基于多模態MRI縱向數據的腦瘤時空協同分割方法與流程

本發明屬于圖像處理與生物醫學結合的技術領域，尤其是一種基于多模態MRI縱向數據的腦瘤時空協同分割方法。

背景技術：

腦腫瘤(腦瘤)嚴重威脅人類健康。磁共振圖像(MRI,即Magnetic Resonance Imaging)分割是腦瘤手術放射治療計劃制定、長期縱向研究的一個重要前提。本方法基于多模態MRI縱向數據的腦腫瘤分割，具有重要意義。腦腫瘤是指生長在顱腔內的癌性物質，包括腦實質發生病變引起的原發性腫瘤，也有由身體其他部位轉移侵入顱內的繼發性腫瘤。在人群中發病率很高，已經成為危害人民生命健康的重要腫瘤之一。而且不論其性質是良性還是惡性，一旦在顱內占據一定空間，勢必壓迫腦組織，造成顱內壓升高、中樞神經損害，危及患者的生命。全球每年發生原發性腦瘤的人數約為250,000人，2013年最新的腫瘤流行病學調查研究結果表明，腦腫瘤發病率占全身腫瘤發病率的1.4％，而死亡比例超過2.4％。2011年中國腫瘤登記地區腦瘤新發病例數為87 220例，發病率為6.47/10萬，年因腦瘤死亡病例數為50777例。

世界衛生組織根據腦腫瘤的惡性程度將其分成四級：I級為良性，II級為低度惡性，II和IV為高度惡性。I級和II級的腦瘤有著比較好的預后，手術的緊迫性沒有高度惡性的腫瘤高，有時僅作觀察隨訪即可。具有高度惡性的膠質母細胞瘤，可以發生時即為膠質母細胞瘤，也可從良性的星形細胞瘤惡變而來。目前在臨床工作中，手術加術后放療已成為腦瘤的常規治療模式，已被公認是一種有效治療手段。

基于磁共振成像(MRI)進行腦腫瘤區域分割是腦瘤手術放射治療計劃制定、長期縱向研究的一個重要前提。在各種醫學影像學技術中，磁共振成像(MRI)對軟組織有著很強的分辨力，所以據此界定腫瘤邊界更為準確。MRI圖像腦腫瘤分割在診斷、病理分析、治療以及科學研究等方面具有重要意義。臨床上一般由有經驗的醫生根據解剖知識，利用計算機輔助軟件手工勾畫分割腫瘤區域。但是，人工分割的主觀性很強，不同的醫生對同一病人的磁共振圖像會有不同的判斷結果，同一個醫生在不同的時期對同一病人的圖像判斷結果也存在差異，而且醫學圖像成像過程中很容易因為噪聲、場偏移效應、組織運動和局部體積效應的影響，造成圖像本身存在模糊、灰度不均勻等現象。因此人工分割速度慢、實時性差、可重復性差，難以勝任大量圖像數據的分割處理工作。為了減輕醫生們的工作強度，同時提高分割的正確率，特別是降低病變部位的漏過率，在腦瘤圖像的分割中一般利用計算機軟件輔助操作。

發展腦腫瘤的自動分割技術是一個非常大的挑戰，為了面對這個挑戰，已經提出了很多方法。對腦腫瘤的分割配準的研究最早可以追溯到20余年前，近些年各種方法大量地被提出。世界上頂級的醫學圖像會議Medical Image Computing and Computer Assisted Interventions(MICCAI)2012年、2013、2014、2015連續四年進行腦腫瘤分割的挑戰比賽。使用FLAIR(T2-weighted MRI with fluid-attenuated inversion recovery)、T1(T1-weighting)、T2(T2-weighted)、T1c(T1-weighting with contrast-enhanced)、PD(Proton Density)等模態的方法占了大多數。對于分割腦腫瘤中不同子類(壞死Necrosis、水腫Edema、增強腫瘤Enhancing tumor、非增強腫瘤Non-enhancing tumor)來說，單一模態的MRI是不夠的。MRI的不同模態圖像能提供不同的紋理邊界信息，由于個體差異，不同病人同一模態所表現的信息也大不相同。不同模態的MRI提供了不同腫瘤區域的信息：T1用來查看健康組織的結構信息，T1c用來查看壞死(necrosis)和活躍的腫瘤(enhancing tumor)部分，T2用來查看水腫(edema)的部分，FLAIR是一種特殊的模態用來幫助分離水腫和腦脊液(CSF)。

基于像素的MRI腦腫瘤分割方法一直以來是研究的一大熱點。研究內容主要基于特征提取、特征選擇和分類器設計，好的特征提取能使得分類器的工作變得簡單。特征提取按方法主要分為統計方法、模型方法和信號處理方法，其各有優勢和不足。統計方法簡單，易于實現，對小圖像具有一定的優勢，但其對全局信息的利用不足，與人類視覺模型脫節；模型方法能夠兼顧紋理局部的隨機性和整體上的規律性，具有很大的靈活性，不足是模型系數難以求解，參數調節不方便；信號處理方法善于捕捉紋理的細節信息，能同時在空間和頻域上表現紋理特征，然而小波往往忽視高頻信息，不善于提取非規則紋理特征。Haar小波變換作為一種簡單有效的信號處理方法，是基于像素的腦腫瘤分割中的首選特征提取方法，此外利用對稱性模板(將正常人群的四個模態MRI做成圖譜經高斯平滑后，彈性變形分別配準到腦腫瘤病人相應的四個模態上形成不對稱特征。將病人的圖像和不對稱特征做差值，形成腦腫瘤病人的不對稱特征圖像。)也是一種很好的全局上下文敏感的特征提取方法。由上可見，沒有一種特征提取方法適合所有腦腫瘤的MRI圖像分割。

基于圖論的圖像分割方法已被廣泛用于圖像分割。主要的思想是將分割問題作為一個離散能量最小化問題來解決。圖像特性包含了為能量項設計合理的成本函數。2004年59卷第2期《國際計算機視覺雜志》上提出了一種基于最小生成樹(MST)算法做圖像分割的成對區域比較方法。2011年在紐約召開的第22屆國際頂級醫學圖像信息處理會議上有研究者提出了一種使用最短路徑計算三維多曲面分割的新方法。美國愛荷華大學的巫曉東開發了一種基于最大流的最優表面檢測方法。2006年第28卷第1期美國電氣和電子工程師協會會刊《模式分析與機器智能》上，有學者對多個相互作用的表面分割做了擴展研究，廣義版本的框架被稱為LOGISMOS，它允許多個對象和表面同時分割。2013年第32卷第2期美國電氣和電子工程師協會會刊《醫學圖像》上，有方法采用了形狀和上下文相關的先驗知識的多表面分割。基于圖論框架，巫曉東等人的工作受多個表面檢測方法和多區域分割方法的影響，在圖像中單獨的外觀模型用于各空間不同區域的劃分，幾何的相互作用被整合到區域邊界間；他們擴展了不同模態的多幅圖像的協同分割對象，并用于在PET和CT上定義的腫瘤體積被視為兩個互相交互的區域，這兩個區域被同時分割，自適應上下文項是用來促進PET和CT一致的分割。

然而，現有技術大都基于手術前腫瘤進行分割，很少有對手術后、腫瘤復發的圖像進行分割，且缺乏利用縱向數據的考慮，未充分利用時間序列圖像的對照信息；缺乏對多個來源的分割結果進行相互參考的研究；此外，對基于非縱向數據的腫瘤分割方法來說，缺乏對樣本點結構信息的合理利用。很多方法雖然能根據術前訓練圖像數據將缺血部分與增強部分區別開來且不需要實現配準，但實際上基于術后殘留的腫瘤部分與手術前相同的假設，沒有考慮實際空洞的形成對邊上組織的影響，沒有考慮時間變化造成空洞變化的因素。

技術實現要素：

為了克服現有技術的不足，本發明提供了一種基于多模態MRI縱向數據的腦瘤時空協同分割方法，該分割方法在時間域和空間域分別進行分割，將兩者結果進行相互參考對照，并基于兩者的分割結果構建四維圖模型進行優化，提高了腦瘤區域分割的精準度，解決了現有技術中缺少對術后腫瘤復發圖像進行分割的缺陷。

為了實現上述目的，本發明采用的技術方案是：一種基于多模態MRI縱向數據的腦瘤時空協同分割方法，其特征在于，包括手術前分割處理和手術后分割處理，手術前分割處理包括以下內容：獲得腦瘤手術前的MRI數據，對數據預處理后經過空間域分割算法得到手術前分割結果。手術后分割處理包括以下步驟：(1)獲得腦瘤手術后的MRI數據，對數據進行預處理，(2)將步驟(1)的縱向數據分別映射到時間域和空間域上進行分割處理，(3)將時間域分割結果和空間域分割結果相互對照參考構建四維圖模型。所述時間域分割處理包括以下步驟：獲得手術前的分割結果和縱向待分割數據，進行手術前和手術后的圖像配準，構建手術后腫瘤生長模型式中φ＝(c，u，v，m)是模型變量，其中m＝(D，λ，μ)是腦部組織的材料屬性，A是線性微分算子，而F(φ)是一個能量項；然后分別構建白質(WM)、灰質(GM)、腦脊液(CSF)、空洞(Cavity)、壞死(Necrosis)、水腫(Edema)、增強腫瘤(Enhancing tumor)、非增強腫瘤(Non-enhancing tumor)、背景(Background)的高斯混合模型，通過最大期望算法(EM)迭代計算各自的概率，獲得時間域分割結果。所述空間域分割處理包括以下步驟：構建正常人腦不同組織對稱性模板，提取Haar結構特征，將結構隨機森林方法結合AdaBoost框架獲得初步的概率結果，利用相似性區域增長算法增長標簽，獲得空間域分割結果。

所述步驟(3)中利用時間域和空間域上的分割結果，構造了一個四維圖模型，該四維圖模型包括源點、終端點、時間域分割結果的結點和空間域分割結果的結點，結點間有三種類型的邊，分別是區域的代價，邊界的代價，和上下文的懲罰值，所述時間域分割結果包括分割前景和背景，分割前景根據公式l_v＝1(l_v′＝1)獲得，背景根據公式l_v＝0(l_v′＝0)獲得，

邊界的代價如下所示，

其中，B_uv是相鄰兩個體素被分配不同標簽的一個懲罰值，上下文的代價如下所示，

C_vv′是一個用來代表體素對相互之間標簽值不同的懲罰值，C_vv′＝θ(1-|N_v-N_v′|)+K，是一個尺度常數，K是一個對兩個分割結果不統一的最小懲罰值，N_v和N_v′是D_v(l_v＝1)、D_v′(l_v′＝1)分別在[0，1]之間的值；前景和背景區域之間部分的代價函數，如下所示，

D_v(l_v＝0)＝-λ₂log(1-Pr(i_v|l_v＝1))

所述B_uv，則如下所示：

λ₁、λ₂、λ₃是被給定的尺度常數，是一個梯度算子，σ_g是一個給定的高斯參數。

進一步的，所述相似性區域增長算法如下所示，同時其中，g是體素的相似性度量值，l是標簽，t為迭代點，x是體素的特征(如亮度)，兩個體素間的不同如下所示，

其中，β是一個調整參數；ρ(x_i，x_j)表示x_i，x_j兩點之間特征的歐式距離；

mean(ρ(x_i，N_i))是x_i和其每一個鄰接結點特征的歐式距離的平均，μ是經驗值，可以通過訓練得到。

采用上述方案，本發明基于腦瘤圖像分割中存在的腫瘤邊緣不清、采樣不完全造成分割結果偏小的情形，提出基于AdaBoost重采樣的結構隨機森林算法提高了采樣的效率；建立人腦不同組織的對稱性模板，并利用四維Haar特征更能保證圖像的全局和局部特征，利用優化的相似性準則進行區域增長，從而提高局部區域的準確性；在時間域分割算法中，提出腫瘤各子類和術后的空洞同時進行生長建模，利用高斯混合模型求出基于時間域上的分割結果，從而更能反映出空洞的變化，提高分割精度；提出四維的優化協同分割圖切算法用于時間域與空間域上的分割結果相互參考，綜合利用空間域和時間域上獲得的分割結果，更能表達出時間空間各自和共同的信息。

下面結合附圖對本發明作進一步描述。

附圖說明

附圖1為本發明具體實施例技術路線圖；

附圖2為本發明具體實施例空間域和時間域分割結果共同構件的四維圖模型。

具體實施方式

本發明的具體實施例如圖1-2所示是基于多模態MRI縱向數據的腦瘤時空協同分割方法，包括手術前分割處理和手術后分割處理，手術前分割處理包括以下內容：獲得腦瘤手術前的MRI數據，對數據預處理后經過空間域分割算法得到手術前分割結果，手術后分割處理包括以下步驟：(1)獲得腦瘤手術后的MRI數據，對數據進行預處理，(2)將步驟(1)的縱向數據分別映射到時間域和空間域上進行分割處理，(3)將時間域分割結果和空間域分割結果相互對照參考構建四維圖模型。

分割時按照以下步驟進行操作：首先分割出整個腫瘤區域，分割時按照步驟(1)-(3)操作；然后從整個腫瘤區域中再分割出壞死(Necrosis)、增強腫瘤(Enhancing tumor)、非增強腫瘤(Non-enhancing tumor)的合成區域，將水腫(Edema)區排除，分割時按照步驟(1)-(3)操作；再從合成區域中分割增強腫瘤(Enhancing tumor)區，分割時按照步驟(1)-(3)操作；合成區域分割出增強腫瘤(Enhancing tumor)區后，再繼續分割出壞死(Necrosis)區，剩下區域獲得非增強腫瘤(Non-enhancing tumor)區，分割時按照步驟(1)-(3)操作。

1.基于空間域的分割算法。

我們把分割問題看作是一個分類問題：在訓練集上獲得一個有關體素類別的推斷h，然后對測試集上的每一個體素進行分類，即有h(x⁽ⁱ⁾):x⁽ⁱ⁾→y⁽ⁱ⁾。

作為最終的決策分類器AdaBoost算法在醫學圖像方面的應用不多，尤其是腦部MRI腫瘤分割方面。因為AdaBoost較難處理數據不均衡問題，另一個重要的原因在于AdaBoost算法訓練所需樣本量大，訓練時間長。但是AdaBoost算法的優勢在于可以用各種方法構建子分類器，AdaBoost算法提供的是框架，而且提高精度的同時，無過擬合現象。基于以上的優缺點，我們將結構隨機森林方法應用到AdaBoost框架中去。由于我們是將分割問題看作是分類問題，以圖像中的像素點作為樣本，這樣的話所需樣本量和不均衡數據的問題就得到了解決。結構隨機森林輸入時以塊為單位來輸入標簽，這塊標簽在一定程度上就帶有了這塊內的上下文信息，隨機森林的結點分離函數也考慮了結構信息，與傳統的隨機森林相比，對圖像的結構把握得更好。

在利用結構隨機森林獲得初步的概率結果后，由于某些數據點并沒有被計算概率，將利用如下公式對所獲得的空間進行元胞自動機增長，其中的參數由已做好標簽的數據訓練獲得。

同時

這里g是體素的相似性度量值，l是標簽，t為迭代點，x是體素的特征(如亮度)。考慮到我們是以結構隨機森林對腫瘤整體的分割結果自動作為種子，為了增長算法不至于在necrosis部分和enhancing tumor交界處發生阻滯，我們用如下準則來進行表示兩個體素間的不同。

這里，β是一個調整參數，由訓練獲得；ρ(x_i，x_j)表示x_i，x_j兩點之間特征的歐式距離，由于我們采用了對稱性模板，所以這里的兩點的特征已經是原始四個模態的MRI與對稱性模板共同產生。這里mean(ρ(x_i，N_i))是x_i和其每一個鄰接結點特征的歐式距離的平均，μ是經驗值，可以通過訓練得到。

2.基于時間域的分割算法。

這里，腫瘤手術后生長模型的構建和參數的確定最為關鍵。腦腫瘤手術去除的是enhancing部分，我們以手術前的enhancing部分作為種子點，利用正常組織的手術前后的相似性，以腫瘤生長模型進行手術前和手術后的圖像配準，這里φ＝(c，u，v，m)是模型變量，其中m＝(D，λ，μ)是腦部組織的材料屬性。A是線性微分算子，而F(φ)是一個能量項。我們分別構建白質(WM)、灰質(GM)、腦脊液(CSF)、空洞(Cavity)、壞死(Necrosis)、水腫(Edema)、增強腫瘤(Enhancing tumor)、非增強腫瘤(Non-enhancing tumor)、背景(Background)的高斯混合模型，基于已經分割好的術前術后圖像進行訓練，通過最大期望算法(EM)迭代計算各自的概率，將會克服原有一些方法基于術前術后殘留腫瘤部分位置相同假設的缺點。對于復發部分的各子類，由于符合腫瘤的模型，將能正確分割出來。結合使用半監督的方法，在訓練時，嵌入該生長模型，建立有標簽的術前術后分割結果之間的轉化模型，應用到術前有標簽而術后無標簽的數據中獲得分割結果。

3.對分別來自空間域、時間域的分割結果協同分割算法構建四維圖模型并優化。

在這里，時間域與空間域的結果將被映射到一個共同的空間中看作一個能量最小化的問題。考慮時間域和空間域圖像上的一對一一對應的體素對(I，I′)，這里I屬于時間域上的分割結果，I′屬于空間域上的分割結果。對于每個體素v∈I都有v′∈I′跟它對應。l_v＝1(l_v′＝1)代表著分割前景，l_v＝0(l_v′＝0)代表著背景，對每一個體素來說D_v(l_v)意味著基于被給定的分割結果(我們這里是概率值)這個體素對相應的標簽來說有多適合，那么邊界的代價就是

這里B_uv是相鄰兩個體素被分配不同標簽的一個懲罰值，這樣能量可以表示為

E(l)＝E_spatio(l)+E_temporal(l)+E_context(l)

其中，上下文的能量項是E_context(l)＝∑_(v，v′)W_vv′(l_v，l_v′)，而被定義為上下文的代價。這里C_vv′是一個用來代表體素對相互之間標簽值不同的懲罰值。

如圖2所示，結合時間域和空間域上的分割結果，構造了一個四維圖模型。為了編碼區域項，我們設置了一種t-link弧，如果弧的方向是從源S到每一個結點n_v的，權重為D_v(l_v＝0)；如果弧的方向是從結點n_v到終端點T的，弧的權重為D_v(l_v＝1)。邊界項隨后被強制加入n-link，每一對相鄰的體素，兩條n-link弧被引入。一條從n_v到n_u，另一條是相反的，每一條弧的權重值為B_uv。為了執行上下文項，在時間域和空間域的結果結點間還增加了新的弧d-link。每一對相應的體素，都有兩條方向相反的弧與之對應。，結點間有三種類型的邊，圖中A1是t-link編碼區域的代價，A4是n-link編碼邊界的代價，A5是上下文的懲罰值，A2結點是時間域上的分割結果，A3是空間域上的分割結果，S和T分別是構造出來的源點和終端點。這樣新構建出來的圖就是一個四維的圖像，原來的問題就轉變為四維空間上的優化問題。對于時間域上的分割結果，假設有兩個球形區域，一個小的區域里包含的都是前景，一個大的區域之外都是背景，那么對于兩個區域之間部分的代價函數，就有如下的形式，

D_v(l_v＝1)＝-λ₁logPr(i_v|l_v＝1)

D_v(l_v＝0)＝-λ₂log(1-Pr(i_v|l_v＝1))

對于上面提到的B_uv，就可以轉換為新的形式：

這里λ₁、λ₂、λ₃是被給定的兩個尺度常數，是一個梯度算子，σ_g是一個給定的高斯參數。這里的兩個球形區域可在原分割結果的基礎分別收縮和膨脹獲得。對于空間域上的代價函數，將是類似的，但參數需要通過訓練獲得。

對于上下文的代價函數C_vv′＝θ(1-|N_v-N_v′|)+K，是一個尺度常數，K是一個對兩個分割結果不統一的最小懲罰值，N_v和N_v′是D_v(l_v＝1)、D_v′(l_v′＝1)分別規范化到[0,1]的值。

本發明不局限于上述具體實施方式，本領域一般技術人員根據本發明公開的內容，可以采用其他多種具體實施方式實施本發明的，或者凡是采用本發明的設計結構和思路，做簡單變化或更改的，都落入本發明的保護范圍。