面向小动物影像的小鼠全身数字图谱配准算法研究

Due to the fast development of high-throughput small animal imaging techniques, automated analysis of small animal images has become an urgent need. Automated registration of digital animal atlas to individual image is a widely-used method for small animal image analysis. However, because of the anatomical differences between individual subjects and the variety of image features between different imaging modalities, accurate registration of the animal atlas remains a challenging problem. This study aims at developing an automated atlas registration method for various preclinical mice imaging modalities, it will use a recently developed deformable mouse atlas to compensate for the anatomical differences of body posture, size and weight. To register this atlas to various modalities including CT, MRI, PET, SPECT, optical imaging, X-ray projection and surface scan, we classify these modalities according to their spatial dimension, and design dedicated registration scheme for each dimension. Moreover, atlas registration results of lower dimension will be used to initialize the registration of higher dimension. We also propose a method for automatically segmenting the high-contrast organs from three dimensional mice images using the registered atlas as prior information. This study will provide algorithm support for preclinical small animal image analysis.

小动物医学成像的快速发展为自动化影像分析提出了迫切需求。数字化小动物图谱与个体影像的配准是自动化图像分析的重要方法，但是不同动物个体之间存在着形态上的差异，不同的影像模式也有着各自的图像特征，这两个问题给图谱的自动精确配准带来了困难。本课题旨在研究一种小鼠全身数字图谱与不同小鼠影像模式之间的自动配准算法，采用近期构建的可变形小鼠全身图谱作为模板，通过优化图谱的骨骼姿态、身长、体重等参数来弥补图谱与个体之间的形态差异。为实现图谱与CT、MRI、PET、SPECT、光学照片、X光投影、体表扫描影像等模式的自动配准，本研究将不同影像模式按照空间维度分类，针对每一种维度设计配准方法，用低维度配准结果作为高维度配准的初始化条件以增强全身姿态配准的鲁棒性，并用低维度的图谱配准结果作为先验知识，辅助对三维图像中高对比器官的自动分割。本研究将为生物医学领域的小动物影像分析提供有利的算法支持。

小鼠医学影像在临床前的疾病研究、药物研发等领域有着广泛的应用。在小鼠医学影像分析过程中，全身器官区域的分割常被用于测量器官代谢和形态变化。但是，手工器官分割耗时费力且客观性差，急需自动化的算法来提高分割速度和客观性。本项目基于课题组前期构建的可变形小鼠全身数字图谱，进一步开发了适用于不同影像模式、成像质量、身体姿态的小鼠全身图谱配准算法，可自动实现小鼠医学影像中的全身器官区域划分，为相关的研究机构和企业提供有利的软件工具。课题组针对实际应用场景中不同的图像采集质量开发了不同的图谱配准算法，包括用于高清晰度图像的基于器官分割的配准方法，用于低清晰度图像的无须器官分割的配准方法，用于姿态变化较大样本的基于骨关节点检测的配准方法，以及用于低对比度CT图像的深度学习模糊器官区域估计算法。基于本研究的成果，课题组进一步研发了小鼠PET成像设的备校准体模，用于改善小鼠成像质量，使图谱配准算法更好发挥作用。该图谱配准算法还被用于鼠脑感兴趣区域的划分，实现了甲减鼠和正常鼠的脑网络构建与对比。本项目所开发算法已开源供全世界下载使用，并实现了算法成果的产业化，为相关企业提供每天上百例的自动化小鼠PET/CT影像数据分析服务。截止项目结题，课题组基于研究成果已与世界多家顶尖高校和企业开展了合作。