基于磁共振動態(tài)增強掃描圖像的腎室自動分割資料

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(shù)據(jù)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

2、的每 一部分的噪聲。16例腎室數(shù)據(jù)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(chǎn)生非 均勻強度變化。（1）文獻中的幾篇論文解決了腎

3、室的分割問題。 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(shù)據(jù)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(shù)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

4、腎進行分割和功能分析的項目。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

5、復雜性和形狀易變性， 腎各部分的結 構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。VokeE gfucfIa p k BOW O-3p * a6N ： Temporally e««ir>ecfe>dA Irmiporal Volume（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。

6、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。NnrmiFJ Fatinn五丸” h 7J-fSyl II fAmhanrpimipnr0iPCA Ar-jilyisi% un EirEwe DjL j,MSTV hjsdlKSdncy Sr-BrrrntationiK-means clustenngn 5史巴EentEd KidHiEV iffPrinciple的tsCenexvRrf «ii

7、i r-inc illScRnnont cdl McdLil aSefirrTentedt t -圖2提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(chǎn)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(shù)。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

8、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(shù)據(jù)進行測試并和手動測試結果以及上文提到的三種方法產(chǎn)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

9、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Vt （10目）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 Vt1, Vt好于通常分割體素的入（入是80%或們定

10、義Vt1, Vt （141<t4）是時間連續(xù)的（他 們之間的體素重疊是大于人的）。如果一系列V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列V是一個時間量。V的計數(shù)定義為V 72）最大穩(wěn)定時間量。j 1如果Vj1, Vj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 V1jV1 , 一VtVt所以Vj 1是Vj的一'個子集。V1，,Vjm （1"4）成為一系列的嵌套的時間量，M是在DCE-MRI圖像數(shù)據(jù)中檢測到的嵌套系列的總數(shù)， 系列的穩(wěn)定性被定義為：S j kj（1）評估分割的穩(wěn)定性，j和Vj分別表示有多少連續(xù)的閾值和有多少時間相鄰的

11、部分在分割后各自保持穩(wěn)定。我們找到一個可以給V1，,Vj. m提供最大值*sm（ j ）的j *。對于嵌套時間量序列的所有的 M ,選一個可以達到最大量Sm（ j ）的m*意味著Vj*的基數(shù)和穩(wěn)定性的結合可以覆蓋一個很寬的參數(shù)。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(shù)據(jù)，用所有可能的閾值I he detection process ot MSI V is illustrated in Fscudo Code I. birst. tor every volumetric data ui time t J. a connecfed component tree Trt is

12、 constructed by binurizing 山u xuluiTie 17t u、ing all possible ihreshokS/s i IA node al leel jof Uce Trt cotisKis of yruup spaii；i|y conuccictl voxels. Second. |）r wry ihre- shuld i x. level j ol ihc irvesh we ifansvei?,e trees Tr - 丁門.T0 along lernpordl axis to search tor aH temporal volumes. Then w

13、e transverse rrcc Tr vcrticallv I rom roots to the Insr level J ro detect MSTV, Third, we select voxels, which appenr in most 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。Fig

14、. 3. First 10 PCn of a dynamic DCE-MRI data2.2 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(shù)據(jù)往往具有很高的維度， 這增加 了計算成本也會導致數(shù)值問題。更重要的是，同一組織的所有體素并不會在同一 時間被高亮標記，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(shù)據(jù)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(shù)據(jù)的維度。用一些主要成分去描述在時間維度上的體素特征

15、。PCA將原始數(shù)據(jù)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(shù)據(jù)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?，我們選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

16、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。基于灰質的體素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tmax, tmax_1, tmax 1這三個時間點作為備選時刻。然后， MIE就被算出來了j

17、ccandidaiecortex voxek)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(shù)據(jù)的獲得是通 過一個 3.0T GE

18、MR750 系統(tǒng)。Tnble L Cuinpuribon of Scgjiienlalioii MclhudsComptirlnicniOur melhodMSTVw/oPCARegion CoinplcLhinCoilexU.860.720,540.591 Ji sol deredMedulla0550.650.510.52KidneysPelvis0.6Q0,540.560.60Kidney ilh Op.CortvK0.920.390.470,45CoilCK1)/)7tX741).580.49Medulla0.980,740.510,52KidneysPelvis().790740.6

19、()為了減少錢對病人腎功能損傷的風險，選擇了正常濃度 1/5的錢作為注射劑，同 時以3ml/s的注射10ml。圖像數(shù)據(jù)集是通過呼吸機控制屏氣次數(shù)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(shù)據(jù)，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(shù)：翻轉角度15度，TR=3.56ms,矩陣大小=256*256, FOV=340*340mm ,總共切片34片，切片厚度 4mm。我們用骰子相似系數(shù)DSC去評估分割精度，

20、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nse（5.G）=2xl5nGI ISI + IGI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(shù)據(jù)。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(shù)。可以得到三個結論。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?？赡苁且驗槟I 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