自动白质高信号检测多发性硬化症使用3D T2 FLAIR

抽象

在T2WI上看到的白质高强度(WMH)是多发性硬化(MS)的一个标志，因为它表明了与疾病相关的炎症。水分子的自动检测对诊断和监测治疗效果有重要价值。T2液体衰减反转恢复(FLAIR) MR图像提供了病变与其他组织的良好对比;然而FLAIR像中灰质组织的信号强度接近病变，可能导致更多的假阳性结果。我们开发并评估了一种仅使用高分辨率3D T2流体衰减反演恢复(FLAIR) MR图像的WMH自动检测工具。我们使用高空间频率抑制方法来降低灰质区域的信号强度。我们对26例MS患者和26岁健康对照组进行了评估。自动算法得到的数据与人工分割得到的数据吻合较好。结果表明，这两种方法在WMH体积比较中存在线性相关性。该自动算法估计数目，体积和WMH的类别。

1.简介

多发性硬化(MS)被认为是一种影响中枢神经系统的自身免疫性炎性脱髓鞘疾病。其表现为脑白质高强度(WMH)，如磁共振成像(MRI) t2加权成像(WI)所示。高信号强度的病变是多发性硬化症的一个标志，被认为代表了与疾病相关的炎症。有报道称WMH病变体积和脑萎缩是转化为MS的独立危险因素[1，2]。诊断后，MS患者纵向遵循和经常接收MR成像多次以监控病变发展。这需要需要一种工具，它的放射科医师，神经科医师和研究人员MS可以使用来进行量化实质WMH准确且有效地。

虽然t2加权成像在多发性硬化症的成像中仍然很重要，但由于WMH和脑脊液(CBF)都是亮的，其描绘WMH的能力通常受到阻碍。这种缺陷可以通过使用t2加权的液体衰减反转恢复(FLAIR)来克服，它抑制脑脊液信号，同时在病变和白质(WM)之间保持良好的对比。尽管有这个优势，仍有几个挑战是定量的WMH与鉴别化的图像，包括降低灰质（GM）和WM尤其是在老年患者之间的对比度;磁共振图像中主要的空间变化是由大脑中不同的射频响应引起的(这被称为偏压场);和背景噪声，这使得它很难从白质病变分开。我们在本文中的目标是创造一种自动白质病变检测算法，其能够精确地估计WMH的体积，并允许使用未来易于在临床环境中的。

对于MS病变检测许多自动WMH量化技术在文献中报道[3-7]。大多数涉及到各种MRI技术的使用，包括T1WI、T2WI、自旋密度WI和2D FLAIR。虽然使用多个数据集可以提供更客观的信息来识别WMH，但这需要更多的时间和共同注册过程。将2D FLAIR图像与3D FLAIR图像相比较，3D FLAIR图像提供了最佳的分辨率、信噪比、对比噪声，并最小化了检测WMH的部分体积效应[8，9]。我们的目标是只使用3D T2 FLAIR图像自动脑容量，CSF容量，心室体积，WMH计数和WMH体积的提取和自动根据他们的位置分成两种深WM高信号的WMH的分类（DWMH）或脑室周围高信号（PVH）。

2.材料和方法

2.1。数据采集

二十六（26）MS患者（年龄范围：27-51年，从协同健康概念获得，CA）患有复发 - 缓解型多发性硬化症的诊断（RRMS）和26（26），年龄匹配的健康对照（获得韦恩州立大学，MI）采用3T西门子扫描仪（西门子，德国埃尔兰根）成像。三人扫描仪在协同健康概念使用而Verio的扫描仪在韦恩州立大学使用。从两个地点这项研究获得了机构审查委员会批准，所有受试者签署知情同意书。MS患者和志愿者数据使用12通道头颈部线圈布置在两个站点收集。两个扫描仪中使用相同的3D T2 FLAIR序列参数。The imaging parameters for the 3D T2 FLAIR sequence were repetition time (TR) = 6000 ms, echo time (TE) = 396 ms, inversion time (TI) = 2200 ms, flip angle (FA) = 120°,，field-of-view (FOV) = 256 mm × 256 mm, in-plane resolution = 0.50 mm × 0.50 mm, and slice thickness = 1.0 mm.

2.2。数据处理

提出了两个新的概念，将WM从周围组织中分离出来。一种是通过高空间频率抑制方法去除假的GM边界贡献，另一种是通过形状相关方法将WMH从其他混杂对比变化中分割出来，因为传统的阈值分割方法包含大量的假阳性。整个工作流程，如图所示1，我们提出的方法包括七个步骤：颅骨剥离术，用于去除非脑组织;射频场不均匀性的偏场校正CSF沟和心室分割;（4）去除的高空间频率GM区域（与接收器操作特性[ROC]使用曲线来确定汉宁高通窗口的大小和其他相关参数）为WMH分割;(5) small lesion detection, for lesions less than 0.025 mL; (6) estimating the lesions volume; and (7) automatic labeling of the lesions as DWMH or PVL. Those lesions with a distance less than 3.0 mm to the edge of the ventricle were considered PVH, while all others were considered DWMH. We describe below the detailed implementation of each step.

2.2.1。预处理:头骨剥离

为了应用颅骨剥离到3D T2 FLAIR图像，我们开发了惯性结构张量的方法，其用于脑表面检测的时刻，与当地形态组合，以除去非脑组织（在以前的工作[10]）。

2.2.2。预处理：偏场校正

在偏场校正方面，一种改进的零差高通滤波器方法类似于用于磁化率加权成像相位处理的方法[11，12]并且以后Axel等人提出。对于大小成像[13]经由施加 哪里是不均匀免费的图像，是原始图像，是偏置场估计图像，以及是的过滤，扩张版本所述下一个。LPF表示低通滤波器，而κ是基于在大脑人口最稠密的信号（模式）的常数。我们的想法是要使用的LPF版本估计低空间频率偏场效应。然而，这种方法本身会产生边缘效应，只要大脑中或大脑边界有高对比度区域。为了缓解这个问题，我们修改了原始图像平滑图像。首先，我们采用扩张推断大脑为了降低高空间频率边缘伪影。为了获得流畅的边缘扩展，我们使用了模板做灰度扩展20次以上迭代，进行脑边缘扩展。这个新图像被称为。最后，偏置场图像通过的低通滤波估计。原始图像然后归一化至LPF，然后乘以κ以上，如图所示。

2.2.3。脑脊液和脑室抽提

一旦大脑已经被分离，剩余的（按递减的信号强度的数量级）的主要三种组织是GM，WM，和CSF。如果有WM和CSF之间足够的对比，那么我们可以使用大津[14]算法确定最佳阈值的统计去除像素低CSF信号。对于低于阈值的任何值，都会生成一个二进制掩码，然后将生成的图像视为CSF掩码图像。由于脑脊液既占据蛛网膜下腔又占据脑室，基于蛛网膜下腔和脑室系统的解剖连接，我们对大脑图像进行了大规模的三维侵蚀，并将其乘以脑脊液面罩图像;对于3D侵蚀模板大小，我们使用一个半径为50像素的球，大约25毫米，以确保我们移除大脑周围的大部分脑脊液。最大剩余连接体积标记为脑室脑脊液。

2.2.4。高空间频率抑制的WMH分割

白质病变相对于周围的WM有较高的强度和明显的边界。不幸的是，在3D T2 FLAIR图像中，GM也表现出高信号强度，尤其是老年人。这导致在试图隔离WMH时出现大量误报。然而，转基因结构往往是狭窄的;因此它们主要具有高空间频率分量。如果我们移除这些通常倾向于在信号强度上模拟病变的成分，就有可能消除许多这些假阳性。为此，我们创建了一个新的低通滤波图像 哪里是原始图像，是高通滤波版的吗和λ是待确定的常数。有许多影响病变分割结果三个参数：所述高通滤波器的窗口尺寸时，恒定和WMH阈值。该阈值被选择为,年代_WMWM在整个大脑的平均值是多少是噪声的标准偏差。的1.2因子提高了WM信号的基线更接近GM信号。这是一个旨在避免误报一个非常保守的阈值。A typical patient case from the patient’s group (with many lesions and a total WMH volume more than 10 mL) was chosen to analyze the receiver operator characteristic (ROC) curve to determine the high pass filter window size and这最大限度地减少误报的数量。候选病灶的分割结果被标记在3D中，并计算从心室CSF和其分数各向异性（FA）值的距离。这里我们使用FA值来表示候选病变的形态特征，采用惯性结构张量的时刻[15而不是用扩散张量来计算FA值。对候选病灶信号强度进行加权，计算三个正交方向上的特征向量。最后，如果候选病灶与脑沟中皮层CSF的距离非常小(2.0 mm)，或者是非常薄的长椭球形(高FA值超过0.6)，则将其移除。

2.2.5。小病变划分

高频抑制步骤不仅除去了GM边界误报，而且还趋向于去除小病变（因为它们本质上是固有的高空间频率）。Here, we define a lesion with less than 0.025 mL (100 pixels) as a small lesion. These can be detected using a higher threshold ()在偏场校正后的图像中。然后利用脑脊液距离、FA特征和脑室信息去除假阳性。

2.2.6。病灶体积估计

由于更大的病变的边缘在步骤4中被拆除，并且只有小病变的最高部件保持在步骤5中，我们应用增长算法（动态编程）的区域[16]给考生病变回到自己的实际大小。从这一点来说，病变的数目和大小以及每个病变的信息强度可以被测量。

2.2.7。分类的病变

最后，心室位置信息可以被用于确定病变的类别。Those lesions with an edge that is less than 3.0 mm to the ventricles are classified as PVH while the rest are classified as DWMH.

2.3。人力接口和校正方案

通过手工分割测量病灶总数和病灶体积，得到病灶数量和体积的金标准。为了评估金本位制和提议的方法之间的一致性，我们使用了相似性指数(SI)度量: 哪里表示从自动分割获得的病变区域和是从处理器的手动分割得到的金标准（两个处理器审查对方）。该SI值范围从0到团结，与零总意见分歧，统一了两种方法的百分之百的协议。该算法是用C ++实现，并集成到我们的内部软件SPIN（信号处理的NMR，密歇根州底特律市）。

3.结果

为了对该方法进行整体评价，首先对高空间频率抑制参数进行了优化。采用ROC曲线法，如图所示2其中我们绘制相似性指数既滤波器尺寸和恒定的值的函数用于增强高空间频率或GM边缘信息的约简。这些结果表明，高通窗口大小的最佳选择是130像素与a值为1.2。在这些变量固定的情况下，该算法可以自动运行，并与手动分割方法进行比较。图中显示了一组处理过的图像3。该DWMH和PVH被黑色轮廓和白色轮廓表示。The total processing time for each case takes less than 5 minutes (Intel i7 2.8 GHz, 8 G RAM).

使用手动分段和自动方法两者得到的WMH体积的散布图显示于图4。在比较WMH体积为所有26 MS的情况下这两种方法之间的相关性被认为是。显然，年龄匹配的健康对照显示出比MS患者少得多WMH。用于为WMH体积相似性指数的结果表明，较大的病变以及由所提出的方法来检测（图五）。A review of three random cases showed that lesions as large as 0.15 mL could be missed if the contrast-to-noise in that area was poor but most lesions missed were closer to 0.012 mL.

4。讨论

我们已经提出了使用3D T2 FLAIR图像WMH的自动分割的有效方法。FLAIR成像是用于MS的最流行的协议之一。特别地，已经表明，3D FLAIR揭示了比常规的轴向T2WI更多病变[17]。使用3D FLAIR还避免了不同的数据集，如T1WI，T2WI，并且需要脑体积和病灶负荷时自旋密度WI的注册或集合的需要。该算法是容易设置为从同一部位采集与为每个患者相同的成像参数的数据的批量处理。该算法的输出包括病灶数，体积和病变类型如PVH或者DWMH。这种方法的一个特别的优点是，所有的图像处理步骤在单个界面内集成，有明显的工作流程接口，其允许用户改变选择任意的。还提供了几个半自动化和手动辅助方法，以允许用户重写某些自动化组件。

其他方法来细分WMH在文献中被提出[五]。大多数其他方法需要一种以上的成像技术。例如，Khayati等人[18]使用2D图像FLAIR低分辨率和部分容积效应降低了分割结果的准确性。最近，西蒙斯等人。[6]仅使用3D FLAIR像，但需要BET和FAST用于预处理和3D切片机进行评估开发了一种自动分割。据我们所知，我们的做法是只使用3D FLAIR序列中唯一的集成软件工具。

的选择λ当阈值达到时，还会影响将WM基线水平提高到GM基线水平的比例因子用来。对于λ= 1.2,p为1.2，而对于λ= 1.4，p1.0。我们选择了前者基于其较高的相似性指数。的因素出现在小病变的阈值中，因为WM的背景变化是这样的还是捕捉误报。

这项研究有一些局限性。首先，所造成的灰质界限的误报问题。我们已经在使用我们的高通滤波器的方法与此处理取得了重大进展，但仍然存在着逃脱自动清除一些假阳性。数字五显示了相似性指数和候选WMH量之间的关系。The cases with total lesion volume over 0.5 mL achieved the highest similarity index values (average SI = 0.77). Second, the optimal data processing parameters are dependent on the imaging parameters. If the FLAIR imaging parameters are changed significantly, it may be necessary to redo the ROC analysis to find the optimal parameter settings. Third, we use the location of the lesions relative to CSF in the sulci to remove false positive lesions from GM. However, some of these cannot be easily detected. In addition, the lesions in the GM may also be falsely removed, if they are too close to the CSF. The type of lesion was classified by its distance from the nearest ventricle edge. When the ventricles could not successfully extracted then the lesions could not be classified correctly.

综上所述，我们开发了一种利用3D T2 FLAIR序列图像自动估计WMH体积和类别的算法。结果表明，自动定量算法与人工分割结果具有良好的相关性。这种方法可以使研究多发性硬化症中病变负荷与其他因素的关系，以及监测病变的数量和体积变得更加容易。

利益冲突

作者声明，这篇论文的发表没有任何利益冲突。

承认

这项工作是由国家心脏，肺和健康的奖下的国家机构没有血液研究所的部分资助。R42HL112580。内容完全是作者的责任，并不一定代表美国国立卫生研究院的官方意见。

参考文献

1. D. T.查德，C. M.格里芬，G. J.M。帕克，R.卡普尔，A. J.汤普森，和D. H.米勒“在临床早期复发 - 缓解型多发性硬化症脑萎缩，”大脑卷。125，第2部分，第327-337，2002。查看在：出版商网站|谷歌学术搜索
2. M. J. Magraner的，I.博斯卡，M.Simó酒店-卡斯特利等人，“脑萎缩和病灶负荷在临床分离的综合征有关脂质的特定CSF IgM的寡克隆带，”神经放射学，第54卷，不。1、2012年第5-12页。查看在：出版商网站|谷歌学术搜索
3. D. Mortazavi，A. Z. Kouzani和H. Soltanian-Zadeh型“在MR图像多发性硬化病变的分割：评论，”神经放射学，第54卷，不。4，第299-320，2012。查看在：出版商网站|谷歌学术搜索
4. T. Magome, H. Arimura, S. Kakeda等，“MR图像中具有多发性硬化病变的白质和灰质区域的自动分割方法”，放射物理科学与技术卷。4，没有。1期，第61-72，2011。查看在：出版商网站|谷歌学术搜索
5. 多发性硬化中片状高强度白质病变的自动检测工具，神经成像，第59卷，不。2012年第3774-3783页。查看在：出版商网站|谷歌学术搜索
6. R.西蒙斯，C.Mönninghoff，M. Dlugaj等人，“只使用3D图像FLAIR脑白质高信号的自动分割”，磁共振成像卷。31，没有。7，第1182-1189，2013。查看在：出版商网站|谷歌学术搜索
7. D.加西亚 - 洛伦佐，S.弗朗西斯，S.纳拉亚南，D. L.阿诺德和D. L.柯林斯，“对常规磁共振成像多发性硬化白质病变的自动分割的方法的综述，”医学图像分析，第17卷，no。1，第1 - 18页，2013年。查看在：出版商网站|谷歌学术搜索
8. I. L. Tan, P. J. W. Pouwels, R. A. van Schijndel, H. J. Ader, R. A. Manoliu，和F. Barkhof，“多发性硬化患者大脑的各向同性三维快速FLAIR成像:初步经验”欧洲放射学，第12卷，不。3、页559-567,2002。查看在：出版商网站|谷歌学术搜索
9. G. H. Chagla, R. F. Busse, R. Sydnor, H. A. Rowley，和P. A. Turski，“三维流体衰减反演恢复成像的各向同性分辨率和非选择性绝热反演提供了改进的三维可视化和脑脊液抑制相比，在3特斯拉的二维flair，”放射学调查卷。43，没有。8，第547-551，2008。查看在：出版商网站|谷歌学术搜索
10. Y.钟，S.齐，Y.康，冯W.和E. M.哈克，在“自动头骨剥离脑MRI基于惯性结构张量的本地时刻，”在信息与自动化的IEEE国际会议论文集（ICIA '12），第437-440，沉阳，中国，2012年6月。查看在：出版商网站|谷歌学术搜索
11. E. M.哈克，Y.许，Y. C.程，和J. R.赖欣巴哈，“易感性加权成像（SWI），”医学中的磁共振，第52卷，no。3、2004年第612-618页。查看在：出版商网站|谷歌学术搜索
12. J. R.赖欣巴哈，R.卡特桑，D.J.士林格，D. K.木户，和E. M.哈克，“小血管中的人的大脑：MR造影与脱氧血红蛋白作为固有的造影剂，”放射科卷。204，没有。1，第272-277，1997。查看在：出版商网站|谷歌学术搜索
13. L.阿克塞尔，J.科斯坦蒂尼，和J. Listerud“在表面线圈的MR成像强度校正，”Roentgenology的美国杂志卷。148，没有。2，第418-420，1987。查看在：出版商网站|谷歌学术搜索
14. 从灰度直方图中选择阈值的方法，自动化卷。11，没有。285-296，第23-27，1975。查看在：谷歌学术搜索
15. Y.钟，S.齐，Y.康，冯W.和E. M.哈克，在“自动头骨剥离脑MRI基于惯性结构张量的本地时刻，”在信息与自动化的IEEE国际会议论文集（ICIA '12），第437-440，沉阳，中国，2012年6月。查看在：出版商网站|谷歌学术搜索
16. J.姜，E. M.哈克和M.董，“血管面积准确度和精度作为MR成像参数和边界检测算法的函数的依赖性，”杂志磁共振成像卷。25，没有。6，第1226至1234年，2007年。查看在：出版商网站|谷歌学术搜索
17. R. H. Hashemi, W. G. Bradley Jr.， D. Chen等，“疑似多发性硬化症:磁共振成像与薄切片快速鉴证脉冲序列，”放射科卷。196，没有。2，第505-510，1995。查看在：出版商网站|谷歌学术搜索
18. R. Khayati, M. Vafadust, F. Towhidkhah，和M. Nabavi，“自适应混合方法和马尔可夫随机场模型对脑MR FLAIR图像中多发性硬化病变的全自动分割”在生物学和医学计算机卷。38，没有。3，第379-390，2008。查看在：出版商网站|谷歌学术搜索

版权

版权所有©2014一中等。这是下发布的开放式访问文章知识共享署名许可，其允许在任何介质无限制地使用，分发和再现时，所提供的原始工作正确的引用。