基于磁共振動態(tài)增強掃描圖像的腎室自動分割

1、基于磁共振動態(tài)增強掃描圖像的腎室自動分割 摘要：本文我們介紹了腎室磁共振動態(tài)增強掃描圖像自動分割的一種方法，這是一個重要的問題，但是現(xiàn)有的解決方案對廣泛的數據不能穩(wěn)定的實現(xiàn)高精度。所提出的方法包括三個步驟。首先全腎的分割是基于最大穩(wěn)定時間量（MSTV）的概念。本文提出的最大穩(wěn)定時間量發(fā)現(xiàn)解剖結構在空間域和時間動態(tài)都是穩(wěn)定的?；谧畲蠓€(wěn)定時間量的腎室分割對噪聲具有魯棒性而且不需要訓練階段。它可以很好的適應因腎功能不全造成的腎形狀的變化。第二，分割后的腎體素被描述成消除時間冗余和噪聲的主要成分。然后主要成分的k均值聚類被應用到將腎體素分離成灰質髓質和腎盂。第三，引入一種細化方法來進一步消除分割后的

2、每一部分的噪聲。16例腎室數據集的實驗結果表明我們的方法與手動結果達到了一個很高的擬合度，而且與現(xiàn)有的三種基線方法相比實現(xiàn)了一個更好的表現(xiàn)。 所提到方法的代碼將隨著本文的出版公開可用。 1介紹 核磁共振動態(tài)增強掃描影像是公認的小兒腎的最好成像方式，它提供了一站式綜合的形態(tài)和功能信息，而且沒有電離輻射的利用。圖像中對腎的準確分割是對腎功能評估的根本，但是，現(xiàn)在還是缺少有效的和自動化的解決方案。影像的一些限制使這個任務尤其有挑戰(zhàn)性：1)快速和重復掃描導致的低空間分辨率，信噪比差和部分容積效應的影響；2）對每個部分進行灌注尤其是無序的腎會產生非均勻強度變化。（1） 文獻中的幾篇論文解決了腎室的分割問

3、題。作者處理皮質分割作為一個多表面提取問題，用基于圖建方案的最優(yōu)曲面搜索法解決此問題。這種方法最初是為3D CT圖像設計用來評估CT數據的，因此在DCE MRI圖像的強度時間過程嵌入的有用的時間信息是不考慮的（例如，從圖1的左上方和右邊的圖可以看出，腎室的三個部分的時間強度的演化是不同的）為了解決這一問題，提出了利用體素的空間聯(lián)系和每一個體素的強度變化這兩個方面的能量函數來描述整個圖像序列。在 4 和 5，作者采用 k-均值聚類的時間強度演化分割三個內部腎結構。然而這種方法只對正常腎有用，在實踐中他們對病癥非常敏感。最近Khrichenko等人提出了一種叫CHOP-fMRU對腎進行分割和功能分

4、析的項目。這種方法涉及幾種手動的任務（例如，為了初始化需要手動劃定一個粗糙腎的輪廓）分割的質量和結果的分析很大程度上取決于手動任務的質量。對整個腎室的自動分割有很多專門的研究努力（67891011）。他們中最著名的依賴于之前分割好的腎的形狀和外觀模型。例如，Spiegel（11）等人學習腎平均形狀和模型通過主動形狀模型里的最重要的模型去約束分割結果。Yuksel等人用符號距離地圖和高斯模型分別對腎的形狀和強度分配進行建模。在89中，作者整合之前的形狀到一個幾何變形模型中以便于提取腎的區(qū)域。基于模型的對一個完整的健康的腎的分割得到了很好的效果。然而，由于腎的高度復雜性和形狀易變性，腎各部分的結構

5、相比于整個腎來說對模型的挑戰(zhàn)性更大，對紊亂的腎來說更明顯。因此，這種基于模型的為了對功能失調的腎和內部結構的分割達到一個好的效果的方法是非常富有挑戰(zhàn)性的。 （2） 圖一左邊的第一排：一片有六個時間點的圖像分別是3，6，13，19，43。對于這個病人，2448個腹部影像用了72個時間點，隨著時間的增加，皮質髓質和腎盂會不斷地顯現(xiàn)出來。（2）左邊下圖：通過閾值分割。紅色綠色和藍色矩形框表示了腎的三個位置的體素。用實線的體素連接就是時間的連接。如果兩個分割單位在時間上相近而且體素重疊高達80%以上那么我們就定義這兩個單位是時間連續(xù)的（3）右圖表示的是一個典型的正常腎室各部分的是時間密度曲線。 圖2提

6、到的腎室分割框架的插圖在本文中，我們提到了一種基于DCE-MRI圖像健康腎和病變腎的自動分割方法。這種方法展示了和手動分割結果的高度吻合，主要包括三步，如插圖2.首先，基于最大穩(wěn)定時間卷積的檢測方法將腎臟從腹部影像中分割出來。我們提到的MSTV利用各個體素之間的3D空間聯(lián)系和每一個體素的時間動態(tài)對周圍組織和腎臟形狀多變產生的噪聲提供了一個可信任的分割魯棒。第二，分割好的腎的體素用N種主要成分表示其中N是一個實驗參數。我們廣泛的實驗結果表明，對于所有情況首先捕獲的10種主要成分對腎室分割來說是最重要的信息。因此丟棄其余成分可以有效移除時間冗余和抑制噪聲使有用信息的損失很小。然后主要成分的K均值聚

7、類分別將各體素聚集成灰質髓質和腎盂。第三，提出一個有效和快速的微調的方法對分割的每一部分去噪聲。本文提出的分割方法使用 16 例臨床腎臟數據進行測試并和手動測試結果以及上文提到的三種方法產生的結果進行比較。結果是本文的方法和手動的結果有很高的擬合性，而且效果要好于之前提到的三種方法。2我們的三步方法2.1第一步基于MSTV的初級分割 隨著造影劑灌注到腎臟，腎臟及其周圍組織之間的對比強度逐漸增強（圖1的左上方可以看到）。在注射之后通過閾值法填涂一個3D的體積，分割的腎體素具有三個特征：1）在一個很寬的閾值內穩(wěn)定（如圖1左下圖）；2）他們是空間連接的；3）很大一部分出現(xiàn)在時間相鄰分割段上。（一大部

8、分體素在時間動態(tài)上有重疊）。相比之下，非腎組織強度的增強是少有和隨機的；所以分割的非腎組織體素對閾值是敏感的，通常都是空間不連續(xù)的而且在時域也有很小的重疊。基于以上三種特征的描述，隨后我們描述一下最大穩(wěn)定時間量的概念以及它在整個腎分割的應用。通常對時間量和MSTV的定義如下：1) 時間量：我們用（1tT）來表示從原始3D體積在時間點t閾值分割的一系列空間連接體素，T是一系列DCE-MRI圖像的全部時間點。如果，好于通常分割體素的(是80%)我們定義，（1t-1<tT）是時間連續(xù)的（他們之間的體素重疊是大于的）。如果一系列中任何兩個時間連續(xù)的體素在這一系列中是時間連接的，那我們就認為這一系

9、列是一個時間量。的計數定義為2) 最大穩(wěn)定時間量。 如果，是通過兩個時間閾值j-1和j各自得到的兩個時間量，而且，····所以是的一個子集。（1mM）成為一系列的嵌套的時間量,M是在DCE-MRI圖像數據中檢測到的嵌套系列的總數，系列的穩(wěn)定性被定義為： (1)評估分割的穩(wěn)定性，和分別表示有多少連續(xù)的閾值和有多少時間相鄰的部分在分割后各自保持穩(wěn)定。我們找到一個可以給提供最大值的。對于嵌套時間量序列的所有的M，選一個可以達到最大量的意味著的基數和穩(wěn)定性的結合可以覆蓋一個很寬的參數。 MSTV的檢測過程在偽代碼中。第一，對于每一個在時間t的時間量數據，用所有可

10、能的閾值第三，我們在基于MSTV出現(xiàn)的大部分時間量選擇體素去形成最初的整個腎的分割。 我們的MSTV可以看作是最大穩(wěn)定極值區(qū)域的擴展，是從2D到4D在計算機視覺中的最佳興趣點檢測器之一。我們提出了一種基于連通域樹的MSTV檢測方法并將其應用于腎臟分割。我們的MSTV方法在分割結果上不受任何形狀的限制，因此它可以適應因功能障礙引起的變形的腎。2.2第二步PCA-K均值聚類方法進行腎室分割 灰質髓質和腎盂體素的時間強度曲線是各不相同的。因此，他們可能會被無監(jiān)督聚類的時間強度曲線分離開。然而，原時態(tài)數據往往具有很高的維度，這增加了計算成本也會導致數值問題。更重要的是，同一組織的所有體素并不會在同一時

11、間被高亮標記，導致屬于同一組織的曲線錯位反過來導致分類錯誤。除此之外，在原始時間數據上很多維度是多余的，這些冗余會稀釋有用的信息并擾亂真實的分類。 為了解決這些問題，我們用主要成分分析法去降低時間數據的維度。用一些主要成分去描述在時間維度上的體素特征。PCA將原始數據變換到一個新的坐標空間，這樣最大的差異就在第一個坐標，第二大的差異就在第二個坐標以此類推。通過丟棄一些不重要的成分，PCA分析法可以減少動態(tài)數據的維度并降低噪聲。除此之外，通過把幾個時間維度線性結合去形成一種特征維度分析錯位就會避免。我們實驗的全面的分析結果是，對所有實驗的案例至少所有信息的99.4%來自于前十種主要成分。圖三可以

12、看到，第一重要成分的捕獲基本上是一個腎的全面信息，第二到第十種成分分別是內部機構的詳細信息。對于后面的成分，差異受噪聲影響越來越明顯?；谖覀兊膶嶒炑芯浚覀冞x擇十種成分去做進一步分析。 一旦分割腎的體素用這十種成分去代替，應用無監(jiān)督聚類將體素分成三組：灰質髓質和腎盂。在很多適合的聚類方法中，我們在實驗中選擇了k均值聚類方法因為它簡單有效好用。2.3微調 我們在第一步就提出了一個去除噪聲的微調方法和恢復由于主成分空間中聚類之間的模糊界限導致的分類錯誤。這種方法從灰質開始到髓質再到腎盂。首先，對在第二步中獲得的灰質體素，我們計算通過從最大強度中減去注射前的強度得到它的最大強度增強?；诨屹|的體素

13、會在同一時間被亮化出來，我們計算所有體素在每一個時間點的平均強度，選擇強度達到最大的那個最大時間點。我們把灰質組織被最大亮化的，這三個時間點作為備選時刻。然后，MIE就被算出來了在這三個時間點，髓質和非腎組織的強度和注射前沒區(qū)別。因此在這些時刻，體素的MIE要小于灰質體素因此能被很容易的通過閾值排除在外。閾值是通過Otsu自動選擇的。第二我們試圖去修復對腎灰質的誤測。對每一個非腎灰質體素進行空間相鄰測試。在上一步去除噪聲之后，如果所有的不都被標記為灰質體素，我們再重新從非腎灰質到灰質進行標記。這種方法也被用到其他兩種組織的分割上。3實驗結果 我們的研究受到了地方機構委員會的支持，其中有16個案

14、例，其中7個正常的7個不正常的，還有兩個是做過手術將髓質腎盂摘除的。圖像數據的獲得是通過一個3.0T GE MR750系統(tǒng)。為了減少釓對病人腎功能損傷的風險，選擇了正常濃度1/5的釓作為注射劑，同時以3ml/s的注射10ml。圖像數據集是通過呼吸機控制屏氣次數得到的，在大部分案例中都有足夠的時間校準。波紋管呼吸觸發(fā)導致在每兩個呼吸周期的時間階段實施。通過一個雙回波極讀出的3DT1加權梯度的回波序列得到數據，我們稱為DISCO的內部變密度笛卡爾欠采樣計劃用于執(zhí)行高時空分辨率動態(tài) MRU。一個兩點迪克森重建被用于魯棒的脂肪水分離。成像參數：翻轉角度15度，TR=3.56ms，矩陣大小=256*25

15、6，F(xiàn)OV=340*340mm，總共切片34片，切片厚度4mm。 我們用骰子相似系數DSC去評估分割精度，這是一個被廣泛用來評估不同醫(yī)學圖像模型分割算法的指標。DSC定義為 其中S和G分別表示自動和手動分割體素。DSC從0到1，在SG一點不重疊時是0，SG完全一致時取1. 我們將我們的方法跟另外三種基線方法比較：區(qū)域競爭 ，受歡迎的主動輪廓法分割，我們沒有基于 MSTV 的腎分割的方法和我們沒有 PCA 降維方法。我們用于執(zhí)行在 ITK 管理單元區(qū)域競爭。因為區(qū)域競爭最初為 2D 或 3D，但不是 4 D，當灰質、 實質及整個腎似乎分別最大限度地突出顯示時我們在這些時間點手動選擇 3D體積的數

16、據。區(qū)域競爭被應用于每個 3D 體積分割灰質、實質和整個腎;實質中減掉灰質得到髓質，整個腎中減掉實質得到腎盂。 表一總結了四種方法的平均骰子相似系數?？梢缘玫饺齻€結論。第一，大部分都達到了90%以上除了功能紊亂的腎的灰質0.86和腎盂0.69。可能是因為腎的疾病導致的體素在空間和時間域沒有連續(xù)影響了灰質和腎盂組織的亮化顯示。第二，MSTV和PCA的降維是分割結果精確的根本和補充，例如，基于MSTV對整個腎的分割實現(xiàn)了從14%到59%的提高，基于PCA降維實現(xiàn)了13%到48%的提高。第三，我們的方法的平均骰子相似系數比區(qū)域競爭模型分割要高9%51%。我們認為這種方法表現(xiàn)不好是因為在灌注造影劑時的高度變化。盡管我在不同的灌注階段手動選擇了最相關的體積，從一個單一的圖像序列區(qū)分腎內部的結構仍然是具有挑戰(zhàn)性的，圖4展示了圖像序列和相應的手動標記和我們的方法的分割結果。 4結論和進一步的工作 我們提出了一個基于DCE-MRI圖像的腎的自動分割方法。第一步是基于MSTV檢測的整個腎的分割，MSTV是一個集合了空間和