基于磁共振動(dòng)態(tài)增強(qiáng)掃描圖像的腎室自動(dòng)分割資料

1、基于磁共振動(dòng)態(tài)增強(qiáng)掃描圖像的腎室自動(dòng)分割摘要：本文我們介紹了腎室磁共振動(dòng)態(tài)增強(qiáng)掃描圖像自動(dòng)分割的一種方法，這是一個(gè)重要的問(wèn)題，但是現(xiàn)有的解決方案對(duì)廣泛的數(shù)據(jù)不能穩(wěn)定的實(shí)現(xiàn)高精度。所提出的方法包括三個(gè)步驟。首先全腎的分割是基于最大穩(wěn)定時(shí)間量（MSTV）的概念。本文提出的最大穩(wěn)定時(shí)間量發(fā)現(xiàn)解剖結(jié)構(gòu)在空間域和時(shí)間動(dòng)態(tài)都是穩(wěn)定 的?；谧畲蠓€(wěn)定時(shí)間量的腎室分割對(duì)噪聲具有魯棒性而且不需要訓(xùn)練階段。它可以很好的適應(yīng)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(shí)間冗余和噪聲的主要成分。然后主要成分的k均值聚類(lèi)被應(yīng)用到將腎 體素分離成灰質(zhì)髓質(zhì)和腎盂。第三，引入一種細(xì)化方法來(lái)進(jìn)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(shí)驗(yàn)結(jié)果表明我們的方法與手動(dòng)結(jié)果達(dá)到了 一個(gè)很高的擬合度，而且與現(xiàn)有的三種基線(xiàn)方法相比實(shí)現(xiàn)了一個(gè)更好的表現(xiàn)。所提到方法的代碼將隨著本文的出版公開(kāi)可用。1介紹核磁共振動(dòng)態(tài)增強(qiáng)掃描影像是公認(rèn)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(méi)有電離輻射的利用。圖像中對(duì)腎的準(zhǔn)確分割是對(duì) 腎功能評(píng)估的根本，但是，現(xiàn)在還是缺少有效的和自動(dòng)化的解決方案。 影像的一 些限制使這個(gè)任務(wù)尤其有挑戰(zhàn)性：1）快速和重復(fù)掃描導(dǎo)致的低空間分辨率，信噪 比差和部分容積效應(yīng)的影響；2）對(duì)每個(gè)部分進(jìn)行灌注尤其是無(wú)序的腎會(huì)產(chǎn)生非 均勻強(qiáng)度變化。（1）文獻(xiàn)中的幾篇論文解決了腎

3、室的分割問(wèn)題。 作者處理皮質(zhì)分割作為一個(gè)多 表面提取問(wèn)題，用基于圖建方案的最優(yōu)曲面搜索法解決此問(wèn)題。這種方法最初是為3D CT圖像設(shè)計(jì)用來(lái)評(píng)估CT數(shù)據(jù)的，因此在DCE MRI圖像的強(qiáng)度時(shí)間過(guò)程 嵌入的有用的時(shí)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(gè)部分的時(shí)間強(qiáng)度的演化是不同的）為了解決這一問(wèn)題，提出了利用體 素的空間聯(lián)系和每一個(gè)體素的強(qiáng)度變化這兩個(gè)方面的能量函數(shù)來(lái)描述整個(gè)圖像 序列。在4和5,作者采用k-均值聚類(lèi)的時(shí)間強(qiáng)度演化分割三個(gè)內(nèi)部腎結(jié) 構(gòu)。然而這種方法只對(duì)正常腎有用，在實(shí)踐中他們對(duì)病癥非常敏感。最近 Khrichenko等人提出了一種叫CHOP-fMRU對(duì)

4、腎進(jìn)行分割和功能分析的項(xiàng)目。這 種方法涉及幾種手動(dòng)的任務(wù)（例如，為了初始化需要手動(dòng)劃定一個(gè)粗糙腎的輪廓） 分割的質(zhì)量和結(jié)果的分析很大程度上取決于手動(dòng)任務(wù)的質(zhì)量。對(duì)整個(gè)腎室的自動(dòng)分割有很多專(zhuān)門(mén)的研究努力（67891011）。他們中最著名的依賴(lài)于之前分割好的 腎的形狀和外觀(guān)模型。例如，Spiegel （11）等人學(xué)習(xí)腎平均形狀和模型通過(guò)主動(dòng) 形狀模型里的最重要的模型去約束分割結(jié)果。Yuksel等人用符號(hào)距離地圖和高斯 模型分別對(duì)腎的形狀和強(qiáng)度分配進(jìn)行建模。在89中，作者整合之前的形狀到一個(gè)幾何變形模型中以便于提取腎的區(qū)域。 基于模型的對(duì)一個(gè)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(fù)雜性和形狀易變性， 腎各部分的結(jié) 構(gòu)相比于整個(gè)腎來(lái)說(shuō)對(duì)模型的挑戰(zhàn)性更大， 對(duì)紊亂的腎來(lái)說(shuō)更明顯。因此，這種 基于模型的為了對(duì)功能失調(diào)的腎和內(nèi)部結(jié)構(gòu)的分割達(dá)到一個(gè)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(gè)時(shí)間點(diǎn)的圖像分別是3, 6, 13, 19, 43（對(duì)于這個(gè)病人，2448個(gè)腹部影像用了 72個(gè)時(shí)間點(diǎn)，隨著時(shí)間的增加，皮質(zhì)髓質(zhì) 和腎盂會(huì)不斷地顯現(xiàn)出來(lái)。（2）左邊下圖：通過(guò)閾值分割。

6、紅色綠色和藍(lán)色矩形 框表示了腎的三個(gè)位置的體素。用實(shí)線(xiàn)的體素連接就是時(shí)間的連接。 如果兩個(gè)分 割單位在時(shí)間上相近而且體素重疊高達(dá) 80%以上那么我們就定義這兩個(gè)單位是 時(shí)間連續(xù)的（3）右圖表示的是一個(gè)典型的正常腎室各部分的是時(shí)間密度曲線(xiàn)。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(dòng)分割方法。 這種方法展示了和手動(dòng)分割結(jié)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(shí)間卷積的檢測(cè)方法將腎臟從腹部影像中分割出來(lái)。我們提到的 MSTV利用各個(gè)體素之間的3D空間聯(lián)系和每一個(gè)體素的時(shí)間動(dòng)態(tài)對(duì)周?chē)M織和 腎臟形狀多變產(chǎn)生的噪聲提供了一個(gè)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(gè)實(shí)驗(yàn)參數(shù)。我們廣泛的實(shí)驗(yàn)結(jié)果表明，對(duì) 于所有情況首先捕獲的10種主要成分對(duì)腎

8、室分割來(lái)說(shuō)是最重要的信息。因此丟 棄其余成分可以有效移除時(shí)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(lèi)分別將各體素聚集成灰質(zhì)髓質(zhì)和腎盂。第三，提出一個(gè)有效和快速的微調(diào)的方法對(duì)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(jìn)行測(cè)試并和手動(dòng)測(cè)試結(jié)果以及上文提到的三種方法產(chǎn)生的結(jié)果 進(jìn)行比較。結(jié)果是本文的方法和手動(dòng)的結(jié)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(jí)分割隨著造影劑灌注到腎臟，腎臟及其周?chē)M織之間的對(duì)比強(qiáng)度逐漸增強(qiáng)（圖1的左上方可以看到）。在注射之后通過(guò)閾值法填涂一個(gè)3D的體積，分割的腎體素具有三

9、個(gè)特征：1）在一個(gè)很寬的閾值內(nèi)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(shí)間相鄰分割段上。（一大部分體素在時(shí)間動(dòng)態(tài) 上有重疊）。相比之下，非腎組織強(qiáng)度的增強(qiáng)是少有和隨機(jī)的；所以分割的非腎 組織體素對(duì)閾值是敏感的，通常都是空間不連續(xù)的而且在時(shí)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(shí)間量的概念以及它在整 個(gè)腎分割的應(yīng)用。通常對(duì)時(shí)間量和MSTV的定義如下：1）時(shí)間量：我們用Vt （10目）來(lái)表示從原始3D體積在時(shí)間點(diǎn)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(shí)間點(diǎn)。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(shí)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(gè)時(shí)間連續(xù)的體素在這 一系列中是時(shí)間連接的，那我們就認(rèn)為這一系列V是一個(gè)時(shí)間量。V的計(jì)數(shù)定義為V 72）最大穩(wěn)定時(shí)間量。j 1如果Vj1, Vj是通過(guò)兩個(gè)時(shí)間閾值j-1和j各自得到的兩個(gè)時(shí)間量，而且 V1jV1 , 一VtVt所以Vj 1是Vj的一'個(gè)子集。V1，,Vjm （1"4）成為一系列的嵌套的時(shí)間量，M是在DCE-MRI圖像數(shù)據(jù)中檢測(cè)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(píng)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(shí)間相鄰的

11、部分在分割后各自保持穩(wěn)定。我們找到一個(gè)可以給V1，,Vj. m提供最大值*sm（ j ）的j *。對(duì)于嵌套時(shí)間量序列的所有的 M ,選一個(gè)可以達(dá)到最大量Sm（ j ）的m*意味著Vj*的基數(shù)和穩(wěn)定性的結(jié)合可以覆蓋一個(gè)很寬的參數(shù)。MSTV的檢測(cè)過(guò)程在偽代碼中。第一，對(duì)于每一個(gè)在時(shí)間t的時(shí)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(mén).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?cè)诨贛STV出現(xiàn)的大部分時(shí)間量選擇體素去形成最初的整個(gè)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(kuò)展，是從 2D到4D在計(jì)算機(jī) 視覺(jué)中的最佳興趣點(diǎn)檢測(cè)器之一。我們提出了一種基于連通域樹(shù)的MSTV檢測(cè)方法并將其應(yīng)用于腎臟分割。我們的 MSTV方法在分割結(jié)果上不受任何形狀的 限制，因此它可以適應(yīng)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(lèi)方法進(jìn)行腎室分割灰質(zhì)髓質(zhì)和腎盂體素的時(shí)間強(qiáng)度曲線(xiàn)是各不相同的。因此，他們可能會(huì)被無(wú)監(jiān)督聚類(lèi)的時(shí)間強(qiáng)度曲線(xiàn)分離開(kāi)。然而，原時(shí)態(tài)數(shù)據(jù)往往具有很高的維度， 這增加 了計(jì)算成本也會(huì)導(dǎo)致數(shù)值問(wèn)題。更重要的是，同一組織的所有體素并不會(huì)在同一 時(shí)間被高亮標(biāo)記，導(dǎo)致屬于同一組織的曲線(xiàn)錯(cuò)位反過(guò)來(lái)導(dǎo)致分類(lèi)錯(cuò)誤。除此之外，在原始時(shí)間數(shù)據(jù)上很多維度是多余的，這些冗余會(huì)稀釋有用的信息并擾亂真實(shí)的 分類(lèi)。為了解決這些問(wèn)題，我們用主要成分分析法去降低時(shí)間數(shù)據(jù)的維度。用一些主要成分去描述在時(shí)間維度上的體素特征

15、。PCA將原始數(shù)據(jù)變換到一個(gè)新的坐標(biāo) 空間，這樣最大的差異就在第一個(gè)坐標(biāo)，第二大的差異就在第二個(gè)坐標(biāo)以此類(lèi)推。 通過(guò)丟棄一些不重要的成分，PCA分析法可以減少動(dòng)態(tài)數(shù)據(jù)的維度并降低噪聲。 除此之外，通過(guò)把幾個(gè)時(shí)間維度線(xiàn)性結(jié)合去形成一種特征維度分析錯(cuò)位就會(huì)避免。 我們實(shí)驗(yàn)的全面的分析結(jié)果是，對(duì)所有實(shí)驗(yàn)的案例至少所有信息的 99.4%來(lái)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(gè)腎的全面信 息，第二到第十種成分分別是內(nèi)部機(jī)構(gòu)的詳細(xì)信息。對(duì)于后面的成分，差異受噪聲影響越來(lái)越明顯?；谖覀兊膶?shí)驗(yàn)研究，我們選擇十種成分去做進(jìn)一步分析。一旦分割腎的體素用這十種成分去代替，應(yīng)用無(wú)監(jiān)督聚類(lèi)

16、將體素分成三組： 灰質(zhì)髓質(zhì)和腎盂。在很多適合的聚類(lèi)方法中，我們?cè)趯?shí)驗(yàn)中選擇了 k均值聚類(lèi)方 法因?yàn)樗?jiǎn)單有效好用。2.3 微調(diào)我們?cè)诘谝徊骄吞岢隽艘粋€(gè)去除噪聲的微調(diào)方法和恢復(fù)由于主成分空間中聚 類(lèi)之間的模糊界限導(dǎo)致的分類(lèi)錯(cuò)誤。這種方法從灰質(zhì)開(kāi)始到髓質(zhì)再到腎盂。首先， 對(duì)在第二步中獲得的灰質(zhì)體素，我們計(jì)算通過(guò)從最大強(qiáng)度中減去注射前的強(qiáng)度得 到它的最大強(qiáng)度增強(qiáng)?；诨屹|(zhì)的體素會(huì)在同一時(shí)間被亮化出來(lái)，我們計(jì)算所有體素在每一個(gè)時(shí)間點(diǎn)的平均強(qiáng)度，選擇強(qiáng)度達(dá)到最大的那個(gè)最大時(shí)間點(diǎn)。 我們把 灰質(zhì)組織被最大亮化的tmax, tmax_1, tmax 1這三個(gè)時(shí)間點(diǎn)作為備選時(shí)刻。然后， MIE就被算出來(lái)了j

17、ccandidaiecortex voxek)在這三個(gè)時(shí)間點(diǎn)，髓質(zhì)和非腎組織的強(qiáng)度和注射前沒(méi)區(qū)別。 因此在這些時(shí)刻，體 素的MIE要小于灰質(zhì)體素因此能被很容易的通過(guò)閾值排除在外。 閾值是通過(guò)Otsu 自動(dòng)選擇的。第二我們?cè)噲D去修復(fù)對(duì)腎灰質(zhì)的誤測(cè)。 對(duì)每一個(gè)非腎灰質(zhì)體素進(jìn)行 空間相鄰測(cè)試。在上一步去除噪聲之后，如果所有的不都被標(biāo)記為灰質(zhì)體素， 我 們?cè)僦匦聫姆悄I灰質(zhì)到灰質(zhì)進(jìn)行標(biāo)記。這種方法也被用到其他兩種組織的分割上。3實(shí)驗(yàn)結(jié)果我們的研究受到了地方機(jī)構(gòu)委員會(huì)的支持，其中有 16個(gè)案例，其中7個(gè)正常 的7個(gè)不正常的，還有兩個(gè)是做過(guò)手術(shù)將髓質(zhì)腎盂摘除的。 圖像數(shù)據(jù)的獲得是通 過(guò)一個(gè) 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(qián)對(duì)病人腎功能損傷的風(fēng)險(xiǎn)，選擇了正常濃度 1/5的錢(qián)作為注射劑，同 時(shí)以3ml/s的注射10ml。圖像數(shù)據(jù)集是通過(guò)呼吸機(jī)控制屏氣次數(shù)得到的， 在大部 分案例中都有足夠的時(shí)間校準(zhǔn)。波紋管呼吸觸發(fā)導(dǎo)致在每?jī)蓚€(gè)呼吸周期的時(shí)間階 段實(shí)施。通過(guò)一個(gè)雙回波極讀出的3DT1加權(quán)梯度的回波序列得到數(shù)據(jù)，我們稱(chēng) 為DISCO的內(nèi)部變密度笛卡爾欠采樣計(jì)劃用于執(zhí)行高時(shí)空分辨率動(dòng)態(tài)MRU。一個(gè)兩點(diǎn)迪克森重建被用于魯棒的脂肪水分離。成像參數(shù)：翻轉(zhuǎn)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(píng)估分割精度，

20、這是一個(gè)被廣泛用來(lái)評(píng)估不同醫(yī) 學(xué)圖像模型分割算法的指標(biāo)。DSC定義為nse（5.G）=2xl5nGI ISI + IGI其中S和G分別表示自動(dòng)和手動(dòng)分割體素。DSC從0到1,在SG 一點(diǎn)不重疊時(shí) 是0, SG完全一致時(shí)取1.我們將我們的方法跟另外三種基線(xiàn)方法比較： 區(qū)域競(jìng)爭(zhēng)，受歡迎的主動(dòng)輪廓法 分割，我們沒(méi)有基于 MSTV的腎分割的方法和我們沒(méi)有 PCA降維方法。我們 用于執(zhí)行在ITK管理單元區(qū)域競(jìng)爭(zhēng)。因?yàn)閰^(qū)域競(jìng)爭(zhēng)最初為2D或3D,但不是4 D,當(dāng)灰質(zhì)、實(shí)質(zhì)及整個(gè)腎似乎分別最大限度地突出顯示時(shí)我們?cè)谶@些時(shí)間點(diǎn) 手動(dòng)選擇3D體積的數(shù)據(jù)。區(qū)域競(jìng)爭(zhēng)被應(yīng)用于每個(gè) 3D體積分割灰質(zhì)、實(shí)質(zhì)和 整個(gè)腎;實(shí)質(zhì)中減掉灰質(zhì)得到髓質(zhì)，整個(gè)腎中減掉實(shí)質(zhì)得到腎盂。表一總結(jié)了四種方法的平均骰子相似系數(shù)。可以得到三個(gè)結(jié)論。第一，大部 分都達(dá)到了 90%以上除了功能紊亂的腎的灰質(zhì) 0.86和腎盂0.69?？赡苁且?yàn)槟I 的疾病導(dǎo)致的體素在空間和時(shí)間域沒(méi)有連續(xù)影響了灰質(zhì)和腎盂組織的亮化顯示。 第二，MSTV和PCA的降維是分割結(jié)果精確的根本和補(bǔ)充，例如，基于 MSTV