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

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)化方法來進(jìn)一步消除分割后的

2、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室的分割問

3、題。作者處理皮質(zhì)分割作為一個(gè)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(shè)計(jì)用來評(píng)估CT數(shù)據(jù)的，因此在DCE MRI圖像的強(qiáng)度時(shí)間過程嵌入的有用的時(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)來描述整個(gè)圖像序列。在 4 和 5，作者采用 k-均值聚類的時(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)腎進(jìn)行分割和功能分

4、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(xué)習(xí)腎平均形狀和模型通過主動(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，由于腎的高度復(fù)雜性和形狀易變性，腎各部分的結(jié)構(gòu)

5、相比于整個(gè)腎來說對(duì)模型的挑戰(zhàn)性更大，對(duì)紊亂的腎來說更明顯。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。 （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。（2）左邊下圖：通過閾值分割。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。 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(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。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)周圍組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(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

7、類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，腎臟及其周圍組織之間的對(duì)比強(qiáng)度逐漸增強(qiáng)（圖1的左上方可以看到）。在注射之后通過閾值法填涂一個(gè)3D的體積，分割的腎體素具有三個(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

8、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（1tT）來表示從原始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，好于通常分割體素的(是80%)我們定義，（1t-1tT）是時(shí)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(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)為這一系列是一個(gè)

9、時(shí)間量。的計(jì)數(shù)定義為2) 最大穩(wěn)定時(shí)間量。 如果，是通過兩個(gè)時(shí)間閾值j-1和j各自得到的兩個(gè)時(shí)間量，而且，所以是的一個(gè)子集。（1mM）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： (1)評(píng)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(shí)間相鄰的部分在分割后各自保持穩(wěn)定。我們找到一個(gè)可以給提供最大值的。對(duì)于嵌套時(shí)間量序列的所有的M，選一個(gè)可以達(dá)到最大量的意味著的基數(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)，用所有可能的閾值第三，我們?cè)诨贛STV出現(xiàn)的大部分時(shí)間量選擇體

10、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。2.2第二步PCA-K均值聚類方法進(jìn)行腎室分割 灰質(zhì)髓質(zhì)和腎盂體素的時(shí)間強(qiáng)度曲線是各不相同的。因此，他們可能會(huì)被無監(jiān)督聚類的時(shí)間強(qiáng)度曲線分離開。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錯(cuò)位反過來導(dǎo)致分類錯(cuò)

11、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。 為了解決這些問題，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。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)以此類推。通過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，通過把幾個(gè)時(shí)間維度線性結(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

12、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越明顯。基于我們的實(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)用無監(jiān)督聚類將體素分成三組：灰質(zhì)髓質(zhì)和腎盂。在很多適合的聚類方法中，我們?cè)趯?shí)驗(yàn)中選擇了k均值聚類方法因?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之間的模糊界限導(dǎo)致的分類錯(cuò)誤。這種方法從灰質(zhì)開始到髓質(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)。基于灰質(zhì)的體素會(huì)在同一時(shí)間被亮化出來，我們計(jì)算所有體素在每一個(gè)時(shí)間點(diǎn)的

13、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，這三個(gè)時(shí)間點(diǎn)作為備選時(shí)刻。然后，MIE就被算出來了在這三個(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閾值排除在外。閾值是通過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)是做過手術(shù)將髓質(zhì)

14、腎盂摘除的。圖像數(shù)據(jù)的獲得是通過一個(gè)3.0T GE MR750系統(tǒng)。為了減少釓對(duì)病人腎功能損傷的風(fēng)險(xiǎn)，選擇了正常濃度1/5的釓作為注射劑，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，F(xiàn)OV=340*340mm，總共切片34片，切片厚度

15、4mm。 我們用骰子相似系數(shù)DSC去評(píng)估分割精度，這是一個(gè)被廣泛用來評(píng)估不同醫(yī)學(xué)圖像模型分割算法的指標(biāo)。DSC定義為 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(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)

16、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)?？梢缘玫饺齻€(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對(duì)整個(gè)腎的分割實(shí)現(xiàn)了從14%到59%的提高，基于PCA降維實(shí)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(shù)比區(qū)域競(jìng)爭(zhēng)模型分割要高9%51%。我們認(rèn)為這種方法表現(xiàn)不好是因?yàn)樵诠嘧⒃煊皠r(shí)的高度變化。盡管我在不同的灌注階段手動(dòng)選擇了最相關(guān)的體積，從一個(gè)單一的圖像序列區(qū)分腎內(nèi)部的結(jié)構(gòu)仍然是具有挑戰(zhàn)性的，圖4展示了圖像序列和相應(yīng)的手動(dòng)標(biāo)記和我們的方法的分割結(jié)果。 4結(jié)論和進(jìn)一步的工作 我們提出了一個(gè)基于DCE-MRI圖像的腎的自動(dòng)分割方法。第一步是基于MSTV檢測(cè)的整個(gè)腎的分割，MSTV是一個(gè)集合了空間和時(shí)