基于图谱的医学图像分割综述_黎丽华
医学信息
基于图谱的医学图像分割综述
黎丽华杨荣骞黄岳山吴效明
（华南理工大学生物科学与工程学院生物医学工程系，广东省广州市，510006）
摘要：精确的医学图像分割为能临床诊断提供清晰的解剖信息。目前手动分割被视为分割的金标准，它是临床先验知识很好的应用，但它具有费时、分割结果不可重现的缺点。基于图谱的分割方法则在利用先验解剖知识的同时，也能很好地重现出分割结果。它把手动分割好的图像（图谱）配准到目标图像上，然后通过标记传播把图谱的标记映射到目标图像上。基于图谱的分割方法可以大致地分为基于单图谱的分割方法、基于平均图谱的分割方法、基于多图谱的分割方法以及混合分割方法。本文将对这些基于图谱的分割方法作出综述。
关键词：图谱；医学图像；配准；分割
中图分类号：R318 文献标识码：A
A Review of Atlas-Based Segmentation for Medical Images
Li Li-hua, Yang Rong-qian, Huang Yue-shan, Wu Xiao-ming (Department of Biomedical Engineering, School of Bioscience and Bioengineering, South China University of
Technology, Guangzhou Guangdong 510006)
ABSTRACT: Accurate medical image segmentation provides clear anatomical information for clinical diagnoses. Manual segmentation is regarded up to now as a gold standard. While it is an outstanding application of prior clinical knowledge, it is time consuming and not sufficiently reproducible. Atlas-based segmentation uses the prior anatomical knowledge and is reproducible. It registers the manual segmented image (atlas) to the target image, then maps the labels of the atlas to the target image using label propagation. Atlas-based segmentation can be roughly divided into single atlas-based segmentation, average-shape atlas-based segmentation, multi-atlas-based segmentation, and hybrid segmentation. In this paper we present a review of these atlas-based segmentation approaches.
KEY WORDS:Atlas, Medical image, Registration, Segmentation
1. 引言
精确分割出医学图像中不同组织结构的解剖形态是对医学图像进行可靠分析的重要前提。这项工作通常由医生利用手动分割在医学图像上一张一张地勾画出来，而面对着大量的临床医学图像数据，这是一项艰巨且费时的工作。而且随着数据的不断增长，手动分割由于其效率低已难以应对临床的海量数据。同时，手动分割具有分割结果不可重现的缺点，不同的医生分割出来的结果也会有所不同，因此后来发展出不同的分割方法来完成这一任务。
2. 基于图谱的医学图像分割
需然手动分割费时、分割结果难以重现，但手动分割具有非常高的精确性，其最大的优势是利用专家的先验解剖知识进行分割，被视为所有分割方法的金标准。基于图谱的分割方法正是利用了手动分割这一优势。基于图谱的分割方法充分利用先验解剖知识并将其应用于分割过程中，其一般把手动分割好并已进行标记的图像（图谱）配准到待分割图像中，这样配准后的通过标记
传播(Label propagation)把图谱中的标记映射到待分割图像中就能得到最终的分割结果。由此可见，该方法把分割问题转化为配准问题。
3. 基于图谱的医学图像分割的研究进展
上文所述的图谱是对选定图像进行精确手动分割所得的图像，图谱有多种不同的制作方法：最简单的一种是选择一幅通用性最好的图像，并对其进行手动分割从而制作出图谱；由于一般情况下难以寻找一幅适用于所有待分割图像的图像，因此另一种方法选择多组图像，对它们进行平均并对平均后的图像进行手动分割制作出图谱；最后一种方法是对多组图像各自进行手动分割，制作出图谱库。根据图谱的不同可以将基于图谱的分割方法分为单图谱法、平均图谱法及多图谱法。有的情况下，某些器官在不同个体中的差异性十分大，此时单单借助配准无法正确地分割出此器官，因此需要把基于图谱的分割方法和其它分割方法相结合来对图像进行分割。据此，本文将从以下4个方面对基于图谱的分割方法进行综述：基于单图谱的分割方法、基于平均图谱的分割方法、基于多图谱的分割方法及基于图谱的分割方法与其它分割方法相结合。
3.1 基于单图谱的分割方法
基于单图谱的分割方法就是选定一个适用性最好的图谱，然后将其配准到待分割图像上并进行标记传播以得到分割结果。C. Baillard[1]等人利用基于单图谱的分割方法分割出脑部结构，得到了较好的结果。他们又把配准和Level set方法相结合来分割脑部结构，通过其实验结果发现单独用配准的分割结果不及两种方法相结合的分割结果精确。
图1基于单图谱的心脏分割结果
基于单图谱的分割方法在心脏分割上也有着较好的效果，如图1所示是该方法应用于心脏的分割效果，图2为其三维重建结果。从图中可见其分割效果较好，但精度仍需要进一步提高，特别是边界处的分割精度。
图2基于单图谱的心脏三维重建结果
3.2 基于平均图谱的分割方法
基于平均图谱的分割方法是先选定一组图谱，然后根据一定标准求取平均图谱，再将平均图谱应用于分割中。
Xiahai Zhuang[2]等人利用基于平均图谱的方法很好地分割出全心脏，如图3所示为该方法的心脏误分割图，图中蓝色部分表示分割错误率低，红色部分表示分割错误率高。从图中可见，该方法的准确率较高。此外，他们还分别对单图谱、5平均图谱及10平均图谱的分割结果作出分析，其实验数据表明5平均图谱及10平均图谱的分割精度相当，而单图谱的分割精度明显要比两种平均图谱低。由此可见基于平均图谱的分割方法与基于单图谱的分割方法相比有明显的优势。
图3基于平均图谱的心脏误分割图
但基于平均图谱的分割方法还面临着另一个问题，就是如何从图谱集中选择一个参考图像以对其他图谱进行变换，另外采取什么配准方法把图谱集配准到参考图像也是需要解决的一个问题[3]。
3.3 基于多图谱的分割方法
上述两种方法的优点是只要制作好图谱后，只需要把图谱与待分割图像进行一次配准即能得到分割结果。但这两种方法不能保证所制作的图谱适用于所有的待分割图像。而且它们的分割结果的精度依赖于配准的精度，如果配准出现错误则会导致分割错误。为了克服这一问题，Torsten Rohlfing[4]等人及Rolf A. Heckemann[5]等人提出把一系列的图谱配准到待分割图像中。为了得到最终分割结果可以从这一系列的配准中找出效果最佳的配准，并将其应用于标记传播中。又或者应用配准效果最好的一个图谱配准子集甚至应用所有图谱的配准，然后对这些配准变换作出融合[6-12]来进行标记传播。
但是把全部配准结果应用到待分割图像来获取最终分割结果是十分耗时的，因此为了提高分割的时效性，减少最终变换的图谱数及配准数是有必要的。为此Ivana Isgum[13]等人使用前向搜索法(Sequential forward selection, SFS)来减少图谱数以提高分割速度，如图4所示为该方法的分割效果。
图4基于多图谱的分割效果
但是基于多图谱的分割方法的精确度仍然受到图谱集与待分割图像间配准精度的制约。传统的基于多图谱的分割方法是进行两两配准的，在分割一组待分割图像时，它并不考虑不同待分割图像间的相互联系，因而导致不同待分割图像间同一部位出现分割结果不一致的矛盾。因此Hongjun Jia[14]等人提出把基于迭代多图谱方法和基于树形结构的方法相结合以充分考虑图谱间及待分割图像间相互关系，从而精确对图像进行分割。
3.4 基于图谱的分割方法与其它分割方法相结合
早在1999年Steolios K. Kyriacou[15]等人就利用图谱方法和有限元模型对存在肿瘤的脑部进行分割，该方法首先利用有限元模型对待分割图像中的肿瘤区域进行收缩变换，然后把肿瘤收缩后的待分割图像看作正常图像并将图谱与其配准，最后在配准后的图谱中根据解剖特征对肿瘤区域进行增长以完成分割。这种方法的分割效果较好，但需要事先对某些脑部结构进行精确分割，而且只应用于二维分割中。而Meritxell Bach Cuadra[16]等人提出的方法则无需预先对脑部结构进行分割，他们把配准方法和病灶增长模型(Model of lesion growth, MLG)相结合来分割脑部结构及肿瘤。其分割过程是首先利用仿射变换把图谱全局配准到待分割图像中，然后利用ATM SVC算法(Adaptive template moderated spatially varying statistical classification)从待分割图像中分割出肿瘤，接着由医生在配准后的图谱上手动在肿瘤区域放置一个单像素的种子点，最后根据ATM SVC 的分割结果并利用非线性配准和MLG把放置有种子点的图谱配准到待分割图像中完成脑部组织及的分割。该方法在图谱和待分割图像间形态差异不大的情况下能较好地分割出脑部组织及肿瘤，但若二者存在较大的形态差异时则难以得到准确的分割结果。
Yongxin Zhou[17]等人把图谱方法、模糊连接(Fuzzy conectedness, FC)分割及参数偏场校正模型(Parametric bias field correction, PABIC)相结合对脑部图像进行分割。其分割过程是首先把图谱配准到待分割图像上，然后用FC分割方法对配准后的图谱分割，接着利用PABIC校正FC分割后的图像，最后再次对上一步骤的图像进行FC分割。但该方法假设不同组织间的灰度重叠在一定的范围内，但这一假设并不适用于某些MRI图像，因此对于这些MRI图像该方法将不能得到正确的分割结果。此外他们还提出了一种把图谱方法、FC分割及形态修正相结合的方法[18]，将其应用于腹部器官的分割并取得了不错的效果。
而Subrahmanyam Gorthi[19]等人则是把图谱方法和活动轮廓模型相结合对淋巴结进行分割，如图5所示为该方法对淋巴结的分割效果。
图5图谱方法和活动轮廓模型相结合对淋巴结的分割结果
4. 总结
随着计算机技术的发展，自动分割技术越来越成熟。其中基于图谱的分割方法是充分利用先验解剖知识，并将其应用于医学图像分割中。基于图谱的分割方法大致可以分为基于单图谱的分割方法、基于平均图谱的分割方法、基于多图谱的分割方法以及混合分割方法。由于一般情况下单图谱并不能适用于所有的待分割图像；所以后来发展出平均图谱，但平均图谱仍存在着相同的问题；因此又提出了多图谱，并取得了较好的效果。然而，当待分割图像和图谱间存在很大的形
态差异时，单单依靠配准方法已不能正确地分割出图像中的解剖结构，此时则需要把其它分割方法与配准相结合以对图像作出正确的分割。
参考文献
Baillard, et al., "Segmentation of Brain 3D MR Images Using Level Sets and Dense Registration," Medical [1] C.
Image Analysis, vol. 5, pp. 185-194, 2001.
Zhuang, et al., "A Registration-Based Propagation Framework for Automatic Whole Heart Segmentation of [2] X.
Cardiac MRI," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 29, pp. 1612-1625, 2010.
Cabezas, et al., "A Review of Atlas-Based Segmentation for Magnetic Resonance Brain Images," Computer [3] M.
Methods and Programs in Biomedicine, pp. 1-20, 2011.
Rohlfing, et al., "Evaluation of Atlas Selection Strategies for Atlas-Based Image Segmentation with Application [4] T.
to Confocal Microscopy Images of Bee Brains," NeuroImage, vol. 21, 2004.
[5] R. A. Heckemann, et al., "Automatic Anatomical Brain MRI Segmenation Combining Label Propagation and
Decision Fusion," NeuroImage, vol. 33, 2006.
Artaechevarria, et al., "Combination Strategies in Multi-Atlas Image Segmentation: Application to Brain MR [6] X.
Data," IEEE Transactions on Medical Imaging, vol. 28, pp. 1266-1277, 2009.
Aljabar, et al., "Multi-Atlas Based Segmentation of Brain Images: Atlas Selection and its Effect on Accuracy,"
[7] P.
NeuroImage, vol. 46, pp. 726-738, 2009.
[8] T. R. Langerak, et al., "Label Fusion in Atlas-Based Segmentation Using a Selective and Iterative Method for
Performance Level Estimation (SIMPLE)," IEEE Transactions on Medical Imaging, vol. 29, pp. 2000-2008, 2010.
[9] M. R. Sabuncu, et al., "A Generative Model for Image Segmentation Based on Label Fusion," IEEE Transactions
on Medical Imaging, vol. 29, pp. 1714-1729, 2010.
[10] J. M. L?tj?nen, et al., "Fast and Robust Multi-Atlas Segmentation of Brain Magnetic Resonance Images,"
NeuroImage, vol. 49, pp. 2352-2365, 2010.
Shi, et al., "Construction of Multi-Region-Multi-Reference Atlases for Neonatal Brain MRI Segmentation,"
[11] F.
NeuroImage, vol. 51, pp. 684-693, 2010.
[12] A. R. Khan, et al., "Optimal Weights for Local Multi-Atlas Fusion Using Supervised Learning and Dynamic
Information (SuperDyn): Validation on Hippocampus Segmentation," NeuroImage, vol. 56, pp. 126-139, 2011.
Isgum, et al., "Multi-Atlas-Based Segmentation with Local Decision Fusion - Application to Cardiac and Aortic [13] I.
Segmentation in CT Scans," IEEE Transactions on Medical Imaging, vol. 28, pp. 1000-1010, 2009.
Jia, et al., "Iterative Multi-Atlas-Based Multi-Image Segmentation with Tree-Based Registration," NeuroImage, [14] H.
vol. 59, pp. 422-430, 2012.
[15] S. K. Kyriacou, et al., "Nonlinear Elastic Registration of Brain Images with Tumor Pathology Using a
Biomechanical Model," IEEE Transactions on Medical Imaging, vol. 18, pp. 580-592, 1999.
[16] M. B. Cuadra, et al., "Atlas-Based Segmentation of Pathological MR Brain Images Using a Model of Lesion
Growth," IEEE Transactions on Medical Imaging, vol. 23, pp. 1301-1314, 2004.
[17] Y. Zhou and J. Bai, "Atlas-Based Fuzzy Connectedness Segmentation and Intensity Nonuiformity Correction
Applied to Brain MRI," IEEE Transactions on Biomedical Engineering, vol. 54, pp. 122-129, 2007.
[18] Y. Zhou and J. Bai, "Multiple Abdominal Organ Segmentation: An Atlas-Based Fuzzy Connectedness Approach,"
IEEE Transactions on Information Technology in Biomedicine, vol. 11, pp. 348-352, 2007.
Grothi, et al., "Segmentation of Head and Neck Lymph Node Regions for Radiotherapy Planning Using Active [19] S.
Contour-Based Atlas Registration," IEEE Journal of Selected Topics in Signal Processing, vol. 3, pp. 135-147, 2009.