文摘

BrainK自动化程序是一组描述人类头上的组织从核磁共振,CT,摄影测量图像。组织分割和皮质表面提取支持建模的主要目标电流通过的传播组织有限差分模型(FDM)或有限元模型(FEM)从BrainK创建几何图形。电气主管模型需要准确的源定位密集阵列脑电图仪的从头表面电极(dEEG)措施。也需要准确定位脑结构与经颅从这些表面电极电流注入。BrainK必须实现五大任务:图像分割,登记的MRI、CT,和传感器摄影测量图片,皮质表面重建、偶极子的皮质表面镶嵌,Talairach转换。我们描述了每个任务的方法,我们比较关键任务的组织分割的精度和皮质表面提取与现有的研究工具(目前,FreeSurfer SPM和BrainVisa)。BrainK达到很好的精度与最小或没有用户干预,交易与低质量图像和先生组织异常,并且提供了在现有研究方案提高了计算效率。

1。介绍

的简单记录脑电图(EEG)、脑电活动的可以测量与毫秒时间分辨率在表面。(dEEG)系统脑电图现在允许多达256个频道以完全覆盖头部的迅速应用,评估领域从基底以及优良的皮质表面(1,2]。层流的皮层,神经组织和本地同步活动源于其柱状组织,是主要的发电机的远场测量头表面脑电图(3]。皮质来源可以建模为点偶极子,及其对表面活性的贡献可以通过电源来重建分析。模棱两可的逆估计在电源分析可以最小化如果皮质来源的精确位置和方向指定。第一近似,源偶极子可以认为是面向垂直于皮质表面,符合锥体神经元和大脑皮层的方向列。

与这些属性模型皮质来源,准确的皮质表面提取是一个关键的挑战。此外,体积电电位的传导,从头部皮层表面,必须指定通过描述每个组织的电导率隔间。头骨是主要的电阻中头部,而且必须建模,最好从CT与骨密度值。因为体积的电边界效应传导受到不连续的影响在当前路径,例如,漏洞造成的头骨(光学运河和枕骨大孔),球壳或边界元模型只提供电子传播近似皮层表面,和更详细的(FDM或有限元)体积模型是必要的。最后,电极必须指定的位置准确,例如,使用测地线摄影测量(4]。

通过描述电极的位置和皮质表面目标,准确的电气主管模型还支持密集阵列方法经颅电流注入。电气主管模型可以验证与有界电阻抗断层扫描(贝特),分析了电流注入和潜在的复苏,从核磁共振的范围内组织几何,测试是否头部组织电导率的估计的模型是准确预测恢复势(5,6]。与准确的电气模型,可以调节大脑活动早,使用密集阵列经颅直流电刺激(tDCS),或经颅直流电刺激(tac)模式的源和汇电极计算优化目标特定脑网站(7,8]。

在本报告中,我们回顾BrainK中实现的方法。此外,我们报告验证研究组织分割的精度和效率,皮质表面提取。Klauschen et al。9)自动评估工具头组织分割图像先生。这些包括目前10],FreeSurfer [11,12],SPM (13]。尽管BrainK设计作为一个自动化工具,可视化和编辑功能提供允许适应独特的图像属性,如病变或组织异常的存在。

2。概述BrainK

图1显示了BrainK的图形用户界面,包括图像处理的多个步骤。虽然最大精度为脑电图源定位或颅神经调节需要完整的核磁共振,CT,摄影测量传感器,它是重要的优化结果与成像数据可能为特定主题或病人。图2显示BrainK的架构包含特定的工作流设计适应人的可用数据。虽然可以认为标准传感器位置BrainK(传感器位置引用头骨基准时,与测地线传感器网络),更准确的脑电图源本地化工作流程始于从摄影测量传感器的位置,如什么是测地线摄影测量系统(GPS)提供的。如果没有可用的人,成像数据地图册头模型,由一个数据库的核磁共振成像和CTs适当的年龄14),然后用非线性扭曲登记以适应传感器位置(因此人的头形状),生产一个保形Atlas头模型。如果只有一个结构磁共振成像(通常是体积T1)是可用的人,磁共振成像传感器位置注册,数据库头骨磁共振成像(CT)注册,和组织分割和皮质表面提取进行创建个人头颅骨模型与阿特拉斯。头骨隔间都包括原始CT Hounsfield单位评估骨质密度(因此电导率)体素由体素或一个头骨部分,根据计算模型,该模型将使用BrainK FDM的头模型输出。如果CT和MRI可用于人,CT MRI注册,这比核磁共振有更精确的维度,来创建个人头模型与个人CT头颅。

对于所有工作流T1 MRI时可用的人,BrainK分割识别白质(WM)和灰质(GM)。它分区分为两半球和区分从大脑小脑。此外,整个头部面具和分割的两个眼球分离组件。眼球可能重要的电气主管模型产生的远场大因为他们cornea-retinal势(必须分开大脑信号的EEG)。对于所有工作流场景,一个通用的球形传感器云是扭曲到主体的头部轮廓。Atlas-to-MRI的场景,MRI-to-CT CT-to-MRI,额外GPS-to-head注册程序进行注册的具体云GPS传感器,传感器网络应用程序,从一个个人的测地线在头部轮廓。的场景Atlas-to-MRI-to-GPS Atlas-to-GPS,个人GPS数据已经扮演了一个角色在头骨注册和与头部轮廓。在所有情况下,头骨进行注册,这样生成的分割包括以下组织类型:WM,通用,CSF,骨头,肉,和眼球,WM和通用汽车进一步划分为两个脑半球和小脑。

3所示。方法在BrainK

3.1。图像分割

MRI分割实现了一连串的自动分割过程,以识别和独立的电气主管建模所需的组织负责人,包括头皮、颅骨、脑脊液(CSF),大脑(灰色和白色物质),眼球。最后,皮质表面允许执行提取特征的正常皮质表面(允许偶极适合垂直于皮层)。级联主要包含两种类型的程序:立体像素分类上感兴趣的区域(ROI)提取特定的解剖结构。分类过程旨在标签所有体素在ROI成不同的组织类型。体素的萃取过程执行形态学操作分类这一个特定的解剖结构,如WM,通用汽车,或头皮,分开是错误的(假阳性)分割结果。

考虑到核磁共振数据,细分如图3首先将整个图像空间作为第一个ROI先生,,并将所有的像素点分为两种类型:前景和背景。下面的前景提取过程做简单的形态学操作进一步提高前景分割导致第二个ROI,,所有体素分为三种组织类型:WM,通用和CSF,如图4 (b)。这个过程的主要操作执行BrainK的小说相对阈值(RT)技术(部分3.1。1)[15]。鉴于立体像素分类,WM提取过程产生一个初始WM体积,将其作为基础来确定初始通用卷通用的提取过程。接下来,的结合和作为第三个ROI,,WM /通用分类是精制RT不同方案。新的WM卷处理WM萃取过程和WM分区过程,结束了第二个WM体积。

这不仅WM分区过程分离的两个脑半球之间彼此但也使最优削减脑WM和小脑WM众所周知的最大流算法(16]。结果是规范的组织类型:两种类型的大脑两个半球的WM,分别和小脑WM。然后提取新通用卷的基础形式,其中包括脑通用的两种类型,分别为两个半球和小脑通用,如图4 (c)。脑组织分割(+)然后头皮作为参考数据分割导致头部面具。头皮细分然后进行二进制阈值过程。

为了实现上述分割步骤,BrainK实现了一种新型的形态图像分析(SMIA)技术(部分3.1。3)和基于细胞复杂的形态学图像分析(CCMIA)方法(部分3.1。4)。这些在WM提取扮演关键角色,拓扑修正,通用提取和头皮提取。一起的相对阈值RT方法,SMIA和CCMIA步骤形成核心技术用于BrainK并将详细了解以下小节中描述。眼球提取从头部面具是一个特殊的程序使用先验知识的眼球。

尽管分割颅骨的核磁共振是一个重要的挑战,骨头属性的描述很差在典型的T1 MRI序列相比,由CT提供。Hounsfield单位提供的CT图像(测量x射线衰减)直接与骨质密度成正比,因此提供重要的信息相对小梁组织性质的头骨。例如,CT Hounsfield单位联系小梁的头骨与水含量(17]。

CT图像分割过程首先执行简单而健壮的阈值(18),这样整个图像分为三种体素:骨头,肉,和背景。原Hounsfield单位然后保留骨质密度和导电率的估计。形态学操作遵循平滑初始分割。最后,最大流算法应用于区分脑容量和其他软组织,这样他们之间削减最小化。CT分割结果在一个立体像素分类以及脑容量包装的头盖骨,最终有四种组织类型细分:骨头,肉,大脑,和背景。

3.1.1。相对阈值(RT)

著名的工件和突出形象,挑战,图像分割是强度不均匀性(IIH)由于空间扭曲的射频(RF)获得射频线圈(19]。颅内高压症导致阴影效应的存在很明显的重叠直方图的图像和不同的组织。结果是,基于强度的方法,如阈值和集群,在脑组织分割通常是不可靠的。颅内高压症校正图像分割前可以执行,但是过程不仅可以消除图像构件还图像信号,提供重要的信息。校正时一起进行分割,介绍了附加自由度问题公式化,使优化过程更容易受到当地的最适条件。在本文中,我们提出了一种新的分割方法称为相对阈值(RT),它使用两个全球相对阈值比较与当地的强度对比,从而将全球和本地信息段ROI WM,通用汽车和脑脊液。

RT的性质使它强大的反对IIT不引入一个显式的影响颅内高压症修正。像传统的阈值方法,RT可以详尽的搜索没有被困到当地最适条件的可能性。它还包含了各种先验知识等,主体是健壮的可变性和皮质结构的卷积。最后,RT进行脑组织分割不需要大脑体积的前一步提取。

尽管主体间变异性,皮质结构的复杂性,和可变性,成像序列,我们可以做以下先验结构,几何,和放射学观察:颅骨、脑脊液、通用汽车和WM从外到内形成一个分层结构;头骨的平均强度、脑脊液、通用汽车、和WM在当地区域在t1加权磁共振成像在升序排序;大脑皮层厚度几乎是统一的,是一个很小的值相比,大脑的大小;除了上述结构建模,我们也制定一个图像模型,通过融合一个乘法低频偏见和一个附加噪声如下: 在哪里是观察到的强度吗th体素和是难以察觉的真实强度没有颅内高压症和噪音的影响。

结构建模和图像建模使两个过程,这两个主题体素的强度进行比较与体素的引用在其梯度路径,这是一组有序的体素来自和下面的每个立体像素的梯度方向的道路。第一个程序,GM-WM分化,扫描所有体素的ROI,初始化为WM,和标签作为通用汽车如果有这样一个参考体素它的距离距离小于阈值和他们的平滑强度之间的比率小于一个相对阈值;第二个过程,CSF-GM分化,扫描每个通用体素并重新贴标签于脑脊液如果有这样一个WM体素在其梯度路径的距离小于另一个距离阈值()和他们的平滑强度之间的比率小于另一个相对阈值()。

为了找到最佳的相对阈值,BrainK详尽尝试每一对在候选人的笛卡儿积GM / WM相对阈值集和候选人CSF / WM相对阈值设置和选择对最小化目标函数。在这个方程,是一个公制测量WM对象的同质性和制定的和平滑任何一对相邻像素点的强度差异贴上WM。和制定相同的精神对通用汽车和CSF,分别。,,三个加权系数。

第二个RT方案需要相对最优阈值和不同于第一个方案如何确定的问题参考强度的强度相比,体素。ROI首先重置,然后一组初始吗的WM体素是由阈值决定的与传统的阈值最大化目标函数,在那里是强度的总和的差异对相邻像素点贴上WM non-WM和金额的差异吗对相邻像素点贴上WM和最大强度的差异。的最小基数将提高鲁棒性。其余地区然后分段迭代过程的扩张吗利用最优GM / WM相对阈值比较主体体素的强度参考强度计算考虑附近的WM压体素。

3.1.2。通用汽车和WM提取

通用和WM提取程序负责提取通用和生体素的WM结构分类的ROI。我们首先描述通用提取,假设WM提取已经完成。通用提取利用先验知识如下:皮质的厚度几乎是统一的;通用包装在WM这样两个组织形成一个分层结构;通用汽车的平均灰度低于WM在任何当地。由于提取的WM体积,通用卷是第一个由梯度流过程,任何的体素最初贴上转基因的ROI是作为真正的通用后如果能达到任何WM压梯度路径来自本身在一个给定的距离阈值。每个步骤在梯度路径是由每个立体像素的梯度方向。最初通用卷进行进一步加工,传统形态学操作来提高分割,最终与通用卷。

WM比通用提取提取是一个更具挑战性的过程,因为它负责提取WM本身,它还负责脑容量提取。下面的先验知识WM提取的基础:WM高度相关,但它没有拓扑缺陷。拓扑缺陷或假阳性出现狭窄的瓶颈。提取主要包括两个步骤:WM定位,确定其中一个半球的中心;从假阳性分离WM。WM中心的定位是寻找最高的WM体素连接,这意味着连接应采取的一些定量测定WM体素。从拓扑缺陷,如在WM隧道,可以极大地影响的几何测量连接,连接前的WM应该首先topology-corrected测量。因为大脑皮层表面(丝带)必须定义在关系到正确的拓扑的WM WM拓扑修正也是必不可少的有效的皮质表面重建。BrainK介绍了一种基于骨架化形态图像分析(SMIA)方法和基于细胞复杂的形态学图像分析(CCMIA)框架。以下部分描述了这些方法在WM扮演中心角色通过实现准确提取拓扑连通性测量和修正。

3.1.3。基于骨架化形态图像分析(SMIA)

BrainK SMIA框架由一个表面骨架化过程和曲线骨架化过程中,两者都是基于其广泛的拓扑点分类。给定一个二进制图像,我们说它的前景有一个处理只要有一个封闭的路径通过连接变形不能变形单点。一个处理被称为隧道在它的补充。一个点在很简单,如果它可以添加或删除的在不改变双方的拓扑和。一个简单点(20.)是数字拓扑和核心概念的定义,我们所说的基础thick-simple点。一个点thick-simple对吗如果是简单的对和删除和任何的邻国不增加隧道的数量和连接组件的数量吗。一个点是thin-simple如果是简单的但不是thick-simple和可分为铺上厚厚的和粗大点。Thick-simple点还可以进一步分为面组,curve-end和其他类型。

有两个步骤BrainK表面的骨架化基于上述问题分类:铺上厚厚的骨架化和thin-surface骨架化。前的结果在一个离散表面的厚度最多两体素,而后者导致最后一个骨架表面薄薄的one-voxel厚度。的铺上厚厚的骨架化迭代消除边界点的对象目前thick-simple移除。的thin-surface骨架化迭代消除边界点的铺上厚厚的骨架上厚厚的点,thick-surface-edge点,或厚curve-end点删除的时候。迭代曲线骨架化过程删除对象的边界点粗大点或thick-simple,但不是curve-end点,删除的时候。作为一个副产品,BrainK表面的骨架化过程使每个骨架点深度指标从点到边界的距离,而曲线骨架程序给每个骨架点的话度量。

如果曲线骨架化过程是在一定规模,然后点成为thin-curve点可以检查是否在对象的一个句柄。删除这样的处理点纠正了拓扑缺陷通过削减处理。BrainK支持多尺度拓扑修正(21)方法在WM对象以便WM提取更健壮,然后topology-corrected皮层可以生成基于WM。

3.1.4。基于细胞复杂的形态学图像分析(CCMIA)

CCMIA是出于代表的真实连接的目标对象的框架考虑大脑WM等对象的卷积,无论是深度还是广度都的需要结构是足够好的。它本质上是一系列的空间称为转换细胞复杂(22]。一个细胞组成的复杂是一个拓扑空间点,段,多边形,多面体,代多面体在任何维度。给定一组像素点在3 d二进制图像,我们可以构建一个三维细胞复杂的,也就是说,3-complex为每个体素,通过创建一个点,每两个连接的边缘点,每三个相互关联的边的三角形,每四相互连接的三角形和四面体。CCMIA收益将3-complex转换为一个两个复点,段,和多边形,然后用点和两个复到1-complex段。3 - 2转换迭代消除边界四面体的一张脸而连接度量和深度指标上堆积剩下的三个删除四面体的面孔,而代表中心之间的距离的两副面孔。类似的精神,可以转化为两个复1-complex积累和剩下的边可以设置两个指标和。

原始WM对象拓扑修正后,其表面处理骨架CCMIA结束了1-complex点和边缘。关键事件最大的边缘连接被确定为WM中心和峰回路转,阈值是用来打破瓶颈之间真正的WM和假阳性。最后,WM骨架表面扩张恢复容积对象。

3.2。登记

考虑到不同的数据,灵活和准确的登记是一个重要的BrainK函数。而先生形象准确区分软组织,CT图像准确地代表了骨头。当个别CT或者MRI不可用,BrainK提供注册传感器向数字摄影测量数据头组织的阿特拉斯的适当的年龄和性别。BrainK软组织和骨骼集成多通道图像和各种图像配准技术从现有的数字地图。

图像配准是寻找最优几何图像之间的转换的问题,每一个点的一个图像可以被映射到另一个图像的对应点。通常有刚性和非刚性的转换。刚性变换只涉及平移和旋转。仿射变换是一个典型的非刚性的变换,并允许缩放和剪切。另一种形式的非刚性的转换是一个弹性变换,允许地方变形基于弹性理论的模型。BrainK实现刚性和仿射变换,以及landmark-based弹性转换利用薄板样条理论(23]。不同登记用途,使用的是一个或多个这样的简单的转换作为初始状态更复杂的转换。

刚性变换和仿射变换可以由一个简单的表示矩阵。应用这些转换的关键问题是优化源和目标图像之间的相似性度量,在BrainK表示地标。利用薄板样条变换的位移场在任何点的插值计算向量定义为一组源地标和一组目标地标。可以看出,具有里程碑意义的提取过程中扮演着重要的角色在所有三个转换。BrainK是优化提取地标在前面的图像分割和基于先验解剖知识。所有的登记手续BrainK经历三个步骤:地标提取,转换系数测定和执行转换。注意三个转换都以不同的方式使用地标。刚性的地标和仿射变换的图像相似度度量方法用于构造,虽然源地标和目标地标在薄板脊柱转换和映射到建立位移场。

利用薄板样条理论是基于一个类比近似形状的薄金属板偏转在离散点正常的力量。鉴于源的地标在源图像和相应的目标地标在目标图像,利用薄板样条转换映射任意点源图像的点在目标图像如下: 在哪里。上面的方程一起组成一个系数矩阵,可通过解方程部队的匹配和,在那里是由组织的坐标和是由组成的坐标和距离信息。

当个人CT和MRI数据可用的人,注册组件在MRI-to-CT场景中第一段CT分为以下组织类型:骨骼、大脑,肉,和背景。然后与CT MRI分割分割,这样大脑组织和眼球在核磁共振成像数据正确转换和投入定义的大脑区域CT数据。这种转变的结果是,整个头分割(WM、通用、脑脊液、骨头、眼球,和肉)现在注册的CT体积,CSF在哪里重新定义为“大脑”地区在CT分割,但现在减去WM插入从MRI分割和通用汽车。

MRI和CT都可用时,用户也可以选择CT-to-MRI登记这骨头在CT转换和放入MRI分割包装在大脑和脑脊液之间插入大脑和头盖骨。然而,MRI-to-CT登记时首选CT涵盖整个课题负责人因为MRI成像介绍比CT几何失真。然而,当CT仅覆盖头盖骨地区和核磁共振数据包括脸部和下巴,注册用户可以考虑CT-to-MRI为了有足够的电脑袋的脸和下巴数据模型。

当只有给定主题,核磁共振成像数据可用BrainK支持头骨Atlas-to-MRI登记,骨组织的图谱数据集被扭曲成MRI空间和CSF也作为头盖骨和大脑之间的这些地区。任何区域内的头部面具,不是被通用汽车、WM, CSF,眼球或骨将肉。

只有MRI和个人GPS数据可用,如果MRI严重扭曲(维扭曲),用户可以选择MRI-to-GPS登记,这头地区扭曲与云GPS传感器,它具有良好的度量性能的实际形状。结果是改变了分割数据,可以进一步处理上述Atlas-to-MRI登记。

因此,头骨登记可以适应个人适合可用的图像数据。只有个人GPS数据对于一个给定的主题,一个地图数据集和所有必需的组织类型可以扭曲与GPS传感器与所谓的云Atlas-to-GPS登记、生产个体正形地图集,适当的容积导体的电脑袋的形状建模。

3.2.1之上。MRI / CT登记

MRI分割后,我们已经有了MRI脑容量由WM和通用汽车,但不是CSF。WM CT脑容量占用空间,通用汽车和脑脊液。在适当的范围内通过应用形态学关闭工会的MRI WM和通用汽车,我们获得核磁共振大脑面具,一些内在的CSF空间填充和大脑轮廓平滑但仍然错过一些脑脊液压主要包装在大脑的优越的轮廓。MRI分割也会产生核磁共振成像头面具和两个眼球面具和。相应地,我们有CT脑面具和CT头面具。这些数据表单输入组用于确定转换系数的MRI / CT登记。

MRI / CT登记经历一个刚性变换紧随其后的是一个仿射变换。不同的地标是两个变换提取。刚性变换仅旨在提供一个良好的初始状态为仿射变换及其地标只是那些边缘像素点。优化的相似性度量方法刚性变换距离的平方和地标性建筑的轮廓。最优系数是发现的多尺度详尽的搜索与可接受的计算效率和良好的全局优化性能。

仿射变换的地标是更复杂的和由两部分构成:劣质地标和优越的地标。下边界体素的地标是劣质的一部分而优越的地标来自上级的轮廓。下和上级地标分区,以便他们“视觉”结束但不重叠。使用两套地标的动机是使MRI与CT在大脑匹配和头皮匹配。然而,大脑体积CT可能包含比这更CSF在MRI上的部分体积和我们观察他们的轮廓有可靠的匹配只有在劣质的大脑的一部分。具有里程碑意义的提取因此本质上涉及到的分区头空间分成部分和上级部分低劣。BrainK以以下三个地标为分区头空间参考点:大脑中心的面具和中心的两个眼球面具和。所有的三分都可以自动确定。

仿射变换的相似性度量是制定两项的总和。一个是距离的平方和劣质地标性建筑的轮廓,另一个是距离的平方和都优越的地标性建筑的轮廓。梯度下降优化方法用于获得最佳仿射系数。当所有的最优系数的刚性和仿射变换得到,MRI / CT登记可以执行从一个方向,而其他可以通过简单的反相系数矩阵。MRI-to-CT注册图所示的结果5。

3.2.2。头骨Atlas-to-MRI登记

因为阿特拉斯和个人主体可以有明显的几何差异,Atlas-to-MRI登记后经历了一个弹性薄板样条转换刚性和仿射变换。刚性的转换提供了一个良好的仿射变换的初始状态,进而提供了一个良好的初始状态为当地弹性变换。Atlas-to-MRI登记的结果如图6。

刚性变换和仿射变换使用同一套地标制定相似的措施。让核磁共振成像大脑掩码定义为在MRI / CT登记。让是阿特拉斯的大脑中定义的面具一样。这些地标边界体素的集合相似性度量是距离的平方和地标性建筑的轮廓。刚性变换的系数是由多尺度详尽的搜索而发现的仿射变换是由梯度下降搜索。

源利用薄板样条转换中使用地标包括几个部分。两个主要的部分是下源地标和优越的地标。劣质源地标分布在阿特拉斯的低轮廓的一部分大脑面具。上级源地标被放置在优越的轮廓的一部分Atlas头面具。他们的提取非常类似于那些用于MRI / CT的提取登记,但他们更稀疏分布减少计算开销。

中相应的目标地标主题头确定后自动执行的刚性和仿射变换。为每个里程碑式的优质来源,获得相应的优越的目标里程碑作为主体的轮廓的交点头面具和上级之间的线源具有里程碑意义和主题大脑中心。我们有两种方法可以获得下目标地标根据他们的位置。第一个方法是一样的,获得上级目标地标和适合的后一部分分布在小脑的劣质地标。第二种方法,适用于前劣质地标性建筑的一部分,我们计算的距离大脑轮廓的面具,每个下级目标具有里程碑意义,它应该的轮廓源,通过跟踪从相应的具有里程碑意义的距离场的梯度。

注册的过程中,阿特拉斯头骨的厚度是根据估计的比例调整主体的厚度Atlas头骨的厚度。这是通过使用另一组源地标和另一组目标地标。对于每个卓越的具有里程碑意义的来源,我们确定它的“伴侣地标”内的阿特拉斯头骨和上级之间的线源地标和阿特拉斯的大脑中心。对于每一个优越的目标里程碑式的,还有一个“伴侣地标”之间的界线优越的目标里程碑和大脑中枢。对于每一对上具有里程碑意义的来源及其配偶具有里程碑意义的,我们有距离;对于每一对上级目标的地标及其配偶具有里程碑意义的,我们有距离。然后定义为全球比率及其最优确定最高的价值,绝大多数(如90%)的上级目标伴侣地标的面具。一些高级目标伴侣在地标根据全球比率,全球价值却降低了本地,这样他们的面具。

对于每个后下具有里程碑意义的来源,我们确定其配偶以外的具有里程碑意义的Atlas头骨和之间的线源地标和阿特拉斯的大脑中心。对于每个目标后下具有里程碑意义的,我们也有一个伴侣里程碑目标具有里程碑意义和主题之间的界线大脑中枢,它的位置是根据上述全球厚度比决定。为了进一步提高性能的一致性,很少有其他地标如眼球的中心。我们有一个特定的算法来自动检测受试者的眼球,但这里所描述的细节是没有限制的空间。当所有源地标和所有目标确定地标,转换为空间任意点可以计算出所示(2)。

3.2.3。注册EEG传感器位置

EEG传感器位置自动本地化与测地3 d摄影测量系统(GPS)。GPS捕获图像从11个摄像头在固定位置允许识别传感器的图像,然后计算的3 d坐标(图7)。Atlas-to-MRI-to-GPS登记然后由两个阶段组成,MRI-to-GPS登记然后Atlas-to-MRI登记,使用新改变了核磁共振成像。Atlas-to-MRI登记被描述在上面的小节中,这只处理分段MRI-to-GPS登记。有三个步骤。第一个可以自动的转换与其他替代品下面描述。第二个是一个仿射变换。前两个可以把MRI对齐状态和GPS数据,但GPS点可能仍然是头皮。第三步然后执行转换利用薄板样条变形核磁共振成像,这样每个GPS点定位在头皮上。前两个步骤中使用的地标GPS点自己,和相似性测量距离的平方和MRI头皮的地标性建筑,也就是说,头部的轮廓的面具。对于薄板样条转换,目标地标GPS点而源地标这些点的轮廓这每一个线连接大脑中心和相应的目标具有里程碑意义。

MRI-to-GPS登记的自动的第一步可以被转换与用户提供三个基准地标MRI空间:鼻根和左右periauricular点(下巴铰链与头骨)。BrainK能够伸展MRI,以便用户指定地标匹配相应的GPS空间。这个初始状态可以直接喂利用薄板样条转换也可能通过一个中间仿射变换。BrainK还允许用户指定只有鼻根地标和刚性变换在第一步同时保持相应的鼻根地标匹配。

Atlas-to-GPS登记MRI-to-GPS登记非常相似,除了阿特拉斯通常从GPS几何差异大于主体自身的核磁共振。MRI-to-GPS转换的步骤类似于刚才所描述的。MRI-to-GPS登记,但是,如果他们使用,基准地标必须手动标记磁共振成像,而基准的数字地图数据集都包含在Atlas-to-GPS登记。此外,一个基准地标,顶点,用于容纳更大的几何Atlas和主体之间的区别。

GPS-to-head登记可以被视为逆MRI-to-GPS登记的,但是不需要利用薄板样条转换。最初的转换,自动刚性变换或拉伸的基准地标匹配,可以把GPS的初始状态很好。如果需要,可以执行一个仿射变换,进一步提高对齐。最后调整然后每个GPS点移动到头皮上,如果没有它,最终的结果,类似于MRI-to-GPS登记中找到相应的地标。

当全球定位系统不可用,可以使用一组通用的传感器的位置,比如从适当的测地线传感器网络(通道数和大小)从数据库中选择。这个注册有两个步骤。第一,通用的球形传感器云进行翻译转换,这样传感器中心的点云与大脑的中心。其次,在一个过程相匹配的物理构象测地线头部张力结构,每个传感器被映射到一个点在头皮上的光线来自大脑传感器的中心位置。

3.3。大脑皮层表面重建和通货膨胀

著名的marching-cube等值面算法(24)是在大脑皮层上执行的每个半球皮层表面网格重建。此外,BrainK支持皮质表面通货膨胀通过迭代更新网格中所有的点,每个点的新职位是旧值的加权和加权和的三角形重心的事件。

3.4。偶极子镶嵌

偶极子的镶嵌在两种模式运营。如果个人的MRI可用,皮质表面提取和完全嵌合到补丁,和偶极适合每个补丁。如果不可用,那么偶极子三元组(拟合,,组件未知的偶极子取向)通过大脑皮层灰质分布均匀。

而琐碎的算法可以分发三元组,取向偶极子的均匀分布在皮质表面作为一个复杂的制定图分区(25)问题。鉴于游行的皮层网状数据集,由许多相互关联的小三角形,首先构造,这样每个图顶点每个对应一个三角形边缘事件之间的相邻两个顶点对应两个对应的三角形。图算法然后把整个图分割成一组部件,约束网格划分为相同数量的补丁所需的取向偶极子,所有补丁非常紧凑(更像一个正方形或圆,越好),和所有补丁有相似的区域。图分区图书馆查科[26是用于实现。

给定网格分区执行如上所述,面向一个等效偶极子然后为每个补丁,定义生成的中心,其取向意味着所有表面的法线定义的三角形的补丁,加权的区域。这种等效偶极子从而反映出电源的方向如果整个补丁同步活跃,从而作为一种有用的近似解析的皮质活动图分区设定的决定。面向皮质表面和偶极子是显示在图8。

3.5。Talairach转换

Talairach转换组件带来的所有数据,细分,皮质表面,传感器,和偶极子,到标准Talairach空间(27,28]。转换决定用户指定的三个点:前连合(AC),后连合(PC),和一个点形成中间平面交流和电脑。程序维护拓扑的正确性皮质表面保证MRI分割组件或图谱数据集,然后通过每个注册操作维护。

4所示。评价BrainK组织分割和皮质表面提取

BrainK提供某些算法,如颅骨骨质密度(x射线CT)图像配准和皮质表面偶极子镶嵌,这是特别重要的模型人头的电气性能。如下所述8、高效准确的体积电传导的头模型建设提高人类的源分析是很重要的电生理活动密集阵列技术。准确头组织导率和几何图形也很重要优化当前交付经颅刺激大脑,现在可能密集阵列技术。

除了这些有些独特功能,BrainK实现特定组织分割和表面提取的算法通常是有用的在医学图像处理和可评估相比,现有的软件已经成为众所周知的神经影像学研究社区。这里的软件检查FreeSurfer的例子,SPM,目前,BrainVisa。医疗应用程序,以确保准确性的验证BrainK独特的算法对参考知名软件不仅是科学有用的形式的一个组成部分医疗质量验证和确认。此外,医疗使用要求是快速和直观的功能,这样BrainK必须符合标准的效率和易用性。

我们目前的评估工作特别重视脑组织分割由于脑组织分割的准确性是至关重要的各种医学和神经系统的应用,如源定位和皮质发育不良检测。

4.1。比较包

下面是一个简短描述的四个大脑图像分析工具用于比较绩效评估。尽管这些工具提供不同功能神经影像学分析,他们都支持自动t1人脑MR图像分割。我们比较评价重点是图像分割任务。

以下4.4.1。FreeSurfer

FreeSurfer [29日,30.)是一组工具的皮质表面结构进行重构核磁共振数据和功能的叠加数据重建的表面上。FreeSurfer开发的核磁共振(NMR)中心,马萨诸塞州综合医院。皮质表面重建管道FreeSurfer主要由三个步骤组成。首先,提取大脑面具对齐的结构图像先生Talairach地图集和偏差场纠正。然后,脑容量贴上各种皮质或皮质下结构的过程基于subject-independent概率图谱和科目的测量值。最后,皮质表面是由之前的分割,其中包括一个拓扑修正过程。

4.1.2。SPM

SPM(统计参数映射)是一个关于功能成像数据的统计技术来测试假设[31日]。SPM也指的是软件开发的威康成像神经科学、伦敦大学学院等进行分析。SPM功能结构MRI分割以及一系列功能神经影像学分析。结构性MRI分割SPM可以描述为一个循环过程,涉及交流三个处理步骤(32]:纠正偏差纠正一步强度不均匀性,注册步骤,可实现图像标准组织概率地图,和分割步骤,将图像像素点分为不同的组织类型。的分割结果,SPM分配每个图像体素三个概率对三种组织类型:脑脊液,通用汽车和WM。我们与SPM5的实验,这是老对最新SPM12,但是他们的实现是基于相同的算法提出了(32),尽管新版本利用额外的组织类和多通道分割和合并一个更灵活的图像配准组件,所述SPM12的发行说明。

4.1.3。目前

目前(FMRIB软件库)是一家集功能和结构的实验分析工具(33]。结构细分,目前适用于大脑提取工具(打赌)分段nonbrain地区的大脑结构和功能的数据,和快速(FMRIB的自动分割工具)偏差场校正和大脑分割成三个组织类型:脑脊液,通用汽车和WM。结构性MRI分割目前包括两个步骤:用打赌用快速提取大脑和组织类型进行分类。选择执行头骨剥离表面模型(34]。快的根本方法是基于一种采用算法结合一个隐藏的马尔可夫随机场(MRF)模型(35]。由于MRF模型的正则化,快应该是更健壮的噪音比标准基于有限混合模型的方法。

4.1.4。BrainVisa

BrainVisa [36,37)是软件开发服务医院Frederic Joliot (SHFJ)包含一个图像处理工具箱的工厂和分布构件致力于先生t1加权图像的分割。结构性MRI分割BrainVisa包括四个主要步骤。首先,用户准备的数据分割通过指定几个关键里程碑点包括前连合(AC),后连合(PC),两半球间的点,左半球。然后,提取大脑面具只包括白质和灰质集成偏压场校正(38)和直方图分析(39]。这是紧随其后的小脑半球分区和删除形态学图像分析(40]。最后,脑灰质和白质分化与直方图分析(41]。

5。数据集

评价进行三个图像数据集:一组BrainWeb数据与地面实况分割,一组IBSR数据与手工分割指导专家,和一组实际扫描的主题与轻度认知障碍或阿尔茨海默氏症。

5.1。BrainWeb

BrainWeb数据集是一组8现实t1先生与地面实况模拟图像分割提供了BrainWeb,模拟大脑数据库(42,43]。所有8先生图像模拟正常解剖模型。图像的分辨率是1毫米³。地面实况图像,图像中的所有像素点都划分为以下组织类型:背景、脑脊液、通用、WM,脂肪,肌肉和皮肤,皮肤,头骨,胶质物质,和连接。

各种各样的噪音水平和层次的强度不均匀性(即。,intensity nonuniformity (INU)) are artificially introduced in the simulated images, as listed in Table1。如上所述BrainWeb文档中(44),模拟图像的“噪音”瑞利在后台统计,Rician统计信号区域。“噪音”百分比数字代表标准偏差的百分比比高斯白噪声与信号的参考组织。噪声参考组织中使用我们的数据集是白质。强度不均匀性水平的含义如下。“20%的水平,乘法犬字段的值0.90 - -1.10的大脑区域。对其他犬的水平,相应的字段是线性扩展(例如,40%的水平区间0.80 - -1.20)。“根据BrainWeb,犬字段是现实的,它们正在慢慢不同领域的复杂形状和估计从真正的核磁共振扫描。

5.2。IBSR

IBSR数据集是一组18 t1先生真正的大脑数据集。他们的手工引导专家分割包括大脑在互联网细分库(IBSR)支持的中心的形态学分析(CMA)麻省总医院45]。片分辨率的数据集是1.5毫米,XY决议从1毫米不等²到0.837毫米²。定位图像先生一直都“规范化”Talairach取向,但所有5个工具上执行这组数据假定图像没有规范化。先生的图片也由CMA偏压场校正处理例程,但不是保证强度不均匀性是完全纠正。所有五个工具因此把数据当作如果没有偏差场校正。

每个图像先生是手动划分为44个人结构包括第三脑室、第四脑室、脑干,和左和右:核区、杏仁核、杏仁核前,尾状,小脑皮层,小脑外,小脑白质,大脑皮层,大脑外,脑白质,海马体,正Lat发泄,侧脑室、螺旋体、壳核、丘脑,腹侧直流和船。

18先生图片代表不同层次的图像质量。组织一般图像质量的评估,我们将图像分成两个子组:第一个13,图像质量好,5图像质量不好。注意,IBSR数据集的顺序不同于原来的顺序。地图的订单我们使用原始订单是“1、2、5、6、7,8,9,10,11,12日,14日,15日,16日,17日,18日,3日,4日,13岁。“举个例子,当我们把第三集,它实际上是第五在最初的秩序。

5.3。数据集反映神经病理学

除了BrainWeb IBSR数据集,用于定量和定性评价,我们还测试了5个工具在辅助组8真实图像扫描先生从主题与轻微认知障碍或阿尔茨海默氏症。这些数据集的解析是1.139×1.211×1.211毫米³。这些数据的来源是神经生物学研究中心(46丹麦丹麦国家医院的大学医院)。没有提供地面实况或手动分割这些数据集;评估的问题主要是异常的大脑是否可以分割显然合理的准确性。

6。定量评价

在本节中,我们提出一个定量评价分割准确性、鲁棒性和计算效率BrainK相比其他四个包。我们使用广泛使用骰子指标(1,4,46,47)作为细分的测量精度。骰子的标准差指标提供了一个衡量分割的鲁棒性。计算效率是衡量每个包的所需的运行时。

6.1。骰子规

让TP的数量指真正的阳性,假阳性FP, FN假阴性。然后由骰子度量

TP、FP和FN测量与手工分割先生真实的数据集或模拟的地面实况图像。注意,当分割作为概率为每个图像体素在0和1之间每个组织类(如在SPM)的情况下,然后TP, FP和FN计算概率的总和,而不是离散计数。

对于使用骰子指标的定量评价,我们必须决定的组织类型度量来衡量。BrainVisa只执行大脑分割而目前和SPM段整个大脑进入脑脊液,通用,没有提取大脑WM。FreeSurfer还执行分割在整个大脑,但这部分大脑更多的组织类型(包括脑白质和脑皮层)。目前,BrainK对整个执行分割图像,并能区分大脑和小脑和大脑半球。在我们的定量评价,我们必须调整分割的五个包在一个标准的框架内,以便共同组织类型可用于定量指标测量。

BrainWeb数据集,我们校准5工具的分割的分割脑WM骰子和脑通用和测量指标对这两种组织类型。启用这个,我们手动分区地面真理整个大脑(WM加上通用汽车)在脑干中提取脑WM和脑WM和脑脑通用。通用汽车也需要提取SPM和目前的分割结果。我们使用一个程序(在接下来的段落描述),几乎“完美”分区分割结果基于地面真理分区。BrainVisa BrainK,不需要校准的转换。FreeSurfer,我们只需要重新贴标签于所有大脑皮层体素和皮质下的体素排除脑WM脑灰质。

让TP-Cerebrum TP-Cerebellum分别表示大脑和小脑的真阳性SPM和目前的分割。让FP-Brain表示整个假阳性包括那些在大脑和小脑。大脑的分区分段的目前和SPM本质上是分区FP-Brain在大脑和小脑,假阳性描述如下。为每个体素在FP-Brain,如果它有一个更短的路径在FP-Brain TP-Cerebrum FP-Brain从比任何路径TP-Cerebellum,然后作为一个假阳性(WM或通用汽车)在大脑;否则,它是作为一个假阳性(通用或WM)小脑。

IBSR数据,我们校准5工具的分割的分割大脑皮层和脑WM骰子和测量指标对这两种组织类型。这些量化指标给出评价皮质表面重建的准确性依赖于分割大脑皮层脑WM和分割的皮层下灰质组织无关。自从FreeSurfer明确标签大脑皮层和脑白质,我们不需要做任何转换的校准。目前的校准和SPM首先进行大脑分区提取脑WM和脑通用。考虑到组脑WM和脑通用分割到目前,SPM, BrainVisa,或BrainK,我们测量了骰子指标对大脑皮层和大脑WM下面描述的方式。

6.2。实验设置

6.2.1。FreeSurfer

我们测试了FreeSurfer BrainWeb和IBSR数据集在全自动模式下,无需任何用户干预。收集FreeSurfer分割结果中的一个问题是生产大脑皮层的面具。有一个所谓的“aseg”形象和“丝带”的形象,这两个记录体素标记为大脑皮层。“丝带”数据是FreeSurfer建议使用,但是它比“aseg”数据假阴性。相比之下,“aseg”的形象是一个中间结果,它比“丝带”数据误报。我们应用一个简单的形态学关闭操作的联合皮质带大脑皮层和皮层下结构,某些真正的体素标记在“丝带”“aseg”,但错过了。这个过程明显改善大脑皮层分割的性能。“aseg”形象的骰子指标为0.7353,“丝带”的形象为0.8009,“封闭”的形象是0.8212。

6.2.2。目前

与目前我们的第一批实验,我们目前自动提取大脑和大脑组织分类BrainWeb和执行IBSR数据集。然而,目前可怜的结果对大脑产生脑组织提取和分类IBSR 6的数据(数据集数据集5到10)。在我们的第二批实验,因此,在目前我们使用不同的参数,获得更好的大脑面具对于这些数据集,然后重复脑组织分类。大脑面具中生成第二批实验还不够好。因此我们大脑面具由FreeSurfer用于目前的大脑组织分类。这交付最好的大脑目前6困难IBSR数据集的分割性能。在目前的三个批次实验表明,大脑提取算法IBSR目前并不健壮的数据集,但脑组织分割本身表现良好好的大脑面具。目前的性能在6 IBSR数据集对实验的三个批次表所示2。

6.2.3。SPM

与SPM在我们第一批实验测试,我们使用默认参数,让SPM自动执行脑组织分割BrainWeb和IBSR数据集。在第二批的实验中,我们改变了参数默认“偏见正规化”“很轻正规化”“中正则化”和重新SPM IBSR数据集。SPM应该是使用更大的偏见正规化是已知的先天的有更少的图像强度不均匀性。自从IBSR数据集与偏压场校正处理,使用“中正则化”而不是默认的“很轻正规化”提高SPM几乎所有IBSR数据集上的性能。大脑皮层,意味着在18 ISBR骰子度量数据是0.7609很轻正规化和0.7656中正规化。白质均值骰子指标为0.8572很轻正规化和0.8707中正规化。我们使用最好的正规化为每个数据集的比较评价。

6.2.4。BrainVisa

我们测试了BrainVisa BrainWeb和自动IBSR数据集,除了我们手动指定的具有里程碑意义的点包括交流点,个人电脑,两半球间的点,左半球。BrainVisa产生一个空的大脑面具9日IBSR数据集,无法产生大脑面具13日和18日的数据集。在这两种情况下,我们将骰子指标设为0。

6.2.5。BrainK

BrainK测试BrainWeb和IBSR数据集完全自动。

6.3。比较结果

6.3.1。IBSR数据集分割精度

我们收集了骰子指标对大脑皮层(表3)和脑WM(表4)使用IBSR数据集上的五个软件包。

平均BrainK表现最好的大脑皮层在所有18 IBSR数据集分割,好的和坏的,13好数据集。特别是BrainK大脑皮层的表现一直比其他四个包在13好数据集除了第四集,BrainK的性能是最好的,几乎相同的12集,BrainK接近最佳的表现。大脑皮层的分割性能五包五个坏数据集是相似的,除了BrainVisa生成空脑18集的面具。

提供一个估计的统计显著性比较BrainK与其他包,我们进行成对比较测试在这些18个数据集。BrainK是更精确的分段大脑皮层比BrainVisa ISBR数据集(),SPM (),FreeSurfer (),目前()。如果我们忽略的三个数据集BrainVisa失败,再次比较显示BrainK比BrainVisa(更准确),SPM (),FreeSurfer (),目前()。

平均而言,目前表现最好在脑WM分割18 IBSR数据集和13好数据集。然而,BrainK的性能非常接近目前的性能比较。五包5个坏的性能数据是相似的,除了BrainVisa空的大脑面具18集,生成和FreeSurfer给为14日数据集上的表现非常差。

再。IBSR数据集分割的鲁棒性

我们计算标准差的骰子指标IBSR数据集。一起的意思是骰子指标,这些值显示五包分割的鲁棒性的图像扫描先生从不同的学科。更意味着骰子度量和更低的标准偏差表示更大的鲁棒性对分割精度。

两组的标准差计算:一个在总18 IBSR数据集和一个在13好IBSR数据集。BrainK演示软件包的最低标准偏差对大脑皮层总18 IBSR数据集和13好IBSR数据集,如表所示5。最低的平均值和标准偏差骰子指标对大脑皮层表明BrainK展示最好的准确性和鲁棒性对大脑皮层IBSR数据集。脑WM BrainK和目前表现很同样对骰子的均值和标准差指标总18 IBSR数据集和13好IBSR数据集。BrainK和目前并列最佳的准确性和鲁棒性对脑WM IBSR数据集。考虑到大脑皮层和脑WM,这些结果表明,在一般情况下,BrainK IBSR数据集展示了最好的整体性能。

6.3.3。分割的鲁棒性对噪音和颅内高压症BrainWeb数据集

节中描述3.1,BrainWeb数据集不同噪声水平和强度不均匀性(IIH)水平。骰子的性能指标的5个包对脑通用和脑WM表中列出6和7。

5包,FreeSurfer证明最低性能变化在不同的噪声水平。SPM和BrainVisa在显示最高的性能是相似的变化在不同的噪声水平。BrainK和目前介质性能变化在不同的噪声水平,相比其他三个包。虽然FreeSurfer一贯执行在不同的噪声水平,结果也给了最低的平均精度。

对于四种噪音,我们还测试了包与两个不同的图像颅内高压症的水平。所有五个包给小变化在不同颅内高压症的水平。唯一的例外是BrainVisa%和颅内高压症= 40%。这是由于大脑的面具。

值得注意的是,在真实的扫描,强度不均匀性可能发生在不同的和未知的模式。这样的噪音和其他可能发生的困难可能没有出现在模拟BrainWeb数据集。因此,我们说,我们的实验与BrainWeb数据集不应给彻底和足够的评价五个包对IIH鲁棒性。

6.3.4。计算效率

5包测试的执行时间IBSR数据集和BrainWeb数据表中列出8。实验都是运行在一个2.8 Ghz Intel Xeon处理器。在五包,BrainVisa花最少的时间,但也产生最低的IBSR数据集分割准确性和鲁棒性。FreeSurfer闻名长的执行时间。然而,这些长时间执行覆盖更多的皮层下结构的分割以及皮层表面的重建。应该注意的是,大多数BrainK拓扑修正时间,不包括在其他三个的执行时间。

7所示。定性评价

在本节中,我们给出一个定性评估的五个包结果的基础上应用软件包IBSR数据集,BrainWeb数据集和8病理数据集与轻度认知障碍或阿尔茨海默氏症。我们首先总结和比较的细分功能五包接着讨论他们的自动性。最后,我们提供了各种分割我们实验中观察到的异常。

7.1。分割功能

以下是总结和比较的主要细分功能五个包:(我)偏压场校正。Freesurfer SPM,目前,BrainVisa整合偏压场校正过程,组织分类之前或结合分类。BrainK,另一方面,不需要显式的偏差场校正,因为相对阈值方法是健壮的偏见在任意模式。(2)大脑提取。目前,FreeSurfer BrainVisa为大脑提取(即提供单独的工具。,skull stripping) prior to brain tissue classification, whereas SPM combines brain extraction with tissue classification. BrainK, on the other hand, performs brain extraction after tissue classification. Note that the brain mask generated by BrainVisa is meant to contain only GM and WM while the brain mask generated by FSL and FreeSurfer is meant to contain CSF as well as GM and WM.(3)组织的分类。目前,SPM段脑容量分为三个组织类型:脑脊液,通用汽车和WM。BrainVisa提取脑WM和大脑通用。BrainK将整个地区的利益分为CSF,通用,WM、提取通用和WM,小脑和大脑。BrainVisa BrainK也提供大脑半球分区。FreeSurfer整个大脑分成37个人结构包括大脑皮层,大脑WM,一组皮层下结构、脑干和小脑的结构。(iv)大脑皮层表面重建。BrainVisa、FreeSurfer BrainK皮质表面重建的支持,但目前和SPM不。皮质表面重建的核心要求是确保皮层表面的拓扑结构是正确的。(v)多通道分割。值得注意的是,目前,SPM12提供多通道分割,T1和t2影像可以组合在一起以提高准确性。然而,t2加权图像往往无法获得他们是可用的,t2加权图像往往减少灰质和白质的对比,从而在实践中导致糟糕的性能。

7.2。分割自动性和用户干预

所有五个包支持大脑高度自动分割,与很少或没有用户干预。FreeSurfer允许用户启动皮质表面重建没有任何干预。分割不满意,FreeSurfer支持交互式工具允许用户修改大脑面具和添加控制点,提高强度WM正常化,这一过程是极其重要的FreeSurfer的整个大脑分割的性能。FreeSurfer还支持交互式工具编辑生成的最终结果自动处理。

目前还允许用户启动分割没有任何干预。目前,大脑中提取和组织执行分类,分别由打赌和快速算法。快速的打赌性能显著影响。如果用户不满意大脑提取,目前允许用户选择不同的参数并重新运行。然而,我们的实验与赌IBSR数据集和病理数据表明,肯定不能保证好的大脑提取即使用户干预。快有自定义选项供用户选择是否使用——分割或先天的概率地图初始分割和指导——分割与人工干预。

在SPM,大脑自动分割也可以开始使用默认参数和SPM经常产生好的结果。SPM的重要自定义参数是控制偏差场正则化的程度。改变任何参数时,分割过程必须从头开始。

BrainVisa需要用户准备的数据首先指定几个里程碑点包括交流点,个人电脑,两半球间的点,一个左半球点。当数据是由用户,BrainVisa自动执行分割。BrainVisa支持交互式工具为用户编辑的分割结果。

BrainK执行分割完全自动,但用户也有机会调优性能通过改变等关键参数的相对阈值。相比其他四个包的用户干预机制,用户干预BrainK是全球的形式参数选择和具有以下优势。首先,它非常简单,不需要什么专业知识理解的意思选择最优的参数和标准的。其次,它很容易操作,滑动栏的值。第三,它非常有效,用户可以实时获得参数选择的影响相对阈值等参数。第四,分割参数产生全球影响,用户不需要重复类似的操作不同的局部区域。

7.3。分割异常

在检验结果的质量,我们首先试图理解为什么BrainK持续实现更好的性能比其他包对大脑皮层分割在13好IBSR数据集(48]。我们发现有一个“缩水”影响大脑皮层FreeSurfer细分,目前,SPM, BrainVisa,产生了大量的假阴性。这个问题没有发生或在BrainK温和得多。我们认为,根本原因是BrainK使用新的图像建模机制能够适应广泛的通用强度变化,而其他包使用的统计方法被这些误导了强度变化,导致丢失的许多通用压强度较低。

对比皮质分割的五包IBSR代表数据集在图所示9。粉红色代表正确的WM,假WM -红色,浅绿色为正确的通用汽车,非常亮绿色假WM -和虚假的通用-,深绿色的假通用积极,对通用汽车和灰色假阴性。注意,对SPM,浅绿色代表正确的通用分割,深色的绿色代表假通用负数,灰度代表假通用积极。

目前的一个常见问题,BrainVisa SPM是穷人的大脑提取。一些例子如图所示10。可怜一代大脑的面具是非常贫穷的性能的主要因素对SPM和BrainVisa IBSR数据集。因为我们使用所产生的明显更好的大脑面具FreeSurfer目前的分析,目前分析并不代表。FreeSurfer没有遇到可怜的头骨剥离,但一个不准确的大脑面具可能仍然生成,如图11 (b),一些nonbrain体素与高强度作为大脑组织。BrainK,另一方面,不依赖于大脑提取预处理步骤,并有效地生成干净的大脑面具的联盟脑白质和脑灰质在所有测试数据集。

我们还发现了一些其他有趣的异常与FreeSurfer,如图11。例如,在图11 (c),FreeSurfer切断大量脑WM和大脑皮层的顶部。在图11 (d),FreeSurfer无法段完整的侧脑室的主题与阿尔茨海默氏症。在图12,FreeSurfer生成的可怜的通用/ WM即使对模拟图像分割与优良的品质(噪音水平是3%,颅内高压症水平20%)而BrainK和目前产生良好的结果。我们相信,这些异常是由于overregularization的先天的用于FreeSurfer概率地图。

8。应用程序

此时,BrainK建立了功能电头模型超过200人。BrainK性能的关键评估生成分段卷和皮质表面持续的应用程序模态图像管道EGI商业软件,包含了BrainK算法和工作流。验证测试的物理组织边界是在每个头的日常工作流模型进行建设。FDM电铅领域的第一步一代(49,50],EGI头部物理代码,是测试是否有物理现实BrainK分割属性准确电气建模所需的输出。例如,必须有至少一个体素之间的CSF外灰质皮层和内部表的头骨。

有很多BrainK在研发项目中的应用测试它的能力和局限性。例如,尽管头骨地图册是由年龄和性别在数据库所需的扭曲最小化,以适应个人的MRI进行颅骨CTs和核磁共振成像的不同形状(图13),取得了很好的效果。

电源分析与孩子需要适龄电气头模型。婴儿特别需要独特的模型,因为他们的小脑袋大小和高导电的头骨。BrainK已经证明有效的适应处理婴儿核磁共振成像和CTs的独特挑战。图14显示当前项目创建结果儿科电气模型由谢尔盖Turovets主管EGI和琳达Larsen-Prior和弗雷德在华盛顿大学圣路易斯之前。图(14日)显示了一个正常的婴儿的分段MRI,婴儿的CT, MRI分割登记,显示薄头骨和前囟门顶点。图14 (b)显示了提取的皮质表面,和图14 (c)显示了偶极子完全嵌合皮质表面,准备电源分析。

FDM电气头模型由BrainK允许精确的估计当前的交付,以及它的测量,从茂密的电极阵列。BrainK的解剖结果提供头的几何物理代码(泊松方程有限差分模型中的电磁传播或FDM),导致字段生成在模态图像管道物理代码,描述传播皮质来源头表面电极(脑电图分析)和头部表面电极皮质来源(经颅电神经调节)。结果可视化BrainK的解剖学和注册电极位置的互惠引擎由埃里克·安德森EGI(图15)。在本示例中,皮质来源选择近似地区的听觉皮层,与每个皮质补丁可视化的等效偶极子一枚箭头(见过最好的图15 (b))。主要字段与头部物理模型计算然后显示了生成的头表面在头皮表面的颜色和电极(红色为正;蓝色是负的)。鉴于这种表面生成的字段,皮质上的互易定理指出,当前印象来源可以通过应用电流在同一表面模式(红色为阴极的阳极的和蓝色)。再次领先领域从头部物理代码用来估计的印象在皮质的电流密度电神经调节与电极模式(数据15 (c)和15 (d))。电气解决方案的准确性是完全依赖BrainK提供的详细几何,不仅包括准确(< 1毫米)注册传感器头部表面,而且取向的规范提供的皮质补丁BrainK皮层表面的表征。

9。结论

BrainK是一个软件包,实现了某些组织分割和表面提取算法是有用的在科学和医学图像处理。它也适用于某些算法,如颅骨图像配准和皮质表面偶极子镶嵌,这是特别重要的模型人头的电气性能。准确的电气主管模型被证明是重要的提高人工电生理活动的源分析密集阵列技术和优化经颅当前交付调节大脑活动。

相互竞争的利益

Kai李和唐·m·塔克是EGI的员工,一个医疗设备公司开发医疗软件从这里描述的方法。EGI和俄勒冈大学的美国专利(没有。8478011)的相对阈值方法。色诺芬Papademetris EGI支付顾问。

确认

第一作者要感谢博士学位顾问艾伦Malony和唐塔克博士长期和持续的支持过程的研究工作,博士茉莉花歌为她宝贵的帮助修改论文,博士和表象并博士谢尔盖•Turovets大卫·哈蒙德博士,切尔西马特森,科林•戴维瑞恩•杰恩和凯尔·摩根的建设性的评论,建议,请求中提供使用和测试BrainK软件的过程。色诺芬Papademetris工作在这个项目上支付顾问电测地线,Inc .该软件的知识产权保护我们拍。不。8478011年。