，

(1.Department of Biomedical Engineering, School of Basic Medical Science, Central SouthUniversity,Changsha 410083, China; 2.School of Clinical Medicine, ShaoyangUniversity, Shaoyang 422000, China)

Automatic infant brain segmentation based on diffusion tensor imaging

WANGLin1,2，YUGang1*

(1.DepartmentofBiomedicalEngineering,SchoolofBasicMedicalScience,CentralSouthUniversity,Changsha410083,China; 2.SchoolofClinicalMedicine,ShaoyangUniversity,Shaoyang422000,China)

Objective To investigate the feasibility and value of automatic segmentation of infant brain images based on diffusion tensor image (DTI). Methods A method of segmentation of infant brain based on DTI images was proposed. The method was mainly included two stages： ①Extracting the cerebrospinal fluid (CSF) using the distribution of water; ②Extracting the white matter (WM) adopting the anisotropic diffusion of water in neurons, followed by distinguishing the gray matter (GM) component. Results Through the feature selection method designed in this study, the effective DTI feature combination was selected. The first step was to extract CSF with mean diffusity (MD) and the third eigenvalue (L3), and the second step was to extract WM and GM with fractional anisotropy (FA) and the L3. The highest average similarity was obtained by the two steps. The two-step segmentation could be successfully performed in infant brain image segmentation and satisfied with the split effect. Conclusion The automatic segmentation of infant brain based on DTI in this study is reasonable and feasible, and has high segmentation accuracy.

Infant； Child； Magnetic resonance imaging； Diffusion tensor imaging； Brain segmentation

精確、自動地大腦分割技術(shù)可應(yīng)用于嬰幼兒大腦損傷、腦功能重塑、大腦發(fā)育的相關(guān)認(rèn)知科學(xué)研究。盡管常規(guī)MR圖像在形態(tài)上的分辨率較高，但仍存在諸多缺陷，如偏場、噪聲和容積效應(yīng)等，對大腦分割提出很大挑戰(zhàn)。大腦分割包括參數(shù)化及非參數(shù)化方法。多數(shù)參數(shù)化方法假設(shè)腦MR圖像服從高斯分布，運(yùn)用最大后驗概率、最大似然函數(shù)或最大期望法進(jìn)行算法優(yōu)化。為降低噪聲，這些方法經(jīng)常與分割框架相結(jié)合，如局部統(tǒng)計[1]、水平集[2]、馬爾科夫[3]、隱藏馬爾科夫鏈[4]等。非參數(shù)方法，如模糊分割[5]，其優(yōu)點是可收斂到穩(wěn)定解。其中，隱馬爾科夫隨機(jī)場(hidden Markov random field， HMRF)與最大期望法具有良好的抗噪性能，能同步估計MR的偏場，是當(dāng)前主流的大腦分割方法[6]。然而，現(xiàn)有的大腦圖像分割方法所應(yīng)用的先驗知識幾乎均基于成人大腦，且輸入數(shù)據(jù)多采用T1或T2加權(quán)的結(jié)構(gòu)圖像。生長發(fā)育過程中嬰幼兒大腦形態(tài)和功能時刻發(fā)生變化，常規(guī)MR圖像對這些信息并不敏感。同時，由于缺少理想的嬰幼兒大腦圖譜，無法依據(jù)圖譜改善分割，采用成人大腦分割方法分割嬰幼兒大腦圖像誤差較大。近年來，Dai等[7]提出嬰幼兒大腦的縱向分割方法，該方法對數(shù)據(jù)集要求高，需要不同時間點(如0～2歲)多次重復(fù)采集的大腦圖像來改善分割結(jié)果，同時以結(jié)構(gòu)圖像為主，僅利用擴(kuò)散張量成像(diffusion tensor imaging， DTI)的各向異性分?jǐn)?shù)(fractional anisotropy， FA)圖像，因此不適合通常的嬰幼兒數(shù)據(jù)集。DTI能夠跟蹤大腦水分子的擴(kuò)散，相對于單純結(jié)構(gòu)圖像可更敏感地反映大腦連接的細(xì)微改變。本研究基于DTI圖像，進(jìn)行特征選擇，將分割步驟分為2步，建立了一種嬰幼兒的大腦分割方法。

1 原理與方法

1.1 數(shù)據(jù)集從專向研究 嬰幼兒發(fā)育的數(shù)據(jù)庫——C-MIND(Cincinnati MR Imaging of NeuroDevelopment)數(shù)據(jù)庫下載數(shù)據(jù)集。隨機(jī)選取10個年齡在1～2歲兒童的樣本，男、女各5名，平均年齡(1.5±0.2)歲。DTI掃描b值為 1 000 s/mm2，采集61個梯度方向，矩陣112×112，分辨力為2 mm×2 mm×2 mm，共60層(覆蓋全腦)。

1.2DTI數(shù)據(jù)預(yù)處理 對每個樣本的DTI圖像，均首先進(jìn)行渦流(eddy)校正。DTI圖像在不同梯度方向扭曲的程度不同，渦流校正可校正這些扭曲。對頭部的渦流校正，可應(yīng)用仿射變換，配準(zhǔn)至1個參考層面[8]。采用BET(Brain Extraction Tool)算法，提取大腦模板，去除非腦組織[9]。而后利用擴(kuò)散模型，獲得DTI的各參數(shù)圖，包括FA、平均擴(kuò)散率(mean diffusity， MD)、擴(kuò)散張量的3個特征值(L1、L2、L3，L1>L2>L3)及特征向量(V1、V2、V3)、原始T2信號(S0)和各向異性模型(mode of the anisotropy， MO)[10]。

1.3 特征選取 DTI的各項參數(shù)可反映大腦水分子擴(kuò)散的特性。大腦中的腦脊液(cerebrospinal fluid， CSF)、白質(zhì)(white matter， WM)和灰質(zhì)(grey matter， GM)具有不同的擴(kuò)散特征，DTI的參數(shù)圖像可用于區(qū)分這3種組織。因此，將DTI的所有參數(shù)作為候選的特征集合，進(jìn)行分割，從中挑選出區(qū)分能力最強(qiáng)的特征組合。

(1)

(2)

其中，U(x)為勢能函數(shù)，z為劃分函數(shù)。假設(shè)圖像亮度符合高斯分布，對1個體素i，類別xi=，其對應(yīng)的yi的條件概率可表示為：

(3)

假定圖像中各體素的條件概率都是獨(dú)立的，可得：

P(y|x)=Πi∈Sp(yi|xi)=Πi∈S

(4)

取對數(shù)，去除常數(shù)項后可得：

U(y|x)=∑i∈SU(yi|xi)=∑i∈S

(5)

同時對先驗概率P(x)取對數(shù)，可得：

logP(x|y)∞U(x|y)

(6)

其中，U(x|y)=U(y+x)+U(x)+constant，即為后驗概率能量。公式(1)相當(dāng)于求解下式：

(7)

公式(7)可用最大期望法求解。輸入DTI的參數(shù)圖像，可方便擴(kuò)展到多模態(tài)圖像的分割。

在上述特征中，采用前向選擇的方法，即逐個以單獨(dú)特征進(jìn)行分割，而后添加特征，應(yīng)用2、3個特征組合，再次進(jìn)行分割。計算分割的精確度，選取精度最高的特征組合，用于進(jìn)一步圖像分割。

采用不同特征組合，計算3種組織(CSF、WM、GM)分割時的平均相似性。其中，MD和L3為組合特征時，提取的CSF最精確(平均相似性為0.95)，但分割WM與GM的精確度不理想(平均相似性分別為0.83和0.78)，見表1。由于一步完成對3種組織的分割不能同時精確提取WM及GM，因此，去除參數(shù)圖像中的CSF后，對剩余體素再行WM與GM的分割。再次重復(fù)特征選擇后，獲得適合分割WM與GM的特征集為FA和L3(平均相似性均為0.91)，見表2。

1.4 分割方法 由特征選取結(jié)果可知，將圖像分割分為2步可獲得更高的精確度。進(jìn)行圖像分割時，第1步將MD和L3圖像輸入數(shù)據(jù)，利用2個通道的HMRF方法，進(jìn)行對3種組織(CSF、WM、GM)的分割，提取出CSF成分(圖1)。第2步分割使用FA和L3圖像，分割前從FA和L3圖像中去除第1步分割得到的CSF體素，對只包含WM及GM的圖像應(yīng)用HMRF方法進(jìn)行WM和GM的分割(圖2)。

圖1 第1步分割的流程圖

圖2 第2步分割的流程圖

2 結(jié)果

采用C-MIND數(shù)據(jù)庫的10個樣本，以不同的特征集作為輸入數(shù)據(jù)，進(jìn)行分割。同時，手動分割這些樣本，獲得參考的分割結(jié)果。通過平均相似性評估算法結(jié)果和參考結(jié)果的差異。

平均相似性反映參考分割和算法分割得到區(qū)域的重疊程度，定義如下：

其中，Vg,i和VS,i分別表示第i個樣本的參考分割和算法分割取得的像素集合，χ2是數(shù)據(jù)集的大小。相似性準(zhǔn)則越接近1，其分割的精確度越高。

采用前向選擇的方式，依次添加特征，嘗試進(jìn)行分割。第1次特征選取中，進(jìn)行3類分割(CSF、WM、GM)，1～3個特征的選取結(jié)果見表1。特征向量(V1、V2、V3)及含有特征向量的集合其平均相似性過低，僅為0.1～0.3，在表1中未列出。其中以MD和L3為組合特征，提取CSF的平均相似性最高。由于第1次特征選取未獲理想的WM及GM分割結(jié)果，去除CSF成分后再進(jìn)行第2次特征選取，對GM和WM進(jìn)行2類分割的結(jié)果見表2。其中以FA和L3為組合特征分割WM和GM的平均相似性均高達(dá)0.91。

表1 第1次特征選取分割CSF、GM和WM的平均相似性

經(jīng)2步分割，可獲得滿意的嬰幼兒大腦圖像分割效果。以10個樣本的其中1個樣本為例，其大腦圖像分割結(jié)果見圖3。DTI圖像經(jīng)預(yù)處理后(圖3A～3C)，獲得FA、MD和L3圖像，選擇MD和L3作為第1步分割的特征提取CSF(圖3D)，以FA和L3作為第2步分割的特征提取WM(圖3E)和GM(圖3F)，分割效果滿意。

表2 第2次特征選取分割GM和WM的平均相似性

圖3 DTI參數(shù)圖和腦分割結(jié)果 A.FA圖； B.MD圖； C.L3圖； D.CSF分割圖； E.WM分割圖； F.GM分割圖

3 討論

嬰幼兒大腦處于快速發(fā)育過程中，明顯區(qū)別于成人大腦。目前大多數(shù)腦分割算法是基于成人大腦的先驗知識，且一般為T1WI或T2WI圖像。DTI技術(shù)能夠精確跟蹤大腦的水分子擴(kuò)散分布，CSF、WM和GM具有不同的擴(kuò)散特征，因此DTI可為大腦分割提供可能的數(shù)據(jù)集。

DTI圖像經(jīng)預(yù)處理后，可得到若干參數(shù)圖，在進(jìn)行嬰幼兒大腦圖像分割前需確定哪些參數(shù)對大腦不同組織具有最好的可區(qū)分性。因此，本研究采用前向選擇的方式，嘗試用不同的特征集測試分割的精確度。本研究表明，以MD和L3為組合特征對CSF的區(qū)分能力最強(qiáng)。CSF的主要成分為水，MD、L3與水的擴(kuò)散能力密切相關(guān)[10]，因此具有較高的CSF區(qū)分能力，但這2個參數(shù)不利于發(fā)現(xiàn)水?dāng)U散的各向異性，即不利于發(fā)現(xiàn)WM成分。本研究結(jié)果也證明，MD和L3不能精確提取WM和GM。

本研究中，在去除CSF后，對剩余的WM和GM進(jìn)行分割，結(jié)果顯示以FA和L3為組合特征來區(qū)分WM及GM的能力最強(qiáng)，分析原因為WM主要由神經(jīng)纖維組成，水分子表現(xiàn)出明顯各向異性的擴(kuò)散特征，利用帶有FA特征的組合提高對WM的分割精確度，但當(dāng)特征集攜帶的特征較多時，則可能出現(xiàn)過擬合，反而降低分割精度。

本研究選用DTI圖像為數(shù)據(jù)集，無需多個時間點的數(shù)據(jù)，相比于多模態(tài)、縱向數(shù)據(jù)的分割方法，對數(shù)據(jù)集的要求較低，更適合于臨床應(yīng)用。本研究數(shù)據(jù)分割方法的主要缺點為僅基于數(shù)據(jù)本身進(jìn)行分割，缺少關(guān)于大腦組織的先驗知識，不能借助這些知識改善圖像分割結(jié)果。同時，本研究限于以手動分割結(jié)果作為標(biāo)準(zhǔn)，樣本數(shù)量較少，所得嬰幼兒大腦圖像自動分割結(jié)果還需在更大數(shù)據(jù)集基礎(chǔ)上進(jìn)行驗證。

總之，本研究提出的一種基于DTI的嬰幼兒大腦圖像分割方法合理、可行，具有較高的分割精確度。

[1] Wong A, Mishra AK. Quasi-Monte Carlo estimation approach for denoising MRI data based on regional statistics. IEEE Trans Biomed Eng, 2011,58(4):1076-1083.

[2] Dera D， Bouaynaya N， Fathallahshaykh HM. Level set segmentation using non-negative matrix factorization of brain MRI images. Washington： IEEE， 2015:382-387.

[3] Scherrer B, Forbes F, Garbay C,et al. Distributed local MRF models for tissue and structure brain segmentation. IEEE Trans Med Imaging, 2009,28(8):1278-1295.

[4] Bricq S, Collet CH, Armspach JP. Unifying framework for multimodal brain MRI segmentation based on hidden Markov chains. Med Image Anal, 2008,12(6):639-652.

[5] Yu G, Gao Y, Zhang M, et al. Topology-based nonlocal fuzzy segmentation of brain MR image with inhomogeneous and partial volume intensity. J Clin Neurophysiol, 2012,29(3):278-286.

[6] Zhang Y, Brady M, Smith S. Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm. IEEE Trans Med Imaging, 2001,20(1):45-57.

[7] Dai Y, Shi F, Wang L. iBEAT: A toolbox for infant brain magnetic resonance image processing. Neuroinformatics, 2013,11(2):211-225.

[8] Behrens TE, Woolrich MW, Jenkinson M, et al. Characterization and propagation of uncertainty in diffusion-weighted MR imaging. Magn Reson Med, 2003,50(5):1077-1088.

[9] Smith SM. Fast robust automated brain extraction. Hum Brain Mapp, 2002,17(3):143-155.

[10] Tofts P. Quantitative MRI of the Brain. Chichester:Wiley, 2003:203-256.

消 息

《中國醫(yī)學(xué)影像技術(shù)》作者投稿請登錄本刊網(wǎng)站(www.cjmit.com)主頁，點擊左上角“作者登錄”進(jìn)入，第一次投稿需完成作者注冊；專家審稿請點擊“審稿登錄”進(jìn)入。

為了便于廣大作者、讀者查閱本刊文獻(xiàn)，本站提供從1985年起的過刊和現(xiàn)刊的全文檢索。

湖南省教育廳科研項目基金(14C1042)。

王林(1985—)，男，湖南邵陽人，在讀碩士，講師。研究方向：醫(yī)學(xué)成像及圖像處理。E-mail: 372532577@qq.com

喻罡，中南大學(xué)基礎(chǔ)醫(yī)學(xué)院生物醫(yī)學(xué)工程系，410083。E-mail: yugang.2000@163.com

2016-10-26

2017-05-25

基于擴(kuò)散張量成像的嬰幼兒大腦圖像自動分割

王 林1,2，喻 罡1*

(1.中南大學(xué)基礎(chǔ)醫(yī)學(xué)院生物醫(yī)學(xué)工程系，湖南 長沙 410083；2.邵陽學(xué)院臨床醫(yī)學(xué)系，湖南 邵陽 422000)

目的 探討基于擴(kuò)散張量成像(DTI)的嬰幼兒大腦圖像自動分割方法的可行性及價值。方法 提出一種基于DTI圖像的嬰幼兒大腦的分割方法。該方法主要分為2個階段：①利用水的分布，提取腦脊液(CSF)；②利用水在神經(jīng)元中的各向異性擴(kuò)散，提取白質(zhì)(WM)，繼以區(qū)分灰質(zhì)(GM)成分。結(jié)果 通過本研究設(shè)計的特征選取方法可篩選出有效的DTI特征組合。第1步以平均擴(kuò)散率(MD)和第3個特征值(L3)為組合特征提取CSF，第2步以各向異性分?jǐn)?shù)(FA)和L3為組合特征提取WM和GM，可獲得最高的平均相似性。經(jīng)2步分割可成功進(jìn)行嬰幼兒大腦圖像分割并獲得滿意的分割效果。結(jié)論 基于DTI的嬰幼兒大腦圖像自動分割方法合理、可行，具有較高的分割精確度。

嬰兒；兒童；磁共振成像；擴(kuò)散張量成像；大腦分割

R445.2

A

1003-3289(2017)08-1264-05

10.13929/j.1003-3289.201610121