客观心室分割基础上与缺血性中风脑CT解剖知识

文摘

心室分割是一项具有挑战性的技术检测系统发展的计算机断层扫描(CT)的缺血性中风是缺血性中风大脑区域相邻心室与类似的强度。为了解决这个问题,我们开发了一个客观的分割的大脑脑室CT系统。心室的强度分布估计基于集群技术,连接,和领域知识,最初的心室然后得到分割结果。排除中风地区从最初的分割,提出了一种结合分割策略,这是由三个不同的方案:(1)最大的三维(3 d)连接组件被认为是心室区域;(2)大中风的地区被移除的形象差异的方法基于搜索最优阈值;(3)小中风区域自适应模板算法被排除在外。该方法是评估在50例缺血性中风患者。意味着骰子,敏感性、特异性和根均方误差分别为0.9447,0.969,0.998,和0.219毫米。该系统可以提供一个理想的性能。因此,该系统预计将带来洞察诊所研究和探测系统的发展在CT缺血性中风。

1。介绍

计算机断层扫描(CT)通常被用来评估急性缺血性中风患者在美国,因为它的速度更快,更好的对比骨骼和血液,成本低于磁共振影像(MRI)。缺血性中风和脑脊液(CSF)地区也有类似的出现在CT图像;因此,准确的心室分割可以显著促进缺血性中风地区本地化和不可或缺的一步发展的计算机辅助诊断(CAD)对急性缺血性中风。

提出了几种先进的方法在MRI(段心室1),包括主动contour-based方法(2- - - - - -4),模糊计划(5,6),和概率方法(7,8]。然而,这些方法可能不恰当的CT图像,因为有低相反,更高的噪声水平,和更大的切片厚度在脑部CT图像。

只有小文学脑CT图像的分割已出版。例如,魏等人提出了一种分割方案基于2 d大津阈值方法(9]。李等人应用则和期望最大化集群段CT图像(10]。陈等人的另一种方法是基于高斯混合模型(11]。古普塔等人综合自适应阈值,连接,和领域知识分类脑脊液,白质和灰质CT图像(12]。上面提到的这些方法都不是专门为心室分割并没有验证图像严重异常。陈等人开发了一个心室分割系统通过结合低级分割和高级模板匹配(13]。相似,刘等人提出了一个model-guided细分为心室地区(14]。这两种方法都是基于模板或模型方案心室提取CT。因为这些模板产生的核磁共振脑图像和注册是线性的,模板仅为心室分割提供了一个粗略的面具。因此,它仍然是具有挑战性的,这两种方法排除中风区域分割结果。钱等人提出了一个水平集模型段脑脊液,但结果包括中风地区(15]。本研究将改善的方法和广泛验证我们的以前的工作16]。

重大的困难准确心室分割处理缺血性中风患者的CT图像。一些中风的地区和心室相连,有类似的强度。应对这一挑战,我们开发了一个客观的市场细分策略,大脑心室unenhanced CT与缺血性中风。我们以下三个方案应用于排除的中风区域分割结果:(1)我们最大的三维(3 d)连接组件初步分割为心室区域,清除病变或其他地区没有3 d与心室连接关系,因为初始分割结果不仅包含心室还有一些nonventricular地区,如病变或脑脊液。(2)大中风的地区被移除的图像差分法。大中风倾向于关闭大脑区域优势,及其强度一般都低于心室的主要部分。因此,中风地区可以提取两个最优阈值分割结果之间的区别。(3)小中风区域自适应模板算法被移除。自适应模板直接产生相应的图像本身是基于大强度差异的主要部分脑室和脑实质。这个模板没有包含整个心室但心室区域的主要部分。因此,我们应用这个模板移除小病变在心室的主要部分,并没有进行登记。另一个效应是,排除这些小病变可能打破病变区域之间的连接关系和心室地区在3 d空间。

2。材料和方法

如图1,自动心室分割方法是由两个阶段组成,即调整阶段(部分2。2(部分)和细分阶段2。3)。在调整阶段,大脑/光变曲线段的检测来确定每个切矢线。然后我们对齐矢线(实验室),每个片实现大脑的垂直线对齐。在分割阶段,我们首先估计的强度范围心室地区基于集群技术,连接,和领域知识。开发出相应的图像差分算法,识别和消除大中风的初始分割区域。剩下的小中风地区进一步排除了一种自适应模板的心室。最后,最大的3 d连接分割心室来细化分割结果。

2.1。数据集

我们测试了该方法在50缺血性中风患者的CT扫描研究。这个数据集收集使用CT扫描仪从吉林大学医学中心(光速16,通用电气医疗系统)的x射线管电压120千伏峰值。每个病人都有14片的厚度5毫米。每个薄片的矩阵大小为512×512像素,像素大小是0.426毫米和16位灰度。50例29岁男性和21个女性组成,而且他们的平均年龄是57年41年和76年之间。我们建立了一个参考标准评价心室的分割结果。医学物理学家(XQ,八年的经验)手动划定的心室边界上所有的片液晶屏作为参考标准评估分割结果的准确性。

2.2。对齐的大脑图像

大脑图像的校准之前,头骨被一个阈值方法从CT数的骨骼组织始终高于大脑组织。一般来说,软组织的CT数小于60 Hounsfield单位(胡)(如1 - 12胡锦涛的心室,25-38胡锦涛的白质,和胡35-60灰质),尽管平均CT强度是1000胡骨头。因此,我们提取100年的头骨使用固定阈值。头骨内的地区被认为是大脑区域和头骨外的地区作为背景。

大脑的提取后,倾角和位置被调整纠正与韩剧的垂直中心线每一片。火星科学实验室的确定是一个关键的一步对齐。因为大脑镰(即。,narrow light curve/segment) presents on about 30% images, we applied the falx cerebri as a reference to identify the MSL. Therefore, we utilized two steps to achieve alignment of the brain, including大脑和检测的光变曲线基于实验室的仿射变换。

2.2.1。光检测曲线的大脑

图2显示光变曲线检测的原理图。加快检测,我们定义了一个矩形区域(ROI),其大小是选择包括光曲线被探测到。我们选择一个最小的最小边界矩形的大脑区域在整个扫描,然后将这个矩形的一半宽度定义为ROI的宽度。ROI的高度是512年的默认值。图2(b)显示了大脑的矩形的ROI。

脑部CT图像有一个高水平的噪音。普通过滤可能模糊弱边缘,使探测光曲线的困难。光变曲线有一个轻微的角度垂直方向;然而,它仍然被视为是垂直的。因此,我们设计了一个一维()与2的方差高斯滤波器来平滑图像沿垂直方向,可以保留边缘信息的光变曲线在水平方向上,如图2(c)。

然后我们设计水平拉普拉斯算子检测面具,也就是说,检测光变曲线,因为垂直地带包括边缘点的光变曲线比其他地方。拉普拉斯算子的图像(图2(c)),我们采用一种自适应阈值来产生一个边缘地图,如图2(d),我们根据经验设置阈值的平均值为2.5的倍数标准差的拉普拉斯算子的图像。

之后,我们抹去小无关的噪声点云基于3 d地图边缘连接。地图边缘噪声点可能会消极地影响到后续的三维拟合中矢状面。然而,这些噪声点的3 d连接体积小;因此,我们可以用一个阈值删除它们在3 d体积有关。在我们的实验中,我们应用30像素的阈值获取干净的边缘光变曲线的地图(图2(f))。图2(g)显示光的3 d地图边缘曲线。

2.2.2。基于实验室的仿射变换

获得精确的实验室,我们首先安装一个中产矢状平面三维欧几里得空间通过一组光的边缘部分使用最小二乘曲线拟合的方法。让是一个边缘部分,完全分和。所以,最优拟合平面可以通过以下公式

韩剧每片之间的相交线定义为图像和矢状面。让表示th切片的三维图像,我们可以获得这片的韩剧

火星科学实验室确定如图3(一个)。最后,我们一致的大脑的韩剧的垂直中心线使用仿射变换定义为一片 在哪里的中心点是一片的垂直中心线和火星科学实验室之间的倾角和垂直中心线。数据3 (b)和3 (c)表明,大脑的倾角和位置被纠正。

2.3。分割的心室

心室的阶段划分,我们致力于排除心室中风区域分割的结果。流程图如图4。

2.3.1。参数估计的心室

分割的心室前,我们估计参数的强度分布心室。我们第一次使用则算法()的3 d图像分层的大脑图像和低强度最大的3 d连接组件类别心室。然后,基于连通性的估算方法和领域知识从文献[8)是用来计算不同组织的强度分布。具体来说,我们跟踪的污水直方图对应3 d最大的心室连接组件的强度范围来确定临界强度,是脑脊髓液的初始分类器和白质。阈值的脑脊髓液、白质和灰质是最佳派生最小化空间重叠在不同组织类型错误。在这项研究中,心室强度范围将采用提取心室区域。

2.3.2。初步划分为心室基于估计参数

心室的估计最大强度范围内,应用作为初步的阈值分割的心室。如果中风的强度范围大于,初步分割是一个很好的结果。然而,如果中风的强度范围小于分割的结果可能是不可接受的,因为它也可能包含一些中风的地区。

然后,我们利用3 d连通性的初步分割结果来获得最大的体积作为初始分割心室。没有3 d的中风地区或者噪声区域连接到心室可以排除这一步。图4(b)表明,大行程区域连接到心室的分割。

2.3.3。检测大中风的地区

大中风后地区主要是有关大脑前动脉或大脑中动脉,这些中风区域大多是关闭大脑边缘。因此,我们提出了一个大脑边缘检测算法来确定大中风中存在地区分割的结果。大脑的一个环形区域边缘检测的对象定义。假设的最小边长的最小边界矩形的大脑,可以计算环形区域的宽度为了避免心室的某些部分环形区域内下降。大脑的面具边缘环形区域如图4(c),因此,如果目标面积大于阈值,我们标记它为中风。在经验阈值选为20像素允许噪声的存在。

2.3.4。决心大中风的地区

我们提出一个图像差分技术基于启发式搜索算法提取大中风的地区,在初步分割成功的检测到的边缘检测方法。这幅图像差分技术实际上应用的区别两种不同阈值分割结果确定中风地区。我们首先定义了临界阈值(即,)。如果大于阈值,中风地区这个阈值的分割结果可以检测到的边缘分析方法;然而,如果阈值较小或等于中风,没有一个地区能被检测出来。然后我们得到了中风的地区 在哪里是阈值法;代表了后续改进算法,如形态学方法;和代表了中风的地区。所以,我们获得了心室领域:

在图像差分法的重要一步是确定临界阈值。我们应用黄金搜索方法和边缘检测方法获得的在范围内。

2.3.5。排除小中风的地区

一些小型中风地区可能仍然出现在图像的分割结果差异的方法。为了解决这个问题,我们开发了一个自适应模板匹配的方法,应用的主要部分的面具心室排除其余小中风的地区。每个图像的模板生成。它不包含整个心室但涵盖了心室的主要部分。

图5显示了一个剖视图的大脑图像的灰度图。脑室和脑实质之间的强度差异大约是20强度值,同时过渡区域只有6到7像素。因此,我们应用作为心室的阈值分割,把最大的3 d心室连接区域,如图6 (b)。心室分割,仅仅包含左右侧脑室和第三和第四脑室,自适应地选择的模板。确保模板覆盖了心室,我们进行了一些形态学分析,包括关闭操作和扩展操作。生成的模板如图6 (c)和6 (d)。

这些步骤之后,我们线性注册模板对应的分割。模板内的对象作为心室,剩下的小中风地区可能被排除在分割结果。

2.3.6。心室的细化分割

我们采用连接组件标签分割心室地区。最大的体积作为心室。然后我们把钙化的结果和心室平滑边缘区域使用形态学关闭操作。

2.4。评估细分方法

我们应用四个措施,包括骰子度量、根均方误差、可靠性²⁸和相关系数,以评估该分割方法的性能。定义如下的四个措施。

(1)骰子度量。让代表了自动分割体积和代表手动分割(即。参考标准)。的被定义为 的价值是在0和1之间。更高的表明更好的分割重叠量和参考标准。

(2)根均方误差。的计算对应点之间的距离自动分段和参考范围,定义 在哪里是点分段边界和是最接近在参考边界。较低的,更好的性能。

(3)可靠性。可靠性函数是用来评估分割方法的可靠性,定义为 在哪里。代表产生的可靠性。

(4)相关系数。 之间的和是用来评估质量的最小二乘拟合,给出的吗 的价值范围从0,之间没有匹配两卷,1,一个完美的匹配。

3所示。结果

3.1。定性评价

图7显示三个代表大脑图像的对齐。原始图像所示(一个)。(b) (d)分段光变曲线/段,确定矢线,分别和最终结果一致。只有很短的光变曲线段第一行的在大脑中检测到的图像;然而,我们的算法仍然准确地确定矢线,这是由于三维拟合的中产矢状面基于分段光变曲线/段。我们可以发现我们的对齐算法取得了良好的性能。

图8显示心室分割的结果。原始的大脑图像、心室分割结果和参考标准是(一)(c)所示,分别。虽然有些中风地区被附加到心室在原始图像,他们都在分割结果中排除。这个结果意味着我们提出的分割方法可以获得满意的结果图像与缺血性中风。

3.2。定量评价结果

我们使用定量评估了心室分割结果,、可靠性和相关系数()。意味着骰子,敏感性、特异性和RMSE分别为0.9447,0.969,0.998,和0.219,分别如表所示1。这些指标的分析结果证实了该方法的理想的性能。

该方法生产的可靠性心室分割,这意味着所有这些病例中有一个很好的协议。图9(一个)情节的函数心室的分割。进一步显示了该方法的可接受的性能。

自动分割结果和参考标准之间的相关系数是0.994。线性回归在图绘制9 (b)之间的密切相关性,这表明该方法的结果和参考标准。

4所示。讨论

中风区域CT通常相邻或连接到心室,及其强度相似,这使得它非常难以准确分割的心室。为了实现这一目标,我们开发了一个组合分割策略组成的连接,图像差分法和自适应模板开发方法,排除中风从心室区域分割结果,构成我们的分割方案的主要力量。

图像差分法用于大型病变区域提取。在这种方法中,最关键的一步是搜索关键阈值获取心室分割结果没有中风的地区。这个结果作为“基准心室面具”和作为图像差分法中的减数。然而,边缘检测方法仅对大中风的区域,所以该方法不能有效地检测小中风领域时,提出了临界阈值分割结果。如果基准心室面具包含小中风,这些小中风地区将在最后的分割结果。因此,自适应模板方法是去除这些小中风地区开发的,这将进一步分解之间的连接关系病变区域和心室地区在3 d空间。最后,我们把最大的3 d连接组件细分为心室区域细化结果。

这种分割系统的局限性是一些小型中风地区可能仍然存在分割的结果,由于自适应模板的局部性质,涵盖的主要部分心室。分化的心室和中风地区是一个具有挑战性的任务。在未来,我们将结合心室的前模板和自适应模板排除中风地区初始分割结果。此外,我们将收集更多的数据来验证我们提出分割系统。

5。结论

准确的心室分割是一个关键的步骤,对急性缺血性中风CAD的发展。由于缺血性中风通常靠近大脑区域心室与类似的强度,它是一个具有挑战性的任务段心室。在这项研究中,我们开发了一个目标分割的大脑脑室CT系统。我们提出了三种不同的方案来排除中风从最初的分割区域,这项工作的主要贡献。实验说明该分割方法的分割,可以获得良好的性能心室与缺血性中风脑CT扫描,这将大大促进缺血性中风地区本地化。

相互竞争的利益

作者没有相关利益冲突披露。

引用

1. m·a·Balafar a . r . Ramli Saripan,和s Mashohor“审查”的脑核磁共振图像分割方法,人工智能审查,33卷,不。3、261 - 274年,2010页。视图:出版商的网站|谷歌学术搜索
2. 黄r . c . m . Li z h .叮,j . c . Gatenby d . n .迈塔克瑟白兰地和j·c·戈尔”一个水平集图像分割方法的强度应用MRI,非均质性”IEEE图像处理,20卷,不。7,2007 - 2016年,2011页。视图:出版商的网站|谷歌学术搜索|MathSciNet
3. c . l . Wang,问:太阳,d .夏,彭译葶。花王”,主动轮廓由本地和全球强度拟合能源应用脑MR图像分割,“计算机医学影像和图形,33卷,不。7,520 - 531年,2009页。视图:出版商的网站|谷歌学术搜索
4. f . l . Wang, w·林,j·h·吉尔摩和d .沈,“新生儿使用凸优化图像的自动分割和耦合的水平集,“科学杂志,卷。58岁的没有。3、805 - 817年,2011页。视图:出版商的网站|谷歌学术搜索
5. 范h . Wang和b”,修改模糊c均值分类方法使用多尺度扩散滤波方案,“医学图像分析,13卷,不。2、193 - 202年,2009页。视图:出版商的网站|谷歌学术搜索
6. 范x杨和b”,多尺度与模糊c多次拉丝分类方法对大脑图像,先生”医学物理学,38卷,不。6,2879 - 2891年,2011页。视图:出版商的网站|谷歌学术搜索
7. Yoshiura s Kumazawa t、h .本田、f . Toyofuku和y Higashida”部分体积估计和分割基于扩散张量磁共振成像的大脑组织,”医学物理学,37卷,不。4、1482 - 1490年,2010页。视图:出版商的网站|谷歌学术搜索
8. 李x l·李·h·卢,z梁,“部分体积分割的脑磁共振图像基于最大后验概率,”医学物理学,32卷,不。7,2337 - 2345年,2005页。视图:出版商的网站|谷歌学术搜索
9. k,他,t·张,x沈,“头部CT图像的分割新方法,”学报第一生物信息学和生物医学工程国际会议(ICBBE ' 07)武汉,页717 - 720年,中国,2007年7月。视图:出版商的网站|谷歌学术搜索
10. t·h·李·m·f·a·Fauzi, r .:“使用k - means脑部CT图像分割和EM聚类”学报》第五届国际会议在计算机图形学中,成像和可视化,现代技术和应用程序(CGIV ' 08),2008年8月。视图:出版商的网站|谷歌学术搜索
11. w·陈和k . Najarian”分割的心室脑部CT图像使用高斯混合模型方法,”ICME国际会议的程序复杂的医学工程(CME ' 09),2009年4月。视图:出版商的网站|谷歌学术搜索
12. 诉Gupta, w . Ambrosius g . y .钱et al .,“脑脊液的自动分割,灰质和白质在unenhanced计算机断层扫描图像,”放射学学术,17卷,不。11日,第1358 - 1350页,2010年。视图:出版商的网站|谷歌学术搜索
13. w·a·陈S.-Y r .史密斯。霁,k·r·沃德,k . Najarian”自动脑室系统脑CT图像分割结合低级分割和高级模板匹配,”BMC医学信息学和决策补充1卷。9日,文章S4, 2009。视图:出版商的网站|谷歌学术搜索
14. j .刘黄,诉Ihar, a . Wojciech l·c·李和w·l·Nowinski”自动model-guided分割的人类大脑从CT图像,脑室系统”放射学学术,17卷,不。6,718 - 726年,2010页。视图:出版商的网站|谷歌学术搜索
15. 郭s x钱,j . Wang,李问:“活动轮廓模型的医学图像分割与脑CT图像,应用程序”医学物理学,40卷,不。2、文章ID 021911, 2013。视图:出版商的网站|谷歌学术搜索
16. 李x钱,j·王,问:“自动分割的脑室unenhanced CT的缺血性中风患者,”2013年美国医学成像:计算机辅助诊断(奥兰多区)布纳维斯塔湖,佛罗里达州,美国,2013年2月。视图:出版商的网站|谷歌学术搜索

版权

版权©2017年小华钱学森等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。