夏 瑞，馬 瑜，王文娜，羅宇卓，尚夢(mèng)玉

(寧夏大學(xué) 物理與電子電氣工程學(xué)院，寧夏 銀川 750021)

0 引 言

阿爾茲海默癥[1](Alzheimer’s disease，AD)的醫(yī)學(xué)診斷表現(xiàn)為顳中回萎縮，海馬萎縮是阿爾茲海默癥早期診斷的標(biāo)志。研究人腦核磁共振(MR)圖像中海馬體的分割，有助于醫(yī)生了解患者海馬體病變狀況，同時(shí)益于醫(yī)生結(jié)合分割結(jié)果給出的定位信息精確地執(zhí)行手術(shù)計(jì)劃。

由于人腦結(jié)構(gòu)的復(fù)雜性以及腦組織結(jié)構(gòu)圖像低對(duì)比度等原因，傳統(tǒng)分割方法不易得到精確分割結(jié)果?；诙鄨D譜配準(zhǔn)的分割方法利用多個(gè)圖譜的先驗(yàn)知識(shí)，降低單一圖譜配準(zhǔn)產(chǎn)生的不確定性以及誤差，得到的分割精確度更高。三維醫(yī)學(xué)圖像配準(zhǔn)分割技術(shù)，得到的分割結(jié)果能為診斷提供豐富的信息，缺點(diǎn)是需要較長(zhǎng)的計(jì)算時(shí)間。因此，本文提出基于重采樣改進(jìn)的多圖譜配準(zhǔn)方法，兩次提取感興趣區(qū)域(region of interest，ROI)，并改進(jìn)標(biāo)簽融合算法，有效提高配準(zhǔn)時(shí)間效率，同時(shí)保持較高配準(zhǔn)精度。

1 基于多圖譜配準(zhǔn)的海馬體分割方法

1.1 圖譜圖像重采樣原理

傳統(tǒng)的多圖譜配準(zhǔn)算法大多采用“粗精”混合的配準(zhǔn)方法，先采用全局剛性配準(zhǔn)進(jìn)行圖譜與目標(biāo)圖像的對(duì)齊，縮小兩者之間的差異，再通過(guò)精細(xì)的非剛性配準(zhǔn)得到精確的配準(zhǔn)結(jié)果。直接用精細(xì)配準(zhǔn)無(wú)法使得兩幅圖像很好地對(duì)齊，而非剛性配準(zhǔn)過(guò)程要求圖譜圖像與目標(biāo)圖像具有相同的空間采樣點(diǎn)和采樣點(diǎn)空間距離，可對(duì)齊兩幅圖像。

由于3D醫(yī)學(xué)圖像具有巨大的數(shù)據(jù)量，圖像之間的配準(zhǔn)過(guò)程消耗計(jì)算時(shí)間過(guò)長(zhǎng)，因此“粗精”混合的配準(zhǔn)方法不能同時(shí)達(dá)到高精度、高時(shí)間效率的要求?；谝陨显?，本文提出利用重采樣的方法代替“粗”配準(zhǔn)階段，重采樣過(guò)程包括輸入圖像、變換和校對(duì)機(jī)，圖像的空間坐標(biāo)通過(guò)變換進(jìn)行映射以便生成一個(gè)新的圖像。

一幅圖像是使用離散網(wǎng)格對(duì)連續(xù)場(chǎng)的采樣，重采樣就是基于灰度的圖像配準(zhǔn)的本質(zhì)。重采樣具有和“粗”配準(zhǔn)一樣可以達(dá)到圖譜圖像與目標(biāo)圖像對(duì)齊的目的，使圖譜圖像和目標(biāo)圖像有相同的空間采樣點(diǎn)和采樣點(diǎn)空間距離，同時(shí)減少了“粗”配準(zhǔn)環(huán)節(jié)所需時(shí)間。在重采樣過(guò)程中，當(dāng)圖像從一個(gè)空間到另一個(gè)空間的映射需要在非網(wǎng)格位置進(jìn)行操作時(shí)，校對(duì)機(jī)用于計(jì)算非網(wǎng)格位置的亮度值。變換用來(lái)映射點(diǎn)坐標(biāo)，包括旋轉(zhuǎn)、縮放、平移等，本文采用的變換是仿射變換。重采樣從參考圖像獲得輸出信息，根據(jù)提供的參考圖像，使用參考圖像的間距、原點(diǎn)和方向?qū)Υ蓸訄D像進(jìn)行映射。進(jìn)行重采樣后，調(diào)整了浮動(dòng)圖像和參考圖像采樣點(diǎn)不一致的問(wèn)題，并且圖像的尺寸大小得到矯正。

重采樣操作使參考圖像與浮動(dòng)圖像具有同樣的各向同性采樣率，圖譜圖像與目標(biāo)圖像大小、中心達(dá)到一致，為后續(xù)進(jìn)行非剛性配準(zhǔn)做好準(zhǔn)備。圖1是一個(gè)簡(jiǎn)單重采樣的原理圖，重采樣涉及從原始圖像中提取像素的位置、插值灰度級(jí)，并將其重定位到校正圖像中的近似矩陣坐標(biāo)位置。內(nèi)插的方法包括最近鄰，雙線性插值和立方卷積。如圖1所示，第一行是原圖像素空間采樣點(diǎn)、采樣空間大小示意圖，第二行是對(duì)圖像像素進(jìn)行重采樣，改變?cè)c(diǎn)坐標(biāo)且采樣空間大小為原來(lái)的兩倍的圖示。

圖1 重采樣原理

1.2 微分同胚Demons配準(zhǔn)算法

傳統(tǒng)Demons算法，空間變換的復(fù)合運(yùn)算使用向量加法來(lái)近似，然而，圖像配準(zhǔn)中用到的大多數(shù)空間變換形成的是李群，而不是向量空間。同時(shí)，傳統(tǒng)Demons算法不能到可逆變形場(chǎng)，易引起局部形變折疊。而微分同胚是可逆的光滑映射，微分同胚Demons算法[2-5]，能夠保證圖像的拓?fù)浣Y(jié)構(gòu)在配準(zhǔn)前后保持不變，光滑且連續(xù)，并防止引入形變折疊，對(duì)大小形變都適用，在缺少可用的空間變換信息時(shí)，是很好的配準(zhǔn)框架。

微分同胚Demons算法，利用公式c←s°exp(u)在李群中對(duì)幾何變換s進(jìn)行更新。微分同胚Demons算法的目標(biāo)能量函數(shù)為

(1)

其中，變形場(chǎng)u是一個(gè)稠密速度場(chǎng)

(2)

微分同胚Demons算法的實(shí)現(xiàn)過(guò)程：

步驟2 對(duì)u進(jìn)行流體正則化，即u←Kfluid*u；

步驟3 利用牛頓方法計(jì)算李群得到的exp(u)，計(jì)算c←s°exp(u)；

步驟4 對(duì)s進(jìn)行擴(kuò)散正則化，s←Kdiff*s。

1.3 多分辨率配準(zhǔn)

多分辨率配準(zhǔn)[6]是在不同分辨率條件下用不同的比例進(jìn)行配準(zhǔn)，并且上一級(jí)的配準(zhǔn)結(jié)果用作下一級(jí)配準(zhǔn)的輸入，直到達(dá)到最好的比例范圍。多分辨率配準(zhǔn)能夠提高配準(zhǔn)的成功率，并且在粗糙比例時(shí)消除局部噪聲。多分辨率配準(zhǔn)框架如圖2所示，參考圖像和浮動(dòng)圖像被視為兩個(gè)圖像金字塔，金字塔根據(jù)用戶定義的收放因數(shù)來(lái)進(jìn)行平滑和二次采樣圖像。

圖2 多分辨率配準(zhǔn)處理概念

本文將多分辨率配準(zhǔn)思想加入到微分同胚配準(zhǔn)過(guò)程中，既提高了配準(zhǔn)的精確度，又降低了配準(zhǔn)的時(shí)間。

1.4 基于非局部圖像塊相似性的加權(quán)選擇算法

多圖譜配準(zhǔn)得到的形變結(jié)果傳遞到圖譜相應(yīng)的標(biāo)記圖像，即可得到相應(yīng)的分割結(jié)果，再將多個(gè)圖譜的分割結(jié)果進(jìn)行融合得到一個(gè)綜合的分割結(jié)果。當(dāng)前研究較為成熟的標(biāo)簽融合算法有：加權(quán)選擇算法、STAPLE算法、COLLATE算法等。本文以K近鄰搜索算法對(duì)加權(quán)選擇算法進(jìn)行改進(jìn)，并在融合階段再次提取ROI，使融合算法運(yùn)行更高效。

1.4.1 加權(quán)選擇標(biāo)簽融合算法

簡(jiǎn)單加權(quán)選擇算法[7,8](majority voting)考慮大多數(shù)分割結(jié)果在該采樣點(diǎn)是否存在，如果大多數(shù)分割結(jié)果在該點(diǎn)的像素值為1，那么判定該點(diǎn)為分割結(jié)果。該算法不需要先驗(yàn)知識(shí)，對(duì)每個(gè)像素進(jìn)行選擇，假設(shè)圖譜與目標(biāo)圖像進(jìn)行配準(zhǔn)，并將形變向量傳遞給標(biāo)記圖像后，圖譜表示為Ai,Li，對(duì)于空間中的每一個(gè)位置x，目標(biāo)圖像的分割結(jié)果為

(3)

(4)

其中，i為圖譜的個(gè)數(shù)，Ltarget(x)表示在位置x處的目標(biāo)圖像的標(biāo)簽像素。

改進(jìn)后的加權(quán)選擇算法，充分考慮到傳統(tǒng)融合算法中未用到圖譜灰度圖像中信息這個(gè)缺陷，得到如下的融合公式

(5)

(6)

其中，權(quán)重系數(shù)Wi是目標(biāo)圖像與形變后圖譜灰度圖像的相似性，一般為歸一化互信息(NMI)、歸一化互相關(guān)系數(shù)(NCC)、平均誤差平方和(MSD)。融合算法中引入了圖譜灰度圖像的先驗(yàn)信息，在一定程度上能夠減小誤差，得到更準(zhǔn)確的融合結(jié)果。

為了更精確地應(yīng)用目標(biāo)圖像與圖譜灰度圖像的先驗(yàn)信息，一些學(xué)者研究了基于局部塊相似性的加權(quán)融合算法，其思想是，在計(jì)算相似性時(shí)，將圖像中每個(gè)體素用以該體素為中心的一個(gè)圖像塊來(lái)代替，圖譜圖像塊與目標(biāo)圖像塊之間的相似性越高，則其擁有相同標(biāo)簽的概率越大

(7)

(8)

υ(x)是目標(biāo)圖像在位置x處的標(biāo)簽值，W(x,xs)是以x為中心的目標(biāo)圖像塊與第s個(gè)圖譜中以x為中心的圖譜圖像塊的相似性，Lxs是第s個(gè)圖譜中在位置x處的標(biāo)簽值，h是局部適應(yīng)參數(shù)。

考慮到配準(zhǔn)可能產(chǎn)生誤差，為了減弱這種誤差對(duì)融合結(jié)果的影響，Pierrick Coupe等[9]研究了基于非局部塊相似性的加權(quán)選擇算法，克服了局部塊加權(quán)的缺點(diǎn)，通過(guò)在對(duì)應(yīng)塊的鄰域進(jìn)行搜索，增加了圖像信息，來(lái)計(jì)算相似性

(9)

(10)

V是圖譜在位置x處的一個(gè)搜索鄰域塊，Lxs,j是第s個(gè)圖譜在搜素鄰域V中位置j處的標(biāo)簽，W(x,xs,j)代表以x中心的目標(biāo)圖像塊與以xs,j為中心的圖譜圖像塊的相似性。

對(duì)于目標(biāo)圖像的同一個(gè)體素x，對(duì)應(yīng)的圖譜圖像增加了塊的搜索范圍，則搜素鄰域內(nèi)圖像塊的個(gè)數(shù)變多，將相似度較低的塊的權(quán)重直接置為0，可以排除不相似塊對(duì)整體權(quán)重的影響。Pierrick Coupe等[9]在計(jì)算權(quán)重時(shí)，選擇如下相似性公式對(duì)圖譜塊進(jìn)行預(yù)選

(11)

其中，μ和σ是在位置x處目標(biāo)圖像塊的均值和方差，μs,j和σs,j是第s個(gè)圖譜在x的搜素鄰域中位置j處的圖譜圖像塊的均值和方差。s值越大，兩個(gè)塊越相似，當(dāng)s小于預(yù)先設(shè)定的閾值時(shí)，舍棄與該s對(duì)應(yīng)的圖譜塊，不進(jìn)行權(quán)重計(jì)算。

1.4.2 基于K近鄰搜索的加權(quán)選擇融合算法

為了提高基于非局部塊加權(quán)融合算法的效率，本文進(jìn)行了更深入的研究，通過(guò)引入K近鄰搜索算法，快速搜索圖像塊的k個(gè)近鄰，只用k個(gè)非局部塊來(lái)進(jìn)行局部加權(quán)。

K近鄰搜索算法是一種有監(jiān)督的學(xué)習(xí)分類算法。對(duì)于一個(gè)樣本，尋找與它最相近的k個(gè)鄰居樣本。實(shí)現(xiàn)K近鄰搜索算法可以用kd-tree或VP-tree。

k-d樹(shù)(k-dimensional樹(shù)的縮寫)是一種對(duì)K維空間中的實(shí)例點(diǎn)進(jìn)行存儲(chǔ)以方便對(duì)齊進(jìn)行快速檢索的樹(shù)形數(shù)據(jù)結(jié)構(gòu)，k-d樹(shù)可以用于多維空間關(guān)鍵數(shù)據(jù)的搜索，例如范圍搜索和最近鄰搜索。

最簡(jiǎn)單的最近鄰搜索，也稱為窮舉搜索，依次計(jì)算樣本集中每個(gè)實(shí)例點(diǎn)到目標(biāo)點(diǎn)的距離，然后取最小距離的那個(gè)點(diǎn)。當(dāng)樣本集較大時(shí)，這種策略非常耗時(shí)。對(duì)于大規(guī)模的高維數(shù)據(jù)空間，kd-tree是一種有效的快速搜素方法。利用kd-tree搜索最相近的k個(gè)數(shù)據(jù)點(diǎn)，減少了搜索全部數(shù)據(jù)點(diǎn)的計(jì)算量。

因此，本文將權(quán)重公式改寫如下

(12)

xs,j∈K表示xs,j在x的搜索鄰域V中，并且是x的k個(gè)近鄰，這樣這個(gè)圖像塊才被進(jìn)行權(quán)重計(jì)算。由于非局部塊加權(quán)融合算法增加了搜索范圍，導(dǎo)致圖像塊的數(shù)量增加，加入K近鄰搜素算法，只使用最近的k個(gè)非局部塊來(lái)進(jìn)行局部加權(quán)，大大減少了計(jì)算量，提高了融合算法的效率。

下面是基于K近鄰搜素的非局部塊加權(quán)融合算法實(shí)現(xiàn)過(guò)程：

步驟1 標(biāo)注所有配準(zhǔn)形變之后的圖譜標(biāo)記圖像的連通區(qū)域，獲得包含所有標(biāo)注區(qū)域的一個(gè)區(qū)域塊

Vo=V1∪V2∪…Vn

步驟2 根據(jù)步驟1中計(jì)算得到的立方區(qū)域塊Vo的大小裁剪目標(biāo)圖像T得到TROI，以及圖譜圖像Ai,Li其,中i=1,2,…,N為參與配準(zhǔn)的圖譜數(shù)量，得到AROI,LROI；

步驟3 K近鄰搜素算法對(duì)圖譜塊進(jìn)行預(yù)選，剔除與目標(biāo)圖像塊相差較大的圖譜塊，減少更多的計(jì)算量；

步驟4 構(gòu)建概率圖譜，獲得最終的分割結(jié)果。

1.5 分割結(jié)果的評(píng)價(jià)

圖像分割結(jié)果的好壞需要評(píng)價(jià)標(biāo)準(zhǔn)來(lái)進(jìn)行衡量。主觀評(píng)價(jià)即觀察者主觀視覺(jué)觀察，易受環(huán)境等因素影響和觀察者的主觀認(rèn)知影響。常用的客觀評(píng)價(jià)方法為相似性測(cè)度(Dice)，計(jì)算兩個(gè)二值分割圖像的重疊程度，式(13)來(lái)評(píng)價(jià)目標(biāo)圖像的專家手動(dòng)分割結(jié)果SF和浮動(dòng)圖像分割結(jié)果SM重疊的部分

(13)

∩表示兩個(gè)集合的交集。相似性測(cè)度因子d取值范圍是0到1，0表示兩分割區(qū)域完全不重疊。1表示兩分割區(qū)域完全重疊，即配準(zhǔn)分割結(jié)果與金標(biāo)準(zhǔn)一致，分割結(jié)果十分精確。

2 實(shí)驗(yàn)結(jié)果分析

本文采用Visual Studio 2010軟件平臺(tái)結(jié)合ITK開(kāi)源代碼庫(kù)進(jìn)行MR人腦圖像海馬體的自動(dòng)分割。數(shù)據(jù)來(lái)源于倫敦帝國(guó)理工學(xué)院醫(yī)學(xué)腦部研究數(shù)據(jù)庫(kù)[10]，共20個(gè)T1-MR灰度圖像和對(duì)應(yīng)的標(biāo)記圖像樣本，灰度圖像標(biāo)號(hào)為a01到a20，對(duì)應(yīng)的標(biāo)記圖像標(biāo)號(hào)為a01-seg到a20-seg。其中，標(biāo)記圖像中標(biāo)記了人腦中67個(gè)結(jié)構(gòu)。

算法流程如圖3所示。

圖3 本文算法流程

圖譜的選取在一定程度上影響著分割結(jié)果的好壞，當(dāng)與目標(biāo)圖像差別較大時(shí)，配準(zhǔn)結(jié)果越差，得到分割結(jié)果越偏離金標(biāo)準(zhǔn)。P.Aljabar等[11]在文章中描述了相似性測(cè)度因子和圖像的數(shù)目存在如下關(guān)系

(14)

a、b是常數(shù)，滿足0≤a≤1,b>0，n是圖譜的數(shù)目。圖譜數(shù)目的增多反而使分割結(jié)果與金標(biāo)準(zhǔn)的相似度下降。Sabuncu等[7]的研究表明，若隨機(jī)選擇圖譜，Majority Vo-ting的表現(xiàn)不是單調(diào)的，且圖譜數(shù)量超過(guò)10精確度開(kāi)始下降。若選擇最優(yōu)圖譜，圖譜在15個(gè)左右時(shí)Majority Voting的結(jié)果變得平穩(wěn)?；谏厦鎺讞l結(jié)論，綜合本文的實(shí)驗(yàn)，同時(shí)考慮標(biāo)簽融合的效率問(wèn)題，本文選取了與目標(biāo)圖像互信息最高的10個(gè)樣本作為圖譜圖像進(jìn)行實(shí)驗(yàn)，對(duì)分割精度的影響較小。

2.1 圖像預(yù)處理

2.1.1 顱骨剔除

人腦MRI中背景和非腦組織占有較大比重，容易造成配準(zhǔn)的誤差。剔除腦殼是重要的預(yù)處理工作，本文利用Stefan Bauer等[12]提出的算法剔除腦殼，克服了傳統(tǒng)BET算法運(yùn)算時(shí)間長(zhǎng)的缺點(diǎn)，并可以有效剔除影響配準(zhǔn)精確度的腦殼與背景部分。

圖4 顱骨剔除結(jié)果

2.1.2 重采樣并提取待分割組織ROI

本文以灰度圖a04、標(biāo)記圖a04-seg為參考圖像，對(duì)圖譜進(jìn)行以參考圖像為基準(zhǔn)的重采樣操作。參考圖像的尺寸大小為195×198×170，體素間距是0.937×0.937×0.937，圖像中心為(90.89, 92.29, 79.18)。例如，當(dāng)圖譜a01的尺寸大小、體素間距、圖像中心分別為176×198×160、0.937×0.937×0.937、(81.99, 92.29, 74.49)，則重采樣后a01具有和參考圖像一樣的大小、間距、圖像中心。

對(duì)目標(biāo)圖像以及圖譜圖像進(jìn)行初次提取感興趣區(qū)域(ROI)。如圖5所示，為灰度圖譜及對(duì)應(yīng)的標(biāo)記圖像初次提取ROI的結(jié)果。

圖5 以左、右海馬體為中心提取ROI

2.2 配準(zhǔn)及標(biāo)記融合結(jié)果

本文以重采樣結(jié)果取代剛性配準(zhǔn)環(huán)節(jié)，并以提取的ROI作為微分同胚Demons配準(zhǔn)對(duì)象，大幅度縮短配準(zhǔn)時(shí)間。微分同胚Demons配準(zhǔn)產(chǎn)生的一個(gè)形變場(chǎng)的示意圖，如圖6所示。

圖6 待配準(zhǔn)圖像映射到目標(biāo)圖像的變形域

標(biāo)簽融合的結(jié)果即分割結(jié)果。圖7為目標(biāo)圖像右海馬體的金標(biāo)準(zhǔn)(專家手動(dòng)分割結(jié)果)與本文方法分割結(jié)果比較圖：第一行至第三行分別為軸向、矢狀面、冠狀面海馬體切片圖。每行左圖為目標(biāo)圖像金標(biāo)準(zhǔn)；右圖為分割結(jié)果與金標(biāo)準(zhǔn)的覆蓋比較圖，其中白色區(qū)域?yàn)閮烧咧睾蠀^(qū)域，灰色邊緣為兩者非重合區(qū)域。從圖中可以看到本文分割方法得到的海馬體覆蓋了大部分金標(biāo)準(zhǔn)結(jié)構(gòu)，即分割結(jié)果較為精確。

圖7 海馬體切片比較

如圖8所示，第一行是目標(biāo)圖像右海馬體的金標(biāo)準(zhǔn)；第二行是傳統(tǒng)方法分割結(jié)果(左圖)以及本文方法分割結(jié)果(右圖)的三維顯示效果。可以看到在分割細(xì)節(jié)上，本文方法更接近于專家手工分割，傳統(tǒng)方法分割結(jié)果表面過(guò)于光滑，丟失了分割對(duì)象的部分表面紋理信息。

圖8 右海馬體分割結(jié)果三維顯示效果

如表1所列，是以a04為目標(biāo)圖像的海馬體分割精度比較。改進(jìn)的加權(quán)選擇算法比簡(jiǎn)單加權(quán)選擇算法精度略有提高，而本文方法得到的左右海馬體的分割精度均高于簡(jiǎn)單加權(quán)選擇算法、改進(jìn)的加權(quán)選擇算法，Dice值有10%～20%的提高。

表1 分割結(jié)果與目標(biāo)圖像的相似性測(cè)度

以右海馬體分割過(guò)程耗時(shí)來(lái)進(jìn)行分割效率分析，表2、表3中Resamp表示重采樣、ROI表示提取感興趣區(qū)域、GReg表示剛性配準(zhǔn)、DReg表示微分同胚Demons配準(zhǔn)、Wrap表示形變映射、Fuse 表示標(biāo)簽融合、Total是總時(shí)間。如表2所列，是使用本文方法分割海馬體時(shí)各操作過(guò)程所耗時(shí)間，表3所列，是使用傳統(tǒng)“粗精”配準(zhǔn)方法分割海馬體所用時(shí)間。

表2 本文方法分割右海馬體時(shí)間/s

表3 傳統(tǒng)“粗精”配準(zhǔn)法分割右海馬體時(shí)間/s

從表1、表2可以看到，分割以a04為目標(biāo)圖像分割右海馬體時(shí)，本文方法重采樣耗時(shí)僅4 s～5 s,相比于傳統(tǒng)“粗精”混合算法中粗配準(zhǔn)時(shí)間387 s～781 s，效率提高了95～155倍；并且本文方法提取ROI后，微分同胚Demons配準(zhǔn)時(shí)間為2 s～3 s，而傳統(tǒng)方法中微分同胚Demons配準(zhǔn)用時(shí)147 s～151 s，精配準(zhǔn)的效率提高了49～72倍；在形變域映射過(guò)程，相較于傳統(tǒng)方法中7 s～8 s的用時(shí)，本文方法僅為0.5 s～1 s；最后，標(biāo)簽融合階段，改進(jìn)之后的加權(quán)選擇算法比傳統(tǒng)方法減少了40.1 s。整個(gè)多圖譜分割過(guò)程，本文方法所用時(shí)間共117.7 s，而傳統(tǒng)方法用時(shí)為6852.3 s，大大提高了分割的效率問(wèn)題，實(shí)現(xiàn)了在兩分鐘之內(nèi)完成人腦MR圖像中海馬體的分割。

3 結(jié)束語(yǔ)

三維醫(yī)學(xué)圖像配準(zhǔn)分割是醫(yī)學(xué)圖像研究的熱點(diǎn)，大多數(shù)研究者在分割精度上進(jìn)行了深入的研究，并取得了較好的結(jié)果。處理三維醫(yī)學(xué)圖像耗時(shí)較長(zhǎng)，人們?cè)趯Ｗ⒀芯糠指罹葧r(shí)往往忽略分割時(shí)間效率，甚至以犧牲時(shí)間效率來(lái)提高分割精度，很難適應(yīng)于臨床應(yīng)用對(duì)于快、精、準(zhǔn)的要求。基于此，本文對(duì)基于多圖譜配準(zhǔn)的海馬體分割算法進(jìn)行研究，針對(duì)分割效率問(wèn)題，改變傳統(tǒng)“粗精”混合配準(zhǔn)方法，兩次提取人腦海馬體ROI，在重采樣基礎(chǔ)上進(jìn)行微分同胚Demons配準(zhǔn)，并改進(jìn)標(biāo)簽融合算法。實(shí)驗(yàn)結(jié)果表明，本文方法在分割精度上比傳統(tǒng)方法提高了10%～20%左右，在分割時(shí)間效率上是傳統(tǒng)“粗精”配準(zhǔn)分割算法速度的58～60倍，精度與效率均有提升。后續(xù)將考慮用實(shí)際數(shù)據(jù)來(lái)對(duì)本文算法進(jìn)行驗(yàn)證，繼續(xù)完善算法，以提高精度。