基于磁共振动态增强扫描图像的肾室自动分割

1、基于磁共振动态增强扫描图像的肾室自动分割 摘要：本文我们介绍了肾室磁共振动态增强扫描图像自动分割的一种方法，这是一个重要的问题，但是现有的解决方案对广泛的数据不能稳定的实现高精度。所提出的方法包括三个步骤。首先全肾的分割是基于最大稳定时间量（MSTV）的概念。本文提出的最大稳定时间量发现解剖结构在空间域和时间动态都是稳定的。基于最大稳定时间量的肾室分割对噪声具有鲁棒性而且不需要训练阶段。它可以很好的适应因肾功能不全造成的肾形状的变化。第二，分割后的肾体素被描述成消除时间冗余和噪声的主要成分。然后主要成分的k均值聚类被应用到将肾体素分离成灰质髓质和肾盂。第三，引入一种细化方法来进一步消除分割后的

2、每一部分的噪声。16例肾室数据集的实验结果表明我们的方法与手动结果达到了一个很高的拟合度，而且与现有的三种基线方法相比实现了一个更好的表现。 所提到方法的代码将随着本文的出版公开可用。 1介绍 核磁共振动态增强扫描影像是公认的小儿肾的最好成像方式，它提供了一站式综合的形态和功能信息，而且没有电离辐射的利用。图像中对肾的准确分割是对肾功能评估的根本，但是，现在还是缺少有效的和自动化的解决方案。影像的一些限制使这个任务尤其有挑战性：1)快速和重复扫描导致的低空间分辨率，信噪比差和部分容积效应的影响；2）对每个部分进行灌注尤其是无序的肾会产生非均匀强度变化。（1） 文献中的几篇论文解决了肾室的分割问

3、题。作者处理皮质分割作为一个多表面提取问题，用基于图建方案的最优曲面搜索法解决此问题。这种方法最初是为3D CT图像设计用来评估CT数据的，因此在DCE MRI图像的强度时间过程嵌入的有用的时间信息是不考虑的（例如，从图1的左上方和右边的图可以看出，肾室的三个部分的时间强度的演化是不同的）为了解决这一问题，提出了利用体素的空间联系和每一个体素的强度变化这两个方面的能量函数来描述整个图像序列。在 4 和 5，作者采用 k-均值聚类的时间强度演化分割三个内部肾结构。然而这种方法只对正常肾有用，在实践中他们对病症非常敏感。最近Khrichenko等人提出了一种叫CHOP-fMRU对肾进行分割和功能分

4、析的项目。这种方法涉及几种手动的任务（例如，为了初始化需要手动划定一个粗糙肾的轮廓）分割的质量和结果的分析很大程度上取决于手动任务的质量。对整个肾室的自动分割有很多专门的研究努力（67891011）。他们中最著名的依赖于之前分割好的肾的形状和外观模型。例如，Spiegel（11）等人学习肾平均形状和模型通过主动形状模型里的最重要的模型去约束分割结果。Yuksel等人用符号距离地图和高斯模型分别对肾的形状和强度分配进行建模。在89中，作者整合之前的形状到一个几何变形模型中以便于提取肾的区域。基于模型的对一个完整的健康的肾的分割得到了很好的效果。然而，由于肾的高度复杂性和形状易变性，肾各部分的结构

5、相比于整个肾来说对模型的挑战性更大，对紊乱的肾来说更明显。因此，这种基于模型的为了对功能失调的肾和内部结构的分割达到一个好的效果的方法是非常富有挑战性的。 （2） 图一左边的第一排：一片有六个时间点的图像分别是3，6，13，19，43。对于这个病人，2448个腹部影像用了72个时间点，随着时间的增加，皮质髓质和肾盂会不断地显现出来。（2）左边下图：通过阈值分割。红色绿色和蓝色矩形框表示了肾的三个位置的体素。用实线的体素连接就是时间的连接。如果两个分割单位在时间上相近而且体素重叠高达80%以上那么我们就定义这两个单位是时间连续的（3）右图表示的是一个典型的正常肾室各部分的是时间密度曲线。 图2提

6、到的肾室分割框架的插图在本文中，我们提到了一种基于DCE-MRI图像健康肾和病变肾的自动分割方法。这种方法展示了和手动分割结果的高度吻合，主要包括三步，如插图2.首先，基于最大稳定时间卷积的检测方法将肾脏从腹部影像中分割出来。我们提到的MSTV利用各个体素之间的3D空间联系和每一个体素的时间动态对周围组织和肾脏形状多变产生的噪声提供了一个可信任的分割鲁棒。第二，分割好的肾的体素用N种主要成分表示其中N是一个实验参数。我们广泛的实验结果表明，对于所有情况首先捕获的10种主要成分对肾室分割来说是最重要的信息。因此丢弃其余成分可以有效移除时间冗余和抑制噪声使有用信息的损失很小。然后主要成分的K均值聚

7、类分别将各体素聚集成灰质髓质和肾盂。第三，提出一个有效和快速的微调的方法对分割的每一部分去噪声。本文提出的分割方法使用 16 例临床肾脏数据进行测试并和手动测试结果以及上文提到的三种方法产生的结果进行比较。结果是本文的方法和手动的结果有很高的拟合性，而且效果要好于之前提到的三种方法。2我们的三步方法2.1第一步基于MSTV的初级分割 随着造影剂灌注到肾脏，肾脏及其周围组织之间的对比强度逐渐增强（图1的左上方可以看到）。在注射之后通过阈值法填涂一个3D的体积，分割的肾体素具有三个特征：1）在一个很宽的阈值内稳定（如图1左下图）；2）他们是空间连接的；3）很大一部分出现在时间相邻分割段上。（一大部

8、分体素在时间动态上有重叠）。相比之下，非肾组织强度的增强是少有和随机的；所以分割的非肾组织体素对阈值是敏感的，通常都是空间不连续的而且在时域也有很小的重叠。基于以上三种特征的描述，随后我们描述一下最大稳定时间量的概念以及它在整个肾分割的应用。通常对时间量和MSTV的定义如下：1) 时间量：我们用（1tT）来表示从原始3D体积在时间点t阈值分割的一系列空间连接体素，T是一系列DCE-MRI图像的全部时间点。如果，好于通常分割体素的(是80%)我们定义，（1t-1tT）是时间连续的（他们之间的体素重叠是大于的）。如果一系列中任何两个时间连续的体素在这一系列中是时间连接的，那我们就认为这一系列是一个

9、时间量。的计数定义为2) 最大稳定时间量。 如果，是通过两个时间阈值j-1和j各自得到的两个时间量，而且，所以是的一个子集。（1mM）成为一系列的嵌套的时间量,M是在DCE-MRI图像数据中检测到的嵌套系列的总数，系列的稳定性被定义为： (1)评估分割的稳定性，和分别表示有多少连续的阈值和有多少时间相邻的部分在分割后各自保持稳定。我们找到一个可以给提供最大值的。对于嵌套时间量序列的所有的M，选一个可以达到最大量的意味着的基数和稳定性的结合可以覆盖一个很宽的参数。 MSTV的检测过程在伪代码中。第一，对于每一个在时间t的时间量数据，用所有可能的阈值第三，我们在基于MSTV出现的大部分时间量选择体

10、素去形成最初的整个肾的分割。 我们的MSTV可以看作是最大稳定极值区域的扩展，是从2D到4D在计算机视觉中的最佳兴趣点检测器之一。我们提出了一种基于连通域树的MSTV检测方法并将其应用于肾脏分割。我们的MSTV方法在分割结果上不受任何形状的限制，因此它可以适应因功能障碍引起的变形的肾。2.2第二步PCA-K均值聚类方法进行肾室分割 灰质髓质和肾盂体素的时间强度曲线是各不相同的。因此，他们可能会被无监督聚类的时间强度曲线分离开。然而，原时态数据往往具有很高的维度，这增加了计算成本也会导致数值问题。更重要的是，同一组织的所有体素并不会在同一时间被高亮标记，导致属于同一组织的曲线错位反过来导致分类错

11、误。除此之外，在原始时间数据上很多维度是多余的，这些冗余会稀释有用的信息并扰乱真实的分类。 为了解决这些问题，我们用主要成分分析法去降低时间数据的维度。用一些主要成分去描述在时间维度上的体素特征。PCA将原始数据变换到一个新的坐标空间，这样最大的差异就在第一个坐标，第二大的差异就在第二个坐标以此类推。通过丢弃一些不重要的成分，PCA分析法可以减少动态数据的维度并降低噪声。除此之外，通过把几个时间维度线性结合去形成一种特征维度分析错位就会避免。我们实验的全面的分析结果是，对所有实验的案例至少所有信息的99.4%来自于前十种主要成分。图三可以看到，第一重要成分的捕获基本上是一个肾的全面信息，第二到

12、第十种成分分别是内部机构的详细信息。对于后面的成分，差异受噪声影响越来越明显。基于我们的实验研究，我们选择十种成分去做进一步分析。 一旦分割肾的体素用这十种成分去代替，应用无监督聚类将体素分成三组：灰质髓质和肾盂。在很多适合的聚类方法中，我们在实验中选择了k均值聚类方法因为它简单有效好用。2.3微调 我们在第一步就提出了一个去除噪声的微调方法和恢复由于主成分空间中聚类之间的模糊界限导致的分类错误。这种方法从灰质开始到髓质再到肾盂。首先，对在第二步中获得的灰质体素，我们计算通过从最大强度中减去注射前的强度得到它的最大强度增强。基于灰质的体素会在同一时间被亮化出来，我们计算所有体素在每一个时间点的

13、平均强度，选择强度达到最大的那个最大时间点。我们把灰质组织被最大亮化的，这三个时间点作为备选时刻。然后，MIE就被算出来了在这三个时间点，髓质和非肾组织的强度和注射前没区别。因此在这些时刻，体素的MIE要小于灰质体素因此能被很容易的通过阈值排除在外。阈值是通过Otsu自动选择的。第二我们试图去修复对肾灰质的误测。对每一个非肾灰质体素进行空间相邻测试。在上一步去除噪声之后，如果所有的不都被标记为灰质体素，我们再重新从非肾灰质到灰质进行标记。这种方法也被用到其他两种组织的分割上。3实验结果 我们的研究受到了地方机构委员会的支持，其中有16个案例，其中7个正常的7个不正常的，还有两个是做过手术将髓质

14、肾盂摘除的。图像数据的获得是通过一个3.0T GE MR750系统。为了减少钆对病人肾功能损伤的风险，选择了正常浓度1/5的钆作为注射剂，同时以3ml/s的注射10ml。图像数据集是通过呼吸机控制屏气次数得到的，在大部分案例中都有足够的时间校准。波纹管呼吸触发导致在每两个呼吸周期的时间阶段实施。通过一个双回波极读出的3DT1加权梯度的回波序列得到数据，我们称为DISCO的内部变密度笛卡尔欠采样计划用于执行高时空分辨率动态 MRU。一个两点迪克森重建被用于鲁棒的脂肪水分离。成像参数：翻转角度15度，TR=3.56ms，矩阵大小=256*256，FOV=340*340mm，总共切片34片，切片厚度

15、4mm。 我们用骰子相似系数DSC去评估分割精度，这是一个被广泛用来评估不同医学图像模型分割算法的指标。DSC定义为 其中S和G分别表示自动和手动分割体素。DSC从0到1，在SG一点不重叠时是0，SG完全一致时取1. 我们将我们的方法跟另外三种基线方法比较：区域竞争 ，受欢迎的主动轮廓法分割，我们没有基于 MSTV 的肾分割的方法和我们没有 PCA 降维方法。我们用于执行在 ITK 管理单元区域竞争。因为区域竞争最初为 2D 或 3D，但不是 4 D，当灰质、 实质及整个肾似乎分别最大限度地突出显示时我们在这些时间点手动选择 3D体积的数据。区域竞争被应用于每个 3D 体积分割灰质、实质和整个

16、肾;实质中减掉灰质得到髓质，整个肾中减掉实质得到肾盂。 表一总结了四种方法的平均骰子相似系数。可以得到三个结论。第一，大部分都达到了90%以上除了功能紊乱的肾的灰质0.86和肾盂0.69。可能是因为肾的疾病导致的体素在空间和时间域没有连续影响了灰质和肾盂组织的亮化显示。第二，MSTV和PCA的降维是分割结果精确的根本和补充，例如，基于MSTV对整个肾的分割实现了从14%到59%的提高，基于PCA降维实现了13%到48%的提高。第三，我们的方法的平均骰子相似系数比区域竞争模型分割要高9%51%。我们认为这种方法表现不好是因为在灌注造影剂时的高度变化。尽管我在不同的灌注阶段手动选择了最相关的体积，从一个单一的图像序列区分肾内部的结构仍然是具有挑战性的，图4展示了图像序列和相应的手动标记和我们的方法的分割结果。 4结论和进一步的工作 我们提出了一个基于DCE-MRI图像的肾的自动分割方法。第一步是基于MSTV检测的整个肾的分割，MSTV是一个集合了空间和时