医学图像分割与畸变校正算法研究

# 医学图像分割与畸变校正算法研究 ## 1. 海马体自动分割算法 ### 1.1 算法原理 提出了一种基于表面的多模板自动分割算法（SurfMulti）用于海马体分割。该算法主要步骤如下： 1. **特征加权**：定义顶点处特征的加权均值和标准差，通过最大化当前模板子集与测试图像之间的相似度来确定权重。初始时将权重向量\(w\)的所有分量设为\(1/n\)，然后迭代地对每个\(w_j\)进行\(\pm\delta\cdot1/n\)的扰动，如果相似度函数增加则更新该权重。步长参数\(\delta\)初始化为\(1\)，每次迭代减少\(0.1\)。 2. **自动分割**：先将上一步计算的模板线性映射到测试图像，然后基于多级\(b\)样条插值沿表面法线对每个顶点处的表面进行局部变形。使用梯度下降法最大化代价函数\(O_k\)。 ### 1.2 实验设置 1. **数据集**：训练集包括40名健康对照（18名男性；平均年龄33±12岁）和144名颞叶癫痫（TLE）患者（61名男性；平均年龄36±11岁）。通过视频脑电图记录和MRI评估确定TLE诊断和癫痫病灶侧化。 2. **图像预处理**：所有图像在1.5T扫描仪上采集，体素大小为1mm各向同性。对图像进行强度不均匀性自动校正、强度标准化，并线性配准到立体定向空间。由专家手动分割所有受试者的海马体。 3. **评估方法** - **模板选择方法评估**：通过留一法评估SurfMulti，使用传统方法和自适应方法选择最优子集并构建初始形状和特征模型，使用Dice指数和配对t检验比较不同初始化方法的分割结果。 - **与基于体积的单模板和多模板方法比较**：使用FreeSurfer（基于体积的单模板方法）和VolMulti（基于体积的多模板方法）进行海马体分割。使用Dice指数评估各自动分割算法与手动标注的性能，并使用Student's t检验比较不同算法在对照组和患者组中的Dice指数。通过计算Cohen's d评估各算法检测TLE患者海马萎缩的敏感性。 ### 1.3 实验结果 | 分组 | FreeSurfer | VolMulti（等权重） | VolMulti（自适应权重） | SurfMulti | | ---- | ---- | ---- | ---- | ---- | | 对照组 | 72.1±2.5 | 84.5±4.5 | 86.4±3.2 | 87.5±2.6 | | 同侧 | 65.8±4.5 | 81.2±5.7 | 84.5±3.3 | 86.1±2.9 | | 对侧 | 70.0±3.7 | 82.7±5.5 | 86.6±3.5 | 87.7±2.7 | 从表中可以看出，自适应模板选择方法优于传统策略，SurfMulti在所有组中的性能均优于基于体积的两种方法。此外，SurfMulti在TLE患者和对照组中的表现相当，而基于体积的方法在患者中的分割效果较差。 不同方法检测海马萎缩的效果如下表所示： | 分组 | 手动标注 | FreeSurfer | VolMulti | SurfMulti | | ---- | ---- | ---- | ---- | ---- | | 同侧 | -2.41±1.85 (1.71) | -1.35±2.06 (0.91) | -1.49±1.40 (1.38) | -1.78±1.45 (1.60) | | 对侧 | -0.65±1.40 (0.56) | -0.05±1.91 (0.03) | -0.22±1.29 (0.22) | -0.57±1.41 (0.47) | SurfMulti检测到的萎缩效应大小最接近手动标注。表面分析表明，SurfMulti的分割结果具有亚体素误差（绝对平均误差<0.51mm；平均标准差=0.9mm）。 ### 1.4 算法优势 该算法通过计算图像的高阶语义特征（如图像均匀性、对比度、梯度和纹理）来捕捉图像的内在特征，并且根据最优子集的均值和标准差对特征进行加权，避免了传统多模板算法中因图像强度分布不同而导致分割失败的问题。此外，算法的优势还体现在以下几个方面： 1. **表面形状对应**：SPHARM - PDM保证了基于表面的形状固有点对应关系。 2. **顶点采样方案**：相对于表面边界的顶点采样方案，能够更好地表征海马体相邻结构的局部纹理和形状。 3. **多模板库**：来自大量健康对照和患者的多模板库考虑了个体间的变异性