對稱歸一化配準的多圖譜大腦擴散張量圖像分割

蔡文琴， 王遠軍

（上海理工大學 健康科學與工程學院, 上海 200093）

隨著我國人口老齡化程度加深，大腦精神類疾病的發病率呈現快速增長趨勢，例如，原發性老年癡呆癥[1]、腦缺血[2]、中風[3]及精神分裂[4]等。擴散張量成像(diffusion tensor imaging, DTI)[5]是唯一能夠非侵入性地對生物組織中水分子的各向異性擴散特征進行成像的成像模態，它能夠提供組織微細結構信息，特別是對于大腦白質組織在分子水平上的檢測更為靈敏。基于DTI 的全腦解剖學分割能夠獲取腦組織中細微的結構信息，并對DTI 數據中腦白質或病變區域進行提取與處理，能夠為臨床疾病的輔助診斷提供更好的分析手段。一般來說，由臨床醫生手動進行勾畫的腦解剖學圖像被認為是最準確的分割方法，俗稱“金標準”；然而，由于DTI 圖像的圖像分辨率低，且為四維圖像，因而不易于被醫生進行手動分割。因此，開發一種具有較高準確率和魯棒性的DTI圖像自動分割算法已經成為國內外醫學圖像處理與分析領域的研究熱點。

傳統的醫學圖像分割方法有很多，例如，閾值分割法[6]、區域生長法[7]及水平集分割法[8]等，這些方法是利用圖像的灰度、梯度或者其他區域的特征進行分割，而DTI 圖像每個體素是 3×3的張量，因其圖像特點，它不適用于這些方法進行分割。為此，近年來國內外學者紛紛提出了各種不同的方法對張量圖像進行分割。Rittner 等[9]通過梯度的計算，使用分水嶺分割算法對DTI 數據中的胼胝體進行了分割。在此基礎上，王毅等[10]提出了一種基于矢量活動輪廓模型的DTI 腦胼胝體分割方法，該類算法對于局部某個腦區的分割效果尚可，但是，對分割大腦多個腦區的效果欠佳，而且由于分水嶺算法對于邊緣信息的敏感度，容易導致其產生過分割的現象；Lenglet 等[11]提出了張量空間的高斯概率活動輪廓模型分割算法對DTI 大腦數據進行分割，并推導出了用于衡量張量間不相似性的測地距離，但該算法的分割精準度和魯棒性會隨著DTI數據中高斯模型的變化而產生影響；Dai 等[12]提出了DTI 大腦縱向分割方法，但是，由于該算法對數據集的要求高，需要多次重復采集大腦數據來改善分割效果，且它的方法以結構圖像為主，僅利用DTI 成像的各向異性分數圖像，因此，并不適用于對普通DTI 大腦圖像的分割研究。綜上所述，由于腦部結構的復雜性以及腦部區域邊界的模糊性，上述方法在分割DTI 圖像的不同腦組織的精確度上差異很大，存在著一定的局限性。

針對上述方法的不足，本文提出了一種基于對稱圖像歸一化配準的DTI 腦區分割方法，它是以磁共振T1 圖像的分區圖為前提，利用ANTs 配準方法，結合對稱圖像歸一化的配準模型，將磁共振T1 圖像與DTI 的b0 圖像進行配準，從而獲取DTI 空間的位移場信息，再使用位移場將T1 圖像的分區圖映射至DTI 空間，最終得到DTI 圖像的腦區分割結果。本文選取了阿爾茨海默癥（Alzheimer's Disease, AD）患者作為實驗對象進行研究，而其發病時通常局部腦區會發生異常，因此，需要選取合適的方法對局部腦區的分割結果進行定量和定性的評估。以往的方法大多采用兩種方式：一種是針對DTI 圖像的局部腦區，通常會選用手動分割該區域，再將自動分割結果與其作比較，來驗證實驗的準確性。此方法對磁共振T1 圖像的適用性更高，但是，由于DTI 圖像的分辨率低，在此基礎上進行手動分割的效果不佳，容易因“金標準”劃分的錯誤而直接影響其最終結果。因此，本文采用的是定量評估中常用的另一種方法，即統計學的研究方法，它可以從側面反映局部腦區劃分的準確性，且該方法可結合DTI 圖像中的各向異性圖來更好地驗證AD 患者發病時相較于正常對照組（normal control, NC）其腦區異常部分。實驗結果表明，該算法取得了良好的分割結果，有助于精確地理解人腦微觀結構，進而更好地輔助臨床進行疾病的診斷。

1 對稱歸一化配準的多圖譜大腦擴散張量圖像分割方法

基于DTI 成像的全腦區分割方法是基于磁共振T1 成像的更深層研究，由于DTI 圖像的不易分割性，因此，實驗考慮將已得到的基于T1 成像的腦分割圖像通過某種配準和映射的方式轉換為對應的DTI 分區圖。基于磁共振T1 的大腦分割方法[13]是利用多圖譜的分割方法，借助多項式展開的配準和全局加權融合，得到最終目標圖像的分割結果。得到T1 分割圖像后，提取同一病例DTI 圖像的b0 圖像，將目標圖像與b0 圖像運用ANTs（advancednormalization tools）中的對稱歸一化（symmetric normalization，SyN）變換模型對兩者進行空間配準，將位移場參數映射至T1 對應的分割結果中，即可得到在DTI 空間上的全腦區分割結果，此方法將不易被手動分區的DTI 圖像進行了巧妙的轉換，利用磁共振T1 圖像的特點，得到了最終的分割結果。該方法的流程如圖1 所示。

圖1 DTI 圖像分割算法流程圖Fig.1 Flow chart of DTI image segmentation algorithm

1.1 ANTS 配準方法

由于不同人群的大腦解剖結構各不相同，因此，需要通過配準操作將不同的個體配準到同一個空間上，從而確定大腦的形態。ANTs[14]是近年來對2 個圖像進行配準中效果最好的軟件之一，它是基于C 語言進行編寫的，其運行速度較快，且不受圖譜與目標圖像的圖像大小限制，此配準包通常在Linux 系統下使用較為廣泛。

實驗中，使用ANTs 中的SyN 變換模型[15]進行配準操作，它是仿射變換和可變形變換的結合，以互信息作為其優化的指標，用最大化微分同胚映射空間內的互相關，優化了歐拉-拉格朗日配準技術所不能保證的相似性度量的對稱性。微分同胚是具有可逆性的映射[16]，通常假設剛性和縮放變換已經進行了提取，且圖像的邊界也能進行映射。在此空間中元素之間的最短路徑稱之為測地線，SyN 方法能夠保證在測地線連接2 個圖像（即圖像I 和圖像J）的前提下，使得2 個圖像都沿著形狀進行流線型移動，且無論相似度或優化參數如何改變，從圖像I 到圖像J 和從圖像J 到圖像I 的路徑一致。此外，在進行距離估算的同時，也要保證其對稱一致性，其映射情況如圖2所示。第1 行為初始化時的原始圖像I 和原始圖像J；第2 行為經過SyN 方法收斂后，這些圖像經過微分同胚變形后的狀態；第3 行為變形的位移場；第4 行為變換的函數。I（0.5）表示在0.5 時刻原始圖像I（0）變換后的圖像。

圖2 圖像I 和圖像J 的SyN 測地線路徑[17]Fig.2 SyN geodesic path of image I and image J[17]

1.2 b0 圖像的位移場映射

DTI 技術是近年來研究腦成像的新方向，它是利用水分子布朗運動的特點去間接反映人體組織結構，根據水分子的運動方向及形式去判斷其三維走向，從而達到研究腦功能的目的，對腦白質疾病及研究腦網絡的連接性、完整性及其他特點的評估提供了新的依據，具有磁共振T1 加權像、磁共振T2 加權像等其他常規MRI 圖像無法與之比較的優越性。b0圖像是DTI圖像在掃描時當b值為0 時生成的圖像[18]，b為擴散敏感系數，其表達式為

式中： γ為旋磁比；G為 磁場強度； δ為每個梯度脈沖施加的時間； Δ為脈沖施加的時間間隔。

從式（1）中可以得到，b值為常數，由施加磁場的梯度場強的參數來確定，且b的值越大，彌散運動發生時水分子越敏感，b0 圖像如圖3 所示。

圖3 b0 大腦圖像Fig. 3 b0 brain image

實驗中，將目標的待分割T1 加權圖像與DTI的b0 圖像通過ANTs 進行配準，得到其空間的對應位置信息及映射的位移場參數，再將此位移場映射至目標圖像的分區圖，即可得到在DTI 空間上的全腦區分割圖像。

1.3 FA 圖像

各向異性分數(fractional anisotropy, FA)[19]是用來反映分子之間的差別和離散性的表示方法，它的定義為

式中：FA為部分各向異性指數； λ1，λ2，λ3表示擴散張量的本征值， λ=(λ1+λ2+λ3)/3表示張量的平均擴散率。

FA常用于衡量擴散張量部分各向異性的程度，它的值在0～1 之間進行變化，當FA=0 時，則表示擴散各向同性；當FA=1 時，則表示擴散各向異性。目前，在臨床研究中，FA值的應用較為廣泛，其原因如下：

a.FA值不會隨著坐標系的改變而輕易進行改變，也就是說它具有旋轉不變性的特點。

b. FA 圖像可以獲取到腦灰質及腦白質之間的對比性，因此，它可以較為容易地對腦部的感興趣區域進行提取，適用于作為全腦區分割的參考比較圖像。

c. FA 圖像具有較高的信噪比，與腦區分割圖像進行點乘后可以較好地反映各個腦區的不同特征，便于后續的針對某個腦區或者某些區域進行分析，FA 圖像如圖4 所示。

圖4 FA 大腦圖像Fig. 4 FA brain image

由于FA 圖像是表示腦白質等組織各向異性及完整性的一個度量指標，而AD 患者發病時通常腦白質等區域容易發生異常。因此，本實驗選擇將DTI 的FA 圖像與磁共振T1 分區圖對應的各個腦區的標簽進行逐一點乘，提取出各個感興趣的腦區區域，再針對AD 患者發病時容易發生異常的腦區通過合適的統計學方法進行評估和驗證。

1.4 統計分析方法

實驗中，利用SPSS(statistical product and service solutions)17.0 軟件[20]對所得到的腦區分割結果進行統計學評價，運用獨立樣本t檢驗對AD 和NC 進行比較。在進行獨立樣本t檢驗前，需要對實驗數據進行正態分布的驗證，保證其滿足正態分布才能進行下一步的分析。因為只有滿足了這個前提，才可以保證計算出的統計量能夠滿足T 分布[21]。當P＞0.05 時，則接受原來的假設，認為對應腦區的差異不具有統計學意義；在P＜0.05時，則否定原先假設，認為對應腦區的差異具有統計學意義。在統計參數的比較中，選擇腦區圖像的灰度平均值進行統計學檢驗，灰度均值反映了圖像中所有像素灰度值的算數平均。均值越大，則說明圖像的亮度越大；均值越小，則代表圖像的亮度越小，其公式為

式中：An代 表計算得出的灰度均值；a1，a2，···，an代 表各個像素點的像素值；n代表像素點的總個數。

2 實驗數據

2.1 實驗環境與數據

本文所有的實驗均在Window10 系統下進行操作，運行環境為：內存8.0 GB；芯片Intel Core（TM） i7-8700 CPU @3.20GHz；算法是基于Matlab語言開發的，其版本為R2018a。實驗的第一個數據集來源于the Alzheimer’s Disease Neuroimaging Initiative（ADNI）[22]數據集的40 例磁共振T1 加權MRI 序列和其對應的DTI 序列圖像（其中，20 例為AD 患者病例，20 例為NC 對照組）；第二個數據集是15 例T1 加權像及它對應的標簽圖像，該數據集來自OASIS 數據庫，被用于MICCAI 2012多地圖集標記重大挑戰賽和研討會[23]。該數據集的標簽均由臨床的專家進行了手動標記，共標注了138 個結構，其中28 個標簽為非皮質層結構[24]，分別為：第三腦室、第四腦室、腦干、左/右半球伏隔核、腦白質、小腦白質、尾狀核、杏仁核、海馬、側腦室、蒼白球、殼核、丘腦、腹側間腦以及小腦小葉IV、VI-VII 和VIII-X。ADNI 數據集中的每例圖像數據的切片數量在201～254 之間，切片尺寸為1 96×197，其具體數據信息如表1 所示。MICCAI 數據集中的每幅圖像的切片數量在261～334 之間，切片尺寸為 256×256。2 個數據集合的各向同性分辨率均為1 mm×1 mm×1 mm。

表1 ADNI 數據集信息Tab.1 ADNI dataset information

2.2 實驗預處理

ADNI 數據集獲取的40 例數據是DICOM 格式的圖像，而后續的操作需要NIFTI 圖像進行操作，因此，首先使用Mricron 軟件中的dcm2nii.exe將所有圖像都轉變為NIFTI 格式的圖像，在軟件界面中通過File 中的DICOM to NIFTI 添加需要轉換的圖像或者文件夾即可進行轉換，將轉換后的DTI 圖像運用FSL 軟件進行了b0 圖像和FA 圖像的提取。

由于每例圖像數據的切片數目各不相同，為了便于后續的實驗操作及評價，將2 個數據集中所有的磁共振T1 圖像的切片數都調整成256×334×256。然后使用FSL 軟件中的BET-Brain Extraction Tool[25]對磁共振T1、b0 和FA 的顱骨進行了剝離操作，最后使用3D Slicer 下的N4ITK MRI Bias correction 對圖像進行偏置場校正，以保證圖像灰度的標準化[26]，去除多余噪聲等干擾信息。實驗預處理后的T1、b0 和FA 圖像如圖5 和圖6 所示。

圖5 預處理前后對比圖（AD 患者組）Fig.5 Comparison of before and after preprocessing (AD patient group)

圖6 預處理前后對比圖（NC 對照組）Fig.6 Comparison diagram before and after preprocessing (NC control group)

3 實驗結果與分析

本文在基于多圖譜的分割算法得到磁共振T1 圖像的分割結果后，進一步獲得了DTI 圖像的分割結果。實驗運用ANTs 的配準方法，結合DTI 的b0 和FA 圖像的特點，獲取了DTI 空間上的全腦區分割結果。圖7 為ADNI 數據集中AD 患者和NC 對照組的DTI 圖像的腦區分割結果。為了更加直觀地顯示其分割效果，用不同顏色區分了AD 與NC 最終分割結果中的各個腦區。

圖7 AD 和NC 的DTI 腦區分割結果Fig.7 DTI brain segmentation results of AD and NC

由于腦白質被神經軸突和髓鞘包裹，其主要用于對外周器官進行信息傳遞及協調[27]，白質的異常可以反映AD 患者大腦的功能性變化。因此，臨床上可以通過腦白質纖維束來對AD 局部異常進行判斷，其標簽圖像如圖8 所示。另外，腦灰質、海馬及顳葉也是早期AD 患者中可能發生異常的腦區。

圖8 腦白質的標簽位置圖像Fig.8 Image of the label position of the white matter of the brain

實驗中，將AD 和NC 的腦區運用獨立樣本t檢驗，結果如表2 所示。從表2 中可以看出，AD 患者相對于NC 對照組而言，它在大腦白質區域、灰質區域及海馬體等重要的中樞神經系統腦區發生了異常，經過SPSS 軟件的獨立樣本t檢驗，得出P＜0.05，證明AD 和NC 在這些腦區具有顯著性差異。

從結果中可以看出，基于DTI 圖像去研究AD 患者和NC 對照組的腦區結構可以反應老年時期大腦白質、灰質等容易產生異常的腦區的位置和功能性變化。同時，對于正常老年人個體的研究也可以加深對大腦神經性疾病（例如：AD, 輕度認知障礙（mild cognitive impairment, MCI）等）可能出現異常情況的理解與分析，從而為臨床獲取有價值的解剖及病理性信息提供了幫助和推進作用。

4 結 論

本文主要將原始的利用多圖譜對磁共振T1 圖像的大腦分割轉變為對DTI 圖像的分割。由于DTI 圖像的分辨率低，且是四維圖像，因此，很難手動地進行腦區的勾畫及劃分。因此，本文在基于T1 分區結果的基礎上，利用ANTs 的配準方法，將待分割的目標圖像與DTI 的b0 圖像利用SyN 配準模型進行配準，得到其映射的位移場信息，再將位移場映射至T1 圖像的分區圖從而得到在DTI 空間上的各個腦區分割結果。然后將該分區圖與DTI 的FA 圖像進行點乘，計算其圖像的灰度均值。利用統計學的獨立樣本t檢驗方法驗證AD 患者和NC 對照組在腦白質、腦灰質、海馬體和顳葉等腦區的異常情況，最終得到P＜0.05，則表示這些腦區具有顯著性差異，說明這些腦區是臨床上阿爾茲海默癥患者可能發生異常的腦區位置。另外，DTI 圖像能夠反映分子的擴散運動信息，對于腦白質的纖維束追蹤有著重要的影響意義，本文得到的DTI 腦區分割結果有望于在將來纖維束追蹤方面提供新的研究思路，更有望于在臨床上對大腦疾病的研究和診斷提供幫助和分析依據。