一種利用先驗知識的人類外側膝狀體自動分割方法

2023-10-29 11:47:37

一種利用先驗知識的人類外側膝狀體自動分割方法
【專利摘要】本發明公開了一種利用先驗知識的人類外側膝狀體LGN自動分割方法。該方法首先將人腦的結構像數據進行偏場校正，然後將經過校正的圖像進行大腦子結構的分割從而得到腹側間腦區的模板。接著將校正過的結構像數據和腹側間腦區的模板配準到MNI標準空間。根據外側膝狀體解剖結構的先驗知識得到LGN在MNI空間內的區域界限，接著在這個區域內分別用區域增長法、k均值法、大津算法和圖割法在分割出LGN。然後用將幾種分割結果融合得到LGN區域的估計值作為分割結果。最後將分割結果變換到結構像的原始空間，即為LGN的最終分割結果。
【專利說明】一種利用先驗知識的人類外側膝狀體自動分割方法
【技術領域】
[0001]本發明涉及計算機圖像處理領域，特別涉及一種利用外側膝狀體(LGN)的解剖先驗知識來在人腦結構像中自動分割出LGN的醫學圖像分割方法。
【背景技術】
[0002]圖像分割是指利用圖像信息將圖像中「感興趣的目標物體」從複雜的景象中提取出來。感興趣的目標物體一般被稱為前景，圖像中其餘部分被稱為背景。整體而言，圖像分割方法可以分為兩種體系:人機互動式分割和計算機全自動分割。前者過於依賴專家經驗且耗時太長，後者自主分割的結果往往不能不能令人滿意。在實際應用領域中，人們針對不同需求來選擇適應的方法，到目前為止還不存在一種通用的分割方法。
[0003]外側膝狀體是前段視路傳入神經纖維的終止點，交叉與未交叉的神經纖維最終在該處換神經元後向後形成視放射。作為一個視路的第四個神經元(前三個分別是視網膜內的椎體細胞、杆體細胞，視網膜內的雙極細胞和視網膜內的節細胞)，外側膝狀體在視覺通路中扮演著重要的角色。但由於作為丘腦一部分的LGN被顳葉和海馬回遮擋且LGN自身體積很小，LGN很難被觀察到。通過解剖人腦，人們發現LGN必然在腹側間腦區(VDC)內。1997年Andrews等人發現LGN大致在一個的立方體區域內，而2004年Kastner等人發現LGN中心點在Talairach空間中的位置大概在左側(-23.33，-21，-4.66)和右側(22.88，-21.3，4.63)附近。
[0004]區域增長法、k均值法、大津算法和圖割算法都是圖像分割領域中常用的算法。區域增長法利用圖像的灰度信息將位置接近且灰度相似的像素聚集成一個區域來得到分割結果。k均值法是一種典型的聚類算法，它利用圖像特徵將圖像的體素聚成指定的類別數。大津算法是圖像分割中閾值選取的最佳算法，它遍歷圖像的灰度值來尋找一個最佳閾值將圖像分成背景和前景兩部分從而使得背景和前景之間的類間方差最大。圖割算法將圖論引入圖像分割領域，圖像的體素作為圖的節點，體素之間的相關性作為連接節點邊的權重，尋找一個切割邊的方式將節點分成兩部分，切割損失能量最小的方式即為最佳切割方式。
[0005]在醫學圖像領域中，人工分割目標物體非常耗時，但是自動分割方法準確度不高，為了解決低準確度的問題，我們利用若干不同方式的分割結果來計算出目標物體真實分割的概率估計值，把這個估計值作為目標物體的分割結果。

【發明內容】

[0006](一)要解決的技術問題
[0007]本發明所要解決的技術問題是提供一種自動的LGN分割方法，以對人腦結構像中的LGN進行準確、自動的分割。
[0008](二)技術方案
[0009]為解決上述的技術問題，本發明提出一種利用先驗知識的人類外側膝狀體自動分割方法，用於將人腦結構像中的LGN分割出來。該方法包括如下步驟:步驟S1:將人腦的結構像數據進行不均勻場校正；步驟S2:將校正過的結構像配準到麗I標準空間；步驟S3:利用LGN解剖結構的先驗知識得到LGN在麗I空間內的大致區域；步驟S4:在這個區域內分別用區域增長法、k均值法、大津算法和圖割法進行分割；步驟S5:將四種分割結果融合得到對LGN的真實分割的估計；步驟S6:將估計出的結果變換到結構像的原始空間，得到LGN的最終分割結果。
[0010](三)有益效果
[0011 ] 本發明利用LGN解剖結構的先驗知識製作LGN先驗知識模板，將分割區域限定在這個模板中。這一措施將解剖結構先驗知識融入LGN分割中，既避免了人機互動分割存在的耗時問題，也提高了傳統自動分割的準確性。本發明還將幾種分割方法融合來得到LGN真實分割的估計值，進一步提高自動分割的準確性。
【專利附圖】

【附圖說明】
[0012]圖1是本發明的基於先驗知識的人類外側膝狀體自動分割方法的流程圖；
[0013]圖2是LGN分割過程中圖像的變化圖，其中(a)是人腦的原始MR結構像；(b)是經過不均勻場校正的MR結構像；(c)是配準到麗I標準空間的MR結構像；(d)是麗I標準空間下LGN的先驗知識模板；(e)是融合四種分割方法得到的對LGN分割的估計值；(f )是原始空間下LGN的最終分割結果；
[0014]圖3是LGN分割結果的三維顯示圖。
【具體實施方式】
[0015]為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，並參照附圖，對本發明進一步詳細說明。
[0016]本發明的核心思想是將LGN解剖結構的先驗知識融入LGN的自動分割中，從而解決了人機互動的耗時問題和提高自動分割的準確性。本發明還融合幾種分割方法來估計LGN的真實分割，從而進一步提高自動分割的準確性。為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，並參照附圖，對本發明做進一步的詳細說明。圖1顯示了本發明的外側膝狀體自動分割方法的流程圖。如圖1所示，本發明的方法包括如下步驟:
[0017]步驟S1:將人腦的結構像數據進行不均勻場校正。
[0018]利用核磁共振技術得到人腦的結構像數據，然後利用N3 (nonparametricnonuniform intensity normalization,非參數不均勻灰度校正)算法對不均勻場進行校正。具體方法參見 Sled, J.G., A.P.Zi jdenbos, et al.(1998)."A nonparametric methodfor automatic correction of intensity nonuniformity in MRI data.〃IEEE Trans MedImagingl7(I):87-97。
[0019]步驟S2:將校正過的結構像配準到麗I標準空間。
[0020]將圖像配準到麗I標準空間是指將圖像配準到麗I模板上。麗I模板是由蒙特婁神經學研究機構(Montreal Neurological Institute)製作的。該機構利用305個正常人的大腦圖像通過手工標記關鍵點和線性配準等方式得到最後的平均模板，這個模板被稱為 MNI 模板。具體 MNI 模板製作方法參見 Evans, A.C.，D.L.Collins, et al.(1993).〃3dStatistical Neuroanatomical Models from305Mri Volumes."Nuclear ScienceSymposium&Medical Imaging Conference, Volsl—3:1813—1817。
[0021]首先利用12個參數的仿射變換將校正後的圖像配準到麗I模板，這個變換過程解決了圖像和麗I模板大腦尺寸和位置的主要差異問題。然後用非線性配準方法處理圖像和MNI模板的一些小尺寸結構差異。具體方法參見Friston, K.J.，J.Ashburner, etal.(1995)."Spatial registration and normalization of images.^Hum BrainMapp3(3):165-189。
[0022]步驟S3:利用LGN解剖結構的先驗知識得到LGN在麗I空間內的大致區域。
[0023]由於傳統的醫學分割方法中，全自動分割的準確性較低，人機互動分割因依賴專家經驗太耗時，本發明為了解決這兩個問題，將專家經驗即LGN解剖結構的先驗知識轉化成計算機可以操作的步驟，從而製作MNI空間下的LGN先驗知識模板。具體操作如下:
[0024]步驟S3a:LGN必然在腹側間腦區(VDC)內，所以將經過校正的圖像進行大腦子結構的分割從而得到VDC模板，並將VDC模板配準到麗I標準空間。
[0025]本發明利用Bruce Fischl等人製作的腦圖譜將大腦分成45個子結構，然後挑出左右VDC區域製作VDC模板。接著利用步驟S2提到的方法，將VDC模板配準到麗I標準空間。利用腦圖譜分割大腦的方法參見Fischl, B.，D.H.Salat, et al.(2002)."Whole brainsegmentation:automated labeling of neuroanatomical structures in the humanbrain.〃Neuron33(3):341-355。
[0026]步驟S3b:在Talairach空間中LGN的中心點位置大概在左偵U(-23.33，-21,-4.66)和右側(22.88，-21.3，4.63)附近。將這兩個坐標轉換成MNI空間坐標為左側 P1 (-23，-22，-7)和右側 Pr (26，-22，-8)；
[0027]步驟S3c:左右兩側LGN大致在一個的立方體空間內，考慮到轉換帶來的誤差，分別構建以為P1和已為中心，7mm為邊長的立方體模板；
[0028]步驟S3d:將VDC模板和立方體模板求交集，構建LGN先驗知識模板。
[0029]步驟S4:在這個區域內分別用區域增長法、k均值法、大津算法和圖割法進行分割。
[0030]步驟S4a:在區域增長法中，以P1和P,為起始點，半徑為5mm來進行區域增長，將區域增長結果和LGN先驗知識模板求交集得到分割結果。
[0031]把LGN先驗知識模板中的第i個體素PiQ=Ijr^N)的灰度值表示為IiQ=I, 2，…，N),其坐標向量表示為Vi,區域增長的約束條件是候選點與起始點Ps的距離不超過半徑Rtl,且灰度值的差異不超過Ιο。如下:
【權利要求】
1.一種利用先驗知識的人類外側膝狀體LGN自動分割方法，該方法包括如下步驟: 步驟S1:將人腦的結構像數據進行不均勻場校正； 步驟S2:將校正過的結構像配準到麗I標準空間； 步驟S3:利用LGN解剖結構的先驗知識得到LGN在麗I空間內的大致區域； 步驟S4:在所述區域內分別用區域增長法、k均值法、大津算法和圖割法進行分割； 步驟S5:將幾種分割算法融合得到LGN區域的估計值作為分割結果； 步驟S6:將估計的LGN分割結果變換到結構像的原始空間，得到LGN的最終分割結果。
2.如權利要求1所述的方法，其特徵在於，所述步驟S3中的利用LGN解剖結構的先驗知識得到LGN在麗I空間內的大致區域包括: 步驟S3a:LGN必然在腹側間腦區VDC內，所以將經過校正的圖像進行大腦子結構的分割從而得到VDC模板，並將VDC模板配準到麗I標準空間； 步驟S3b:在Talairach空間中LGN的中心點位置在左側(-23.33，-21，-4.66)和右側(22.88,-21.3,4.63)附近，將這兩個坐標轉換成MNI空間坐標為左側P1 (-23，-22，-7)和右側 Pr (26，-22，-8)； 步驟S3c:左右兩側LGN在一個的立方體空間內，分別構建以為P1和為中心，7mm為邊長的立方體模板； 步驟S3d:將VDC模板和立方體模板求交集，構建LGN先驗知識模板。
3.如權利要求1所述的方法，其特徵在於，所述步驟S4中的步驟包括: 步驟S4a:在區域增長法中，以P1和P,為起始點，半徑為5mm來進行區域增長，將區域增長結果和LGN先驗知識模板求交集得到分割結果； 步驟S4b:在k均值法中，體素特徵由體素的灰度值和其在麗I空間中的坐標構成，利用k均值法和體素特徵將LGN先驗知識模板中的體素聚成兩類，體素數目多的一類為分割結果; 步驟S4c:在大津算法中，遍歷LGN先驗知識模板中的灰度值來尋找分割LGN的最佳閾值從而使得兩類的類間方差最大，體素數目多的一類為分割結果； 步驟S4d:在圖割算法中，LGN先驗知識模板中的體素作為圖的節點，利用體素坐標信息和體素灰度信息來計算體素間的相似性，把相似性作為節點之間的邊的權重，利用圖割算法把圖分成兩部分，使得分割後能量損失最小，體素數目多的一類為分割結果。
4.如權利要求3所述的方法，其特徵在於，在步驟S4d中體素i和體素j間相似性的定義是
5.如權利要求1所述的方法，其特徵在於，所述步驟S5中將四種分割算法融合來估計出LGN的真實分割，步驟包括: 步驟S5a:構造LGN分割的似然估計函數； 步驟S5b:利用EM算法進行最大化估計得到LGN分割的估計值。
6.如權利要求5中所述的方法，其特徵在於，在步驟S5a中構造LGN分割的似然估計函數過程是: 步驟S4將LGN先驗知識模板區域中的所有體素(N個)用四種分割算法獨立賦予類標誌Label，Label e {0，1}，對於某體素i (i=l，2，…，N)，T(i)為其真實類標誌，記Dm(i)為第m種分割算法賦予第i個體素的類標誌，將先驗知識模板區域中的N個體素的四種分割結果組成NX4維的決策矩陣D,記P=IiP1, P2, P3, Ρ4]τ和Q=Iiq1, q2, q3, qJT，Pj和q」代表第j(j=l，2，3,4)種分割算法的敏感度和靈敏度，分別用(D, T)和f(D，T|p，q)來表示圖像分割的完全數據和其概率分布函數，而似然估計函數則為In [f (D, T I p，q)]。
7.如權利要求5所述的方法，其特徵在於，在步驟S5b中利用EM算法中第k次迭代的E步驟計算公式為
【文檔編號】G06T7/00GK103700104SQ201310722891
【公開日】2014年4月2日 申請日期:2013年12月24日 優先權日:2013年11月12日
【發明者】何暉光, 王潔瓊 申請人:中國科學院自動化研究所