一种基于多图谱的脑白质高信号检测和定位方法

摘要

本发明公开一种基于多图谱的脑白质高信号检测和定位方法。包括以下步骤：首先，利用正常老年人大脑的FLAIR数据建立多图谱库。其次，将图谱库中的图谱逐个配准到目标图像，并利用多图谱融合算法进行融合。最后，根据融合结果实现图像分割，并将具有局部异常强度的体素被自动检测为白质高信号。本发明在对大脑白质进行分割的同时，也检测和定位出了白质高信号区域，该区域与人工描绘的结果很好地吻合，具有较高的准确度和精确性，效果优于当今其它的白质高信号检测方法。

说明书

技术领域

本申请涉及脑磁共振图像处理领域，尤其涉及基于多图谱的检测和定位方法。

背景技术

在T2加权或FLAIR(fluid attenuated inversion recovery)磁共振成像上出现白质高信号(White matter hyperintensities，WMH)是一种常见的放射学特征。白质高信号主要反映了小血管疾病的程度和分布,并且随着年龄的增长它们越来越常见。最近的研究结果表明，它们也可能是阿尔茨海默病还有灰质萎缩的核心特征之一。

在评估有记忆障碍的患者时，考虑白质高信号的空间分布具有重要意义。比如，脑室周围的白质高信号比起深层的白质高信号与认知能力有着更强的关联性；在阿尔茨海默病的发展中，后验白质高信号负荷起着十分重要的作用。之前有的研究小组根据先验知识来检测特定大脑区域的白质高信号，检测结果会受到主观因素的影响，从而导致准确性不高且不具有广泛的适用性。在过去十年中，已经有人开发出了全自动的白质高信号检测算法，包括各种形式的基于强度的阈值处理方法、聚类和机器学习方法、离群分析方法、形态学操作以及贝叶斯方法等，详见文献1：Admiraal-Behloul et al.,2005；Jack et al.,2001；Ji et al.,2013；Ong et al.,2012；Simoes et al.,2013；Yoo et al.,2014。文献2：Dyrby et al.,2008；Ghafoorian et al.,2017；Ghafoorian et al.,2016；Ithapu etal.,2014；Lao et al.,2008；Seghier et al.,2008。文献3：Maldjian et al.,2013；Onget al.,2012；Van Leemput et al.,2001；Yang et al.,2010。文献4：Beare et al.,2009；Shi et al.,2013。文献5：Herskovits et al.,2008；Ithapu et al.,2014。这些方法中有的使用单FLAIR对比，有的采用多种模态包括T1、T2、质子密度，甚至扩散张量成像数据。这些方法的检测精度很大程度上依赖于应用和图像模态。它们通常会产生全脑的白质高信号负荷的测量值，但是却很少能够自动地测量出具体区域的白质高信号负荷，用来系统地评估白质高信号的分布。因此，开发一种不仅可以用于测量总的白质高信号，还可以系统地评估白质高信号分布的工具是非常重要的，例如，在不同的小叶划分、深层脑和皮质下结构的白质高信号负荷。

发明内容

为了克服现有技术的不足，本发明提出了一种基于多图谱的脑白质高信号检测和定位方法，该方法借助多图谱FLAIR数据库，结合多图谱似然融合方法，利用白质高信号具有不符合其所在感兴趣区域中的局部强度分布的异常强度的特点，导致其在多图谱融合过程有着较低的后验概率，从而可同时实现大脑白质的分割和白质高信号的检测。

为了达到上述目的，本发明采用以下技术方案予以实现：

基于多图谱的脑白质高信号检测和定位方法，它包括以下步骤：

步骤一：建立FLAIR图像多图谱数据库，所述多图谱数据库包括若干认知正常但具有不同程度脑萎缩解剖学特征的被试个体的FLAIR图谱数据，每个图谱数据的大脑区域被画分为若干感兴趣区域，且通过标签进行标记；

步骤二：将FLAIR图像多图谱数据库中的每个图谱图像及其标签一并配准到目标图像；

步骤三：利用多图谱似然融合方法进行加权融合，得到目标图像中每个体素属于不同标签的后验概率；

步骤四：使用贝叶斯最大后验估计获得目标图像中每个体素的最终分割标签以及该体素属于最终分割标签的最大后验概率；

步骤五：将目标图像中最大后验概率值低于概率阈值的体素判断为白质高信号体素。

基于该方案，各步骤还可以进一步提供以下优选的实现方式。需要注意的是，各优选方式中的技术特征在没有冲突的情况下均可进行相互组合。当然这些优选方式也可以通过其他能够实现相同技术效果的方式实现，不构成限制。

作为优选，所述步骤一的FLAIR图像多图谱数据库的建立方法如下：

计算所有被试的白质高信号负荷，从中选择白质高信号小于1.8ml且认知正常的个体的FLAIR数据建立多图谱数据库，多图谱数据库中的不同图谱具有同等年龄阶段人群中最小到中等程度的脑萎缩解剖学特征；然后使用Matlab中的SPM软件包最大化FLAIR图像与T1加权图像之间的互信息，将每个FLAIR图像配准到对应的T1加权图像；再使用MRICloud进行多图谱分割，将每张图谱中的大脑区域分割为若干感兴趣区域。

作为优选，所述步骤二的图像配准方法如下：

首先，使用N4偏差校正对目标图像进行全局不均匀性校正；然后，通过仿射变换将每张图谱图像及其标签一并配准到校正后的目标图像；最后，使用大形变微分度量映射LDDMM方法迭代地对图谱图像及其标签进行非线性变换，向目标图像配准。

作为优选，所述步骤三的多图谱似然加权融合方法如下：

计算每个体素的后验概率：

其中，N是FLAIR图像多图谱数据库中图谱的总个数，是目标图像I_T中体素x属于标签l的后验概率，w_i(l)是权重项，是由随机轨道模型得到的图谱图像i中体素x属于标签l的先验似然。

作为优选，所述步骤四中目标图像的最终分割标签计算公式如下：

其中L_T(x)为目标图像I_T中体素x的最终分割标签；L为每张图谱图像中标签的总数；

每个体素x的最大后验概率，即该体素属于最终分割标签L_T(x)的后验概率为

作为优选，所述概率阈值设定为0.02；将最大后验概率小于阈值的体素标定为白质高信号。

作为优选，经过步骤一到五处理后，再进行后处理以降低假阳性率，所述后处理方法如下：首先生成目标图像中大脑白质区域掩膜(mask)，利用掩膜对目标图像进行处理，去除掩膜区域外的白质高信号体素；然后再去除目标图像中体素强度小于最小强度阈值的暗黑体素；最后去除目标图像中体积小于最小体积阈值的白质高信号簇，得到目标图像中最终的白质高信号体素。

进一步的，所述的大脑白质区域掩膜的生成方法如下：

按照所述步骤一建立FLAIR图像多图谱数据库，其中每个图谱数据的大脑区域被分割为若干简化的感兴趣区域；所述简化的感兴趣区域包括大脑白质区域和大脑白质区域外的其他若干功能区域；然后基于该FLAIR图像多图谱数据库，重复所述步骤二到步骤四，得到目标图像中每个体素对应于简化的感兴趣区域的最终分割标签，根据标签确定目标图像中大脑白质区域的分布，得到大脑白质区域掩膜。

进一步的，所述的最小强度阈值为感兴趣区域的体素强度均值减去其标准差的1.5倍。

进一步的，所述的最小体积阈值为50mm³。

相对于现有技术，本发明具有以下特点：本发明基于多图谱融合算法和多图谱FLAIR数据库，传统的多图谱算法常用于图像分割，而本发明将该算法用于白质高信号检测。本发明可以看成是基于异常值检测的一个特例，即用正常的图像去辨别具有异常强度的体素，不同之处在于先前的方法只是基于病人图像的强度特征没有涉及到参考图谱，而本发明是基于与正常大脑的强度不匹配来检测出异常值。另外，相比于单图谱检测，本发明使用多图谱能够更好地匹配图谱图像和目标图像之间的年龄、解剖学特征等。更重要的是，如果图谱集包含预先定义的结构，就可以系统地识别出白质高信号的解剖位置。与现有的检测方法相比，基于多图谱的白质高信号检测和定位算法具有较好的检测精度，在最大后验概率阈值的选择上具有较强的鲁棒性。另外，本发明具有重要的临床应用价值，比如分析白质高信号负荷随着年龄增长的变化。

附图说明

图1是选择的部分图谱，这些图谱具有从轻微到中度的脑萎缩解剖结构。

图2是基于多图谱的脑白质高信号检测和定位方法的流程图。

图3是基于多图谱的脑白质高信号检测和定位方法检测的全脑白质高信号与人工勾画的结果对比。

图4是基于多图谱的脑白质高信号检测和定位方法检测的不同程度的白质高信号负荷实验结果。

具体实施方式

如附图2，是本发明的流程图。下面基于本发明提出的方法结合实施例展示其具体的技术效果，以便本领域技术人员更好地理解本发明的实质。

在本发明的一种较优实现方式中，基于多图谱的脑白质高信号检测和定位方法包括以下步骤：

步骤一：建立FLAIR图像多图谱数据库，该多图谱数据库包括若干认知正常但具有不同程度脑萎缩解剖学特征的被试个体的FLAIR图谱数据，每个图谱数据的大脑区域被神经解剖学专家画分为若干感兴趣区域，且通过标签进行标记。该FLAIR图像多图谱数据库的建立方法如下：

计算所有被试的图谱中的白质高信号负荷，从中选择具有最低白质高信号(小于1.8ml)且认知正常的被试个体的FLAIR数据建立多图谱数据库，多图谱数据库中的不同图谱代表了同等年龄阶段人群中最小到中等程度的脑萎缩解剖学特征。然后使用Matlab中的SPM软件包最大化FLAIR图像图谱与T1加权图像之间的互信息，将每个FLAIR图像配准到对应的高分辨率的T1加权图像。再使用MRICloud对T1加权图像和FLAIR图像进行相同的多图谱分割，将每张图谱中的大脑区域分割为若干感兴趣区域(regions of interest，ROIs)，并对每个区域通过标签进行标记。感兴趣区域的分割数量可以根据需要进行调整，在本实施例中，为了对整个大脑区域进行分割，可以将每张图谱分割为143个ROI区域，这143个区域中具有24个白质区域，其他的是灰质区域、脑脊髓液区域等等，或者是非脑部区域。每个区域的标签可用于通过后续步骤对目标图像进行分割，确定目标图像中脑白质等区域的位置。

步骤二：将FLAIR图像多图谱数据库中的每个图谱图像及其标签一并配准到目标图像(待分割图像)。图像配准方法如下：

首先，使用N4偏差校正对目标图像进行全局不均匀性校正。然后，通过仿射变换将每张图谱图像及其标签一并配准到校正后的目标图像。最后，使用大形变微分度量映射(LDDMM)方法迭代地对图谱图像及其标签进行非线性变换，向目标图像配准。具体迭代次数可根据需要设定，一般可选择迭代3次。

步骤三：利用多图谱似然融合方法进行加权融合，得到目标图像中每个体素属于不同标签的后验概率。其中多图谱似然加权融合方法中，需要计算每个体素的后验概率：

其中，N是FLAIR图像多图谱数据库中图谱的总个数；是目标图像I_T中体素x属于标签l的后验概率；w_i(l)是权重项，该权重项的最佳取值可在预先试验中通过多次迭代进行确定；是由随机轨道模型得到的图谱图像i中体素x属于标签l的先验似然。具有异常强度的体素关于相应的标签具有较低的先验似然。

步骤四：使用贝叶斯最大后验估计获得目标图像中每个体素的最终分割标签以及该体素属于最终分割标签的最大后验概率。目标图像的最终分割标签计算公式如下：

其中L_T(x)为目标图像I_T中体素x的最终分割标签；L为每张图谱图像中标签的总数。

由此，目标图像中每个体素x的最终分割标签都能通过估计得到确定，可以根据这些标签判断该位置属于何种区域类型，例如白质、灰质、脑脊髓液等。

而白质高信号体素的确定则需要基于每个体素x的最大后验概率(maximizedposterior probability，MPP)进行确定，MPP即该体素属于最终分割标签L_T(x)的后验概率，取值为

步骤五：将目标图像中最大后验概率值MPP低于概率阈值的体素判断为白质高信号体素。本步骤中，用于判定的概率阈值可以根据实际进行设定，通常是经验优化得到的，优选为0.02。

经过上述步骤一到五，目标图像可以被分割为若干ROIs，而且在实现大脑区域分割的同时还同时实现了白质高信号体素的定位。但是需要注意的是，经过上述步骤得到的白质高信号体素可能存在假阳性现象，即部分原本不应该属于白质高信号的体素被识别成了白质高信号体素。因此，可以基于下述的第六步进行后处理以降低假阳性率。

第六步：对目标图像进行后处理，降低假阳性，具体方法如下：

首先生成目标图像中大脑白质区域掩膜，利用掩膜对目标图像进行处理，位于掩膜区域外的体素不属于脑白质，因此即使其被识别为白质高信号体素，也应当将其进行剔除。

大脑白质区域掩膜的生成方法可以采用如下方式：

按照前述步骤一所述的方式建立另一个FLAIR图像多图谱数据库，但该数据库的区别在于其中每个图谱数据的大脑区域被分割为若干简化的感兴趣区域。在原先的数据库中，每张图谱被分割为143个ROIs，但在本步骤的图谱库中每张图谱仅分割为7个ROIs，包括大脑白质区域、大脑灰质区域、脑脊髓液区域等7个脑部主要结构区域。然后基于该FLAIR图像多图谱数据库，重新对目标图像重复步骤二到步骤四，得就可以到目标图像中每个体素对应于简化的感兴趣区域的最终分割标签，此步骤中的分割标签也是简化后的分割标签。根据标签就可以确定目标图像中大脑白质区域的分布，由此得到大脑白质区域掩膜。

经过掩膜处理后，目标图像中还存在部分暗黑体素，需要对其进行去除。本发明中，设定最小强度阈值为感兴趣区域的体素强度均值减去其标准差的1.5倍，然后将目标图像中体素强度小于最小强度阈值的体素均视为暗黑体素进行剔除。

最后，目标图像中还可能存在部分分散的小体积白质高信号簇，此部分也需要进行去除。因此，设定白质高信号簇的最小体积阈值为50mm³，然后去除目标图像中体积小于最小体积阈值的白质高信号簇。

经过上述后处理，得到目标图像中最终的白质高信号体素。

下面基于上述方法的步骤一到六，结合实施例对其技术效果进行展示，以便本领域技术人员更好地理解本发明的实质。

实施例

将上述基于多图谱的脑白质高信号检测和定位方法在135名老年被试FLAIR数据中进行了测试，这些参与者是认知正常的(n＝113)或有轻度认知障碍(n＝22)。选取15个认知正常个体的FLAIR数据作为图谱，剩下的120个用作算法评估和分析。如图1所示，15被试个体(图中仅示出部分被试)的FLAIR图谱数据具有不同的程度脑萎缩解剖学特征。具体的做法参见上述步骤一，此处不再赘述，下面仅介绍此处的具体参数。核磁共振扫描是用飞利浦Achieva 3.0T扫描仪进行的；FLAIR数据采用多层快速自旋回波序列，反演恢复脉冲反转时间(TI)/回波时间(TE)/重复时间(TR)＝2800/100/11000ms，视野(FOV)＝256×256mm，共69层切片，每个切片的厚度为2mm；T1加权图像是采用三维磁化制备快速梯度回波序列(MPRAGE),采用TI/TE/TR＝800/3/7ms，翻转角为8度，视野为256×256×204mm，分辨率为1×1×1.2mm。

同时为了对比展示本发明的技术效果，本实施例还通过专家人工勾画的方式对全脑白质高信号区域进行了标记。本实施例与人工勾画的对比结果如附图3所示：

由附图3可以看到，本发明提出的方法检测的全脑白质高信号负荷与人工勾画结果相关性良好，类间相关性达到0.97。

进一步，检测不同程度的白质高信号负荷。高亮区域显示由本发明提出的方法检测到的白质高信号标签，实验结果如附图4所示：

由附图4可以看到，白质高信号负荷较大的检测结果较好。

表1为基于多图谱的脑白质高信号检测和定位方法与其它两种先进的白质高信号检测算法的对比结果，其余两种算法中，一种是脑强度异常分类算法(BIANCA，详见Griffanti et al.,2016)，另一种是病灶分割工具箱(LST，详见Schmidt,2017)。由表1可以看到，本发明提出的方法具有最高的组内相关性，三者具有相似的Dice系数，BIANCA具有最高的假阳性率和最低的假阴性率，LST具有最低的假阳性率和最高的假阴性率。

表1三种算法的对比结果

需要指出的是，以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。