，

(1.Department of Biomedical Engineering, School of Basic Medical Science, Central SouthUniversity,Changsha 410083, China; 2.School of Clinical Medicine, ShaoyangUniversity, Shaoyang 422000, China)

Automatic infant brain segmentation based on diffusion tensor imaging

WANGLin1,2，YUGang1*

(1.DepartmentofBiomedicalEngineering,SchoolofBasicMedicalScience,CentralSouthUniversity,Changsha410083,China; 2.SchoolofClinicalMedicine,ShaoyangUniversity,Shaoyang422000,China)

Objective To investigate the feasibility and value of automatic segmentation of infant brain images based on diffusion tensor image (DTI). Methods A method of segmentation of infant brain based on DTI images was proposed. The method was mainly included two stages： ①Extracting the cerebrospinal fluid (CSF) using the distribution of water; ②Extracting the white matter (WM) adopting the anisotropic diffusion of water in neurons, followed by distinguishing the gray matter (GM) component. Results Through the feature selection method designed in this study, the effective DTI feature combination was selected. The first step was to extract CSF with mean diffusity (MD) and the third eigenvalue (L3), and the second step was to extract WM and GM with fractional anisotropy (FA) and the L3. The highest average similarity was obtained by the two steps. The two-step segmentation could be successfully performed in infant brain image segmentation and satisfied with the split effect. Conclusion The automatic segmentation of infant brain based on DTI in this study is reasonable and feasible, and has high segmentation accuracy.

Infant； Child； Magnetic resonance imaging； Diffusion tensor imaging； Brain segmentation

精确、自动地大脑分割技术可应用于婴幼儿大脑损伤、脑功能重塑、大脑发育的相关认知科学研究。尽管常规MR图像在形态上的分辨率较高，但仍存在诸多缺陷，如偏场、噪声和容积效应等，对大脑分割提出很大挑战。大脑分割包括参数化及非参数化方法。多数参数化方法假设脑MR图像服从高斯分布，运用最大后验概率、最大似然函数或最大期望法进行算法优化。为降低噪声，这些方法经常与分割框架相结合，如局部统计[1]、水平集[2]、马尔科夫[3]、隐藏马尔科夫链[4]等。非参数方法，如模糊分割[5]，其优点是可收敛到稳定解。其中，隐马尔科夫随机场(hidden Markov random field， HMRF)与最大期望法具有良好的抗噪性能，能同步估计MR的偏场，是当前主流的大脑分割方法[6]。然而，现有的大脑图像分割方法所应用的先验知识几乎均基于成人大脑，且输入数据多采用T1或T2加权的结构图像。生长发育过程中婴幼儿大脑形态和功能时刻发生变化，常规MR图像对这些信息并不敏感。同时，由于缺少理想的婴幼儿大脑图谱，无法依据图谱改善分割，采用成人大脑分割方法分割婴幼儿大脑图像误差较大。近年来，Dai等[7]提出婴幼儿大脑的纵向分割方法，该方法对数据集要求高，需要不同时间点(如0～2岁)多次重复采集的大脑图像来改善分割结果，同时以结构图像为主，仅利用扩散张量成像(diffusion tensor imaging， DTI)的各向异性分数(fractional anisotropy， FA)图像，因此不适合通常的婴幼儿数据集。DTI能够跟踪大脑水分子的扩散，相对于单纯结构图像可更敏感地反映大脑连接的细微改变。本研究基于DTI图像，进行特征选择，将分割步骤分为2步，建立了一种婴幼儿的大脑分割方法。

1 原理与方法

1.1 数据集从专向研究 婴幼儿发育的数据库——C-MIND(Cincinnati MR Imaging of NeuroDevelopment)数据库下载数据集。随机选取10个年龄在1～2岁儿童的样本，男、女各5名，平均年龄(1.5±0.2)岁。DTI扫描b值为 1 000 s/mm2，采集61个梯度方向，矩阵112×112，分辨力为2 mm×2 mm×2 mm，共60层(覆盖全脑)。

1.2DTI数据预处理 对每个样本的DTI图像，均首先进行涡流(eddy)校正。DTI图像在不同梯度方向扭曲的程度不同，涡流校正可校正这些扭曲。对头部的涡流校正，可应用仿射变换，配准至1个参考层面[8]。采用BET(Brain Extraction Tool)算法，提取大脑模板，去除非脑组织[9]。而后利用扩散模型，获得DTI的各参数图，包括FA、平均扩散率(mean diffusity， MD)、扩散张量的3个特征值(L1、L2、L3，L1>L2>L3)及特征向量(V1、V2、V3)、原始T2信号(S0)和各向异性模型(mode of the anisotropy， MO)[10]。

1.3 特征选取 DTI的各项参数可反映大脑水分子扩散的特性。大脑中的脑脊液(cerebrospinal fluid， CSF)、白质(white matter， WM)和灰质(grey matter， GM)具有不同的扩散特征，DTI的参数图像可用于区分这3种组织。因此，将DTI的所有参数作为候选的特征集合，进行分割，从中挑选出区分能力最强的特征组合。

(1)

(2)

其中，U(x)为势能函数，z为划分函数。假设图像亮度符合高斯分布，对1个体素i，类别xi=，其对应的yi的条件概率可表示为：

(3)

假定图像中各体素的条件概率都是独立的，可得：

P(y|x)=Πi∈Sp(yi|xi)=Πi∈S

(4)

取对数，去除常数项后可得：

U(y|x)=∑i∈SU(yi|xi)=∑i∈S

(5)

同时对先验概率P(x)取对数，可得：

logP(x|y)∞U(x|y)

(6)

其中，U(x|y)=U(y+x)+U(x)+constant，即为后验概率能量。公式(1)相当于求解下式：

(7)

公式(7)可用最大期望法求解。输入DTI的参数图像，可方便扩展到多模态图像的分割。

在上述特征中，采用前向选择的方法，即逐个以单独特征进行分割，而后添加特征，应用2、3个特征组合，再次进行分割。计算分割的精确度，选取精度最高的特征组合，用于进一步图像分割。

采用不同特征组合，计算3种组织(CSF、WM、GM)分割时的平均相似性。其中，MD和L3为组合特征时，提取的CSF最精确(平均相似性为0.95)，但分割WM与GM的精确度不理想(平均相似性分别为0.83和0.78)，见表1。由于一步完成对3种组织的分割不能同时精确提取WM及GM，因此，去除参数图像中的CSF后，对剩余体素再行WM与GM的分割。再次重复特征选择后，获得适合分割WM与GM的特征集为FA和L3(平均相似性均为0.91)，见表2。

1.4 分割方法 由特征选取结果可知，将图像分割分为2步可获得更高的精确度。进行图像分割时，第1步将MD和L3图像输入数据，利用2个通道的HMRF方法，进行对3种组织(CSF、WM、GM)的分割，提取出CSF成分(图1)。第2步分割使用FA和L3图像，分割前从FA和L3图像中去除第1步分割得到的CSF体素，对只包含WM及GM的图像应用HMRF方法进行WM和GM的分割(图2)。

图1 第1步分割的流程图

图2 第2步分割的流程图

2 结果

采用C-MIND数据库的10个样本，以不同的特征集作为输入数据，进行分割。同时，手动分割这些样本，获得参考的分割结果。通过平均相似性评估算法结果和参考结果的差异。

平均相似性反映参考分割和算法分割得到区域的重叠程度，定义如下：

其中，Vg,i和VS,i分别表示第i个样本的参考分割和算法分割取得的像素集合，χ2是数据集的大小。相似性准则越接近1，其分割的精确度越高。

采用前向选择的方式，依次添加特征，尝试进行分割。第1次特征选取中，进行3类分割(CSF、WM、GM)，1～3个特征的选取结果见表1。特征向量(V1、V2、V3)及含有特征向量的集合其平均相似性过低，仅为0.1～0.3，在表1中未列出。其中以MD和L3为组合特征，提取CSF的平均相似性最高。由于第1次特征选取未获理想的WM及GM分割结果，去除CSF成分后再进行第2次特征选取，对GM和WM进行2类分割的结果见表2。其中以FA和L3为组合特征分割WM和GM的平均相似性均高达0.91。

表1 第1次特征选取分割CSF、GM和WM的平均相似性

经2步分割，可获得满意的婴幼儿大脑图像分割效果。以10个样本的其中1个样本为例，其大脑图像分割结果见图3。DTI图像经预处理后(图3A～3C)，获得FA、MD和L3图像，选择MD和L3作为第1步分割的特征提取CSF(图3D)，以FA和L3作为第2步分割的特征提取WM(图3E)和GM(图3F)，分割效果满意。

表2 第2次特征选取分割GM和WM的平均相似性

图3 DTI参数图和脑分割结果 A.FA图； B.MD图； C.L3图； D.CSF分割图； E.WM分割图； F.GM分割图

3 讨论

婴幼儿大脑处于快速发育过程中，明显区别于成人大脑。目前大多数脑分割算法是基于成人大脑的先验知识，且一般为T1WI或T2WI图像。DTI技术能够精确跟踪大脑的水分子扩散分布，CSF、WM和GM具有不同的扩散特征，因此DTI可为大脑分割提供可能的数据集。

DTI图像经预处理后，可得到若干参数图，在进行婴幼儿大脑图像分割前需确定哪些参数对大脑不同组织具有最好的可区分性。因此，本研究采用前向选择的方式，尝试用不同的特征集测试分割的精确度。本研究表明，以MD和L3为组合特征对CSF的区分能力最强。CSF的主要成分为水，MD、L3与水的扩散能力密切相关[10]，因此具有较高的CSF区分能力，但这2个参数不利于发现水扩散的各向异性，即不利于发现WM成分。本研究结果也证明，MD和L3不能精确提取WM和GM。

本研究中，在去除CSF后，对剩余的WM和GM进行分割，结果显示以FA和L3为组合特征来区分WM及GM的能力最强，分析原因为WM主要由神经纤维组成，水分子表现出明显各向异性的扩散特征，利用带有FA特征的组合提高对WM的分割精确度，但当特征集携带的特征较多时，则可能出现过拟合，反而降低分割精度。

本研究选用DTI图像为数据集，无需多个时间点的数据，相比于多模态、纵向数据的分割方法，对数据集的要求较低，更适合于临床应用。本研究数据分割方法的主要缺点为仅基于数据本身进行分割，缺少关于大脑组织的先验知识，不能借助这些知识改善图像分割结果。同时，本研究限于以手动分割结果作为标准，样本数量较少，所得婴幼儿大脑图像自动分割结果还需在更大数据集基础上进行验证。

总之，本研究提出的一种基于DTI的婴幼儿大脑图像分割方法合理、可行，具有较高的分割精确度。

[1] Wong A, Mishra AK. Quasi-Monte Carlo estimation approach for denoising MRI data based on regional statistics. IEEE Trans Biomed Eng, 2011,58(4):1076-1083.

[2] Dera D， Bouaynaya N， Fathallahshaykh HM. Level set segmentation using non-negative matrix factorization of brain MRI images. Washington： IEEE， 2015:382-387.

[3] Scherrer B, Forbes F, Garbay C,et al. Distributed local MRF models for tissue and structure brain segmentation. IEEE Trans Med Imaging, 2009,28(8):1278-1295.

[4] Bricq S, Collet CH, Armspach JP. Unifying framework for multimodal brain MRI segmentation based on hidden Markov chains. Med Image Anal, 2008,12(6):639-652.

[5] Yu G, Gao Y, Zhang M, et al. Topology-based nonlocal fuzzy segmentation of brain MR image with inhomogeneous and partial volume intensity. J Clin Neurophysiol, 2012,29(3):278-286.

[6] Zhang Y, Brady M, Smith S. Segmentation of brain MR images through a hidden Markov random field model and the expectation-maximization algorithm. IEEE Trans Med Imaging, 2001,20(1):45-57.

[7] Dai Y, Shi F, Wang L. iBEAT: A toolbox for infant brain magnetic resonance image processing. Neuroinformatics, 2013,11(2):211-225.

[8] Behrens TE, Woolrich MW, Jenkinson M, et al. Characterization and propagation of uncertainty in diffusion-weighted MR imaging. Magn Reson Med, 2003,50(5):1077-1088.

[9] Smith SM. Fast robust automated brain extraction. Hum Brain Mapp, 2002,17(3):143-155.

[10] Tofts P. Quantitative MRI of the Brain. Chichester:Wiley, 2003:203-256.

消 息

《中国医学影像技术》作者投稿请登录本刊网站(www.cjmit.com)主页，点击左上角“作者登录”进入，第一次投稿需完成作者注册；专家审稿请点击“审稿登录”进入。

为了便于广大作者、读者查阅本刊文献，本站提供从1985年起的过刊和现刊的全文检索。

湖南省教育厅科研项目基金(14C1042)。

王林(1985—)，男，湖南邵阳人，在读硕士，讲师。研究方向：医学成像及图像处理。E-mail: 372532577@qq.com

喻罡，中南大学基础医学院生物医学工程系，410083。E-mail: yugang.2000@163.com

2016-10-26

2017-05-25

基于扩散张量成像的婴幼儿大脑图像自动分割

王 林1,2，喻 罡1*

(1.中南大学基础医学院生物医学工程系，湖南 长沙 410083；2.邵阳学院临床医学系，湖南 邵阳 422000)

目的 探讨基于扩散张量成像(DTI)的婴幼儿大脑图像自动分割方法的可行性及价值。方法 提出一种基于DTI图像的婴幼儿大脑的分割方法。该方法主要分为2个阶段：①利用水的分布，提取脑脊液(CSF)；②利用水在神经元中的各向异性扩散，提取白质(WM)，继以区分灰质(GM)成分。结果 通过本研究设计的特征选取方法可筛选出有效的DTI特征组合。第1步以平均扩散率(MD)和第3个特征值(L3)为组合特征提取CSF，第2步以各向异性分数(FA)和L3为组合特征提取WM和GM，可获得最高的平均相似性。经2步分割可成功进行婴幼儿大脑图像分割并获得满意的分割效果。结论 基于DTI的婴幼儿大脑图像自动分割方法合理、可行，具有较高的分割精确度。

婴儿；儿童；磁共振成像；扩散张量成像；大脑分割

R445.2

A

1003-3289(2017)08-1264-05

10.13929/j.1003-3289.201610121