文档介绍：该【基于耦合配准网络的MR脑图像标签迁移算法 】是由【夸客客】上传分享，文档一共【8】页，该文档可以免费在线阅读，需要了解更多关于【基于耦合配准网络的MR脑图像标签迁移算法 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。 : .
第 42 卷 第 1 期 北京生物医学工程 Vol. 42 No. 1
2023 年 2 月 Beijing Biomedical Engineering February 2023
·论 著·
基于耦合配准网络的 MR 脑图像标签迁移算法
崔鹏程 李恩慧 李振宇 张童禹 张唯唯
摘 要 目的 提出一种单图谱标签迁移算法并命名为 Multi-Angle，以期在队列分析中快速有效提
取与神经退行性疾病相关的 MR 脑影像标记物和解剖结构。 方法 首先对初始图谱图像施加旋转变换，
获得旋转图谱图像组；其次为主配准网络送入合并后的初始图谱图像与个体图像，预测形变场及候选标
签；再次为副配准网络送入合并后的旋转图谱图像与个体图像，结合主网络相关特征预测候选标签；最
后通过投票法融合多个候选标签获得个体图像标签。 结果 在 Mindboggle101 和 HCP 数据集的实验结果
显示，Multi-Angle 算法在两个测试集上重要解剖结构 Dice 相似性系数均值分别为 76％和 82％，精确率
均值为 74. 0％和 77. 8％，平均表面距离均值为 0. 83 mm 和 0. 69 mm，均优于目前主流算法 Voxelmorph 和
Ants-SyN。 结论 本文提出的 Multi-Angle 算法可以快速有效实现脑神经图谱标签迁移并提高评价指标
准确度，对神经退行性疾病分析所需的影像特征提取具有潜在的临床应用价值。
关键词 MR 脑图像；图谱配准；标签迁移；耦合配准网络；脑神经退行性病变
DOI：10. 3969／ . 1002-3208. 2023. 01. 001.
中图分类号 R318. 04 文献标志码 A 文章编号 1002-3208（2023）01-0001-08
本文著录格式 崔鹏程，李恩慧，李振宇， MR 脑图像标签迁移算法［J］.北
京生物医学工程，2023，42（1）：1- Pengcheng，LI Enhui，LI Zhenyu，et al. Label transfer algorithm for
MR brain image based on coupled registration network［J］. Beijing Biomedical Engineering，2023，42（1） ：1-8.
Label transfer algorithm for MR brain image based on
coupled registration network
CUI Pengcheng，LI Enhui，LI Zhenyu，ZHANG Tongyu，ZHANG Weiwei
Institute of Basic Medical Sciences， Chinese Academy of Medical Sciences ＆
Peking Union Medical College， Beijing 100005
Corresponding auther：ZHANG Weiwei（E-mail：weiwei. zhang＠ ibms. pumc. edu. cn）
【Abstract】 Objective In order to quickly and efficiently extract imaging markers and anatomical
structures of magnetic resonance brain image related to the neurodegenerative disease in cohort analysis， this
paper proposes a single-atlas label transfer algorithm named Multi-Angle. Methods Firstly， small rotation
transformations are applied to the initial atlas image to obtain a rotated atlas image sets； secondly， individual
image combined with the initial atlas image is sent to the primary registration network to predict the deformation
field and the candidate label； then， individual image combined with the rotated atlas image sets is sent to the
secondary registration network to predict the candidate labels； finally， individual image label is obtained by
fusing the multiple candidate labels with voting method.
基金项目：中国医学科学院医学与健康科技创新工程项目 Results The experimental results on the Mindboggle101
（CIFMS 2021-I2M-1-025）资助 and human brain connection group project HCP dataset
作者单位：中国医学科学院基础医学研究所，北京协和医学院基
础学院（北京 100005） show that the average values of Dice similarity coefficients
通信作者：张唯唯。 E-mail：＠ of important anatomical structures on the two test sets of : .
·2· 北京生物医学工程 第 42 卷
the Multi-Angle algorithm proposed in this paper reach 76％ and 82％， the average values of precision reach
74. 0％ and 77. 8％， the average values of average surface distance reach 0. 83 mm and 0. 69 mm respectively，
which outperform the current mainstream algorithms Voxelmorph and Ants-SyN. Conclusions The proposed
Multi-Angle model can effectively implement the label transferring and enhance the evaluation performance；
thus， has the potential value of clinical application for image feature extraction required for neurodegenerative
disease analysis.
【Keywords】 MR brain image； atlas registration； label transfer； coupled registration network； brain
neurodegenerative disease
将脑图谱标签迁移至目标个体。 这一过程中更为关
0 引言 注的是图像配准的准确性，即如何精确搜索图像对
随着人口老龄化，以阿尔茨海默病为主的神经 之间的体素坐标一一对应关系。 常用的医学图像配
退行性疾病发病数日益增多，预计到 2050 年全球患 准算法［6］在刚性配准或仿射配准的基础上将图谱
病人数将达 1. 15 亿［1］，严重威胁人类健康和生活质 图像与个体图像的脑实质大致对齐，生成初始图谱
量。 近年来，磁共振（magnetic resonance， MR）结构 图像，然后以大规模参数的迭代优化、逐步最小化能
成像结合图像分析方法，促进临床逐渐了解该类病 量函数的方式来实现初始图谱图像与个体图像之间
变人群与正常人群之间影像标记物的差异性，并推 非线性的变形配准以提高其准确性，例如高级归一
荐作为早期检测的主要手段之一［2］。 例如，阿尔茨 化工具的对称归一化算法［7］（advanced normalization
海默病患者海马体积减少 26％ ～27％［3］，内侧颞叶 tools symmetric normalization， Ants-SyN）采用梯度下
随疾病进展萎缩更甚。 但是，如何从 MR 结构成像 降法、多分辨率优化策略，基于速度场变换获得微分
中快速有效提取特定的影像标记物或大脑解剖结构 同胚形变场，实现初始图谱图像与个体图像之间的
为队列研究作进一步分析一直备受挑战。 基于此， 平滑变换，配准效果出众。 但是，该类配准算法需要
以图谱配准实现数据标签迁移进而分割图像的方式 针对每例图像逐一进行优化，并消耗大量计算资源
得到广泛认可和应用。 在智慧医疗背景下，通过对 和时间，同样不适宜在大规模队列分析中应用。
这种方法深度学习化的创新性开发可为神经退行性 近年来，深度学习算法在医学影像大数据应用
中得以普及［8-9］。 在图像配准的神经网络中，随着
病变提供人工智能化的辅助检测和分析工具。
脑神经影像标记物的提取作为本研究的主旨经 Unet［10］ 和 空 间 转 换 器 网 络 （ spatial transformer
历了手动到自动的演变，解决方法的关键点也从分 network， STN）［11］的提出使得图像对之间的形变场
割算法转移到配准算法。 以往的脑解剖结构标注工 可以求导，引出以 Voxelmorph［12］为代表的无监督深
作由临床影像专家对所有个体图像逐层逐像素手动 度学习配准算法。 它显示出与常规配准方法相媲美
勾勒完成，图像注释质量优异并作为“金标准”，但 的配准效果，速度大大加快，配准时间在 1 s 内。
耗时长久、过程繁琐，依赖于专家经验存在主观性差 Dalca 等［13］ 在此基础上添加形变场概率变量，通过
异，在大规模队列分析中不易推广。 常见的脑结构 重参数化技巧估计形变场中每个体素位移量的不确
半自动分割技术，如基于区域生长的方法［4］，缓解 定性，基于此进行采样来预测形变场。 Dubost 等［14］
了人力需求，但初始种子点的选择对分割结果影响 引入多个 MR 成像图谱直接生成个体图像的多个候
明显；自动分割技术如基于阈值的方法实施简单、计 选标签，校正单一图谱配准产生的较差结果，但需构
算量小［5］，但忽略了图像空间信息。 从图像配准的 建多个不同的年龄特异图谱。 然而，上述两种方法
角度来看，个体脑影像实现感兴趣区域（region of 是基于单个或几个固定角度的初始图谱图像进行配
interest， ROI）提取，可以利用单图谱的标签迁移的 准，缺乏对图谱信息的有效利用。 脑内解剖结构的
方法来间接实现。 基于单图谱的配准算法仅需一例 形态变化复杂，例如灰质沟回延伸走向十分不规则，
脑图谱标注数据就能建立图谱图像与个体图像之间 使得体素在图像局域需要搜索多个角度的位移量，
的体素坐标对应关系，并使用获得的形变场有效地 基于固定角度的初始图谱图像估计与个体图像间的 : .
第 1 期 崔鹏程，等：基于耦合配准网络的 MR 脑图像标签迁移算法 ·3·
形变场在准确性方面仍有不足。 在初始图谱图像基 展平层保持拓扑可逆性，采用空间转换网络对相应
础上增加多角度旋转的信息表征，构建与个体图像 的图谱图像施加形变，计算形变后图谱图像 M。ϕ 与
间的多角度形变场并综合寻优，是缓解此难题的一 个体图像间相似性损失函数并反向传播。
个可行性思路。 测试时，主网络生成单一形变场，副网络生成从
综上所述，为了有效利用单图谱信息，提高基于 旋转图谱图像组到个体图像的多个形变场，将其应
图谱配准的准确度，实现有效的标签迁移，改善神经 用于对应的图谱附属标签，生成个体图像的多个标
解剖结构差异性分析的队列研究，本文提出基于主 签，并利用投票法实现标签融合。
副耦合结构和多角度旋转图谱图像组的配准神经网 1. 2 模拟仿射后旋转图谱图像组
络模型 Multi-Angle。 在公开的大规模专家标注脑影 一般情况下，给定移动图像和固定图像，仿射配
像数据集 Mindboggle101［15］ 和 FreeSurfer［16］ 标注人 准会不断调整自由度，多轮迭代优化后相似度会在
脑连接组计划 HCP 数据集［17］ 上的实验表明，提出 微小范围内波动，此时斜率趋近于 0。 为了近似得
的算法改进了单图谱标签迁移性能。 到仿射配准过程中产生的一系列图谱图像（移动图
像），采用对仿射后的初始图谱图像施加微小旋转
1 研究方法 变换的方法，得到一系列旋转后图像，形成前文所述
1. 1 Multi-Angle 模型 的旋转图谱图像组：
0 算法框架如图 1 所示，对初始图谱图像施加微小 é1 0 0 ù
ê ú
0 旋转变换生成旋转图谱图像组（图 1 左侧方框），个体 ê0 cos θ - sin θú
Mi ＝ M0 。 Aro，Aro ＝ ê ú （2）
0 图像保持一致，初始图谱图像和其他旋转图谱图像分 0 sin θ cos θ
ê ú
1 别与其组为不同图像对，并划分不同的学习路径。 êëêë0 0 0 úûúû
式中：M0 为仿射配准后生成的初始图谱图像；
Mi 为依据设定的旋转变换矩阵 Aro和 M0 生成的旋
转图谱图像，变换前后相似度未发生明显变化，i∈
1，2，…，n。
本文所有实验均基于 3D MR 图像，所以选择从
矢状面、冠状面、横截面 3 个维度分别施加 4 次微小
旋转变换来获得旋转图谱图像组，1 周角为 360°，变
换的多角度参数为［-3°， -6°， 3°， 6°］。
1. 3 主配准网络
如图 1 上部所示，主网络通过多层卷积激活提
取初始图谱图像 M0 与个体图像 F 图像对 1／16 尺
图 1 耦合配准网络训练框架 寸的高层特征，并独自推理对应形变场。 在主副网
Figure 1 The coupled registration network training 络中，均采用 U 形网络的编码器来学习上下文特征
framework 信息，使用 2×2×2 步长的卷积来进行下采样，在解
码器中使用最近邻插值来实现上采样，所有卷积核
训练时，初始图谱图像 M0 与个体图像 F 输入 为 3×3×3 的尺寸。
主网络（图 1 上部），生成 M0 与 F 之间的形变场 1. 4 副配准网络
ϕ0；之后随机选取旋转图谱图像组中的一幅 Mi 与 如图 1 下部所示，副网络相较于主网络减少在
个体图像 F 输入副网络（图 1 下部），生成 Mi 与 F 原图尺寸上的多层卷积、激活运算，有效减少了推理
之间的形变场 ϕi： 计算量。 同时，为了更准确推断旋转图谱图像 Mi
ϕ0 ＝ Uθ0（M0，F）， ϕi ＝ Uθ0，θ1（M0，Mi，F） （1） 与个体图像 F 之间的形变场，将主网络提取到的相
式中：Uθ0对应于主网络及其参数 θ0；Uθ0，θ1对应 关大感受野、高层编解码器特征嵌入副网络对应层
于主副网络及其相应参数 θ0 和 θ1。 随后利用缩放 级，并参与副网络后续的解码过程。 训练过程中，主 : .
·4· 北京生物医学工程 第 42 卷
网络与副网络的损失函数同等重要，可表示为： 像的附属标签进行形变，期间采用最近邻方式插值。
1 本文采用多数投票算法进行标签融合获得更优结
Ltotal ＝ ［Lmse（M0 。 ϕ0，F） ＋ Lsmooth（ϕ0）］ ＋
2 果。 xi 的标记为 l 的概率可以通过计算 xi（i∈1，2，
1 …，n）中出现 l 的次数来计算，选择概率最高的标签
［Lmse（Mi 。 ϕi，F） ＋ Lsmooth（ϕi）］ （3）
2 确定为个体图像中 x 的标签，可以表示为：
式中：Lmse代表形变后移动图像和固定图像之间 ＾
L（x） ＝ argmaxl∈｛1，…，L｝px（l） ＝
的均方误差损失函数；Lsmooth代表对形变场的 L2 平 n
1
滑正则项。 argmaxl∈｛1，…，L｝ ∑p（l Ti 。 ϕi，x） （4）
n i＝1
式中：x 为个体图像中的每个体素位置；Ti 。ϕi