蘇新宇 王麗嘉? 朱艷春

1) (上海理工大學(xué)醫(yī)療器械與食品學(xué)院, 上海 200093)

2) (騰訊醫(yī)療健康 (深圳)有限公司, 深圳 518057)

基于心臟電影磁共振圖像的右心室(RV)分割, 對(duì)心臟疾病的診療及預(yù)后有著十分重要的意義.右心室結(jié)構(gòu)復(fù)雜, 傳統(tǒng)圖像分割方法始終未能達(dá)到較高的精度.多圖譜方法通過(guò)配準(zhǔn)和融合來(lái)實(shí)現(xiàn)RV分割, 是近幾年RV分割中的主要方法之一.本文提出一種新的右心室多圖譜分割方法, 能夠?qū)崿F(xiàn)RV的全自動(dòng)準(zhǔn)分割.本文首先采用自適應(yīng)仿射傳播算法獲取一系列圖譜集, 并基于豪斯多夫距離和歸一化互信息選擇與目標(biāo)圖像最相似的圖譜集; 然后, 依次采用多分辨率的仿射變換和Diffeomorphic demons算法將目標(biāo)圖像配準(zhǔn)到最相似圖譜集, 并將配準(zhǔn)得到的形變場(chǎng)應(yīng)用于標(biāo)記圖像獲得粗分割結(jié)果; 最后, 本文采用COLLATE算法融合粗分割結(jié)果得到RV輪廓.30例心臟電影磁共振數(shù)據(jù)被用于回顧性分析.本文算法與放射專(zhuān)家手工分割的RV 相比, Dice 指標(biāo)和豪斯多夫距離的平均值分別為 0.84, 11.46 mm; 舒張末期容積, 收縮末期容積, 射血分?jǐn)?shù)的相關(guān)系數(shù)和偏差均值分別是 0.94, 0.90, 0.86; 2.5113, –3.4783, 0.0341.與卷積神經(jīng)網(wǎng)絡(luò)相比, 本文算法在收縮末期的分割精度更接近手動(dòng)分割結(jié)果.實(shí)驗(yàn)結(jié)果表明, 該方法從有效的圖譜選擇和基于多分辨率的Diffeomorphic demons算法的多級(jí)配準(zhǔn)提高了右心室分割的精度, 有望應(yīng)用于臨床輔助診斷.

1 引 言

據(jù)世界衛(wèi)生組織 (world health organization)報(bào)道, 2016年大約有1790萬(wàn)人死于心血管疾病,占全球死亡總數(shù)的31%[1]; 《中國(guó)心血管病報(bào)告2018》顯示, 中國(guó)心血管疾病發(fā)病率及死亡率仍處于上升階段[2].心血管疾病已經(jīng)成為嚴(yán)重威脅人類(lèi)健康的頭號(hào)殺手.借助影像手段評(píng)價(jià)心臟功能指標(biāo)是臨床心臟疾病日常診斷的主要依據(jù).心臟電影磁共振成像 (cine cardiac magnetic resonance imaging,Cine-CMRI)軟組織對(duì)比度高、時(shí)空分辨率好、可以動(dòng)態(tài)觀察心臟解剖結(jié)構(gòu), 可重復(fù)性和高準(zhǔn)確度使Cine-CMRI成為評(píng)估心臟功能指標(biāo)的金標(biāo)準(zhǔn).基于 Cine-CMRI的右心室 (right ventricular, RV)分割對(duì)肺動(dòng)脈高壓、三尖瓣閉鎖、法洛四聯(lián)癥等心臟疾病的功能評(píng)價(jià)具有獨(dú)特的重要參考意義[3,4],是目前心臟分割領(lǐng)域的研究熱點(diǎn).然而, RV心肌薄且個(gè)體差異大, 心外膜毗鄰脂肪, 心內(nèi)膜連接小梁肌, 給傳統(tǒng)的分割方法帶來(lái)了不小的難度.

多圖譜分割作為目前RV分割的主要研究手段之一, 在近年來(lái)取得了長(zhǎng)足的發(fā)展.多圖譜分割方法主要是通過(guò)圖譜先驗(yàn)信息將圖像分割問(wèn)題轉(zhuǎn)換為圖像配準(zhǔn)和融合, 主要包括圖譜選擇、配準(zhǔn)和融合三個(gè)步驟.RV多圖譜分割中, 圖譜多是主觀選擇的結(jié)構(gòu)清晰的固定的圖像, 并未考慮目標(biāo)圖像與圖譜集的相似性對(duì)配準(zhǔn)精度的影響.聚類(lèi)作為研究分類(lèi)問(wèn)題的一種統(tǒng)計(jì)分析方法, 可有效選擇相似圖譜.仿射傳播聚類(lèi) (affinity propagation clustering,AP)算法將數(shù)據(jù)點(diǎn)對(duì)之間的相似性作為輸入度量,利用數(shù)據(jù)點(diǎn)之間的信息傳遞得到一組高質(zhì)量的聚類(lèi)中心和相應(yīng)的集群[5], 被首次用于RV多圖譜分割中圖譜集的獲取[6].與固定圖譜相比, AP算法避免了所有圖譜圖像與目標(biāo)圖像的配準(zhǔn)過(guò)程, 顯著減少了分割時(shí)間, 且同時(shí)提高了分割精度.但是, 圖譜圖像聚類(lèi)過(guò)程時(shí)間過(guò)長(zhǎng)、心尖圖像的分割效果不佳仍然是目前存在的問(wèn)題.自適應(yīng)仿射傳播聚類(lèi)(Adaptive AP)算法在AP算法的基礎(chǔ)上進(jìn)行改進(jìn), 主要包括三個(gè)方面:自動(dòng)調(diào)整偏向參數(shù)的大小來(lái)搜索聚類(lèi)集群數(shù)量尋找最優(yōu)聚類(lèi)結(jié)果; 自適應(yīng)調(diào)整阻尼因子來(lái)消除振蕩; 以及阻尼效果不佳時(shí), 降低偏向參數(shù)逃離振蕩, 以尋找出最優(yōu)聚類(lèi)結(jié)果[7].

醫(yī)學(xué)圖像配準(zhǔn)是指通過(guò)尋找某種空間變換, 使兩幅圖像相似度最大化的過(guò)程.降低計(jì)算量、提高魯棒性、更精確地描述器官或組織間的形態(tài)差異,一直是備受關(guān)注的問(wèn)題.Cine-CMRI圖像中, RV隨時(shí)間進(jìn)行周期性的變化、并且個(gè)體結(jié)構(gòu)差異巨大, 對(duì)配準(zhǔn)方法的靈活性、精度和計(jì)算效率的要求更高.自由形變 (free-form deformations, FFD)模型是心臟等運(yùn)動(dòng)器官常常采用的配準(zhǔn)方法, 該模型作為參數(shù)非剛性配準(zhǔn)方法, 主要采用幾何平滑函數(shù), 通過(guò)控制網(wǎng)格點(diǎn)的移動(dòng)和插值優(yōu)化等近似求得圖像形變, 魯棒性和精度之間的平衡由控制點(diǎn)網(wǎng)格間距和正則化量控制.大量文獻(xiàn)研究表明[8?12],FFD將圖像形變參數(shù)化表示, 雖然降低了計(jì)算量,但也限制了形變的復(fù)雜程度.通過(guò)局部形變近似求得整體形變, 容易產(chǎn)生物理折疊, 不能確保圖像的拓?fù)浣Y(jié)構(gòu).對(duì)于形變較大的心臟圖像來(lái)說(shuō), FFD并不能實(shí)現(xiàn)精確配準(zhǔn).Thirion[13]根據(jù)麥克斯韋妖的原理首先提出將無(wú)參數(shù)非剛性配準(zhǔn)視為擴(kuò)散過(guò)程,以圖像梯度信息作為驅(qū)動(dòng)力實(shí)現(xiàn)配準(zhǔn)過(guò)程的Demons方法.Demons作為小形變配準(zhǔn)模型, 在計(jì)算效率和配準(zhǔn)效果方面皆表現(xiàn)出良好的性能, 然而傳統(tǒng)Demons只將參考圖像的梯度信息作為驅(qū)動(dòng)力[14], 導(dǎo)致形變程度不高、魯棒性差, 最重要的是不能維持其拓?fù)浣Y(jié)構(gòu).為了克服上述局限性,Vercauteren 等[15]提出 Diffeomorphic demons模型, 結(jié)合李群空間實(shí)現(xiàn)優(yōu)化策略確保形變場(chǎng)具有拓?fù)浔３中? 同時(shí)采用快速計(jì)算指數(shù)映射實(shí)現(xiàn)了對(duì)大形變配準(zhǔn)的高效性和魯棒性, 更適用于處理心臟圖像.

融合的主要目標(biāo)是在有效利用資源的情況下盡可能提供準(zhǔn)確可靠的結(jié)果.RV配準(zhǔn)后的標(biāo)記圖像需要通過(guò)融合算法得到RV分割結(jié)果.融合算法中使用較多的是多數(shù)投票法、加權(quán)投票法、概率圖譜、STAPLE (simultaneous truth and performance level estimation)和 COLLATE (consensus level,labeler accuracy and truth estimation)算法.目前多數(shù)使用后兩種融合方法, COLLATE是對(duì)STAPLE算法的改進(jìn), 基于最大似然/最大后驗(yàn)方法估計(jì)每個(gè)體素的共識(shí)水平和每個(gè)區(qū)域的性能, 從而得到更接近真實(shí)結(jié)果的估計(jì)值.COLLATE在模擬數(shù)據(jù)集和經(jīng)驗(yàn)數(shù)據(jù)集中取得的結(jié)果都顯著優(yōu)于以往的融合方法[16].

針對(duì)RV分割存在的問(wèn)題, 本文提出了一種新的RV多圖譜分割框架, 主要包括圖譜集選擇, 圖譜集與目標(biāo)圖像配準(zhǔn)得到粗分割結(jié)果, 以及融合粗分割結(jié)果獲得最終RV分割結(jié)果三個(gè)步驟.本文在圖譜制作中采用基于豪斯多夫距離和歸一化互信息的Adaptive AP算法[7]獲取一系列初始的圖譜集, 并再次根據(jù)豪斯多夫距離和歸一化互信息從初始圖譜集中選出最相似的圖譜集; 然后, 本文利用Diffeomorphic demons算法將目標(biāo)圖像與最相似的圖譜集進(jìn)行配準(zhǔn), 得到一系列保持較好拓?fù)浣Y(jié)構(gòu)的粗分割結(jié)果; 最后, COLLATE算法將粗分割結(jié)果進(jìn)行融合, 獲得精確、魯棒的RV輪廓.

2 基礎(chǔ)方法概述

2.1 AP算法

AP算法通過(guò)識(shí)別具有代表性的樣本子集對(duì)數(shù)據(jù)進(jìn)行聚類(lèi).s(i,k) 表示數(shù)據(jù)點(diǎn)i與數(shù)據(jù)點(diǎn)k之間的相似性, 通常使用歐式距離s(i,k)=?||xi?xk||2.s(k,k)作為輸入, 其大小影響聚類(lèi)中心的選擇, 因此又被稱(chēng)為偏向參數(shù)p(preferences).當(dāng)所有的數(shù)據(jù)點(diǎn)都同樣適合作為聚類(lèi)中心,p通常被設(shè)置為相似值的均值以控制生成的集群數(shù)量.吸引度r(i,k)和歸屬度a(i,k) 是數(shù)據(jù)點(diǎn)之間的兩種消息交換方式, 按照以下公式迭代更新:

其中歸屬度初始化a(i,k)=0.在仿射傳播過(guò)程中,每一個(gè)數(shù)據(jù)點(diǎn)都將通過(guò)吸引度與歸屬度之和來(lái)確定是否作為聚類(lèi)中心.更新消息時(shí), 為避免出現(xiàn)數(shù)值振蕩設(shè)置阻尼系數(shù)λ, 更新結(jié)果由上一次迭代結(jié)果和當(dāng)前迭代結(jié)果加權(quán)得到,λ和 1 ?λ分別為二者權(quán)重, 默認(rèn)值為 0.5.與其他方法相比, AP 算法更加精確、高效, 并應(yīng)用于人臉圖像聚類(lèi)、基因檢測(cè)、文本識(shí)別等領(lǐng)域.

Adaptive AP在AP算法的基礎(chǔ)上提出自動(dòng)消除振蕩的方法和自動(dòng)調(diào)整偏向參數(shù)的大小以尋找最優(yōu)的聚類(lèi)結(jié)果, 具體步驟如下:1) AP 算法進(jìn)行一次循環(huán), 產(chǎn)生k個(gè)類(lèi)代表, 并檢測(cè)是否振蕩;2)若發(fā)生振蕩, 則逐步增大阻尼因子λ, 否則轉(zhuǎn)步驟1); 3)檢測(cè)k個(gè)類(lèi)代表是否收斂, 若不收斂轉(zhuǎn)步驟1); 4)繼續(xù)若干次循環(huán)以驗(yàn)證結(jié)果是否穩(wěn)定, 結(jié)果穩(wěn)定逐漸減小偏向參數(shù)p, 否則轉(zhuǎn)步驟1); 5)重復(fù)以上步驟直至達(dá)到停止條件.相比較于AP算法, Adaptive AP在聚類(lèi)質(zhì)量和消除振蕩方面具有更優(yōu)或不低于原算法的結(jié)果.

2.2 Diffeomorphic demons算法

Diffeomorphic demons是目前醫(yī)學(xué)圖像中常用的一種高效、魯棒的非剛性配準(zhǔn)算法, 通過(guò)使全局能量函數(shù)最小化實(shí)現(xiàn)最終的配準(zhǔn)過(guò)程.該方法分為優(yōu)化過(guò)程和正則化過(guò)程, 其中, 優(yōu)化過(guò)程采用的全局能量函數(shù)的標(biāo)準(zhǔn)形式如下[15]:

其中F為參考圖像,M為浮動(dòng)圖像,σi2為圖像的噪聲大小,σx2為形變場(chǎng)正則化的程度,s為上一次迭代后的形變,u為迭代更新的形變場(chǎng),表示作為相似性測(cè)度的均方誤差表示形變場(chǎng)的誤差函數(shù).而正則化過(guò)程一般通過(guò)高斯卷積完成, 得到流體模型或擴(kuò)散模型的正則化效果.

對(duì)于圖像中任意一點(diǎn)p的形變, 可通過(guò)最小化全局能量函數(shù)得到:

通過(guò)(4)式計(jì)算圖像的形變場(chǎng), 并在李群中實(shí)現(xiàn)形變場(chǎng)的復(fù)合得到最終的配準(zhǔn)結(jié)果圖像.由于每次迭代都需要計(jì)算形變場(chǎng)的指數(shù)映射 e x(p(u) ,)因此利用單參數(shù)子群的性質(zhì) e xp(u)=expK?1uK和SS (scaling and squaring method)快速計(jì)算:

1) 選擇一個(gè)N, 讓 2?N趨近于零, 例如

2) 對(duì)圖像中任意一點(diǎn)p:v(p)←2?Nu(p) ,對(duì)v做N次復(fù)合運(yùn)算v←v?v;其中,v1與v2并不是簡(jiǎn)單相加, 而是通過(guò)v2驅(qū)動(dòng)形變, 重新插值得到和v2再相加得到.

Diffeomorphic demons算法步驟如下:

1) 給定目標(biāo)圖像F和圖譜圖像M, 仿射變換后的形變場(chǎng)s作為初始形變場(chǎng);

2) 通過(guò)最小化E, 即(4)式計(jì)算更新后的形變場(chǎng)u;

3) 對(duì)u做高斯卷積, 讓u←Kfluid?u, 產(chǎn)生流體模型的正則化效果;

4) 讓c←s?exp(u) ;

5) 對(duì)c做高斯卷積, 讓s←Kdiff?c, 產(chǎn)生擴(kuò)散模型的正則化效果;

6) 重復(fù)以上步驟, 直至E收斂或達(dá)到最大迭代次數(shù), 得到最終形變場(chǎng)s及配準(zhǔn)結(jié)果.

Diffeomorphic demons是在李群框架下實(shí)現(xiàn)配準(zhǔn)的優(yōu)化策略, 可以產(chǎn)生具有微分同胚的形變、保證RV配準(zhǔn)中產(chǎn)生的變形場(chǎng)具有可逆性、拓?fù)浔３中?

2.3 COLLATE算法

COLLATE作為一種統(tǒng)計(jì)標(biāo)簽融合算法, 可以準(zhǔn)確估計(jì)和解釋空間變化的性能.假設(shè)一幅圖像有N個(gè)像素點(diǎn),R個(gè)標(biāo)簽信息用來(lái)評(píng)估其真實(shí)結(jié)果.D為N×R的矩陣, 描述所有N個(gè)體素中所有R個(gè)配準(zhǔn)結(jié)果的標(biāo)記決策.設(shè)T為N個(gè)元素的向量, 表示所有體素的隱式真分割, 其中Ti{0,1,···,L? 1}.定義一個(gè)包含N個(gè)元素的向量C, 它表示在每個(gè)體素的一致或混淆特征, 共有F個(gè)等級(jí),Ci∈ {0,1,···,F? 1}.定義θ=[θ1,θ2,···,θR], 表示R個(gè)配準(zhǔn)結(jié)果對(duì)應(yīng)的性能水平估計(jì); 結(jié)合上述定義, 將f(D,T,C|θ) 定義為概率質(zhì)量分布函數(shù), 并通過(guò)最大期望算法 (E-M algorithm, EM) 來(lái)實(shí)現(xiàn)性能水平參數(shù)θ的估計(jì), 其中, E-Step 將估計(jì)圖像體素i屬于每個(gè)一致性水平的概率, 這個(gè)概率在M-Step中估計(jì)性能水平參數(shù)時(shí)對(duì)每個(gè)體素的權(quán)重至關(guān)重要.COLLATE作為一種準(zhǔn)確、魯棒的融合算法, 已經(jīng)成功用于RV分割[17].因此提出使用COLLATE算法進(jìn)行RV標(biāo)記圖像的融合.

3 一種新的RV多圖譜分割框架

本文提出了結(jié)合Diffeomorphic demons算法的多圖譜分割框架, 從心臟磁共振圖像中自動(dòng)精確提取RV輪廓, 一系列圖像處理流程如圖1所示.算法具體步驟如下:

1) 原始心臟磁共振數(shù)據(jù)首先進(jìn)行預(yù)處理, 通過(guò)霍夫圓變換定位左心室并確定包含RV的感興趣區(qū)域;

2) 依據(jù)圖像特征和灰度信息進(jìn)行仿射傳播聚類(lèi)得到圖譜集, 并根據(jù)目標(biāo)圖像選擇圖譜集;

3) 然后與圖譜圖像分別進(jìn)行仿射變換和Diffeomorphic demons配準(zhǔn), 并將得到的形變場(chǎng)應(yīng)用于標(biāo)記圖像;

4) 最后利用COLLATE算法融合所有標(biāo)記圖像得到右心室分割結(jié)果.

基于以上提出的方法對(duì)心臟磁共振圖像進(jìn)行處理.從RV特征及結(jié)構(gòu)出發(fā), 考慮在RV分割中感興趣區(qū)域過(guò)大, 導(dǎo)致計(jì)算量增加從而降低分割速度, 同時(shí)影響圖像的配準(zhǔn)及分割效果, 尤其是心尖部分.同舒張末期 (endo-diastolic, ED)相比, 收縮末期 (endo-systolic, ES)的 RV 輪廓較小.因此,本文采用不同大小的感興趣區(qū)域進(jìn)行處理:123 ×123, 103 × 103.從空間結(jié)構(gòu)來(lái)看, 基底到頂端心室面積逐漸減小, 分割也越來(lái)越困難.所以, 本文在預(yù)處理階段將心室基底到頂端的感興趣區(qū)域逐漸縮小, 具體通過(guò)定位左心室中心, 縮小半徑來(lái)實(shí)現(xiàn).這樣既解決了由于感興趣區(qū)域過(guò)大引起的計(jì)算量增加和配準(zhǔn)精確性等問(wèn)題, 同時(shí)頂端心室腔狹小難以分割的問(wèn)題也得到緩解.

3.1 圖譜集選擇

本文結(jié)合Adaptive AP算法和圖譜集特點(diǎn)提出適合RV分割的圖譜聚類(lèi)方法, 具體流程如圖2所示.

圖譜集包括圖譜圖像和標(biāo)記圖像, 其中標(biāo)記圖像是由專(zhuān)家手動(dòng)勾畫(huà)RV輪廓得到的二值圖像.針對(duì)圖譜集的特點(diǎn), 采用不同的相似性測(cè)度進(jìn)行分別聚類(lèi).首先, 標(biāo)記圖像l1?ln采用豪斯多夫距離(Hausdorff distance, HD)作為相似性度量進(jìn)行Adaptive AP 聚 類(lèi), 得 到 結(jié) 果C1(l),C2(l),···,Cm(l); 取相應(yīng)的圖譜圖像子集C1(g),C2(g),···,Cm(g)采用歸一化互信息(normal mutual information)作為相似性度量分別進(jìn)行Adaptive AP聚類(lèi), 得到進(jìn)一步的聚類(lèi)子集C1(g),C2(g),...,Ck(g).多圖譜在圖譜數(shù)量的選擇要平衡分割精度和速度之間的關(guān)系, 研究表明圖譜數(shù)量在15—20幅范圍之間, 可以保證分割精度的同時(shí)提高速度[18].因此, 我們將子集數(shù)量是否大于等于15作為滿足條件進(jìn)行篩選, 最后將符合要求的聚類(lèi)子集再一次進(jìn)行聚類(lèi), 得到一組聚類(lèi)中心g1,g2,···,gi;l1,l2,···,li和集群C1(g),C2(g),···,Ci(g);C1(l),C2(l),···,Ci(l).

圖1 結(jié)合多圖譜和 Diffeomorphic demons 算法的右心室分割流程圖Fig.1.Flow diagram of right ventricular segmentation combined with multi-atlas and Diffeomorphic demons algorithm.

圖2 圖譜圖像聚類(lèi)流程圖Fig.2.Atlas image clustering flow chart.

聚類(lèi)后針對(duì)目標(biāo)圖像選擇合適的圖譜集進(jìn)行分割.首先目標(biāo)圖像T與i個(gè)聚類(lèi)中心經(jīng)配準(zhǔn)、融合得到初始分割結(jié)果L; 然后依據(jù)相似性測(cè)度的大小選擇圖譜集.文獻(xiàn)[5]使用了Dice系數(shù)作為選擇依據(jù), 但是其只考慮了L與l1,l2,···,li的重疊區(qū)域的大小.本文從配準(zhǔn)算法出發(fā), 考慮其驅(qū)動(dòng)力主要依靠圖像梯度信息提出了一個(gè)新的相似性測(cè)度:

其中 HD代表豪斯多夫距離, 測(cè)量標(biāo)記圖像l1,l2,···,li與L之間最大差異的對(duì)稱(chēng)距離度量.NMI代表歸一化互信息, 測(cè)量?jī)煞鶊D像的灰度相似性.D表示相似性測(cè)度, 由 HD 和 NMI共同決定 ,α和 1 ?α代表二者的權(quán)重.計(jì)算目標(biāo)圖像T與各聚類(lèi)中心的相似性測(cè)度, 選擇相似性最高的聚類(lèi)中心所代表的圖譜集用于接下來(lái)的RV分割.

在圖譜選擇階段, 頂端心室面積太小可能會(huì)導(dǎo)致圖譜集選擇失敗.對(duì)于這些無(wú)法選擇圖譜集的層面提出一種替代策略, 即選擇上一層面的圖譜集作為分割圖譜.這是由于心臟磁共振電影圖像相鄰層面之間具有較大的相似性, 替代策略可以減小由于心室面積過(guò)小而導(dǎo)致分割失敗的概率并保證其分割精度.

3.2 配準(zhǔn)和融合

Diffeomorphic demons算法保證了配準(zhǔn)前后的拓?fù)浔３中? 高效、靈活的計(jì)算方式對(duì)心臟圖像的大形變配準(zhǔn)表現(xiàn)出良好的性能.為了提高結(jié)果的魯棒性, 在進(jìn)行 Diffeomorphic demons 配準(zhǔn)之前,首先對(duì)兩幅圖像進(jìn)行仿射變換, 得到粗配準(zhǔn)結(jié)果.圖3是RV配準(zhǔn)的典型例子, 可以看出Diffeomorphic demons在RV圖像配準(zhǔn)中取得了較好的結(jié)果.

圖3 四個(gè)右心室配準(zhǔn)的典型例子 (a) 目標(biāo)圖像; (b) 圖譜圖像; (b) 標(biāo)記圖像; (d) 配準(zhǔn)結(jié)果Fig.3.Four examples of typical right ventricular registration:(a) Target image; (b) atlas image; (c) label image; (d)registration result.

為了進(jìn)一步提高配準(zhǔn)速度, 結(jié)合了多分辨率策略, 首先圖譜圖像和目標(biāo)圖像在最低分辨率情況下進(jìn)行配準(zhǔn), 快速得到該分辨率層的形變場(chǎng); 然后該形變場(chǎng)進(jìn)行上采樣作為更高分辨率層的初始值, 以加快配準(zhǔn)速度, 重復(fù)以上步驟直到得到最終的形變場(chǎng).

COLLATE算法可以依據(jù)標(biāo)簽信息準(zhǔn)確估計(jì)圖像空間變化.本文在右心室的多圖譜分割中將配準(zhǔn)步驟得到的標(biāo)記圖像利用COLLATE算法進(jìn)行融合, 得到準(zhǔn)確、魯棒的分割結(jié)果.RV標(biāo)記圖像的融合過(guò)程如圖4所示.

圖4 RV 標(biāo)記圖像的融合過(guò)程Fig.4.RV label image fusion process.

4 實(shí)驗(yàn)結(jié)果與對(duì)比

4.1 實(shí)驗(yàn)數(shù)據(jù)

Cine-CMRI短軸圖像在GE1.5 T掃描儀上通過(guò)SSFP序列獲取, 采集8—16層連續(xù)的電影短軸切片以覆蓋整個(gè)心室.具體成像參數(shù):圖像矩陣大小 256 × 256, FOV 是 360 mm × 360 mm, 層厚6—8 mm, 層間距 2—4 mm, 一個(gè)完整的心動(dòng)周期包括20—28個(gè)時(shí)相.數(shù)據(jù)來(lái)源者均簽署知情同意書(shū).隨機(jī)選取34例短軸電影圖像, 由專(zhuān)家手動(dòng)勾畫(huà)出ED, ES時(shí)相的RV輪廓, 該標(biāo)記圖像用于圖譜制作.另外隨機(jī)選取30例數(shù)據(jù)用于算法驗(yàn)證,同時(shí)將專(zhuān)家手動(dòng)勾畫(huà)得到的RV輪廓作為金標(biāo)準(zhǔn),用于實(shí)驗(yàn)結(jié)果評(píng)估.

4.2 評(píng)估指標(biāo)

分割結(jié)果的評(píng)估是圖像分割的重要步驟, 本文采用互補(bǔ)的兩個(gè)客觀指標(biāo)對(duì)分割結(jié)果進(jìn)行評(píng)估:幾何指標(biāo)和臨床表現(xiàn), 綜合兩種評(píng)估指標(biāo)可以防止對(duì)分割結(jié)果的片面評(píng)估, 保證評(píng)估結(jié)果的客觀性和準(zhǔn)確性.定量評(píng)估金標(biāo)準(zhǔn)與算法分割結(jié)果的幾何指標(biāo)包括:Dice指標(biāo)和豪斯多夫距離.Dice指標(biāo)是兩個(gè)區(qū)域重疊的度量, 其范圍在0—1之間:

其中Sa,Sb分別代表自動(dòng)分割算法和金標(biāo)準(zhǔn)中的RV區(qū)域.Dice指標(biāo)越高代表算法分割與金標(biāo)準(zhǔn)之間的重合程度越高.豪斯多夫距離提供了兩個(gè)標(biāo)記輪廓之間最大差異的對(duì)稱(chēng)距離度量, 定義為:

其中A,B表示自動(dòng)分割算法和金標(biāo)準(zhǔn)的RV輪廓,a和b分別表示輪廓A和B中的點(diǎn),d(a,b) 代表歐幾里得距離.

通過(guò)RV分割量化的心臟功能指標(biāo)主要包括舒張末期容積 (end diastolic volume, EDV), 收縮末期容積 (end systolic volume, ESV)及射血分?jǐn)?shù)(ejection fraction, EF).臨床表現(xiàn)是將心臟功能指標(biāo)的算法結(jié)果與臨床數(shù)據(jù)進(jìn)行一致性和相關(guān)性分析.其中, 相關(guān)性分析主要是描述算法結(jié)果與臨床數(shù)據(jù)的相關(guān)密切程度.一致性通過(guò) Bland-Altman圖實(shí)現(xiàn), 算法結(jié)果與臨床數(shù)據(jù)的偏差均值(Mean)及一致性界限(Mean ± 1.96SD)是衡量二者一致性的主要依據(jù).

4.3 實(shí)驗(yàn)結(jié)果

本文對(duì)30例臨床心臟磁共振數(shù)據(jù)進(jìn)行處理,并與專(zhuān)家手動(dòng)勾畫(huà)的金標(biāo)準(zhǔn)進(jìn)行比較.ED及ES的典型分割如圖5和圖6所示, 圖中依次是RV的基底到頂端.

表1給出了 RV分割結(jié)果在 ED和 ES的Dice指數(shù)和HD, 其中數(shù)據(jù)以均值(方差)形式呈現(xiàn).表中數(shù)據(jù)可以得到ED及ES的Dice指標(biāo)平均為 0.87, 0.81; ED和 ES的 HD平均為 10.76和12.16 mm.從結(jié)果比較, ED 的分割結(jié)果與金標(biāo)準(zhǔn)的重合度更高.與現(xiàn)有分割方法存在的問(wèn)題相同,ES時(shí)相的分割結(jié)果精度相對(duì)較低.主要原因是ED時(shí)相RV結(jié)構(gòu)簡(jiǎn)單, 邊界清晰; 而ES時(shí)相由于部分容積效應(yīng)導(dǎo)致邊界模糊且心室腔相對(duì)較小, 分割難度更高.30例分割結(jié)果的Dice指標(biāo)箱形圖如圖7所示, 其中 ED, ES的中位數(shù)分別為 0.875,0.820.從圖中可以看出ED時(shí)相的分割結(jié)果優(yōu)于ES時(shí)相, 且分割結(jié)果更加穩(wěn)定.

圖5 ED 從基底到頂端的 RV 分割結(jié)果Fig.5.RV contour at ED from base to apex.

圖6 ES 從基底到頂端的 RV 分割結(jié)果Fig.6.RV contour at ES from base to apex.

表1 ED, ES 的平均 Dice 指數(shù)和豪斯多夫距離Table 1.Average Dice index and Hausdorff distance of ED and ES.

圖7 Dice 指標(biāo)的箱形圖Fig.7.Box diagram of the Dice index.

分析30例數(shù)據(jù)結(jié)果與金標(biāo)準(zhǔn)的相關(guān)性和一致性, 結(jié)果如圖8所示, 圖中Data表示30例數(shù)據(jù)結(jié)果.圖8(a)、(c)、(e)表明自動(dòng)分割結(jié)果與金標(biāo)準(zhǔn)的相關(guān)性, 其中橫縱坐標(biāo)分別為金標(biāo)準(zhǔn)和自動(dòng)分割算法的結(jié)果,y表示線性回歸方程并在圖中標(biāo)出.EDV, ESV 及 EF 的相關(guān)系數(shù)R分別為 0.94, 0.90,0.86.其中, EDV的結(jié)果與真實(shí)臨床指標(biāo)的相關(guān)性最高.圖8(b)、(d)、(f)顯示了 EDV, ESV 及 EF的自動(dòng)分割結(jié)果與金標(biāo)準(zhǔn)具有較高的一致性.圖中橫軸為自動(dòng)分割結(jié)果和金標(biāo)準(zhǔn)的均值, 縱軸為自動(dòng)分割結(jié)果和金標(biāo)準(zhǔn)的差值.Mean是差值的平均值,SD 表示差值的標(biāo)準(zhǔn)差, Mean ± 1.96SD 為一致性界限.Bland-Altman 圖中表明, EDV, ESV 及 EF的偏差均值分別是 2.5113, –3.4783, 0.0341, 可以看出自動(dòng)分割算法偏差很小, 除了少數(shù)的異常值,所有的測(cè)量值都在一致性界限內(nèi).從相關(guān)系數(shù)和偏差均值來(lái)看, ED 比 ES 提高了 0.04, 0.967, 表明ED的分割結(jié)果更加接近金標(biāo)準(zhǔn), 這是由于舒張末期心室面積相對(duì)較大.一致性分析顯示ES時(shí)RV容積輕度低估, 主要原因是ES頂部心室面積狹小, 部分圖像未分割出RV輪廓.

為了進(jìn)一步驗(yàn)證算法分割結(jié)果的準(zhǔn)確性, 將算法結(jié)果與深度學(xué)習(xí)的全自動(dòng)分割結(jié)果進(jìn)行了比較.其中, 深度學(xué)習(xí)分割是由Circle CardioVascular Imaging (http://www.circlecvi.com/)開(kāi)發(fā)的心臟分析軟件心血管成像(CVI)得到.卷積神經(jīng)網(wǎng)絡(luò)是CVI分割心臟圖像的主要方法, 其結(jié)果的準(zhǔn)確性也已得到驗(yàn)證[19,20].圖9為深度學(xué)習(xí)結(jié)果與金標(biāo)準(zhǔn)的相關(guān)性及Bland-Altman分析(圖中各符號(hào)物理意 義 均 同 圖8).EDV, ESV, EF 的 相關(guān) 系數(shù)R分別為 0.93, 0.86, 0.66, 與本文算法得到的相關(guān)系數(shù) 0.94, 0.90, 0.86 相比, 深度學(xué)習(xí)方法的 ESV 和EF 的一致性水平明顯偏低.圖9(b)、(d)、(f)中偏差均值分別為–1.8167, –6.1830, 0.0372, 可以看出,ES的偏差均值相對(duì)較低.相比之下, 本文算法的偏差均值 2.5113, –3.4783, 0.0341 相對(duì)平均, 算法的穩(wěn)定性更高.與深度學(xué)習(xí)相比, 本文提出的算法在ES階段具有較高的分割精度, 主要是依據(jù)ES的結(jié)構(gòu)特點(diǎn)在預(yù)處理及圖譜選擇階段做出了調(diào)整.然而, ED時(shí)相的分割結(jié)果相對(duì)較差, 是由于深度學(xué)習(xí)依據(jù)大量數(shù)據(jù)訓(xùn)練得到的更具代表性的分割模型, 結(jié)果精確度更高.

圖8 本文算法與金標(biāo)準(zhǔn)結(jié)果分析 相關(guān)性分析 (a) 舒張末期容積; (b) 收縮末期容積; (c) 射血分?jǐn)?shù); Bland-Altman 分析 (d) 舒張末期容積; (e) 收縮末期容積; (f) 射血分?jǐn)?shù)Fig.8.Analysis of algorithm and gold standard results.Correlation analysis (a) EDV; (b) ESV; (c) EF; Bland-Altman analysis (d)EDV; (e) ESV; (f) EF.

5 結(jié) 論

圖9 深度學(xué)習(xí)與金標(biāo)準(zhǔn)結(jié)果分析 相關(guān)性分析 (a) 舒張末期容積; (b) 收縮末期容積; (c) 射血分?jǐn)?shù); Bland-Altman 分析 (d) 舒張末期容積; (e) 收縮末期容積; (f) 射血分?jǐn)?shù)Fig.9.Analysis of deep learning and gold standard results.Correlation analysis (a) EDV; (b) ESV; (c) EF; Bland-Altman analysis(d) EDV; (e) ESV; (f) EF.

RV復(fù)雜結(jié)構(gòu)和Cine-CMRI的影像學(xué)特點(diǎn)是其分割的主要困難:RV內(nèi)包括隨心動(dòng)周期變化的乳頭肌和小梁肌; 部分容積效應(yīng)和心臟運(yùn)動(dòng)常導(dǎo)致Cine-CMRI短軸圖像的低信噪比.在基底部,可以觀察到RV, LV, 心房及周?chē)Y(jié)構(gòu)往往難以區(qū)分, 導(dǎo)致 RV邊界不確定.在心室頂端, 心室腔狹窄且心肌及內(nèi)部結(jié)構(gòu)分布不均, 分割更加困難.針對(duì)這些問(wèn)題, 提出一種從心臟磁共振短軸圖像中自動(dòng)分割RV的新方法.該方法采用多圖譜框架和Diffeomorphic demons算法結(jié)合, 并且依據(jù)豪斯多夫距離和歸一化互信息采用Adaptive AP獲得圖譜集.實(shí)驗(yàn)結(jié)果表明, 該方法取得了與金標(biāo)準(zhǔn)具有較高一致性的分割結(jié)果, 無(wú)論在幾何指標(biāo)和臨床表現(xiàn)中, 都成功驗(yàn)證了方法的可行性和準(zhǔn)確性.與其他現(xiàn)有方法比較, 我們提出的方法可以做到準(zhǔn)確、快速地分割出RV輪廓, 具有更強(qiáng)的魯棒性和準(zhǔn)確性, 特別是心室腔狹小的圖像.提出的新方法有望輔助臨床心臟疾病的診斷、治療和預(yù)后.同時(shí), 為了更好地提高分割效果, 還可以結(jié)合圖像特征進(jìn)一步優(yōu)化配準(zhǔn)算法, 提高多圖譜分割精度和速度將是下一步要做的工作.