一种多标记融合水平集的脑部多发性硬化斑块分割方法.docxVIP

一种多标记融合水平集的脑部多发性硬化斑块分割方法 多发生性脑灰质性斑块 多囊卵巢炎是一种营养性疾病，会导致大脑组织结构和形状的变化，导致下肢无力、感觉异常、共济失调和各种面部症状，这给患者的生活带来了巨大的困难和不便。临床医学发现硬化斑块体积的评估和度量对疾病诊断具有重要的意义 脑部多发性硬化斑块大小不一、形状多变, 多发生于脑灰质区域, 部分核磁共振影像 (magnetic resonance image, MRI) 中的脑白质部分受偏移场及噪声影响容易导致影像清晰度较差, 分割难度较大。近年来国内外学者提出了多种多发性硬化斑块分割方法, 如图像模式分析 对比以上研究, 在实际获取的临床影像中, 存在部分影像只有少量斑块或没有斑块的现象。这种情况下, 上述方法往往会产生较多非斑块组织, 如脑白质和残留的头骨组织等, 从而降低了分割的准确性。针对上述问题, 本文提出了一种基于多标记融合水平集的硬化斑块分割方法, 首先利用多图谱颅骨剥离 (multi-atlas skull stripping, MASS) 方法针对脑部MRI图像进行头骨剔除 1 fcm模型 利用MASS方法实现头骨剔除后得到的影像主要包含脑白质、脑灰质、脑脊椎液及硬化斑块区域。本文采用FCM模型对头骨剔除后的影像进行聚类, 并提取硬化斑块区域。该区域包含绝大部分硬化斑块组织, 但也包含部分脑白质、残留的头骨等干扰组织。因此, 本文先统计该区域的直方图, 根据直方图信息, 记录其中的最大值, 并估计硬化斑块的灰度值上下限。具体方法步骤如下: (1) 利用FCM模型获取硬化斑块初始区域, 记为I (斑块) ; (2) 创建I (斑块) 区域的灰度直方图hist (I (斑块) ) ; (3) 找到直方图中的最大值I最大; (4) 根据I最大估计硬化斑块的灰度值范围如式 (1) 所示: 其中, I低和I高分别为硬化斑块灰度值的上下限, I最大为直方图中的最大值, lamda和beta为非负常数。 本文提出的水平集能量模型由三部分组成:灰度信息约束项、长度约束项和标记融合项, 总能量函数如式 (2) 所示: 其中, F为标记融合项, R为灰度信息约束项, L为长度约束项, λ, φ, η为非负常数。通过最小化该能量模型, 使水平集曲线逐渐演化到斑块区域边缘, 从而实现斑块组织分割。 1.1 变分法推导 根据硬化斑块的灰度值范围, 本文构造了水平集的灰度约束项, 如式 (3) 所示: 其中, ?为非负参数, H (x) 为赫维赛德 (Heaviside) 函数, 如式 (4) 所示: 利用变分法可以推导出函数R的导数, 如式 (5) 所示: 灰度约束项用来惩罚图像中灰度值在硬化斑块灰度范围以外的像素点, 可以使曲线有效收敛到斑块边缘。此项的另一个重要作用是通过估计体数据中斑块的灰度范围来约束非斑块组织的产生, 即当某层影像中只含有少量斑块或没有斑块的情况下, 该项可以产生较少的非斑块组织, 从而提高分割的准确性。 1.2 变分法推导 为了约束零水平集曲线的长度范围, 本文采用了文献 其中, δ (x) 为Heaviside函数的导数, 如式 (7) 所示: 利用变分法可以推导出函数L的导数, 如式 (8) 所示: 长度项用来保持演化曲线的规则性, 同时可以使分割目标的边缘更光滑。 1.3 标记融合约束项 本文采用了文献 其中, θi=±2, ±4, ±6, ±8, ￠￠￠, 获取标记影像后, 可以进一步构建水平集标记融合约束项, 如式 (10) 所示: 标记影像基本包含大部分硬化斑块, 因此标记融合约束项可以避免水平集曲线在演化时过多的偏离标记影像, 所以在减少过分割现象的同时可有效避免曲线演化至灰度值与斑块相似的组织。 当能量函数E值最小时, 水平集曲线可收敛到硬化斑块的边界。利用梯度下降法最小化总能量函数E, 得到相应的梯度下降流, 如式 (11) 所示: 此为本文提出的水平集演化模型, 通过多次迭代, 由式 (11) 可使能量函数的值逐渐减小, 当水平集曲线演化至斑块边缘时, 能量值达到最低, 曲线收敛, 从而实现硬化斑块的分割。 1.4 mri液体衰减回转恢复序列图像 本文数据集来自脑部硬化斑块分割挑战赛上的公开数据集 (网址为:http://wmh.isi.uu.nl) , 本课题组随机选取了40组患者的MRI液体衰减反转恢复序列影像, 图像大小为像素, 每个序列的图像层数在47～82之间。实验采用的计算机配置为联想笔记本 2 结果 2.1 真阳性率和真阴值 本文选用以下4种评估指标来度量本文模型及其它方法的分割结果, 分别如下: (1) 体积差异 (volume difference, VD) (符号记为VD) , 斑块体积用来度量分割结果与专家