基于連續(xù)組織切片的神經(jīng)三維可視化研究

摘 要：提出了一個(gè)神經(jīng)三維可視化系統(tǒng)的架構(gòu)，研究了基于連續(xù)組織切片的神經(jīng)三維可視化技術(shù)。其中針對(duì)神經(jīng)切片圖像和解剖結(jié)構(gòu)的特殊性， 結(jié)合不變矩，考慮空間約束關(guān)系對(duì)輪廓進(jìn)行了有效對(duì)應(yīng)；求取神經(jīng)中心線(xiàn)并獲得其拓?fù)浣Y(jié)構(gòu)，以此為基礎(chǔ)提出了基于三維結(jié)構(gòu)的神經(jīng)束組分類(lèi)算法并給出了利用該算法進(jìn)行實(shí)驗(yàn)的結(jié)果。

關(guān)鍵詞：神經(jīng); 三維可視化； 輪廓對(duì)應(yīng)； 中心線(xiàn)； 分類(lèi)

中圖分類(lèi)號(hào)：TP391文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695(2007)06-0170-03

0 引言

神經(jīng)損傷后的修復(fù)與再生一直是外科手術(shù)中重要的研究問(wèn)題。運(yùn)動(dòng)或感覺(jué)神經(jīng)纖維錯(cuò)向生長(zhǎng)交叉吻合，這種關(guān)系在現(xiàn)有的神經(jīng)斷面二維圖譜上不能得到反映。如何精確地重建出神經(jīng)內(nèi)部神經(jīng)束組和神經(jīng)纖維錯(cuò)綜復(fù)雜的立體結(jié)構(gòu)，成為醫(yī)學(xué)界關(guān)注的焦點(diǎn)之一。神經(jīng)的三維可視化技術(shù)涉及到圖像分割、輪廓對(duì)應(yīng)、中心線(xiàn)求取、功能神經(jīng)束組的分類(lèi)和表面重建等，前兩項(xiàng)工作是后面三項(xiàng)工作的基礎(chǔ)，中心線(xiàn)的求取和功能神經(jīng)的分類(lèi)則是神經(jīng)三維可視化工作中有別于其他醫(yī)學(xué)圖像三維可視化技術(shù)的突出特點(diǎn)。

圖像分割的目標(biāo)在于把圖像分成各個(gè)組成部分；分割方法的性能受限于圖像質(zhì)量。圖像分割被普遍認(rèn)為是計(jì)算機(jī)視覺(jué)和圖像處理中最困難的問(wèn)題之一［1，2］，目前尚無(wú)具有普遍實(shí)用性且魯棒性較好的醫(yī)學(xué)圖像分割算法。輪廓對(duì)應(yīng)是指已知相鄰切片通過(guò)分割得到的輪廓線(xiàn)，確定上下兩切片各輪廓的對(duì)應(yīng)關(guān)系［3］。輪廓對(duì)應(yīng)存在很大的任意性，是一個(gè)弱約束問(wèn)題。已經(jīng)有很多解決對(duì)應(yīng)問(wèn)題的方法，如廣義圓柱、最小生成樹(shù)、Reeb圖等［4］。

神經(jīng)中心線(xiàn)的求取是指從神經(jīng)切片的數(shù)據(jù)中獲得各神經(jīng)束組的中心線(xiàn)，除了包括位置信息外，還應(yīng)包括拓?fù)浣Y(jié)構(gòu)信息。功能神經(jīng)的分類(lèi)是指盡可能地把功能不同的神經(jīng)束組區(qū)別開(kāi)來(lái)，以直觀(guān)展示神經(jīng)束組交叉穿插、混合重組的束型變化規(guī)律。神經(jīng)內(nèi)部功能性質(zhì)不同的神經(jīng)束組互相混合、交叉和不斷重新組織，它們能否被正確區(qū)別，進(jìn)而在手術(shù)中把相同性質(zhì)的神經(jīng)對(duì)接起來(lái)，是影響神經(jīng)手術(shù)效果的重要因素。常見(jiàn)的分類(lèi)算法多基于單張切片圖像進(jìn)行聚類(lèi)分析，在圖像質(zhì)量較理想的情況下可以獲得較好的分類(lèi)效果。然而在神經(jīng)切片圖像處理上，當(dāng)功能不同的神經(jīng)束組交叉穿插、混合重組時(shí)，基于單張圖像的分類(lèi)方法則失去了依據(jù)。本文實(shí)驗(yàn)采用的數(shù)據(jù)為人體臂叢神經(jīng)切片，其圖像如圖1所示。具體數(shù)據(jù)來(lái)源在第3章詳細(xì)說(shuō)明。

基于表面的重建為目前醫(yī)學(xué)圖像三維重建的主流算法之一，主要有基于二維輪廓線(xiàn)的表面重建和基于等值面抽取的表面重建［5］。本文的表面重建是指在對(duì)應(yīng)輪廓之間建立表面模型，即采取二維輪廓線(xiàn)進(jìn)行表面重建。

1 系統(tǒng)架構(gòu)的設(shè)計(jì)

神經(jīng)三維可視化系統(tǒng)的設(shè)計(jì)目的在于讓用戶(hù)能快速有效地從神經(jīng)切片圖像中重建三維神經(jīng)可視化模型，進(jìn)而能有效區(qū)分功能不同的各神經(jīng)束組，能方便地觀(guān)察其立體結(jié)構(gòu)和內(nèi)部立體行徑，為臨床上神經(jīng)損傷的修復(fù)研究提供幫助。本文提出的系統(tǒng)架構(gòu)如圖2所示。

圖1 實(shí)驗(yàn)數(shù)據(jù)圖像圖2 系統(tǒng)架構(gòu)

主要模塊包括：

（1）數(shù)據(jù)接口模塊。讀取切片圖像、分割數(shù)據(jù)、對(duì)應(yīng)數(shù)據(jù)以及三維數(shù)據(jù)等。

（2）圖像分割模塊。對(duì)切片圖像進(jìn)行分割，獲得神經(jīng)束組的輪廓信息。

（3）輪廓對(duì)應(yīng)模塊。對(duì)相鄰切片間的輪廓進(jìn)行對(duì)應(yīng)。

（4）三維可視化模塊。包括中心線(xiàn)求取、神經(jīng)束組分類(lèi)和表面重建。

（5）交互控制模塊。為圖像分割、輪廓對(duì)應(yīng)、三維可視化模塊提供用戶(hù)接口，包括分割校正、對(duì)應(yīng)校正、各種參數(shù)和功能選擇以及三維交互等。

系統(tǒng)實(shí)現(xiàn)所涉及的算法主要集中在分割、對(duì)應(yīng)和可視化三個(gè)模塊上，本文重點(diǎn)對(duì)其中對(duì)應(yīng)模塊的對(duì)應(yīng)算法以及可視化模塊的中心線(xiàn)求取算法、神經(jīng)分類(lèi)算法進(jìn)行研究和實(shí)現(xiàn)。

2 系統(tǒng)模塊主要算法

2.1 切片圖像的分割

本文采用常用的OTSU［6］算法對(duì)切片圖像進(jìn)行分割，多數(shù)情況效果良好。在效果不理想時(shí)用交互控制模塊進(jìn)行分割校正，以保證能獲得理想的分割結(jié)果。對(duì)分割得到的各個(gè)輪廓進(jìn)行索引并同坐標(biāo)數(shù)據(jù)一起通過(guò)數(shù)據(jù)接口模塊輸出到自定義格式文件中。

2.2 相鄰切片輪廓的對(duì)應(yīng)

在輪廓對(duì)應(yīng)模塊中，為提高效率，同時(shí)確保對(duì)應(yīng)準(zhǔn)確率，設(shè)計(jì)了結(jié)合不變矩，考慮空間約束關(guān)系的輪廓對(duì)應(yīng)算法。據(jù)神經(jīng)各相鄰切片的相關(guān)性可知，相同神經(jīng)束組雖會(huì)發(fā)生一定形變或者平移，在相鄰切片上依然保持較高相似度，故本文采用Hu不變矩［7，8］來(lái)進(jìn)行輪廓對(duì)應(yīng)。同時(shí)，為克服神經(jīng)可能發(fā)生的分叉和較大形變，采用了空間約束關(guān)系來(lái)克服單純依賴(lài)不變矩對(duì)應(yīng)所產(chǎn)生的不可靠性。算法相關(guān)變量定義如下：

2.3 中心線(xiàn)的求取

在三維可視化模塊中，求出各輪廓的重心，按照輪廓對(duì)應(yīng)算法獲得的對(duì)應(yīng)關(guān)系把它們連接起來(lái)，便可近似地表示成各神經(jīng)束組的中心線(xiàn)。

本文設(shè)計(jì)了算法2來(lái)獲得神經(jīng)的中心線(xiàn)及神經(jīng)的拓?fù)浣Y(jié)果。其大致思想為：直接讀入所有輪廓數(shù)據(jù)，對(duì)每一個(gè)尚未創(chuàng)建過(guò)頂點(diǎn)的分叉輪廓，創(chuàng)建頂點(diǎn)并按照其兒子數(shù)創(chuàng)建邊，讀入與這些邊相關(guān)聯(lián)的輪廓，直至所有的輪廓被訪(fǎng)問(wèn)完畢。

2.4 神經(jīng)束組的分類(lèi)

如引言分析，對(duì)不同功能的神經(jīng)束組進(jìn)行分類(lèi)是比較困難而又非常必要的。基于單張切片圖像對(duì)各神經(jīng)束組進(jìn)行聚類(lèi)分析有較大的局限性。利用前面所述工作，本文充分利用神經(jīng)的結(jié)構(gòu)特性，直接從保留拓?fù)浣Y(jié)構(gòu)的神經(jīng)中心線(xiàn)出發(fā)，提出了基于三維結(jié)構(gòu)的神經(jīng)束組分類(lèi)算法。算法利用到的相關(guān)先驗(yàn)知識(shí)大致描述如下：

神經(jīng)束組一般從神經(jīng)根開(kāi)始出發(fā)，向下不斷分支拓展，交叉融合，故從分叉點(diǎn)出發(fā)向下遍歷神經(jīng)中心線(xiàn)可以得到相對(duì)于某個(gè)分叉點(diǎn)的大致相關(guān)神經(jīng)束組。如果某層的一根神經(jīng)束組與多個(gè)上層神經(jīng)束組直接相連，那么上層神經(jīng)束組中橫截面積越大則影響作用越大；在橫截面積相近的情況下，上層神經(jīng)束組在分叉點(diǎn)的切線(xiàn)與該神經(jīng)束組在分叉點(diǎn)對(duì)應(yīng)的切線(xiàn)夾角越接近則影響作用越大。

2.5 表面重建

在獲得輪廓信息以及神經(jīng)的拓?fù)浣Y(jié)構(gòu)以后，便可以進(jìn)行表面重建。形成兩個(gè)平行輪廓線(xiàn)之間表面的三角面片有眾多組合方式，為了從基本三角面集合中找到最優(yōu)表面的逼近， 系統(tǒng)直接采用Ganapathy所提出的啟發(fā)式搜索模型［9］。

在重建過(guò)程中會(huì)遇到兩個(gè)問(wèn)題。①非凸輪廓線(xiàn)的問(wèn)題；②輪廓的一對(duì)多問(wèn)題。對(duì)于①，先將它們轉(zhuǎn)換為凸輪廓線(xiàn)，在凸輪廓線(xiàn)之間構(gòu)造好三角面片集合以后，再將其反變換為非凸輪廓線(xiàn)。而對(duì)于②，采取增加馬鞍點(diǎn)的方法。

3 實(shí)驗(yàn)結(jié)果

應(yīng)用上面所述方法，基于Visual C++ 6.0開(kāi)發(fā)平臺(tái)，實(shí)現(xiàn)了第1章所設(shè)計(jì)的神經(jīng)三維可視化系統(tǒng)。測(cè)試數(shù)據(jù)為一例健康的成年人臂叢神經(jīng)標(biāo)本。采用冰凍切片機(jī)對(duì)該標(biāo)本作連續(xù)組織切片，切片厚度為15 μm，切片間距為200 μm，共切得850張。圖像通過(guò)高精度掃描儀掃描并輸入計(jì)算機(jī)，原始圖像的分辨率為2 976×2 496。

圖3為根據(jù)算法1對(duì)上、下兩張相鄰切片進(jìn)行輪廓對(duì)應(yīng)的效果圖。從圖中可以看出該算法具有非常高的準(zhǔn)確率，而經(jīng)過(guò)測(cè)試，算法1對(duì)每?jī)蓮埱衅M(jìn)行對(duì)應(yīng)平均所需時(shí)間約為0.338 s，而利用文獻(xiàn)[4]所提及的算法則約為2.48 s，在效率上有較大提高。

在獲得中心線(xiàn)及其拓?fù)浣Y(jié)構(gòu)之后，利用算法3對(duì)神經(jīng)束組進(jìn)行分類(lèi)，得到的可視化效果如圖4所示。圖4(a)為多類(lèi)神經(jīng)混合顯示圖，圖4(b)和(c)分別為從未分類(lèi)神經(jīng)束組中分離出來(lái)的臂叢C6神經(jīng)根和C8神經(jīng)根，從圖4(c)左上角的相關(guān)輪廓剖面查看圖也可以看出算法3的分類(lèi)效果。

其中已染色輪廓即為分離出來(lái)的C8神經(jīng)根在對(duì)應(yīng)切片層上的截面圖。

圖3 結(jié)合不變矩，考慮空間約束關(guān)系的對(duì)應(yīng)效果

最后通過(guò)數(shù)據(jù)接口把三維可視化模塊獲得的三維數(shù)據(jù)輸出到自定義格式的文件中。

圖4 分類(lèi)后的神經(jīng)三維可視化效果

4 結(jié)束語(yǔ)

本文首先提出了一個(gè)神經(jīng)三維可視化系統(tǒng)的架構(gòu)，然后結(jié)合不變矩，考慮空間約束關(guān)系對(duì)輪廓進(jìn)行了有效對(duì)應(yīng)；求取神經(jīng)中心線(xiàn)并建立其拓?fù)浣Y(jié)構(gòu)；提出了基于三維結(jié)構(gòu)的神經(jīng)束組分類(lèi)算法；并采用了OTSU算法和Ganapathy表面重建方法進(jìn)行分割和表面重建。基于這些方法，本文快速有效地重建起效果理想的三維可視化神經(jīng)模型。下一步工作的重點(diǎn)在于提高分割和對(duì)應(yīng)的魯棒性；根據(jù)用戶(hù)需求進(jìn)一步調(diào)整系統(tǒng)的各種手動(dòng)交互功能；并對(duì)表面重建過(guò)程中出現(xiàn)的海量三角面片數(shù)據(jù)進(jìn)行簡(jiǎn)化處理。

本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文。