文章信息
- 严序, 周敏雄, 杨光, 徐冬溶
- YAN Xu, ZHOU Min-Xiong, YANG Guang, XU Dong rong
- 基于大脑模板的MRI扫描自动定位方法
- A Brain Atlas Based Automatic Localization Method for MRI
- 波谱学杂志, 2014, 31(2): 196-205
- Chinese Journal of Magnetic Resonance, 2014, 31(2): 196-205
-
文章历史
收稿日期: 2013-05-03
收修改稿日期: 2013-07-06
2. 上海市磁共振重点实验室 物理系,华东师范大学,上海 200062;
3. 哥伦比亚大学 精神病学系,美国 纽约 10032;
4. 纽约州立精神疾病研究所,美国 纽约 10032
2. Shanghai Key Laboratory of Magnetic Resonance, Physics Department, East China Normal University, Shanghai 200062, China;
3. Department of Psychiatry, Columbia University, New York 10032, USA;
4. New York State Psychiatric Institute, New York 10032, USA
在大脑磁共振成像(MRI)过程中扫描定位是一个基本操作,精准和一致的定位在实际的临床研究中有着重要的作用[1].大脑结构复杂,临床诊断需要查看大量的MR图像数据,工作量大,因而一致、左右对称的定位设置便于不同被试数据的比较与参照,既帮助诊断者快速定位病灶,也便于初学者熟悉大脑解剖结构,积累经验.另一方面,对于单个被试的多次扫描,一致的扫描定位有助于更好地追踪大脑结构随时间的变化,便于评估病情发展和治疗效果.在实践中,通过客观观测指标作为标准确定恰当的扫描参数,可以开发自动化的定位方法,有效提高MRI大脑数据的使用效率.本文的工作提出了这样一种用于采集大脑MRI数据过程中的自动扫描定位方法.
基于体素分析(Voxel-Based Analysis,VBA)的方法是临床MRI研究中最常用的分析方法之一,该方法的核心是将不同被试的大脑图像数据与标准大脑模板图像进行配准[2],使所有数据都映射到统一的标准空间中(这一个过程称为规范化过程),然后进行逐体素比较.其中,图像配准需要对数据进行重定位和重采样,会降低数据的利用效率.重定位是指改变采集数据的扫描方位使其与标准模板一致,但由于数据的采集范围,通常并不完整覆盖全脑,而每个个体数据的定位参数各有不同,所以重定位后不同被试数据的重合体积会减小.这种情况在实际应用中极为常见,特别是在有一些研究中为了提高效率仅采集部分层面大脑数据的时候,由于目测估计的空间定位准确度很差,常常会在配准后发现数据的实际采集区域差别很大,因此在模板空间中重合体积显著降低,导致可用数据的公共区域严重不足.同时,如果通过其他方法弥补,比如进行重采样就需要对数据进行插值,会模糊原始数据,降低数据精度,对于层厚大数据的空间分辨率损失明显.而上述这些问题完全可以在数据扫描过程中通过自动定位方法避免.
Kouwe等人提出了一种基于图像配准的自动定位方法[1],首先采集一幅三维定位图像,计算大脑各组织成分的概率分布,然后与大脑模板配准计算定位参数.然而,该方法存在一定局限性:数据采集和参数计算时间较长,在单次扫描过程中多次使用将显著增加扫描时间;大脑模板也需要通过专门制作而不能直接使用学术界广泛使用的标准模板;精度不够理想,单个体多次扫描的自动定位误差在0~4.3 mm和0~1.4°之间.Sharp等人提出了一种半自动定位方法[3],其配准步骤不使用全脑数据,而是从第一次扫描数据中选择一系列标志性的大脑结构,并通过这些结构的空间位置计算自动定位参数.该方法准确度和稳定性较好,但是它需要手动提取标志性脑结构,因而对解剖学的专业知识要求较高,所以使用效率较低,实用性有限.Chen等人基于结构学习整合框架实现了一种高效自动定位方法[4],显著提高了定位的精确度和重复性,然而该方法算法复杂,目前尚不能在临床研究中普及应用.另外,Welch等人提出使用导航回波的方法对单个体多次扫描进行快速、准确的自动定位[5],但该方法无法利用模板数据信息定位不同被试数据.
本文利用成熟的图像配准技术,通过被试数据与在神经影像学研究领域和临床实践中公认且最常用的标准大脑模板进行线性配准确定自动定位参数,确保扫描方位与标准模板数据一致,提高临床数据的诊断效率,同时也可为后续的VBA分析保证数据的质量.另外,针对单个个体多次扫描的情况,实验发现现行广泛使用的配准方法,如著名数据分析软件SPM8 (http://www.fil.ion.ucl.ac.uk/spm/)的配准工具也会产生毫米级别的误差,因此本文提出一种迭代的定位方法逐步降低定位误差,实现精确的同一被试之内的自动定位.
1 方法 1.1 基于模板的自动定位对于首次扫描的被试,本文通过快速、中等分辨率(2×2×2 mm3)的大脑图像进行自动定位,使用回波平面成像(EPI)序列.然后将获得的三维图像数据通过仿射变换与SPM8中的大脑EPI模板(在MNI空间内)配准,并利用配准参数中的4×4刚体变换矩阵Maff(包含了三维平移和三维旋转信息)调整扫描平面的位置和方向,使当前的扫描定位与MNI坐标系一致(图 1).最终的扫描平面的4×4定位矩阵Mmni通过(1)式计算:
${M_{{\rm{mni}}}} = {M_d} \bullet {M_{{\rm{aff}}}}$ | (1) |
其中Md为序列的基本断层设置,定义了切片层面的轴位(Y)和相位编码(X)方向,切面方向(Z),扫描方向默认为横断位,相位方向(X)定义为大脑由左耳至右耳方向.
考虑到不同被试之间脑容积的差异,这里使用包含图像整体拉伸的12个参数仿射变换实现更准确的配准.另外,自动定位后将额外采集一幅三维EPI数据,这里称其为基准数据,用于后续的配准步骤.
1.2 单个体多次扫描间自动定位对于需要多次扫描的被试,本文采用迭代的方式进行高精度的自动定位,确保当前扫描与第一次扫描定位的高度匹配.由于图像数据的分辨率不高以及随之而来的部分容积效应,单个被试的数据间配准可能存在毫米级的偏差,尤其是当数据之间存在较大旋转的时候,重采样会引起图像模糊,导致较大的配准误差.为了减小误差,可以进行多次数据采集和配准,每次将当前采集的定位数据与第一次扫描的基准数据(由1.1节描述)进行6参数刚体配准,并利用该配准参数更新扫描平面方位进行下一次扫描.这样,再次扫描的数据与基准数据的定位方向更加一致,重采样模糊程度也更小,配准也会更加精准,从而逐次提高最终配准精度.每次自动定位的扫描平面参数Msubj为前几次参数的叠加:
${M_{{\rm{subj}}}} = {M_d} \bullet \prod\nolimits_{n = 1}^N {{M_n}} $ | (2) |
其中Mn为第n次配准计算的4×4变换矩阵,N为配准的总迭代次数.定位使用EPI序列,序列参数与1.1节相同.迭代配准的收敛速度较快,一般在5次左右就能将配准误差降低到1 mm以下.
1.3 实现方法本文的自动定位方法基于西门子3 T MRI系统(Magnetom TIM Trio,软件版本VB17)实现,采用12通道头线圈.用于自动定位的中等分辨率数据采用EPI序列,序列参数:重复时间(TR)=7 000 ms,回波时间(TE)=50 ms,视野(FOV)=25.6 cm,体素大小(voxel size) 2×2×2 mm3各向同性,60层无间隙.在评估单个体多次扫描件的自动定位效果时,采用基于MPRAGE序列的T1结构像数据,通过spm8的刚体配准方法计算每次扫描图像的定位误差(与第一次扫描数据之间的平移、旋转参数),序列参数:重复时间(TR)=2 530 ms, 回波时间(TE)=2.4 ms, 翻转恢复时间(TI)=1 100 ms, 回波间隔(Echo spacing)=7.3 ms, 倾倒角(flip angle)=7°,视野(FOV)=23.0 cm,体素大小0.9×0.9×0.9 mm3各向同性.
为了保证自动定位的效率,初始MRI数据通过实时导出机制在数据重建完成后,立即传送到外部数据工作站(Intel Core 2.4 GHz)上,进行配准和定位参数计算,然后定位参数通过基于TCP/IP的通讯程序实时发送回扫描控制台,调整后续即将扫描的序列.利用SPM8的配准工具,基于模板计算仿射变换的图像配准方法耗时大约6 s.考虑到数据传输(1 s),EPI序列的准备时间(大约15 s),包括例如线圈调谐,梯度匀场等步骤,整个基于模板的自动定位过程需要大约22 s;而对于单个个体多次扫描间的自动定位(5次左右),图像刚体配准耗时在3 s左右,因此该自动定位的整个过程在大约35 s.
由于SPM8的配准计算会利用参考数据的头信息,即扫描时的定位信息,而MNI标准模板数据的头信息与扫描数据并不一致,因此需要对模板数据进行修改,将模板图像的像素大小由91×109×91填充到128×128×128(图像添零),并修改头文件的定位信息,将图像数据中心设为磁体中心,扫描方向设为横断位,相位编码方向由左到右.考虑到图像头文件中保存了很多重要信息,为了避免修改出错,我们实际采用了如下方法:按要求先设定扫描方向和相位编码方向,直接在仪器上采集一幅与模板图像分辨率、体素大小都完全相同数据,然后使用该数据的头文件替换模板的头文件.
另外,还可以考虑在单次扫描过程中添加多次自动定位,以确保不同序列之间的图像匹配,方法与单个体多次扫描间的自动定位方法相同.
2 实验与结果 2.1 基于模板的自动定位本实验利用自动定位方法使头部数据的采集方式与标准MNI模板数据保持一致.首先,通过定位序列自动计算定位参数,然后利用该参数采集一幅矢状位3维结构像(MPRAGE)数据,测试自动定位的效果.实验招募了3名被试,所有被试已被告知实验过程和签署知情同意书.自动定位结果见图 2,结果显示基于模板的自动定位方法使不同被试的采集数据具有一致的空间定位.
2.2 单个体多次扫描间自动定位本实验利用自动定位方法使单个被试多次扫描的头部数据与第一次扫描数据保持高度一致.首先通过迭代的方式计算自动定位参数,每采集一幅EPI数据便与基准数据进行配准,更新自动定位参数,直到两次配准参数之差小于阈值.本实验进行10次迭代检查数据的收敛情况.实验发现迭代4次即可将配准误差降低到1.0 mm和1.0°以内,随后配准误差在±1.0 m和±1.0°之间震荡(图 3).当两次相邻配准误差 < 1.0 mm和1.0°时,迭代结束.
然后,使用自动定位方法对同一个被试在5个不同的时间进行了扫描,测试定位方法的实际效果.视觉比较显示多次扫描的结构像数据(MPRAGE序列,参数与2.1节相同)非常一致(图 4).定量化比较使用SPM8的刚体配准工具计算结构像数据之间的相对运动参数,结果显示配准精度基本保持在1.0 mm和1.0°的量级(表 1).
平移/mm | 旋转/(°) | ||||||
x | y | z | θ | φ | φ | ||
被试1 (Subject 1) | -0.19 | 0.93 | 0.33 | -0.27 | 0.03 | 0.21 | |
0.01 | 0.15 | -0.07 | 0.12 | 0.40 | 0.38 | ||
-0.05 | 0.16 | -0.24 | -0.10 | -0.25 | -0.53 | ||
0.14 | 0.35 | -0.51 | 0.06 | -0.14 | -0.15 | ||
被试2 (Subject 2) | -0.12 | 0.09 | 0.06 | 0.02 | 0.08 | 0.01 | |
-0.41 | -0.32 | -0.21 | -0.09 | 0.09 | 0.16 | ||
0.18 | 1.02 | 0.21 | 0.04 | -0.04 | -0.04 | ||
-0.39 | 0.98 | -0.54 | -0.03 | 0.07 | 0.10 | ||
被试3 (Subject 3) | -0.09 | 0.62 | -0.13 | -0.01 | 0.10 | 0.21 | |
-0.03 | 0.12 | -0.03 | -0.03 | 0.00 | 0.02 | ||
0.13 | 0.02 | 0.73 | -0.06 | 0.05 | 0.18 | ||
0.31 | 0.00 | -0.06 | 0.03 | 0.04 | 0.03 |
本文提出了一种MRI大脑图像的自动定位方法.一方面,该方法可以自动设置与标准模板一致的采集方式,不仅便于扫描者的扫描操作,也便于未来对数据进行后续的临床诊断与比较.实验结果显示,对于形态学存在显著不同被试大脑,经过自动定位的数据在断层方向上的解剖位置高度一致(图 2).基于模板定位的全部操作可在半分钟内完成,适合临床使用.同时,使用MNI模板空间只是一个特例,可以替换为任何其他模板.本文的自动定位方案完全可以针对不同的疾病针对特定的解剖结构和所需要不同的断层方向,采用其他适用模板,甚至由用户自行定义和定制的模板.通过两种方法可以实现这一目标:1)基于MNI空间调整断层方位,即通过对MNI模板数据进行平移和旋转获得适合的模板[1].此方法可以参考标准模板上标注的解剖结构分布信息,设计针对某些具体解剖结构的定位方案;2)先通过有经验的技术人员手动定位,采集一组数据作为模板,然后根据该模板进行自动定位.此方法不依赖于已有模板,优点是可以将自动定位方法应用到身体其他部位.另一方面,本文自动定位方法实现了单个体多次扫描之间的精确匹配,精度可达1.0 mm和1.0°范围内,耗时在一分钟以内,这将极大便于个体的回访研究,可以准确的跟踪和比对解剖结构随时间的变化.在实验中,本文发现常用的图像配准方法仍存在毫米级的误差(图 3),对于高分辨图像影响较大,而通过迭代的方式可以减小该误差,实现被试内数据的精确匹配.实际上,本方法是将常规数据后处理中的配准步骤提前到了数据采集过程中,在早期最小化了配准算法的误差,确保了后续数据分析的准确性.同时,由于多次采集的数据高度匹配,数据之间相互覆盖率极高,几乎完全重叠,所以在个体研究中能最大限度的利用数据.
本文定位方法尚无法解决在扫描过程中头动以及呼吸等生理因素造成的定位误差,实验发现定位误差在±1.0 mm之间震荡(图 3).因此,计划未来进一步与导航回波技术[6]结合以提高数据采集随时间的一致性,或通过高加速因子的并行成像技术[7, 8]、压缩感知技术[9]加快采集速度以避免运动影响.
本文的自动定位方法可以保证被试间和单个被试多次扫描间数据的一致性,在最大程度上避免了扫描操作人员的主观个人因素的影响.因此,我们期待该方法可以应用到临床研究中去,提高研究结果的可靠性和准确性.另外,我们也期待能进一步将本文方法集成到成像系统中,作为一个标准的定位序列,提高使用效率.
本文方法采用MNI标准模板,通过仿射变换计算个体大脑的定位参数,使其与模板一致.对于个体大脑有病变的情况,如卒中、肿瘤等,大脑结构会发生明显改变可能影响图像配准的准确性.由于SPM8的配准利用全脑信息,对于局部病变的情况,通常依然可以保证较精确的配准准确性[10].本方法的另一个局限性是用于定位的EPI图像通常包含一些图像畸变,会影响配准结果,从而引入定位误差.但是,如前所述,SPM8的配准方法基于全脑信息,因此对于局部的图像变形有一定的容错能力.我们在2.2节中采用高分辨结构像数据对基于EPI图像的自动定位结果进行了验证,发现这一方法确实能实现很高的定位精度(图 3、图 4和表 1).
[1] | Kouwe A J W, Benner T, Fischl B et al . On-line automatic slice positioning for brain MR imaging[J]. Neuroimage , 2005, 27 (1) : 222-230 DOI:10.1016/j.neuroimage.2005.03.035 |
[2] | Friston K J, Ashburner J, Frith C D et al . Spatial registration and normalization of images[J]. Human Brain Mapping , 1995, 3 (3) : 165-189 DOI:10.1002/hbm.v3:3 |
[3] | Sharp G C, Kollipara S, Madden T et al . Anatomic feature-based registration for patient set-up in head and neck cancer radiotherapy[J]. Phys Med Biol , 2005, 50 (19) : 4667-4679 DOI:10.1088/0031-9155/50/19/016 |
[4] | Chen T, Zhan Y, Zhang S, et al. Automatic Alignment of Brain MR Scout Scans Using Data-adaptive Multi-structural Model[C]. MICCAI, 2011. |
[5] | Welch E B, Manduca A, Grimm R C et al . Interscan registration using navigator echoes[J]. Magn Reson Med , 2004, 52 (6) : 1448-1452 DOI:10.1002/(ISSN)1522-2594 |
[6] | Chen Wei-bo(陈伟波), Li Jian-qi(李建奇), Jiang Xiao-ping(姜小平) et al . Implementation of self-navigated motion correction fast spin echo technique at low field MRI system(自导航快速自旋回波在低场MRI上的实现)[J]. Chinese J Magn Reson(波谱学杂志) , 2009, 26 (2) : 197-205 |
[7] | Huang Min(黄敏), Chen Jun-Bo(陈军波), Xiong Qiong(熊琼) et al . Comparison and implementation of commonly-used image reconstruction algorithms in parallel MRI(并行MRI图像重建算法比较及软件实现)[J]. Chinese J Magn Reson(波谱学杂志) , 2011, 28 (1) : 99-108 |
[8] | Knoll F, Clason C, Bredies K et al . Parallel imaging with nonlinear reconstruction using variational penalties[J]. Magn Reson Med , 2012, 67 (1) : 34-41 DOI:10.1002/mrm.22964 |
[9] | Lustig M, Donoho D, Pauly J M . Sparse MRI: the application of compressed sensing for rapid MR imaging[J]. Magn Reson Med , 2007, 58 (6) : 1182-1195 DOI:10.1002/(ISSN)1522-2594 |
[10] | Yin D, Yan X, Fan M et al . Secondary degeneration detected by combining VBM and TBSS in subcortical strokes with different outcomes in hand function[J]. Am J Neuroradiol , 2013, 34 : 1341-1347 DOI:10.3174/ajnr.A3410 |