人工智能在醫學影像中的MRI海馬區分割算法研究綜述

◆朱大龍 易云山

（網絡通信與安全紫金山實驗室江蘇 211100）

核磁圖像MRI（Magnetic Resonance Imaging）海馬區的分割是診斷阿茲海默癥等疾病的重要手段[1]。圖像分割后可以根據核磁機器成像的參數估算出海馬區的體積。因絕大多數病人的MRI海馬區會出現萎縮，因而在醫療過程中醫學專家可以通過病人的MRI海馬區的體積特征來診斷病人的病情。因此，MRI海馬區的圖像分割技術和算法在醫學上有較強的應用需求。因此相關圖像處理專家學者都在積極研究MRI海馬區分割算法，以期獲得可靠的醫學影像數據。但是MRI海馬區圖像分割技術和算法是一項比較耗時、且有一定難度、重復性較高的枯燥工作，有研究表明傳統的分割一張MRI圖像大約需要2小時[2]，并且在手動分割的判定標準上也引起過較為廣泛的討論[3]，因此，傳統的圖像分割方法的耗時性、主觀性等因素都為客觀的、準確的自動分割技術的發展和興起奠定了基礎。

1 臨床應用

臨床應用方面，不同的MRI海馬區分割方法有著不同的分割難度。手動分割技術需要豐富的專業知識，且耗時、重復、標準不一。而傳統的自動分割/半自動分割算法，在技術上也面臨著如下挑戰：

（1）海馬區與其相鄰區域【杏仁核（Amygdala）、丘腦（Thalamus）、尾狀核（Caudate Nucleus）等】在MRI成像上的灰度值很接近[4]。

（2）海馬區與鄰近區域的邊界也沒有明確的醫學定義。

（3）分割結果仍依賴所采用的分割算法以及預處理步驟[5]。

海馬體的形態特征分析在許多臨床應用中被用作重要的生物標志物（bio-marker），包括顳葉癲癇（temporal lobe epilepsy）、阿爾茨海默病（AD）和輕度認知障礙（MCI）、精神分裂癥、重度抑郁癥、雙相情感障礙以及許多其他神經和精神疾病[6]。鑒于海馬體測量廣泛的臨床應用，需要開發可靠地將不同形狀和大小的海馬體進行分割的方法。

通過使用MRI的T1結構像，海馬體的萎縮已被證明是MCI患者將發展為 AD的一個預測性生物標志物[7]。Frisoni[8]的一篇論文闡述了Structural MRI作為疑似AD患者臨床常規檢查的一部分的實用性。海馬體的體積測量也用于監視AD的發展和評估潛在治療藥物的有效性。1998年Laakso[9]表明把MRI海馬區的體積作為分類依據（分類健康人與AD患者），就可以獲得92%的準確率（靈敏度= 94%，特異性90%）。

海馬體體積的不對稱性（單側海馬體萎縮）已被證明是癲癇異常側化的預測因子（Cook et al. 1992;Cendes et al.1993[10]）。海馬體的萎縮也被用來衡量該疾病的進展（Cendes 2005[11]）。

海馬體萎縮也與其他幾種疾病有關，但在這些疾病中，這種測量方法尚未被驗證為生物標志物，這些包括但不限于：精神分裂癥（Nelson et al. 1997[12]）、創傷后應激綜合征（Bremner et al. 1997[13]）、抑郁癥（Bremner et al. 2000[14]）、雙相情感障礙（Blumberg et al. 2003[15]）以及其他疾病（Geuze et al. 2005[16]）。

2 傳統分割算法和方法

從MRI海馬區的分割技術和算法發展過程和應用到的計算機技術、圖像處理技術，自動化技術等發展角度來看，傳統的海馬區分割技術可分為：

2.1 Atlas-Based類算法和方法

Atlas在圖像分割的領域里表示圖像感興趣區域的理想劃分方式，它可以是有代表性個體的圖片，或者一些個體圖片的集合。Atlas在分割過程中可以以多種多樣的方式應用，最簡單的例子就是“分割過程中可以以多種多樣的：通過配準（registration）將目標圖像轉換到Atlas圖像，從 Atlas坐標系獲得分割信息后再通過反變換復原成原始目標圖像的方法。

同樣，還有“樣，還有i-Atlas”的方法，也就是配準到多個Atlas Image，分別獲得分割信息后通過一種“分abel fusion”的融合技術結合起來獲得最終原圖的分割技術方法。

另外一種利用Atlas分割的方法叫“割的方法叫“起來獲得最終原圖的分割技術方，主要先將不同Atlas配準到一起，以獲得圖像的感興趣結構的統計信息（幾何形狀、體素灰度、紋理），然后將該信息再應用于 deformable model/classifier/optimizer方法中去的一種分割方法。

2.2 Deformable Model類算法和方法

在semi-automated分割方法中，專家手工畫出初始的輪廓，經過將輪廓迭代變形，最后形成最終分割邊界；在automated方法中，初始輪廓由原圖與Atlas校準獲得。

最初的deformable model名為ACM（Active Contour Model），由Kass提出。初始輪廓根據內在能量（internal energies）和外在能量（external energies）變形，內在能量保持輪廓平滑，外在能量由圖片灰度（intensity）定義。

改進版本為 ASM（Active Shapes Model Cootes et al. 1995）和AAM（Active Appearance Model Cootes et al. 2001），二者同樣是Probabilistic-Atlas方法的實例，因其形變的概率信息是由幾個atlas得到的。

3 各類分割算法技術分析

3.1 基于Semi-Automated Methods的分割算法

1990年末該方法被提出，少數是根據課上學到的閾值分割和區域生長分割，更多的是使用更精細的，可以添加感興趣區域約束的技術，比如 deformable models， atlas-based techniques 和 classifier-based techniques，如人工神經網絡。

第一種分割方法，使用的是較為基礎的分割技術。由于前面提到的分割海馬區的困難性，需要在分割過程中引入大量的主觀人為因素，用戶在分割的過程中與軟件互動進行綜合分割。代表性的有Freeboroughet al. 1997[17]，提出的結合閾值和區域生長法，用戶互動地改變閾值和生長的參數，一邊修改一邊盯著屏幕進行分割和判斷，最終給出分割數據和結果。

第二種分割方法，使用的是更為精細的分割技術。在第一種分割技術基礎上，融入了一些發展的新型技術，如計算機技術，自動化技術和圖像處理技術等。

在不同的分割算法方面，以上兩種分割方法亦有較為不同的算法處理方式。

（1）基于Deformable model的分割算法

Ashton et al. 1997[18]：基于ACM算法和方法。由于海馬體內可能有大量的切片，算法使用前一個切片的分割區域作為后續切片的基礎。在文中作者提出了一種計算ACM外部能量的新方法，該方法對海馬區邊緣的不連續性不那么敏感。

Schnabel et al. 1999[19]：將atlas和ACM進行混合算法處理，先對患者的第一個MRI海馬區體積進行手動分段處理，然后執行后續MRI sessions的自動分割。對于自動分割，第一個分割作為一個altas與后續的session配準。

Kelemen et al. 1999[20]：第一個使用ASM算法做海馬區分割。該方法在輪廓變形過程中，考慮了海馬體的幾何變異性和圖像強度。初始輪廓是基于用戶在目標圖像上標記的點形成的。

（2）基于Atlas的分割算法

在這些方法中，用戶負責在圖像中選擇一些特定的點，這些點將用于對圖集的初射仿射配準。然后對仿射變換后的圖像進行非線性配準。

Christensen et al.1997：在之前人工檢查的初始對準基礎上，同時應用了另外兩個配準階段。

Haller et al. 1997&Hogan et al. 2000：通過使用流體力學方程計算的轉換，采用了單一的后續階段。

tangear .2012：提出了一種類似的方法，該方法使用一種 Large Deformation Diffeomorphic Metric Mapping （LDDMM）的技術。

3.2 基于Automated Methods的分割算法

隨著計算機技術、自動化技術和圖像處理技術的發展，從 2000年初開始，全自動分割的方法開始被提出。與半自動方法中用戶提供的初始幾何空間信息不同，全自動方法中加入了待分割結構的解剖統計信息。這些方法中的大多數在某些階段使用了預先分割的地圖集，包括基于單地圖集、多地圖集或概率地圖集的典型方法，以及基于變形模型的混合方法。一些替代方法也使用分類器。

（1）Deformable models

Duchesne et al. 2002： AAM，通用的腦結構分割，在MRI海馬區分割上驗證。

Klemencic et al. 2004：Single-Atlas+DeformableModels，與 Atlas配準后將 Hippocampus區域轉到原圖片，然后將這個區域作為初始的AAM方法的輪廓。

（2）Single-Atlas Methods

Barnes et al. 2007：首先，通過仿射配準來獲得與海馬體相對應的ROI。然后，另外一個不同的仿射配準應用于前一階段定義的區域。

Kwak et al. 2013：使用graph cuts algorithm（Greig et al. 1989）和morphological opening operation，優化基于atla的初始配準的輸出結果。

（3）Multi-Atlas Methods

在多圖譜方法中，首先選擇一個圖譜，然后利用單圖譜技術對目標圖像進行分割。這個過程對每個可用的圖集重復，從不同atlas中獲得的不同片段集合并起來。最終分割的創建是通過標簽融合技術（label fusion technique）完成的，這也是此類算法和方法應用和發展過程的最大挑戰。

Heckemann et al. 2006：使用手動分割好的30個正常人的atlases。“tlases好的 et al. 2006的最大test occurrence among the 30 atlases is attributed to each voxel.”。

Sabuncu et al. 2010 ：實現了一個通用的多圖譜方法，并測試了不同的標簽融合算法，準確率高于作為benchmark的FreeSurfer。

（4）Probabilistic-Atlas Methods

概率地圖集方法的使用始于將一組地圖集登記到一個標準空間。在這個標準空間中，可以編制與感興趣的結構有關的統計數據，例如與圖像強度有關的發生概率、全局位置和鄰近結構。在分割新目標圖像的過程中，將每個體素劃分為是否屬于海馬體區域。這種分類是基于使用地圖集預先計算的概率。

Fischl et al. 2002：開發出著名的FreeSurfer軟件，成為大腦MRI結構分割的基準。

該方法提出將大腦分為包括海馬區的21類。如果考慮到不同操作人員之間的差異，自動分割的結果與手動分割的結果具有較高的準確性和可比性。作者還對該方法檢測阿爾茨海默病早期患者海馬體小體積變化的能力進行了廣泛的評估，發現該算法足夠敏感。

將概率圖譜應用于分割的一種常用方法是使用基于概率圖譜計算的推理步驟。這個推理階段可以通過不同的技術來完成。

Ashton et al. 2003， Zhou and Rajapakse 2005 and Morra et al. 2008使用atlases作數據集的分類器

Tong et al. 2013 分類器+詞典 FDDLS （FixedDiscriminative Dictionary Learning for Segmentation）

Dill V et al. 2015 同時也給出上述不同方法的性能評估表。

4 深度學習算法和方法

隨著神經網絡、人工智能、深度學習以及大數據、海量計算技術等新興信息技術的發展，文獻[21]提出了一個基于神經網絡模型，能夠在標準硬件上在30秒內分割雙側海馬體的單一T1大腦圖像，主要用于初始化和近似預配準。其核心是一個由大量真實和合成的例子訓練而成的深度3D卷積網絡。該算法不是從零開始，而是依賴于存在的FreeSurfer和現有的帶有FreeSurfer標簽的在線數據集作為巨大的知識來源，這樣可快速、大幅度地增加了訓練樣本的數量。但是，由于其將準確度限制在FreeSurfer mask的范圍內，因此訓練集還包含大量額外的高精度、高信噪比合成樣本。訓練樣本的混合，結合非線性幾何數據的擴充過程，易于使網絡規整，使其具有較強的魯棒性。

該方法主要是首先使輸入近似地配準到一個固定大小的感興趣的訓練區域，然后海馬區被輸入到我們的卷積神經網絡，輸出一個概率分割圖。此映射被映射回原始空間，并可選地設定閾值，這樣海馬體的體積就可以計算出來。

文獻[22]利用最近的進展，通過人工智能、深度學習方法設計并實現了一個全自動分割方法，提供了較好的準確性和快速的分割結果。該方法基于深度卷積神經網絡（CNNs），并結合了獨特的分割和糾錯步驟。分割掩模由三個獨立的模型組成，與輸入體積的正交切片一起操作，而錯誤的標簽隨后通過替換和改進網絡的組合進行校正。該研究方法探索了不同的訓練方法，并演示了在基于CNN的分割中，如何通過遷移學習技術有效地結合多個數據集，從而提高海馬區的分割質量。該方法被評價使用兩個不同的公共數據集，并與現有的方法進行了比較。在EADC-ADNI HarP數據集中，該方法的輸出與可用的ground truth手動分割之間的對應產生的平均Dice值為0.9015，而整個MRI體積所需的分割時間為14.8秒。在MICCAI數據集中，通過從較大的EADC-ADNI HarP數據集中轉移學習，Dice的平均值增加到0.8835。

該方法從網絡頂層結構開始，利用2D卷積，將三維結構像按三個不同的切片方向進行訓練，最后通過average fusion得到最后的結果。

5 結束語

由于MRI海馬區分割技術和算法具有廣泛的醫學臨床應用需求，因此精確、可靠地分割MRI海馬區技術和算法越來越重要。隨著人工智能、神經網絡、深度學習、大數據、云計算等相關計算機網絡技術和算法的發展，核磁共振圖像處理算法能力必將日益增強。同時加上更迫切、更多的臨床試驗，必將促進MRI海馬區分割技術和算法得到進一步發展。在未來發展方向上，MRI海馬體分割技術和算法必將借助于人工智能、神經網絡、深度學習、大數據等新興計算機網絡技術，向著混合型分割算法，自動化分割技術方向發展，對醫學影像分割技術的提升和臨床應用必將日益成熟。