膝关节磁共振scout扫描自动对齐：冗余、自适应和分层解剖检测方法

### 膝关节磁共振 scout 扫描自动对齐：冗余、自适应和分层解剖检测方法 在医疗领域，磁共振成像（MRI）在膝关节疾病诊断中发挥着重要作用。然而，传统的手动对齐高分辨率诊断扫描成像平面的工作流程存在效率低、重复性差等问题。本文将介绍一种通过冗余、自适应和分层解剖检测实现膝关节磁共振 scout 扫描自动对齐的方法，该方法能有效提高工作流程的准确性、鲁棒性和速度。 #### 背景与挑战 MRI 已成功用于诊断各种膝关节疾病，如韧带撕裂、髌骨脱位、半月板病变和关节病等。但由于磁共振成像的物理特性和速度限制，诊断性 MR 图像在切片内具有高分辨率，而在切片间分辨率较低。因此，MR 图像的诊断能力和质量高度依赖于 MR 切片组（成像平面）定位的准确性，以确保感兴趣的解剖结构位于高分辨率成像平面内。 近年来，3D 膝关节 scout 扫描这一新型 MR 序列被引入，以提高 MR 膝关节工作流程的质量。它具有低但各向同性的图像分辨率，虽不具备诊断质量，但能为高分辨率诊断切片组的准确定位提供 3D 上下文信息。目前，技术人员会根据相关解剖结构，使用 MR scout 扫描来定位和调整高分辨率切片组，然后进行高分辨率 MR 膝关节扫描。然而，手动对齐耗时且后续研究中往往难以重复，因此需要一种自动对齐方法来提高 MR 膝关节工作流程的速度、准确性和可重复性。 不过，膝关节 MR scout 扫描的自动对齐面临诸多挑战： 1. **复杂变换**：与其他对齐问题相比，膝关节变换更为复杂，包括 3D 旋转、缩放和关节运动，这不仅增加了参数空间的维度，还导致同一解剖结构出现额外的外观变化。 2. **强度和对比度的大变化**：不同临床站点使用不同的膝关节线圈和磁场，导致 MR scout 扫描中同一解剖结构的强度和不同解剖结构之间的对比度差异很大。 3. **膝关节 scout 扫描中的异常/变化**：除了患者年龄和体型带来的变化外，膝关节疾病、植入物和成像伪影会显著改变解剖结构的外观。此外，由于患者限制或技术人员失误，有时用于对齐的关键解剖结构可能不在视野范围内。 4. **运行时效率要求**：自动对齐算法必须具有较高的运行时效率，以加快 MR 膝关节工作流程。 #### 方法特点 为同时应对上述挑战，本文提出一种迭代对齐方法，该方法利用从大量训练数据集中学习到的解剖基元的局部外观特征和空间配置。该方法属于基于特征的对齐/配准类别，具有以下三个独特属性： 1. **冗余性**：由于独特解剖基元的局部外观线索并非总能可靠检测到，特别是在外观发生显著变化或完全超出视野时，因此使用“足够多”的解剖基元来推导对齐。理论上，三个不共线的点可以唯一确定刚性对齐，但该方法使用更多的解剖结构，大大提高了对 MR scout 扫描中各种异常情况的鲁棒性。 2. **适应性**：“冗余”的解剖基元检测器在对齐的不同阶段“自适应”使用。在初始阶段，使用对变换不变性高的解剖基元；在后期阶段，使用对变换更敏感的解剖基元。这种“适应性”使方法在不损失鲁棒性的情况下提高了效率。 3. **分层性**：为每个解剖基元构建具有不同变换敏感性的检测器层次结构。在运行时，首先使用对变换不太敏感的检测器来估计近似但鲁棒的变换；后期使用对变换更敏感（更具判别性）的检测器，以提高对齐的准确性。通过这种“分层”策略，逐渐消除复杂变换导致的外观变化，最终实现准确的检测和对齐。 #### 相关工作对比 目前，关于 MR 膝关节 scout 对齐的研究较少，现有先驱研究由于上述挑战，仍存在约 3 - 5mm 的误差。同时，相关领域如大脑对齐和面部对齐的研究已开展多年，但这些方法不能直接应用于膝关节 MR scout 扫描对齐： - **大脑对齐/配准**：一般旨在最大化特定变换空间内两个大脑图像之间的相似性，相似性函数可分为基于体素和基于特征两类。基于体素的配准方法使用整个图像的信息，但在膝关节 scout 扫描对齐中，全局图像信息可能不必要且会降低对齐准确性；基于特征的相似性函数更适合，但大多数研究中定义的特征为低级显著结构，不能保证对应解剖结构的匹配，且部分方法需要手动操作，并非完全自动。此外，大量可变形配准方法不适用于此应用，因为 MR scout 扫描必须进行刚性对齐，而从变形场转换为刚性变换仍是一个未解决的问题。 - **面部对齐**：旨在消除不同姿势带来的外观变化，以提高面部识别的准确性。虽然在面部对齐方面取得了巨大成功，但由于膝关节变换比面部更复杂，且膝关节和面部对齐的准确性要求不同，这些方法不能直接应用于膝关节对齐。 #### 方法实现 ##### 公式化 该方法将 MR scout 扫描基于一组自动检测的解剖基元/地标对齐到规范空间。经典的基于地标的对齐问题通常被表述为最小二乘问题： \[ \min_{T} \|T m - p \|^2 \] 其中，$p$ 表示 MR scout 扫描中检测到的地标，$m$ 表示模型空间中对应的地标，$T$ 是将 scout 扫描带到规范模型空间的最优变换。由于对齐和检测相互依赖，为联合估计它们，将上述公式扩展为包含地标检测： \[ \max_{T,p} e^{-\|T m - p \|^2} + D(p | I; T) + S(p) \] 第一个附加项 $D(p | I; T)$ 表示在地标位置的似然性，它可以从捕获地标外观特征的解剖检测器中推导得出，且不仅取决于图像 $I$，还取决于变换 $T$。第二个附加项 $S(p)$ 表示地标位置在空间关系方面的似然性，它结合了不同解剖结构之间的高级空间统计信息，使对齐对错误检测具有鲁棒性。 为实现“适应性”，