Возможности программных пакетов для сегментации томограмм головного мозга и количественной оценки тканей

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Возможности программных пакетов для сегментации томограмм головного мозга и количественной оценки тканей

Казанкова Ольга Сергеевна

Казначеева Анна Олеговна, к.т.н., доцент

Санкт-Петербургский национальный исследовательский

университет информационных технологий, механики и оптики

Рассмотрены задачи сегментации медицинских изображений, методы идентификации однородных областей, проанализированы особенности специализированных программных пакетов. Выполнена сегментация белого и серого веществ головного мозга для модельных и экспериментальных изображений, рассчитаны чувствительность и избирательность. Показано, что наилучший результат при автоматической сегментации достигается в случае модельных изображений; для экспериментальных данных точность определяется зашумленностью изображений, неоднородностью сигнала и контрастностью.

Ключевые слова и фразы: томография; сегментация; морфометрия; количественная оценка; серое вещество; белое вещество; программные пакеты.

CAPABILITIES OF SOFTWARE PACKAGES FOR SEGMENTATION OF TOMOGRAMS OF BRAIN AND TISSUE QUANTITATIVE ASSESSMENT

Kazankova Ol'ga Sergeevna

Kaznacheeva Anna Olegovna, Ph. D. in Technical Sciences, Associate Professor St. Petersburg National Research University of Information Technologies, Mechanics and Optics a_kazn@mail.ru

The article considers the objectives of medical images segmentation, the methods of the identification of homogeneous areas, and analyzes the features of specialized software packages. The segmentation of white and gray matter of the brain for model and experimental images is made, sensitivity and selectivity are calculated. It is shown that the best result in automatic segmentation is achieved in the case of model images; for experimental data accuracy is determined by images noisiness, signal heterogeneity and contrast range.

Key words and phrases: tomography; segmentation; morphometry; quantitative assessment; gray matter; white matter; software packages.

Одним из методов получения дополнительной информации о виде, размере и форме объектов, отсутствующей в явном виде в исходных данных, является сегментация. В МРТ полученная при сегментации количественная оценка объема структур может быть использована для анализа возрастных и патологических изменений [1; 2], функциональной активности, планирования хирургических вмешательств [9]. Основные трудности сегментации связаны с высокой трудоемкостью обработки данных экспертом [5] и зависимостью результата обработки в специализированных пакетах как от используемого алгоритма, так и от характеристик исходных данных [4; 7].

Существующие методы идентификации однородных областей на изображении [8] можно разделить на: структурные методы, основанные на использовании информации о структуре сегментируемой области; стохастические методы, основанные на статистическом анализе изображений; и смешанные (гибридные) методы, которые включают характеристики двух указанных выше групп. Данные методы сегментации являются основой различных программных средств для медицинских и научных приложений [3], направленных на решение определенных клинических задач [1; 2; 5; 6]. Предметом нашего исследования являются сравнительный анализ эффективности программных средств сегментации МР-томограмм головного мозга и исследование зависимости результата от характеристик исходных изображений.

Программный пакет SPM (Statistical Parametric Mapping) представляет собой библиотеку функций и дополнений к пакету Matlab и предназначен для работы с изображениями головного мозга различных модальностей, представленными в формате NfTI. Он имеет открытый исходный код, основан на статистических параметрических картах и использует итеративный алгоритм, учитывающий число классов тканей, нормальное распределение интенсивностей вокселей для каждого класса и априорную информацию о распределении тканей (атлас Неврологического института Монреаля). В качестве входных данных могут быть использованы только оригинальные Т1 взвешенные изображения (ВИ) головного мозга, для которых интенсивности сигналов тканей каждого класса выравниваются в соответствии с нормальным законом распределения.

Одним из широко используемых в медицинской диагностике является пакет с открытым кодом FSL, разработанный в университете Оксфорда и предназначенный для обработки и анализа изображений головного мозга. Он основан на гибридном методе сегментации, сочетающем использование атласов и статистической информации. Алгоритм выделения тканей мозга BET (Brain Extraction Tool) включает пороговую обработку, поиск центра и последующее построение поверхности мозга с помощью деформируемых моделей. Использование комбинаций Т1 и Т2 ВИ позволяет повысить точность сегментации [10], в основе которой лежат EM-алгоритм (начальные параметры которого задаются методом k-средних) и скрытая марковская модель. При использовании изображений разной взвешенности необходимо выравнивание их друг относительно друга. Результатом сегментации тканей различных классов являются изображения с вероятностным распределением тканей или их бинарные маски.

Приложение MIPAV (Medical Image Processing, Analysis and Visualization) основано на статистических данных и позволяет обрабатывать изображения различных анатомических областей и модальностей с выбранной степенью автоматизации (пороговая обработка, выделение краев, кластеризация, алгоритм водораздела), выполнять количественный анализ результатов сегментации (расчет объема, сравнение с эталонным изображением). Пакет обеспечивает возможность коррекции разными методами выделенного контура или области, а также содержит специализированные алгоритмы для выделения области головного мозга, подобные BET.

Для оценки точности сегментации с помощью наиболее распространенных программных средств использовались две группы томограмм головного мозга: модельные и экспериментальные. Первый набор МР-томограмм получен из открытой базы данных BrainWeb и представляет собой результат работы симулятора томографа. Моделирование интенсивностей сигналов тканей основано на анатомической модели мозга, полученной по результатам реального исследования (27 изображений одного и того же пациента, обработанных экспертом, для выделения серого, белого вещества мозга и спинномозговой жидкости), и использовании постоянных T1 и T2 релаксации тканей мозга. База изображений содержит наборы данных с различными толщиной среза (1, 3, 5, 7 и 9 мм), неоднородностью поля, создаваемого радиочастотной (РЧ) катушкой (0%, 20%, 40%), и уровнем шума (0%, 1%, 3%, 5%, 7% и 9 %).

Во вторую группу входили исследования 10-ти добровольцев, выполненные на МР-сканере Excite HDx 3 Тл (General Electric) с помощью высококонтрастной импульсной последовательности SPGR со следующими параметрами: время эхо - TE=3 мс, время повторения - TR=7,8 мс, матрица - 256Ч192, полоса пропускания - 31,25 кГц, угол отклонения - 12°. Оценка сегментации белого и серого веществ выполнялась с помощью коэффициентов чувствительности C (отношение числа верно сегментированных пикселей ткани к общему числу сегментированных пикселей) и избирательности I (отношение числа верно сегментированных пикселей фона к числу всех сегментированных пикселей). Для модельных изображений оценка включала также коэффициент Дайса (отражающий степень совпадения сегментированных областей с референсными данными) и среднеквадратическое отклонение (СКО).

Наилучший результат сегментации модельных изображений достигнут при использовании пакета FSL (С=98%, I=92%), обеспечивающего коэффициент Дайса 0,93 при РЧ-неоднородности 40%; уменьшение коэффициента Дайса для томограмм с однородной РЧ-чувствительностью составляет около 0,01. Значение СКО=0,05 показывает, что колебания интенсивности изображения не оказывают существенного влияния на точность сегментации в FSL.

Пакет SPM обеспечил близкий результат (С=95%, I=87%), однако коэффициент Дайса имел сильно выраженную зависимость от зашумленности и для уровня 9% составил 0,71. Смоделированная неоднородность РЧ-поля (до 40%) увеличивала погрешность сегментации на 2%, что может быть связано с использованием в SPM коррекции интенсивности исходного изображения; вместе с этим, изображения без неоднородности подвергаются избыточной коррекции.

Сегментация в пакете MIPAV дала С=93% и I=84%; для изображений с отсутствием неоднородности коэффициент Дайса составляет 0,83, для неоднородности порядка 40% - 0,88. СКО для неоднородности РЧ-поля 40% составляет 0,07, что в два раза превышает его значение для однородной РЧ-чувствительности. Худший результат получен для автоматической пороговой сегментации в пакете MatLab (С=63%, I=69%).

Сегментация белого вещества на экспериментальных томограммах показала, что при изменении соотношения сигнал/шум в 3 раза коэффициент чувствительности изменяется с 65% до 77%, коэффициент избирательности - с 59% до 79% (Рис. 1). Столь низкие показатели для различных импульсных последовательностей могут объясняться наличием эффекта усреднения сигнала, снижающим контраст между белым и серым веществом и одновременно затрудняющим автоматическую сегментацию.

программный томограмма головной мозг

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

а) б) в)

Рис. 1. Сегментация изображений в пакете FSL: а) исходное SPGR-изображение, б) сегментация тканей мозга, в) сегментация белого вещества

По итогам работы следует отметить, что оценка качества сегментации должна проводиться не только на основе модельных изображений, поскольку данные снимки не содержат всех особенностей реальных исследований. Также необходимо учитывать, что для оценки результатов сегментации недостаточно использования одного или пары критериев, так как результаты могут зависеть от ряда различных факторов, в том числе и особенностей работы алгоритма, и полученная оценка может быть некорректной. В перспективе возможно построение связи результатов оценки отдельными критериями между собой, например, с помощью присвоения им весовых коэффициентов и последующих вычислений.

Полученные результаты показывают возможность применения автоматической сегментации преимущественно для модельных изображений. Использования одного или пары критериев для оценки точности сегментации недостаточно, так как ее результаты могут зависеть от характеристик исходных данных (зашумленность, неоднородность, контраст тканей), и необходимо учитывать их вес и взаимосвязь. Наилучший результат сегментации белого и серого веществ головного мозга с погрешностью определения объема около 1% достигнут в пакете FSL, обеспечивающем высокую чувствительность и избирательность, а также устойчивость к шуму и отдельным видам артефактов, часто встречающимся на практике.

Список литературы

1. Антонова А. С. Сегментация магнитно-резонансных томограмм коленного сустава // Альманах современной науки и образования. 2014. № 10 (88). С. 18-21.

2. Воронков Л. В., Труфанов А. Г., Фокин В. А. и др. Возможности воксель-базированной морфометрии в диагностике неопухолевых заболеваний головного мозга // Вестник Российской военно-медицинской академии. 2012. № 1. С. 203-207.

3. Казанкова О. С., Казначеева А. О. Возможности программных пакетов сегментации МР-томограмм для количественной оценки тканей // Российский электронный журнал лучевой диагностики. 2012. Т. 2. № 2 (6). С. 227-229.

4. Казначеева А. О. Разработка методов и средств шумоподавления в томографии: автореф. дисс. … к.т.н. СПб., 2006. 19 с.

5. Никитин О. Р., Пасечник А. С. Оконтуривание и сегментация в задачах автоматизированной диагностики патологий // Методы и устройства передачи и обработки информации. 2009. № 11. С. 300-309.

6. Сенюкова О. В., Лукин А. С., Ветров Д. П. Автоматическая сегментация срезов мозга мыши, окрашенных по NISSL, основанная на обучении с учителем по разметке из атласа // Программирование. 2011. Т. 37. № 5. С. 39-48.

7. Трофимова Т. Н., Парижский З. М., Суворов А. С., Казначеева А. О. Физико-технические основы рентгенологии, компьютерной и магнитно-резонансной томографии. Фотопроцесс и информационные технологии в лучевой диагностике. СПб.: Издательский дом СПбМАПО, 2007. 192 с.

8. Bankman I. N. Handbook of Medical Imaging, Processing and Analysis. Academic Press, 2000. 901 p.

9. Germond L., Dojat М., Taylor C., Garbay C. A Cooperative Framework for Segmentation of MRI Brain Scans // Artificial Intelligence in Medicine. 2000. Vol. 20. P. 77-93.

10. Pham D. L. Robust Fuzzy Segmentation of Magnetic Resonance Images // Proceedings of the 14^th IEEE Symposium on Computer-Based Medical Systems. Baltimore, USA, 2001. P. 127-131.

Размещено на Allbest.ru