基于监督分类器的多发性硬化症mri图像病灶自动分割

S.Sivagowri¹约翰·克里斯特博士²

印度霍苏尔Adhiyamaan工程学院生物医学工程系助理教授¹
印度霍苏尔Adhiyamaan工程学院生物医学工程系教授²

摘要

磁共振成像(MRI)可用于检测多发性硬化症(MS)患者的大脑病变，对于诊断疾病和监测其进展是必不可少的。在实践中，病变负荷通常是通过人工或半自动的MRI分割来量化的，这既耗时又昂贵。我们提出了一种从脑MRI数据中自动分割多发性硬化症病变的模型。这些技术使用经过训练的支持向量机(SVM)的监督分类器，主要基于纹理特征和其他特征来区分MS病变区域的块和非MS病变区域的块。这组框架的主要贡献是使用纹理特征以全自动方法检测MS病变，而不依赖于手动描绘MS病变。结果表明，基于leave-one-candidate-out测试，该方法检测MS病变的灵敏度为81.5%，每片2.9个假阳性，并且该方法确定的MS区域与神经放射学家之间的相似指数。这些结果表明，所提出的方法将有助于神经放射学家在临床实践中评估多发性硬化症。

关键字

多发性硬化症，自动病灶分割，磁共振成像，支持向量机。

介绍

多发性硬化症(Multiple Sclerosis, MS)是一种由中枢神经系统轴突及其髓鞘结构损伤引起的慢性神经系统疾病。根据受影响的大脑区域，多发性硬化症可能导致各种中枢神经系统功能障碍，如肢体麻木或无力、协调、眩晕或视觉功能障碍。这些临床发作是由于中枢神经系统的局灶性炎症直接针对髓鞘，神经纤维(轴突)周围的绝缘层。炎症导致“MS病变”，以脱髓鞘、轴突损伤和轴突传导阻滞为特征。多发性硬化症病变的进展表现出相当大的可变性，多发性硬化症病变表现出患者之间甚至同一患者在形状、位置和面积上的时间变化。因此，放射科医师准确地检测MS病变，并跟踪MS病变的数量、位置和面积，对每个患者进行诊断是非常重要的。

磁共振成像(MRI)在量化脑损伤及其他组织以评估疾病、了解潜在病理生理、研究多发性硬化症的治疗效果方面起着至关重要的作用。MRI由于分辨率高、软组织与其他结构的区分能力强，在神经系统疾病的研究中具有其他成像技术所无法比拟的优势。MRI被认为是诊断多发性硬化症的最佳临床旁检查方法，95%的患者能发现异常。图像分割或组织分类是磁共振图像分析的关键步骤之一。专家对MR图像的解读是一项困难且耗时的任务，其结果直接取决于专家的经验。造成这种困难的一个原因是解剖学边界的复杂性和视觉模糊。因此，希望有一种自动分割方法来提供可接受的性能。

已经开发了几种半自动和自动化技术，用于使用单个或多个MRI序列在二维(2D)或三维(3D)模式下获得的图像对病变进行分类。多重序列包括质子密度加权(PD)、T1加权(T1)、T2加权(T2)和流体衰减反演恢复(FLAIR)。Alfano等人提出了一种基于松弛特征和几何特征的自动方法，用于1.5 T 3d MR图像中MS病变的分类。Boudraa et al.[4]将FCM算法应用于1.5 T二维(2-D) MR图像，用于对正常和异常脑结构进行分类。Leemput等人([5])提出了一种基于强度的组织分类和随机模型的自动化方法，用于1.5 T 3d图像中MS病变的检测。Zijdenbos等人开发了一个自动化框架，用于MRI数据中MS病变的流水线分析。Khayati等人[7,8]在1.5 T 3d MR图像中使用自适应混合方法和马尔科夫随机场模型开发了一种自动分割脑MR FLAIR图像中MS病变的方法。然而，据我们所知，大多数研究都集中在MS病变的分割准确性上。但尚未见敏感性和假阳性的报道，这是在临床情况下实施该方法所必需的。因此，一种灵敏、特异的自动检测大脑病变的方法对于分析大量多发性硬化症患者的研究至关重要。

方法

在本文中，我们提出了一种基于监督体素智能分类的SVM分类器的脑MR图像中MS病变自动分割方法。SVM分类器是一种最先进的机器学习分类器。在我们提出的系统中有四个主要步骤如图1所示。首先，预处理步骤包括不同MR模态的配准，强度归一化以及均匀性校正。第二步，基于纹理特征对MS病变初始区域进行检测。第三，利用SVM模型进行基于特征的体素分割。最后，通过后处理技术进一步消除假阳性体素。

A.图像采集

本研究选取3例(年龄25 66岁，女性3例)临床诊断为MS的2例患者共168个病变的49张切片的二维T1加权序列、二维t2加权快速自旋回波序列、二维FLAIR序列等多模态图像。所有图像的截面厚度为5mm，相交间隙为1mm，视场面积为22 cm，每个像素值的量化水平为16位。图2 (a) - (c)分别为t1加权图像、t2加权图像和FLAIR图像，白色实线表示MS病变。MS病变在t2和FLAIR图像上像素值较高，而在t1加权图像上像素值较低。

b预处理

在分割过程之前应用以下预处理步骤:

注册:将同一患者的MR序列注册到同一空间(患者空间或立体定向空间)。注册也可能用于将图谱与大脑对齐，以提供对脑组织的一些初步估计。对于MS病变分割挑战数据集，所有数据集都严格注册到一个共同的参考帧，并使用基于b样条的插值，以512x512x512的分辨率重新切片为各向同性体素间隔。将所有数据集重新切片，使其处于MS病变分割挑战数据集的相同分辨率条件下，由MS病变分割挑战训练数据训练的模型进行测试。然后使用自动图像配准(AIR)软件将它们注册到MNI地图集。

脑提取:从图像中提取脑，只对剩余的脑体素进行分割。首先，对t1加权图像的像素值直方图进行线性判别分析，利用自动阈值分割技术对头部区域进行分割，该图像通常有两个主峰分别对应头部区域和背景。接下来，通过像素值阈值提取脑区，利用t1加权图像中头部区域内像素值直方图的三倍标准差(SD)确定脑区，去除脑周围高像素值的脂肪区。

强度不均匀性(IIH)校正:由于扫描仪内静态或外加磁场的不均匀性，同一组织的强度可能在整个图像上发生变化。IIH校正方法减少了组织强度的平滑变化，简化了后续的分割。对比度-亮度校正使训练数据集和分割数据集的直方图相交最大化，然后使用3D各向异性滤波器消除空直方图箱。

降噪:采集过程中会产生一些图像中的噪声。MS病变通过从FLAIR图像中减去由大脑区域的一阶多项式近似的背景图像来增强。然后，对减影图像应用非锐化掩蔽滤波器增强MS病变的边界。

强度归一化:一些分割方法要求图像的强度与训练图像的强度相似，因此依赖于强度归一化步骤。强度归一化方法修改目标图像的强度范围，并将其映射到预定义的强度范围。

C.特征提取

为了描述MRI切片的每个方形块，计算了包含39个特征的特征向量。将块特征分为5类:24个纹理特征、2个位置特征、2个共配准强度特征、3个组织先验特征和8个相邻块特征。计算FLAIR序列的纹理特征。纹理特征包括基于直方图的特征(均值和方差)、基于梯度的特征(梯度均值和梯度方差)、基于运行长度的特征(灰度非均匀性、运行长度非均匀性)和基于共发生矩阵的特征(对比度、熵和绝对值)。基于运行长度的特征在水平、垂直、45度和135度方向上计算4次。基于共现矩阵的特征使用像素距离d=1计算，并且具有与基于运行长度的特征相同的角度。位置特征是切片相对于底部切片的位置，以及块的左上角像素与切片中心之间的径向欧几里德距离，通过将其除以切片的最长直径进行归一化。切片的中心和最长直径是在预处理步骤中几何计算的参数。其他通道特征包括t1和T2通道中相应块的强度均值。地图集空间先验概率特征包括从概率地图集(白质、灰质和脑脊液概率)中提取的块的先验均值。 The neighbouring blocks features are the difference between the mean intensity of the current block and the mean intensity of each of the eight neighbouring blocks in the same slice.

D. SVM模型训练与分割

1)支持向量机(SVM):

支持向量机(SVM)是一种监督学习算法，其核心是一种从一组训练数据中创建预测函数的方法，其中函数本身可以是二进制，多类别甚至是一般回归预测器。为了完成这个数学上的努力，支持向量机找到一个超平面，它试图在超平面的所有边上用最大可能的余量分割正例和负例。它使用核函数将数据从输入空间转换到高维特征空间，并在高维特征空间中搜索分离的超平面。选择径向基函数(RBF)核作为支持向量机核。这个核将样本非线性地映射到一个高维空间，这样它就可以处理类标签和属性之间的关系是非线性的情况。LIBSVM 2.9[9]库包含了完成SVM的实现、训练和预测任务所需的所有方法。它被纳入我们的方法来处理所有支持向量机操作。

2)培训:

使用一个或多个主题的数据集生成支持向量机训练集。该训练数据集的切片被分成n个大小为w × w像素的正方形块。SVM训练集T由训练条目ti (xi, yi)组成，其中xi为块bi的特征向量，yi为该块的类标号，当i =1: n(训练集中包含的块数)时。我们的分类问题是二元的，所以yi要么是0要么是1。如果yi为1，则训练条目为正条目，而在其他情况下为负条目。对于训练数据集的每个切片，每组连接的像素被手动标记为MS像素形成一个病变区域。正训练项(TP)所涉及的块是通过对所有病变区域进行局部化生成的，对于每个病灶区域，将包围病变区域的最小矩形划分为大小为w × w像素的互不重叠的正方形块。如果这些块中的任何w2像素被手动标记为MS像素，则这些块中的每个块bi都被标记为yi = 1。任何包含至少1ms像素的块在我们的方法中被定义为MS块。同样，负训练项(TN)中涉及的块是通过定位未手动标记为MS像素的非背景像素并将其划分为大小为w × w像素的不重叠方形块来生成的。 Each block bi of these blocks is labelled by yi = 0. Feature vector xi is calculated for each block of both positive and negative training entries. The w2 MS pixels. This helps the SVM engine to learn the features of the blocks that either partially or completely contain MS pixels.

在我们的例子中，我们使用了一个由37个切片组成的主题数据集(仅占主题的10%)作为训练数据集。由于训练集条目与块的数量一样多，训练集将足够大(134173个训练条目对应34个特征，比例为3946:1)以避免维数诅咒，这是在训练数据数量与用于分类器的特征数量之比相对较小时可能导致模式分类系统性能下降的问题。将训练集条目输入到SVM引擎中生成一个MS分类器，该分类器能够根据其特征向量(x)将脑FLAIR MRI切片的任意正方形w × w块分类为MS块(y = 1)或非MS块(y = 0)。

3)市场细分:

要分割的数据集的每个切片被划分为大小为w × w像素的重叠方形块。计算每个块的特征向量。训练后的支持向量机用于预测所有重叠块的类标签。块划分以重叠的方式完成，以检测任何可能的MS块。对于任何被分类为MS块的块，假设真正分类，这并不意味着块的所有像素都应该被分类为MS像素，因为训练SVM引擎是为了检测完全或部分包含MS像素的块。对于每个切片，所有像素被分配一个整数分数。该分数初始化为零值。在分割过程中，如果任何块被分类为MS块(y = 1)，则块内所有像素的分数递增。由于块是重叠的，如图3所示，每个像素都是w2块的一部分，因此得分为0到w2之间的任意值。图4为受试者MS6的样本切片分割

4)后处理:

后处理步骤的目的是通过处理不同类型的错误(假阳性和假阴性)来改进和完善初始分割的性能。

图5显示了受试者MS5样本切片的初始分割(图5(a))和分割的彩色评价，其中假阴性和假阳性分别用绿色和红色标记(图5(b))。

MS病变初始分割错误可分为以下几种:

类型1:由于未检测到MS病变区域而导致的假阴性(图5(b)中用1标记)。

类型2:由MS病变区域不完整导致的假阴性(图5(b)中用2标记)。

类型3:由假MS病变区域引起的假阳性(在图5(b)中用3标记)。

类型4:由MS真病变区域的假部分引起的假阳性(在图5(b)中用4标记)。

5)建议方法的评价:

采用自由响应接收机工作特性(FROC)曲线和重叠测量对该方法的性能进行了评价。通过改变支持向量机输出的阈值来确定FROC曲线。重叠测度由下式计算，表示我们的方法得到的候选区域C与手工方法得到的大真值区域T的重合程度:

其中T是由两位经验丰富的神经放射学家手动确定的大真域，C是使用我们的方法自动确定的真正域，n(T∩C)是T和C之间的逻辑或像素的数量，n(T∩C)是T和C之间的逻辑与像素的数量。所有候选区域根据以下标准分为真阳性和假阳性:如果“真”区域包含候选区域的至少一个像素，则候选区域被分类为真正。否则，候选区域被认为是假阳性。

结果

在MS候选者的初始识别阶段;我们提出的方法检测出93.5%的MS病变，每片101个假阳性。应用基于规则的方法后，在保持MS病变检测敏感性的同时，每片检出47.5%的假阳性。应用支持向量机后，每片可排除84.3%的假阳性，灵敏度降低7.2%。图6显示了SVM对带有MS候选区域的FLAIR图像中所有候选区域的分类效果。SVM消除了一些与MS病变相似的假阳性区域。

为了与其他结果进行比较，将本研究结果的平均重叠度量(OM)转换为相似度指数=2OM/ (1+OM)。由于Alfano et al.[1]在其论文中未明确说明相似度指数，故本表不包括他们。因此，本文方法确定的MS区域与神经放射科医师的相似指数为0.77，是表1中以往研究中最高的。

较高的灵敏度和较低的假阳性数对于MS病变的初步诊断和随访至关重要。更准确的MS病灶分割也是诊断MS病灶面积变化的必要条件。MS病变被识别和分割得很好，重叠度为81.8%。该切片没有假阴性区，只有一个假阳性区。

讨论

提出了一种基于FLAIR序列的脑磁共振图像MS病灶分割方法。分割过程分为三个步骤。第一步是预处理，这是为了提高主题数据集的所有FLAIR切片的亮度和对比度。第二步是主要处理，使用训练好的支持向量机使用主要由纹理特征组成的特征向量从单个切片中检测初始MS病变。第三步是后处理，旨在改进和细化通过基于svm的分割生成的初始分割的性能。在这方面，后处理步骤解决了第二步MS病变分割结果中所有可能的错误类型，以减少包括假阳性和假阴性在内的整体错误。主处理分类器在三个类别中使用34个特征。选择这些类别的特征与专家在手工标记MS区域的任务中无意中使用的特征相似。根据我们的观察，当专家在FLAIR片上标记MS病变时，高强度区域是病变的潜在区域。这在我们的技术中通过使用一组24个纹理特征来模拟。 Candidate areas are filtered based on previous experience with the brain positions where most likely lesions occur; hence a group of two position based features is used. Besides, the expert takes into account the difference between the intensity of the lesion area and the neighboring areas intensities to take final decision and we emulate this by using the eight neighboring features. Although both textural features and neighboring features are based on intensity, no redundancy exists between them as the first group is used to aid the classifier in the detection of special pattern areas while the later is used to take into account the relation of the intensity of the area and the neighboring areas. The main processing classifier uses an SVM engine. SVM Parameters selection and training set balancing directly affect the classification performance.

结论

我们开发了一种使用监督分类器SVM自动检测脑MR图像中MS病变的方法。该方法的主要贡献是使用纹理特征而无需手动选择ROI，以及处理MS病变分割中不同类型错误的综合后处理步骤，可以推广到提高任何其他MS分割技术的性能。我们的初步结果表明，我们提出的方法可能对MS病变的检测有用。因此，尽管对MS病变的检测需要进行一些修改，但我们相信我们的方法将作为进一步发展的基本思路之一。

表格一览

表1

数字一览


图1	图2	图3	图4

图5	图6	图7

参考文献

也是格罗斯曼。J.C.麦高恩。，“Perspectives on multiple sclerosis”, American Journal of Neuroradiology, Vol.19, pp.1251-1265, 1998.

Simon, J.H, Li, D, Traboulsee, A, Coyle, p.k.， Arnold, D.L, Barkhof, F, Frank, J.A, Grossman, R.， Paty, d.w.， Radue, e.w.， Wolinsky, J.S，“多发性硬化症的标准化磁共振成像协议:多发性硬化症中心联盟共识指南”，美国神经放射学杂志Vol.27 (2)， pp. 455-461, 2006。

Alfano, B.， Brunetti, A.， Larobina, M.，隔离，M.， Tedeschi, E.， Ciarmiello, A.等。“多发性硬化症患者脑白质损伤体积的自动分割和测量”，磁共振成像杂志，第12卷，页799 - 807,2000。

Boudraa, AO。，Dehak, SMR., Zhu, YM., Pachai, C., Bao, YG., Grimaud, J., “Automated segmentation of Multiple Sclerosis lesions in multispectral MR imaging using fuzzy clustering”, Computers in Biology Medicine, Vol 30,pp.23–40, 2000.

李志强，李志强，李志强，李志强，“基于模型异常值检测的多发性硬化症病灶自动分割”，医学影像学报，Vol . 20, pp.677 - 888, 2001

张晓明，张晓明，张晓明，“三维磁共振成像数据在临床试验中的应用”，中国医学工程学报，Vol . 21, pp.1280 - 1291, 2002。

Khayati, R, Vafadust, M, Towhidkhah, F, Nabavi, SM。，“Fully automatic segmentation of multiple sclerosis lesions in brain MR FLAIR images using adaptive mixtures method and Markov random field model”, Computers in Biology Medicine, Vol 38,pp.379–90,2008.

Khayati, R, Vafadust, M, Towhidkhah, F, Nabavi, SM。，“A novel method for automatic determination of different stages of multiple sclerosis lesions in brain MRFLAIR images”, Computerized Medical Imaging and Graphics, Vol 32, pp.124–33, 2008

林祖嘉张。，林志杰。，“LIBSVM: A Library for Support Vector Machines, “ACM Transactions on Intelligent Systems and Technology”, Vol. 2, No. 3, pp. 1-27, 2011.