文摘

图像分割是医学图像分析中最重要的任务之一,通常是第一个和最重要的步骤在许多临床应用。在大脑核磁共振分析,图像分割是常用的测量和可视化大脑的解剖结构,分析大脑的变化,描述病理区域,和手术规划和图像引导干预措施。在过去的几十年里,各种不同的分割技术准确性和复杂性程度开发并在文献中报道。在本文中,我们审查最受欢迎的方法通常用于脑部MRI分割。我们强调它们之间的差异,讨论他们的功能,优点,和局限性。处理的复杂性和挑战大脑MRI分割问题,我们首先介绍图像分割的基本概念。然后,我们解释不同的磁共振成像预处理步骤包括图像配准、偏压场校正,消除nonbrain组织。最后,评估不同的脑部MRI分割方法后,我们讨论在脑部MRI分割验证问题。

1。介绍

在过去的几十年里,非侵入性脑成像技术的迅速发展,打开了新视野分析和研究大脑解剖学和功能。巨大的进步在访问脑损伤和探索大脑解剖了使用磁共振成像(MRI)。先进的大脑成像先生也提供了大量的数据与日益高水平的质量。这些大型和复杂的核磁共振数据集的分析已经成为临床医生的繁琐和复杂的任务,他们必须手动提取重要信息。本手册分析通常是费时且容易出错的由于各种国际米兰——或者intraoperator变异性研究。这些困难在大脑核磁共振成像数据分析需要发明计算机方法来提高疾病诊断和测试。如今,电脑,图像分割的方法,注册,和可视化被广泛用于帮助医生定性诊断。

大脑MRI分割是一个重要的任务在许多临床应用,因为它影响整个分析的结果。这是因为不同的处理步骤依赖于准确的解剖区域的分割。例如,MRI分割是常用的测量和可视化不同的大脑结构,描述病变,分析大脑发育,图像引导的干预措施和手术规划。这种多样性的图像处理应用程序导致了开发各种不同精度和复杂程度的分割技术。

在本文中,我们审查最受欢迎的方法通常用于脑部MRI分割。我们强调它们之间的差异,讨论他们的功能,优点,和局限性。向读者介绍脑MRI分割问题的复杂性和解决其挑战,我们首先介绍图像分割的基本概念。这包括定义2 d和3 d图像,描述一个图像分割问题和图像特征,并引入核磁共振脑组织的强度分布。然后,我们解释不同的磁共振成像预处理步骤包括图像配准、偏压场校正,消除nonbrain组织。最后,评估不同的脑部MRI分割方法后,我们讨论在脑部MRI分割验证问题。

2。基本概念

2.1。和3 d图像

一个图像可以被定义为一个函数在2 d空间或在3 d空间,,表示空间坐标。的值(或振幅)的功能和强度值,通常是由一个灰度值吗在大脑的磁共振成像;参见图1。的每一张图片都会由一个有限集的图像元素称为在2 d空间像素或体素在3 d空间。每个图像元素是唯一指定的其强度值和它的坐标像素和据悉,是图像行号,是图像列号,是一片数量体积堆栈;参见图2。

每个图像元素分配一个值是基于平均磁共振特点组织中相应的元素。元素的大小决定了空间分辨率,或细节的细度可以区分在一个图像。体素/像素大小取决于成像参数,磁铁强度、时间允许收购,以及其他因素,但通常在标准MRI研究立体像素大小的1 - 2毫米。可以获得更大的空间分辨率和扫描时间更长,但这必须加以权衡病人不适。在成人大脑核磁共振研究图像采集时间是20分钟左右,在儿科核磁共振研究图像采集的时间限制在5至15分钟。

2.2。图像分割

图像分割的目的是把一幅图像分成一组语义上有意义的,均匀的,和不重叠的区域相似的属性,如强度、深度、颜色或纹理。分割的结果是图像的标签识别每个均匀区域或一组轮廓描述该地区的边界。

大脑核磁共振分析结构的基本组件包括核磁共振数据转换成特定的组织类型的分类和识别和描述特定的解剖结构。分类方法分配给每个元素图像中组织类,预先定义的类。分割和分类的问题是相互关联的,因为细分意味着一个分类,在分类器隐式部分图像。对于大脑核磁共振成像,图像元素通常分为三个主要组织类型:白质(WM),灰质(GM),和脑脊液(CSF);参见图3。分割结果进一步用于不同的应用程序,如分析解剖结构,为研究病理区域,为外科手术规划和可视化。

可以进行2 d图像,图像分割的二维序列图像,或三维容积图像。大多数的图像分割的研究都集中在二维图像。如果数据是三维空间中定义(例如,获得一系列的MRI图像),然后通常每个图像“片”是分段单独“挤牙膏式”的方式。这种类型的分割三维图像卷通常需要连接分割后处理步骤2 d片成3 d体积或连续的表面。此外,生成的分割可以包含不一致和非光滑表面由于忽略重要的解剖信息在三维空间中。因此,三维分割算法的发展需要更准确的分割的容积图像。的主要区别2 d和3 d图像分割处理元素,像素或体素,分别和他们2 d或3 d社区(见部分2.3)的图像特征计算(见部分2.4)。在实践中,2 d图像分割方法可以扩展到三维空间,但往往与增加的成本方法的复杂度和计算时间慢。

2.3。建模的空间环境

空间上下文或社区信息的使用是非常重要的在大脑MRI分割。除非图像只是随机噪声,图像像素的强度/体素高度统计上的灰色的强度依赖于其邻国(周围像素/压)。马尔可夫随机场(MRF)理论建模提供了一种依据图像的局部特性,在全球形象属性遵循当地的交互。MRF模型已经成功地集成各种脑MRI分割方法来减少误分类错误由于图像噪声1- - - - - -3]。

首先,让我们介绍一些符号。被描述的部分2.1,每一个像素或体素在一幅图像可以表示一个节点的晶格。让代表一个强度值的单个像素或体素位置在一个图像定义在一个有限的晶格,在那里图像元素的总数(2维图像三维图像)。让表示相邻栅格系统,在那里代表一个小社区,不包括。

节点(像素/压)在一个格子通过社区相关系统可以被定义为 相邻关系具有以下属性:(我)一个节点不属于自己的邻居:;(2)相邻关系是相互的:

的邻居的可以被定义为一组周围半径内的节点从中心: 在哪里相邻像素之间的欧几里得距离吗和和是一个整数。

第一个和第二个订单的社区是最常用的图像分割的社区。一阶邻域由4 2 d图像中最近的节点和6最近的节点在一个三维图像,而二阶邻域包含8个最近的节点在一个2 d图像和18最近的节点三维图像;参见图4。

马尔可夫随机场模型可以用图表表示,在那里代表了节点和决定了连接的链接(也称为边缘)根据邻居节点之间的关系。这样的图结构对应于一个图像,节点对应像素或体素和连接的链接节点代表像素或体素之间的语境依赖性。可以找到更多关于磁流变液的阅读(4]。

2.4。图像特征

图像对象的特性代表独特的特征或一个图像结构分段。功能依赖于数值测量,包括定量的视觉外观和形状描述符,可以帮助区分感兴趣的结构和他们的背景。图像分割的结果高度依赖于适当的特征选择(选择最相关的特征),准确的特征提取。

通常,统计方法用于在核磁共振特征提取和分类,模式/纹理被定义为一组统计提取特征表示为一个向量在多维特征空间。一阶和二阶统计特性都是基于图像的灰度强度的统计数据。一阶特性来源于图像灰度值直方图和包括强度,意思是,中位数,像素值和标准偏差。由于这些特性不包含任何信息在空间分布上的像素值,它们经常被用于结合二阶特性。二阶描述符是用于描述图像纹理,通常计算使用灰度同现矩阵(5]。第一和二阶特征通常被称为外观特征的文学。这是因为感兴趣的对象的视觉外观通常是与它的像素或体素强度(灰度值在大脑MRI)和空间之间的相互作用强度(强度同现)在一个图像。

图像分割基于单个像素/立体像素强度(一阶特性)是可行的只有当感兴趣的对象的强度及其背景在很大程度上有所不同。然后,完整的对象或其大部分像素或体素可以与背景分离,只需比较强度值与阈值(强度值,显然把对象从背景中)。阈值是来自图像的整体强度分布。在图像噪声的存在和其他成像工件,一阶特性是不够准确的大脑MRI分割。在这种情况下更强大的二阶区别的功能使用,包括空间相互作用强度。例如,肿瘤病变的出现在大脑核磁共振可以与当地的像素或体素的空间模式强度变化或经验概率分布的强度共存。在每个强度取决于空间相互作用模型的一个子集邻近的强度;参见图5和4。最受欢迎的模型可以捕捉本地空间像素或体素之间的相互作用强度MRF模型(4]。

此外,图像分割性能也可以提高了将概率先验形状模型,已被广泛应用于医学图像分割(6- - - - - -10]。平均概率先验形状模型指定感兴趣的对象的形状和变化,通常估计的人口coaligned对象的图像(训练数据集)(11]。

最受欢迎的特征之一,图像分割是边缘。边缘是指物体表面的边界强度急剧变化(12]。这种变化通常是由阈值检测第一和二阶空间衍生品的强度(强度梯度和拉普拉斯算子)。然而,边缘检测以这种方式对图像噪声非常敏感(13),通常需要图像平滑预处理步骤(14,15]。

另一个更健壮的边缘检测方法是相一致的方法(16,17),这是一个frequency-based特征检测的方法。这个特性检测方法,使用本地阶段和能源,是基于一个合理的模型提出的哺乳动物是如何检测边缘莫龙和欧文斯(18),成功地解释了人类的心理物理效应特性感知。而不是搜索图像中的像素/压强度急剧变化,边缘特性,比如一步,行,检测到角落点图像的傅里叶分量最大的阶段。

2.5。强度分布在大脑核磁共振

脑组织的强度是最重要的一个功能脑MRI分割。然而,当强度值由MRI损坏的构件(如图像噪声、部分体积效应(牛皮纸),和偏见场效应,灰度分割算法将导致错误的结果。因此,获得相关和准确的分割结果,经常几个预处理步骤是必要的MRI数据做准备。例如,需要删除背景像素点,提取脑组织,执行多通道分割的图像配准,并去除偏差场效应;参见图6。

当偏差场,nonbrain结构(例如,头骨和头皮)和背景像素点被删除,成人大脑核磁共振有三个主要的直方图峰值对应于三个主要组织类;参见图8(一个)。健康的成年人的大脑,组织内强度变化很小,大脑内的强度可以被认为是分段常数强度函数,被噪音和牛皮纸。通过描述小组织区域的损失由于有限的磁共振扫描仪的分辨率。这意味着一个像素或体素在于两个(或更多)之间的接口类和组织的不同。这个问题更小新生儿大脑的成像的关键。通过将解决部分的修正4.6。

它已经表明,级图像中的噪声是由Rician分布,基于假设真实和虚构的通道上的噪声是高斯(19]。Rician分布的概率密度函数被定义为 在哪里是测量像素或体素强度,是图像像素或体素强度在没有噪声的情况下,是高斯噪声的标准差在现实和虚构的图像,然后呢是零级修改第一类贝塞尔函数。Rician概率密度函数(PDF)绘制在图7(一)数的值信噪比(信噪比),信噪比的定义是(之间的功率比信号和背景噪声)。

的一个特例Rician分布在图像的地区只存在噪声和信噪比(例如,在黑暗背景的核磁共振领域没有核磁共振信号存在)。这Rician分布的特例和也被称为瑞利分布:

在图像区域的核磁共振信号存在和信噪比噪声分布接近高斯分布;参见图7。因此,大脑MRI Rician噪音的问题在实践中经常被简化假定噪声的高斯分布: 在哪里,,强度、标准差和均值,分别。由于这个近似,直方图的bias-corrected大脑核磁共振的噪音可以描述高斯混合模型(GMM),其中每个组织类(WM、通用汽车和CSF)是由高斯分布建模。然而,在部分体积效应的存在组织强度分布稍微偏离高斯分布,我们可以看到从图的直方图8(一个)直方图的组织类是基于手动分割。最近,稳定分布混合模型也被认为是另一种高斯混合模型模型更复杂的MRI核磁共振数据的直方图分割(20.]。请注意,稳定分布是高斯分布的泛化。

新生儿的大脑的磁共振强度分布更为复杂,因为组织内强度变化不容忽视由于髓鞘形成的过程。1.5吨的直方图- w新生儿大脑的磁共振成像图所示8 (b)。新生儿和成人大脑直方图之间的差异的存在是有髓和nonmyelinated WM在新生儿,分离与通用汽车强度。自从nonmyelinated WM比有髓WM占主导地位,- w MRI显示反向WM /通用在新生儿强度相比成年人。

2.5.1。T₁- w和T₂- w强度分布

它可以指出一维直方图的bias-corrected- w成人大脑的磁共振成像图8(一个)有不同的组织类之间的重叠。也可以看出一个重叠WM和通用汽车之间的组织是高于通用汽车和脑脊液。这类分布重叠会导致模棱两可的决策边界灰度分割的方法时使用(21]。然而,许多研究表明,添加额外的MRI序列对比不同属性(例如,T₂- w MRI,质子密度MRI)可以提高灰度分割和帮助独立的类分布22- - - - - -24];参见图13。

3所示。核磁共振成像预处理

MRI收购后几个预处理步骤是必要的准备,对分割图像;参见图6。最重要的步骤包括磁共振成像偏差场校正、图像配准(在多通道图像分析的情况下),和删除nonbrain组织(也称为大脑提取)。

3.1。偏压场校正

偏差,也被称为强度不均匀性,是一种低频空间不同MRI工件造成组织内平稳信号强度变化相同的物理性质;参见图6。偏差场来自空间磁场的不均匀性,在接收线圈的灵敏度变化,磁场之间的相互作用和人体25,26]。偏差场依赖于磁场的强度。当图像扫描先生在0.5 T,偏差场几乎是看不见的,可以忽略。然而,当图像先生获得了与现代轨迹先生扫描仪磁场强度为1.5 T, 3 T)或更高,偏差场是强大到足以造成问题,大大影响核磁共振分析。在实践中,训练有素的医学专家可以让视觉MRI分析某种程度的强度不均匀性(10% - -30%)26]。相比之下,自动核磁共振分析和灰度分割方法的性能极大地减少偏见的存在;参见图9。这是因为大多数的分割算法假设每个类中强度均匀性。因此,纠正偏差对于有效细分领域是一个重要的步骤,大脑核磁共振的登记。

偏差场通常建模为低频乘法场(26,27]。假设我们把所有图像元素,,,,变成一个×1列向量,在那里,代表观察到的强度th体素和图像元素的总数。每个图像体素的降解效果可以表示为 在哪里是一个理想的强度th体素和是一个未知的顺利不同偏压场。消除偏见的问题领域评估的任务。

如果核磁共振强度的对数转换,乘法偏差场成为添加剂偏差字段如下:

这个简化的乘法模型中使用最先进的偏差校正方法代表偏差场(26- - - - - -28]。然而,在现实中有一定的局限性该模型的正确性。尽管模型是一致的变化引起的接收线圈的灵敏度,在核磁共振测量和真正的强度之间的关系更为复杂。这是由于不均匀性的感应电流和励磁场的空间不均匀性,这取决于几何和电磁性质的主题以及线圈极化和脉冲序列(26]。尽管有这些困难,乘法低频模型成功地用于实践模型脑MRI的强度不均匀性。

在文献中,提出了各种方法来纠正偏差场核磁共振。最早的方法提出纠正偏差场是基于手动标签脑组织的像素点,然后用来重建表面参数的偏差场形式。这个表面拟合方法的主要缺点是需要人工交互。偏差场也可以用低通滤波估计和校正(29日),但这种方法可以引入额外的工件的图像,因为它还消除了低频分量真实的图像数据。曲面拟合方法和低通的方法可以改善,使全自动如果加上自动分割的大脑30.,31日]。其他方法的偏差场校正包括图像熵最小化[32),拟合直方图的当地社区全局直方图的图像28),最大化图像的高频内容(26),并使用一个注册模板映像(27]。

模板是一个图像/卷的平均概率编码找到不同种类的组织在每个空间的位置。解剖模板得到正常化,调整,平均解剖图像来自几个不同的主题。所有的图像归一化标准的立体定位空间如蒙特利尔神经学研究所(MNI空间)(33]。MNI被广泛用于提供一个公共的参考的三维定位功能激活疫源地和解剖结构,使在不同的研究结果的比较。人类大脑的标准概率图谱由三个组织的模板和WM概率地图,通用,CSF (33]。组织获得的概率地图正常化和平均分割对象的数量。然后概率图谱描述了大脑的解剖变异。

图像配准是一个必要的步骤包含概率作为先验知识地图集的大脑解剖分割方法。概率图谱通常用于初始化和限制分割过程。大脑解剖结构的先验知识可以提高分割算法的鲁棒性和准确性;参见4.3。

3.2。图像配准

图像配准就是覆盖的过程(空间调整)的两个或两个以上的图像相同的内容在不同的时间,不同的观点,和/或由不同的传感器。注册需要在医学图像分析中获得更完整的信息对病人的健康当使用多通道图像(例如,MRI、CT、PET和SPECT)和治疗验证相比之下的预处理和postintervention图像。在医学图像配准术语coregistration用于intrasubject登记(对齐方式的多通道图像相同的主题),调整用于运动校正在同一个主题,和归一化用于主体注册当几个人群进行了研究。

图像配准是寻找图像之间的转换,这样相应的图像特征空间上一致的。空间对齐通常是初始化使用刚性或仿射变换(34]。一个刚性变换是一个6-parameter变换组成的平移和旋转。如果允许缩放和扭曲,我们获得一个参仿射变换。严格的注册是充分intrasubject注册如果感兴趣的物体不变形。这对大脑的图像是一个合理的假设如果这些是获得在同一大脑发育阶段。然而,如果任务是匹配图像属于不同的主题(主体注册)或同一主题在大脑发育的不同阶段(如儿童成长,变化与衰老有关,由于疾病或萎缩),图像的非刚性的登记要求获得令人满意的结果。非刚性的注册算法通常基于物理模型转换如弹性(35)或流体变形模型(36)或平滑的基函数的线性组合37]或[自由变形38]。然而,主体大脑MRI登记将会出现的问题包括大脑病变或疾病时,因为不可能匹配相同的结构健康和患病的大脑之间。注册技术的综述可以发现在39- - - - - -41]。

3.3。删除Nonbrain组织

Nonbrain组织如脂肪,头骨,或颈部强度强度重叠的大脑组织。因此,大脑必须提取前大脑分割方法可以使用。这一步将体素作为大脑或nonbrain。结果可以是一个新的图像只有脑压或二进制面具,这对大脑像素点的值为1和0的组织。一般来说,大脑压占通用汽车,WM, CSF的大脑皮层和皮层下结构,包括脑干和小脑。头皮、硬脑膜物质、脂肪、皮肤、肌肉、眼睛,骨头总是分为nonbrain体素。

大脑提取的常用方法是使用先验信息的大脑解剖学。可变形模板可以注册一个图像和nonbrain组织然后被转移大脑面具从模板(42]。然而,大脑提取使用概率图谱通常不是非常准确,会导致大脑周围的误分类边界。中提取大脑的另一种方法是大脑提取工具(打赌)[43,44),这是公开可用的软件包目前的一部分。这种方法发现大脑的重心,然后膨胀直到找到大脑边界范围。它已被证明在实践工作质量很好- w和- w成人大脑的图像。大脑提取的一个例子是图所示10。

4所示。MRI分割方法

一般来说,MRI分割并不是一件容易的事情,因为先生获得的图像是不完美的,往往被噪声和其他图像构件。图像处理应用程序的多样性导致了各种图像分割技术的发展(45- - - - - -54]。这是因为没有单一的方法可以适用于所有图像,也不是所有方法同样适合一个特定类型的形象。例如,一些仅使用灰度直方图的方法,虽然有些集成空间图像信息是健壮的嘈杂的环境。一些方法使用概率和模糊集理论的方法,虽然有些另外整合先验知识(具体的成像模型,例如,MRI脑图谱)进一步提高分割性能。

然而,大多数的图像的分割方法开发了一个类可以很容易地应用/扩展到另一个类的图像。例如,削减图理论,尽管首先为二进制图像(开发55),可以修改,用于核磁共振脑组织分割。此外,无监督模糊聚类(45,56,57)已经成功地应用于不同的领域,如遥感、地质、医学、生物学、分子成像。

分割方法,应用脑磁共振成像,可以分组如下:(我)手动分割;(2)灰度方法(包括阈值、地区发展、分类和聚类);(3)atlas-based方法;(iv)基于地表的方法(包括积极的轮廓和表面,和多相主动轮廓);(v)混合分割方法。

4.1。手动分割

手动分割是指人类操作员的过程(例如,专家医生)段和标签图片。这种分割通常是“挤牙膏式”的方式对3 d体积图像。手动方法被认为是最准确的,因为难以准确和可靠地描述结构的医学图像。分割的困难与图像质量和工件。

考虑到改进取得了在过去的几年中通过成像工具(例如,扫描仪先生解决图像极其细微的分辨率),手动分割已成为密集且非常耗时的任务。一个训练有素的操作员通常要经历大约八十图片,一片一片,提取目标的轮廓结构。本手册分割不仅冗长,而且也特别容易出错,所评估的各种内部或interoperator变异性研究[58,59]。同时,手动分割结果往往很困难,甚至不可能复制,因为即使是经验丰富的操作员显示显著的变异性对自己先前的描述。

然而,手动分割仍然集中用于定义一个代理真实描述(称为“地面实况”)和定量评价的自动分割方法。同时,手动分割不同的大脑结构是一个基本的步骤,形成脑图谱和用于atlas-based分割方法(50,51,60]。

手动描述编辑工具,如ITK-SNAP [61年,62年)通常在3的形式显示3 d数据同步的二维正交视图(矢状面、冠状和轴向)的运营商吸引目标的轮廓结构。因此,输出数据的二维轮廓由一系列连续的3 d表面提取。这是一个重要的后处理任务和容易出错。例如,由于interslice分割不稳,撞在重建三维表面是不可避免的。更健壮的分割方法通常可以来源于真实的三维结构模型,他们可以确保在全球范围内跨片更顺利,更连贯的表面。

4.2。灰度的方法

基于灰度分割方法的每个像素进行分类/压强度。在大脑的磁共振成像中,三个主要的组织类、WM,通用,CSF,可以区分基于强度;参见图3。更详细的分类是不可能的,因为强度资料更详尽的大脑结构重叠。甚至分离基于强度的三个主要组织类本身需要合并工具来处理工件在磁共振成像,如强度不均匀性,噪音,和部分的体积,以及重叠在大脑的强度和nonbrain组织(例如,头皮与大脑组织相同的强度)。

一些灰度技术可用于组织分类。最常见的方法是使用强度的柱状图的所有体素和拟合高斯函数分布。给定的概率强度对应于给定类型的组织因此可以推断和体素被分配到相应的组织类型。此外结合社区信息有助于优先生成的分割空间均匀的地区。这可以显著降低误分类由于图像中的随机噪声(1]。此外,可以包含在分类概率地图册通知是否一个给定的位置在大脑中可能包含WM,通用汽车、或脑脊液压50]。

4.2.1。准备阈值

阈值是最简单的图像分割方法。阈值过程使用强度直方图并试图确定强度值,称为阈值,分离所需的类。然后通过分组之间的所有像素分割阈值到一个类;参见图11。阈值方法有许多变化:全球(单阈值)或当地阈值(根据图像中的位置),multithresholding,自适应阈值,等等。在一个全局阈值,分割的图像被定义为 在哪里分段(阈值)的图像,像素标签贴上0 1对应于对象和像素对应于背景;参见图(11日)。

阈值快速和计算效率的方法,但没有考虑图像的空间特征(社区信息)。因此阈值尺度对噪声敏感和强度。在低对比度图像更容易产生分散组的像素,而不是连接区域,需要连接算法作为后处理步骤。

一般来说,基于阈值的分割方法不适合纹理图像。这是因为纹理图像的知觉品质是基于高阶图像元素或场景中的对象之间的交互。然而,在大脑MRI分割,阈值可以用来单独的背景像素点的脑组织或初始化组织类在迭代分割方法如模糊——集群。中提供了一个阈值技术调查(63年]。

4.2.2。区域增长

区域增长(也称为区域合并)技术提取连通区域的图像由像素组/体素具有类似强度(64年]。在最简单的形式中,区域增长始于一个种子点(像素/体素)属于感兴趣的对象。可以由操作员手动选择种子点或自动初始化种子发现算法。然后,区域增长检查所有邻近像素/体素,如果他们的强度足够相似(满足一个预定义的一致性或同质性准则),他们被添加到不断增长的地区。重复这个过程,直到没有更多的像素或体素可以被添加到该地区。

地区发展适用于由大容量图像分割连接相似的区域。因此,成功应用于医学图像分析领域不同的组织,器官,或病变图像。例如,它在大脑核磁共振分析用于大脑血管的分割65年],脑部肿瘤分割[66年),或提取大脑表面(67年]。看到区域增长分割图的一个例子12。

区域增长方法的主要缺点是其对种子点的初始化。通过选择不同的种子点,分割结果会完全不同。如果种子点和同质性判据不正确定义,不断增长的地区可以泄漏和合并区域不属于感兴趣的对象。同时,地区日益增长的对噪声敏感和分割区域噪声的存在会断开连接或洞。另一方面,独立的地区可以成为连接部分体积效应的存在。

4.2.3。分类方法

与已知的标签分类方法使用数据分区图像特征空间。图像特征通常强度值也可以与纹理或其他图像属性。可以监督和非监督分类方法。监督分类需要训练图像,手动分割然后用作参考新图像的自动分割。旁边是费力的人工交互和费时,监督分类方法的另一个缺点是,他们通常不考虑邻域信息,因此他们对噪声敏感。同时,使用相同的训练集大量的图像可能导致偏见的结果,不考虑不同学科之间的解剖和生理变化。

一个最简单的分类器是最近邻分类器68年),其中每个像素或体素被归在同一类的培训资料最亲密的强度。这种方法的泛化最近邻(神经网络分类器,分类根据像素或体素的最近的训练数据的多数票。的神经网络分类器被认为是一种非参数分类器,因为它没有基本假设的统计结构数据。它特别适合如果大量的训练数据是可用的。

的神经网络分类方法被应用于脑MRI分割Warfield et al。69年]。除了图像强度,Warfield使用空间定位的大脑结构(类)的非刚性的注册模板作为一个额外的功能来提高分类过程。然后计算分割迭代过程通过交叉分割细化和更新模板的非刚性的对齐。这个过程需要手动选择每个组织的大量训练样本类训练神经网络分类器。由于在培训阶段,人工交互的方法不是全自动和结果取决于特定的训练集的选择。Cocosco et al。70年)开发了一个健壮的方法选择训练样本的神经网络分类过程完全自动。据报道,这个方法好处理构造不同于概率图谱。然而,它并不处理这个问题在每个组织类自然强度的变化。这两种方法都需要校正偏差场的预处理步骤。

最常用的参数分类器之一是贝叶斯分类器(30.]。贝叶斯分类器模型的概率属性集和类变量之间的关系,然后用于估计类概率未知的变量。这个模型包括贝叶斯推理如最大后验(MAP)估计,目标是估计输出图像的标签考虑到观测图像通过最小化后分布可能的标签: 贝叶斯框架包括三个概率分布:之前分布,后分布,有条件的分布(也称为可能性)。先验分布体现了知识的可能的配置在一个实际的图像是观察。后验分布推导后观察已经和可能获得的概率定义为一个特定的观察给定一组模型参数。

贝叶斯规则描述了后验概率之间的关系,先验概率,可能性如下: 使用定义(11地图),估计可以写成 在哪里可以省略,因为它是一个常数在什么时候是已知的。因为在许多情况下,概率分布指数函数,这个计算可以简化使用对数变换:

在大脑MRI分割的情况下,通常假定像素强度是独立样本的混合高斯概率分布。培训获得具有代表性的样本收集的数据是每个组件的相应高斯混合。分类新数据是通过将每个像素分配给类的后验概率最高的。

贝叶斯分类器是用于采用(EM)分割方法已成功应用于几个软件包用于医学影像社区:SPM (2,快3],FreeSurfer [21),和3 dslicer [71年]。所有这些方法实现分割和偏差纠正他们的框架。还包括各种额外的改进,如非刚性的对齐的阿特拉斯(2),包括社区信息形式的马尔可夫随机域(3,4)或使用稳定分布混合模型的泛化GMM (20.]。可以找到更详细的贝叶斯理论在72年]。

4.2.4。聚类方法

无监督聚类方法分割方法图像分割成集群类似强度的像素或体素不使用训练图像。事实上,聚类方法使用可用的图像数据来训练自己。分割和培训之间的迭代并行完成两个步骤:数据聚类和评估每个组织类的属性。是最常用的聚类方法——聚类(73年),模糊——聚类(74年,75年[],expectation-maximisation (EM)方法1]。

的——聚类方法划分输入数据类通过迭代计算平均强度为每一个类(也称为质心)分类和分割图像中的每个像素或体素类与最近的重心。的——集群也被称为硬分类方法,因为它迫使每个像素或体素在每个迭代只属于一个类。模糊——集群软分类方法是基于模糊集理论(76年]。这是一个概括的聚类则因为它允许每个像素或体素属于多个类根据某个成员的价值。

FCM聚类算法是基于最小化目标函数如下: 在哪里图像元素的数量,需要划分吗集群,元素的隶属函数吗(一个特征向量的位置)属于集群,加权指数,控制结果的模糊性分区(通常被设置为,如果我们有——集群),之间的相似性度量是吗和聚类中心。最常用的相似性度量是平方欧氏距离。

目标函数(见(14))下最小化以下约束:,,。考虑这些约束和一阶导数的计算关于和并设置为零导致以下两个条件最小化:

FCM算法迭代优化通过评估(15),直到下面的停止标准是满足:,在那里迭代索引和吗是规范。一次会员价值为每一个类是分配给每个像素去模糊化的模糊集群在清晰的版本是通过分配像素最高的类成员的值如下:

EM方法是一个迭代的方法寻找最大似然或地图一个统计模型的估计。它具有相同的软分类原则作为FCM方法但通常假定大脑核磁共振强度不同的组织可以使用高斯混合模型来表示。尽管图像聚类方法不需要培训,需要一些初始参数和EM方法灵敏度最高的初始化比较模糊则和——方法(1]。

一般来说,新兴市场细分框架可以描述如下。

他们大脑MRI分割方法。首先,初始化EM算法。对于脑MRI分割,最初使用GMM估计模型参数。然后,期望之间的迭代步骤(E-step)最大化(M-step)步,直到收敛。

E- - - - - -一步。估计脑组织分割给当前的模型参数估计。这个步骤可以包括社区的使用信息(例如,MRF模型的形式)。

米- - - - - -一步。估计模型参数。这个步骤可以包含以下步骤的组合。(1)每个组织的强度分布参数估计类。(2)估计偏差校正参数。(3)估计注册参数调整的概率图谱的形象。

与分类方法,聚类方法最初不包含空间邻域信息,因而对噪声敏感和强度尺度。噪声图像来提高聚类性能,提出了聚类算法的许多扩展(49,57,77年- - - - - -84年]。最常见的方法是包括特征信息(例如,强度值)的邻近像素到改进的FCM目标函数(77年,79年)或集群中心和图像元素之间的相似度度量(80年]。艾哈迈德et al。77年)修改标准的FCM算法的目标函数允许的直接邻居像素影响它的标签。陈和张79年]提出艾哈迈德等人的两个改进算法减少计算时间。另一方面,保持连续性的FCM算法,沈et al。80年)引入了一个新的相似性度量,取决于空间社区信息,在附近景点的程度是由神经网络优化。集群性能还可以增强结合pixel-wise模糊分类与预处理(原始图像中的噪声清洗)49,78年)和后处理(噪音清洁机密数据)(78年]。

多通道的一个例子- w和- w MRI成人大脑的聚类图所示13(一个)。一般来说,关节的形状- w和- w MRI强度分布不同的组织类依赖于图像质量(通过噪声的存在,电子等)。机密数据的形状取决于应用分割方法。在图的例子13(一个),有一个小类间重叠由于质量好核磁共振。因此,标准的聚类方法则用于部分脑组织概率地图(见部分4.2.4)和最后一个集群与散点图中不同的颜色表示- w和- w MRI在图13(b)。一般来说,当MRI工件和组织之间有一个重要的重叠类,大脑的空间信息组织需要消除歧义的分类问题。

4.3。Atlas-Based方法

如果一个人类大脑的阿特拉斯或模板为一个特定的人口的利益可用,然后atlas-based方法可以是一个大脑MRI分割的有力工具。atlas包含关于大脑的解剖学信息(例如,它包含不同的大脑结构)的位置信息,作为参考对新图像分割(先验知识)。这些方法的主要优势是任何大脑结构段的可能性在阿特拉斯没有任何额外费用。从概念上讲,atlas-based方法类似于分类器的方法,除了实现它们的空间域而不是功能空间。

之前可以使用概率图谱作为先验知识,它必须是与图像分割。自从细分标签和“地面实况”以阿特拉斯,阿特拉斯所有信息登记后转移到目标图像。因此,atlas-based方法的性能直接取决于质量的注册方法。

调整概率图谱的传统方式使用仿射图像注册。不幸的是,一个仿射对齐可能是不够的,如果大脑解剖学的兴趣完全不同于普通地图集解剖学。波尔等人因此建议调整使用非刚性的登记(阿特拉斯85年]。然而,在他们以后的工作波尔报道注册的困难解剖模板与图像分割登记使用标准方法(86年]。达等人开发了一个特殊的相似性度量的概率地图直接登记的新形象87年]。最近,几个方法已经开发旨在解决这个问题通过迭代细化分割和非刚性的概率图谱同时登记。ashburn和Friston开发出一种方法,同时分割、偏差纠正,非刚性的概率图谱[登记2]。

然而,即使非刚性的注册方法,准确分割的复杂结构由于解剖结构的变化是困难的。同时,atlas-guided分割患者大脑中变形可以困难且容易出错,因为概率图谱是基于人口健康受试者。例如,在患者大脑病变或解剖学,明显不同于阿特拉斯模板,atlas校准和大脑的相应的细分将失败或不准确的结果。在这些情况下一个atlas-based方法不是一个合适的图像分割方法。

一个对齐概率图谱也可以作为一个很好的初始估计的细分,为EM-based方法尤为重要,EM算法保证收敛到局部,而不是全球,极大值。此外,大多数EM-based方法(2,71年)使用概率图谱来限制再次分割过程的正确对齐概率图谱对成功和准确的分割是至关重要的。

重要的是要注意,atlas-based新生儿大脑的MRI分割已成为近年来研究热点(42,51,53,88年]。新生儿脑组织的MRI分割是更复杂的比成年人由于快速增长过程中,复杂的解剖学的大脑发育,经常磁共振成像质量差。因此新生儿大脑的概率图谱包含组织结构的空间变异性是用来段不同的大脑组织,如大脑皮层,有髓和nonmyelinated白质。然而,一个好的阿特拉斯的新生儿的大脑比成人更加难以获得,主要是由于主题之间的更大的解剖变异。因此,有必要建立一个动态的,任何选择概率图谱新生儿大脑发育阶段(年龄在29到44周)89年]。

4.4。基于地表的方法

除了灰度和atlas-based方法,有许多替代大脑MRI分割方法。基于地表的方法,这些方法包括如可变形模型包括主动轮廓和表面(46,52,54,61年,90年- - - - - -93年]。

4.1.1。活跃的轮廓和表面

可变形模型也称为主动轮廓或蛇在2 d和3 d活性表面或活跃的气球。可变形模型引入了卡斯et al。92年)在二维空间和三维空间的进一步发展和推广Terzopoulos et al。93年,94年]。可变形模型使用封闭参数曲线或曲面描述区域边界。参数曲线和表面变形(或图像)外力的影响下(控制的图像属性)和内力,控制规律。一般来说,可变形模型表示的融合几何、物理和近似理论。几何是用来表示物体的形状,物理学定义约束如何在时间和空间的形状可能不同,和近似理论提供了拟合模型测量数据的机制。视觉分割使用可变形模型的例子在图14。

先描述一个对象的边界,一个封闭的曲线或曲面被放置在图像所需的边界附近。然后,内部和外部的力量变形曲线或曲面迭代弛豫过程中能量函数被定义为 内力在计算曲线在整个变形或表面保持光滑。外部的力量通常来源于图像变形曲线或曲面对所需的功能。

在传统的可变形模型,形象力主要来自本地edge-based信息(例如,基于大幅图像的梯度强度)(95年- - - - - -97年]。然而,这种依赖边缘信息,可变形模型对噪声敏感(例如,可变形模型可以通过噪声边缘泄漏),高度依赖于初始估计。有显著的努力更多的全球地区信息集成到可变形模型。Mumford-Shah模型(98年)是第一个提出方法的图像近似使用光滑函数不仅在区域和边界。提出了这个模型的许多变体后(46,90年]。例如,陈和Vese [46]提出了水平集方法近似图像与一个常数函数内部的地区。李等人提出提出水平集分割方法的核磁共振强度不均匀性的存在。此外,几个混合可变形模型被后提出利用本地(edge-based)和全球信息(提出)99年- - - - - -102年]。有时,图像数据不足以描述该地区的利益,因此必须引入先验知识(103年]。

10/24/11。多相主动轮廓

最受欢迎的Chan-Vese水平集方法(46)已成功用于分割图像与两个独特的区域(与二元分割图像的能量)。在[104年陈,Vese和扩展他们的二元分割能量多相水平集配方。按照这种方式,多个不重叠的区域空间一致性和不同的特色(如地区)的平均强度可以用多个水平集函数表示。这种多相水平集方法是有吸引力的脑部MR图像的分割,通常有多个感兴趣的区域具有不同的特点。从Vese和陈法(104年),不同的扩展多相主动轮廓发展(54,105年- - - - - -108年]。多相主动轮廓其他方法的优点是其鲁棒性形象变化,自适应能量泛函,拓扑的灵活性,和准确的边界。

传统上,主动轮廓凸能量最小化由于梯度下降方法制定。通过这种方式,能量最小化收敛于不良的局部最小值和错误的分割结果。同时,传统的水平集实现慢收敛由于离散化误差和著名的仅要求。的第一凸两阶段活动轮廓分割方法提出了陈et al。109年]。后来,几个扩展提出了更具挑战性的多相问题[110年,111年]。很多最近的工作一直致力于开发新的多相不仅主动轮廓凸配方,但也减少了计算复杂度(54,105年,107年]。注意,初始化全局凸方法独立。

4.5。混合分割方法

新应用程序特定的大脑MRI分割问题层出不穷,不断探索新方法和介绍。自从选择最合适的技术对于一个给定的应用程序通常是一个艰巨的任务,结合几个技术可能需要获得分割目标。因此,混合或组合分割方法被广泛用于不同的脑部MRI分割应用程序(78年,84年,112年- - - - - -120年]。的主要思想是将不同的互补的分割方法结合到一个混合的方式,以避免许多单独的每个方法的缺点,提高分割的准确性。

这里有一些例子的混合脑MRI分割方法。Kapur et al。112年]分割不同的大脑组织在成人使用2 d MRI结合采用分割,二进制数学形态学和主动轮廓模型。Masutani et al。113年)结合基于模型的形态学信息的区域增长的本地段大脑血管的形状。Warfield et al。120年)开发了一种结合三维脑MRI分割算法迭代之间的一个分类步骤来识别组织和一个弹性匹配一步对齐模板的正常的大脑解剖分类组织。通过注册一个弹性匹配步骤可以生成图像分割对病人解剖图谱扫描。

此外,一个无人管理的全球性和地区性的脑部MRI分割是由雪等。78年]。他们结合全球最小误差阈值和spatial-feature-based FCM聚类细分3 d MRI“挤牙膏式”的方式。工作的Vijayakumar和Gharpure [117年),混合MRI分割方法,基于人工神经网络(ANN),提出了分段肿瘤病变,水肿、囊肿,坏死,正常组织在MRI T2和天赋。最近,奥尔蒂斯et al。119年]提出一种改进的脑部MRI分割方法使用自组织映射(安)的具体情况和entropy-gradient集群。

混合分割方法也用于新生儿大脑分割(115年,118年]。例如,Despotovic et al。115年)提出了一个混合策略部分新生儿用的脑容量- w和- w MRI结合阈值,活动轮廓,FCM聚类和形态学操作。后来,Gui et al。118年)提出了一个morphology-driven段不同的解剖区域的自动分割方法新生儿大脑。

混合(组合)分割方法的主要缺点通常是增加了复杂性相比,每一个方法集成到一个混合。这包括较低的计算时间和更多的不同的参数需要调整为一个特定的应用程序。因此,混合分割方法应该谨慎和明智的设计效率和质量好的分割。

4.6。部分体积效应校正

就像前面提到的2.5,通过问题是最常见的一种脑MRI分割的问题。通过描述小组织区域的损失,因为磁共振扫描仪的分辨率有限,在核磁共振扫描视为混合不同的组织在一个像素或体素。这种效应可以引起像素或体素的误分类,在于两个(或更多)组织之间的过渡课程。提出了几种方法来解决的问题,通过在MRI分割对于成人和新生儿的大脑3,42,103年,121年,122年]。

第一个方法的部分体积校正方法Santago和规123年]。他们认为一个统一的先验概率的混合(nonpure)组织和部分体积通过最小化的强度分布计算模型和图像直方图之间的距离。另一种方法是提出Nocera和哇124年),他们利用磁流变液获取空间平滑变化的组织混合比例和地图然后计算估计部分体积分割。后来,Zhang et al。3)使用一个隐藏的马尔可夫随机场与一个有限混合模型来克服可能通过扭曲和偏见字段。在工作范Leemput et al。122年),统计统一框架部分体积分割不使用一个启发式的假设提出了先验分布的混合比例。他们使用一个参数统计图像模型,每个立体像素属于单个组织类型和引入额外downsampling一步导致部分卷沿边界组织。然后,他们估计混合使用的组织采用的方法。

所有上述部分体积校正方法,非常有前途的结果已报告的成年人- w MRI。然而,这些方法依赖于这一事实部分卷在成人MRI图像的强度水平不重叠的特征强度为主的纯组织类。这种假设是不可能对新生儿MRI由于倒graywhite对比和伟大的组织重叠由于存在有髓WM和nonmyelinated治疗;参见图8 (b)。因此,提出了几种方法解决的通过在新生儿核磁共振(42,103年]。雪et al。42)方法基于采用马尔可夫随机场,和阿特拉斯信息删除标错了体素纠正错误引起的牛皮纸。他们实现了一个标签传播策略屏蔽通用和有髓WM深处,使皮质通用的分割和nonmyelinated WM。王纸的et al。103年),一个简单而有效的方案用于处理通过问题和基于解剖观测,更进一步的WM压包围CSF和通用汽车,贴错了标签,脑脊液压从真正的WM体积无关。

5。验证的脑部MRI分割

验证和定量比较不同的分割方法是一个普遍的问题在医学图像分析。它需要一个“地面实况”或黄金标准的分割方法可以比较的结果。不幸的是,“地面实况”不存在在人类体内获得的数据的分析。因此,“地面实况”的真正的病人通常是图像采集后生成的。

在大脑核磁共振分析,真正的病人数据的“地面实况”通常是由一个或多个专家医生需要手动分析和部分感兴趣的解剖结构;参见4.1。虽然这是唯一的方法来验证真实患者核磁共振数据,验证必须极度认为因为手动分割是容易出错,非常主观,很难繁殖(即使是同样的专家)59]。此外,这种类型的验证并不总是可用,因为它是耗时的,取决于人类的运营商。因此,一些其他验证方法发展的实践来验证分割算法的准确性。最受欢迎的验证方法包括使用软件模拟和幻影。

在软件模拟中,采用计算机程序生成的人工图像先生,模拟真正的习得过程。以这种方式“地面实况”是已知的和不同采集参数和成像的影响工件都可以单独控制和检查。这种类型的验证是非常灵活和方便的由不同的研究人员和可以执行。然而,这种验证方法的一个缺点是,软件模拟器不能考虑所有因素,可能会影响真正的图像采集和模拟图像只有一个近似真实的图像。

因为软件模拟有一定局限性,验证新的分割方法可以通过使用类似人类的幻影,他的物理性质(如组织结构的几何和材料特性)是已知的,类似于体内的属性。幻影图像使用核磁共振成像扫描仪和生成比图像更现实的生成与软件模拟。另一方面,幽灵的图像不提供软件模拟和成像的灵活性是更加昂贵和劳动密集型。

最受欢迎的模拟用于验证大脑核磁共振图像分割方法是由柯林斯et al。125年),也被称为一个现实的数字大脑幽灵或者只是BrainWeb。图像都是免费在线和方便研究人员测试新的分割方法的性能。181×217×181的BrainWeb数据由体素矩阵与一个分辨率为1毫米×1毫米×1毫米,用于不同的添加剂噪声水平。噪音水平(用百分比表示)的平均真实和虚构的值是相对于组织的整体亮度类。使用高斯伪随机噪声产生的噪音,这是添加到真实和虚构的组件之前的最终价值级模拟计算先生的形象。

旁边的幻影BrainWeb数据,最受欢迎的存储库与真正的核磁共振数据用于验证大脑MRI分割方法是互联网分割存储库(IBSR) [126年]。网上IBSR库也是免费的。它由20个真实的- w大脑核磁共振数据集和手动分割结果指导专家,是用作“地面实况”分割。每个MRI卷由大约60日冕- w片interslice分辨率为3.1毫米(连续切片间的厚度)。

量化MRI分割之间的重叠和给定的“地面实况,”几个相似措施用于文学。最受欢迎的措施与BrainWeb数据经常使用骰子系数(127年]: 在哪里代表一个组织类型,和表示的一组像素标记“地面实况”和MRI分割,分别表示元素的数量。骰子系数范围值0,如果没有重叠两个分割和1之间如果细分都是相同的。

Tanimoto系数(也称为Jaccard指数)通常与实际IBSR作为相似性度量数据。Tanimoto系数对于每个组织类型定义如下: 在哪里和表示的一组像素标记“地面实况”和分割方法,分别表示元素的数量。请注意,和。

阅读更多关于相似措施进行评估和验证在医学图像分析中可以找到(128年]。

6。讨论和结论

图像分割是一个重要的步骤在许多医疗应用涉及三维可视化、计算机辅助诊断、测量,和登记。本文提供了一个简要介绍MRI分割的人类大脑的基本概念和常用的方法。

节2,我们定义了所需的基本概念理解MRI分割方法,如2 d和3 d图像的定义,脑磁共振图像特征和强度分布。这之后,必要的预处理步骤准备核磁共振图像分割部分中描述3。最重要的步骤包括偏压场校正、图像配准、和删除nonbrain组织或大脑提取。强度不均匀性的校正是有效分割的一个重要步骤的大脑核磁共振和登记。脑MRI图像配准需要分割的多通道图像对齐的同一主题或多个人群在不同的时间和不同的观点。

由于医学图像模式的快速发展,新应用程序特定的细分问题层出不穷,不断探索新方法和介绍。选择最合适的技术对于一个给定的应用程序是一个艰巨的任务。在许多情况下,许多技术的结合可能需要获得分割目标。经常集成多通道的信息(从不同的形式或随着时间的推移获得)可以帮助部分结构,否则不能检测到单一图像。

最流行的图像分割方法,用于脑MRI分割一直在审查和讨论部分4。更新的方法通常是为了带来更多的准确的结果,通过融合3 d社区从地图信息和先验信息。因此,分割过程通常变得更加复杂和耗时。可能仍未来的研究将不仅关注发展中更准确和noise-robust方法,但也提高了算法的计算速度的分割方法。计算效率将在实时处理特别重要的应用,如计算机引导手术。

可能最重要的一个关于医学图像分割问题是其使用在实际临床设置。不可否认,电脑细分方法显示他们的潜力和适用性在计算机辅助诊断和治疗计划。预计在不久的将来,他们还将成为真正的临床设置的必要工具,特别是在定性诊断和解剖结构的三维重建和可视化是重要的。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由FWO-Vlaanderen格兰特G.0341.07”使用先进的多通道数据融合信息信号处理、分割和注册技术”和NeoGuard IWT项目。