脑图像分割与地标发现技术研究

### 脑图像分割与地标发现技术研究 在脑成像研究领域，图像分割和地标发现是两个至关重要的研究方向。前者有助于准确识别大脑的不同组织和结构，而后者则为理解大脑的功能和结构提供了关键的参考点。本文将深入探讨两种先进的技术：Spatial STAPLE 图像分割算法和基于扩散张量成像（DTI）数据的脑地标发现方法。 #### 1. Spatial STAPLE 图像分割算法 Spatial STAPLE 算法是一种用于图像分割的统计融合算法，它通过无缝集成多个混淆矩阵与已有的 STAPLE 理论，考虑了空间质量的变化。 ##### 1.1 实验设置 - **模拟实验**：将体积划分为 16 个大小相等的区域，16 个评估者对该体积进行观察，每个评估者在其中一个区域表现“完美”，而在其余 15 个区域表现出边界偏移误差。在边界偏移误差区域，每个边界点的偏移水平从高斯分布中选取。 - **多图谱、多标签实证实验**：使用 15 个图谱对 24 个目标图谱进行注册，并将相应的全脑分割结果进行变形以匹配每个目标。使用 STAPLE、Spatial STAPLE 和多数投票法对注册后的标签进行融合，并使用 Dice 相似系数（DSC）比较标签体积。 ##### 1.2 实验结果 - **模拟实验结果**：STAPLE 和 Spatial STAPLE 在所有评估者数量下都优于多数投票法。随着评估者数量的增加，Spatial STAPLE 明显优于 STAPLE。对于高值的 ߢ，Spatial STAPLE 的准确性收敛到 STAPLE 的结果；而对于非常低的值，由于小滑动窗口中的样本量有限，会导致分割效果不佳。 - **实证实验结果**：在提取皮质灰质的实验中，Spatial STAPLE 在大脑的某些区域（特别是脑岛）比 STAPLE 有改进。随着融合体积数量的增加，标签一致性有明显改善。在复杂的全脑标记实验中，Spatial STAPLE 比 STAPLE 有显著改进，对于多个标签（特别是灰质和中脑的一些小标签），Spatial STAPLE 比多数投票法有明显的视觉改进。 以下是实验结果的简单表格总结： | 实验类型 | 评估者数量 | 算法 | 性能表现 | | ---- | ---- | ---- | ---- | | 模拟实验 | 低数量 | STAPLE、Spatial STAPLE | 质量近似 | | 模拟实验 | 高数量 | STAPLE | 不如 Spatial STAPLE | | 模拟实验 | 高数量 | Spatial STAPLE | 明显优于 STAPLE | | 实证实验（6 标签） | 增加 | STAPLE | 不如 Spatial STAPLE | | 实证实验（6 标签） | 增加 | Spatial STAPLE | 标签一致性改善 | | 实证实验（41 标签） | 超过 5 个注册图谱 | STAPLE | 不如 Spatial STAPLE 和多数投票法 | | 实证实验（41 标签） | 超过 5 个注册图谱 | Spatial STAPLE、多数投票法 | 优于 STAPLE | ##### 1.3 算法优势 Spatial STAPLE 算法提供了一种概念简单且计算可行的方法来考虑空间变化的性能特征。它能够处理高度不规则的性能水平变化，并利用这些变化对图谱标签进行局部加权，从而提高对真实分割的估计和对评估者性能的理解。 #### 2. 基于 DTI 数据的脑地标发现方法 脑成像研究中缺乏一致可靠的功能性有意义的地标，严重阻碍了脑成像研究的进展。本文提出使用 DTI 数据中的白质纤维连接模式作为脑功能的预测因子，以