孫穎，張吟龍，王鑫，曾子銘，毛海霞

1.中國(guó)醫(yī)科大學(xué)附屬第一醫(yī)院重癥醫(yī)學(xué)科，遼寧 沈陽(yáng) 110001；2.中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所，遼寧 沈陽(yáng) 110016；3.沈陽(yáng)建筑大學(xué)信息與控制工程學(xué)院，遼寧 沈陽(yáng) 110168；4.深圳職業(yè)技術(shù)學(xué)院汽車與交通學(xué)院，廣東 深圳 518055

前言

多發(fā)性硬化癥（Multiple sclerosis,MS）是一種中樞神經(jīng)系統(tǒng)的炎癥性脫髓鞘疾病，會(huì)導(dǎo)致腦部組織架構(gòu)發(fā)生變化，出現(xiàn)肢體無(wú)力、感覺(jué)異常及眼部不適等 癥狀［1-4］。磁共振（Magnetic Resonance Imaging,MRI）圖像一直被認(rèn)為是MS 最有價(jià)值的臨床檢查方法［5］，常規(guī)病灶的MRI能夠在T2加權(quán)像中呈現(xiàn)高信號(hào)，而在T1加權(quán)像中呈現(xiàn)低信號(hào)。目前，國(guó)內(nèi)外學(xué)者們已提出一些基于MRI的半自動(dòng)和自動(dòng)MS 病灶分割方法。例如，Zeng 等［6］提出了一種針對(duì)MS 病變的二維關(guān)節(jié)直方圖模型，用于處理正常組織和異常組織之間的密度重疊，檢測(cè)出MRI異常組織中病灶的位置。Geremia等［7］采用空間決策森林來(lái)分割感興趣區(qū)域，并利用多通道完成對(duì)MRI的準(zhǔn)確處理。Brosch等［8］提出一種基于快連接深度卷積編碼網(wǎng)絡(luò)的分割網(wǎng)絡(luò)，該網(wǎng)絡(luò)由兩個(gè)相關(guān)聯(lián)的通路組成，分別用來(lái)學(xué)習(xí)和預(yù)測(cè)，并通過(guò)特征提取和預(yù)測(cè)對(duì)不同大小范圍的病灶進(jìn)行精確分割。Ghribi 等［9］提出基于數(shù)據(jù)庫(kù)的高斯混合模型腦區(qū)分割算法，首先對(duì)MRI進(jìn)行估計(jì)，再經(jīng)過(guò)閾值約束，并利用病變擴(kuò)展算法進(jìn)行細(xì)化處理，最終完成分割。然而，鑒于臨床MRI中存在不確定噪聲、密度不均、部分體素效應(yīng)等影響因素，導(dǎo)致現(xiàn)有方法針對(duì)MS 病灶的位置、大小和形狀等特征信息的檢測(cè)效果并不顯著［10-13］。

3D 技術(shù)作為一種虛擬現(xiàn)實(shí)、實(shí)時(shí)仿真和交互三維設(shè)計(jì)結(jié)合產(chǎn)生的關(guān)鍵技術(shù)，能夠?qū)D像的縱深、層次、位置等諸多信息展現(xiàn)給觀察者［14-15］。在臨床上，3D 技術(shù)可以提供多層面視圖［16-17］，以便于醫(yī)生觀察病灶的結(jié)構(gòu)、形態(tài)及其跟周圍組織的關(guān)系，為病情做出合理的診斷。因此，本文提出了一種基于3D 體素增強(qiáng)和3D alpha 背景分離技術(shù)的MS 病灶分割方法，通過(guò)體素融合來(lái)增強(qiáng)3D圖像，使圖像特征更易提取。消除部分假陽(yáng)性目標(biāo)區(qū)域（Volume of Interest,VOI）來(lái)檢測(cè)出潛在的MS 病變，并使用3D alpha 背景分離細(xì)化分割MS 病變的三元圖結(jié)果，提高分割速度的同時(shí)也確保了對(duì)MS病變組織的準(zhǔn)確分割。

1 實(shí)驗(yàn)方法

本研究在CHB（Cascaded H-bridge）MRI圖像數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)［18］。對(duì)于每種情況，可以使用由T1加權(quán)像、T2加權(quán)像和Flair MRI圖像配準(zhǔn)的體像素生成的3 種不同MR 模態(tài)。每個(gè)模態(tài)包含512 個(gè)切片，體素尺寸為0.5 mm3。在預(yù)處理階段，采用互信息的方法配準(zhǔn)T1加權(quán)像、T2加權(quán)像和Flair MRI圖像［19］。然后，由專家從圖集中選擇具有MS 病灶的單個(gè)原始圖像。本方法的處理過(guò)程如圖1所示，首先，利用分割結(jié)果驅(qū)動(dòng)的增強(qiáng)函數(shù)對(duì)融合體素中的MS 病灶進(jìn)行增強(qiáng)。其次，去除假陽(yáng)性VOI，得到白質(zhì)（White Matter,WM）中潛在的MS 病灶圖像。最后，將WM中的病變組織細(xì)分為3 張圖像（前景、背景、未知區(qū)域），并使用3D背景分離獲得準(zhǔn)確的最終分割結(jié)果。

圖1 算法處理流程圖Figure 1 Flowchart of algorithm processing

1.1 3D體素增強(qiáng)

由于MS 病灶在T2加權(quán)像和Flair MRI圖像中較其他組織表現(xiàn)為高信號(hào)，且Flair MRI圖像較T2加權(quán)像能更好地區(qū)分MS 病灶與腦脊液（Cerebro Spinal Fluid,CSF）的密度。因此，本文采用不同權(quán)重((1 2)T2+ Flair)融合T2加權(quán)像和Flair MRI圖像的體素以增強(qiáng)MS 病灶密度，然后將融合體素的灰度值從0 歸一化到255?？紤]到所提出算法的計(jì)算速度，由專家挑選具有MS 病變的單張切片作為基準(zhǔn)，用于增強(qiáng)整個(gè)MRI體素。首先使用BET 工具去除單張切片的非腦組織［20］。然后使用Hidden Markov Random Field-Expectation Maximization（HMRF-EM）方法將腦組織分為CSF、WM、灰質(zhì)（Gray Matter,GM）和背景（Back Ground,BG）［21］。最后將WM 和GM 的群中心定義為CWM和CGM。通過(guò)使用增強(qiáng)函數(shù)E(x)來(lái)增強(qiáng)此切片中的MS病灶，該函數(shù)定義為：

其中，I表示單個(gè)MR圖像/體素，Kσ是一個(gè)高斯核，σ是一個(gè)常數(shù)，T定義為每次迭代時(shí)，增強(qiáng)切片將被分割，并利用新的群中心來(lái)估計(jì)新的參數(shù)T。在每次迭代中，通過(guò)分割增強(qiáng)切片來(lái)驅(qū)動(dòng)的增強(qiáng)函數(shù)會(huì)影響整個(gè)融合體素，利用逐級(jí)增強(qiáng)切片估計(jì)的互信息作為迭代停止準(zhǔn)則。最后，在增強(qiáng)的3D體素中使用較小的閾值來(lái)獲得MS病灶的二元VOI。

1.2 假陽(yáng)性消除

在傳統(tǒng)的研究中，一些假陽(yáng)性的VOI，如頭骨、GM 和腦室之間的區(qū)域，也由于高強(qiáng)度和密度不均勻而增強(qiáng)，本方法將不計(jì)算這些假陽(yáng)性的VOI，以提高算法效率。首先，我們使用大腦對(duì)稱平面進(jìn)行邏輯處理，并使用在前面步驟中3D增強(qiáng)的VOI。然后，通過(guò)丟棄與對(duì)稱平面相連的標(biāo)簽，去除顱骨和腦室之間的VOI。其次，由于95%的MS 病變發(fā)生在WM 組織中［22］，因此本文僅考慮WM 中包含的MS病變。但大多數(shù)傳統(tǒng)方法在分割WM 之前需逐片刪除顱骨切片［23］，浪費(fèi)了大量時(shí)間且無(wú)法考慮整個(gè)體素信息，并且WM 與其他組織之間的密度重疊可能導(dǎo)致WM 分割結(jié)果中出現(xiàn)假陽(yáng)性。

為此，本文采用一種新穎的顏色分割方案用于分割WM。利用T1加權(quán)像、T2加權(quán)像和Flair MR體素生成彩色MR 體素。每個(gè)R、G、B通道分別對(duì)應(yīng)于T1加權(quán)像、T2加權(quán)像和Flair MRI圖像。與其他MRI模式相比，T1加權(quán)像可以更好地區(qū)分解剖型腦組織，并選擇T1加權(quán)像MRI體素的中間切片。然后去除非腦組織，并使用HMRF-EM方法將選取的無(wú)顱骨腦組織分割成4 組［24］，分別代表CSF，WM，GM 和BG。將WM 組作為掩模，利用形態(tài)學(xué)對(duì)WM 掩模進(jìn)行腐蝕，以減少由于分割錯(cuò)誤導(dǎo)致的WM 中的假陽(yáng)性。然后利用已腐蝕的掩模區(qū)域作為新掩模，以提取彩色MR體素中同一張切片相應(yīng)的像素，并計(jì)算每個(gè)顏色通道中的平均值Rμ，Gμ和Bμ。對(duì)于每個(gè)彩色像素I(Ri,Gi,Bi)，可以計(jì)算出像素與平均顏色值之間的距離ΔEi為：

距離閾值公式如（3）所示：

其中，mean()和std()分別表示平均值和標(biāo)準(zhǔn)偏差值。隨后，在相應(yīng)區(qū)域中使用紅綠藍(lán)3原色來(lái)估計(jì)所有其他相似的顏色區(qū)域。所獲取的值(Rμ,Gμ,Bμ)用于計(jì)算整個(gè)體素中其他體素的ΔEi。如果ΔEi≤Ttolerance，體素將被分割為WM。最后，本文利用顏色分割方案去除在WM體素之外的所有VOI。

1.3 細(xì)化分割結(jié)果

病灶分割以及消除假陽(yáng)性的另一個(gè)巨大挑戰(zhàn)是VOI的不確定性邊界，這可能是由于部分體素效應(yīng)和圖像分辨率的限制所致，也可能是由于前景組織（腫瘤）和背景組織（正常組織）的混合物引起的。為了從其他組織中提取MS 病變，我們?cè)诜指畈襟E中引入3D alpha 背景分離［25］。對(duì)于這些體素，alpha 背景分離不需要生成0 和1 的分割標(biāo)簽，而是生成0 到1 之間的alpha 值，這種方法可看作更精確的軟分割。本文使用彩色MR 體素來(lái)細(xì)化分割結(jié)果。對(duì)于每個(gè)顏色體素i，它都是前景（F）和背景（B）的凸組合，可以將其建模為：

其中，α是透明度參數(shù)，c表示T1加權(quán)像、T2加權(quán)像和Flair MRI圖像的RGB 顏色通道。3D alpha 背景分離獲得包含N個(gè)體素的輸入圖像的局部顏色屬性，其中元素(i,j)定義為：

其中，δi,j是克羅內(nèi)克函數(shù)，μk是窗口wk中關(guān)于k的顏色矢量的均值，|wk|是3D 窗口中的像素?cái)?shù)。如果在計(jì)算整個(gè)體素時(shí)，拉普拉斯矩陣L的尺寸過(guò)大，則會(huì)導(dǎo)致大量的計(jì)算。因此，該亞體素被用來(lái)分割MS 病灶而不是分割整個(gè)體素。在分割之前，首先必須生成MS 病灶的三元圖，將圖像分為3 區(qū)域，如圖2步驟三所示：確定前景F（以彩色顯示），確定背景B（在粉紅色矩形內(nèi)顯示，但不包括其他顏色）和未知區(qū)域U（以彩色顯示，但不包括前景）。具體來(lái)說(shuō)，本文使用三維形態(tài)學(xué)對(duì)先前的分割結(jié)果進(jìn)行球狀結(jié)構(gòu)腐蝕得到前景圖像，然后對(duì)3D VOI進(jìn)行擴(kuò)張并計(jì)算其最大邊界框。采用沒(méi)有前景的矩形區(qū)域作為背景。未知區(qū)域可以通過(guò)邏輯處理、前景以及擴(kuò)張的VOI生成。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 MS病灶分割實(shí)驗(yàn)

本方法分割CHB 數(shù)據(jù)集圖像的實(shí)驗(yàn)過(guò)程如圖2所示，共包括3 部分：3D 體素增強(qiáng)、假陽(yáng)性消除和3D alpha背景分離，具體過(guò)程如下。

步驟一：3D 體素增強(qiáng)。使用(1/2)T2+ Flair 融合T2加權(quán)像和Flair MRI圖像的體素。然后，由專家選取在MR 體素中存在MS 病變的切片，去除非大腦區(qū)域（圖2a）。隨后，使用HMRF-EM 分割腦組織（圖2b）。根據(jù)分割結(jié)果，將式（1）中的參數(shù)T估計(jì)為0.8。然后對(duì)3D 體素和切片進(jìn)行增強(qiáng)（圖2c、d）。在式（1）中，參數(shù)ε= 10，σ= 7。在第二次迭代中，再次對(duì)增強(qiáng)后的圖像進(jìn)行分割（圖2e）。圖2f 是第二次迭代中增強(qiáng)的體素和片段。隨著迭代次數(shù)的增加，本文在連續(xù)的迭代中計(jì)算增強(qiáng)切片的互信息，且將閾值δ=0.9 用作停止標(biāo)準(zhǔn)。在這種情況下，在第五次迭代中停止3D 體素增強(qiáng)的處理。圖2g、h、i 分別是部分增強(qiáng)結(jié)果、最終增強(qiáng)結(jié)果和最終增強(qiáng)體素。

步驟二：假陽(yáng)性消除。估計(jì)對(duì)稱平面（圖2j）并將其用于刪除假陽(yáng)性區(qū)域。然后，利用顏色分割方案對(duì)WM（圖2k）進(jìn)行分割，并刪除WM 外部的3D 標(biāo)簽（圖2l）。圖2m顯示了假陽(yáng)性去除的VOI。

步驟三：3D alpha背景分離。自動(dòng)生成一個(gè)包含前景（圖2m）、背景（圖2n）和未知區(qū)域（圖2o）的三元圖。隨后，使用alpha 背景分離方法來(lái)細(xì)化分割彩色MR 體素。將alpha 背景產(chǎn)生的軟分割（圖2p）閾值設(shè)為體素最大值的一半，從而得到最終的VOI二值分割結(jié)果（圖2q），與專家手工分割的標(biāo)準(zhǔn)VOI結(jié)果（圖2r）進(jìn)行比較。

圖2 基于3D增強(qiáng)和3D alpha背景分離的MS病灶分割T1加權(quán)像、T2加權(quán)像、Flair MRI實(shí)驗(yàn)過(guò)程Figure 2 Experimental process of MS lesions segmentation in T1-weighted,T2-weighted and Flair MRI using 3D voxel enhancement and 3D alpha matting

2.2 結(jié)果評(píng)估與分析

為了評(píng)估分割結(jié)果的準(zhǔn)確性，本文采用3 種指標(biāo)：真陽(yáng)率（True Positive Rate,TPR）、陽(yáng)性預(yù)測(cè)值（Positive Predictive Value,PPV）和Dice 相似 系數(shù)（Dice Similarity Coefficient,DSC）對(duì)分割結(jié)果進(jìn)行評(píng)價(jià)，并與同樣在CHB 數(shù)據(jù)集上進(jìn)行檢驗(yàn)的分割方法進(jìn)行比較，如表1所示。其中DSC反映了分割結(jié)果和真實(shí)病灶在位置上的差異，其值為0～1。當(dāng)DSC=0，表明二者沒(méi)有重疊，DSC=1，則表明二者完全吻合。由表1可知，本方法與Ch.winner 的方法相比，在5 個(gè)患者（CHB01～CHB05）MRI數(shù)據(jù)均取得了更好的檢測(cè)結(jié)果，其中平均TPR 提升0.3，PPV 提升0.21，DSC 提升0.28。與Context-rich RF 方法相比，本方法在TPR和DSC 方面同樣具有顯著提升，通過(guò)實(shí)驗(yàn)結(jié)果對(duì)比，驗(yàn)證了本方法具有更好的準(zhǔn)確性和有效性。

為進(jìn)一步驗(yàn)證所提方法的有效性，本文從正面、中矢面和矢狀面視圖對(duì)MRI圖像的分割結(jié)果進(jìn)行分析，如圖3所示。圖3中第1 行為MRI原始圖像，第2行為本方法的分割結(jié)果，第3行為半閾值法的分割效果，第4 行為專家手動(dòng)分割所得結(jié)果金標(biāo)準(zhǔn)。從圖3可以看出，本文所提方法取得效果與金標(biāo)準(zhǔn)非常接近，對(duì)于病灶位置較特殊的圖像也能完成分割任務(wù)。而應(yīng)用半閾值分割方法取得的效果不是很理想，對(duì)于斷層圖像中較小的病灶出現(xiàn)模糊的現(xiàn)象，對(duì)于不規(guī)則的病灶邊緣出現(xiàn)誤分割或漏分割現(xiàn)象。實(shí)驗(yàn)結(jié)果表明，本方法能夠在MS 病灶的不同視圖上取得更為準(zhǔn)確的分割效果。

圖3 基于不同視圖的MRI圖像分割效果比較Figure 3 Examples of the results of the proposed method in MRI segmentation from different views

3 結(jié)論

本文提出了一種新穎的基于3D 體素增強(qiáng)和3D alpha 背景分離的分割方法。利用3D 增強(qiáng)方法可以很好地處理圖像噪聲以及MS 病灶內(nèi)部密度不均勻的問(wèn)題。并且引入3D alpha 背景分離進(jìn)行彩色MRI分割，可以有效地處理部分體素效應(yīng)，以及去除噪聲及其他無(wú)關(guān)非病變組織，進(jìn)而準(zhǔn)確分割MS 病灶。實(shí)驗(yàn)結(jié)果表明，本文方法具有較好的準(zhǔn)確性和有效性，能為后續(xù)的MS 分割技術(shù)分析提供依據(jù)。同時(shí)為MS病變的預(yù)防治療、病情跟蹤提供客觀、方便的診療方法。

目前本文方法尚存在一些不足，如射頻場(chǎng)不均和不同軟組織差異性導(dǎo)致MRI退化嚴(yán)重的情況下，無(wú)法進(jìn)行精準(zhǔn)分割。其次，由于圖像分割過(guò)程中存在背景噪聲和偽影干擾，導(dǎo)致無(wú)法提取到3D 特征和邊界信息。在未來(lái)的研究中，可以基于級(jí)聯(lián)隨機(jī)森林的3D MR 圖像分割方式，融合多模態(tài)3D 特征，從而消除噪聲，提取豐富的特征信息。此外，后續(xù)可以對(duì)算法模型進(jìn)一步改進(jìn)，以達(dá)到更精確的分割效果。