蔡文琴， 王遠(yuǎn)軍

（上海理工大學(xué) 健康科學(xué)與工程學(xué)院, 上海 200093）

隨著我國人口老齡化程度加深，大腦精神類疾病的發(fā)病率呈現(xiàn)快速增長趨勢，例如，原發(fā)性老年癡呆癥[1]、腦缺血[2]、中風(fēng)[3]及精神分裂[4]等。擴(kuò)散張量成像(diffusion tensor imaging, DTI)[5]是唯一能夠非侵入性地對生物組織中水分子的各向異性擴(kuò)散特征進(jìn)行成像的成像模態(tài)，它能夠提供組織微細(xì)結(jié)構(gòu)信息，特別是對于大腦白質(zhì)組織在分子水平上的檢測更為靈敏?；贒TI 的全腦解剖學(xué)分割能夠獲取腦組織中細(xì)微的結(jié)構(gòu)信息，并對DTI 數(shù)據(jù)中腦白質(zhì)或病變區(qū)域進(jìn)行提取與處理，能夠?yàn)榕R床疾病的輔助診斷提供更好的分析手段。一般來說，由臨床醫(yī)生手動進(jìn)行勾畫的腦解剖學(xué)圖像被認(rèn)為是最準(zhǔn)確的分割方法，俗稱“金標(biāo)準(zhǔn)”；然而，由于DTI 圖像的圖像分辨率低，且為四維圖像，因而不易于被醫(yī)生進(jìn)行手動分割。因此，開發(fā)一種具有較高準(zhǔn)確率和魯棒性的DTI圖像自動分割算法已經(jīng)成為國內(nèi)外醫(yī)學(xué)圖像處理與分析領(lǐng)域的研究熱點(diǎn)。

傳統(tǒng)的醫(yī)學(xué)圖像分割方法有很多，例如，閾值分割法[6]、區(qū)域生長法[7]及水平集分割法[8]等，這些方法是利用圖像的灰度、梯度或者其他區(qū)域的特征進(jìn)行分割，而DTI 圖像每個(gè)體素是 3×3的張量，因其圖像特點(diǎn)，它不適用于這些方法進(jìn)行分割。為此，近年來國內(nèi)外學(xué)者紛紛提出了各種不同的方法對張量圖像進(jìn)行分割。Rittner 等[9]通過梯度的計(jì)算，使用分水嶺分割算法對DTI 數(shù)據(jù)中的胼胝體進(jìn)行了分割。在此基礎(chǔ)上，王毅等[10]提出了一種基于矢量活動輪廓模型的DTI 腦胼胝體分割方法，該類算法對于局部某個(gè)腦區(qū)的分割效果尚可，但是，對分割大腦多個(gè)腦區(qū)的效果欠佳，而且由于分水嶺算法對于邊緣信息的敏感度，容易導(dǎo)致其產(chǎn)生過分割的現(xiàn)象；Lenglet 等[11]提出了張量空間的高斯概率活動輪廓模型分割算法對DTI 大腦數(shù)據(jù)進(jìn)行分割，并推導(dǎo)出了用于衡量張量間不相似性的測地距離，但該算法的分割精準(zhǔn)度和魯棒性會隨著DTI數(shù)據(jù)中高斯模型的變化而產(chǎn)生影響；Dai 等[12]提出了DTI 大腦縱向分割方法，但是，由于該算法對數(shù)據(jù)集的要求高，需要多次重復(fù)采集大腦數(shù)據(jù)來改善分割效果，且它的方法以結(jié)構(gòu)圖像為主，僅利用DTI 成像的各向異性分?jǐn)?shù)圖像，因此，并不適用于對普通DTI 大腦圖像的分割研究。綜上所述，由于腦部結(jié)構(gòu)的復(fù)雜性以及腦部區(qū)域邊界的模糊性，上述方法在分割DTI 圖像的不同腦組織的精確度上差異很大，存在著一定的局限性。

針對上述方法的不足，本文提出了一種基于對稱圖像歸一化配準(zhǔn)的DTI 腦區(qū)分割方法，它是以磁共振T1 圖像的分區(qū)圖為前提，利用ANTs 配準(zhǔn)方法，結(jié)合對稱圖像歸一化的配準(zhǔn)模型，將磁共振T1 圖像與DTI 的b0 圖像進(jìn)行配準(zhǔn)，從而獲取DTI 空間的位移場信息，再使用位移場將T1 圖像的分區(qū)圖映射至DTI 空間，最終得到DTI 圖像的腦區(qū)分割結(jié)果。本文選取了阿爾茨海默癥（Alzheimer's Disease, AD）患者作為實(shí)驗(yàn)對象進(jìn)行研究，而其發(fā)病時(shí)通常局部腦區(qū)會發(fā)生異常，因此，需要選取合適的方法對局部腦區(qū)的分割結(jié)果進(jìn)行定量和定性的評估。以往的方法大多采用兩種方式：一種是針對DTI 圖像的局部腦區(qū)，通常會選用手動分割該區(qū)域，再將自動分割結(jié)果與其作比較，來驗(yàn)證實(shí)驗(yàn)的準(zhǔn)確性。此方法對磁共振T1 圖像的適用性更高，但是，由于DTI 圖像的分辨率低，在此基礎(chǔ)上進(jìn)行手動分割的效果不佳，容易因“金標(biāo)準(zhǔn)”劃分的錯(cuò)誤而直接影響其最終結(jié)果。因此，本文采用的是定量評估中常用的另一種方法，即統(tǒng)計(jì)學(xué)的研究方法，它可以從側(cè)面反映局部腦區(qū)劃分的準(zhǔn)確性，且該方法可結(jié)合DTI 圖像中的各向異性圖來更好地驗(yàn)證AD 患者發(fā)病時(shí)相較于正常對照組（normal control, NC）其腦區(qū)異常部分。實(shí)驗(yàn)結(jié)果表明，該算法取得了良好的分割結(jié)果，有助于精確地理解人腦微觀結(jié)構(gòu)，進(jìn)而更好地輔助臨床進(jìn)行疾病的診斷。

1 對稱歸一化配準(zhǔn)的多圖譜大腦擴(kuò)散張量圖像分割方法

基于DTI 成像的全腦區(qū)分割方法是基于磁共振T1 成像的更深層研究，由于DTI 圖像的不易分割性，因此，實(shí)驗(yàn)考慮將已得到的基于T1 成像的腦分割圖像通過某種配準(zhǔn)和映射的方式轉(zhuǎn)換為對應(yīng)的DTI 分區(qū)圖?；诖殴舱馮1 的大腦分割方法[13]是利用多圖譜的分割方法，借助多項(xiàng)式展開的配準(zhǔn)和全局加權(quán)融合，得到最終目標(biāo)圖像的分割結(jié)果。得到T1 分割圖像后，提取同一病例DTI 圖像的b0 圖像，將目標(biāo)圖像與b0 圖像運(yùn)用ANTs（advancednormalization tools）中的對稱歸一化（symmetric normalization，SyN）變換模型對兩者進(jìn)行空間配準(zhǔn)，將位移場參數(shù)映射至T1 對應(yīng)的分割結(jié)果中，即可得到在DTI 空間上的全腦區(qū)分割結(jié)果，此方法將不易被手動分區(qū)的DTI 圖像進(jìn)行了巧妙的轉(zhuǎn)換，利用磁共振T1 圖像的特點(diǎn)，得到了最終的分割結(jié)果。該方法的流程如圖1 所示。

圖1 DTI 圖像分割算法流程圖Fig.1 Flow chart of DTI image segmentation algorithm

1.1 ANTS 配準(zhǔn)方法

由于不同人群的大腦解剖結(jié)構(gòu)各不相同，因此，需要通過配準(zhǔn)操作將不同的個(gè)體配準(zhǔn)到同一個(gè)空間上，從而確定大腦的形態(tài)。ANTs[14]是近年來對2 個(gè)圖像進(jìn)行配準(zhǔn)中效果最好的軟件之一，它是基于C 語言進(jìn)行編寫的，其運(yùn)行速度較快，且不受圖譜與目標(biāo)圖像的圖像大小限制，此配準(zhǔn)包通常在Linux 系統(tǒng)下使用較為廣泛。

實(shí)驗(yàn)中，使用ANTs 中的SyN 變換模型[15]進(jìn)行配準(zhǔn)操作，它是仿射變換和可變形變換的結(jié)合，以互信息作為其優(yōu)化的指標(biāo)，用最大化微分同胚映射空間內(nèi)的互相關(guān)，優(yōu)化了歐拉-拉格朗日配準(zhǔn)技術(shù)所不能保證的相似性度量的對稱性。微分同胚是具有可逆性的映射[16]，通常假設(shè)剛性和縮放變換已經(jīng)進(jìn)行了提取，且圖像的邊界也能進(jìn)行映射。在此空間中元素之間的最短路徑稱之為測地線，SyN 方法能夠保證在測地線連接2 個(gè)圖像（即圖像I 和圖像J）的前提下，使得2 個(gè)圖像都沿著形狀進(jìn)行流線型移動，且無論相似度或優(yōu)化參數(shù)如何改變，從圖像I 到圖像J 和從圖像J 到圖像I 的路徑一致。此外，在進(jìn)行距離估算的同時(shí)，也要保證其對稱一致性，其映射情況如圖2所示。第1 行為初始化時(shí)的原始圖像I 和原始圖像J；第2 行為經(jīng)過SyN 方法收斂后，這些圖像經(jīng)過微分同胚變形后的狀態(tài)；第3 行為變形的位移場；第4 行為變換的函數(shù)。I（0.5）表示在0.5 時(shí)刻原始圖像I（0）變換后的圖像。

圖2 圖像I 和圖像J 的SyN 測地線路徑[17]Fig.2 SyN geodesic path of image I and image J[17]

1.2 b0 圖像的位移場映射

DTI 技術(shù)是近年來研究腦成像的新方向，它是利用水分子布朗運(yùn)動的特點(diǎn)去間接反映人體組織結(jié)構(gòu)，根據(jù)水分子的運(yùn)動方向及形式去判斷其三維走向，從而達(dá)到研究腦功能的目的，對腦白質(zhì)疾病及研究腦網(wǎng)絡(luò)的連接性、完整性及其他特點(diǎn)的評估提供了新的依據(jù)，具有磁共振T1 加權(quán)像、磁共振T2 加權(quán)像等其他常規(guī)MRI 圖像無法與之比較的優(yōu)越性。b0圖像是DTI圖像在掃描時(shí)當(dāng)b值為0 時(shí)生成的圖像[18]，b為擴(kuò)散敏感系數(shù)，其表達(dá)式為

式中： γ為旋磁比；G為 磁場強(qiáng)度； δ為每個(gè)梯度脈沖施加的時(shí)間； Δ為脈沖施加的時(shí)間間隔。

從式（1）中可以得到，b值為常數(shù)，由施加磁場的梯度場強(qiáng)的參數(shù)來確定，且b的值越大，彌散運(yùn)動發(fā)生時(shí)水分子越敏感，b0 圖像如圖3 所示。

圖3 b0 大腦圖像Fig. 3 b0 brain image

實(shí)驗(yàn)中，將目標(biāo)的待分割T1 加權(quán)圖像與DTI的b0 圖像通過ANTs 進(jìn)行配準(zhǔn)，得到其空間的對應(yīng)位置信息及映射的位移場參數(shù)，再將此位移場映射至目標(biāo)圖像的分區(qū)圖，即可得到在DTI 空間上的全腦區(qū)分割圖像。

1.3 FA 圖像

各向異性分?jǐn)?shù)(fractional anisotropy, FA)[19]是用來反映分子之間的差別和離散性的表示方法，它的定義為

式中：FA為部分各向異性指數(shù)； λ1，λ2，λ3表示擴(kuò)散張量的本征值， λ=(λ1+λ2+λ3)/3表示張量的平均擴(kuò)散率。

FA常用于衡量擴(kuò)散張量部分各向異性的程度，它的值在0～1 之間進(jìn)行變化，當(dāng)FA=0 時(shí)，則表示擴(kuò)散各向同性；當(dāng)FA=1 時(shí)，則表示擴(kuò)散各向異性。目前，在臨床研究中，F(xiàn)A值的應(yīng)用較為廣泛，其原因如下：

a.FA值不會隨著坐標(biāo)系的改變而輕易進(jìn)行改變，也就是說它具有旋轉(zhuǎn)不變性的特點(diǎn)。

b. FA 圖像可以獲取到腦灰質(zhì)及腦白質(zhì)之間的對比性，因此，它可以較為容易地對腦部的感興趣區(qū)域進(jìn)行提取，適用于作為全腦區(qū)分割的參考比較圖像。

c. FA 圖像具有較高的信噪比，與腦區(qū)分割圖像進(jìn)行點(diǎn)乘后可以較好地反映各個(gè)腦區(qū)的不同特征，便于后續(xù)的針對某個(gè)腦區(qū)或者某些區(qū)域進(jìn)行分析，F(xiàn)A 圖像如圖4 所示。

圖4 FA 大腦圖像Fig. 4 FA brain image

由于FA 圖像是表示腦白質(zhì)等組織各向異性及完整性的一個(gè)度量指標(biāo)，而AD 患者發(fā)病時(shí)通常腦白質(zhì)等區(qū)域容易發(fā)生異常。因此，本實(shí)驗(yàn)選擇將DTI 的FA 圖像與磁共振T1 分區(qū)圖對應(yīng)的各個(gè)腦區(qū)的標(biāo)簽進(jìn)行逐一點(diǎn)乘，提取出各個(gè)感興趣的腦區(qū)區(qū)域，再針對AD 患者發(fā)病時(shí)容易發(fā)生異常的腦區(qū)通過合適的統(tǒng)計(jì)學(xué)方法進(jìn)行評估和驗(yàn)證。

1.4 統(tǒng)計(jì)分析方法

實(shí)驗(yàn)中，利用SPSS(statistical product and service solutions)17.0 軟件[20]對所得到的腦區(qū)分割結(jié)果進(jìn)行統(tǒng)計(jì)學(xué)評價(jià)，運(yùn)用獨(dú)立樣本t檢驗(yàn)對AD 和NC 進(jìn)行比較。在進(jìn)行獨(dú)立樣本t檢驗(yàn)前，需要對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行正態(tài)分布的驗(yàn)證，保證其滿足正態(tài)分布才能進(jìn)行下一步的分析。因?yàn)橹挥袧M足了這個(gè)前提，才可以保證計(jì)算出的統(tǒng)計(jì)量能夠滿足T 分布[21]。當(dāng)P＞0.05 時(shí)，則接受原來的假設(shè)，認(rèn)為對應(yīng)腦區(qū)的差異不具有統(tǒng)計(jì)學(xué)意義；在P＜0.05時(shí)，則否定原先假設(shè)，認(rèn)為對應(yīng)腦區(qū)的差異具有統(tǒng)計(jì)學(xué)意義。在統(tǒng)計(jì)參數(shù)的比較中，選擇腦區(qū)圖像的灰度平均值進(jìn)行統(tǒng)計(jì)學(xué)檢驗(yàn)，灰度均值反映了圖像中所有像素灰度值的算數(shù)平均。均值越大，則說明圖像的亮度越大；均值越小，則代表圖像的亮度越小，其公式為

式中：An代 表計(jì)算得出的灰度均值；a1，a2，···，an代 表各個(gè)像素點(diǎn)的像素值；n代表像素點(diǎn)的總個(gè)數(shù)。

2 實(shí)驗(yàn)數(shù)據(jù)

2.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)

本文所有的實(shí)驗(yàn)均在Window10 系統(tǒng)下進(jìn)行操作，運(yùn)行環(huán)境為：內(nèi)存8.0 GB；芯片Intel Core（TM） i7-8700 CPU @3.20GHz；算法是基于Matlab語言開發(fā)的，其版本為R2018a。實(shí)驗(yàn)的第一個(gè)數(shù)據(jù)集來源于the Alzheimer’s Disease Neuroimaging Initiative（ADNI）[22]數(shù)據(jù)集的40 例磁共振T1 加權(quán)MRI 序列和其對應(yīng)的DTI 序列圖像（其中，20 例為AD 患者病例，20 例為NC 對照組）；第二個(gè)數(shù)據(jù)集是15 例T1 加權(quán)像及它對應(yīng)的標(biāo)簽圖像，該數(shù)據(jù)集來自O(shè)ASIS 數(shù)據(jù)庫，被用于MICCAI 2012多地圖集標(biāo)記重大挑戰(zhàn)賽和研討會[23]。該數(shù)據(jù)集的標(biāo)簽均由臨床的專家進(jìn)行了手動標(biāo)記，共標(biāo)注了138 個(gè)結(jié)構(gòu)，其中28 個(gè)標(biāo)簽為非皮質(zhì)層結(jié)構(gòu)[24]，分別為：第三腦室、第四腦室、腦干、左/右半球伏隔核、腦白質(zhì)、小腦白質(zhì)、尾狀核、杏仁核、海馬、側(cè)腦室、蒼白球、殼核、丘腦、腹側(cè)間腦以及小腦小葉IV、VI-VII 和VIII-X。ADNI 數(shù)據(jù)集中的每例圖像數(shù)據(jù)的切片數(shù)量在201～254 之間，切片尺寸為1 96×197，其具體數(shù)據(jù)信息如表1 所示。MICCAI 數(shù)據(jù)集中的每幅圖像的切片數(shù)量在261～334 之間，切片尺寸為 256×256。2 個(gè)數(shù)據(jù)集合的各向同性分辨率均為1 mm×1 mm×1 mm。

表1 ADNI 數(shù)據(jù)集信息Tab.1 ADNI dataset information

2.2 實(shí)驗(yàn)預(yù)處理

ADNI 數(shù)據(jù)集獲取的40 例數(shù)據(jù)是DICOM 格式的圖像，而后續(xù)的操作需要NIFTI 圖像進(jìn)行操作，因此，首先使用Mricron 軟件中的dcm2nii.exe將所有圖像都轉(zhuǎn)變?yōu)镹IFTI 格式的圖像，在軟件界面中通過File 中的DICOM to NIFTI 添加需要轉(zhuǎn)換的圖像或者文件夾即可進(jìn)行轉(zhuǎn)換，將轉(zhuǎn)換后的DTI 圖像運(yùn)用FSL 軟件進(jìn)行了b0 圖像和FA 圖像的提取。

由于每例圖像數(shù)據(jù)的切片數(shù)目各不相同，為了便于后續(xù)的實(shí)驗(yàn)操作及評價(jià)，將2 個(gè)數(shù)據(jù)集中所有的磁共振T1 圖像的切片數(shù)都調(diào)整成256×334×256。然后使用FSL 軟件中的BET-Brain Extraction Tool[25]對磁共振T1、b0 和FA 的顱骨進(jìn)行了剝離操作，最后使用3D Slicer 下的N4ITK MRI Bias correction 對圖像進(jìn)行偏置場校正，以保證圖像灰度的標(biāo)準(zhǔn)化[26]，去除多余噪聲等干擾信息。實(shí)驗(yàn)預(yù)處理后的T1、b0 和FA 圖像如圖5 和圖6 所示。

圖5 預(yù)處理前后對比圖（AD 患者組）Fig.5 Comparison of before and after preprocessing (AD patient group)

圖6 預(yù)處理前后對比圖（NC 對照組）Fig.6 Comparison diagram before and after preprocessing (NC control group)

3 實(shí)驗(yàn)結(jié)果與分析

本文在基于多圖譜的分割算法得到磁共振T1 圖像的分割結(jié)果后，進(jìn)一步獲得了DTI 圖像的分割結(jié)果。實(shí)驗(yàn)運(yùn)用ANTs 的配準(zhǔn)方法，結(jié)合DTI 的b0 和FA 圖像的特點(diǎn)，獲取了DTI 空間上的全腦區(qū)分割結(jié)果。圖7 為ADNI 數(shù)據(jù)集中AD 患者和NC 對照組的DTI 圖像的腦區(qū)分割結(jié)果。為了更加直觀地顯示其分割效果，用不同顏色區(qū)分了AD 與NC 最終分割結(jié)果中的各個(gè)腦區(qū)。

圖7 AD 和NC 的DTI 腦區(qū)分割結(jié)果Fig.7 DTI brain segmentation results of AD and NC

由于腦白質(zhì)被神經(jīng)軸突和髓鞘包裹，其主要用于對外周器官進(jìn)行信息傳遞及協(xié)調(diào)[27]，白質(zhì)的異?？梢苑从矨D 患者大腦的功能性變化。因此，臨床上可以通過腦白質(zhì)纖維束來對AD 局部異常進(jìn)行判斷，其標(biāo)簽圖像如圖8 所示。另外，腦灰質(zhì)、海馬及顳葉也是早期AD 患者中可能發(fā)生異常的腦區(qū)。

圖8 腦白質(zhì)的標(biāo)簽位置圖像Fig.8 Image of the label position of the white matter of the brain

實(shí)驗(yàn)中，將AD 和NC 的腦區(qū)運(yùn)用獨(dú)立樣本t檢驗(yàn)，結(jié)果如表2 所示。從表2 中可以看出，AD 患者相對于NC 對照組而言，它在大腦白質(zhì)區(qū)域、灰質(zhì)區(qū)域及海馬體等重要的中樞神經(jīng)系統(tǒng)腦區(qū)發(fā)生了異常，經(jīng)過SPSS 軟件的獨(dú)立樣本t檢驗(yàn)，得出P＜0.05，證明AD 和NC 在這些腦區(qū)具有顯著性差異。

從結(jié)果中可以看出，基于DTI 圖像去研究AD 患者和NC 對照組的腦區(qū)結(jié)構(gòu)可以反應(yīng)老年時(shí)期大腦白質(zhì)、灰質(zhì)等容易產(chǎn)生異常的腦區(qū)的位置和功能性變化。同時(shí)，對于正常老年人個(gè)體的研究也可以加深對大腦神經(jīng)性疾?。ɡ纾篈D, 輕度認(rèn)知障礙（mild cognitive impairment, MCI）等）可能出現(xiàn)異常情況的理解與分析，從而為臨床獲取有價(jià)值的解剖及病理性信息提供了幫助和推進(jìn)作用。

4 結(jié) 論

本文主要將原始的利用多圖譜對磁共振T1 圖像的大腦分割轉(zhuǎn)變?yōu)閷TI 圖像的分割。由于DTI 圖像的分辨率低，且是四維圖像，因此，很難手動地進(jìn)行腦區(qū)的勾畫及劃分。因此，本文在基于T1 分區(qū)結(jié)果的基礎(chǔ)上，利用ANTs 的配準(zhǔn)方法，將待分割的目標(biāo)圖像與DTI 的b0 圖像利用SyN 配準(zhǔn)模型進(jìn)行配準(zhǔn)，得到其映射的位移場信息，再將位移場映射至T1 圖像的分區(qū)圖從而得到在DTI 空間上的各個(gè)腦區(qū)分割結(jié)果。然后將該分區(qū)圖與DTI 的FA 圖像進(jìn)行點(diǎn)乘，計(jì)算其圖像的灰度均值。利用統(tǒng)計(jì)學(xué)的獨(dú)立樣本t檢驗(yàn)方法驗(yàn)證AD 患者和NC 對照組在腦白質(zhì)、腦灰質(zhì)、海馬體和顳葉等腦區(qū)的異常情況，最終得到P＜0.05，則表示這些腦區(qū)具有顯著性差異，說明這些腦區(qū)是臨床上阿爾茲海默癥患者可能發(fā)生異常的腦區(qū)位置。另外，DTI 圖像能夠反映分子的擴(kuò)散運(yùn)動信息，對于腦白質(zhì)的纖維束追蹤有著重要的影響意義，本文得到的DTI 腦區(qū)分割結(jié)果有望于在將來纖維束追蹤方面提供新的研究思路，更有望于在臨床上對大腦疾病的研究和診斷提供幫助和分析依據(jù)。