CC BY
26
УДК 004.932.1:616.831.38
DOI 10.25205/1818-7900-2017-15-4-22-31
Е. А. Зуенко \ А. А. Шулунова 2
1 Инсбрукский университет имени Леопольда и Франца Текникерштрассе, 21, Инсбрук, 6020, Австрия
2 Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнёва пр. Мира, 82, Красноярск, 660049, Россия
a.shulunova@mail.ru
АВТОМАТИЧЕСКОЕ ВЫДЕЛЕНИЕ БОКОВЫХ ЖЕЛУДОЧКОВ ГОЛОВНОГО МОЗГА НА МРТ ИЗОБРАЖЕНИИ
Целью этой работы являлось создание полностью автоматизированного алгоритма выделения (сегментации) боковых желудочков головного мозга на трехмерном МРТ Т1-взвешенном изображении. Первоначальное выделение области производится на основе растровых баз данных. Последующая адаптация к снимку конкретного пациента реализована как наращивание области интереса на бинаризованном изображении.
Ключевые слова: автоматическое выделение, визуализация мозга, сегментация на основе базы данных, МРТ, боковые желудочки.
Введение
Трехмерная модель боковых желудочков (полостей) головного мозга используется для диагностики заболеваний мозга. Модель может быть построена при помощи выделения соответствующей области на изображениях трехмерной магнитно-резонансной томографии. Относительный объем, а также форма желудочков характеризуют вероятность развития различных деменций. Кроме того, области отложений извести (кальцификации) обычно расположены внутри затылочной и теменной долей серого вещества вблизи стенок желудочков [1]. Таким образом, точная трехмерная модель желудочков, наложенная на снимки МРТ или рентген-томографии, определяет область поиска кальцификаций.
Несмотря на то что полости наполнены цереброспинальной жидкостью и, таким образом, контрастно выделяются на МРТ Т1-взвешенных изображениях, их автоматическое выделение и построение трехмерной модели являются нетривиальной задачей.
Прежде всего, боковые желудочки соединены с третьим и четвертым желудочками, а также с цереброспинальной жидкостью в черепе. Таким образом, чтобы отделить полости боковых желудочков от других полостей, следует учитывать именно их анатомические особенности - характерную форму и расположение внутри мозга.
Из-за низкого разрешения МРТ по вертикальной оси мозга, размер воксела на трехмерном изображении неоптимален (типичный размер воксела по фронтальной, сагиттальной и вертикальной осям соответственно равен 1 х 1 х 10 мм.) Значение интенсивности воксела является усредненным по его объему, это приводит к размытию границ полостей по вертикали. Также единая полость может быть видна на изображении как набор изолированных полостей.
Зуенко Е. А, Шулунова А. А. Автоматическое выделение боковых желудочков головного мозга на МРТ изображении // Вестн. НГУ. Серия: Информационные технологии. 2017. Т. 15, № 4. С. 22-31.
ISSN 1818-7900. Вестник НГУ. Серия: Информационные технологии. 2017. Том 15, № 4 © Е. А. Зуенко, А. А. Шулунова, 2017
Для пациентов разного возраста значения объема полостей, так же как их форма, могут существенно отличаться (рис. 1).
Стандартная клиническая практика подразумевает сегментацию боковых желудочков, производимую полностью вручную либо с помощью алгоритмов, требующих вмешательства оператора, таких как последовательная заливка областей на каждом изображении. Очевидно, что такой подход подразумевает рутинную работу квалифицированного специалиста, в особенности для изображений высокого разрешения.
Разрабатываемый метод ориентирован на работу с большими базами данных без какого-либо вмешательства оператора. Даже в случае получения некорректной модели, ручная корректировка модели требует намного меньше времени работы оператора, нежели создание модели с нуля.
Обзор методов выделения структур головного мозга
Предложено довольно большое число методов выделения как боковых желудочков, так и всех структур головного мозга. Сравнение полностью автоматических (не требующих какого-либо вмешательства оператора) современных методов выделения структур головного мозга проводилось в [2]. Из четырех рассмотренных методов два основаны на работе с растровыми базами данных: метод слияния и маркировки классификаторов (Classifier Fusion and Labelling, CFL) и выделение методом максимизации математического ожидания (Expectation-Maximization Segmentation EMS). Два других метода основаны на статистических моделях описания внешности и формы объекта: модель активных наружных профилей (Profile Active appearance Models PAM) и модель Байесовой внешности (BAM-Bayesian Appearance Models). На рис. 1 представлены результаты выделения боковых желудочков, полученные с помощью вышеперечисленных методов, табл. 1 содержит численные данные оценки их эффективности. Все 4 метода тестировались на 18 различных структурах мозга 270 пациентов.
Рис. 1. Изображения мозга с большим и малым объемом желудочков
Таблица 1
Сравнение эффективности выделения боковых желудочков
Метод Средний SDC (%) Средняя dH (мм) Средняя AVD (%)
CFL 91.25 9.76 6.5
PAM 80.94 13.97 7.28
BAM 79.53 16.16 38.95
EMS 82.87 10.46 39.4
Используемые метрики
Коэффициент Сёренсена - Дайса (Sorensen - Dice coefficient, SDC):
SDC = -100,
И+l B
где A - выделенная область, B - эталон.
Хаусдорфова метрика (Hausdorff distance, dH ):
dH = maX {sUPxeA infyeB d ( X У ) ,SUPyeB inf*eA d ( X У )} .
Абсолютная объемная разница (Absolute volumetric difference, AVD):
V - V I AVD = -^ -100,
V y в
где VA, VB - объемы выделенной области и эталона соответственно.
Метод CFL обеспечивает наилучшие результаты (см. табл. 1).
Методы, ориентированные на выделение только желудочков обычно основаны на наращивании области (заливке). Некоторые методы ограничены работой исключительно с двухмерными изображениями, другие же способны работать с трехмерными снимками.
Автоматическое выделение желудочков, описанное в [3], основано на последовательной заливке двухмерных изображений. Рост начинается с верхних изображений вниз по оси Z, выделение третьего или четвертого желудочка определяется резким увеличением объема выделенной области. После первого прохода строится область интереса, затем сегментация повторяется снизу вверх. Данный метод показал свою эффективность выделения боковых желудочков (SDC = 91) и третьего желудочка (SDC = 86).
Совершенно другой подход используется в [4]. Метод распознавания с использованием сети (Cognition network technology) классифицирует каждый связный объект на изображении по следующим параметрам: объем, длина, отношение длины к ширине, ориентация главной оси и т. п. В случае сегментации боковых желудочков также принимаются во внимание такие относительные параметры, как симметрия выделенных объектов и их расположение относительно центра головного мозга. Данный принцип использовался в Cellinger 4.0 с результатом SDC = 0.90 для боковых желудочков.
Основной проблемой вышеперечисленных методов является работа с желудочками малого объема, поскольку на последовательности снимков они могут выглядеть как набор областей, не связанных между собой. Дальнейшее развитие метода наращивания области [5] частично решает эту проблему. Область интереса, внутри которой производится поиск, определяется с помощью нахождения ближайшего сходного изображения из базы данных (атласа). Таким образом, любой изолированный участок с низкой интенсивностью (т.е. за-
полненный цереброспинальной жидкостью) может быть включен в сегментацию, если он находится внутри области интереса.
Томография боковых желудочков головного мозга
Предложенный метод создан для полностью автоматической сегментации только боковых желудочков на МРТ Т1. Прежде чем начать описывать работу предлагаемого алгоритма, следует перечислить анатомические особенности желудочков, а также особенности изображений, на работу с которыми ориентирован алгоритм.
Особенности изображения:
• МРТ Т1 - трехмерная томография головного мозга, снятая при индукции 1,5-3 Тл имеет разрешение « 256 х 256 х 200 вокселов;
• ориентация изображения может быть нарушена (большое отклонение от вертикальной оси, плохая центровка);
• система желудочков заполнена цереброспинальной жидкостью и выглядит на таком изображении как регионы с низкой интенсивностью;
• боковые желудочки могут быть видимы на изображении как набор изолированных друг от друга полостей (особенно в так называемой области рога желудочка - относительно тонкой полости в теменной области).
Анатомические особенности боковых желудочков:
• боковые желудочки обычно имеют наибольший объем (по сравнению с третьим и четвертым желудочками) среди прочих внутренних полостей мозга и расположены в центре каждого из полушарий;
• боковые желудочки могут серьезно отличаться по объему у разных пациентов, а также быть несимметричными (см. рис. 1);
• боковые желудочки соединены тонким межжелудочным отверстием (каналом) с другими объемами, заполненными цереброспинальной жидкостью (третьим и четвертым желудочками);
• сечение межжелудочного отверстия намного меньше сечения боковых желудочков, однако может быть сравнимо с сечением третьего желудочка.
Принцип работы алгоритма
Учитывая вышеперечисленные особенности анатомии желудочков головного мозга, метод наращивания области выбран как наиболее подходящий. Получение модели желудочков можно разбить на несколько последовательных этапов:
1) необходимо расположить точку начала роста области (зерно заливки) внутри каждого из боковых желудочков;
2) небольшие изолированные участки, видимые на изображении, не могут быть сегментированы при помощи заливки, необходимо включить их в модель иным способом;
3) поскольку боковые желудочки связаны с третьим, четвертым и внешней цереброспинальной жидкостью, необходимо прервать заполнение области третьего желудочка.
Этапы 1 и 2 предполагают использование специального атласа - базы данных изображений.
Атлас и пространство MNI
Атлас служит для того, чтобы расположить точки начала роста, а также указать регионы, в которых следует производить поиск изолированных участков для последующего включения в модель. Атлас состоит из 16 различных примеров, охватывающих разнообразие форм и размеров желудочков головного мозга в стандартизованном пространстве MNI (Montreal Neurological Institute) [6]. Стандартизованное пространство создано для сравнения различных изображений мозга относительно их основных размеров. Таким образом, некоторая область, выделенная на одной модели, может быть спроектирована на другую. Проекция конкретного изображения мозга в пространство MNI является последовательностью аффинных геометри-
ческих преобразований и позволяет правильно ориентировать и нормализовать основные измерения модели.
Предположим, что для двух пациентов имеются две модели мозга М1 и М2 и их проекции Я1 и Я2 в пространство ММ1.
М1 ММ = ^М М2 ММ = ^2М2.
Предположим также, что модель М1 содержит некоторую выделенную область т1 е М1 и требуется найти соответствующую область т2 е М2 на второй модели. В таком случае она может быть аппроксимирована как
т2 = мМ -Щ'^щ.
Каждый из 16 примеров в атласе включает.
1) так называемую маску головного мозга;
2) выделенные боковые желудочки;
3) дополнительную область интереса, охватывающую область рога желудочка.
Маска головного мозга является бинаризованным изображением коры головного мозга и получается путем применения порогового фильтра на изображениях серого и белого вещества. Она служит для того, чтобы определить, какой из примеров базы данных следует выбрать при работе с новым изображением, для такого изображения составляется уже своя маска, затем она последовательно сравнивается со всеми 16 примерами.
Для того чтобы уменьшить влияние размера, ориентации и пропорций масок, сравнение производится в пространстве ММ1, кроме того, сравнивается лишь область мозга, ограниченная регионом вокруг боковых желудочков.
Для каждого примера базы данных имеется модель боковых желудочков, таким образом, можно уменьшить область сравнения до куба минимального объема, полностью охватывающего желудочки, т. е. пример с наиболее сходной маской выбирается именно на основании сравнения форм и размеров комплекса внутренних полостей.
Рис. 2. Создание маски. А - серое вещество; В - белое вещество; С - маска
Заполнение
Выделение требуемой области происходит посредством заполнения бинаризованного изображения. Отдельный боковой желудочек выглядит как вытянутая полость, соединенная
с другими тонким перешейком (межжелудочковым отверстием). Задняя часть этой полости (область рога) может быть очень тонкой или же выглядеть как набор изолированных областей. На некоторых изображениях таких перешейков может быть несколько (рис. 3). Необходимо заполнить именно полость (включая тонкую часть и изолированные участки) без включения перешейков.
d
Рис. 3. Боковой желудочек, вид сбоку: a - снимок Т1; Ь - маска; c - упрощенное схематическое изображение; d - требуемая сегментация на схематическом изображении
Заполнение разделено на несколько этапов.
1 этап: Составляется карта расстояния внутри полости (рис. 4). Для ускорения расчетов используется квазиэвклидово [7] расстояние.
Рис. 4. Карта расстояния на схематическом изображении
2 этап. Поиск изолированной области внутри бокового желудочка. На этом этапе работы алгоритма применяется сегментация желудочков из выбранного примера атласа. Сегментация проецируется на текущее изображение и используется как область интереса для нахождения изолированной области.
Последовательно выбирая уровни на карте расстояния (сначала расстояние > 1 мм, т. е. вся карта расстояния, затем расстояние > 2 мм - меньшая область и т. д.) ищется участок, целиком умещающийся внутри области интереса (рис. 5), а также участок, целиком не входящий в область интереса.
Рис. 5. Изолированная область внутри бокового желудочка (красный цвет) и вне его (синий цвет)
3 этап. Полученные области наращиваются (последовательное применение операции ди-лации) до тех пор, пока области не пересекутся (рис. 6). Таким образом, разделение областей происходит внутри межжелудочковых отверстий, причем тонкие участки желудочка включены в сегментацию.
Рис. 6. Рост областей до пересечения
4 этап. Некоторые изолированные участки, требующие включения в сегментацию, не могут быть выделены наращиванием области. Для этого служит дополнительный компонент атласа - область интереса рога желудочка. Все изолированные участки внутри этой области добавляются в сегментацию.
Результаты
Алгоритм был протестирован на снимках из следующих баз данных:
Hippocampe: 24 пациента со слабыми когнитивными нарушениями. МРТ томография произведена в пяти различных центрах в рамках исследования MHS (multicenter Hippocampus study), проведенного в Университетской больнице Chauliac Montpellier, г. Монпелье, Франция.
Cadasil (Cerebral Autosomal Dominant Arteriopathy with Subcortical Infarct and Leukoaraiosis: Церебральная аутосомная доминантная артериопатия с подкорковым инфарктом и лейкоарайозом): 43 пациента с моногенной болезнью малого сосуда головного мозга, случайно выбраны из более чем 200 пациентов Госпиталя Ларибуазьер, г. Париж, Франция.
Таблица 2
Параметры тестируемых снимков МРТ томографии мозга.
База данных Центр (количество пациентов) Томограф Импульсная последовательность MPT TR, MC TE, MC T1 Горизонтальный (XY) размер воксела, мм Вертикальный (Z) размер воксела, мм
Hippocampe Центр 1 (и = 6) Philips 1.5Т 3DT1 7.9 3.7 - 1 х 1 1.3
FLAIR 10000 140 2200 0.94 х 0.94 5.5
Центр 2 01 = 1) Philips 1.5Т 3DT1 7.9 3.7 - 1 х 1 1.3
FLAIR 10000 140 2200 0.94 х 0.94 5.5
Центр 3 (и = 7) Philips 1.5Т 3DT1 7.8 3.7 - 1 х 1 1.3
FLAIR 11000 140 2200 0.9 х 0.9 6.2
Центр 4 (и = 3) Siemens 1.5T 3DT1 2160 4.3 - 1 х 1 1.3
FLAIR 8280 111 2500 0.9 х 0.9 4
Центр 5 (и = 7) GE 1.5T 3DT1 11.2 3.5 - 0.94 х 0.94 1.3
FLAIR 10002 145 2200 0.94 х 0.94 5.5
Cadasil Париж (и = 43) GE 1.5T 3DT1 9 2 - 1.02 х 1.02 0.8
FLAIR 8402 161 2002 0.94 х 0.94 5.5
МАРТ Бордо (И = 6) Philips 3T 3DT1 8.2 3.5 - 1 х 1 1.0
FLAIR 11000 140 - 0.94 х 0.94 5.0
Дижон (И = 6) Siemens 1.5T 3DT1 2300 3.43 900 1 х 1 1.0
FLAIR 8000 110 2149 0.94 х 0.94 5.0
Фуа (и = 6) GE 1.5T 3DT1 9.5 3.7 400 0.94 х 0.94 1.3
FLAIR 9602 151 2300 0.47 х 0.47 5.0
Лимож (И = 6) Philips 3T 3DT1 8.2 3.7 - 1 х 1 1.0
FLAIR 10300 125 2800 0.94 х 0.94 5.0
Лион (И = 6) Philips 1.5T 3DT1 8.1 3.8 - 1 х 1 1.3
FLAIR 11000 135 - 0.83 х 0.83 5.0
Монпелье (и = 8) Siemens 1.5T 3DT1 2100 4.05 1100 0.98 х 0.98 1.3
FLAIR 8000 109 2500 0.94 х 0.94 5.0
Ницца (и = 6) GE 1.5T 3DT1 9.17 2.94 400 0.94 х 0.94 1.3
FLAIR 10002 150 2200 0.47 х 0.47 5.0
Тарб (и = 6) GE 1.5T 3DT1 10.77 3.46 400 0.94 х 0.94 1.3
FLAIR 8502 145 2125 0.94 х 0.94 5.0
Тулуза (и = 12) Philips 3T 3DT1 8.08 3.69 - 1 х 1 1.0
FLAIR 11000 125 2800 0.94 х 0.94 5.0
MAPT-IRM (Multidomain Alzheimer Preventive Trial - Мультидоменная профилактика болезни Альцгеймера): МРТ 62 пациентов преклонного возраста, проведенная в рамках профилактики болезни Альцгеймера в различных городах [8]. Параметры снимков приведены в табл. 2.
Результаты оценивались тремя метриками: ранее описанный SDC, среднее ложное негативное (Mean False Negative, MFN) и среднее ложное позитивное (Mean False Positive, MFP):
2|A - B\ 2|B - A\
MFN = ' , • 100, MFP = ' , -100,
lAl + l B lAl + l Bl
где A - выделенная область, B - эталон.
Результаты работы алгоритма - выделение боковых желудочков (рис. 7) приведены в табл. 3.
Рис. 7. Результат работы алгоритма: А - случай массивных желудочков; В - случай тонких желудочков с изолированными областями
Таблица 3
Результаты работы алгоритма
Изображения SDC MFN MFP
Все изображения (кроме атласа) 94.10 3.58 8.22
Все изображения (включая атлас) 94.98 3.00 7.04
Так как 8БС рассчитывается с нормировкой по объему, для малых желудочков он оказался ниже, чем для крупных (рис. 8).
-
J_
/_
5000 15000 25000 35000 45000 55000 65000 75000 Объем желудочков в вокселах
Рис. 8. Результат работы алгоритма для желудочков разного объема
Заключение
Предложен алгоритм, способный полностью автономно производить выделение боковых желудочков из трехмерной МРТ томографии головного мозга. В ходе тестирования на 129
различных снимках алгоритм показал высокие результаты для крупных желудочков (SDC ~ 94, MFN ~ 3-3.5, MFP ~ 7-8). В случае малого объема боковых желудочков эффективность алгоритма снижается (наихудший результат SDC = 72.68). В дальнейшем планируется использовать полученные модели для выделения области кальцификации коры головного мозга.
Список литературы
1. Samaille T. et al. Contrast-based fully automatic segmentation of white matter hyperintensities: method and validation // PloS one. 2012. Vol. 7, № 11. Р. e48953.
2. Babalola K. O. et al. Comparison and evaluation of segmentation techniques for subcortical structures in brain MRI // International Conference on Medical Image Computing and ComputerAssisted Intervention. Springer, Berlin, Heidelberg, 2008. Р. 409-416.
3. Schnack H. G. et al. Automatic segmentation of the ventricular system from MR images of the human brain // Neuroimage. 2001. Vol. 14, № 1. Р. 95-104.
4. Schonmeyer R. et al. Automated segmentation of lateral ventricles from human and primate magnetic resonance images using cognition network technology // Magnetic resonance imaging. 2006. Vol. 24, № 10. P. 1377-1387.
5. Xia Y. et al. A knowledge-driven algorithm for a rapid and automatic extraction of the human cerebral ventricular system from MR neuroimages // NeuroImage. 2004. Vol. 21, №. 1. P. 269-282.
6. The MNI brain and the Talairach atlas / Washington University School of Medicine. URL: http://www.nil.wustl.edu/labs/kevin/man/answers/mnispace.html
7. Distance transform on binary image // bwdist Matlab function documentation. URL: https://de.mathworks.com/help/images/ref/bwdist.html?requestedDomain=www.mathworks.com
8. Vellas B. et al. MAPT study: a multidomain approach for preventing Alzheimer's disease: design and baseline data // The journal of prevention of Alzheimer's disease. 2014. Vol. 1, № 1. P. 13.
Материал поступил в редколлегию 02.08.2017 E. Zuenko A. Shulunova 2
1 University of Innsbruck 21 Technikerstrasse, Innsbruck, 6020, Austria
2 Siberian State Aerospace University 82 Mir Ave., Krasnoyarsk,660049, Russian Federation
a.shulunova@mail.ru
AUTOMATED SEGMENTATION OF THE LATERAL VENTRICLES
FROM MRI IMAGE
The aim of this work was to create a fully-automated segmentation algorithm for the lateral brain ventricles from 3-D MRI T1-weighted scans. The algorithm is based on atlas-based definition of a region of interest, followed by iterative filling, provided on a the distance map.
Keywords: automated segmentation, brain imaging, neuroimaging, atlas-based segmentation, MRI, lateral ventricles.
For citation :
Zuenko E. A., Shulunova A. A. Automated Segmentation of the Lateral Ventricles from MRI Image. VestnikNSU. Series: Information Technologies, 2017, vol. 15, no. 4, p. 22-31. (In Russ.)
