的分割方法基于Multiatlas卵圆孔未闭

文摘

三叉神经痛是一种神经系统疾病。通常被戳穿三叉神经通过皮肤和头骨的卵圆孔有选择性地破坏神经疼痛。穿刺操作的过程是困难的,因为对颅底卵圆孔未闭的形态是多样的和周围的解剖结构复杂。计算机辅助穿刺制导技术是极其宝贵的治疗三叉神经痛。计算机辅助指导可以帮助医生确定穿刺目标精确定位对颅底卵圆孔未闭。卵圆孔未闭细分定位的先决条件,但如果手动完成繁琐和容易出错的任务。在本文中,我们提出一个图像分割方案基于multiatlas方法自动段卵圆孔未闭。我们开发了一个包含20 30 CT扫描的数据集卵圆孔未闭地图集和10 CT扫描测试。我们的方法可以执行卵圆孔未闭分割在穿刺操作场景完全基于有限的数据。我们建议使用这种方法在临床工作作为一个推动者。

1。介绍

三叉神经痛是一种神经系统疾病,主要发生在一个或多个面部单边三叉神经的分支。疼痛类似于电动罢工或tingling-like在间歇期无症状。它主要是原发性三叉神经痛。在少数情况下,三叉神经痛可以继发于脑部肿瘤或血管畸形(1]。在美国的流行病学调查研究显示,三叉神经痛的发生率男性是每100000人2.5,和女性的发病率是5.7每100000人(2]。流行高峰是在50到60岁,患病率随年龄增长。超过80人,每年发病率是25.9/100000 (3]。在正常情况下,说,咀嚼,刷牙,剃须,甚至一个凉爽的微风在某些病人可能会导致短期的攻击。这种疾病导致大麻烦病人的日常生活和容易导致焦虑和抑郁情绪,甚至自杀(4]。

临床上,三叉神经痛的治疗主要是基于医生的经验知识穿刺和计算机辅助穿刺基于辐射信息。在穿刺针穿刺过程中,需要通过皮肤和进入半月神经节卵圆孔未闭的头骨。然而,狭窄的卵圆孔未闭的头骨基地不同病人和他们的不同形状对手术过程构成巨大挑战。这个操作的关键是准确地定位在行动中卵圆孔未闭的位置(5,6]。卵圆孔未闭的位置在颅底红色区域,如图所示1。穿刺基于经验知识的高失败率和医生的高需求。计算机辅助穿刺需要确定的特定位置卵圆孔未闭(手术前7]。需要很长时间来手动标记位置和依赖于医生的个人经验,这是非常主观的。因此,精确和快速分割卵圆孔未闭的头骨基地能有效提高穿刺成功率,减少操作的长度,减轻病人的痛苦。

国内外广泛使用的医学图像分割方法主要分为传统方法和基于深度学习的方法。在传统的方法中,阈值法、区域生长法和地图分割方法主要是使用。阈值法和区域生长法实现简单,但阈值方法对噪声和灰度不均匀很敏感。该地区日益增长的方法需要手动提供一个种子点。该方法对噪声非常敏感,可能会产生不连续的区域。这两种方法是段整个,而我们的目标区域是整个头骨的一部分。最受欢迎的分割方法是使用深度学习的分割,但深度学习需要大量的数据集(8),这可以解释不佳。近年来,阿特拉斯分割方法已逐渐成为一个有效的方法在医学图像分割领域的(9]。许多学者的工作表明,之前的解剖学知识可以帮助部分的大脑图像和复杂的结构,低目标区域边界的对比,大型主体和intrasubject方差。atlas-based分割方法利用最解剖先验知识。在注册的过程中,该方法最大限度地减少或消除各种噪声对分割结果的影响,具有良好的鲁棒性。Asim et al。10]使用multiatlas方法将大脑根据不同的地图册,然后结合这些解剖特征提取单元,全面、准确地检测阿尔茨海默氏症。包等。11)提出了一种多模和multiatlas特征表示方法,用两步特征选择方法选择最特征分类的精神分裂症。Tor-Diez et al。12]multiatlas分割方法用于分析孩子们的大脑结构。大脑皮层对这个问题感兴趣的地区。他们提出了一个基于块的非局部模型和迭代优化方案,可以提供可靠的皮质分割。因此,在预测儿童发育健康信息具有重要意义。苏et al。13)提出了丘脑multiatlas分割方法优化,可以准确地量化丘脑和体积,可以跟踪一些神经系统疾病的发展。鲍彻et al。14)实现自动分割的侧脑室通过使用变形multiatlas分割算法为超声和MRI融合使用本地线性相关指标,可用于评估新生儿的大脑发育。van der Heyden et al。15]multiatlas方法用于自动段肿瘤放射治疗期间,周围的健康组织,改善临床医生手动的现状描述健康的组织。唐et al。16]介绍了multiatlas分割方法分割的脑肿瘤图像,采用一种新的低秩方法使用空间约束获得恢复图像包含正常的大脑区域。

本文综合决定的有效性multiatlas分割技术颅底卵圆孔未闭的分割,提出了一种分割方法基于multiatlas颅底卵圆孔未闭。通过大量的调查和研究,我们发现我们应用multiatlas分割方法的分割对颅底卵圆孔未闭,首次建立了卵圆孔未闭图谱数据集的头骨首次基地。该方法选择10 atlas图像最相似的图像分割的阿特拉斯根据归一化互相关的相似性度量,然后,基于多分辨率仿射变换和多分辨率方法b样条用于执行转换粗登记和注册图像分割和图像的阿特拉斯的选择。最后,主食(17]算法融合标签图像获得最终的分割结果预测。我们还比较了分割效果的MV18)算法和简单(19)算法。结果表明,分割方法基于图谱可以应用于卵圆孔未闭的分割颅骨的底部。我们已经完成了市场细分的卵圆孔未闭底部的头骨在低数据条件下,高准确度满足临床手术的需要。

2。材料和方法

multiatlas分割方法已逐渐成为一个常用的方法在医学图像分割领域。这种方法有三个步骤:图像相似性选择,multiatlas登记,和标签融合。

2.1。阿特拉斯分割方法

atlas由两部分组成:一个灰色图像标签及其相应的手动分割图像。分割方法的基础上,阿特拉斯相当于将分割问题转换为一个注册的问题。在图像配准中,浮动图像与固定匹配图像变形。图像分割是使用固定的形象,和阿特拉斯的图像选择注册的固定形象作为浮动图像。根据地图集登记所需的数量,atlas分割分为单一atlas分割和多个地图分割。multiatlas分割的步骤主要分为三个步骤。首先,我们找到几个移动图像最相似的固定形象从阿特拉斯。其次,它是必不可少的注册选择移动图像与固定图像获取对应的变换矩阵然后应用变换矩阵相对应的标记图像移动图像。最后,标签融合在所有执行转换后的阿特拉斯标签图像获得最终的分割结果。分割过程图2。

人类大脑图像更复杂,使用多个地图册注册登记和融合很大程度上弥补了不足影响,可能是由于不恰当的选择一个图集。然而,Aljabar et al。20.]发现,分割精度并不完全与地图集的数量的增加,增加和地图册的数量越多,也将增加线性分割计算的时间。Awate等的研究(21)表明,最适当数量的地图册是大约10。因此,本文将从阿特拉斯选择10移动图像注册的固定形象。

2.2。注册技术

登记是multiatlas分割过程的一个重要部分。注册算法的质量直接影响最终的分割结果。本文中的注册过程分为两个步骤。第一步是使用一个基于多分辨率的登记方法仿射变换采取行动的参考图像和浮动图像粗登记,第二步使用基于多分辨率的登记方法b样条转换执行好注册的固定形象和移动图像。

多分辨率策略常用于医学图像配准。它指采样图像增加或降低图像的分辨率,所以这是方便图像的进一步处理。首先,顺利处理医学图像由一个低通滤波器,以防止图像在获取和传输过程中被噪声干扰,提高医学图像的质量,并获得一个图像与一个常数。然后,downsample固定形象和移动图像。图像可以生成多个不同分辨率的图像,形成一个图像金字塔。分级登记本质上是一个而且注册策略。在一开始,寻找最优参数在低分辨率层。尽管这一层的图像信息不完整和登记的准确性不高,注册参数获得接近最优解,这一层的图像数据量很小,这降低了注册所需的时间。多级登记后,可以获得准确的图像配准结果在最后一层,同时,局部收敛问题,发生在单一注册是可以避免的。多分辨率登记流程图如图3。

非刚性的登记的b样条变换函数达到效果通过移动控制点,可以控制局部变形。具体控制点的位移计算的优化算法,从而达到模拟任何非线性变换的影响。首先,固定网格图像,图像上的点成为仅次于网格控制点。我们假设一个控制点的位置在二维图像和网格间距 ;基于精度和效率的考虑,统一的三阶b样条基函数通常是选择图像配准,然后任意点的b样条转换 在移动的图像可以表示为

的公式,表示最近的坐标位置 控制点;的和 ,分别代表相邻控制点的位置指数, ; 代表了松放功能;和b样条基函数的顺序;和相对单位控制网格的位置吗 , ; 代表了 - - - - - -th b样条基函数;和表达式

其中, ,这些函数作为加权函数,它们的体重每个控制点的影响 根据控制点之间的距离 。

2.3。标签融合

本文使用的主要算法完成标签融合步骤。主要算法使用最大期望算法迭代估计性能参数和概率分布。在融合过程中,它相当于把每个阿特拉斯作为一个弱分类器,利用最大期望估计设置每个分类器的重量,然后融合得到最终的分割结果。同时,我们使用了多数表决算法(MV)标签融合和简单的方法完成融合作为对比实验。MV算法是一个方法来确定最终的融合标签值根据少数服从多数的标准。简单的方法结合了阿特拉斯选择和评价策略,逐步减少了地图通过选择性的迭代的数量达到一个良好的融合效果。

3所示。结果与讨论

3.1。建设的数据

摘要人类头颅CT,卵圆孔未闭的左右分别分割颅骨基地。实验数据来自吉林大学第二医院,和入选标准(1)一个完整的头骨和(2)20岁及以上的人。总共30 CT数据是根据上述标准筛选获得的。然后,在专业医生的指导下,选择20个数据图谱,剩下的10个数据用于实验测试。(注意:所有的数据都是与患者获得的知识和同意。)atlas的制备步骤如下:首先,阈值法和区域生长方法应用于过程CT数据。其次,卵圆孔未闭区域底部的头骨是手动分割。最后,一个轻微的高斯平滑数据。一组图谱包含图谱图像和相应的标签图片。的一个集atlas如图4。

3.2。实验和参数设置

在整个实验过程中,首先,最高的10个图像相似性的固定形象中选中了阿特拉斯使用归一化互相关相似度测量方法登记。归一化互相关公式定义如下: 在哪里 代表像素的灰度值在固定的形象, 代表像素的灰度值移动图像,表示图像像素的数量;考虑到CT数据可能来自不同的成像设备,图像之间存在非标准强度,所以选为阿特拉斯的选择标准。

在注册过程中,我们使用Elastix [22基于仿射变换]工具包执行登记和b样条转换。在上面的两个注册过程中,使用多分辨率策略。首先由高斯平滑图像内核过滤,然后,将采样2倍用于每个分辨率层。考虑到插值法生成的效果和速度,采用线性插值方法和插值法用于生成最终的分割结果采用三阶b样条插值方法。在每个迭代中,用随机抽样的方法随机选择2000像素点计算归一化图像之间的互信息值,使登记的速度优化参数,并使用梯度下降优化算法优化归一化互信息值。仿射变换登记,每层设置为1000次迭代,这是设置为4层。b样条登记,每层设置为3000次迭代,和使用5毫米,网格间距设置为5层。

在标签融合过程中,主要的算法融合一个预测结果得到最终的分割结果。还在这里,我们使用MV算法和简单的算法进行比较实验。

3.3。评价指标

在获得分割结果,有必要采取适当的评价指标,评价不同方法的分割结果。本文使用骰子系数,豪斯多夫距离95%,平均表面距离(ASD)来验证分割结果的准确性。骰子系数是用来衡量之间的相对体积重叠算法分割结果与手工分割结果,而后者两个评价标准是用来测量之间的一致性分割边界。骰子系数越高,更好的分割结果。豪斯多夫距离越小,平均表面距离,更好的分割结果。它的定义是方程(6),7、8、9和10: 在哪里和代表预测分割结果和医生的手工分割结果的体积,分别。 代表上述重叠部分的体积。 在哪里代表的表面压预测的分割结果,代表一组医生的表面压手动分割结果。和 ,分别代表体素两个立体像素集的子集。 在哪里 表示两点间的欧氏距离和 。

10日测试数据,我们使用MV,主食,和简单的方法来执行实验左边和右边的卵圆孔未闭的头骨,然后显示平均的平均骰子,95%的豪斯多夫和平均表面距离,通过不同的方法使三图不同方法获得的平均三系图。为了直观地显示不同的方法获得的分割效果的差异,我们也画箱块每个评价指标上的三种方法。

3.4。实验结果

卵圆孔未闭的分割结果颅底和手动分割结果如图5。实验结果表明,三种方法可用于部分卵圆孔未闭。

每种方法的比较图表和手动分割图所示6。红、绿是手动分割的结果是不同的方法的分割结果。我们可以看到,MV算法的分割效果不好,分段卵圆孔的不连续问题,分割的结果是不完整的,与手工分割结果有很大不同。主食和简单的分割结果更好。

3.5。数据分析和讨论

骰子的平均价值从10组数据测试的三种方法,MV,主食,简单,如表所示1。从表可以看出1平均骰子左边的卵圆孔未闭的MV算法0.790,和右边的卵圆孔未闭的平均骰子是0.803。左边的卵圆孔未闭的平均骰子的主要算法0.858,和正确的是0.870。左边的卵圆孔未闭的平均骰子的简单算法0.853,和正确的是0.871。

95%的豪斯多夫距离的平均值得到10组数据由上述三种方法进行测试如表所示2。从表2,它可以表明,平均95%的豪斯多夫距离离开卵圆孔的MV算法5.054,和正确的是3.639。平均95%的豪斯多夫距离离开卵圆孔的主要算法4.274,和正确的是3.452。平均95%的豪斯多夫距离左边的卵圆孔未闭的简单方法是4.644,和3.227。

ASD的平均价值从10组数据测试获得的上述三种方法如表所示3。从表3,可以明显,平均ASD的卵圆孔未闭值左边的MV算法1.258,平均ASD的卵圆孔未闭值右侧的MV算法0.933。平均ASD的卵圆孔未闭值的左侧主要算法0.998,和正确的是0.739。平均ASD的卵圆孔未闭值的左侧的简单算法1.067,右边是0.728。从表中的数据1- - - - - -3,可以看出骰子MV算法分割较低,95%的豪斯多夫距离和ASD较高,表明MV算法分割效果很差。主要的骰子和简单的算法比较高,和95%的豪斯多夫距离和ASD更低,表明主要的和简单的算法有更好的分割效果。

数据7- - - - - -9顺序显示左和右卵圆孔未闭骰子盒阴谋,95%的豪斯多夫距离盒阴谋,和ASD盒阴谋MV的三种方法,主要和简单的10集的测试数据。最大值,上四分位数、中位数、四分位数较低,最小值显示在盒子上的情节,可以反映出多组数据的整体特征。箱线图的水平线表示中位数号码。从盒子里图,我们可以看到,MV算法是相对贫穷的影响。骰子的主要算法和上面的简单方法是图,表明可以实现更好的分割效果的测试图像。中值95%的豪斯多夫距离和自闭症的主要是以下图表和简单的方法,这也表明,这两种方法可以获得更好的测试图像的分割结果。

4所示。数据分析和讨论

从上面的图表数据,可以看出,分割结果的主要方法和简单的方法相对较近,而且都明显好于MV。这是因为MV方法比较和选择的像素值在同一位置浮动图像和选择最多的像素值出现的实际像素位置;虽然每个浮动图像的先验信息是充分考虑,所有图像信息处理同样不考虑每个浮动图像之间的差别和固定的形象。简单的方法和主要方法考虑之间的差异信息固定形象,每一个浮动图像。主要方法使用期望最大化算法计算浮动图像的权重系数,最后进行加权平均得到最终的分割结果。简单的方法分配权重,基于浮动图像和融合结果的性能水平,每次迭代后和估计性能水平的过程中,浮动图像表现不佳被丢弃。理论上来说,简单的算法比主要算法(19),因为简单的算法丢弃浮动图像表现不佳,但事实上,这些浮动图像也可能包含有用的信息。从整个实验结果,正确的卵圆孔未闭的分割效果优于左卵圆孔未闭。我们认为这可能与卵圆孔未闭的结构的差异在左右。但我们已经咨询了相关学术数据,根据数据,结论是没有统计不同长度,宽度,和双方的卵圆孔未闭区域23,24]。目前还没有确切的理论来解释实验结果。

5。结论

三叉神经痛严重影响患者的正常生活。在临床实践中,常常使用手术针穿刺在卵圆孔未闭的头骨射频消融术。刺穿目标点时,过度依赖于医生的个人经验,和操作困难。计算机辅助穿刺基于辐射信息可以提高穿刺成功率的操作。借助电脑,医生执行穿刺信息的基础上操作前的卵圆孔未闭区域分割出来,然后可以准确到达目标点。在穿刺过程中,成像设备显示的位置实时穿刺针医生做出判断。计算机辅助三叉神经痛穿刺手术可以减少患者所遭受的痛苦和术后并发症的概率,降低了阈值的穿刺手术,并提高了穿刺手术的成功率。当前的问题是,术前分割需要很长时间;的平均时间大约是30分钟,但这并不影响实时穿刺手术中医生助理的工作。未来的工作主要集中在两个方面。 On the one hand, we optimize our segmentation algorithm to reduce the time required during the registration and fusion process, and on the other hand, we improve the segmentation accuracy.

从以上讨论,在这篇文章中,卵圆孔未闭的分割方法提出了基于multiatlas,卵圆孔未闭分割提供了一个想法,可以为计算机辅助穿刺手术提供极大的便利。本文还创建了颅底卵圆孔未闭图谱数据集第一次,为未来的研究提供数据支持颅底卵圆孔未闭。实验结果表明,卵圆孔未闭的分割multiatlas方法具有较高的精度和良好的效果,并有望应用于临床穿刺手术。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的重点研发项目的中国吉林省科技发展计划(20200401078 gx)。

引用

1. t·l·t . m . Cheng Cascino, b . m . Onofrio”综合研究三叉神经痛的诊断和治疗继发于肿瘤,”神经学,43卷,不。11日,第2302 - 2298页,1993年。视图:出版商的网站|谷歌学术搜索
2. s . Katusic c . m .胡子,e . Bergstralth和l . t .当“三叉神经痛的发生率和临床特征,罗彻斯特,明尼苏达州,1945 - 1984,”神经病学年鉴,27卷,不。1,第95 - 89页,1990。视图:出版商的网站|谷歌学术搜索
3. n . n . Montano g . Conforti r·迪特兰西m . Meglio e·费尔南德斯和f . Papacci“三叉神经痛的诊断和治疗的进步。”治疗和临床风险管理11卷,第299 - 289页,2015年。视图:出版商的网站|谷歌学术搜索
4. j . m . Zakrzewska”见解:三叉神经痛背后的事实和故事,”三叉神经痛协会,卷202,不。10,638年,页2006。视图:谷歌学术搜索
5. e . f . d . A . j . s . Cheng Lim Chang和n·m·巴巴罗”评估经皮治疗三叉神经痛”,神经外科,10卷,不。1、男性,2014页。视图:出版商的网站|谷歌学术搜索
6. b .黄m .姚明,z冯et al .,“计算机经皮通过孔rotundum infrazygomatic射频神经松解术治疗V2三叉神经痛,”疼痛医学,15卷,不。8,1418 - 1428年,2014页。视图:出版商的网站|谷歌学术搜索
7. t .咚,d .王,刘”临床研究与射频导管消融治疗三叉神经痛neuronavigation系统的指导下,“神经损伤与功能重建,12卷,不。6、2017。视图:谷歌学术搜索
8. 麻省理工学院Razzak、美国纳兹和a . Zaib深入学习医学图像处理:概述、挑战和未来2018年BioApps、分类。
9. j·e .·伊格莱西亚斯和m . r . Sabuncu Multi-atlas生物医学图像的分割:一项调查,“医学图像分析,24卷,不。1,第219 - 205页,2015。视图:出版商的网站|谷歌学术搜索
10. y Asim、b·拉扎·A·k·马利克·拉索尔教授,l·侯赛因和m·A·伊夫蒂哈尔”多,multi-atlas-based通过机器学习的方法来检测老年痴呆症,”国际期刊的成像系统和技术,28卷,不。2、113 - 123年,2018页。视图:出版商的网站|谷歌学术搜索
11. 包,c .贝穆德斯y霍et al .,“须就产权证图像增强改善multi-atlas细分丘脑核和海马的分支领域,“磁共振成像59卷,第152 - 143页,2019年。视图:出版商的网站|谷歌学术搜索
12. c . Tor-Diez:帕萨特,布洛赫,s . Faisan Bednarek n、f·卢梭,“迭代multi-atlas patch-based方法皮层从新生儿MRI分割,“计算机医学影像和图形卷,70年,第82 - 73页,2018年。视图:出版商的网站|谷歌学术搜索
13. j·h·苏·t·托马斯·w·s·Kasoff et al .,“丘脑优化多atlas分割(Thomas):快速、完全自动化分割的丘脑核结构磁共振成像,”科学杂志卷,194年,第282 - 272页,2019年。视图:出版商的网站|谷歌学术搜索
14. 美国利珀·m·a·鲍彻,a . Damphousse”扩张侧脑室和脑容量在婴儿的3 d transfontanelle我们,”医学影像计算和计算机辅助介入的国际会议施普林格,页557 - 565年,可汗,2018年。视图:谷歌学术搜索
15. b·范德Heyden p . Wohlfahrt d . b . p . Eekers et al .,“双能CT自动organs-at-risk分割脑瘤患者使用multi-atlas和深度学习的方法,”科学报告,9卷,2019年。视图:出版商的网站|谷歌学术搜索
16. z, s . Ahmad P.-T。狂吠,d .沈先生的Multi-atlas分割肿瘤脑图像使用基于低秩的图像恢复,”IEEE医学成像,37卷,不。10日,2224 - 2235年,2018页。视图:出版商的网站|谷歌学术搜索
17. s . k . Warfield k h .邹,w·m·威尔斯同时真理和性能水平评估(主要):图像分割的算法验证,2004年IEEE反式医疗成像。
18. r . a . Heckemann j . v . Hajnal p . Aljabar d . Rueckert和锤子,“自动解剖大脑MRI分割结合品牌传播和决策融合,“神经影像,33卷,不。1,第126 - 115页,2006。视图:出版商的网站|谷歌学术搜索
19. 海德,t·r·Langerak美国a van der a . n . t . j . Kotte m·a . Viergever m . van Vulpen和j·p·w·Pluim”标签融合在atlas-based分割使用选择性和迭代方法性能水平评估(简单的),“IEEE医学成像卷,29号12日,第2008 - 2000页,2010年。视图:出版商的网站|谷歌学术搜索
20. p . Aljabar r . a . Heckemann锤子,j . v . Hajnal和d .做出“Multi-atlas基于分割的大脑图片:阿特拉斯选择及其对精度的影响,“科学杂志,46卷,不。3、726 - 738年,2009页。视图:出版商的网站|谷歌学术搜索
21. s . p . Awate p .朱r·t·惠特克:“要多少模板分割好吗?:multi-atlas细分误差分析作为数据库大小的函数,”第二次国际会议上多通道脑图像分析,2012年。视图:谷歌学术搜索
22. s . Klein m .盯着k .墨菲·m·a·Viergever和j . Pluim”Elastix:灰度医学图像配准的工具箱,”IEEE医学成像卷,29号1,第205 - 196页,2010。视图:出版商的网站|谷歌学术搜索
23. m . s . Somesh l . v .您正在m . s . Gangadhara哲人et al .,“卵圆孔未闭的形态学研究,”土耳其神经外科,21卷,不。3、378 - 383年,2011页。视图:出版商的网站|谷歌学术搜索
24. b射线:古普塔,s . Ghose用“卵圆孔的解剖变异,”加德满都大学医学杂志,3卷,不。1、9 - 64年,2005页。视图:谷歌学术搜索

版权

版权©2021伽师赵等。这是一个开放分布式下条知识共享归属许可,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。