基于相似图谱的脑MR图像海马体自动分割方法研究

Segmenting hippocampus automatically and accurately from brain magnetic resonance (MR) images is very important for diagnosis of brain diseases in clinic practice and medical researches. However, there is no automatical and accurate segmentation method which can satisfy the requirements of clinic practice and researches. Segmentation techniques based on multi-atlas registration have been proved to be effective. However, since there are usually differences between those atlases that are used and the image that is to be segmented, the differnces will lead to inaccurate results. Focusing on this type of problems, this project proposes the concept of weighted similarity measurement which takes the object to be segmentated in images as the center. The calculation method of this measurement will alse be studied.Then, this measurement is applied in searching the most similar atlases for the image to be segmented by comparing each atlas with the iamge, and then those atlases are used for hippocampus segmentation. Since this method can narrow the difference effectively between the atlases and the segmented image on hippocampus, the segmentation result would be more accurate. In this study, the statistical information from similar atlases and the context model which represents the image information of hippocampus will be used to form an automatically and accurately segmentation method for hippocampus. The research of this project will provide new clues for segmentation of tissues in medical images, and enrich the theory of image processing.

脑磁共振（MR）图像中海马体自动精确分割方法的研究是医学图像处理领域的一个热点，对与海马体相关脑部疾病的临床诊断和医学研究具有重要的意义。但目前还没有一种能够满足临床应用和研究需要的高精度自动分割方法。基于多图谱配准的分割方法已被证明对海马体分割具有好的效果，但由于其所使用的图谱往往与被分割图像间存在较大的差异，使得分割的结果不够精确。针对该类问题，本项目提出以待分割目标为中心的加权相似性度量的概念，研究实现该度量的计算方法，并采用该度量来筛选与待分割图像相似的图谱，再用选取的相似图谱进行海马体的分割。由于该方法有效缩小了图谱与被分割图像之间在海马体部位的差距，分割结果会更精确。本项目将采用来自相似图谱的统计信息与表达海马体图像特征的上下文模型相融合的方法，形成一个自动精确分割海马体的新方法。该研究能为医学图像中组织结构的自动分割提供新的解决思路，丰富图像处理领域的理论和方法。

海马体(hippocampus)作为人脑中的一个重要组织结构，对大脑的功能活动起着至关重要的作用。海马体的图像分割是海马体体积测量和形态测量的关键和基础，在基于影像学的临床诊断上具有重要意义。对海马体分割方法的研究已成为医学图像处理领域的热点。目前对海马体作诊断所依靠的影像手段主要是MR图像(磁共振图像，又称Magnetic Resonance Image，MRI)。脑MR图像海马体分割就是要把海马体所在的区域或边界识别出来。本项目旨在从不同的角度研究和改进海马体自动分割方法。本项目研究了已有的各种相关算法，在已有算法的基础上，提出并研究了以分割目标为导向的脑MR图像特定组织自动分割方法、基于加权相似性度量的脑MR图像特定组织自动分割方法、基于图谱标签块稀疏表示的图谱标签融合方法、基于图谱组合信息稀疏表示的图谱标签融合方法、基于图谱森林可扩展学习的脑部MR图像自动分割方法多种方法。为开展项目的研究并验证所提出方法的有效性，本项目在收集的临床医院实际病人影像数据、国际著名医学图像数据库IBSR、IXI、LPBA及ADNI的脑MR图谱库的数据基础上，建立了一个包括760余例实例的图谱数据库，将所提出的算法都用图谱数据库中的部分数据进行训练，并用剩下的部分数据对各算法进行了实验验证，将实验结果与当前其它脑MR图像自动分割方法进行了比分析。理论分析表明，所研究的方法对提高分割效果是有贡献的，实验结果也证明，本项目所提方法对海马体的分割效果较国际上已有的分割方法有很大程度上的提高，使得对部分脑MR图像的海马体分割精度能达到90%以上(与金标准的重叠率)。对这些方法的研究结果，已经发表在了“Medical Physics”、“Magnetic Resonance Imaging”、“Multimedia Tools and Applications”、“计算机学报”、 “International Journal of Imaging Systems & Technology”等学术期刊上，还申请了一项发明专利和一项软件著作版权。该研究所取得的研究成果能为医学图像中特定组织结构的自动分割提供新的解决思路，能丰富图像处理领域的理论和方法，也能为医学界开展脑海马体相关疾病影像学诊断提供实用的工具手段。