（生物医学工程专业论文）数字脑——计算解剖学方法及GPU技术应用的研究.pdf

a b s t r a c ta b s t r a c tt i u e ：d j g i t a lb r a i n - - r e s e a r c ho nm e t h o d so fc o m p u t a t i o n a la n a t o m ya n da p p l c a t i o n so ng p uc a n d i d a t ed o c t o r ：w uz h o n g l es u p e r v i s o r ：p r o f e s s o rl u 0l i - m i nn a m eo ft h eu n i v e r s i t y ：s o u t h e a s tu n i v e r s i t yw i t ht h ed e v e l o p f n e n to fb r a i ni m a g i n gt c ：h n 0 1 0 9 j e s ，b m i ni m a g i n gi st u r n e dt ob ev e r yi m p o r t a n tt ot h es t u d yo fn e u r o s c i e n c ea n dn e u m s u r g e r yt h er a p i dc o l l e c t i o no fb r a i n1 m a g ed a c as n m u l a t e sl h es t u d yo fm e t h e m a t i c sm e t h o d sa 1 1 dc o i n p u t a t i o n a la l g or i t h m sl oc o m p a r e ，p o o la n da v e r a g eb r a i nd a t aa c r o s sw h o l op o p u l a n o n s ，s oa st ot h a tan e wd i s c i p l i n ec o m p u t i o na 1a n a t o m yi se m e 曜i n g i nt h eb r a j nd a 【ad o m a nc o m p u t i o n a ln e u r o a n a t o m yf o c u s e st h es t u d ym a i n l yo nt h eb r a i na t l a sm o d e l i 雌，d e f o r m a b l em o d e la n dc o 兀1 a t i o nb c t w e e nb r a i ns t r u c t u r e sa n df u n c t i o n sm a p p i n gi nt h i sp a p e ls e v e r a lk e yp r o b l e m sw i m i nc o m p u t a t i o n a ln e u m a n a t o m ya r ei n t m d u c e da n dc o n d u c t e dt ot h er e s e a r c ho nt h cd e t e c t i o na n de x u 粥t i o no fb r a i ns t r l l c t u r e sa n da n a t o m i c a l1 a n 山n a r k s ，b r a i ni m a g er e g i s t r a t i o nt e c h n o l o g yb a s e do ne l a s t j cm o d e i ，a n dt ot h ei n i t i a lr e s e a r c ho nt h ec o n e xs e 2 i n e n t a t i o nb a s e do nk m e a n sc l u s t e r i n g a t1 a s tw es h o wt h es t u d yo ft h c印p l i c a t i o n so rp r o g m m m a b l eg r a p h i c sp m c e s s i n gu n i t ( g p u ) i nt h ev i s u a l j z a t i o no fd i g i t a l b r a i na n dt h ca c c e l e r a t e dm e d i c a li m a g ep r o c e s s i n g i nt h ea r e ao fb r a i ni m a g es e g m c n t a t i o n ，行r s “yf o rt h en o n _ b r a i na n db r a i ns e g m c n t a t i o nt w or n e t h o d sa r es t u d i e di nw h i c ho n ei sb a s e do ne d g es e g m e n t a d o na n dt h co t h e ri sb a s e do nw a l e r s h e d 眦t h o d ，b o t hg e tg o o dr e s u l t sb u tm ed i f f e r e n c ci ni n t e r a c t i o n t h e nm u c he h b ni sp a y e da t t e n t i o nt ot h eb r a j nt i s s u es e g m e n t a t i o ni nw h i c haf u z z yc l u s t e r i n gm e l h o dw i 【hap r i o rp m b a b i l i t i e sa t l a si ss t l ld i e da n dt h ei n t e n s i t yn o n u n i f o r mi si n v c s t j g a t e d a t1 a s t ，t h ea n a t o n c a ll a n d m a r ki si n t r o d u c e dw i t hi t s m o d e la n dm e t h e m a t h j c sm e t h o df o rc u r v a t u r eo ni s o s u r f h c ea n dt h ee x p e r i m e n t so fs e m i a u t od e 【e c 廿o no f l a n d m a r k ss h o wg o o dp e r f o 珊a n c e f o r 【h ed e f o r m a b i cr e g i s ”a t i o no fb r a i ni m a g e s ，a ne l a s t i cf o r m u la t i o nf o rr e g i s t r a t i o ni si n t r o d u c e da n dt h en n i t e e l e i n e n tm o d e l i su s e df o rt h cc o m p u t a t i o n t h ea d a p t i v ef e mt n c s hi sg c n c r a t e da c c o r d j n gt ot h eg r a d i e n t 疗e l do fb r a i na t l a s ，s ot h er n e s hc a l la l s or e p r e s e n tt h ef c a t u r e so ft h ea t l a s t h i sm a k e s 【h er e 2 i s t r a t i o nm o r ea c c u r a t ew i t h i nt h es a m ec o nd j n o n t h el a n d m a r k sa r ed e t e c 【e dt od e 屺n n i n et h er i g j dt f a n s f o r m a t i o n sb e t w e e nc o r r c s p o n d i n gj m a g e sb e f o r ef e mi sa p p i i e da n da i s ou s e df o rt h er e s t n c t i o n so ff e md e f b 丌m t 0 n t h ec o n e xv o l u m eo fb r a i ns t r u c t u r ei sd e e p l yf o l d e db ys u k u so nl h eg y r u sw h i c ha r et h ev e r yc o m p l e xi ni 【，sm o r p h0 l o g yb u ti m p o r tt ot h ef m r jd a t aa n db r a i nf u n c t i o na n a l y s i s 1 bs e g m c n to u tt h ec o r t e xi n t op a r c e l si sv e r yh e l p f u lf o rt h cr e g i o n a ld a t aa n a l y s i si nf m r ia n dt h es t u d yo ft h ea u t o m a t i cl a b e l i n gf o rb m i nv 0 1 u r n c ag e o d e s i cb a s e dk m e a n sc l u s t er i n gm e m o dj sa p p l j e dt ot h ec o n e xv o l u m ea n dm e 【h o d so fe x a m i n a t i o nf o rt h en e wc e n t r o i da r cc o m p a r c d t h ec l u s e r i n gm e t h o dp r o d u c e sag o o ds e g m e n t a t i o no n 血ev o l u m ed a 【aw i 【haf a s tc o n v e 唱e n c 弘1 l垒坚兰! 垦垒兰!f 0 rt h ea p p l i c a t i o no fg r a p h i c sp r o c e s s i n gu n i t ( g p u ) i nm e d i c a l i m a g ea r e a ，i i h a sb e e ns e e nt h ep r o v e dv a l u eo fg p ua s ac o i n p u t a t i o n a lr e s o u r c ef o rb o 山g e n e r a l p u r p o s ec o m p u l a t i o n sa 1 1 dc a s k st h a ta r er e l a t e dt om e d i c a l i m a g i n g w i t h i naf r a m e w o r ko fg p up r o g r 蛐m i n gd e v e i 叩e df o rv i s u a l i z a t i o na n di m a g ep m c c s s i n g ，s o m em e t h o d sf o rh j 曲q u a l i t yv o l u m er e n d c r i n ga r ec o m p e n s a t c da n dal a 唱e s c a l ev 0 1 u m er c n d e r i n gb a s e do nv e c t o rq u a n t i z a t i o na f es t u d j e df o rr e a l t i m ed e c o d i n ga n dr e n d e r i n go ng p u a tl a s t ，t h ei m p i e m e n t a t i o n s0 ng p uf o rt h el e v e ls e ts 0 1 v e rt o r b r a i ni m a g es e g m e n t a t i o na n ds k e l e 七o ne x t r a c t i o na r cs t u d i e da 1 1 dt e s t e d i ng e n e r a lo n ec a ns 8 y 【h a lag p u - b a s e ds o i u t i o ni sl i k e l yt oa c c e l e r a t ec o m p u t a “。n sw h e nt h e yc a nb ed o n eo ni n d 印e n d e n te l e m e n t s ，i e 【h ec o m p u c a t i o n sc a nb em a p p e do n t oas t r e a m i n gm o d e l ，b e c a u s et h i sm a k e si tp o s s j b l et of u yu t i l i z ct h ep a r a l l e l l i s mo ft h eg p u s k e y w o r d ：c o m p u t a t j o a n la n a t 。m y ，d i g i t a ib r a i na t i a s ，c o r 【e xs e g m e n t a t j o n ，f u z z yc 1 u s t e r i n gs p a c ec 1 u s t e r i n g ，、训u m er e n d c r i n g ，g p u i i i第一章绪论第一章绪论1 1 课题研究的背景和意义进入二十一世纪，随着人脑成像计算的发展和成熟，越来越体现出其在医学和神经科学研究中的重要性。具有无损地对活体脑进行结构和功能的成像技术也加快了人脑图谱数据库的收集。这些图谱数据收集了从全脑到分子层次水平的解剖学和心理学上的信息，甚至收集了包含这些信息在毫秒级以至到整整一牛的动态变化过程”。】。自从19 7 3 年计算机断层摄影术( c o m p u t e r i z e dt 0 m o g r a p h y c t ) 和核磁共振成像技术的出现和发展以米，人脑解削结构图谱的获取就以这些三维断层图像技术为主，血管造影技术和螺旋c t 可以对人的血管进行成像，而近年来刚发展起来的弥散张量成像技术甚至能揭示人脑皮层与内部核团之间的神经纤维的连接路径”。这些从活体上获得的图谱结构信息还能从一些解剖标本上获得的高分辨率的信息作为补充，如t a l a i r a c ha n d t o u m o u x 图谱”l ( 简称t t 图谱) 和各种局部的细胞和神经元、分子层次上的信息等。另一类人脑图谱主要反映人脑的功能活动信息，如正电子发射断层摄影术p e t ( p o s i t r o ne i t l i s s i o nt 。m o g r a p h y ) 和功能核磁共振成像技术( f m r i ) ，以及电生理学上的测量技术和光成像( o p t i c a li m a g i n g ) 技术等”。这些成像技术揭示了人脑在心理和认知活动过程中人脑的代谢，电活动等信息，是重要的神经认识科学研究的手段。而从各种成像技术得到了多样性的人脑图潜数据，都具有不同的空间分辨率平u 对不同的人脑特征的成像，着重于不同的人脑功能和结构的成像，各自在本质上无法兼容和相互取代。因此各种图谱数据仍然只是个体l 的并且独立意义上的图谱，对各种不同的图谱和不同人之问的图谱的潜在的相关性的联系难以进行进一步的研究。这是因为其中重要的一个困难在下对人脑数据的收集利比较的计算j ：的问题，人脑具有复杂的结构，而在不同人之间其形态有显著的不同，因而从一个人脑图像数据与另一个人脑图像数据的比较显然较为困难，同样也无法轻易地把人脑图像数据集成到一个共同的参考空间4 】。随着计算机技术在医学i 到像领域的深入研究和认知科学研究的迫切需要，对人脑解剖结构建立各种数学模型成为研究中的热点，包括基于统计学的模型，基于体数据的形态模型，基于形变曲面的模型。这些数学模型目的是试图描述人脑结构形态上的分析和测量，以及组织的生长变化和在人口当中的分布等问题”j 。为此，上世纪9 0 年代以来，在总结过去三维医学图像处理技术发展的同时，人们提出了将人体解剖学和计算技术与数学方法相结台的技术科学产物一计算解剖学o 9 】。计算解剖学( c o m p u l a t i o n a la n a t o m y ) 技术涉及图像处理，数字儿何处理，数学建模和专家知识等技术，为人体解剖学开创了数字化的时代，但其最重要的推动力是融合知识的解剖结构信息在人体生物建模、手术计划、神经功能研究等众多领域的应用和研究的价值。上世纪9 0 年代东南大学博士学位论文起步的美国可视人计划和刚刚完成数据采样的中国可视人计划就是这一领域的重要研究项目。人脑是人体最重耍和精细的器管，二十世纪的后十年，脑的研究工作受到广泛关注和展开，亦更加依赖于计算技术。因而针对脑部数据的计算解剖学即计算神经解剖学中一项迫切的需要就是数字脑，在解剖结构层次上的计算机人脑图谱和融合知识的方法，在从人脑皮层功能映射与核团功能的研究到基因与人脑发育、肿瘤治疗等研究中都有重要的方法学意义。1 2 计算神经解剖学的几大任务t h o m p s o n 1 等人描述了目前计算神经解剖学( c o m p u t “o n a ln e u m a n a t o m y ) 面临的几大任务，包括从个体化的人脑阁谱到统计意义上的人脑图谱、人脑的扭曲形变( w r a p p i n g )算法、人脑皮层的研究以及计算解剖学在人脑发育和疾病问题中的应用研究。1 2 1 任务一：人脑图谱为了克服比较不同人脑数据的困难，使用t t 等标准图谱提供的人脑结构作为其他人脑的集成映射的空间。大多数这些标准l 冬| 谱都是表示个个体的解剖结构的详细信息，并且形成一个标准的三维坐标空间。将这些图谱作为一种模板，使得其他的一些人脑图谱如功能幽谱覆盖其上。人脑图像研究的先决条件是这些数字化的结构和功能的图谱必须在一个共同的三维坐标空间表示，共同坐标系也为多个个体的脑图像和不同模态的图像提供了一个可参考的坐标系统。但是，人脑具有复杂的结构，没有一个单一的人脑图谱或简单的方法来构建一个“平均”的脑图谱或者能表示人脑结构形态的变化，因而，对大量人群的人脑的形态描述或构建一个脑图谱成为近年来一个研究的热点。近年来对脑部结构形态学上的研究甚至能够检测与某些疾病相关的结构模式特征，或者遗传特征等。c 0 1 1 i n s 等人研究建立一个可形变的人脑图谱，可形变的脑图谱目的是使得新的个体人脑图像能够适应图谱空间的表示。而m a z z i o t t a 3 等人研究的概率图谱保留了人群中人脑变化的信息，使得可以实现基丁知识的幽像分析算法甚至实现病灶的检测等。而对于多模态数据的人脑图谱，在固定的二维坐标空间中使用多种成像设备得到这种图谱，提供了对人脑结构和功能等多样信息的复杂表示。另外图谱还应包括研究针对一些具有某种疾病的图谱，这也是对人脑部一些疾病研究的有力t具。1 2 2 任务二：扭曲形变算法计算解剖学中的一个主要问题是图像数据间的扭曲( w r a p i n g ) 形变方法，这些算法应是可以有弹性地将人脑图谱扭曲形变至一个新的人脑图像数据使得其解剖结构能够匹配。这种变换即非线性图像配准方法通常可以按配准依赖于何种信息而可分为两大类：既基于图像强度的方法和基于模型的方法。基于模型的方法要首先从图像中构建表示图像中各种解剖结构信息的几何模型，然后不同图像由解剖结构的对应关系进行配准。这些解剖结构信息既可2第一章绪论以是结构曲面，曲线，也可以是解剖标记点。基下图像强度的配准方法是使得区域内图像的强度能够满足数学上或统计学上的匹配评价标准。需要定义对图像相似性匹配判断的数学表述。这些相似性描述有像索强度差平方，区域的相关度和相似互信息等。互信息方法被认为在多模态图像配准中的一个很好的相似性描述方法。当图像经过形变变换配准后，图像的相似度表现为最大，但在形变过程巾，往往需要对形变或解剖结构的差异进行一定的约束使得形变后的图像具有结构完整性。如在软件a m 2 1 ( “，删f 甜加a 妒月昭衙m 砌n ) 和s p m ( s f 打“础f 尸m m p 把r m 唧仇g ) 算法当中都使用了形变场描述，s p m 使用基于余弦基表示的形变场而a m 则是多项式形式表示的形变场。对图像配准后的解剖结构形变进行统计可以形成更有价值的信息，通过对不同人之间的相应解剖结构的形变变换进行统计法的研究，形成形变空删中的概率分布矧”，从而可以利用这些统汁参数作为解剖结构的形变信息来确保形变在解剖上的一致性，这是因为在一些完全依赖强度的相似性配准方法往往无法保证在解剖上有一致的对应关系，尤其是对人脑软组织如脑皮质像素的配准问题。弹性或流体模型是这种形变配准的重要方法。存弹性媒介，受内部形变力f ( j ) 的作用而具有形变位移“( ) ，满足n a v i e r s t o k e s 方程甲2 “+ ( 丑+ ) v ( v 1 “( 工) ) + ，( 上) = o ，v r( 1 1 )在图像配准中，形变力的目的是使得区域的相似度最大，因而形变力可以设计为这些代价函数( 如像素强度相关度) 的梯度。对于弹性体具有粘滞流体的形变，目的是能够获得非线性的具有拓扑约束的大形变。对于弹性体配准模型，本文认为使用有限元的计算方法获得解是一种较好的求解方式，其中影像实验室在软组织的形变模型和有限元方法已经作了不少工作5 。”。本文第三章就在人脑图像特征约束的嘲格剖分下进行有限元方法的弹性配准研究，同时引入了人脑的解剖标记点方法。1 2 3 任务三：脑皮层的研究可形变图谱可以较多的应用在对人脑内部结构的自动标注上，然而由于大脑皮层沟回的形态变化较大，使得可形变图谱无法做到处处与新的个体幽像数据皮层的匹配，除非增加各个沟回的准确位置的信息。大脑皮层的解剖结构和功能是人脑研究的重点，许多脑部疾病都影响脑部皮层的结构和形态，而且大脑皮层在人的发育和老化阶段处在不断变化中。因而对大脑皮层的形态结构的研究非常重要。耳前已经有若干种方法从三维m r i 图像数据中重建大脑皮层的曲面模型。其中有“自f 而上”的方法，利用基于体素的组织分类或水平集( l e v e ls e t ) 等方法将人脑的白质和灰质分割出来，然后使用m a r c h i n rc u b c s 类方法( 移动立方体、移动四面体等) 对每个体索三角化”。三角化后的曲面需要修正，使用图论或者曲孟的欧东南大学博士学位论文拉数，找出其中一个简单相连的封闭的曲面，该曲面与球面同胚，再对这个曲面进行一定的光顺滤波处理即得到皮层的曲面模型。而“白顶向下”的方法则是先放置一个球面在脑皮层的外部，利用与幽像相关的“力”不断的修正原球面上顶点，通过形变的方法忡。2 ”，使得所有顶点移动到达脑皮层的边界。这种方法避免了对曲面的修正，然而，形变需要复杂的约束避免形变过程中现曲面交叠的现象并确保形变后准确到达皮层的边界，x u 口”等人就介绍了使用梯度矢量流( g r a d i e n tv e c t o rr o w ) 的方法进行这种约束。很多的人脑皮层曲而在同一个三维坐标空间重建之后，对其沟回形态的变化分布需要进行描述。人脑中主要的脑回和脑沟在不同人之间都有相同的相对结构，尽管各自的几何形态具有较大的著异。近年米，s o w e l l 1 等利用最大集描述了在正常人脑中出现的主要的几个脑沟的曲线集，这些曲线集在皮层曲面上便于人t 辨认。但对于计算机自动标记，对人脑曲面上曲线集以及人脑皮层一卜折叠的沟回的自动分割和标记却仍是一个困难的任务。许多学者正研究基于曲而分块的多种方法，根据曲面上的曲率计算皮层的脑沟和脑回脊线来进行分割。在目前，仍是需要大量研究的内容。对不同人脑皮层的形态分析比较和计算它们的形变过程，在脑皮层的形态分析和基于曲面的功能映射等问题中显得非常重要。由于沟回形态几乎相互折叠覆盖，不利于进行匹配和进一步分析，许多方法研究将皮层的沟回通过膨胀或其他映射方法“j ，将脑沟展开形成光滑的曲面而形成某个参数空间，进而在这些基于光滑参数的空间上进行分析。近年来，人们开始关注于将人脑皮层映射至其同胚的球面的研究。”，在球面的参数空间上进行脑部结构的分析，试图建立一个规范化的空间。1 3 脑数据集的研究现状针对人脑成像数据的计算解剖学或计算神经解剖学是近1 0 年来以探索人脑奥秘、攻克疾病和开发人： 智能技术等为目的的脑科学研究中相当重要的研究手段和方法，在世界各国得到相当的蘑视。人脑是人体中结构最复杂的器官，脑内各部分遍布的神经纤维和核团是协调和管理人体全身动作和机能的高级指挥中心。脑的结构，尤其在脑深部的图谱利定位信息是立体定向解剖学和立体定向神经外科等的基本依据：将有关脑的不同层次的研究数据进行检索、比较、分析、整合、建模和仿真等，绘制出脑结构、功能和神经网络l 訇谱，是目前脑科学研究的一个重要方面。一个高精度、快速和易于交互的三维数字化脑图谱的研究正受到各国科学家的重视，各种研究二】：作正在展开中。数字脑图谱可以作为神经解剖学的一种直观方便的学习工具，可以为神经外科手术提供准确可靠的参考信息，从而晟大可能的避免手术中对脑组织的损伤，建立三维模拟模型来帮助选择最合理的介入方法和手术路径；数字化脑图谱还可以引导幽像分割，运用于基于知识的图像分析和病理检测等等；数字化脑图谱的建立还可以为揭示脑的工作机制提供建模和仿真等研究手段i ”3 “。因而，从数字脑的实用价值看，数字脑首先是一个三维人脑数字化图谱，从几何学角度定量描绘人脑的复杂结构，并结合人脑功能映射，构d第一章绪论成一个宏观的人脑基本模型。既可以作为神经解剖学的一个学习工具，也可以作为神经外科手术提供准确可靠的参考信息，帮助医生选择合理的手术路经。数字脑及其可视化工具也为神经科学研究提供了一个参考平台，为功能磁基振分析。e e g 信号分析的提供定位可视化工具数字脑也是融合知识的三维人脑模型，为基于知识驱动的人脑图像分析提供知识模型，人脑结构的自动标记陋“，病变组织的形变和异常比较等。数字脑也是统计学意义上的人脑模型，人脑结构的个体差异较大，从发育到衰退其结构也有较多的变化，数字脑就是要描述这些差异，建立形变模型，从而为正常人脑提供统计学上的描述。研究利用数字化脑图谱对基于知识的图像处理技术是数字化脑图谱的应用的一个重要方面”。本文中在人脑图像的组织分割中使用一个人脑概率图谱的聚类方法，有助于人脑图像的分割。目前国际上对于数字化人脑图谱的研究是一个热点，目内外学者也已经做了大量的工作，并开发出了一些数字化脑图谱，比较有代表性的有t a l a i r a c h t o i 】r r i o u x 立体序列医学脑图谱( 简称为t a i a 岫c h 脑图谱) 美国哈佛医学院的w h o l e b r a 试图谱、德国汉堡e p p e n d o r f医科大学的v o ) 砸l 也a n 脑图谱、加拿大蒙特利尔神经所的脑图像等等，这些图谱各有其特点，下面分别对这些图谱略作介绍。1 3 1 i u a i r a c h 脑图谱1 4 ”t a l a 岫c h 脑图谱是建立在以大脑前连合( a c ，a n t 盯j o rc o m m l s s u r e ) 、后连台( p c ，p o s t e f i o rc o m m l s s u r e ) 和脑中膈面为基准的坐标系统上的。该图谱还引入了比例网格系统( p r o p r o 蛀o n a lg i ds y s t e m ) 的概念，允许将每张图片中的大脑结构对应到三维空间中。t a l a l r a c h 脑图谱是从一个5 9 岁法国妇女尸体的脑标本切片得到的。通过把脑标本每隔2 5 m m 作矢状面方向切片，然后对各切片剖面摄影，根据照片南医生勾勒出各脑部结构的轮廓线，再用色块填充轮廓线，同一脑结构用同一种颜色或纹理表达。通过对矢状面序列截面数据插值来得到水平面、冠状面截面数据。目前已经有数字化的t a l a i r a c l l 脑图谱供研究者使用。圈111 柚a i r a c h t o u m o u x 立体序列医学脑图谱水平面、冠状面、矢状面三个方的剖面图4 习1 3 2w h o l eb r a i n 图谱美国h a r v a r d 医学院的“w h o l e b r a i na t b ”研究；划包括了正常人体的模型，也确因疾病、受伤或组织变形的病例。现在的数据库已经收录了3 0 多个病例的1 3 0 0 0 个脑图像。5东南大学博士学位论文其中有正常结构和血流的图谱，标出了1 0 0 个脑结构( 但是投有定出结构的精确边缘) ；也有正常老化的病例：结构和血流，血管解剖；以及许多临床数据的病例。每个病例包含了整个体的数据，用一种或者多种模态的图像表示，包括m r ，c t 和p e t ( s p e c t ) 等。一些病例还包括了从不同时问得到的图像，从而可阻观察随时问的变化。每个病例的图像间进行了配准，可以在不| 司的模态和时间点之间进行直接的空域和时域比较。病例包括了脑血管疾病类，肿瘤类，退化变质类，炎症和传染类四个大类。每一个大类下又分为若干具体病例，并为每个病例给出了图像和文字说明。图例如图l ，2 。图12 w h o l e b 商n 脑图谱中个老年痴呆症病例的个切片左为m r 图像，中间为s p e c t 图像，右为两者图像融合的结果1 3 3v o x e l 一 l n 脑图谱【”】德国汉堡e p p e n d o r f 医科大学的v o l m a n 是个综合性的系统，用于c t 或者m r等医学图像体数据的分析和可视化。这个系统包括分割模块，可视化模块，和基于语义网络的知识系统三个部分。分割模块包括三维分割，如闽值、教学形态学、区域填充等。可视化模块通过三维绘制，可以人机交互地执行分割和标注操作。语义网络模型，包括1 0 0 0 个物体和2 5 0 0 个关系，覆盖形态、病理和功能解剖以及血管系统，并将v i s l b l e h u m a n 数据集纳入了v o l m a n 系统中。1 3 4b m i n w e b 脑图谱4 5 _ 6 】加拿大m c g i l l 大学的b r a i t l w e b 图谱是模糊表达解剖知识的一个脑模型。这个三维数字化陆模型由l o 个体数据集组成，定义了不同组织的空间概率分布( 如灰质、白质、肌肉、皮肤等) 。体数据集中的像素强度表示这个体素内属丁某个组织的成分的比例。这个数字化脑模型可以用来仿真头部断层成像，或者作为测试分割标注算法的标准以及作为多模态数据配准的理想测试工具。6第一章绪论1 3 5 虚拟人计划除了前面介绍的数字化脑图谱以外，还有一些以数据集的方式提供的准图谱，对于研究有着重要的意义，可以作为任意个体的脑图谱研究的基础和参考标准。数字化人脑图谱的数据主要分为来自尸体的解剖数据和米自活体的医学成像数据。目前应用较多的解剖数据是来自美国国家医学图书馆( n l m ) 的可视化人体数据集( v i s i b l e h u m a np r o j e c t ) 。浚训划于1 9 8 9 年立项，并在1 9 9 4 年和1 9 9 5 年相继推出一男一女两具尸体的高精度、高分辨率组织切片光。学照片、c t 和m r i 断层图像数据集。解剖数据集内容上分为“头部”、“胸腔”、“盆腔”、“腿部”和“脚部”六个子集。其中v i s i b l e m a l e 数据的层间距l m m ，v i s i b l ef e m a l e 数据的层问距0 3 3 m m 。这一计划在全世界产生了巨大影响，目前v h p 数据已经得到国际上许多医学图像研究人员关注和应用。继美国开展可视化人体数据集的采集工作之后，韩国由a i o u 大学m s c h u n g ( 郑民锡)博士领导的研究小组下2 0 0 1 年2 月完成了一例患脑瘤的人体标本的数据采集，断面间距0 2 m m ，切片总数为8 5 9 0 。值得关注的是，在国家自然科学基金的资助下，以广州第一军医大学钟世镇院士为首的8 6 3 课题组，以及重庆第三军医大学教授张绍祥带领的课题组和圈内其他多个单位组成的“中国虚拟人计划( v c h ) ”的研究项目，经过卓越的艰苦努力，在2 0 0 2 年1 0 月完成了首例中国虚拟人女一号的数据采集和可视化研究工作，以及随后于2 0 0 3 年5 月完成中国虚拟人男性标本数据的采集。与美、韩的可视化人体数据集相比，本项研究成果为整个标本的连续断面，无节段性数据缺损，断面图像分辨率达6 3 0 万像素，断面厚度达到02 毫米，在设备的先进性，数据的完整性、代表性和精确性上都处于国际先进水平。这项成果为我国乃至整个东方提供了一套迄今为止最为系统、完整和细致的人体结构基本数据和图像资料，也使我国成为世界上第三个拥有本国可视化人体数据集的国家。1 4 人脑数据的可视化和图像快速处理技术可视化技术在从人脑图像处理到构建数字脑过程中都具有非常重要的应用价值，【割像处理过程中的交互显示和二维显示技术提供数字人脑直观而逼真的视觉效果。可视化技术主要包括基于面的绘制和基于体数据的绘制，针对人脑图像，本文研究了基于可编程图形处理器( p m g r a m m a b l eg r a p h i c sp r o c e s s i n gu n g p u ) 的加速体绘制算法，为克服影响成像质量的几个因素，分别提出对应的补偿办法。与此同时，如果在可视化技术的基础上能对图像做快速处理，能有效地实现交互式的图像处理方法，具有重要的应用价值。随着近几年图形处理单元( g p u ) 技术的快速发展，在性能上已经超过c p u 处理器，并且图形处理硬件的图形处理管道线已经迈入可编稃的点元和片元处理单元m 】。g p u 的性能和功能已经得到越米越多地关注，许多医学图像处理中耗时的计算能够映射到g p u 处理7东南大学博上学位论文算法中，则可以大大减少计算的时间。g p u 已经在医学图像可视化中具有非常重要的作用，而随着近年g p u 向可编程方向的发展，使得g p u 成为具有一定通用计算能力的并行处理器，大大拓展了g p u 在高质量体绘制，图像处理算法和医学图像处理上的应用前景，本文就可编程g p u 在高质量体绘制、医学图像的水甲集分割算法和骨架提取算法等进行了实验，提出了适合g p u 并行计算特点和精度要求的渲染器程序，取得了较好的效果。g p u 为今后的医学图像处理系统和数字人脑的开发应用提供一个新的计算平台”。1 5 本文工作和内容组织本文：l 作主要分为两人部分，一是针对构建一个数字人脑图谱所需要解决的计算解剖学中的一些关键问题；另一部分是围绕数字脑的可视化和快速图像处理方法，我w 研究了基于可编程图形硬件的处理技术。即：第一部分：计算解剖学中的若干问题。计算解剖学作为新兴的学科，由医学图像学科发展而来。其巾待研究的课题内容广泛。我们从构建数字脑的角度出发，对从人脑图像中的结构和特征提取、基于弹性模型的人脑软组织形变配准和人脑皮层的自动分割分块的j l 个关键问题作了一定的研究。为初步构建一个数字脑提供了算法上的解决手段。第二部分：基于g p u 技术的数字脑可视化和快速图像处理问题。研究数字脑体数据的加速体绘制，充分利用g p u 的可编程性的特点。实现如高质量的体绘制，大规模体数据的压缩绘制等体绘制方法。对于图像的快速并行处理，研究丁水平集( k v e ls e t ) 算法在g p u 上的计算进行人脑的分割，以及基于g p u 的图像处理技术有较深入的研究。本文主要的：【作和研究成果包括以下几个方面：1 完成一套对人脑m r i 图像从分割到结构和重要解剖表记点提取方法的研究，从m r i 幽像数据构建出数字人脑的几何模型。a )首先在人脑m r i 图像的分割方面。针对脑与非脑组织的分割问题，分别使用基于形态学的边界图像分割方法和基于分水岭的方法实现脑与非脑组织的分割，主要创新是对分水岭的过分割问题，提出了小区域合并中采用先台并后吞并的两个过程，方法有效快速。b )对脑组织的皮质分割，提出了一个基于概率图谱的模糊聚类方法，使用贝叶斯规则引入概率图谱的空间约束作用，加快隶属度的收敛；并研究了图像中的组织灰度不均匀性对聚类分割的影响，使用基于最小熵原理的图像校正方法能基本消除不均匀性的影响。c )在人脑解剖标记点提取方面，提出了图像中基于等值线模型的隐式计算曲率的方法，降低了曲率计算需要的图像导数阶数，并利用局部曲率极值得到几种解剖标记点。实验验证r 人脑标记点的半自动提取方法，具有较高8第一章绪论的准确率，为后续的图像配准提供对应的解剖标记点。2 提出了一个与图像特征相关的网格划分生成算法，用于人脑软组织图像弹性配准的有限元模型计算方法，白适应网格与规则网格划分相比提高了有限元计算的收敛速度和精度。提山利用解剖标记点算子提取的标记点进行图像的刚性粗配准，并作为有限元计算的位移条件，可以克服较人形变问题的同时，加快了收敛速度。3 提出了基于测地距离变换的k 均值空问聚类方法，用丁讨皮层图像的直接分块。改进了f a s tm a r c h i n g ( f m ) 算法在非凸区域的多个中心点的距离变换，利用带标记的距离变换，使得快速实现v o r o n 。i 分割。对聚类中心的重新估计问题，我们提出了基于f m 方法寻找到的区域骨架上的最大距离值点，从中选出一个最佳的中心点，这种中心点的近似不但可以快速确定中心点，而且还对聚类进行了一定的保凸性的约束。在实验中，得到了较好的皮层分块的结果，与解剖特征比较接近。4 可视化技术在从人脑图像处理到构建数字脑过稃中都具有非常重要的应用价值。为基于纹理硬件体绘制方法获取高质量的图像，我们提出了针对补偿体绘制质量的几种方法。针对大规模体数据无法直接装入纹理空间，我们提山了对大规模体数据进行矢量量化压缩，通过可编程像素渲染其对体数据进行实时地解码和绘制，取得良好的绘制结果和性能。g p u 的可编群计算能力使得g p u 成为一种廉价的可并行计算的处理器，我们挫出了基于g p u 的图像处理快速算法，将k v e ls e t 方法，骨架提取算法等转化为并行计算的方式。实验结果表明，采用g p u 计算可以得到很好的计算加速性能。5 基丁g p u 上的算法，本文开发了一套基于可编程g p u 的可视化和图像处理的应用系统框架，用丁数字脑的可视化和快速【剽像处理方法的研究。论文共分七章论述，分别为：第一章绪论简要介绍了计算解剖学中的j l 大任务和数字脑的研究现状等，并简要介绍了课题的研究手段和意义。第二章针对人脑结构和特征的提取问题，提出对m r i 图像有效的从分割到重建和解剖标记点提取的有效方法，是构建数字人脑j l 何模型的基础。第三章讨论了人脑弹性模型配准方法的有限元计算方法，提出了自适应网格的划分方法，为进一步提供与人脑图潜相关和标记点相关的形变配准提出了可行的方法。第四章讨论了人脑皮层图像自动分块问题，提出了基于测地距离的k _ m e a l l s 空间聚类方法，采用快速聚类中心点的估计方法。为今后的人脑皮层的自动结构标记提供初始的解剖分割。第五章和第六章讨论了基于可编程g p u 的数字脑体视化系统和快速图像处理方法。第七章对全文内容进行了总结，并提出展望。9东南大学博士学位论文参考文献【l 】t o g aa w ，m a z i o t t aj c b r a i nm a p p j n g ：t h em e 【h o d s m j ，s a nd i e g o ，c a ，u s a ，a c a d e m i cp r e s s1 9 9 6 2 1f m c k o w i a k ，r s j ，f h s t o n ，k j ，e ta i h u m a nb r a i nf u n c t i o n 【m ，a c a d e t l l i cp r e s s19 9 7 3 p a u jm n o m p s o n ，a n h u rwt o g a af r a m e w o r kf o rc o m p u i o n a la n a t o m y mc o m p u t v i s u a ls c i 2 0 0 2 5 ：13 3 4 【4 】m o 邮，i t o h ，r ，z h a “g ，j ，k a u f m a n n ，w e ，e ta 1 d i f f u s i o nt e n s o ri m a g i n go ft h ed e v e l o p i n gm o u s eb r a i n j m a g n r e s o n m e d ，2 0 0 1 ，4 6 ( 1 ) ：1 8 2 3 5 r b e 略m a n n ，j a c k ok o s t e l ，e i kt h o r s n e s c o m p u t a t i o n a la n a t o m yf r o md i 仃u s i o nt b n s o ri m a g i n g a j n o t u r2 0 0 3c o n f e r e n c ei no s l o ，2 0 0 3 ，5 ：1 4 1 5 【6 1 a l a i r a c h ，j ，t b u m o u x ，p c o p l a l l a rs t e