一种磁共振成像大脑灰质核团的自动分割方法与流程

本发明涉及磁共振成像技术领域，尤其涉及磁共振成像中大脑灰质核团的分割方法。

背景技术：

磁共振成像技术目前已经广泛的应用于医疗诊断的领域中，作为一种重要的诊疗手段，其最大的特点就是能够提供丰富图像对比信息。随着磁共振成像的空间分辨率的不断提高，磁共振成像技术可以显示出此前无法观察的位于人脑深区的活体细小脑灰质组织，比如红核、黑质、齿状核及其它一些位于基底节的大脑核团等。有不少研究表明，这些核团与一些神经退行性疾病(比如帕金森病和威尔森病)有着很大的关联，尤其是黑质与帕金森病有重要关系。因此，对于这些特定核团的精准分割可以为有效的外科手术治疗(比如大脑深区刺激)和相关疾病的病理机制的研究提供重要的帮助。然而传统的磁共振T1加权图像无法清晰显示出这些细小的核团组织。磁共振定量磁化率图是近年来磁共振成像技术方面一个新的重要进展，基于对空间磁化率的计算，它可以提供新的图像对比信息。同时，由于定量磁化率成像方式对于定量测定组织病理结构的变化更为敏感，因此对定量磁化率图中的特定核团进行分割更有意义。

但是，由于这些组织多变的形态，目前常用的基于图集的分割方法无法做到准确有效的分割，与金标准分割图的结果相差较大。水平集分割方法不失为一种经典而有效的自动分割方法，能够应付多变的组织形态，但由于位于大脑深区的这些细小的核团之间空间位置较近，经典水平集方法无法有效区分诸如黑质与红核这种紧邻的核团。这影响到了诊断与研究的结果。

技术实现要素：

本发明的目的是提供一种磁共振成像大脑灰质核团的自动分割方法，该方法克服了现有分割技术中的缺陷，提出了结合种子点不连通性的图像预处理手段与水平集的分割方法。

实现本发明目的的具体技术方案是：

一种磁共振成像大脑灰质核团的自动分割方法，特点是：该方法包括以下具体步骤：

步骤1：将待分割的图像与标准的参考图像进行配准，获得图像进行配准的转换矩阵；

步骤2：根据转换矩阵，对与标准参考图像相匹配的原图集进行变换，获得与待分割图像相匹配的新图集；

步骤3：将获得的新图集线性映射到待分割的图像上，获得灰质核团的感兴趣区域；

步骤4：通过计算各个感兴趣区域内的重心，获得不同核团种子点的位置；

步骤5：利用磁共振图像中不同核团组织内的种子点间的不连通性，对待分割图像进行预处理；

步骤6：调节参数，利用水平集分割模型对预处理过后的图像进行分割，并绘制分割的轮廓图；其中：

所述步骤5具体包括：

ⅰ)设定迭代次数N；

ⅱ)寻找两种子点之间连接最短的空间路径；

ⅲ)画出这条空间路径中对应灰度图像的强度剖面图；

ⅳ)利用基于阈值的方法，判断出这条空间路径所经过的各个像素点是否属于其中某一核团；将那些不属于任何核团的像素点从图像中剔除即灰度值置为0；

ⅴ)重复步骤ⅱ)、步骤ⅲ)、步骤ⅳ)N次，结束迭代。

在迭代过程中，每一次搜索的空间最短路径都不能通过上一次迭代中被剔除的像素点，两种子点之间连接的空间路径随迭代次数变化。

所述水平集分割模型如下式表示：

式中，Ω₁和Ω₂分别代表轮廓C内部和外部的区域；λ₁、λ₂和υ分别表示正的权重因子。x和y分别表示图像中像素点的位置；f₁(x)和f₂(x)是两个对轮廓C内外区域灰度值近似的函数；K_σ是一个高斯型的函数，其尺度系数是σ；求解能量函数ε最小化的过程，即为获得待分割核团轮廓的过程。本发明利用分裂布雷格曼迭代法求解能量函数ε的最小值，轮廓C就可以演化到组织的边界处。在迭代计算中，引用水平集函数φ(x)来表示轮廓C。

本发明利用多种子点之间的不连通性对图像进行预处理，再结合水平集分割的方法对人脑中的这些特定核团进行分割。同经典的水平集分割结果相比，本发明能够有效区分那些空间位置紧邻的核团。同目前常用的基于图集分割的方法比较，本发明可以更有效地应对不同图像中核团形态的多变性，分割的结果也更为精准。利用本发明可精确分割大脑内特定的核团(如黑质、红核等)，可以在很大程度上帮助诸如帕金森病等疾病的诊断与病理研究。

附图说明

图1为本发明流程图；

图2为本发明图像预处理步骤的具体流程图；

图3为本发明实施例中图像预处理步骤的具体示意图；

图4为本发明实施例中对红核与黑质的分割结果及与现有分割方法结果的比较图；

图5为本发明对红核采用不同分割方法的分割准确性的比较图；

图6为本发明对黑质采用不同分割方法的分割准确性的比较图。

具体实施方式

结合以下具体实施例和附图，对本发明作进一步详细说明。实施本发明的过程、条件、实验方案方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。

本发明在基于对大脑深部核团对比度非常好的定量磁化率图的基础上，采用针对种子点不连通性的图像预处理方式，结合水平集方法对大脑深部的特定灰质核团进行分割。

以下结合附图及实施例对本发明做详细描述。

实施例

对大脑深部核团红核与黑质进行分割

采集的磁共振图像数据由多回波梯度回波序列获取，数据来源于3T磁共振成像设备系统(西门子MAGNETOM Trio a Tim 3T)，所采用的回波个数为8。

由梯度回波序列采集到的复数数据经过相位拟合、相位解缠绕、去背景场、基于形态学的偶极子反演算法(Morphology Enabled Dipole Inversion，MEDI)等步骤重建出颅脑横断位磁化率图。

参阅图1，为本发明流程图，在通过计算获得定量磁化率图之后，首先需要将计算出的各层图像与标准模板图像进行配准。利用相同的配准模式，可以对标准模板空间对应的分割图集进行形变，获得与待分割图像空间对应的图集。在本实施例中，上述步骤利用Issel Anne L.Lim提供的软件“Diffeomap”对图像进行配准。第二步是利用图集，通过图表查找法获得感兴趣区域，每个感兴趣区域分别代表不同核团所在的大致位置。本实施例中对于种子点的选取是基于计算得到的各感兴趣区域的重心位置，其重心位置按照该区域内各像素点的灰度值作为权重因子计算出区域几何中心方式所得。

由于感兴趣区域可以大致找出核团所在的位置，利用上述方式找到的各种子点位于红核或黑质内。水平集轮廓无法区分两个邻近核团，但由于分割，知道位于两个邻近的核团内的种子点是无法连通的，因此可以利用这一不连通性作为先验知识，对待分割的图像进行预处理。预处理步骤的流程图如图2所示，具体描述如下：

1)在每次迭代的过程中，利用A-STAR算法寻找两种子点之间连接最短的空间路径。需要注意的是，每次迭代过程中所搜索出的最短路径不断地变化，因为随后的处理会去除之前路径中经过的一些像素点(图3左图黑圆圈内的点)，每一次重新搜索的两种子点间的最短路径都会绕过之前被去除的像素位置。

2)画出这条路径中对应灰度图像的强度剖面图(如图3右图所示)。

3)由于受到图像灰度分布不均匀的影响，简单的阈值法无法判断。采用一种类似半高全宽的方式判断这条路径中各个像素点是否属于黑质或红核或既不属于红核也不属于黑质。将这些既不属于红核也不属于黑质的像素点从图像中剔除(灰度值置为0)。

4)重复上述步骤1)至步骤3)；当有足够多的既不属于黑质也不属于红核的图像像素点被剔除后，红核与黑质之间的模糊区域消失。

对预处理过后的图像，采用Chan and Vese提出的RSF模型，通过引入水平集函数的方式，求解模型，以获得最终的分割轮廓。模型和求解的具体表述如下：

这里H_∈是一个平滑的阶跃函数，

式中，λ₁、λ₂和υ分别表示正的权重因子。x和y分别表示图像中像素点的位置。f₁(x)和f₂(x)是两个对轮廓C内外区域灰度值近似的函数。K_σ是一个高斯型的函数，其尺度系数是σ。水平集函数φ(x)来表示轮廓，本发明利用分裂布雷格曼迭代法求解能量函数ε(φ,f₁,f₂)的最小值，轮廓会随着迭代逐渐演化到组织的边缘，完成分割。

本实施例为一健康正常志愿者大脑数据，数据来源于西门子3.0T磁共振成像系统，数据采集采用12通道头线圈，扫描采用8回波梯度回波序列，其参数为：TR＝60ms,ΔTE＝6.8ms,翻转角15°，视野(FOV)为240x180mm²,图像分辨率384*288，像素大小为0.625*0.625mm²，共96层，层厚为2mm。图像分割后的结果比较如图4所示(轮廓代表黑质与红核的分割结果)：(a)为基于图集的分割方法的结果；(b)经典水平集方法分割结果；(c)本发明的分割结果；(d)分割金标准。其中分割金标准由一位专家利用软件ITK-SNAP 3.2在定量磁化率图上手动勾画出深部核团ROI，以此评价分割精确度。

对于分割的量化评价统计结果如图5和图6所示。其中采用Dice系数作为分割准确度的定量指标，由下述公式得出：

相似度Dice系数是指正确分割结果的像素数目占整个分割区域(包含手工分割和自动分割的所有区域)的比率，其对两个区域大小和位置的差异很敏感，取值范围为[0，1]，1表示完全一致。

由图4、图5和图6的分割结果可看出，本发明得到的核团分割准确度优于基于图集配准法和经典的水平集分割方法。

本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。