梁 艳

(上海建桥学院商学院，上海 200000)

基于LBP块相似性的图谱标签融合

梁 艳

(上海建桥学院商学院，上海 200000)

磁共振脑部图像的定量分析通常需要对脑部解剖结构进行精确可靠的自动分割，基于多图谱的脑部核磁共振（MRI）图像自动分割方法是解决该问题的一种非常有效的方法，其中比较关键的一个问题是图谱标签融合问题．本文针对该问题提出了一个基于局部二进制模式（LBP）块相似性的图谱标签融合方法．实验结果表明，利用该方法对脑部MRI图像中的组织进行分割，能够获得较精确的分割结果．

核磁共振图像；图像分割；标签融合；块相似性

磁共振成像在病理检测、脑组织研究及临床研究中扮演着重要的角色．临床应用中每天都产生大量的磁共振图像数据，单纯依靠手动的数据分析方法来研究已变得不太现实．因此，急需一种具有一定精确性、鲁棒性、可靠性的脑部MRI图像分割算法，这已成为医学图像分析领域中极具挑战性的研究课题之一．目前已有学者提出了一些自动的脑部MRI图像分割算法，比如基于可变形模型或区域增长的方法[1]、基于图割的方法[2]、基于图谱分割的方法[3]、基于形状模型的方法[4]等．基于多图谱的分割方法被证明是其中比较有效的方法，图谱指的是一个图像以及与该图像对应分割结果（标签图像）的一个图像对．基于多图谱的自动分割方法是借助已有图谱的先验信息来对待分割的图像进行分割．该类方法主要由三个步骤组成：各个图谱图像与待分割图像之间进行配准；利用配准获得的形变场对图谱的标签进行映射；对各个图谱标签图像映射完成后的结果进行融合．标签融合策略对最终分割结果具有重要的影响，该问题也是目前研究的较多的问题之一．

本文在基于非局部块相似性的图像去噪方法[5]基础上，提出了一种基于LBP块相似性的图谱标签融合方法．该方法在普通块相似性的标签融合方法基础上，引入了块的LBP信息以此来提高块之间相似性度量的可靠性，使得标签融合过程中的权重更加精确，从而提高标签融合的效果．

1 多图谱分割框架及局部二进制模式基本原理

1.1 多图谱分割框架

本节主要介绍基于多图谱的脑部MRI图像分割方法基本框架，该类方法大体可以分为三个基本步骤，分别是配准、标签映射和标签融合．在本文中待分割的目标图像表示为fT，其分割结果表示为lT，n个图谱表示为

标签映射：用获得的变形场ui,i=1,…,n分别对,n 进行映射，映射过程简单地表示为，映射后的图谱表示为Ai=(fi,li),i=1,…,n ．

标签融合：标签映射完成后可以将li,i=1,…,n分别看做待分割目标图像的n个近似分割结果．标签融合的目的就是要将这n个近似分割结果进行综合全面考虑从而获得一个全局的、更可靠的分割结果．其中最简单的一类标签融合方法是基于简单投票的方法，对于待分割目标图像中的一个位于x处的体素，其标签信息lT(x)可以通过简单投票方法[7]获得，该过程可以简单表示成（1）式的形式．

其中li(x)表示第i个图谱x处的标签信息，从上式可以看出基于简单投票的标签融合方法将所有图谱同等看待，各个图谱在标签融合的过程中权重相同，而且同一个图谱中不同位置的体素权重也相同．如果一个图谱图像与待分割的目标图像之间的相似性很低，在融合过程中这个图谱的参与必将降低融合的效果．针对该问题，其中比较有效的一类解决方法是针对不同图谱的不同位置设置不同的融合权重[8-9]．

1.2 局部二进制模式基本原理

图像的局部二进制模式特征首先在一个3× 3的邻域系统[10]中被提出，如图1所示．对于图像中的每一个点都可以计算出一个LBP值，具体计算如下：

s(x)是一个限制函数，若x大于等于零，则s(x)值为1，否则s(x)值为零．gc是当前要计算LBP值的点，也是邻域的中心点，gp则是该中心点的邻接点．局部二进制特征对于光照与对比度的变化具有很强的鲁棒性．

图1 计算LBP时的邻域示意图Fig 1 The neighborhood when calculate LBP

2 本文方法

本文提出的多图谱标签融合算法，针对不同图谱不同位置的体素设置不同的融合权重，因此融合权重的计算是关键，计算出来的权重越可靠，则融合的效果越好．本文正是在传统的基于灰度相似的权重计算方法基础上，提出了基于LBP块相似性的权重计算方法．

假定n个图谱图像已向目标图像fT配准，配准后的图谱为Ai=(fi,li),i=1,…,n ，本节部分符号已在第一节中说明．本文多图谱标签融合方法主要由LBP值的计算、权重计算、最终融合三个部分组成．

计算LBP值：对待分割的目标图像fT及图谱图像fi,i=1,…,n中的各个点分别计算其相应的LBP值．本文LBP值的计算采用5× 5× 5的十字星型三维邻域系统，此时只有中心三个轴位置的点参与到LBP值的计算过程中去，因此总共有12个点参与到中心点LBP值的计算过程当中．对目标图像及图谱图像计算LBP值以后，相应的目标图像表示为bT，图谱图像分别表示为bi,i=1,…,n，这样n个图谱就变成了如下形式：Bi=(bi,li),i=1,…,n ．

计算权重：对于待分割目标图像中的某个位于x处的体素，配准后各个图谱图像bi,i=1,…,n相应位置为中心的一个搜索邻域内的所有体素都将参与到位于x处目标体素的标签融合过程中去，假设该搜索邻域表示为一个s×s×s大小邻域，则每个图谱将有s3个体素参与到目标体素的标签融合．之所以让一个图谱搜索邻域内的所有点都参与到目标体素的标签融合而不是只让该搜索邻域中心的一个点参与，是为了克服配准过程中产生的误差，因为配准不可能达到目标图像与图谱图像严格一一对应的关系，或多或少会存在一些偏差．图谱搜索邻域内的各个体素的权重是通过计算该体素与位于x处目标体素之间的相似性获得的，具体的相似性计算是通过当前体素所在的块之间相似性获得的，记位于x处的目标体素所在的块为pT，图谱搜索邻域内某个体素所在的块为pj,j=1,…,n* s3，该体素对应的标签记为lj,j=1,…,n* s3，相应的权重记为wj,j=1,…,n* s3．权重计算如下：

标签融合：在获得了图谱搜索邻域内各个体素的权重后，最终的融合就可以简单地看成一个加权投票的过程．由于本文针对的问题是单目标分割，因此图谱标签只包含0值和1值，与0值相对应的区域为背景区域，与1值对应的区域为目标区域．

各个图谱搜索邻域内体素认为目标体素x标签为1的总权重如下：

计算出来sum(x)的值在0到1之间，如果该值大于等于0.5则可以认为位于x位置处的目标体素属于目标区域，否则属于背景区域．通过这样的方式可以对待分割目标图像每一个位置处的体素进行划分并得到待分割目标图像最终的分割结果．

3 实验结果

本节通过对脑部MRI图像的分割来验证本文方法的有效性．实验中所用到的数据库是IXI数据库[11-12]，该数据库包含30例图谱，每一例图谱的标签都是经过专家勾画出来的，因此可以认为每一例图谱的标签信息都是一个金标准．本文主要对脑部MRI图像中常见的与疾病相关的7个组织进行分割：Hippocampus、Amygdala、Caudate nucleus、Nuc.accumbens、Putamen、Thalamus、Pallidus．图2展示了1例只包含Hippocampus的图谱，图2（a）中红色区域是Hippocampus所在区域，图2（b）是图1（a）中Hippocampus的三维成像．

图2 Hippocampus图谱及Hippocampus相应的三维图像Fig 2 Hippocampus atlas and three dimensional image of Hippocampus in atlas image

评价分割结果的好坏，主要是通过计算两个二值区域的重叠率(Dice)来实现的．两个二值区域O1与O2重叠率计算如下：

本文实验中将其中的一个图谱图像作为待分割的目标图像，其余的29个作为图谱使用．分割完成后通过计算自动分割结果与该图谱本身金标准之间的重叠率来评价自动分割算法的效果，结果见表1．为了验证本文分割方法的性能，主要引入了如下对比算法：基于简单多数投票的标签融合算法（MV）[7]、基于非局部块灰度相似性加权的标签融合方法（Nonlocal-PBM）[9]．其中基于简单多数投票的标签融合算法是最基本的也是最简单的一类方法，该方法计算简单，速度快在某些情况下能够取得不错的效果．本文方法与基于非局部块相似性加权的标签融合方法十分相似，都是基于相似性加权的标签融合方法，不同之处在于本文利用了LBP的特性来计算权重，使得计算出来的权重更可靠．

表1 IXI数据库中不同方法对不同组织分割后的平均重叠率Table 1 Mean dice ratio results of different tissues from different methods in IXI database

从表1中可以看出，基于非局部块灰度相似性加权的标签融合方法（Nonlocal-PBM）的分割性能要优于基于简单多数投票的标签融合算法（MV），但对Pallidus这个组织的分割是个例外，这也说明了在某些情况下基于简单多数投票的标签融合算法也能取得较好的分割效果．从表1中还可以看出，本文标签融合方法的分割效果是最优的，与Nonlocal-PBM方法相比本文方法在各个不同组织的分割效果上都有所提高，这主要是因为该方法利用了图像的LBP特性，使得计算出来的融合权重更可靠，从而提高了标签融合的效果．但对于Pallidus这个组织的分割，本文方法与MV方法相比分割效果并没有提高，这也说明了MV方法在某些情况下确实是有效的．

图3展示了某一例MRI图像脑部Hippocampus的分割结果，图3（a）是该例MRI图像的分割金标准，图3（b）是本文的分割结果．从图中三维立体成像可以看出用本文方法分割出来的Hippocampus在形状上基本与金标准相似，但在一些拐点细节处，本文方法还有待进一步提高．

图3 Hippocampus三维图像Fig 3 Three dimensional image of Hippocampus

4 结束语

基于块相似性加权的标签融合方法关键在于如何构建相似性度量准则，通常来说计算出来的块相似性越可靠，标签融合的效果就越好．本文正是基于相似性度量这一问题，在基于块灰度相似性加权的标签融合算法基础之上提出了基于LBP块相似性加权的标签融合算法．实验中，对IXI标准数据库中30个脑MRI图像的7个脑组进行了分割，本文算法的分割效果要优于另外两种算法，从而验证了本文标签融合算法的有效性．

[1] Chupin M,Mukuna-Bantumbakulu A R,Hasboun D,et al. Anatomically constrained region deformation for the automated segmentation of the hippocampus and the amygdala: method and validation on controls and patients with Alzheimer's disease [J]. Neuroimage,2007,34: 1001-1003.

[2] Van d L F,Den H T,Breteler M M,et al. Hippocampus segmentation in MR images using atlas registration,voxel classification,and graph cuts [J]. Neuroimage,2008,43(4): 711-713.

[3] Wu G,Kim M,Sanroma G,et al. Hierarchical multi-atlas label fusion with multi-scale feature representation and label-specific patch partition [J]. NeuroImage,2015,106: 38-40.

[4] Hu,S,Collins D L. Joint level-set shape modeling and appearance modeling for brain structure segmentation [J]. Neuroimage,2007,36: 677-679.

[5] Buades A,Coll B,Morel J M. A review of image denoisingalgorithms,with a new one [J]. Multiscale Model Simulat,2005,4(2): 495-496.

[6] Klein S,Staring M,Murphy K,et al. Elastix: a toolbox for intensity-based medical image registration [J]. IEEE T Med Imaging,2010,29(1): 201-202.

[7] Kittler J,Alkoot F M. Sum versus vote fusion in multiple classifier systems [J]. IEEE Trans Pattern Anal Mach Intell,2003,25(1): 113-115.

[8] Coupé P,Manjón J V,Fonov V,et al. Patch-based segmentation using expert priors: application to hippocampus and ventricle segmentation [J]. NeuroImage,2011,54(2): 945-947.

[9] Rousseau F,Habas P A,Studholme C. A supervised patch-based approach for human brain labeling [J]. IEEE T Med Imaging,2011,30(10): 1855-1857.

[10] Ojala T,Pietikäinen M,Harwood D. A comparative study of texture measures with classification based on featured distributions [J]. Pattern Recogn,1996,29(1): 54-55.

[11] Hammers A,Allom R,Koepp M J,et al. Three-dimensional maximum probability atlas of the human brain,with particular reference to the temporal lobe [J]. Hum Brain Map,2003,19: 228-230.

[12] Hammers A,Chen C H,Lemieux L,et al. Statistical neuroanatomy of the human inferior frontal gyrus and probabilistic atlas in a standard stereotaxic space [J]. Hum Brain Map,2007,28: 35-36.

Atlas Label Fusion Based on the LBP Block Similarity

LIANG Yan
(Business School,Shanghai Jian Qiao University,Shanghai,China 200000)

Quantitative MRI analysis often requires accurate and reliable automatic segmentation of brain anatomical structures,and the automatic segmentation based on multi-Atlas brain MRI image is an effective method. During the process,atlas label fusion is the key issue. In this paper,an atlas label fusion method based on LBP block similarity is proposed. The paper demonstrates that the proposed method can obtain a more accurate segmentation result of the brain MRI image.

MRI; Image Segmentation; Label Fusion; Patch Similarity

TP391.7

：A

：1674-3563(2017)02-0042-06

10.3875/j.issn.1674-3563.2017.02.006 本文的PDF文件可以从xuebao.wzu.edu.cn获得

(编辑：王一芳)

2016-11-02

温州市公益性科技计划项目(S20140019)

梁艳(1987-)，女，安徽桐城人，助教，硕士，研究方向：计算机金融，金融数学