（模式识别与智能系统专业论文）计算神经解剖学中的分割算法研究.pdf

摘要 摘要 大脑的结构是其复杂功能的物质基础，脑组织与结构的分割是计算神经解 剖方法学研究的核心内容之一。由于m k i 图像中的各种干扰与大脑自身复杂性 等因素的存在，分割已成为一个典型的“病态问题”，是计算神经解剖学甚至整 个脑科学研究与应用道路上的瓶颈。作者针对计算神经解剖学中“脑组织分割、 神经结构分割和脑病变区分割”三个基本问题进行了深入细致的研究，提出了 相应的计算理论与算法，并将这些算法应用到神经科学的实际问题研究当中。 论文的主要工作可以简单总结如下： ( 1 ) 对脑组织分割问题进行深入分析，建立了脑组织分割问题的系统描述。 ( 2 ) 提出脑组织属性分布的空间不平稳性概念与局部脑组织分布模型，丰富 了m r i 脑组织分割理论。 ( 3 ) 提出了多上下文模糊聚类( m c f c ) 算法，解决了m r i 脑组织分割研究 中灰度不均匀性这一经典难题。 ( 4 ) 提出了基于解剖知识的多上下文模糊聚类( a d m c f c ) 算法，进一步完 善了原有m c f c 的性能。 ( 5 ) 提出了基于灰度直方图统计的f c m 快速实现算法，显著加速了m c f c 脑组织分割的速度。 f 6 ) 基于m c f c 提出了多通道信息融合m s 病变分割算法。 ( 7 ) 提出了两种基于扩散张量成像( d t - m r i ) 的白质束分割算法 作者还与北医三院合作将m c f c 脑组织分割算法应用到强迫症患脑组织定 量分析研究当中，得到了强迫症患者的脑白质归一化体积显著大于正常对照的 结论，为强迫症患的临床诊断提供参考指标。 第i 页 英文摘要 m r i m a g es e g m e n t a t i o n i nc o m p u t a t i o n a l n e u r o - a n a t o m y a u t h o r ：c h a o z h ez h u s u p e r v i s o r ：t i a n z ij i a n g a b s t r a c t s t r u c t u r ei st h eb a s i so ff u n c t i o n s e g m e n t a t i o n , w h i c hp l a y sa i l i m p o r t a n tr o l ei n c o m p u t a t i o n a ln e u r o - a n a t o m y , i sa ni l l - p o s e dp r o b l e mc a u s e db y b o t ha r i f a c t si nm r i m a g e sa n dc o m p l e x i t i e so f t h eb r a i ni t s e l f c o n c e p t s ，t h e o r i e sa n da l g o r i t h m sa r e p r o p o s e d i nt h ed i s s e r t a t i o nt o d e s c r i b e ，m o d e l a n ds o l v et h e p r o b l e m s i n s e g m e n t a t i o no f b r a i nt i s s u e s ，l e s i o n sa n d s u b c o r t i c a ls t r u c t u r e si nm r i m a g e s m a i n c o n t r i b u t i o n so f t h ed i s s e r t a f i o nc a nb es u m a r i z e da sf o l l o w s ( 1 ) ac o m p l e t em a t h e m a t i c a ld e s c r i p t i o no f t h ep r o b l e mo fm r ib r a i nt i s s u e s e g m e n t a t i o nw a ss e tu po nt h eb a s i so f n e u r o a n a t o m i cc o o r d i n a t i o n sa n d f o u rs p a c e so fl a b e l i n gt r a n s f o r m a t i o n ，b i o p h y s i c a lp r o p e r t i e s ，t h e o r e t i c a l m r i s i g n a la n do b s e r v a t i o nm r is i g n a l ( 2 ) ac o n c e p to fi n s t a b i l i t yo fs p a t i a ld i s t r i b u t i o n so fb r a i nt i s s u e sp r o p e r t i e s a n dal o c a ld i s t r i b u t i o nm o d e lo fb r a i nt i s s u e sw e r e p r e s e n t e dt oe x t e n dt h e t h e o r yo f m r i t i s s u es e g m e n t a t i o n ( 3 ) m u l t i c o n t e x tf u z z yc u s t e r i n g ( m c f c ) w a sp r o p o s e da n ds u c c e s s f u l l ys o l v e t h ei s s u eo f i n t e n s i t yi n _ h o m o g e n e i t i e s ，a no p e np r o p l e m i nm r ib r a i nt i s s u e s e g m e n t a t i o n ( 4 ) a n a t o m y - d e p e n d e n tm c f c ( a d m c f c ) w a sp r o p o s e dt oi m p r o v eo r i g i n a l m c f c b ya d j u s t i n gt h ec o n t e x ts i z ea c c o r d i n gt oc o n t e x t sl o c a t i o ni nt h e b r a i n ( 5 ) ah i s t o g r a ma n a l y s i sb a s e df a s ti m p l e m e n t a t i o no ff u z z yc m e a n s ( f c m ) h a db e e n p r o p o s e d t oa c c e l e r a t em c f c s i g n i f i c e n t l y 第1 订页 英文摘要 ( 6 ) t w om e t h o d sw e r ep r o p o s e dt oi s o l a t ea n a t o m i c a l l yd i s t i n c tw h i t em a t t e r f a s c i c u l e sf r o md i f f u s s i o nt e n s o r m r i ( d t - m r i ) d a t a ：p r o p a g a b l e r e g i o n g r o w i n g ( p r g ) a n d d e f o r m a b l em o d e lb a s e ds e g e m n t a i o n ， ( 7 ) ak n o w l e d g e - g u i d e d f u s i o nf r a m e w o r kw a s p r o p o s e d o nt h eb a s i so fm c f c a l g o r i t h ma n di n f o r m a t i o nf u s i o nt h e o r yt os e g m e n tm s l e s i o n sf r o mt 1 一， t 2 一a n d p d w e i g h t e di m a g e so f m sp a t i e n t s ( 8 ) i n ae o o r p e r a f i o ns t u d yw i t h3 “h o s p i t a l ，b e k i n gu n i v e r s i t y , d i f f e r e n t si n b r a i nt i s s u e sv o l u m e sb e t w e e n 8 p a t i e n t s w i t h o b s e s s i v e - c o m p u l s i v e d i s o r d e r ( o c d ) a n d 8n o r m a lc o n t r o l sw e r es t u d i e do nt h eb a s i so f p r o p o s e d m c f cm e t h o d t h er e s u l t ss u g g e s t e dt h a tn o r m a l i z e dw h i t em a t t e rv o l u m e o fo c dp a t i e n t si s s i g n i f i c a n t l yl a r g e r t h a nt h a to fc o n t r o l s ，b u tn o s i g n i f i c a n td i f f e r e n c e so c c u r e d i ng r a ym a t t e ra n dc s f 第i v 页 独创性声明 本人声明所成交的论文是我个人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的任何 贡献均己在论文中作了明确地说明并表示了谢意。 签名日期：鲨兰：! ! 。 关于论文使用授权的说明 本人完全了解中国科学院自动化研究所有关保留、使用学位论文的规定， 即：中国科学院自动化研究所有权保留送交论文的复印件，允许论文被查阅和 借阅；可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段 保存论文。 ( 保密的论文在解密后应遵守此规定) 签名：粗导师签名： 期 l t o d 廿3 p 第一章绪论 第一章引言 揭开大脑的奥秘是全人类的共同梦想1 1 1 论文研究的科学背景 大脑是人类的神经中枢，负责支配和指挥人体的基本生理活动( 脏器的活 动、肢体的运动、感觉的产生、肌体的协调等) 和高级认知功能( 语言、思维、 感觉、情绪) 。揭开大脑的奥秘一直是全人类的共同梦想! 大脑的结构是其复杂功能的物质基础。计算神经解剖学为寻找不同状态下 大脑之间细微而又重要的结构差异，加深对大脑结构与功能的认识提供了强大 的计算理论基础。脑结构分割是计算神经解剖方法学研究的核心内容之一，而 m r 脑图像中的各种干扰与大脑自身的复杂性使其成为一个典型的“病态问 题”，求解非常困难。因而分割问题己成为计算神经解剖学甚至整个脑科学研究 与应用道路上的瓶颈。更好地解决这个经典难题，推动揭开大脑的奥秘的进程 是本人博士论文研究的原动力所在。 1 1 1 脑科学 对脑的奥秘的探索，人类己走过漫长的历程。综合多个学科手段研究脑功 能与脑疾病的脑科学形成于二十世纪六十年代。脑科学从分子水平、细胞水平、 整体水平和行为水平研究自然智能机理，建立脑模型，揭示人脑的本质。当前 世界范围的脑科学研究主要致力于三个方面：认识脑、保护脑和开发脑。认识 脑就是要揭示脑功能的本质，保护脑就是要预防和治疗脑的疾病，开发脑就是 要发挥人脑的潜在能力。认识脑是其他两个领域的基础，当前研究的主要趋势 是在分子、细胞和整体水平对脑功能和疾病进行综合研究，并从脑的发育过程 了解脑的构造原理。 脑科学的发展对揭示脑功能奥秘、防治老年性痴呆等神经系统疾患、开发 人类智力、认识人类自我等都有重要意义。除此之外，对脑构造与工作原理的 深入了解还能够促进现代人工智能等众多学科的发展与创新。比如人类强大的 学习、记忆、联想、推理能力；信息的并行处理与多目标决策能力；人类敏感 第1 页 计算神经解剖学中分割算法研究 的视觉、听觉与触觉感知能力等等。理解和掌握人类这些能力的结构与功能基 本原理，对开发智能人机交互、智能信息处理与决策系统，甚至仿人的智能系 统都有极大的帮助。 脑科学研究的重大科学价值、深远的社会意义及其对国家发展的重要战略 意义都使它成为世界各国争相研究的重点科学领域之一，美日欧等发达国家纷 纷于2 0 世纪9 0 年代制定了脑科学研究的长远计划，并宣称2 l 世纪是“脑科学时 代”。脑科学研究在我国虽然起步较晚，但却受到极大的重视。国家已把脑研究 列入了重大基础科学研究项目：“攀登计划”。日前我国又加入了“人类脑计划” 这项国际性合作科研项目，成为第2 0 个成员国，我国科学家和国际同行一起向 这一科学堡垒”发起了冲刺。 1 1 2 计算神经解剖学 计算神经解剖学是从多种模态的脑影像出发，通过计算的手段，建立脑的 发育图谱，功能图谱，疾病退变图谱，进而在整体水平上探索脑的复杂结构与 功能的前沿学科。它是计算科学、神经影像学以及神经解剖学的有机结合，是 脑科学研究的基础组成部分，是进一步加深对大脑结构与功能的认识的崭新手 段【”。 计算神经解剖学近十几年的发展，已取得了令人瞩目的成果，极大的促进 了脑科学的进展，成为脑科学研究不可或缺的工具。借助计算神经解剖学，我 们可以在整体水平上，对脑发育、脑老化进行更加深入与细致地研究 【3 】【4 】【5 】【6 】【7 【8 】【9 】【1 0 。借助计算神经解剖学还可以揭示精神疾病患者脑结构上的细微 特征，将这种细微特征与临床症状相联系，有望为临床提供更加客观有效的诊 断依据【1 1 1 1 1 2 】 1 3 】【1 4 l 【1 5 【1 6 】 17 1 。另外，计算神经解剖学与基因研究结合在一起还能解 释遗传因素对脑结构与功能的影响f 1 ”。 随着新的成像模式不断涌现，计算神经解剖学也在不断地向前发展。计算 神经解剖学的研究经历了从单一结构图像中建立脑组织和结构的定量描述，到 不同模态结构图像的融合，甚至结构与功能图像的融合 6 1 1 ，从而实现结构与功 能联合。基于d t - m r i 计算神经解割学能够提取和分析特定白质柬，为研究神经 传导与功能区连接提供了新途径【1 ”。 1 1 2 1 计算神经解剖学的形成 第2 页 第一章绪论 c t 与m r i 等现代活体成像技术的出现为非侵入式活体颅内神经结构测量 提供了机会，极大丰富了人类对自身大脑认识的广度与深度，成为脑科学研究 历史上的里程碑。然而无论是什么样的成像模式，它只提供了一种成像手段。 从神经影像数据中提取更丰富更详实的信息来辅助基础研究和临床诊断才是神 经影像学的最终目的。 “灯箱法”是放射科医生从患者图像中获取相关信息的传统方式：把影像 胶片固定在一个灯箱上，在放射科医生用肉眼浏览和察看后，根据自己的经验 给出诊断结果。此时信息提取的手段主要是医生的视觉感知和经验积累。虽然 人类高级的视觉感知功能和医生经验的结合很容易检测出图像中明显的异常区 域，但是这种信息获取方式也存在以下诸多不足。 ( 1 ) 灯箱法完全依赖医生的经验，存在较大的主观性 由于经验不同，不同医生的诊断结果不尽相同。而对于那些细微的、多发 性的不明显异常区域，即使是同一医生，在不同的时间、环境以及疲劳程度等 条件下诊断结果也会有所不同。传统的灯箱法在诊断结果的一致性与可重复性 方面存在明显的不足。 ( 2 ) 灯箱法无法提供定量信息 通过浏览灯箱上的患者头部扫描胶片，医生通过视觉感知与自己丰富的经 验，能够较快地在图像中发现并确认肿瘤、中风、脑室增大、皮层萎缩以及其 它较为明显的定性的异常特征。但要进一步获取异常区域的定量描述就变得非 常困难。 ( 3 ) 灯箱法难以提取神经结构的三维信息 灯箱上患者头部的扫描胶片均系二维图像，因此医生仅凭借视觉感知，很难 提取出图像数据中神经结构固有的三维结构信息。这对研究各种神经解剖结构 及其空间相互关系极为不便。 ( 4 ) 灯箱法无力进行成组研究 灯箱法不能对图像进行标准化而进行成组统计比对研究，因此只能局限于个 体神经影像异常特征的识别诊断研究，这对基础研究来讲极为不便。 ( 5 ) 灯箱法的效率太低 第3 页 计算神经解剖学中分割算法研究 在c t 、m 砒等医学影像设备成像分辨率提高与扫描范围逐渐扩大，患者影 像数据大量增加的情况下，这种获取信息的传统方式极大的增加影像科医生或 其它医学研究人员的工作负担，并且造成极大的专业资源浪费。 随着计算机技术的普及和应用，计算机辅助神经影像分析技术越来越多地 为广大医学工作者所接受。与传统的信息获取方式相比，基于数字图像数据的 计算机辅助神经影像分析技术可以在一定程度上克服上述某些方面的不足。比 如，基础研究和临床医生都可以借助专业图像分析软件，在计算机所提供神经 影像三视图上，以手动方式在c t 与m r j 图像上进行宏观脑结构的形态学定量 测量与分析。但这些信息的获取主要还是依靠人类的视觉感知。此时计算机只 是作为图像显示与手动操作的交互工具存在，并不能给神经影像学以及脑科学 研究带来突破性的推动力。 仅依靠视觉与医生经验从图像中获取信息的传统方式极大束缚了神经解剖 学与神经影像学的发展，因此需要一种全新的智能系统，通过“计算”的方式， 自动、充分和客观地从神经影像数据中获取信息。这就是最广泛意义上的计算 神经解剖学。计算神经解剖学正是基于以上背景产生出来的一门充满活力的交 叉学科【2 2 1 。它是计算科学、神经影像学以及神经解剖学的有机结合，是进一步 加深对大脑结构与功能的认识的崭新手段口o 【2 1 】【2 3 】 2 4 】 2 5 】【2 6 1 。 1 1 2 2 计算神经解剖学的基本研究方法 利用计算神经解剖学方法研究神经科学问题的基本流程如图1 - 1 所示。对于 给定的神经科学问题，设计合适的实验并获取被试的影像数据是整个计算神经 解剖学研究的“输入”信息；计算神经解剖学研究的“输出”则是实验结论。 计算神经解剖学研究的第一个环节是从影像数据中将感兴趣的神经结构分割出 来并赋予一定的数学表达形式( 0 ，1 ，2 或3 维的几何流形) p 1 】p 6 j 。这一步是本 文研究的重点。计算神经解剖学研究研究的第二个环节是利用简单的平移、旋 转等刚体变换或者复杂的非线性变换，将全部个体目标结构变换到同一个坐标 空间中，建立个体目标结构间的解剖对应关系【2 7 j 2 8 1 口卯【3 0 j 。计算神经解剖学研究 的第三个环节是在这个标准空间中提取个体目标结构的组织分布密度、变形矢 量或者变形张量等特征，并对群体测量结果逐点地进行统计分析与推断 2 ”。最 后对统计结论进行解剖学与生理学解释。 第4 页 第一章绪论 图1 - 1计算神经解剖学研究的基本流程 根据目标结构所提取特征的不同，当前计算神经解剖学的研究方法大体分 为以下三种：基于体素的形态测量学( v b m ) 【2 3 】：基于变形的形态测量学( d b m ) 2 4 1 和基于张量的形态测量学( t b m ) 。如图1 - 2 所示，而从计算理论角度出发计 算神经解剖学算法研究可以分解为以下几个研究领域：分割理论、形状描述理 论、配准理论与数理统计理论。 图1 2计算神经解剖学算法研究的基本内容 1 2 计算神经解剖学中的分割问题 众所周知，脑中各种神经结构的提取及其形态学分析作为脑研究的一个重 要内容受到了神经科学、治疗评价以及图像引导的脑外科手术等多个基础与临 床研究领域的关注。而如何精确地分割出这些感兴趣的神经结构是研究人员面 临着的一个困难而又十分重要的挑战 3 1 1 5 6 l 。 手动分割是神经影像形态学研究中的一种传统方法。其优点是对噪声、灰 度不均匀性等图像干扰不敏感。分割者本身的经验与知识能够自然地融合在分 割过程中，使分割结果不会出现大的偏差与错误。但是无论从分割的效率还是 分割结果的精确来看，手动分割都已远远不能满足现代神经科学研究的要求。 现在c t 、m r i 等医学影像设备的扫描精度与速度都有显著提高，仅常规扫描 就包括高分辨率的三维全脑像与低分辨率的t 2 像( 一套三维脑图像大小约为 1 0 m b ) 。如需附加扫描检查，那影像数量就会进一步增加。对每一张影像以手动 第5 页 计算神经解剖学中分割算法研究 的方式进行分割，不但非常耗时费力，而且造成了医学研究人员极大的专业资 源浪费。当进行成组研究时，全部数据量等于每个被试的数据量乘以被试数量。 这样海量的数据使得完全依赖手工操作的传统研究方法几乎不可能。找出不同 人群问脑结构的差异是神经科学研究的一项重要内容。但是这些结构差异往往 是很细微的，必须通过精确的计算，以统计的方式获得。手动分割的精度很难 满足要求。 计算神经解剖学分割算法研究的目的就是“如何充分的利用m r i 脑影像信 息及图像以外的各种先验信息，更加自动、准确、快速和鲁棒地分割出感兴趣 的神经结构”。从计算神经解剖学研究所关注的感兴趣的神经结构( 分割对象) 出发，可将m r l 分割算法的研究分为如下三个基本问题：脑组织分割、特定神 经结构的分割和脑病变区的分割。 1 2 ，1 脑组织分割问题 在解剖学中，正常大脑组织可以被分为脑自质、脑灰质与脑脊液这三种基 本类型。其中脑灰质是指浅棕灰色的脑神经组织，由神经细胞的胞体和树突及 一些相关支持组织组成。它主要分布在脑皮层以及皮下结构，是实现脑功能的 重要区域。脑白质是指大脑中的白色神经组织，主要由有髓鞘的神经纤维组成， 负责不同脑功能区之间的信号传递。脑脊液为无色透明的液体，充满在各脑室、 蛛网膜下腔和脊髓中央管内。脑脊液由脑室中的脉络丛产生，与血浆和淋巴液 的性质相似，略带粘性。脑脊液具有保护和营养脑及脊髓的作用。 研究表明，脑萎缩、脑灰质缺失、脑组织比例失常、脑组织分布对称性改 变、脑皮层变薄以及脑室异常增大等脑组织形态改变与脑发育、脑老化以及脑 疾病密切相关，因此脑组织分割是神经解剖学研究的一个重要问题6 【7 【引。从方 法学本身考虑，组织分割还是计算神经解剖学经典方法“基于体素的形态测量 v b m ”中的一个重要步骤【2 3 1 ：是计算神经解剖学中配准算法提取配准特征信息 的重要手段：是脑皮层分割算法的基本步骤【3 5 1 ：是特定神经结构和脑病变分割 问题中提供组织分布空间约束的基本手段。因此m r i 脑组织分割算法的研究对 神经解剖学问题和计算神经解剖方法学本身都有重要价值。 1 2 2 特定神经结构的分割问题 第6 页 第一章绪论 神经解剖学研究表明，大脑是由许多大小不同、形态各异的神经结构相互 连接组成。对于脑灰质有大脑皮层及其功能区、丘脑，海马、豆状核和尾状核 等；对于脑白质有胼胝体，扣带束，锥体束等传导束；另外还有许多被脑脊液 充斥着的重要结构；侧脑室，第三、第四脑室与脑皮层处的众多脑沟等“1 。这些 子结构是人类大脑实现复杂功能的结构基础，它们在体积、形态等方面的变化 与人脑发育以及多种神经疾病有着密切关系。神经结构的形态学分析、建立脑 结构的变化与脑疾病发展之间相关性的定量描述都有助于揭示这种内在关系。 因而特定神经结构的分割对神经解剖学研究具有重大意义。 1 2 3 脑病变的检测与分割问题 脑病变的检测与分割是指从影像数据中检测并分割出病灶区域，从而获得 关于病变的位置、大小、形态以及随时间的变化情况等一系列重要信息的过程。 将这些测量信息与病人临床症状量表进行相关分析，找到与疾病最为相关的综 合指标，可以为跟踪病情发展，药物疗效评价，辅助脑外科手术计划等提供可 靠的定量依据。例如“多发硬化”的病变区总体积是反映患病的严重程度的一 个重要的定量指标1 7 5 1 1 8 0 】1 8 2 】 9 3 。 手动方式的病灶区域检测与分割只能在二维图像上进行，非常耗时、费力， 而且分割结果的一致性与可重复性往往较差。这些都给进一步的形态学测量带 来极大的不便。基于计算神经解剖学的脑病变分割则可以自动、准确、快速的 完成上述工作，充分体现了计算神经解剖学在神经疾病研究与治疗中的重要地 位。也正因为这个原因，病变区的分割算法研究也得到了广泛的关注，成为计 算神经解剖学分割算法研究的一个重要内容。 与计算神经解剖学前两个基本问题相比，脑病变的检测与分害4 问题更加复 杂，更加贴近临床诊断。因此成功的自动检测与分割算法需要放射科医生与神 经内，外科医生的共同参与。系统、详细地收集与整理专家的诊断经验( 如： 有无钙化，出血，水肿症状等) 并将它们转化为计算机可以利用的图像表征与 先验信息是病变检测与分割的重要环节。 1 3 计算神经解剖学分割算法的应用领域 第7 页 计算神经解剖学中分割算法研究 计算神经解剖学分割算法在神经科学、图像导引脑外科手术与手术模拟、 药物治疗评价和计算神经解剖方法学等诸多研究与应用领域都有重要作用。 ( 1 ) 神经科学研究领域 神经科学研究的多个方面都涉及到计算神经解剖学的分割问题。例如脑发 育研究力图找出在正常个体与患病个体中不同脑结构或区域在生长模式( 包括 生长速度、结构体积以及形状等) 之间的差异。显然要定量刻画正常个体与患 病个体中某种脑解剖部位在不同发育时期的结构差异，必须先在神经影像数据 中提取( 分割) 出该结构。另外通过对同一患者进行跟踪成像，利用分割算法 对病变区迸行检测并对病变区的变化进行分析以预测病变的发展。 根据脑组织分割结果以及图像体素的物理尺寸可以计算出脑体积( 灰质体 积与白质体积之和) 以及相对萎缩量( 脑脊液与全脑体积之比) ；类似的，可以 根据脑结构分割结果计算出目标结构的体积。这些定量测量为研究正常人脑的 发育与功能提供基础数据，也可以为治疗神经性脑功能疾病患者提供重要的治 疗参考信息。目前，通过对各种相关脑结构的体积测量已经获取了关于癫痫症 ( e p i l e p s y ) 和阿耳茨海默氏病( a l z h e i m e r sd i s e a s e ) 治疗过程的极有价值的信 息，大量结果显示阿耳茨海默氏病人存在明显的脑萎缩与白质区m r i 信号过高 现象【1 2 】 1 3 。另外多发硬化( m u l t i p l es c l e r o s i s ) 与癌症的病变区的总体积可以在 一定程度上反映出病情，因此准确检测与分割病变对辅助诊断和治疗评价有很 大帮助。 ( 2 ) 药物治疗评价 计算神经解剖学分割的另外一个很有影响的领域是药物治疗评价( d r u g t h e r a p ye v a l u a t - i o n ) 。首先在药物治疗期间不同的时间点获取病人的影像数据。 然后将这些不同时间点的图像配准后，分割出正常和病变脑组织。最后测量不 同时间点上病变组织的体积，形态等方面指标，并用指标变化来评价治疗中所 使用药品的疗效。 ( 3 ) 图像引导的脑外科手术与手术模拟 计算神经解剖学分割是图像引导脑外科手术计划与模拟( i m a g e g u i d e d s u r g e r y a n ds 砰i c a ls i m u l a t i o n ) 的基础环节【3 1 1 1 33 1 。借助分割算法可以确定肿瘤 第8 页 第一章绪论 的三维坐标，帮助确定肿瘤切除的手术线路。在体内探测手术时，可以作为探 测工具的导航设备，以避免接触和破坏重要的脑结构。 ( 4 ) 计算神经解剖方法学研究领域 分割算法对计算神经解剖学其它研究方面也有着重要的作用。脑结构的分 割是脑结构形状分析的基础；分割结果为图像配准提供特征信息，可以加快配 准速度，提高配准的精度与可靠性；分割结果还是多模态图像信息融合的基础 6 1 】 1 4 计算神经解剖学分割算法研究中的困难 尽管m r l 分割算法方面的研究已经很多，出现了各种各样的自动和半自动 分割算法，但离彻底解决这个问题还有相当远的距离f 3 9 】1 5 3 】f 5 1 】1 5 6 1 。研究中的困难 主要来自以下几个方面：( 1 ) 神经影像数据质量问题；( 2 ) 大脑自身的复杂性 与个体差异性；( 3 ) 图像信息的不充分性。 1 4 1 影像数据质量问题 影像干扰是指那些存在于影像之中，而成像对象却不具有的特征。影像干 扰信号的分布与被成像组织空间分布无关。有些影像干扰是因为成像设备操作 不当造成的，有的是成像机理本身所不可避免的。下面介绍几种常见的影像干 扰。 1 4 1 1 量测噪声 在磁共振成像过程中的热噪声、电磁噪声在图像中常常反映为高斯噪声或 椒盐噪声。这些噪声信号会导致空间图像灰度分布的变化，破坏分割对象的信 号均匀性与边缘的连续性，进而影响到分割结果的质量。对同样一种分割算法 而言，图像信噪比越高，分割质量越好；反之分割质量越差，甚至导致严重错 误的分割结果。为克服噪声的影响，很多分割算法需要对图像先进行降噪( 滤波) 处理，也有些算法采用先验约束的方法在分割的同时来抑制噪声的影响口“。 1 4 1 2 偏差场 磁共振成像设备中磁场不均匀和信号读取线圈敏感性的不均匀都会导致射 频不均匀( r fi n h o m o g e n e i t y ) ，进而引入不同程度的乘性噪声。这种噪声会影响 第9 页 生苎垫丝墼型兰主坌型簦垄堡塞 整个图像域( 层内的和层间的) 信号变化，使图像中呈现一个全局的、低频的、 连续的阴影，称作偏差场( b i a sf i e l d ) 或阴影效果( s h a d i n ge f f e c t ) 【3 8 5 1 。 图1 - 3偏差场对灰度信号分布的影响【5 6 3 图1 3 ( a ) 与( c ) 分别对应图1 - 3 ( b ) 与( d ) 中两条直线上的灰度。可以看 到由于偏差场的存在，使得同种脑组织在不同的空间位置呈现不同的信号强度。 偏差场会造成灰度特征空间上不同组织间信号分布的混叠，使分割问题更加复 杂和困难。因此偏差场的估计与校正问题是m r i 倍受重视，成为计算神经解剖 学中一个很有实用价值研究方向f 3 6 】 3 7 【3 8 1 1 4 1 】f 4 3 】【4 5 】【4 6 1 4 8 】【4 8 1 4 9 【5 1 】【5 2 】【5 5 】【8 4 】。 1 4 1 1 3 成像分辨率与部分容积效应 磁共振成像一般分辨率约为毫米量级，这远大于神经细胞个体尺寸( 最大几 十个微米) 。因此在同一象素( 最小成像单位) 内可能会同时包括多种的脑组织 成分。此时象素的信号强度将不同于任何一种脑组织，而是其内各种脑组织成 分所贡献信号的加权平均。这种现象被称作部分容积效应。主要发生在组织间 边界处的这种平均效应会引起组织边界模糊，从而影响基于边缘分割算法的准 确性；另外此类像素的存在还会影响脑图像信号的分布 4 7 1 1 5 0 ，影响基于灰度分 割算法的可靠性。总之部分容积效应也是分割算法所面临的困难之一。 1 4 1 4m 砌数据质量优化 以上几个方面的m r 数据质量问题之间相互关联、相互制约。根据我们的 研究经验，对于改善图像质量有一点值得算法研究人员注意。这就是在试验设 第1 0 页 第一章绪论 计和数据采集阶段一定要与放射科专家共同讨论，根据实验的最终目的，在允 许范围内设计最佳成像参数( 比如：磁共振场强，层厚，层间距，面内分辨率， 平均次数，带宽等等) ，以便获取最佳质量的影像数据。 值得一提的是，3 t 场强的磁共振设备也正在我国一些研究机构与医院中陆 续出现，这势必会大大提高神经影像数据的质量，降低各种影像干扰对计算神 经解剖学研究的造成的不利影响，促进计算神经解剖学乃至脑科学的研究。 1 4 2 大脑的复杂性与个体差异 人类的大脑，重量约为1 5 公斤，由1 4 0 亿个神经细胞组成，被认为是自然 界中最复杂、最高级的系统。大脑的复杂性，在微观上体现为神经细胞在结构、 形状和功能上的多样性，而在宏观上则体现为大脑结构与功能的复杂性。神经 解剖学告诉我们，大脑是由许多大小不同，形态各异的解剖结构相互连接组成， 它们是人类大脑实现复杂功能的结构基础。另外个体间的差异性也是大脑复杂 性的一个体现。 1 4 2 1 脑组织生物物理属性分布的复杂性 脑白质、脑灰质与脑脊液这三种不同类型的脑组织在组成成分、微观构筑 等生物属性方面存在差别，因而对应的t 1 、t 2 弛豫时间，质子加权密度等属性 也会存在差异，从而使脑磁共振影像成为可能。事实上，不仅在不同组织间存 在着这些差异，同种脑组织内部的不同区域和结构之间也存在着类似的差异， 只不过差异程度较小而已。脑组织内部的这种属性差异反映在磁共振图像上就 是同种脑组织内部的不同神经结构的信号强度存在一定的差异。比如，胼胝体 内的纤维束比其它部位的白质纤维束排列更加密集，方向更加一致【5 6 1 ，因而在 t 1 加权像中，胼胝体要比其它区域的脑白质要亮。这正是由于不同位置上脑白 质的微观构筑不同所致。再如，脑皮层与皮下灰质结构中的神经细胞的类型以 及细胞排列层次等诸多方面的差异，导致了t l 加权像中脑皮层与皮下灰质结构 信号的差异。我们把这种同种脑组织内部信号差异叫做“组织内信号的固有变 化”。与前面介绍的偏差场效应相似，“组织内信号的固有变化”也会使同种脑 组织的磁共振信号在不同的空间位置有所不同。当这种组织内信号的固有变化 的程度较大时，会造成组织间信号分布的混叠。因此各种基于灰度统计分布与 第1 1 页 计算神经解剖学中分割算法研究 传统脑组织图像模型的分割算法都会受大严重影响。从图1 - 4 中的灰度直方图上 可以进一步看出，壳核的灰度分布更接近于脑白质。 ! ! ” 三 z l = = = 。p 。u t 8 。m ” ， t ：、；? i j 一、 一 - 。 j ， ，、 o 。 ”。：，。” 8“ 图1 4脑组织属性的固有变化【“ 1 4 2 2 子结构形状的复杂性和个体差异。陛 大脑是由许多大小不同，形态复杂程度不一的子结构组成，它们是人类大 脑实现复杂功能重要的结构基础。因此对这些子结构的形态学研究是神经解剖 学研究的一个重要组成部分。子结构的形状复杂性是指其形状不是圆、矩形或 直线等简单的常规形状，因此计算表达性难度更大，例如：大脑皮层要用极其 复杂的曲面才能精确的表示，脑室、海马等形状也相当复杂。这些都增加了特 定脑解剖结构分割问题的复杂性和难度。另外，人类的大脑千差万别，没有两 个人的大脑是完全相同的，即使同卵双胞胎的大脑也不相同形状、大小、 第1 2 页 第一章绪论 功能无一相同。因此子结构分割问题的复杂性还受到个体结构形状差异性的影 响。 1 4 3 图像信息的不充分性 大脑中的一些子结构( 比如丘脑) 的灰度边界不明显，甚至不存在明显完 整的灰度边界。这使得完全基于灰度与灰度变化信息的分割算法不再有效。此 时必须引入图像以外的信息增加问题的约束( 如基于学习的形状约束等) ，降低 问题的病态性。为获得这样的约束信息，需要统计学习的参与。统计学习样本 集的数量与质量将直接影响学习效果和最终的分割精度与可靠性，因此这需要 投入大量的专家时间来进行图像采集，预处理，手动分割和模型训练等。 下面图1 5 是我们在研究胼胝体分割问题中所采用的基于主动形状模型 ( a c t i v es h a p em o d e l ，a s m ) 的形变模型分割算法的框架。 图1 - 5基于a s m 的形变模型分割算法框架 除了以上谈到的困难之外，m r i 脑图像分割中还有一个实际困难。我们知 道在m r i 图像中，非脑组织( 头皮，颅骨，肌肉等) 中一些成分的灰度信号与 脑组织灰度信号非常接近，会影响脑分割算法的精度。因此脑组织与脑结构分 割方法一般要求先将m r i 图像中的非脑组织( 头皮，颅骨等) 成分剥离，只保 第1 3 页 计算神经解剖学中分割算法研究 留脑组织。这个预处理过程被称为形象地称为“剥皮”。正是由于非脑组织在某 些部位与脑组织粘连在一起很难分开，使得“剥皮”成为一个困难和繁琐的过 程。 1 5 论文主要贡献与章节安排 计算神经解剖学算法研究是作者博士学位期间的主要研究内容与方向。回 顾三年多时间里所作的工作，主要体现在以下几点： 1 建立了脑组织分割问题的系统描述 在脑解剖坐标系的基础上，分别引入了标号变换空间、生物物理属性空 间、m r i 理想信号空间和m r i 观测信号空间。依次研究了脑组织的生物物 理属在各空间中的表现特点，从生物物理学和影像学两个层次上全面分析了 脑组织分割问题的可解性与复杂性所在。在m r i 脑组织分割问题系统描述 的基础上，从信号处理的角度将问题分解为“观测信号空间中对m r i 理想 信号的估计”与“m r i 理想信号空间中的分类”两个子问题，进一步加深了 对脑组织分割问题的理解。 2 提出脑组织属性分布的空间不平稳性概念与局部脑组织分布模型 从生物物理学与实验角度明确提出了脑组织属性分布的空间不平稳性 概念，揭示了脑组织分割问题困难的深层次机理。借助这个概念以及偏差场 缓变分布的特点，提出了局部脑组织分布模型。对于脑组织分割问题而言， 在合适的空间尺度上，该模型对脑组织信号分布的空间不平稳性和偏差场干 扰“自然免疫”。因而从理论上避免了传统脑组织分割算法中的偏差场估计 与补偿环节和由此引入的诸多问题。 3 提出了与多上下文聚类m c f c 脑组织分割算法 在局部脑组织分布模型基础上，我们提出多上下文聚类方法。所谓多上 下文聚类是指对每一个图像点给出多个大小固定的不同聚类上下文。聚类在 每一个上下文中分别独立进行，然后通过一个信息融合算子将各个上下文中 得到的软决策加以整合，得出最终的分类结果。多上下文聚类策略进一步保 证了局部脑组织分布模型成立的可靠性，即少数聚类上下文的错误结果可以 由多数聚类上下文好的结果加以修正，从而保证了最终分类结果的准确性。 第1 4 页 第一章绪论 大量实验证明了m c f c 算法简单、快速、准确性。m c f c 算法非常符合神 经科学工作者使用要求。 4 提出了基于解剖知识的m c f c ( a d m c f c ) 分割算法 提出了三种脑组织局部分布比例测度，通过实验的方法揭示了三种脑组织比 例空间分布的非平稳特性，并借以说明不同脑区有不同最佳上下文尺寸这一事 实。为克服m c f c 算法固定上下文尺寸的缺陷，提出了a d m c f c 这一改进方法。 a d m c f c 根据脑解剖部位自动调整m c f c 算法中的上下文尺寸，从而在一定程 度上解决了三种脑组织比例空间分布非平稳性问题，使分割精度进一步提高。 5 提出了基于直方图统计的快速f c m 算法 针对m r 组织分割问题，提出了基于直方图统计的快速f c m 算法。将 快速f c m 算法其应用到m c f c 分割方法与第四章提出的多通道信息融合 m s 病变分割算法中，显著提高二者的计算速度。 6 提出的多通道信息融合m s 病变分割算法 7 基于d t i 数据提出了“基于形变模型的白质束分割算法”和“自传播 区域增长白质束分割算法”。开辟了d t - v i r i 计算神经解剖学研究的新 领域。 作者还与北医三院合作将m c f c 脑组织分割算法应用到强迫症患脑组织定 量分析研究当中，得到了强迫症患者的脑白质归一化体积显著大于正常对照的 结论，为强迫症患的临床诊断提供参考指标。 本文第一章为引言部分。这部分主要讲述了论文研究工作的科学背景，研 究内容、难点以及应用。第二章是整个论文重点部分，在这章我们针对脑组织 分割问题进行了系统、深入地研究，并在此基础上提出了多上下文模糊聚类分 割方法。针对m r 组织分割问题，在第三章中提出了基于直方图统计的快速f c m 算法，并将其应用到第二章提出的多上下文模糊聚类分割方法与第四章提出的 多通道信息融合m s 病变分割算法中。基于d t i 的神经传导束定量分析是计算 神经解剖学是一个探索性领域，第五章我们提出了两种白质束分割提取算法。 将计算神经解剖学应用于神经科学与神经疾病研究，也是作者攻读博士期间工 作的一部分内容。第六章对这些工作进行了小结。最后一章从整体上总结了全 第1 5 页 计算神经解剖学中分割算法研究 部论文工作，展望了计算神经解剖学的发展前景，并结合作者从事计算神经解 剖方法学研究三年多的实践浅谈了计算神经解剖学研究的现状与前景。 第1 6 页 第二章多上下文模糊聚类m r i 脑组织分割算法 第二章多上下文模糊聚类m r i 脑组织分割算法 2 1m 脑组织分割问题的数学描述 通俗的讲，脑组织分割就是根据m r i 图像数据及先验信息，判断图像中每 个像素对应组织类别( 脑白质w m 、脑灰质g m 与脑脊液c s f ) 的过程。对自 动分割算法的实现来讲这个描述过于简单与笼统，下面给出一个更加系统的描 述。首先我们先给出脑解剖坐标系s 。并在此基础上分别引入标号变换空间、生 物物理属性空间、m r i 理想信号空间和m r i 观测信号空间。依次研究脑组织生 物物理属在各空间中的分布特点后，在生物物理学和影像学两个层次上全面分 析脑组织分割问题的可解性与复杂性所在。在m r i 脑组织分割问题系统描述的 基础上，从信号处理的角度将问题分解为“观测信号空间中m r i 理想信号的估 计”与“i v i r