織的初始分割和幾何形狀約束，而將腦部病灶區(qū)設(shè)為局外組織(outliers)。該方法成功的應(yīng)用于MR圖像的多發(fā)性硬化(multiple sclerosis)病灶區(qū)的分割。基于Leemput的方法，Moon等改變了空間圖譜，將病灶組織作為先驗(yàn)知識(shí)，大致設(shè)定病灶區(qū)的位置。但是，由于彌散圖像的低對(duì)比度和各向異性，這些方法均不適合DTI圖像的腦梗塞區(qū)域分割。
一些解決局部容積效應(yīng)方法被陸續(xù)提出。Laidlaw等利用基于體素區(qū)域的灰度直方圖來代表體素的不同組織的混合情況，并且利用Bayesian概率途徑來匹配灰度直方圖，以判決單個(gè)體素內(nèi)部的最可能的不同組織混合情況。但是，一個(gè)體素的強(qiáng)度究竟是由多少個(gè)組織類混合而成的并不清楚，并且該算法忽略了強(qiáng)度的不均勻性的影響。Shattuck等以及Noe等將局部容積體素作為一種新的組織類別，然后再估計(jì)每個(gè)體素中可能的純組織的混合情況。但是，這種方法可能造成分類結(jié)果的過度平滑。
Rajapakse等利用一個(gè)統(tǒng)計(jì)模型來代表主要組織類的分布，強(qiáng)度測(cè)量模型充分考慮了噪聲和強(qiáng)度不均勻性的影響。對(duì)于許多臨床的常規(guī)腦部MR圖像的分割結(jié)果證明了該算法的魯棒性和充分的精確度。但是，該算法仍然有其約束性沒有考慮局部容積效應(yīng)；分割結(jié)果依賴于初始分割；該算法不適用于病灶區(qū)的分割，即使是對(duì)于常規(guī)腦部MR圖像。
基于DTI圖像本身的特點(diǎn)和現(xiàn)有的圖像處理方法，我們提出一種全新的自適應(yīng)的方法，自動(dòng)分割腦中風(fēng)病人DTI圖像中的腦缺血病灶區(qū)。該方法充分考慮了噪聲、彌散各項(xiàng)異性、局部容積效應(yīng)和強(qiáng)度不均勻性的影響。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種自動(dòng)的分割DTI圖像腦缺血病灶區(qū)的方法，該方法充分考慮了噪聲、彌散各項(xiàng)異性、局部容積效應(yīng)和強(qiáng)度不均勻性的影響，提出了基于多尺度統(tǒng)計(jì)分類和局部容積分類的自動(dòng)分割方法，輔助臨床醫(yī)生定性、定量診斷和指導(dǎo)治療。
本發(fā)明的核心思想是我們提出一種全新的自適應(yīng)的方法，自動(dòng)分割腦中風(fēng)病人DTI圖像中的腦缺血病灶區(qū)。該方法包括以下幾個(gè)步驟圖像預(yù)處理，彌散張量場計(jì)算，彌散各向異性的測(cè)量，自適應(yīng)多尺度統(tǒng)計(jì)分類(multi-scale statistical classification，簡稱MSSC)，以及局部容積體素再分類(partial volume voxel reclassification，簡稱PVVR)。自適應(yīng)MSSC模型考慮到DTI圖像的空間信息，強(qiáng)度梯度、彌散各項(xiàng)異性、以及組織特性等信息；PVVR模型利用局部參數(shù)信息提高局部容積分割的準(zhǔn)確性。
基于上述目的和思想，基于多尺度統(tǒng)計(jì)分類和局部容積分類方法來自動(dòng)分割DTI圖像腦缺血病灶區(qū)算法包括(1)圖像預(yù)處理，對(duì)原始圖像進(jìn)行濾波；(2)彌散張量場(tensor field)計(jì)算，求出三維空間每一個(gè)體素所對(duì)應(yīng)的張量場；(3)彌散各向異性的測(cè)量，對(duì)三維空間每一個(gè)體素的各向異性進(jìn)行量化；(4)尺度空間的計(jì)算，包括原始DTI圖像尺度空間，以及彌散各向異性映射圖尺度空間；(5)自適應(yīng)多尺度統(tǒng)計(jì)分類(multi-scale statistical classification，簡稱MSSC)，在尋找基于最優(yōu)的病灶區(qū)域的同時(shí)，克服由于噪聲、彌散各項(xiàng)異性以及強(qiáng)度不均勻性所帶來的影響；(6)局部容積體素再分類(partial volume voxel reclassification，簡稱PVVR)，在自適應(yīng)多尺度統(tǒng)計(jì)分類的基礎(chǔ)上，進(jìn)一步優(yōu)化分割結(jié)果，克服局部容積效應(yīng)所帶來的干擾。
本發(fā)明利用自適應(yīng)多尺度統(tǒng)計(jì)分類與局部容積體素再分類，有效的克服噪聲、彌散各項(xiàng)異性、局部容積效應(yīng)和強(qiáng)度不均勻性的影響，實(shí)現(xiàn)了對(duì)DTI圖像腦缺血病灶區(qū)的自動(dòng)分割。在醫(yī)學(xué)圖像輔助診斷系統(tǒng)、醫(yī)學(xué)圖像三維重建系統(tǒng)、以及臨床病理定性定量診斷分析等領(lǐng)域中有著重要的應(yīng)用價(jià)值。


圖1.基于多尺度統(tǒng)計(jì)分類和局部容積分類方法的自動(dòng)進(jìn)行DTI圖像腦缺血病灶區(qū)分割的方法結(jié)構(gòu)框圖；圖2.一個(gè)急性腦中風(fēng)病人的彌散張量體數(shù)據(jù)的一個(gè)切面；圖中每一個(gè)子圖象代表該層面彌散張量D的一個(gè)組成部分的標(biāo)量映射圖；圖3.對(duì)圖1張量切面的彌散各向異性測(cè)量；其中(a)trace圖；(b)FA圖；圖4.尺度空間圖示；圖5.MSSC分類后可能的不同組織類間的邊界情況，其中(a)顯示由兩個(gè)組織類組成的區(qū)域；(b)顯示由三個(gè)組織類組成的邊界；圖6.對(duì)DTI圖像不同分割方法的分割結(jié)果比較，其中(a)原始的腦缺血病人的DTI圖象；(b)在較好的初始分割的條件下的自適應(yīng)MAP分割，其中箭頭指向誤分為病灶區(qū)的腦神經(jīng)束；(c)MSSC分割；(d)MSSC-PVVR分割；圖7.對(duì)DTI圖像不同分割方法的分割結(jié)果比較，其中(a)原始的腦缺血病人的DTI圖象；(b)在較好的初始分割的條件下的自適應(yīng)MAP分割，其中箭頭指向誤分為病灶區(qū)的腦神經(jīng)束；(c)MSSC分割；(d)MSSC-PVVR分割；圖8.對(duì)DTI圖像不同分割方法的分割結(jié)果比較，(a)原始的腦缺血病人的DTI圖象；(b)在較好的初始分割的條件下的自適應(yīng)MAP分割，其中箭頭指向誤分為病灶區(qū)的腦神經(jīng)束；(c)MSSC分割；(d)MSSC-PVVR分割。
具體實(shí)施例方式
下面結(jié)合附圖詳細(xì)描述本發(fā)明的自動(dòng)分割方法。作為一種具體的實(shí)現(xiàn)方案，結(jié)構(gòu)框圖見圖1，該分割方法包括以下幾個(gè)步驟圖像預(yù)處理，彌散張量場計(jì)算，彌散各向異性的測(cè)量，自適應(yīng)多尺度統(tǒng)計(jì)分類，以及局部容積體素再分類。
主要包括四個(gè)步驟(1)估計(jì)DTI圖像的彌散張量和彌散各向異性；(2)計(jì)算尺度空間；(3)多尺度統(tǒng)計(jì)分類；(4)局部容積體素再分類。下面對(duì)其逐一介紹。
步驟1估計(jì)DTI圖像的彌散張量和彌散各向異性DTI用來測(cè)量水分子在生物組織內(nèi)部的彌散特性。彌散是一個(gè)三維的過程。但是，由于生物組織的結(jié)構(gòu)特點(diǎn)，水分子的運(yùn)動(dòng)在三維的各個(gè)方向并不是相等的。通常利用彌散張量來完整描述水分子沿不同坐標(biāo)軸的運(yùn)動(dòng)特性，以及它們之間的相互關(guān)聯(lián)性。
D=DxxDxyDxzDyxDyyDxxDzxDzyDzz]]>D代表彌散張量。從原始DTI圖像計(jì)算張量D比較復(fù)雜，詳細(xì)方法Bihan在參考文獻(xiàn)中有詳細(xì)敘述。圖2代表一個(gè)急性腦中風(fēng)病人的彌散張量體數(shù)據(jù)的一個(gè)層面。圖2中每一個(gè)子圖像代表該層面彌散張量D的一個(gè)組成部分的標(biāo)量映射圖。
利用張量D的特征值λ1，λ2，λ3，其中λ1＞λ2＞λ3，可以獲得不同的各向異性測(cè)量。本文中我們采用分布各向異性(fractional anisotropy，簡稱FA)，來定量估計(jì)彌散各向異性。
FA=3[(λ1-Tr(D))2+(λ2-Tr(D))2+(λ3-Tr(D))2]/2(λ12+λ22+λ32)]]>Tr(D)＝(λ1+λ2+λ3)/3其中Tr(D)是D的跡，代表各個(gè)不同方向的平均彌散度。圖3展示了對(duì)圖2張量切面的跡(trace)圖和分布各向異性(FA)圖。從圖3(b)可以觀察到正常腦白質(zhì)區(qū)域的各向異性明顯高于腦灰質(zhì)和腦脊液區(qū)域。
步驟2計(jì)算尺度空間尺度空間可以基于許多不同的準(zhǔn)則產(chǎn)生。線性尺度空間技術(shù)容易模糊圖像的重要特征，例如不同組織結(jié)構(gòu)的邊界。非線性尺度空間克服了這個(gè)缺點(diǎn)，使得區(qū)域內(nèi)的平滑力度大于區(qū)域間平滑。Perona與Malik提出了一個(gè)計(jì)算非線性尺度空間的偏微分方程。中心思想是在濾波的同時(shí)引入了邊緣檢測(cè)，允許不同尺度級(jí)別間的交互。
∂∂ty(i,t)=div(c(i,t)▿y(i,t))=c(i,t)Δy(i,t)+▿c·▿y(i,t)]]>c(i，t)＝g(|y(i，t)|)在我們的分割方法中，y(i，t)代表DTI圖像在尺度級(jí)t，位置i的圖像強(qiáng)度值；c(i，t)是擴(kuò)散參數(shù)，依賴于空間位置而變化，是圖像強(qiáng)度變化的模的函數(shù)；div代表發(fā)散算子；和Δ分別代表梯度算子和拉普拉斯(Laplacian)算子。在本文，我們采用下面的擴(kuò)散函數(shù)g(·)來產(chǎn)生尺度空間。
g(|▿y(i,t)|)=e(-(|▿y(i,t)l|/Ks)2)]]>常量Ks要么被手工設(shè)定或使用Canny提出的方法來產(chǎn)生。
圖4顯示了尺度空間示意圖。不同的尺度級(jí)t代表不同的圖像空間分辨率。尺度級(jí)t＝0代表原始圖像，尺度空間中的最高分辨率。隨著尺度級(jí)增加，圖像越來越模糊，所包含圖像信息越來越少。高分辨率的圖像與低分辨率的圖像有密切的對(duì)應(yīng)關(guān)系，這便于我們從低分辨率的圖像上提取整體結(jié)構(gòu)信息，而從高分辨率的圖像上獲取細(xì)節(jié)信息。
步驟3多尺度統(tǒng)計(jì)分類(MSSC)一幅圖像是由相互彼此相鄰的體素集合構(gòu)成。I代表體素在圖像中的坐標(biāo)位置，y＝(yi，i∈I)代表圖像的強(qiáng)度值，yi代表圖像在體素位置i的強(qiáng)度值。設(shè)定圖像的組織類的個(gè)數(shù)為K，每一個(gè)組織類用一個(gè)集合Λ＝{1，2...k}中的一個(gè)數(shù)值表示；對(duì)圖像的分割實(shí)際上就是將各個(gè)體素歸類為不同的組織類。xi＝k代表在位置i的體素屬于組織類k，k∈Λ。x＝(xi，i∈I)代表圖像y的一種分類結(jié)果。
分割的過程就是尋找合適的x，來代表圖像y在每個(gè)體素位置所屬于的正確的組織類。我們采用最大后驗(yàn)估計(jì)(maximum a posteriori，簡稱MAP)對(duì)原始圖像進(jìn)行分割。設(shè)x＝x*代表最優(yōu)分割x*=argmaxx∈Ωp(x|y)]]>其中Ω代表所有可能的分割，p(x|y)代表在已知圖像y條件下的獲得x分割的概率。由于先驗(yàn)概率p(y)獨(dú)立于分割x，根據(jù)Bayesian理論，p(x|y)∝p(x，y)＝p(y|x)p(x)假定圖像的噪聲符合高斯白噪聲分布，如果xi＝k，那么yi=μk,i+nk,i,nk,i~N(0,σk,i2)]]>其中μk，，i，nk，，I和σk，，i分別代表在位置i組織類k的強(qiáng)度均值，噪聲，以及噪聲的標(biāo)準(zhǔn)方差。θ＝{θi，i∈I}代表測(cè)量模型的參數(shù)集，θi＝{θk，i＝(μk，，i，σk，，i)，k∈Λ}。代表組織類在圖像中各個(gè)體素的均值和標(biāo)準(zhǔn)方差，考慮到生物組織的變化和圖像空間強(qiáng)度的不均勻性。
假設(shè)Rk代表所有屬于組織類k的體素位置，那么條件概率p(y|x)可寫作p(y|x)=ΠkΠi∈Rkpk(yi|θk,i)=ΠkΠi∈Rk1(2π)σk,iexp{-12(yi-μk,iσk,i)2}]]>我們利用馬爾科夫隨機(jī)場(Markov Random Field，簡稱MRF)來定義先驗(yàn)?zāi)Ｐ?，則概率p(x)服從Gibbs分布，p(x)=exp{-βΣc∈CVc(x)}]]>其中β是歸整化常量，C代表體素點(diǎn)的集合，并且集合中體素之間彼此相鄰。
我們得到p(x|y)∝exp{-U(x)}U(x)為能量函數(shù)，如下U(x)=12ΣkΣi∈Rk(yi-μk,iσk,i)2+ΣkΣi∈Rklog(σk,i)+βΣc∈CVc(x)]]>U(x)的前兩項(xiàng)代表原始圖像數(shù)據(jù)和分割結(jié)果之間的相互約束關(guān)系；最后一項(xiàng)代表先驗(yàn)?zāi)Ｐ蛯?duì)分割結(jié)果的平滑約束。尋找分割的最大后驗(yàn)估計(jì)(MAP)估計(jì)問題等價(jià)于能量函數(shù)U(x)的最小化問題。
在步驟2中，我們獲得在不同分辨率下的序列圖像。當(dāng)我們?cè)黾映叨燃?jí)別時(shí)，圖像的細(xì)節(jié)信息下降。模糊化的圖像序列用y(t)＝(y(i，t)，i∈I，t∈N)，N＝{1，2...n}表示。(t代表尺度級(jí)別，n代表最高的尺度級(jí))。對(duì)y(t)相應(yīng)的分割用x(t)來表示，x(t)＝(x(i，t)，i∈I)。
如果在尺度級(jí)t+1獲得了分割x(t+1)，那么就可以相應(yīng)的估計(jì)參數(shù)θ(t+1)。應(yīng)用已知的參數(shù)θ(t+1)，我們就可以獲得在尺度級(jí)t圖像y(t)的新的分割。在尺度級(jí)t+1分割結(jié)果x(t+1)相應(yīng)的參數(shù)θ(t+1)可用來獲得在尺度級(jí)t的下一個(gè)分割。完成了分割和參數(shù)估計(jì)的N次迭代，當(dāng)?shù)竭_(dá)擁有最高分辨率的原始圖像(t＝0)時(shí)，我們就獲得了最終的最優(yōu)分割結(jié)果。因此，分割可以用下面兩個(gè)過程來描述x(t)=argminx(t)U(x(t+1)|y(t),θ(t+1))]]>θ(t)=argmaxθ(t)p(y(t)|x(t),θ((t+1))]]>已知每個(gè)組織類的模型參數(shù)，來估計(jì)最可能的分割；已知分割，來估計(jì)最優(yōu)模型參數(shù)。測(cè)量模型參數(shù)的選擇是根據(jù)圖像數(shù)據(jù)的最大化原則。自適應(yīng)多尺度統(tǒng)計(jì)分類(MSSC)過程經(jīng)過多次迭代，來估計(jì)能量函數(shù)U(t)的最小值。Ui(t)代表在尺度級(jí)t位置i的局部能量函數(shù)，如下式Ui(t)=argmink{12(yi(t)-μk,i(t+1)σk,i(t+1))2+log(σk,i(t+1))+βVc(xi(t+1))}]]>其中μk，，i(t)和σk，，i(t)分別是DTI圖像在尺度級(jí)t的μk，，i和σk，，i。這里Vc(xi(t))定義為滿足xj(t)＝xi(t)，i，j∈C，的體素?cái)?shù)目。
在DTI圖像中，腦缺血病灶區(qū)顯示高信號(hào)，而由于各向異性的影響，腦白質(zhì)神經(jīng)纖維處也呈現(xiàn)高信號(hào)。由于強(qiáng)度值重疊，精確分割出腦缺血病灶區(qū)非常困難。我們通過在模型中加入彌散各向異性的控制來解決這個(gè)問題。
αi(t)＝|yi(t)-ri(t)|ri(t)＝α·FAi(t)ri(t)代表原始DTI圖像在尺度級(jí)t的位置i的分布各向異性值FAi(t)。因子a確保FA與y有一致的強(qiáng)度空間。αi(t)描述yi(t)和ri(t)的差異性。我們修改能量函數(shù)Ui(t)公式如下Ui(t)=argmink{12(yi(t)-μk,i(t+1)σk,i(t+1))2+log(σk,i(t+1))+βVc(xi(t+1))+γ·1αi(t)}]]>其中γ是歸整化常量。
我們可以獲得在尺度級(jí)t的測(cè)量模型參數(shù)θ(t)＝{θi(t)，i∈I}，其中θi(t)＝{θk，i(t)＝(μk，，i(t)，σk，，i(t))，k∈Λ}。通過對(duì)log p(y(t)|x(t)，θ(t+1))相對(duì)于μk，，i(t)及σk，，i(t)求偏微分，并使之為零?？梢垣@得μk，，i(t)和σk，，i(t)的估計(jì)如下μk,i(t)=μk(t)=Σi∈Rkyi(t)|Rk(t)|,]]>σk,i2(t)=σk2(t)=Σi∈Rk(yi(t)-μk,i(t))2|Rk(t)|]]>其中Rk(t)代表在尺度級(jí)t所有屬于組織類k的區(qū)域，即體素位置集。
步驟4局部容積體素再分類(PVVR)由于圖像低的空間分辨率所造成的局部容積效應(yīng)，被分割區(qū)域邊緣的體素可能被錯(cuò)誤分類。Shattuck與Noe在分割常規(guī)MR圖像時(shí)，將局部容積體素分類為一種新的組織類，來處理局部容積效應(yīng)。但這種方法不適合DTI圖像的分割。DTI圖像對(duì)比度很低，甚至難以區(qū)分腦白質(zhì)和腦灰質(zhì)；而且局部容積體素通常具有與純組織類相似的強(qiáng)度值。所有這些使得對(duì)DTI圖像的分割比常規(guī)MR圖像更加困難。為解決這個(gè)問題，在利用自適應(yīng)多尺度統(tǒng)計(jì)分類(MSSC)分類之后，我們檢測(cè)不同類的邊緣區(qū)域，重新分類局部容積體素，以進(jìn)一步精確分割結(jié)果。我們利用Canny邊緣檢測(cè)器，檢測(cè)出不同組織類的邊緣區(qū)域。我們利用多尺度統(tǒng)計(jì)分類(MSSC)方法分割結(jié)果，來估計(jì)可能的原始DTI圖像的組織邊緣。由于分割結(jié)果中不同組織類內(nèi)部灰度值相等，在組織類之間邊緣檢測(cè)很容易估計(jì)。邊緣區(qū)域的體素被認(rèn)為是可能的局部容積體素，對(duì)這些體素用局部容積體素再分類(PVVR)方法進(jìn)行再次分類。圖5示例了在多尺度統(tǒng)計(jì)分類(MSSC)分類后可能的不同組織類間的邊界情況。在圖5(a)(b)情況下均有可能發(fā)生局部容積體素的誤分類。
我們認(rèn)為局部容積體素是已分割出的不同組織類的線性聯(lián)合，p(yi|θ)=Σkπi,kpk(yi|θk)]]>
θ＝{θi，i∈I}，其中θi＝(μk，，i，σk，，i)，k∈Λ}，代表已知的測(cè)量模型參數(shù)。θ＝θ(0)從多尺度統(tǒng)計(jì)分類(MSSC)的分割結(jié)果直接獲得。πi，k代表在可能的局部容積體素i位置上的權(quán)值，0＜πi，k＜＝1。
通過求解上式來決定不同的類在局部容積體素上所占的權(quán)重。根據(jù)實(shí)際，我們認(rèn)為局部容積體素是由2個(gè)不同類k1，k2組成的。
p(yi,θ)=πi,k1p(yi|θk1)+πi,k2p(yi|θk2),πi,k1+πi,k2=1]]>θ1i＝(μ1，k，i，σ1k，i)，k∈Λ，代表在位置i鄰近區(qū)域R1i中組織類k的平均強(qiáng)度和標(biāo)準(zhǔn)差。
μk,il=Σi∈Rilμk,i|Rk,il|,]]>σk,il=Σi∈Ril(yi-μk,il)2|Rk,il|]]>其中|R1k，1|代表中區(qū)域R1i中所包含的屬于組織類k的體素總個(gè)數(shù)。為了克服原始DTI圖像的強(qiáng)度的不均勻性，用θ1i來替代θi。
o(yi|θl)=πi,k1p(yi|θlk1)+πi,k2p(yi|θlk2),πl,k1+πi,k2=1]]>由于已知圖像強(qiáng)度分布y，以及通過多尺度統(tǒng)計(jì)分類(MSSC)可獲得測(cè)量模型參數(shù)θ，分類x，θ1i＝(μ1，k，i，σ1k，i)，k∈Λ，可以方便的獲??；通過求解πi，k，繼而重新分類局部容積體素為權(quán)重較大的組織類。
運(yùn)行結(jié)果進(jìn)一步驗(yàn)證我們的算法，我們選取了20個(gè)腦缺血病人的DTI圖像。這些DTI圖像采用GE 1.5T或3.0T核磁系統(tǒng)，使用彌散張量成像獲得(TR/TE6000-7000/98ms；采集矩陣128×128；掃描軸位；FOV24cm；層厚5mm；間距1.0mm；b值1000s/mm2；彌散方向13個(gè)方向)。在急性或亞急性腦中風(fēng)階段，在DTI圖像中，腦缺血病灶區(qū)呈現(xiàn)高信號(hào)。我們將圖像分為三個(gè)不同的組織類K＝3腦脊液、腦白質(zhì)和腦灰質(zhì)、以及腦缺血病灶區(qū)。
自適應(yīng)多尺度統(tǒng)計(jì)分類(MSSC)-局部容積體素再分類(PVVR)方法有效的提高了DTI圖像腦缺血病灶區(qū)的分割準(zhǔn)確性。我們將幾種分割方法進(jìn)行了比較自適應(yīng)最大后驗(yàn)估計(jì)(MAP)分割，自適應(yīng)多尺度統(tǒng)計(jì)分類(MSSC)分割，自適應(yīng)多尺度統(tǒng)計(jì)分類(MSSC)-局部容積體素再分類(PVVR)分割。如圖6、圖7、圖8所示。(圖2，圖3和圖6均來源于同一組DTI數(shù)據(jù))這里，自適應(yīng)最大后驗(yàn)估計(jì)(MAP)分割的初始化均采用較好的閾值分割結(jié)果；如果初始分割比較差，自適應(yīng)最大后驗(yàn)估計(jì)(MAP)分割的效果將遠(yuǎn)遠(yuǎn)差于目前的效果。然而，自適應(yīng)多尺度統(tǒng)計(jì)分類(MSSC)分割與自適應(yīng)多尺度統(tǒng)計(jì)分類(MSSC)-局部容積體素再分類(PVVR)分割方法利用區(qū)域分裂、合并算法完成初始分割，相比較自適應(yīng)最大后驗(yàn)估計(jì)(MAP)分割，更加魯棒、方便。從實(shí)驗(yàn)結(jié)果可明顯看出，自適應(yīng)最大后驗(yàn)估計(jì)(MAP)分割不能有效的解決強(qiáng)度值重疊的問題；自適應(yīng)多尺度統(tǒng)計(jì)分類(MSSC)分割與自適應(yīng)多尺度統(tǒng)計(jì)分類(MSSC)-局部容積體素再分類(PVVR)分割方法由于在模型中吸收了彌散各向異性的控制，很好的解決了這個(gè)問題；與自適應(yīng)最大后驗(yàn)估計(jì)(MAP)分割和自適應(yīng)多尺度統(tǒng)計(jì)分類(MSSC)分割方法比較，自適應(yīng)多尺度統(tǒng)計(jì)分類(MSSC)-局部容積體素再分類(PVVR)分割有效的降低了局部容積效應(yīng)的影響。
權(quán)利要求
1.一種腦缺血病灶區(qū)的自動(dòng)分割方法，基于多尺度統(tǒng)計(jì)分類和局部容積分類方法對(duì)DTI圖像腦缺血病灶區(qū)進(jìn)行自動(dòng)分割，其特征在于，包括以下步驟(1)圖像預(yù)處理，對(duì)原始圖像進(jìn)行濾波；(2)彌散張量場計(jì)算，求出三維空間每一個(gè)體素所對(duì)應(yīng)的張量場；(3)彌散各向異性的測(cè)量，對(duì)三維空間每一個(gè)體素的各向異性進(jìn)行量化；(4)尺度空間的計(jì)算，包括原始DTI圖像尺度空間，以及彌散各向異性映射圖尺度空間；(5)自適應(yīng)多尺度統(tǒng)計(jì)分類，在尋找基于最優(yōu)的病灶區(qū)域的同時(shí)，克服由于噪聲、彌散各項(xiàng)異性以及強(qiáng)度不均勻性所帶來的影響；(6)局部容積體素再分類，在自適應(yīng)多尺度統(tǒng)計(jì)分類的基礎(chǔ)上，進(jìn)一步優(yōu)化分割結(jié)果，克服局部容積效應(yīng)所帶來的干擾。
2.如權(quán)利要求1所述的方法，其特征在于，在第(3)步中，采用分布各向異性，來定量估計(jì)彌散各向異性，其公式如下FA=3[(λ1-Tr(D))2+(λ2-Tr(D))2+(λ3-Tr(D))2]/2(λ12+λ22+λ32)]]>Tr(D)＝(λ1+λ2+λ3)/3其中Tr(D)是D的跡，代表各個(gè)不同方向的平均彌散度。
3.如權(quán)利要求1所述的方法，其特征在于，在第(4)步中，采用下面的擴(kuò)散函數(shù)g(·)來產(chǎn)生尺度空間g(|▿y(i,t)|)=e(-(|▿y(i,t)l|/Ks)2)]]>常量Ks以手工設(shè)定或使用Canny提出的方法來產(chǎn)生。
4.如權(quán)利要求1所述的方法，其特征在于，在第(6)步中，利用自適應(yīng)多尺度統(tǒng)計(jì)分類之后，以邊緣檢測(cè)器，檢測(cè)出不同組織類的邊緣區(qū)域，再用多尺度統(tǒng)計(jì)分類方法的分割結(jié)果，來估計(jì)可能的原始DTI圖像的組織邊緣，邊緣區(qū)域的體素是可能的局部容積體素，對(duì)這些體素用局部容積體素再分類方法進(jìn)行再次分類。
5.如權(quán)利要求4所述的方法，其特征在于，所述邊緣檢測(cè)器，為Canny邊緣檢測(cè)器。
全文摘要
本發(fā)明涉及圖像處理技術(shù)，特別涉及一種基于多尺度統(tǒng)計(jì)分類以及局部容積分類方法對(duì)腦缺血病灶區(qū)的自動(dòng)分割方法。該方法包括以下步驟(1)估計(jì)DTI圖像的彌散張量和彌散各向異性；(2)計(jì)算尺度空間；(3)多尺度統(tǒng)計(jì)分類；(4)局部容積體素再分類。本發(fā)明方法有效的克服了噪聲、彌散各項(xiàng)異性、局部容積效應(yīng)和強(qiáng)度不均勻性的影響，實(shí)現(xiàn)了對(duì)DTI圖像腦缺血病灶區(qū)的自動(dòng)分割。在醫(yī)學(xué)圖像輔助診斷系統(tǒng)、醫(yī)學(xué)圖像三維重建系統(tǒng)、以及臨床病理定性定量診斷分析等領(lǐng)域中有著重要的應(yīng)用價(jià)值。
文檔編號(hào)G06T5/00GK1632830SQ20031012117
公開日2005年6月29日 申請(qǐng)日期2003年12月22日 優(yōu)先權(quán)日2003年12月22日
發(fā)明者田捷, 李悟 申請(qǐng)人:中國科學(xué)院自動(dòng)化研究所