基于变分贝叶斯模型的脑磁共振图像组织分割及病变检测

Accurate brain tissue segmentation from magnetic resonance (MR) images plays an important role in both clinical practice and neuroscience research. Meanwhile, diseased tissue segmentation and volume measurement are crucial in cerebral to study the formation mechanism of the diseases. According to the common problems of brain MR image segmentation and characteristic problems of cerebral diseases on brain MR images, the project constructs an effective theory and application framework of statistical model based on variational Bayesian inference by breaking through key technologies and accurate measuring the volume of cerebral disease. Our work mainly includes the following parts: (1) Further develop the research on the mechanism of prior description and the dissimilarity measurement for brain MR images based on finite mixture model to overcome the artifacts that MR images suffer from, including noise, intensity inhomogeneity, low contrast, etc. (2) Construct an unsupervised spatially constrained variational statistical framework for brain MR image segmentation by describing the mechanism of prior description of brain MR images with the theory of variational Bayesian inference. (3) Construct the multi-atlases of brain tissues and further research on the multi-atlases variational mixture model for brain MR image segmentation to accurately segment brain tissues and detect the cerebral diseases. The research in the project will vastly promote the theoretical development and extensive applications of variational Bayesian inference and segmentation techniques, which is very meaningful and valuable in both theory and practice.

基于脑磁共振图像的脑组织精确分割对生物医学研究和临床应用具有重要的指导意义，同时脑磁共振图像的病变组织分割及检测是研究疾病形成机制的重要手段。本项目针对脑磁共振图像分割的共性问题及脑病变图像的特性问题，以有限混合模型和变分贝叶斯理论为出发点，研究基于变分贝叶斯模型的脑磁共振图像分割算法，突破其中的关键技术，精准分割脑组织并检测脑部病变，构建一套行之有效的变分统计模型的理论与应用框架，开展如下研究工作：（1）针对脑磁共振图像中噪声、灰度不均匀性、低对比度等缺陷，开展脑磁共振图像先验的有限混合模型的表征机理与度量方法研究；（2）深入研究变分贝叶斯理论，引入图像先验表征机理，构建变分贝叶斯模型的图像分割算法；（3）构建脑组织多图谱体系，建立多图谱联合分布，深入开展基于多图谱变分混合模型分割算法的应用研究，实现脑组织精准分割及病变检测。本项目对于推动变分统计模型的应用研究具有重要的理论与实际意义。

基于脑磁共振图像的脑组织精确分割对生物医学研究和临床应用具有重要的指导意义，同时脑磁共振图像的病变组织分割是研究疾病形成机制的重要手段。本项目针对脑磁共振图像分割的共性问题及脑病变图像的特性问题，研究了基于变分贝叶斯模型的脑磁共振图像分割算法。.（1）完成了脑磁共振图像先验的有限混合模型的表征机理与度量方法研究：针对脑磁共振图像的主要缺陷，构建了空间约束、先验约束、边界约束以及偏移场估计模型等表征机理；提出了多层图约束以进一步提高算法的分割质量，并基于博弈论和局部并行优化方法对能量函数进行优化以提高算法的优化效率。.（2）完成了有限混合先验的脑磁共振图像分割的变分贝叶斯模型与算法研究：构建了非对称有限混合模型的脑磁共振图像分割框架，该框架对于图像缺陷具有更好的鲁棒性，能够更好地拟合数据分布；提出了局部似然图像拟合能量，建立了变分框架下的分割模型，该算法能够同时克服图像中的噪声、低对比度以及灰度不均匀性的影响；通过约减变分模型中标记信息的先验分布约束，突破了Dirichlet分布的限制，实现了变分贝叶斯体系中空间信息的引入。.（3）构建了多图谱体系下的变分混合模型分割算法：针对脑肿瘤的分割问题，引入多模态信息，提出了基于变分模型的多模态脑磁共振肿瘤图像分割算法，该方法容易实现并且具有较高的分割精度；针对正常脑组织的分割问题，引入单图谱信息，提出了基于学习局部变分高斯混合模型的脑磁共振图像分割算法，该算法结合了基于脑图谱和统计方法的优点以更好地应对MRI图像的复杂性和动态性；针对特定脑组织的分割问题，引入多图谱信息，实现了基于多图谱的海马体分割算法，该方法有效克服了传统标记融合方法由于仅使用基于灰度信息的权重作为标记融合权重导致的误分割，具有较强的实用性。