文摘

量化的地区-TRODAT-1绑定比率的纹状体区域SPECT图像之间的鉴别诊断是至关重要的阿尔茨海默氏症和帕金森疾病。定义的纹状体区域SPECT图像是成功的第一步的量化TRODAT-1绑定比率。然而,由于SPECT图像揭示大脑的解剖结构信息不足,直接从SPECT图像纹状体的正确描述几乎是不可能的。我们提出一个方法整合活动轮廓模型和混合登记技术提取区域先生t1影像并将它们映射到相应的SPECT图像。来自三个正常人结果表明使用该方法分割精度是符合专家的决定但是有更高的效率比手工描述和再现性。绑定率导出了该方法相关(R²= 0.76)与商业软件计算值,表明该方法的可行性。

1。介绍

阿尔茨海默病和帕金森疾病是两个常见的神经退行性疾病与衰老有关。患者的诱导知识和功能恶化这些疾病不仅可以给他/她的家庭带来沉重的负担,但也有对社会经济的影响。早期诊断和适当的治疗在合理的时间内可以防止突然变性这些疾病和痛苦的症状。

当前的趋势的早期诊断这种疾病通常采用的组合功能图像和结构图像检查特定的大脑区域的功能和结构都发生了变化。然而,定性观察仅限制神经退行性疾病的早期检测,因为相关的功能/结构变化在早期阶段,可以慢慢进步太微妙的被人类的视觉。因此,量化这些变化可以促进神经退行性疾病的早期检测。

SPECT成像的多巴胺转运体-TRODAT-1 (TRODAT-1)提出了一个有价值的和可行的方法诊断帕金森氏症和老年痴呆症的路易小体(下文)1- - - - - -5]。具体的示踪剂,TRODAT-1放射性标记的托烷将多巴胺转运蛋白,允许在活的有机体内突触前的评估在纹状体多巴胺能神经元活动(3,6]。从这些疾病患者SPECT图像显示特定的纹状体吸收减少TRODAT-1的沉闷的对比之间的辐射纹状体和邻近脑组织由于选择性纹状体的多巴胺损失。尽管几种方法使用TRODAT-1 SPECT显示的可行性评估的患者在这些神经退行性疾病的早期阶段,目视检查或半自动量化无法避免高内部或interobserver可变性,从而阻碍了相关的诊断准确性(7,8]。一个可靠的自动方法可以大大加快步骤和使它更可再生的。

尽管一些商业化的软件包提供自动计算TRODAT-1绑定比率(BR),定义的纹状体SPECT图像仍然依赖于手工描述。然而,大脑结构定义糟糕的SPECT图像,揭示更多比解剖结构信息功能的信息。因此,界定感兴趣的区域(ROI)的SPECT图像通常是由重叠的SPECT图像对应的图片,这样医生可以映射中描述的ROI图像先生SPECT图像。在这个过程中,有两个关键组件确定TRODAT-1绑定量化的准确性。首先,纹状体应该正确定义。其次,MR图像必须精确注册相应的SPECT图像。然而,即使一个训练有素的医生很难保证获得准确和可重复的结果在这两个阶段。因此,本研究旨在开发一个健壮的方法来满足短缺在当前的方法。

关于大脑皮层下结构的分割任务,提出了几种半自动方法。价值等人提出了区域阈值方法从相邻段尾状组织(9]。一个盒子是手工定位这三个组织,包括心室,尾状,和一些白色物质,获得一个双峰直方图,然后确定阈值的均值两个直方图的峰值。然而,盒子的位置需要人类的决心和尾状尾巴的模糊边界周围灰质仍然需要手工绘画。Barra和Boire提议fuzzy-logic-based方法部分大脑皮层下结构,图像通过集成数字信息来源于小波的特性和结构信息包含象征距离和相对方向编码(10]。最近,夏等人利用高对比度侧脑室的本地化上下键的引用区域增长(尾状核的11]。微调根据拓扑和形态学信息还需要平滑的初始分割。针对这些方法的几个因素,如复杂的大脑解剖结构,连接不同的组织类似的强度、异构的强度在同一类的组织,和部分体积效应,限制性能的全自动分割的纹状体;因此,利用专业知识来完善初始ROI派生通过运行计算机程序是不可避免的。然而,一片一片视觉进行确认和手动校正,因此可能仍然是劳动密集型和费时。

而不是应用专家知识在最后一步细化分割在前面的研究中,我们提出一个新的方法使用一个活动轮廓模型反向分割的过程,也就是说,让专家确定粗纹状体的位置和允许计算机执行细化,这样可以减少人工干预和分割效率可以提高。分割区域被映射到相应的SPECT图像通过混合登记BR方法计算。这些方法与成像协议相关详细描述部分2。验证该方法的可靠性,分割结果和导数br相比专家协助下商业软件。介绍和讨论结果,后一个简短的结论。

2。方法

我们使用混合SPECT / CT和3 d t1影像来实现我们的目标。每个卷整个过程中扮演了不同的角色。先生的登记和SPECT体积对首次使用对应的体积CT作为媒介进行。之后,纹状体从注册先生分割图像。一旦先生图像调整到同一坐标系下相同大小的SPECT图像通过注册、运用活动轮廓模型获得的roi先生注册图像可以直接映射到SPECT图像计算绑定的潜力。整个过程总结在图1和下面的详细描述。

2.1。成像协议

对于这次考试,所有与单个丸患者静脉注射剂量740兆贝可(mCi) 20日-TRODAT-1。脑SPECT / CT (Symbia T;西门子、德国埃朗根)图像得到4小时后。SPECT / CT扫描仪配备低能高分辨准直仪和dual-slice螺旋CT。SPECT采集参数是一个128年128矩阵,500毫米视场与60帧(40 s /帧)。130千伏的CT扫描参数,17 mAs, 5毫米片,和图像重建medium-smooth内核。SPECT图像attenuation-corrected基于CT图像和scatter-corrected Flash 3 dr算法(有序子集的期望和3 d最大化与分辨率校正)8子集和8次迭代。

先生的图片是使用3.0 T磁共振扫描仪(激发,通用电气医疗系统、密尔沃基、WI,美国)。结构使用t1加权图像是一个解剖参考,inversion-recovery-prepared,三维,被宠坏的,在稳态和gradient-recalled采集序列重复时间/反转时间= 8600 ms / 450 ms, 240240毫米的视野和切片厚度1毫米。

2.2。图像配准

精确的地图的ROI划定先生SPECT图像到相应位置,注册所需的体积与SPECT-CT体积先生。尽管提出了几种自动登记的方法,他们的成功仅仅是保证注册包含两个扫描数据时一致的卷。然而,临床卷组从不同的图像形式通常是截断不均,额外贷款困难的应用传统的注册方法,如主轴登记(PAR)或互信息(MI)。为了缓解这个问题,我们开发了一个混合登记方法结合广义霍夫变换轴登记(12]。此外,我们利用SPECT-CT,同时可以获得SPECT和CT图像,而病人保持他/她的位置在同一沙发上。登记使用CT图像登记注册中增加准确性SPECT和先生形象卷。注册过程是全自动的。设计的基本思想如下简要描述。

体素的大小调整到1毫米³多维数据集通过双立方插值之前下面的注册过程。3 d的头被分割为一个实体获得三个主轴前登记。在这两级注册方案中,主轴首次申请注册粗登记随后微调通过应用广义霍夫变换轮廓的最大横截面积(MCSA)。主轴登记(PAR)的原始概念是重叠的两卷调整相应的三轴两头卷(13]。然而,登记的准确性PAR是限制程度两组轴之间的通信(14]。作为一个图像的扫描范围形态通常是不一样的,两套不同体积的重心不会是相同的。结果,两组轴来源于彼此不同的质心不重合。因此,在coarse-registration阶段,我们只采用PAR调整方向的长轴头是平行的设在系统的坐标。这个阶段后,长轴两头卷恰逢对方,但水平平面的两个短轴两卷仍不匹配。

在第二阶段,在水平面然后调整登记错误。然后我们把3 d登记任务变成了一个2 d通过搜索包含(MCSA)的片两卷,在我们证明的可靠性使用MCSA作为注册的解剖特性[15]。垂直转移首先纠正了调整这些两片;的检测轮廓MCSA被用来获得注册参数通过广义霍夫变换(重)。碧算法的过程,在这种方法中包括两个步骤。首先,一个R表是由计算向量集,每个轮廓点之间,()和轮廓的中心,在CT图像。然后,相应的中心点()是通过重新映射派生通过搜索最大的十字路口每个轮廓点的矢量信息先生的形象。在这项研究中,因为没有规模供参考和体素的大小调整是一样的,我们只适应一个健壮的搜索旋转角度在(1),当之间的最佳匹配和实现了 在哪里方向向量之间的夹角吗的正方向设在和的长度吗。

注册参数的刚性变换推导出上面被应用于卷先生与SPECT图像匹配。

2.3。ROI先生t1影像分割

注册先生t1影像获得前一个阶段被用作参考划分相应的纹状体SPECT图像。TRODAT-1 BR的评估通常是进行轴向视图的SPECT图像,纹状体的分割进行轴向平面的图像。图2显示了纹状体的结构的轴向视图先生的形象。可以看出,纹状体的左右旁边的基底神经节位于心室。每一方的纹状体可以进一步分为尾状核和壳核。我们命名为两对尾状核和壳核圣区域。然而,圣区域的划分并不明显,因为他们通常与其他大脑结构融合。之间的不清楚切尾状核和壳核和周围的大脑结构带来困难隔离圣地区仅使用自动图像分割技术没有任何专家干预。

段这四个roi,我们采用修改后的活动轮廓模型。通过这种方式,一个初始轮廓的第一片可以由专家根据拓扑和形态特征的圣一旦圣区域的位置和形状在债券的初始轮廓,然后细化可以由计算机根据强度信息。此外,假设平滑变化的3 d ST区域轮廓,最后轮廓的片可以直接用作下一片的初始轮廓。为了实现这一目标,活动轮廓模型是一个合适的选择。

活动轮廓模型的基础上,叫蛇,是代表一个初始轮廓的参数形式,变形的最优形状通过最小化能量函数 在哪里和是体重影响的参数曲线的变形曲线的紧张吗和刚度,分别。

从理论上讲,在能量函数的最小值,蛇必须满足欧拉方程

作为能源的一阶导数给出了力量,上述方程可以被解释为一个力平衡方程

内力,,限制对拉伸和弯曲的曲线,当外力时,对所需的图像边缘,把曲线。

蛇是一个活跃而非凸模型治疗由于动态变形过程的力平衡方程作为时间的函数。因此,解决(3)可以通过迭代寻找近似后的稳态方程,在哪里表示在th迭代

在实践中,一个数值解(5)可以通过离散化使用有限差分迭代方法(16),按 在哪里是一个对角矩阵包含常量和。的参数是控制的步长迭代之间的轮廓变形的程度。是单位矩阵。和向量组成的吗- - -坐标的轮廓,分别。和是向量包含,,,作为他们的元素,分别。

外部力量()在活动模型通常可以分为两种类型:静态和动态。静态力量来源于图像梯度,在整个变形过程中不改变,而动态力量改变蛇变形。使用图像梯度作为外力使传统蛇很难进入一个凹面,因为零梯度图像中同质区域内轮廓未能吸引轮廓,因此,轮廓只有内力的影响。虽然提出了一些动态的外部力量缓解这种静态的外部力量的限制,他们还提出了其他问题,增加了计算的复杂性或导致无法控制的变形17,18]。一个新的静态外力,叫做梯度- - - - - -矢量流(预防),定向属性添加到原始图像的梯度图,提出了徐和改善性能的静态蛇王子在凹边缘检测19]。一些报告已经证明了的成功养狐业蛇应用到医学图像分割(20.- - - - - -23),包括脑磁共振成像(24]。这鼓励我们应用养狐业段圣地区在我们的研究中。

gradient-vector-flow字段定义为这样的外部能量函数 在哪里是一个参数来控制gradient-vector-flow字段和平滑的程度是一个源自于原始图像边缘地图吗。

解决方程的数值离散化和迭代,让表明迭代,和增量,,都等于1。向量的关系从当前流动到另一个位置可以派生

有4个参数根据经验获得最优结果的方法。弹性参数和刚度参数在(2)被设置为0.1和0.2,分别。的参数在(6)被设置为1。外力的重量()(7)被设置为0.5。

3所示。结果与讨论

3.1。注册结果

图给出了一个例子3说明使用我们的开发界面检测包含MCSA从CT片和卷先生和注册这两个图像通过碧。一旦登记的刚性变换参数被应用于图像体积,它可以直接匹配的SPECT体积,如图4。登记精度达到96.48%。我们之前研究定量评估登记该方法的精度比获得的结果仅仅用PAR方法或直接注册SPECT图像先生(12]。

3.2。分割结果

圣的专家描述和养狐业分割区域包含两双尾状核和壳核图5。定量的比较这两个方法如下所示。

我们使用了Jaccard指数(JI)量化两者之间的匹配程度相应的roi。霁被定义为两卷的交集的比率和通过他们的结合。如果两个卷完全重叠,霁值等于100%

五个连续轴向片包含圣从三个正常情况下被招募在比较评估。三个神经病学家首先手动划定圣地区,包括尾状核和壳核、大脑的两个侧。intrarater通讯的霁值的平均值和标准偏差表中列出的五片1伟大,暗示观察者之间的区别。发现评级机构A和C通信最高,霁值大于70%。

霁值也得到了各评定等级的手动定义轮廓映射到养狐业分割结果。的初始轮廓定义的第一片在每一种情况下是相同的专家养狐业蛇的过程。表2显示了与养狐业细分的通信。我们使用了配对以及评估JIs之间的显著性水平的评分者间信比较和那些来自rater-GVF比较每一块在每种情况下。微不足道的差异(在95%置信区间)表明,分割精度使用养狐业蛇兼容手工绘画的水平。

首席神经学家,评定等级的一个需要进行手动绘制两次。列出了两个时代之间的霁值中间列的表3,显示对应拒绝随片数量。而不是单独分割,养狐业蛇也应用两次相同的一组图像。只有前片需要一个初始轮廓手工定义的每次评定等级。重复的霁价值传导养狐业的蛇也列在第三列的表3,这意味着更稳定的结果比挤牙膏式手工绘画。

相比,该指数之间的重叠(类似于霁)手工绘画和计算机辅助细分报告文学(9- - - - - -11),在我们的研究中获得的霁值相对较低。这可能是由于额外的区域,也就是说,内果皮,参与我们的研究。先前的报道关注的细分目标下的尾状核与更大的对比(图心室1),因此更容易识别。与尾状核相比,低对比度的硬膜周围组织提取的难度增加。使用专家手绘作为比较基础似乎是唯一的选择在当前的研究中,由于没有黄金标准来确定分割的绝对精度的圣地区由于individual-dependent大脑结构的变化。然而,我们表明,这样的决定存在显著interobserver和intraobserver变异甚至在训练有素的神经病学家参与我们的研究,这在以前的研究被忽视了。不一致的决策可能产生的小尺寸的顺序(100像素)的结构与成像分辨率和图像噪声。在一个兼容的精度水平如表所示1和2,我们证明了再现性和一致性改进在使用养狐业蛇分割方法。除了稳定,预防蛇可以节省劳动力和比先前的研究提供一个更有效的方式来定义圣地区连续切片轮廓,因为它只需要一个初始轮廓手工绘制在第一片。

3.3。绑定比率计算

在最后阶段,评价该方法的可靠性,完成先生和SPECT图像配准后,BRs也来自于圣的SPECT图像区域分割使用该方法比较与可以使用商业软件(TN西门子医疗系统,诺克斯维尔,美国),圣地区在手动概述了由一个专家。正常化的BR计算平均强度圣地区的平均强度枕叶皮层。线性回归分析(图6)显示密切相关(,在95%置信区间)之间的BRs派生的两个系统。

4所示。结论

计算区域TRODAT-1绑定比率在SPECT的研究,准确和可重复的圣区域的提取图像先生需要间接定义相应的地区SPECT图像。直接在SPECT图像分割不适用在这种情况下,因为它扭曲了圣地区。临床常规往往应用手册描述的圣地区,这是容易出错发生通过interobserver和intraobserver可变性。先前的研究人员已经开发出一些分割算法完成类似任务,专家决定解剖学和形态学信息仍需要细化的结果。的本地化圣地区是一个知识的任务,该方法允许专家分配初始轮廓在正确的位置和应用gradient-vector-flow蛇接近真实的轮廓。在这样一种方式,可以减少算法的复杂性和分割的效率可以增加。从三个正常人结果显示该方法的重现性高于手动分割下兼容的分割精度。图像分段圣先生区域覆盖在SPECT图像使用我们之前开发的注册算法计算TRODAT-1 BR。派生的BRs相关与派生使用商业软件,表明该方法的可靠性。

确认

作者要感谢陈Nai-Ching博士和Chi-Wei黄的神经学、长庚医院,高雄医学中心,高雄,台湾,为他们的援助任务的手工绘制的圣本研究地区。