王林

一、新生兒大腦磁共振圖像的特點

成年人的大腦是成熟的。在磁共振的T1圖像上，可以比較明顯看出幾種物質(zhì)，例如白質(zhì)、灰質(zhì)和腦脊液。然而，新生兒的大腦是不斷變化的，其形態(tài)不同于成人。并且新生兒的大腦正處在快速發(fā)育的過程中，大腦中還沒有形成完整的神經(jīng)網(wǎng)絡(luò)和區(qū)域，神經(jīng)物質(zhì)還沒有發(fā)育完全，這些原因就使得新生兒大腦MR圖像的分辨率非常低，而且在灰質(zhì)和腦脊液的交界處的像素與白質(zhì)的像素具有相同的灰度值。新生兒在剛出生的時候，沒有什么自控能力，所以也使得產(chǎn)生的圖像會有很大的誤差。隨著新生兒的不斷發(fā)育，新生兒大腦中的白質(zhì)會越來越亮，越來越明顯，而灰質(zhì)會越來越暗，與白質(zhì)形成強(qiáng)烈的對比。由于這些因素的影響，新生兒大腦圖像的分辨率會非常的低，也使得產(chǎn)生的部分容積效應(yīng)變得越來越明顯。

二、多模態(tài)FCM分割算法的基本原理和主要流程

聚類分割是一種基于聚類分析的大腦圖像分割方法。它是一種不需要人為手動操作的分類方法，根據(jù)相似性的理念把像素和體素歸類。根據(jù)圖像的灰度差進(jìn)行分割是不能滿足我們的要求的，所以聚類分割將圖像中的不同參數(shù)進(jìn)行聚類分析。然后將像素灰度值映射到這些不同的聚類中，如果滿足條件，該像素就是屬于這個類的。模糊C均值算法（FCM）是最常見的聚類分割方法，也是我在新生兒大腦圖像分割中運(yùn)用的方法，F(xiàn)CM特別適用于大腦圖像中存在的模糊性和不確定性的特征。FCM利用迭代計算，確定目標(biāo)函數(shù)是隸屬度矩陣，然后按照隸屬度矩陣進(jìn)行聚類。它的優(yōu)點是不需要人們的干涉，可以把噪聲處理得很干凈，分割的過程是全自動的，受體積的影響導(dǎo)致圖像的模糊。它的缺點是能夠影響到初始值的情況，初始值不僅影響算法收斂的速度，更是影響到了分割的結(jié)果；FCM運(yùn)算復(fù)雜度比較大，當(dāng)數(shù)據(jù)較多時，速度明顯下降。對于模糊分類來說，它的函數(shù)就是：

總體來說，F(xiàn)CM的算法本文分為以下幾個步驟：

首先，確定了類別數(shù)為4，加權(quán)指數(shù)在0到1之間，迭代次數(shù)為40，隸屬度矩陣U的指數(shù)為2，隸屬度最小變化量為1e-5。然后，按照上面的公式進(jìn)行計算。最后，對每一組特征值求出新的隸屬度值，一直到結(jié)束。

多模態(tài)FCM分割算法的主要思想就是利用多種模態(tài)的MR圖像，來提取新生兒大腦的主要成分。通過多模態(tài)FCM分割算法，我們可以通過不同的方式，對新生兒的大腦圖形進(jìn)行更全面的了解。

其主要流程如下流程圖：

三、圖像分割的結(jié)果

利用多模態(tài)圖像分割技術(shù)，本文將一組75套兩個月大的新生兒的MR大腦圖像的數(shù)據(jù)集進(jìn)行處理，得出了以下分割的結(jié)果（由于篇幅有限，這里僅列出圖層6的分割結(jié)果）：

四、圖像分割結(jié)果的分析討論

從下圖中，我們不難發(fā)現(xiàn)，神經(jīng)質(zhì)包括腦脊液的發(fā)育不是特別良好，灰質(zhì)層比較厚實，白質(zhì)層看上去比較混亂。在腦脊液中，我們看到了集中在中間的神經(jīng)髓鞘組織，但是向周邊擴(kuò)散的神經(jīng)髓鞘末梢沒有很好地顯示出來。而且脊髓液的連續(xù)性不是特別的好，說明了神經(jīng)髓鞘的發(fā)育還是不完全的。而且，由于分割方法的不完善，導(dǎo)致在將很微小的神經(jīng)髓鞘組織分割的時候，給去掉了。白質(zhì)看上去比較混亂，相比于灰質(zhì)來說，比較薄，而且還存在頭皮組織。分析其原因，大腦的白質(zhì)在新生兒前六個月時，亮度很低，導(dǎo)致分割時，沒有能夠很好將白質(zhì)分辨出來。灰質(zhì)相對來說還算比較好，可是灰質(zhì)層比較厚，有可能將白質(zhì)或者腦脊液的部分組織也分到了灰質(zhì)當(dāng)中?？傮w看來，新生兒大腦的圖像和成年人大腦的圖像有很大的差別。

本次實驗對新生兒大腦MR圖像分割有一個新的認(rèn)識，對新生兒大腦分割做了初步的探索和研究，提出了一種利用多模態(tài)圖像和FCM分割新生兒大腦的方法，取得了比較滿意的分割結(jié)果。

參考文獻(xiàn)：

[1]陳允杰，張建偉，韋志輝，等.同時配準(zhǔn)-分割腦MR圖像的耦合變分模型[J].計算機(jī)輔助設(shè)計與圖形圖像學(xué)報，2007（5）：215-220.

[2]陳志彬，邱天爽，Ruan S.一種基于FCM和Level Set的Mm醫(yī)學(xué)圖像分割方法[J].電子學(xué)報，2008（9）：1733-1736.