1. 东北大学 计算机科学与工程学院, 辽宁 沈阳 110169;
2. 东北大学 医学影像计算教育部重点实验室，辽宁 沈阳 110169
收稿日期：2016-09-04
基金项目：国家自然科学基金资助项目(61172002)。
作者简介：杨金柱(1979-), 男, 内蒙古通辽人, 东北大学教授;
赵大哲(1960-), 女, 辽宁沈阳人, 东北大学教授，博士生导师。
摘要：提出一种基于改进BET(brain extraction tool)的MRI脑组织自动提取算法.首先, 该算法结合图像梯度信息能够估计出更为准确的脑重心(center of gravity, COG)；其次, 该算法构建了新的脑表面形变力, 在垂直于脑表面切线的扩张力中引入了边缘力, 该力很好地抑制了脑组织的边界泄漏和过度分割问题.使用本文方法对MRI脑影像进行了自动脑组织提取, 实验结果表明, 本文算法能够自动获得更加准确的脑组织提取结果, 特别是在脑组织边缘处, 本文算法与BET算法相比, 提取结果更准确.
关键词：脑组织提取磁共振图像脑组织提取工具脑重心边缘力
MRI Brain Tissue Automatic Extraction Algorithm Based on Modified BET
YANG Jin-zhu1,2, LU Lin1,2, CAO Peng1,2, ZHAO Da-zhe1,2
1. School of Computer Science & Engineering, Northeastern University, Shenyang 110169, China;
2. Key Laboratory of Medical Image Computing, Ministry of Education, Northeastern University, Shenyang 110169, China
Corresponding author: ZHAO Da-zhe, E-mail: zhaodz@neusoft.com
Abstract: Based on modified brain extraction tool(BET), an automatic extraction algorithm is proposed for brain MRI(magnetic resonance imaging). Firstly, the algorithm combining image gradient information can estimate the center of gravity(COG) of brain more accurately; secondly, it builds a new brain surface deformation force. Edge force is introduced into the expansion force perpendicular to the tangent of brain surface, which could suppress the brain tissue leaking and over-segmentation problem. Experiments are conducted on the algorithm proposed to automatically extract brain tissue of MRI brain images, and the results show the more accurate extraction of brain tissue, especially at brain tissue edges, compared with the BET method.
Key Words: brain extractionMRIBET(brain extraction tool)COG(center of gravity) of brainedge force
MRI(magnetic resonance imaging)在脑功能疾病诊断方面被广泛应用于临床医学和医学研究, 其中, 脑组织的提取是脑功能疾病诊断中的重要环节.由于MRI影像通常存在偏移场效应、局部体效应[1-3], 导致MRI影像组织边缘模糊, 灰度分布不均匀；此外，MRI脑影像还存在个体差异性.这些问题的存在, 使得脑组织的提取成为医学影像分析领域极具挑战性的课题.目前, 在脑组织提取方面, 文献[4-5]结合各向异性扩散方法、形态学方法和阈值分割方法, 最终实现了脑组织的提取.分水岭技术是一种基于区域的分割方法.文献[6]提出一种基于水平集方法的分水岭变换和模糊C值聚类的脑图像分割算法, 该方法通过灰度梯度判断子区域的连通性, 并采用水平集方法得到最终的分割结果.文献[7]提出三维分水岭方法, 采用简单的合并规则避免过分割问题.文献[8]提出可变形点阵模型, 但是不能直接处理三维脑影像.文献[9-10]提出一种基于活动轮廓模型来提取脑白质、脑灰质的方法, 但计算量较大.文献[11]提出基于模板的分割方法, 该方法迭代地将模板与脑组织进行匹配, 最终获得脑组织, 与区域分割的方法相比, 该方法鲁棒性较好, 且人工交互少, 对影像质量不敏感.
BET(brain extraction tool)[12]算法是当前常用的基于可变形点阵模型的脑组织提取方法.该方法首先计算MRI脑影像的灰度直方图, 通过灰度直方图估计三个值, 分别是区分脑组织和非脑组织的影像灰度的灰度阈值、影像灰度最大值和最小值；然后粗略估计脑组织的重心, 并依据脑与非脑的灰度值获得初始脑组织；最后在脑组织内通过三维三角面片构建脑初始表面, 每个三角面片建立切向力和平滑力, 在三角面片上两个力的驱使下使得初始面保持一定的距离和平滑性, 直到脑表面足够平滑且稳定下来, 分割结束.该算法具有较高的鲁棒性和准确性, 同时速度也非常快, 是一种非常好的脑组织提取算法.但该算法对初始脑重心位置选取依赖较大, 处理真实全脑图像时往往对重心的估计不够准确, 效果不好, 并且在真实全脑图像中, 脑组织与相邻组织的灰度值相近, 脑组织提取时很容易发生泄漏或过度分割[13].
针对上述问题, 本文引入图像梯度信息, 进一步改进脑重心的选取, 在脑表面形变过程中引入边缘力以减少脑组织在边界的泄漏和过度分割.
1 实验方法改进的BET脑组织自动提取算法主要由两部分组成:①参数估计和脑表面初始化；②脑表面形变力构建.首先在参数初估计中, 引入图像梯度信息, 提高脑重心(center of gravity, COG)的计算准确性，其次构建新的脑表面形变力, 在垂直于脑表面切线的扩张力中引入边缘力, 很好地抑制了脑组织的边界泄漏和过度分割问题.
1.1 脑重心估计和脑表面初始化为了估计脑重心, 首先计算区分脑与非脑组织的阈值t.在原始BET算法中t=t2+0.1(t98-t2), 其中t98是脑影像直方图中灰度值等于灰度分布98%处的影像灰度值, t2是脑影像直方图中灰度值等于灰度分布2%处的影像灰度值.根据先验知识, 整个脑影像中灰度值大于t的位置属于脑组织, 其他位置为非脑组织部分.获得脑组织区域后, 将计算脑组织区域像素位置的平均值作为脑重心COG; 但对全脑数据而言, 在z轴方向, 由于阈值t无法准确地对头颈部灰度值与脑部组织灰度值进行区分, 导致在z轴方向的COG坐标均值不准确, 在x和y轴方向的坐标均值比较准确.图 1为MRI脑图像.
图 1(Fig. 1)
 | 图 1 MRI脑图像Fig.1 Original MRI brain image |
针对z轴坐标值不准确的问题, 引入图像梯度信息以提高脑重心的计算准确性.沿着z轴分别向上和向下求取每个像素点的梯度值zu(i)和zd(i), 并取得z轴上方向最大梯度值zu和z轴下方向最大梯度值zd.这里认为zu和zd所在位置是z轴方向上的脑组织边界, 则脑重心在z轴方向上的坐标为zu和zd所在位置的1/2处, 如式(1)所示：
 | (1) |
 | (2) |
图 2(Fig. 2)
 | 图 2 脑表面模型Fig.2 Brain surface model |
1.2 脑表面形变力构建BET算法的主要思想是通过3种力将相互作用的轮廓点推到脑组织边缘, 从而得到脑组织.这3种力分别是平行于脑表面切线的拉力u1, 该力使脑表面点保持间距; 垂直于脑表面切线的平滑力u2, 该力和脑表面的曲率有关, 使得轮廓平滑; 垂直于脑表面切线的扩张力u3, 该力使得脑表面向外或向内演化(变形).
脑组织轮廓演化的过程就是轮廓线上的轮廓点根据受力情况更新轨迹的过程.最后受力接近平衡时, 轮廓点在一定的小范围内运动, 这时的轮廓点连线为脑组织轮廓.图 3描述的是在二维平面中求向量s及其两个分解向量sn和st.如图 3所示, 假设有顶点O, A和B是与O相邻的两个点, A和B中间的位置为D, 用向量s代表顶点O到点D的向量, s的分解向量为sn和st，“^”表示单位向量:
图 3(Fig. 3)
 | 图 3 向量s分解示意图Fig.3 Decomposition of the vector s |
 | (3) |
 | (4) |
 | (5) |
 | (6) |
原始BET算法中, 脑组织在边界处会出现泄漏和过度分割, 为此在u3引入边缘力f:
 | (7) |
 | (8) |
最终的形变力u为
 | (9) |
2 结果与讨论北京宣武医院为本文的实验提供健康人活体脑部MRI影像数据, 这些数据符合DICOM 3.0标准, 脑影像的分辨率是512×512, 层数为192层, 层厚为1 mm, 像素间距为0.5 mm.
采用本文提出的算法对MRI脑数据进行测试.图 4是本文算法的实验结果.从图中可以看出, 使用本文算法提取的脑组织结构清晰完整, 表面光滑, 没有明显的脑组织泄漏和过度分割现象, 较好地完成了脑组织的提取工作.
图 4(Fig. 4)
 | 图 4 本文算法的脑组织提取结果Fig.4 Brain extraction result of the proposed algorithm |
选取三组数据对本文算法与原始BET算法进行对比, 实验结果如图 5所示:每组图中红色部分标定为脑组织提取结果, 蓝色标记为脑组织过度分割位置, 黄色标记为脑组织泄漏位置.
图 5(Fig. 5)
 | 图 5 脑组织提取结果Fig.5 Results of brain extraction (a)—第一组数据；(b)—第二组数据；(c)—第三组数据. |
从图 5可以看出, 采用BET方法提取脑组织, 会出现一些脑组织泄漏和过度分割现象.而采用本文方法能很好地解决这一问题, 从而能较好地提取脑组织.
图 6是BET算法和本文算法的局部对比, 从图中可以看出, 本文算法在头颈部区域、脑组织边缘区域的提取结果都优于原始BET算法.从实验结果可以看出, 与BET方法相比, 本文方法能够有效提取脑组织, 并能够有效减少脑组织的泄漏和过度分割.
图 6(Fig. 6)
 | 图 6 BET与本文结果的局部对比Fig.6 Differences between BET and the proposed algorithm (a), (c)—BET实验结果; (b), (d)—本文算法结果. |
3 结论1) 本文提出的MRI脑组织自动提取算法能够提高初始脑重心的定位精准度, 也能有效解决脑组织泄漏和过度分割的问题.
2) 本文算法能够自动获得更加准确的脑组织提取结果, 特别是与BET算法相比, 能够获得更准确的脑组织边缘提取结果.
3) 实验结果表明本文算法具有有效性和准确性, 优于BET方法.
参考文献
| [1] | Cheng H D, Jiang X H, Sun Y. Color image segmentation:advances and prospects[J].Pattern Recognition, 2001, 34(12): 2259–2281.DOI:10.1016/S0031-3203(00)00149-7 |
| [2] | Min R, Wu G, Cheng J, et al. Multi-atlas based representations for Alzheimer's disease diagnosis[J].Human Brain Mapping, 2014, 35(10): 5052–5071. |
| [3] | Tijms B M, Yeung H M, Sikkes S A. Single-subject grey matter graph properties and their relationship with cognitive impairment in early-and late-onset Alzheimer's disease[J].Brain Connectivity, 2014, 4(5): 337–346.DOI:10.1089/brain.2013.0209 |
| [4] | Atkins M S, Mackiewich B T. Fully automatic segmentation of the brain in MRI[J].IEEE Transactions on Medical Imaging, 1998, 17(1): 98–107. |
| [5] | Meegama R G N. Fully automated peeling technique for T1-weighted, high-quality MR head scans[J].International Journal of Image and Graphics, 2004, 4(2): 141–156.DOI:10.1142/S0219467804001348 |
| [6] | Saikumar T, Shashidhar B, Harshavardhan V, et al. MRI brain image segmentation algorithm using watershed transform and kernel fuzzy c-means clustering on level set method[J].International Journal on Computer Science and Engineering, 2011, 3(4): 1591–1598. |
| [7] | Hahn H K, Peitgen H O. The skull stripping problem in MRI solved by a single 3D watershed transform[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Pittsburgh, 2000: 134-143. |
| [8] | 贾迪, 杨金柱, 张一飞, 等. 序列磁共振颅脑影像的脑组织自动提取方法[J].仪器仪表学报, 2011, 32(8): 1781–1787. ( Jia Di, Yang Jin-zhu, Zhang Yi-fei, et al. Automatic brain tissue extraction approach of serial magnetic resonance head images[J].Chinese Journal of Scientific Instrument, 2011, 32(8): 1781–1787.) |
| [9] | Atkins M S, Mackiewich B T. Fully automatic segmentation of the brain in MRI[J].IEEE Transactions on Medical Imaging, 1998, 17(1): 98–107.DOI:10.1109/42.668699 |
| [10] | 贾迪, 杨金柱, 张一飞, 等. 自适应脑组织影像分割[J].吉林大学学报(工学版), 2012, 42(1): 161–165. ( Jia Di, Yang Jin-zhu, Zhang Yi-fei, et al. Self-adapting segmentation for brain tissue[J].Journal of Jilin University(Engineering and Technology Edition), 2012, 42(1): 161–165.) |
| [11] | Dale A M, Fischl B, Sereno M I. Cortical surface-based analysis I:segmentation and surface reconstruction[J].Neuroimage, 1999, 9(2): 179–194.DOI:10.1006/nimg.1998.0395 |
| [12] | Smith S M. Fast robust automated brain extraction[J].Human Brain Mapping, 2002, 17(3): 143–155.DOI:10.1002/(ISSN)1097-0193 |
| [13] | Yang J, Tan W, Ma S, et al. Automatic MRI brain tissue extraction algorithm based on three-dimensional gray-scale transformation model[J].Journal of Medical Imaging & Health Informatics, 2014, 4(6): 907–911. |
