一種利用先驗(yàn)知識(shí)的人類外側(cè)膝狀體自動(dòng)分割方法
【專利摘要】本發(fā)明公開了一種利用先驗(yàn)知識(shí)的人類外側(cè)膝狀體LGN自動(dòng)分割方法。該方法首先將人腦的結(jié)構(gòu)像數(shù)據(jù)進(jìn)行偏場校正，然后將經(jīng)過校正的圖像進(jìn)行大腦子結(jié)構(gòu)的分割從而得到腹側(cè)間腦區(qū)的模板。接著將校正過的結(jié)構(gòu)像數(shù)據(jù)和腹側(cè)間腦區(qū)的模板配準(zhǔn)到MNI標(biāo)準(zhǔn)空間。根據(jù)外側(cè)膝狀體解剖結(jié)構(gòu)的先驗(yàn)知識(shí)得到LGN在MNI空間內(nèi)的區(qū)域界限，接著在這個(gè)區(qū)域內(nèi)分別用區(qū)域增長法、k均值法、大津算法和圖割法在分割出LGN。然后用將幾種分割結(jié)果融合得到LGN區(qū)域的估計(jì)值作為分割結(jié)果。最后將分割結(jié)果變換到結(jié)構(gòu)像的原始空間，即為LGN的最終分割結(jié)果。
【專利說明】一種利用先驗(yàn)知識(shí)的人類外側(cè)膝狀體自動(dòng)分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)圖像處理領(lǐng)域，特別涉及一種利用外側(cè)膝狀體(LGN)的解剖先驗(yàn)知識(shí)來在人腦結(jié)構(gòu)像中自動(dòng)分割出LGN的醫(yī)學(xué)圖像分割方法。
【背景技術(shù)】
[0002]圖像分割是指利用圖像信息將圖像中“感興趣的目標(biāo)物體”從復(fù)雜的景象中提取出來。感興趣的目標(biāo)物體一般被稱為前景，圖像中其余部分被稱為背景。整體而言，圖像分割方法可以分為兩種體系:人機(jī)交互式分割和計(jì)算機(jī)全自動(dòng)分割。前者過于依賴專家經(jīng)驗(yàn)且耗時(shí)太長，后者自主分割的結(jié)果往往不能不能令人滿意。在實(shí)際應(yīng)用領(lǐng)域中，人們針對(duì)不同需求來選擇適應(yīng)的方法，到目前為止還不存在一種通用的分割方法。
[0003]外側(cè)膝狀體是前段視路傳入神經(jīng)纖維的終止點(diǎn)，交叉與未交叉的神經(jīng)纖維最終在該處換神經(jīng)元后向后形成視放射。作為一個(gè)視路的第四個(gè)神經(jīng)元(前三個(gè)分別是視網(wǎng)膜內(nèi)的椎體細(xì)胞、桿體細(xì)胞，視網(wǎng)膜內(nèi)的雙極細(xì)胞和視網(wǎng)膜內(nèi)的節(jié)細(xì)胞)，外側(cè)膝狀體在視覺通路中扮演著重要的角色。但由于作為丘腦一部分的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(fā)現(xiàn)LGN必然在腹側(cè)間腦區(qū)(VDC)內(nèi)。1997年Andrews等人發(fā)現(xiàn)LGN大致在一個(gè)的立方體區(qū)域內(nèi)，而2004年Kastner等人發(fā)現(xiàn)LGN中心點(diǎn)在Talairach空間中的位置大概在左側(cè)(-23.33，-21，-4.66)和右側(cè)(22.88，-21.3，4.63)附近。
[0004]區(qū)域增長法、k均值法、大津算法和圖割算法都是圖像分割領(lǐng)域中常用的算法。區(qū)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(gè)區(qū)域來得到分割結(jié)果。k均值法是一種典型的聚類算法，它利用圖像特征將圖像的體素聚成指定的類別數(shù)。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(gè)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(lǐng)域，圖像的體素作為圖的節(jié)點(diǎn)，體素之間的相關(guān)性作為連接節(jié)點(diǎn)邊的權(quán)重，尋找一個(gè)切割邊的方式將節(jié)點(diǎn)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(yī)學(xué)圖像領(lǐng)域中，人工分割目標(biāo)物體非常耗時(shí)，但是自動(dòng)分割方法準(zhǔn)確度不高，為了解決低準(zhǔn)確度的問題，我們利用若干不同方式的分割結(jié)果來計(jì)算出目標(biāo)物體真實(shí)分割的概率估計(jì)值，把這個(gè)估計(jì)值作為目標(biāo)物體的分割結(jié)果。

【發(fā)明內(nèi)容】

[0006](一)要解決的技術(shù)問題
[0007]本發(fā)明所要解決的技術(shù)問題是提供一種自動(dòng)的LGN分割方法，以對(duì)人腦結(jié)構(gòu)像中的LGN進(jìn)行準(zhǔn)確、自動(dòng)的分割。
[0008](二)技術(shù)方案
[0009]為解決上述的技術(shù)問題，本發(fā)明提出一種利用先驗(yàn)知識(shí)的人類外側(cè)膝狀體自動(dòng)分割方法，用于將人腦結(jié)構(gòu)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(jié)構(gòu)像數(shù)據(jù)進(jìn)行不均勻場校正；步驟S2:將校正過的結(jié)構(gòu)像配準(zhǔn)到麗I標(biāo)準(zhǔn)空間；步驟S3:利用LGN解剖結(jié)構(gòu)的先驗(yàn)知識(shí)得到LGN在麗I空間內(nèi)的大致區(qū)域；步驟S4:在這個(gè)區(qū)域內(nèi)分別用區(qū)域增長法、k均值法、大津算法和圖割法進(jìn)行分割；步驟S5:將四種分割結(jié)果融合得到對(duì)LGN的真實(shí)分割的估計(jì)；步驟S6:將估計(jì)出的結(jié)果變換到結(jié)構(gòu)像的原始空間，得到LGN的最終分割結(jié)果。
[0010](三)有益效果
[0011 ] 本發(fā)明利用LGN解剖結(jié)構(gòu)的先驗(yàn)知識(shí)制作LGN先驗(yàn)知識(shí)模板，將分割區(qū)域限定在這個(gè)模板中。這一措施將解剖結(jié)構(gòu)先驗(yàn)知識(shí)融入LGN分割中，既避免了人機(jī)交互分割存在的耗時(shí)問題，也提高了傳統(tǒng)自動(dòng)分割的準(zhǔn)確性。本發(fā)明還將幾種分割方法融合來得到LGN真實(shí)分割的估計(jì)值，進(jìn)一步提高自動(dòng)分割的準(zhǔn)確性。
【專利附圖】

【附圖說明】
[0012]圖1是本發(fā)明的基于先驗(yàn)知識(shí)的人類外側(cè)膝狀體自動(dòng)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(jié)構(gòu)像；(b)是經(jīng)過不均勻場校正的MR結(jié)構(gòu)像；(c)是配準(zhǔn)到麗I標(biāo)準(zhǔn)空間的MR結(jié)構(gòu)像；(d)是麗I標(biāo)準(zhǔn)空間下LGN的先驗(yàn)知識(shí)模板；(e)是融合四種分割方法得到的對(duì)LGN分割的估計(jì)值；(f )是原始空間下LGN的最終分割結(jié)果；
[0014]圖3是LGN分割結(jié)果的三維顯示圖。
【具體實(shí)施方式】
[0015]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說明。
[0016]本發(fā)明的核心思想是將LGN解剖結(jié)構(gòu)的先驗(yàn)知識(shí)融入LGN的自動(dòng)分割中，從而解決了人機(jī)交互的耗時(shí)問題和提高自動(dòng)分割的準(zhǔn)確性。本發(fā)明還融合幾種分割方法來估計(jì)LGN的真實(shí)分割，從而進(jìn)一步提高自動(dòng)分割的準(zhǔn)確性。為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說明。圖1顯示了本發(fā)明的外側(cè)膝狀體自動(dòng)分割方法的流程圖。如圖1所示，本發(fā)明的方法包括如下步驟:
[0017]步驟S1:將人腦的結(jié)構(gòu)像數(shù)據(jù)進(jìn)行不均勻場校正。
[0018]利用核磁共振技術(shù)得到人腦的結(jié)構(gòu)像數(shù)據(jù)，然后利用N3 (nonparametricnonuniform intensity normalization,非參數(shù)不均勻灰度校正)算法對(duì)不均勻場進(jìn)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(jié)構(gòu)像配準(zhǔn)到麗I標(biāo)準(zhǔn)空間。
[0020]將圖像配準(zhǔn)到麗I標(biāo)準(zhǔn)空間是指將圖像配準(zhǔn)到麗I模板上。麗I模板是由蒙特利爾神經(jīng)學(xué)研究機(jī)構(gòu)(Montreal Neurological Institute)制作的。該機(jī)構(gòu)利用305個(gè)正常人的大腦圖像通過手工標(biāo)記關(guān)鍵點(diǎn)和線性配準(zhǔn)等方式得到最后的平均模板，這個(gè)模板被稱為 MNI 模板。具體 MNI 模板制作方法參見 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(gè)參數(shù)的仿射變換將校正后的圖像配準(zhǔn)到麗I模板，這個(gè)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。然后用非線性配準(zhǔn)方法處理圖像和MNI模板的一些小尺寸結(jié)構(gòu)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(jié)構(gòu)的先驗(yàn)知識(shí)得到LGN在麗I空間內(nèi)的大致區(qū)域。
[0023]由于傳統(tǒng)的醫(yī)學(xué)分割方法中，全自動(dòng)分割的準(zhǔn)確性較低，人機(jī)交互分割因依賴專家經(jīng)驗(yàn)太耗時(shí)，本發(fā)明為了解決這兩個(gè)問題，將專家經(jīng)驗(yàn)即LGN解剖結(jié)構(gòu)的先驗(yàn)知識(shí)轉(zhuǎn)化成計(jì)算機(jī)可以操作的步驟，從而制作MNI空間下的LGN先驗(yàn)知識(shí)模板。具體操作如下:
[0024]步驟S3a:LGN必然在腹側(cè)間腦區(qū)(VDC)內(nèi)，所以將經(jīng)過校正的圖像進(jìn)行大腦子結(jié)構(gòu)的分割從而得到VDC模板，并將VDC模板配準(zhǔn)到麗I標(biāo)準(zhǔn)空間。
[0025]本發(fā)明利用Bruce Fischl等人制作的腦圖譜將大腦分成45個(gè)子結(jié)構(gòu)，然后挑出左右VDC區(qū)域制作VDC模板。接著利用步驟S2提到的方法，將VDC模板配準(zhǔn)到麗I標(biāo)準(zhǔn)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(diǎn)位置大概在左偵U(-23.33，-21,-4.66)和右側(cè)(22.88，-21.3，4.63)附近。將這兩個(gè)坐標(biāo)轉(zhuǎn)換成MNI空間坐標(biāo)為左側(cè) P1 (-23，-22，-7)和右側(cè) Pr (26，-22，-8)；
[0027]步驟S3c:左右兩側(cè)LGN大致在一個(gè)的立方體空間內(nèi)，考慮到轉(zhuǎn)換帶來的誤差，分別構(gòu)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(gòu)建LGN先驗(yàn)知識(shí)模板。
[0029]步驟S4:在這個(gè)區(qū)域內(nèi)分別用區(qū)域增長法、k均值法、大津算法和圖割法進(jìn)行分割。
[0030]步驟S4a:在區(qū)域增長法中，以P1和P,為起始點(diǎn)，半徑為5mm來進(jìn)行區(qū)域增長，將區(qū)域增長結(jié)果和LGN先驗(yàn)知識(shí)模板求交集得到分割結(jié)果。
[0031]把LGN先驗(yàn)知識(shí)模板中的第i個(gè)體素PiQ=Ijr^N)的灰度值表示為IiQ=I, 2，…，N),其坐標(biāo)向量表示為Vi,區(qū)域增長的約束條件是候選點(diǎn)與起始點(diǎn)Ps的距離不超過半徑Rtl,且灰度值的差異不超過Ιο。如下:
【權(quán)利要求】
1.一種利用先驗(yàn)知識(shí)的人類外側(cè)膝狀體LGN自動(dòng)分割方法，該方法包括如下步驟: 步驟S1:將人腦的結(jié)構(gòu)像數(shù)據(jù)進(jìn)行不均勻場校正； 步驟S2:將校正過的結(jié)構(gòu)像配準(zhǔn)到麗I標(biāo)準(zhǔn)空間； 步驟S3:利用LGN解剖結(jié)構(gòu)的先驗(yàn)知識(shí)得到LGN在麗I空間內(nèi)的大致區(qū)域； 步驟S4:在所述區(qū)域內(nèi)分別用區(qū)域增長法、k均值法、大津算法和圖割法進(jìn)行分割； 步驟S5:將幾種分割算法融合得到LGN區(qū)域的估計(jì)值作為分割結(jié)果； 步驟S6:將估計(jì)的LGN分割結(jié)果變換到結(jié)構(gòu)像的原始空間，得到LGN的最終分割結(jié)果。
2.如權(quán)利要求1所述的方法，其特征在于，所述步驟S3中的利用LGN解剖結(jié)構(gòu)的先驗(yàn)知識(shí)得到LGN在麗I空間內(nèi)的大致區(qū)域包括: 步驟S3a:LGN必然在腹側(cè)間腦區(qū)VDC內(nèi)，所以將經(jīng)過校正的圖像進(jìn)行大腦子結(jié)構(gòu)的分割從而得到VDC模板，并將VDC模板配準(zhǔn)到麗I標(biāo)準(zhǔn)空間； 步驟S3b:在Talairach空間中LGN的中心點(diǎn)位置在左側(cè)(-23.33，-21，-4.66)和右側(cè)(22.88,-21.3,4.63)附近，將這兩個(gè)坐標(biāo)轉(zhuǎn)換成MNI空間坐標(biāo)為左側(cè)P1 (-23，-22，-7)和右側(cè) Pr (26，-22，-8)； 步驟S3c:左右兩側(cè)LGN在一個(gè)的立方體空間內(nèi)，分別構(gòu)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(gòu)建LGN先驗(yàn)知識(shí)模板。
3.如權(quán)利要求1所述的方法，其特征在于，所述步驟S4中的步驟包括: 步驟S4a:在區(qū)域增長法中，以P1和P,為起始點(diǎn)，半徑為5mm來進(jìn)行區(qū)域增長，將區(qū)域增長結(jié)果和LGN先驗(yàn)知識(shí)模板求交集得到分割結(jié)果； 步驟S4b:在k均值法中，體素特征由體素的灰度值和其在麗I空間中的坐標(biāo)構(gòu)成，利用k均值法和體素特征將LGN先驗(yàn)知識(shí)模板中的體素聚成兩類，體素?cái)?shù)目多的一類為分割結(jié)果; 步驟S4c:在大津算法中，遍歷LGN先驗(yàn)知識(shí)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?cái)?shù)目多的一類為分割結(jié)果； 步驟S4d:在圖割算法中，LGN先驗(yàn)知識(shí)模板中的體素作為圖的節(jié)點(diǎn)，利用體素坐標(biāo)信息和體素灰度信息來計(jì)算體素間的相似性，把相似性作為節(jié)點(diǎn)之間的邊的權(quán)重，利用圖割算法把圖分成兩部分，使得分割后能量損失最小，體素?cái)?shù)目多的一類為分割結(jié)果。
4.如權(quán)利要求3所述的方法，其特征在于，在步驟S4d中體素i和體素j間相似性的定義是
5.如權(quán)利要求1所述的方法，其特征在于，所述步驟S5中將四種分割算法融合來估計(jì)出LGN的真實(shí)分割，步驟包括: 步驟S5a:構(gòu)造LGN分割的似然估計(jì)函數(shù)； 步驟S5b:利用EM算法進(jìn)行最大化估計(jì)得到LGN分割的估計(jì)值。
6.如權(quán)利要求5中所述的方法，其特征在于，在步驟S5a中構(gòu)造LGN分割的似然估計(jì)函數(shù)過程是: 步驟S4將LGN先驗(yàn)知識(shí)模板區(qū)域中的所有體素(N個(gè))用四種分割算法獨(dú)立賦予類標(biāo)志Label，Label e {0，1}，對(duì)于某體素i (i=l，2，…，N)，T(i)為其真實(shí)類標(biāo)志，記Dm(i)為第m種分割算法賦予第i個(gè)體素的類標(biāo)志，將先驗(yàn)知識(shí)模板區(qū)域中的N個(gè)體素的四種分割結(jié)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(shù)據(jù)和其概率分布函數(shù)，而似然估計(jì)函數(shù)則為In [f (D, T I p，q)]。
7.如權(quán)利要求5所述的方法，其特征在于，在步驟S5b中利用EM算法中第k次迭代的E步驟計(jì)算公式為
【文檔編號(hào)】G06T7/00GK103700104SQ201310722891
【公開日】2014年4月2日 申請(qǐng)日期:2013年12月24日 優(yōu)先權(quán)日:2013年11月12日
【發(fā)明者】何暉光, 王潔瓊 申請(qǐng)人:中國科學(xué)院自動(dòng)化研究所