刘涵 王硕 孔宪媛 黄俊辉 马磊 相艳 邵党国 王海东 张雄

1昆明理工大学信息工程与自动化学院650031；2昆明理工大学第一附属医院资产管理部650032

0 引 言

多发性硬化症（multiple sclerosis，MS）是一种影响中枢神经系统的常见慢性免疫介导的致残性神经系统疾病[1]，多数患者的病程表现为缓解与复发交替发生，而且不断进展。多发性硬化症病灶主要出现在脑白质（white matter），并在空间和时间上呈现多发性[2]。传统的MS 诊断方法主要依据患者的临床表现，并辅以实验室检查。随着磁共振成像（magnetic resonance imaging，MRI）技术的发展，MS诊断的准确性有了极大的提高。医生通常会基于患者脑部MRI 图像，进行MS 病灶的人工分割，通过分析病灶大小、位置来分析病情，制定治疗方案。但是，每位患者的加权脑部MRI 图像的数量均达数百幅，处理起来十分耗时、费力，且人工处理会产生很多误差。因此，脑部MRI 图像MS 病灶的自动分割方法对于临床诊断具有重大意义。

近年来，许多MS 病灶的自动分割方法被提出，其中包括无监督方法和有监督方法。无监督方法无须进行模型训练和标签数据，认为病灶组织为数据中的异常值[3]。例如，有研究者使用聚类的方法分割健康组织和病灶组织，将病灶部分建模成一个单独的组织[4-5]。Garcia-Lorenzo 等[6]将基于最大期望值的算法与mean shift 算法结合来分割MS 病灶。有监督的方法则需要大量有标签的数据进行训练。Jesson和Arbel[7]提出基于随机森林方法分割MS 病灶。Wu等[8]将自动K-nearest（KNN）分割技术与模板驱动的分割方法进行组合，利用空间信息来分割MS 病灶。……