近年來(lái)，許多學(xué)者已經(jīng)提出了多種分割方法來(lái)自動(dòng)描繪胎兒和新生兒腦MRI。這些方法旨在定義不同粒度的感興趣區(qū)域：大腦、組織類型或更局部的結(jié)構(gòu)。不同的方法已應(yīng)用于此分割任務(wù)，可分為無(wú)監(jiān)督、參數(shù)化、分類、atlas融合（atlas fusion）和可變形（deformable）模型。Brain atlas通常在分割過(guò)程中用作訓(xùn)練數(shù)據(jù)。然而，與圖像采集、快速的大腦發(fā)育以及較少可用的成像數(shù)據(jù)相關(guān)的問(wèn)題阻礙了這類分割任務(wù)的發(fā)展。本文回顧了圍產(chǎn)期（懷孕28 周到產(chǎn)后一周）大腦分割采用的方法，并根據(jù)目標(biāo)人群、結(jié)構(gòu)分割和方法類型對(duì)它們進(jìn)行了分類。本文概述了文獻(xiàn)中提出的各種方法，并討論了它們的主要貢獻(xiàn)。提出了評(píng)估分割精度和分割質(zhì)量基準(zhǔn)的不同方法。本文以圍產(chǎn)期大腦分割可能存在的問(wèn)題和可能的未來(lái)發(fā)展方向的討論作為總結(jié)。

1.  介紹

圍產(chǎn)期大腦的自動(dòng)形態(tài)分析對(duì)于定量評(píng)估正常的大腦發(fā)育和研究認(rèn)知障礙的神經(jīng)解剖學(xué)相關(guān)性至關(guān)重要。大腦異常發(fā)育與幾種神經(jīng)系統(tǒng)缺陷有關(guān)，為治療干預(yù)提供了一個(gè)窗口。大約10％的早產(chǎn)兒會(huì)發(fā)展為腦癱，多達(dá)50％的兒童會(huì)發(fā)展成認(rèn)知和/或行為問(wèn)題。有問(wèn)題的病例最早可以追溯到胎兒期（fetal age）。腦室擴(kuò)大是胎兒大腦中最常見的異常，并與精神病、自閉癥和癲癇等神經(jīng)系統(tǒng)疾病有關(guān)。

隨著磁共振成像（MRI）的進(jìn)步，胎兒（fetal）和新生兒（neonatal）大腦的詳細(xì)圖像可以無(wú)創(chuàng)地在毫米水平顯示。使用核磁共振成像的定量神經(jīng)影像學(xué)研究越來(lái)越多地用于評(píng)估圍產(chǎn)期大腦的生長(zhǎng)和發(fā)育。分割MRI大腦是獲得區(qū)域大腦結(jié)構(gòu)定量測(cè)量的先決條件。大腦的區(qū)域體積和形狀測(cè)量結(jié)果是根據(jù)大腦的結(jié)構(gòu)分割得出的。覆蓋在圖像上的分割圖對(duì)于可視化而言更為重要。擴(kuò)散加權(quán)成像（DWI）和功能MRI（fMRI）可以與結(jié)構(gòu)MRI的分割結(jié)果一起使用，以計(jì)算與結(jié)構(gòu)連接和功能連接相關(guān)的區(qū)域測(cè)量值。在人群研究中對(duì)這些測(cè)量值進(jìn)行系統(tǒng)評(píng)估，對(duì)于識(shí)別大腦中受病理影響的區(qū)域以及提供大腦正常發(fā)育的信息來(lái)說(shuō)是至關(guān)重要的。

體積和皮層表面的定量測(cè)量對(duì)于描述正常的大腦發(fā)育很重要，并且有潛力預(yù)測(cè)長(zhǎng)期的神經(jīng)發(fā)育表現(xiàn)。但是，MR圖像的手動(dòng)分割非常耗時(shí)。此外，手動(dòng)分割會(huì)受到觀察者之間和觀察者內(nèi)部差異的影響，從而限制了其可重復(fù)性。手工方法的這些局限性使得標(biāo)記人群研究所需的大量被試構(gòu)成了障礙。因此，需要精確的自動(dòng)化技術(shù)來(lái)將大腦分割成感興趣的結(jié)構(gòu)。新生兒和胎兒大腦的自動(dòng)分割比成人大腦更具挑戰(zhàn)性。圍產(chǎn)期腦MRI的對(duì)比噪聲比(CNR)要低得多，由于腦的體積小，其信噪比常常較低，由于這一時(shí)期腦的快速發(fā)育，其腦形態(tài)和外觀也有很大差異。在圖像采集過(guò)程中，腦MRI進(jìn)一步受到嬰兒運(yùn)動(dòng)偽影的影響（胎兒大腦會(huì)因?yàn)樵袐D的自主呼吸、胎兒的自主運(yùn)動(dòng)而不可避免的產(chǎn)生運(yùn)動(dòng)偽影，而新生兒腦圖像的采集需要新生兒處于沉睡情況下進(jìn)行采集）。

這項(xiàng)研究的目的是對(duì)用于胎兒和新生兒腦自動(dòng)分割的技術(shù)進(jìn)行全面的綜述。Devi等人(2015)最近的一篇綜述介紹了為新生兒大腦開發(fā)的分割技術(shù)。在這里，作者將分割技術(shù)的綜述擴(kuò)展到了胎兒和新生兒期。此外，作者還提供了這一時(shí)期現(xiàn)有腦圖譜（brain atlas）資源的總結(jié)、基于方法學(xué)的技術(shù)的詳細(xì)分類以及未來(lái)的發(fā)展方向。作者在PubMed上通過(guò)搜尋“fetal brain MRI segmentation”和“neonatal brain MRI segmentation” 查找到相關(guān)的方法論文。在NeoBrainS12挑戰(zhàn)賽（之后會(huì)介紹）中使用過(guò)的方法也被納入了本篇綜述。本文主要介紹自動(dòng)化技術(shù)，因此需要人介入的半自動(dòng)化方法不會(huì)介紹。這些方法根據(jù)目標(biāo)人群(胎兒、新生兒)、被分割出來(lái)的結(jié)構(gòu)(大腦、組織、區(qū)域結(jié)構(gòu))和采用的方法(無(wú)監(jiān)督、參數(shù)化、分類、圖譜融合（atlas fusion）、可變形（deformable）模型)進(jìn)行分類。

本文的組織如下。在第2節(jié)中討論了發(fā)育中大腦的自動(dòng)分割所面臨的挑戰(zhàn)。第3節(jié)中介紹了通常作為分割的先驗(yàn)信息提供的圖譜。第4和第5節(jié)簡(jiǎn)要總結(jié)了在分割之前需要使用的圖像采集和預(yù)處理技術(shù)。第6節(jié)介紹了在本綜述中不同類別的分割方法。第7節(jié)和第8節(jié)介紹了胎兒和新生兒文獻(xiàn)中提出的不同的分割方法。對(duì)分割技術(shù)的評(píng)價(jià)介紹在第9節(jié)。最后，總結(jié)并討論了該領(lǐng)域未來(lái)可能的發(fā)展方向。 

2. 挑戰(zhàn)

盡管在獲取磁共振圖像方面取得了一些進(jìn)展，但自動(dòng)化的大腦分割仍然是一項(xiàng)艱巨的任務(wù)。在MR圖像中有一些重要的挑戰(zhàn)，這些挑戰(zhàn)阻礙了分割，而與當(dāng)前的應(yīng)用無(wú)關(guān)。不同組織類別的強(qiáng)度不是均勻的，而是在圖像空間上逐漸變化的。這種強(qiáng)度非均勻性(INU)是由非單形射頻(RF)場(chǎng)和接收靈敏度以及與身體的電磁相互作用造成的。更高場(chǎng)強(qiáng)的掃描儀會(huì)導(dǎo)致更大的強(qiáng)度變化。圖1展示了INU效應(yīng)。在單個(gè)體素中混合不同組織類別的部分容積（PV）效應(yīng)給組織邊界的精確描繪帶來(lái)了額外的困難。由于圖像分辨率有限，包含多個(gè)組織的體素產(chǎn)生的強(qiáng)度表示體素中多種組織的混合強(qiáng)度。圖像噪聲經(jīng)常是比較明顯的，可能是由于人體中的電磁噪聲和接收電子設(shè)備中的小異常造成的。胎兒和新生兒腦MRI的自動(dòng)分割比成人腦分割具有更大的挑戰(zhàn)性。圍產(chǎn)期腦MR圖像進(jìn)一步顯示了該領(lǐng)域特有的挑戰(zhàn):     

 a) 與成年人相比，嬰兒腦MRI運(yùn)動(dòng)偽影的發(fā)生率更高。胎兒和未鎮(zhèn)靜的新生兒表現(xiàn)出明顯的運(yùn)動(dòng)，這就需要采用更快的采集技術(shù)或多次采集大腦影像來(lái)校正運(yùn)動(dòng)。運(yùn)動(dòng)偽像表現(xiàn)為未對(duì)齊的圖像切片和沿相位編碼方向的重影（ghosting effects）現(xiàn)象（如圖2所示）。     

b) 由于胎兒/新生兒的大腦體積小，掃描時(shí)間短，所以對(duì)比度較低(CNR)。     

 c) CSF-WM 部分容積（PV）效應(yīng)。胎兒/新生兒MR圖像與成人圖像相比，表現(xiàn)為反轉(zhuǎn)的WM（白質(zhì)）/GM（灰質(zhì)）強(qiáng)度對(duì)比。WM在圍產(chǎn)期腦內(nèi)無(wú)髓鞘，在T2加權(quán)像上比GM更亮，而在成人圖像上GM比WM具有更大的強(qiáng)度值。CSF和GM在CSF-CGM（CG即cortical GM）邊界上的混合導(dǎo)致了其與WM相似的強(qiáng)度(見圖3)。這種PV效應(yīng)導(dǎo)致了CSF-CGM界面將PV（部分容積）體素錯(cuò)誤地標(biāo)記為WM。     

 d) 由于在此期間大腦的快速發(fā)育，圍產(chǎn)期大腦的形狀和結(jié)構(gòu)外觀差異很大。皮質(zhì)帶迅速折疊并形成深的灰質(zhì)結(jié)構(gòu)。此外，WM髓鞘形成在大腦發(fā)育過(guò)程中是一個(gè)持續(xù)的過(guò)程，在不同的WM區(qū)域逐漸明顯。由于不同掃描年齡的受試者在解剖學(xué)特征上存在這些差異，因此對(duì)其進(jìn)行精確的定位具有挑戰(zhàn)性。圖4展示了在新生兒大腦中隨著掃描年齡的增加所發(fā)生的變化。     

e) 缺乏跨越不同掃描年齡的手工標(biāo)記圖譜。人工描繪精細(xì)的解剖結(jié)構(gòu)需要專業(yè)的解剖學(xué)知識(shí)，而且非常耗時(shí)。與成人大腦圖譜（atlas）資源不同，圍產(chǎn)期腦圖譜數(shù)據(jù)資源非常有限。大腦形態(tài)的巨大變異性加上缺乏大腦圖譜資源對(duì)分割技術(shù)提出了挑戰(zhàn)，因?yàn)橛?xùn)練數(shù)據(jù)是稀缺的。

圖1.新生兒T2 MR圖像上顯示的MRI強(qiáng)度不均勻性（A）。圖像（B）和（C）使用N4偏置場(chǎng)校正分別呈現(xiàn)估計(jì)的偏置場(chǎng)和偏置校正后的圖像。

圖2所示。胎兒（1）和新生兒（2）T2 MR圖像上的運(yùn)動(dòng)偽影。在相位編碼方向切片的模糊和重影效應(yīng)（1.A，2.A）以及切片沿方向的錯(cuò)位（1.B，2.B）表明了明顯的運(yùn)動(dòng)。

圖3所示。CSF-WM 部分容積效應(yīng)明顯存在于CSF-CGM邊界。新生兒T2 MR圖像(A)分為不同的組織類型(黃色:CSF，紅色:WM，藍(lán)色:GM，綠色:背景) (B)箭頭所指的區(qū)域是CSF和CGM的部分容積，使得其強(qiáng)度與WM的強(qiáng)度相似。

圖4所示。分別在PMA 28周、32周、36周和44周時(shí)獲得新生兒大腦T2 MR圖像(從左至右)。

2.  圖譜（Atlases）

腦圖譜（atlas）是經(jīng)過(guò)標(biāo)記的數(shù)據(jù)，它表明了大腦不同結(jié)構(gòu)的位置，通常用作自動(dòng)分割算法的范例。術(shù)語(yǔ)atlas經(jīng)常以一種含糊不清的方式使用。在這篇綜述中，將使用術(shù)語(yǔ)atlas來(lái)指代一對(duì)圖像：一個(gè)是腦模板（atlas template）圖像(例如大腦的MR圖像)，另一個(gè)是圖譜分割標(biāo)簽（atlas label）圖像。圖譜標(biāo)簽圖像表明每個(gè)體素處的解剖結(jié)構(gòu)或組織。有兩種類型的腦圖譜:一種是在每個(gè)體素上指定單個(gè)結(jié)構(gòu)/組織標(biāo)簽的個(gè)體圖譜（single-subject atlas），另一種是定義了每個(gè)體素上每個(gè)結(jié)構(gòu)/組織的結(jié)構(gòu)概率的概率圖譜（probabilistic atlas）。個(gè)體圖譜通常是手工繪制的，而概率圖譜通常是通過(guò)將一批通過(guò)自動(dòng)化程序得到的分割圖像進(jìn)行平均得到的。

圖譜標(biāo)簽可以通過(guò)將圖譜(源)的MR圖像配準(zhǔn)到待分割的被試(目標(biāo))的MR圖像上從而可以得到待分割的被試的分割圖像。配準(zhǔn)過(guò)程估計(jì)了圖像之間的轉(zhuǎn)換和映射，從而最大化了源圖像和目標(biāo)圖像之間的相似性。配準(zhǔn)可以是全局的，也可以是局部的，分別估計(jì)源到目標(biāo)圖像的線性(剛性或仿射運(yùn)動(dòng))或非線性變換(局部運(yùn)動(dòng))。然后可以將估計(jì)出來(lái)的變換將圖譜圖像和圖譜標(biāo)簽變換到個(gè)體（被試）空間中。早期的基于圖譜的分割方法就是通過(guò)將單個(gè)標(biāo)記好的圖譜標(biāo)簽變換到目標(biāo)圖像空間完成分割的。但是，如果只使用單個(gè)圖譜，那么分割僅限于一對(duì)大腦之間的精確配準(zhǔn)，由于被試的解剖結(jié)構(gòu)差異很大，因此這不是一個(gè)簡(jiǎn)單的問(wèn)題。所以引入概率圖譜來(lái)解決此類問(wèn)題。概率圖譜是通過(guò)對(duì)大量被試的腦圖像和相應(yīng)的分割圖像求平均而構(gòu)建的。將個(gè)體圖像配準(zhǔn)到平均模板通常比向另一個(gè)個(gè)體圖像配準(zhǔn)所出現(xiàn)的挑戰(zhàn)要少，因?yàn)槠骄鶊D譜已消除了很大的解剖差異。 另外，概率圖譜在每個(gè)體素上提供了每個(gè)結(jié)構(gòu)的概率估計(jì)。這對(duì)于要求每個(gè)標(biāo)簽都具有先驗(yàn)概率模型的概率分割方法至關(guān)重要。解決單個(gè)圖譜配準(zhǔn)不準(zhǔn)確的另一種方法是使用多個(gè)圖譜，其中將不同的圖譜獨(dú)立地與被試數(shù)據(jù)進(jìn)行配準(zhǔn)。這樣可以使用多個(gè)圖譜對(duì)單個(gè)圖譜所引入的誤差進(jìn)行平均，并提高結(jié)果的準(zhǔn)確性。通常，會(huì)使用多個(gè)單個(gè)被試圖譜或概率圖譜用于分割，以適應(yīng)個(gè)體大腦的解剖變異性。基于single-atlas的分割框架基本上可以用下圖來(lái)表示：

基于single-atlas的分割框架。首先個(gè)體圖像和圖譜圖像輸入到一個(gè)廣義的計(jì)算模型中，計(jì)算從圖譜空間變換到個(gè)體空間的形變場(chǎng)，然后再將計(jì)算得到的形變場(chǎng)應(yīng)用到圖譜分割上，將圖譜分割從圖譜空間變換到個(gè)體空間得到個(gè)體分割圖像（注意，這只是個(gè)簡(jiǎn)化模型，現(xiàn)在的基于圖譜的分割算法多是基于multi-atlas的）。

以下各節(jié)介紹了新生兒和胎兒領(lǐng)域中存在的個(gè)體（single subject）圖譜和概率圖譜。表1總結(jié)了不同的圖譜。表3進(jìn)一步列出了圍產(chǎn)期大腦的公開圖譜。表1 與胎兒和新生兒腦圖譜構(gòu)建相關(guān)的研究

3.1. 個(gè)體圖譜（single-subject atlases）

現(xiàn)有文獻(xiàn)中為圍產(chǎn)期大腦構(gòu)建的個(gè)體圖譜有限。Oishi等人(2011)構(gòu)建了一個(gè)由T1、T2和DTI組成的多模態(tài)新生兒腦圖譜，并在單個(gè)被試腦圖像上手工劃分了122個(gè)區(qū)域。手工劃分是基于DTI數(shù)據(jù)上觀察到的白質(zhì)束和回旋模式。相反，Gousias等人根據(jù)T1和T2數(shù)據(jù)生成了多個(gè)個(gè)體圖譜。他們?cè)诖蠹s足月年齡的不同掃描時(shí)間的20名新生兒上手工描繪了50個(gè)結(jié)構(gòu)(Gousias等人(2012)的一個(gè)圖譜如圖5所示)。de Macedo Rodrigues等人（2015）使用T1圖像構(gòu)建了不同年齡的多個(gè)個(gè)體圖譜。將23例掃描年齡在0至2歲之間的嬰兒（包括4名新生兒）的腦部MR圖像手動(dòng)分割為32個(gè)區(qū)域。Alexander等人（2016年）建立了最新的腦圖譜，在10例足月新生兒的T2圖像中描繪了100個(gè)區(qū)域。該圖譜的一個(gè)重要特征是它復(fù)制了Desikan-Killiany方案，該方案在成人研究中廣泛使用并用于新生兒大腦(見圖6)。

圖5 由Gousias等人（2012）手動(dòng)描繪的圖譜將大腦分為50個(gè)區(qū)域。

3.1. 概率圖譜

目前已經(jīng)為新生兒大腦建立了幾套概率圖譜。Kuklisova-Murgasova等人（2011年）使用非參數(shù)核回歸方法構(gòu)建了掃描年齡在28-44周之間的第一個(gè)新生兒大腦時(shí)空?qǐng)D譜（時(shí)空?qǐng)D譜即在不同年齡的時(shí)期上構(gòu)建了三維腦圖譜，借此可研究縱向的影像數(shù)據(jù)）。他們基于142個(gè)仿射配準(zhǔn)到公共空間的圖像計(jì)算了平均T1和T2模板。每一個(gè)年齡段的圖譜進(jìn)一步伴隨著從被試腦圖像的組織自動(dòng)分割中估計(jì)出的組織概率圖。Serag等人(2012)使用類似的方法開發(fā)了具有時(shí)空模板和組織概率圖的“高清”腦圖譜。Schuh等人(2015)遵循了相同的原則，但是使用了不同的配準(zhǔn)方法(源數(shù)據(jù)和目標(biāo)數(shù)據(jù)之間的對(duì)稱配準(zhǔn)以產(chǎn)生反向一致的空間變換)，使用118例新生兒掃描數(shù)據(jù)創(chuàng)建了年齡段位于28到44周的腦圖譜。Makropoulos等人(2016)利用時(shí)空概率圖和標(biāo)簽圖進(jìn)一步改進(jìn)了Serag等人(2012)的腦圖譜，利用420幅自動(dòng)分割的新生兒MR圖像對(duì)87個(gè)結(jié)構(gòu)進(jìn)行了估計(jì)。Shi等人(2011b)基于三個(gè)年齡層掃描的95名受試者，提出了第一個(gè)包含三個(gè)嬰兒大腦時(shí)間點(diǎn)的縱向腦圖譜: 新生兒、1歲和2歲。采用縱向組織分割、基于自動(dòng)解剖標(biāo)記(AAL)圖譜(Tzourio-Mazoyer et al.，2002)和groupwise配準(zhǔn)計(jì)算三個(gè)模板(新生兒為T2, 1歲和2歲為T1)、組織概率圖和90個(gè)結(jié)構(gòu)的分割標(biāo)簽圖。最近，Shi等人(2014)使用基于稀疏patch的技術(shù)構(gòu)建了一個(gè)由T2模板和組織概率圖構(gòu)建的圖譜。他們使用了73名新生兒的MR圖像，并按照Wang等人(2011)提出的方法進(jìn)行group-wise配準(zhǔn)，自動(dòng)分割成不同的組織類型。Zhang等(2016)也采用了基于patch的方法，將小波分解后的大腦圖像分割成不同的頻帶。其T2模板和組織概率圖與Shi等人(2014)使用相同數(shù)量的被試數(shù)據(jù)得到。Blesa等人(2016)制作了一個(gè)單一時(shí)間點(diǎn)的多模態(tài)腦圖譜，他們使用了T1、T2、FA、MD模板和33名被試的MR圖像。基于自動(dòng)分割的組織概率圖，根據(jù)AAL圖譜中標(biāo)簽的傳播，構(gòu)建了具有107個(gè)標(biāo)簽的標(biāo)簽圖像。

Habas等(2010a)構(gòu)建了第一個(gè)胎兒大腦時(shí)空?qǐng)D譜。他們?cè)诒辉囍g使group-wise配準(zhǔn)，并用多項(xiàng)式來(lái)建模磁共振強(qiáng)度、組織概率和胎兒大腦形狀的變化。他們的圖譜使用了20個(gè)胎兒大腦的T2圖像和手工分割標(biāo)簽。 Serag等人(2012)在新生兒腦圖譜的基礎(chǔ)上，使用80個(gè)胎兒腦圖像數(shù)據(jù)，得到了處于23 ~ 37周胎兒大腦和組織概率圖的時(shí)空?qǐng)D譜。

圖6所示。Serag等人(2012)構(gòu)建的新生兒大腦時(shí)空概率圖譜。
4. 圖像采集

圍產(chǎn)期大腦的MR成像需要不同于成人大腦的采集協(xié)議。未成熟的圍產(chǎn)期大腦含水量比成熟的高，需要不同的掃描參數(shù)。另外，由于患者運(yùn)動(dòng)，需要更快的掃描序列，例如快速自旋回波技術(shù)，以獲得具有較少的運(yùn)動(dòng)偽影的圖像。這是由于胎兒運(yùn)動(dòng)和產(chǎn)婦呼吸，運(yùn)動(dòng)在胎兒腦MRI中尤為明顯。胎兒腦MRI通常是通過(guò)非常快速地獲取2D切片來(lái)獲取的，從而“凍結(jié)”切片中的運(yùn)動(dòng)。但是，二維切片通常彼此不對(duì)齊，因此妨礙了自動(dòng)大腦分割。三維重建技術(shù)通常用于校正此類問(wèn)題。Slice-to-volume（SVR）技術(shù)通常在兩個(gè)迭代步驟中執(zhí)行此校正：

a）從2D切片進(jìn)行3D重建，以及b）將2D切片重新對(duì)齊到3D volume。一個(gè)替代的重建技術(shù)通過(guò)優(yōu)化所有切片對(duì)的交點(diǎn)來(lái)對(duì)齊切片。文獻(xiàn)中已經(jīng)提出了許多運(yùn)動(dòng)校正技術(shù)來(lái)糾正運(yùn)動(dòng)，要么在圖像采集過(guò)程中進(jìn)行校正，要么在k空間中進(jìn)行重建。
5. 圖像預(yù)處理

在分割之前，通常會(huì)采用不同的預(yù)處理步驟。最常見的是強(qiáng)度校正和顱骨剝離。強(qiáng)度不均勻性（INU）校正旨在消除在整個(gè)圖像上顯示為平滑變化信號(hào)的強(qiáng)度偏差。INU校正可以在分割之前和/或在分割過(guò)程中執(zhí)行。N3和N4算法通常用于圍產(chǎn)期大腦中的INU校正。文獻(xiàn)中還進(jìn)一步采用了諸如各向異性擴(kuò)散之類的濾波技術(shù)，以在保留邊緣的同時(shí)減少圖像中的噪聲。組織和結(jié)構(gòu)分割方法在處理之前通常先進(jìn)行腦提取。在本文中，作者將腦提取技術(shù)描述為一種特殊的分割方法，并在第7.1節(jié)和第8.1節(jié)中對(duì)胎兒和新生兒的腦提取技術(shù)進(jìn)行回顧。
6. 不同類型的分割方法

這篇綜述的分割技術(shù)分類如下:     

a)  將目標(biāo)人群分為胎兒或新生兒。     

b)  被分割成腦、組織或結(jié)構(gòu)的分割方法。     

c)  采用不同類型的分割方法：無(wú)監(jiān)督、參數(shù)化、分類、地圖集融合、可變形模型。 以下各節(jié)詳細(xì)介紹了方法類別。因此，第7節(jié)和第8節(jié)分別詳細(xì)介紹了胎兒和新生兒文獻(xiàn)中針對(duì)不同類別提出的分割技術(shù)。表2展示了此綜述中針對(duì)其類別討論的不同細(xì)分方法。表3列出了本綜述中討論的公開可用方法。
6.1. 無(wú)監(jiān)督技術(shù)

無(wú)監(jiān)督技術(shù)根據(jù)腦圖像內(nèi)固有的相似性對(duì)數(shù)據(jù)進(jìn)行分類，所以不需要訓(xùn)練數(shù)據(jù)。無(wú)監(jiān)督技術(shù)通過(guò)挖掘基于圖像的特征，把腦圖像分割成強(qiáng)度不同的區(qū)域。在醫(yī)學(xué)圖像分割中使用的方法通常是從標(biāo)準(zhǔn)圖像處理中采用的：閾值化，區(qū)域增長(zhǎng)，形態(tài)運(yùn)算，分水嶺分割，邊緣檢測(cè)和聚類技術(shù)。無(wú)監(jiān)督技術(shù)本身很容易受到噪聲、強(qiáng)度不均勻性和部分容積效應(yīng)的影響，因此很難適應(yīng)不同的掃描序列和具有較大的解剖學(xué)差異的腦圖像數(shù)據(jù)。在圍產(chǎn)期腦分割文獻(xiàn)中，這些方法主要用于其他方法的預(yù)處理和后處理目的，例如：參數(shù)化技術(shù)。聚類技術(shù)已被用來(lái)計(jì)算特定對(duì)象的組織先驗(yàn)來(lái)初始化參數(shù)技術(shù)。已使用區(qū)域生長(zhǎng)、形態(tài)學(xué)操作和分水嶺分割來(lái)識(shí)別/分離圖像中的連接區(qū)域，并根據(jù)重疊的組織強(qiáng)度分布（例如WM與CSF或CGM與背景之間的強(qiáng)度）校正部分體素。然而，結(jié)合無(wú)監(jiān)督技術(shù)也成功地用于大腦和組織的分割。
6.2.圖譜融合（atlas fusion）技術(shù)

圖譜融合方法是基于已對(duì)齊圖譜的標(biāo)簽對(duì)圖像進(jìn)行分割的方法。標(biāo)簽融合技術(shù)通過(guò)投票法來(lái)融合來(lái)自不同圖譜的標(biāo)簽。研究人員提出了多種投票方案，可以根據(jù)圖譜MR圖像與待分割圖像之間的相似性(無(wú)論是全局的還是局部的)，對(duì)每個(gè)圖譜的貢獻(xiàn)進(jìn)行加權(quán)平均。基于patch（所謂patch即將3D的腦圖像切成一個(gè)一個(gè)的2D圖像塊或者3D圖像cube）的技術(shù)為標(biāo)簽融合技術(shù)提供了一種非局部的替代方法。在基于patch的方法中，圖譜中最相似的patch位于圖像的每個(gè)patch的中心體素附近。圖像patch中心體素的標(biāo)簽是是由一系列權(quán)重融合得到的，這些權(quán)重是由圍繞這些中心體素的圖譜patch與中心體素的patch之間的相似性定義的。這些權(quán)重可以減少由多個(gè)不同圖譜所導(dǎo)致的聯(lián)合誤差。Warfield等人（2004）提出了另一類圖譜融合技術(shù)STAPLE（Simultaneous Truth and Performance Level Estimation）。STAPLE計(jì)算真實(shí)分割的估計(jì)，并根據(jù)每個(gè)圖譜在分割上的性能對(duì)圖譜進(jìn)行加權(quán)。重復(fù)該過(guò)程，直到算法在EM框架中收斂為止。在圍產(chǎn)期文獻(xiàn)中，使用圖譜融合的技術(shù)進(jìn)行分割是相對(duì)有限的。這是由于大腦在不同年齡的掃描時(shí)間會(huì)發(fā)生較大的發(fā)育變化，并且不同年齡的圖譜分割標(biāo)簽數(shù)量有限。在被試年齡不同的圖譜之間進(jìn)行配準(zhǔn)是一個(gè)較為困難的任務(wù)，例如將足月孩子的大腦配準(zhǔn)到早產(chǎn)兒的大腦上。但是，通常使用圖譜融合技術(shù)來(lái)得出不同結(jié)構(gòu)的初始概率估計(jì)值，然后通過(guò)諸如參數(shù)化或可變形技術(shù)之類的自適應(yīng)技術(shù)對(duì)其進(jìn)行完善。
6.3. 參數(shù)化技術(shù)

參數(shù)化模型通過(guò)對(duì)數(shù)據(jù)進(jìn)行擬合來(lái)解決分割問(wèn)題。(后驗(yàn))體素概率由空間先驗(yàn)項(xiàng)和強(qiáng)度項(xiàng)組成?？臻g先驗(yàn)分布本質(zhì)上是對(duì)每個(gè)結(jié)構(gòu)的空間位置進(jìn)行編碼，通常基于圖譜數(shù)據(jù)。強(qiáng)度模型參數(shù)分布的典型選擇是高斯混合模型(GMM)，其中每個(gè)大腦結(jié)構(gòu)的強(qiáng)度似然采用高斯分布建模。然后，使用期望最大化算法(EM)、迭代條件模式法(ICM)或圖割法（graph-cut method, 在前深度學(xué)習(xí)時(shí)代，圖割法是圖像分割領(lǐng)域很常用的一種方法。它通過(guò)把圖像轉(zhuǎn)化為由多個(gè)超像素構(gòu)建的圖像，每個(gè)超像素包含多個(gè)空間鄰近且強(qiáng)度相似的像素，每個(gè)超像素作為一個(gè)結(jié)點(diǎn)，超像素之間的相似關(guān)系構(gòu)建為邊，這樣可以把一張圖像建模成圖模型）來(lái)將模型擬合到數(shù)據(jù)中。參數(shù)模型的一般擴(kuò)展包括: MRF正則化來(lái)建模結(jié)構(gòu)的空間相互作用，偏場(chǎng)校正來(lái)解釋強(qiáng)度的不均勻性，以及先前的松弛來(lái)緩解錯(cuò)誤配準(zhǔn)和病理的影響。由于其準(zhǔn)確性和對(duì)解剖結(jié)構(gòu)差異的魯棒性，該系列模型已被大多數(shù)新生兒和胎兒分割方法采用。強(qiáng)度建模允許根據(jù)圖像的強(qiáng)度信息來(lái)適配，通常從概率圖譜或圖譜融合中得出空間先驗(yàn)信息。圖割法已用于腦分割，而EM用于腦、組織和結(jié)構(gòu)分割。
6.4. 分類技術(shù)

在圖譜上直接訓(xùn)練分類器，以基于圖像衍生的特征（例如，單模態(tài)或多模態(tài)的強(qiáng)度和空間特征）來(lái)學(xué)習(xí)分割標(biāo)簽。由其他分割技術(shù)計(jì)算得到的估計(jì)標(biāo)簽可以進(jìn)一步合并為特征，以進(jìn)一步糾正分類技術(shù)導(dǎo)致的細(xì)分偏差。然后，分類器基于學(xué)習(xí)的模型在對(duì)象圖像中標(biāo)記體素。分類技術(shù)，尤其是卷積神經(jīng)網(wǎng)絡(luò)，由于其在計(jì)算機(jī)視覺(jué)任務(wù)中的出色準(zhǔn)確性以及對(duì)不同領(lǐng)域的模型的適應(yīng)性，成為近年來(lái)最受歡迎的分割方法之一。圍產(chǎn)期文獻(xiàn)中的示例分類技術(shù)采用了k-NN、樸素貝葉斯（Bayes）、決策森林、SVM分類器和最近的卷積神經(jīng)網(wǎng)絡(luò)。（換句話來(lái)說(shuō)，基于分類技術(shù)的分割算法，實(shí)際上就是提取每個(gè)體素的特征，可以是強(qiáng)度特征、圖像紋理特征或者上下文特征，把這些特征放入分類器中訓(xùn)練，讓分類器可以為每個(gè)體素進(jìn)行分類）
6.5. 可變形模型

可變形模型是基于物理的模型，它通過(guò)對(duì)一個(gè)封閉的表面進(jìn)行變形來(lái)分割一個(gè)物體。這個(gè)表面在內(nèi)外能的影響下不斷地膨脹或收縮（編者注：可以理解為氣球模型，只不過(guò)氣球需要從卷曲的表面映射回光滑的球狀面，而可變形模型相當(dāng)于氣球模型的反轉(zhuǎn)，從光滑的球表面通過(guò)內(nèi)外力的作用下，收縮到卷曲的表面，收縮的過(guò)程是由外力驅(qū)動(dòng)，而卷曲表面邊界的穩(wěn)定則是由內(nèi)力維持）。外部能量通常是一個(gè)圖像驅(qū)動(dòng)的數(shù)據(jù)擬合項(xiàng)，它將表面移動(dòng)到所需的對(duì)象邊界。內(nèi)能保證了傳播面的平穩(wěn)性，約束了由外能驅(qū)動(dòng)的演化。內(nèi)能可以進(jìn)一步包含有關(guān)目標(biāo)物的先驗(yàn)知識(shí)。可變形模型分為兩類:參數(shù)模型和幾何模型。參數(shù)模型提供了曲面的顯式參數(shù)化。一個(gè)使用參數(shù)可變形模型的示例方法是廣泛使用的大腦提取算法BET，由Smith(2002)提出(作為FSL軟件的一部分實(shí)現(xiàn))。幾何模型，又稱水平集可變形模型，將曲面隱式表示為高維函數(shù)的零水平集。幾何模型被用來(lái)約束皮層外表面(CSF-GM邊界)和皮層內(nèi)表面(GM-WM邊界)之間的距離。可變形模型通常用于單個(gè)結(jié)構(gòu)的分割，其中形狀的先驗(yàn)知識(shí)對(duì)于分割非常重要，例如大腦的分割(特定形狀)或皮層帶的分割(特定厚度)。

表2 本文中按類別討論的細(xì)分方法

表3 可公開獲得的用于腦部MRI分割的圖譜和軟件

7. 胎兒期分割

在本節(jié)中，將會(huì)介紹以往的研究文獻(xiàn)中所提出的胎兒期大腦分割算法。第7.1節(jié)介紹了大腦提取方法，第7.2節(jié)介紹了對(duì)不同組織類型的分割方法。
7.1.大腦分割（提?。?/span>

大腦提取是指從磁共振圖像中去除頭皮和頭骨，只留下腦脊液和腦組織。胎兒大腦的分割是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，因?yàn)樘旱拇竽X需要與母體進(jìn)一步分離。此外，胎兒大腦的運(yùn)動(dòng)也會(huì)使這一分割任務(wù)明顯復(fù)雜化。     

a) 參數(shù)化技術(shù)      

Anquez等人（2009年）采用了三階段的顱骨分割過(guò)程。他們首先通過(guò)模板匹配和對(duì)比度、形態(tài)和生物特征識(shí)別先驗(yàn)信息來(lái)檢測(cè)胎兒的眼睛。之后，他們將大腦在矢狀平面內(nèi)分割。最終將形狀配準(zhǔn)到這個(gè)volume上并用于分割3D大腦。使用圖割法進(jìn)行分割。如果在較寬年齡范圍內(nèi)對(duì)胎兒大腦使用該方法進(jìn)行分割，則單一形狀的配準(zhǔn)可能會(huì)出現(xiàn)問(wèn)題，并且具有運(yùn)動(dòng)偽影的圖像中容易出現(xiàn)錯(cuò)誤。     

b)  分類技術(shù)      

Ison等人（2012）使用隨機(jī)森林分類器來(lái)抑制母體組織的影響并基于3D Haar特征識(shí)別大腦的可能位置。因此，使用高階MRF對(duì)大腦進(jìn)行了分割。Keraudren等人（2014）開發(fā)了用于從具有運(yùn)動(dòng)偽影的3D volume中進(jìn)行大腦檢測(cè)的方法。最初檢測(cè)到最大穩(wěn)定極值區(qū)域（MSER），即內(nèi)部強(qiáng)度均勻，邊界強(qiáng)度高的區(qū)域。然后針對(duì)這些區(qū)域計(jì)算尺度不變特征變換（SIFT）特征，使用k-means算法進(jìn)行聚類，然后使用支持向量機(jī)（SVM）分類器將其分類為大腦/非大腦。然后，通過(guò)將隨機(jī)森林分類器應(yīng)用于2D切片的patch上并使用條件隨機(jī)場(chǎng)（CRF）來(lái)細(xì)化初始分割。Kainz等人（2014年）采用了類似的方法，但是在3D Gabor特征上訓(xùn)練了隨機(jī)森林分類器。因此，使用2D水平集對(duì)分割進(jìn)行了細(xì)化。 該方法已針對(duì)GPU實(shí)現(xiàn)，并且僅需7s即可進(jìn)行大腦分割。Rajchl等人（2016）最近提出了一種基于3D卷積神經(jīng)網(wǎng)絡(luò)和CRF的方法。迭代計(jì)算CNN和CRF，直到收斂為止。他們的方法是通過(guò)在一組使用邊框框住大腦的數(shù)據(jù)上進(jìn)行訓(xùn)練來(lái)執(zhí)行腦分割的，而不是在一堆經(jīng)過(guò)手工分割的大腦數(shù)據(jù)上。     

c)  圖譜融合技術(shù)      

 Wright等人(2014)利用Eskildsen等人提出的(2012)基于patch的大腦分割技術(shù)從胎兒MR圖像中提取大腦。Eskildsen 等人(2012)的方法是一種多分辨率的基于patch 的Coupéet 等人(2011)提出的技術(shù)的拓展版本，這個(gè)技術(shù)原來(lái)用于從成人MRI圖像中提取大腦。Tourbier等人(2015)也使用了多圖譜分割。他們采用了基于歸一化相關(guān)系數(shù)(NCC)的全局權(quán)重對(duì)多個(gè)圖譜融合。圖譜融合技術(shù)對(duì)于配準(zhǔn)錯(cuò)誤十分敏感，而配準(zhǔn)錯(cuò)誤經(jīng)常發(fā)生在具有運(yùn)動(dòng)偽影的胎兒圖像上。為了緩解這個(gè)問(wèn)題，Wright等人(2014)、Tourbier等人(2015)在執(zhí)行大腦提取任務(wù)之前使用了SVR技術(shù)。
7.2.組織分割

一些技術(shù)也提出了對(duì)胎兒大腦進(jìn)行組織分割。胎兒大腦的組織分割已經(jīng)在用SVR重建或沒(méi)有明顯運(yùn)動(dòng)的胎兒圖像上進(jìn)行了。     

a)  參數(shù)化技術(shù)      

 Habas等(2008,2010b)最早提出了一種胎兒腦組織分割的方法。他們采用了與Van Leemput等人(1999)類似的帶有偏差校正的EM模型，并進(jìn)一步引入了MRF懲罰項(xiàng)，以確保對(duì)附近的體素進(jìn)行類似的標(biāo)記。在他們后期的工作中，Habas等人(2009)將atlas先驗(yàn)與層間先驗(yàn)相結(jié)合，對(duì)模型進(jìn)行了擴(kuò)展，層流先驗(yàn)是基于深度的先驗(yàn)，使用拉普拉斯方程進(jìn)行估計(jì)(Jones等人，2000)。Cuadra等人(2009)提出了一種無(wú)atlas組織分割的EM方案。他們將兩種高斯函數(shù)混合用于CGM和WM，而不是單一的類。用經(jīng)驗(yàn)值初始化GMM的高斯參數(shù)。但是對(duì)于在不同年齡的胎兒分割任務(wù)上這種方法可能會(huì)出現(xiàn)一些問(wèn)題，這是因?yàn)樵诓煌挲g下大腦的發(fā)育和髓鞘形成存在差異。他們進(jìn)一步提出了基于體素鄰域的具有局部成分的MRF和基于皮層厚度圖譜的具有全局成分的MRF。PV校正使用基于知識(shí)的規(guī)則執(zhí)行。對(duì)四名受試者進(jìn)行了有限的評(píng)估。Wright等人(2014)同樣使用Ledig等人(2012)開發(fā)的EM-MRF分割方法對(duì)新生兒圖像(下一節(jié)將介紹)進(jìn)行分割，以便從胎兒MRI中分割組織。     

b)  可變形模型      

 Dittrich等人(2011)提出了一種基于水平集的組水平分割技術(shù)，這個(gè)算法從數(shù)據(jù)中推斷出一個(gè)潛在的圖譜，這反過(guò)來(lái)又約束了個(gè)體的分割。他們用一個(gè)包含圖像似然項(xiàng)、空間先驗(yàn)項(xiàng)和平滑約束的水平集的概率公式對(duì)分割進(jìn)行建模。每一項(xiàng)的參數(shù)以交錯(cuò)方式最小化。圖像似然項(xiàng)的參數(shù)用一個(gè)GMM建模，然后用EM算法對(duì)每個(gè)圖像進(jìn)行優(yōu)化。空間項(xiàng)參數(shù)估計(jì)為所有個(gè)體分割的年齡加權(quán)概率平均值，可以認(rèn)為是一個(gè)“時(shí)空隱圖譜（spatio-temporal latent atlas）”。所有的圖像在分割前用組配準(zhǔn)技術(shù)對(duì)齊。分割是針對(duì)單個(gè)結(jié)構(gòu)執(zhí)行的，并且基于單個(gè)手工分割的圖譜。Gholipour等(2012)提出了一種基于形狀的分割技術(shù)，用于胎兒MRI中腦室的分割。通過(guò)使用STAPLE (Warfield et al., 2004)得到初始分割。然后通過(guò)結(jié)合強(qiáng)度和局部空間信息的概率形狀分割得到分割結(jié)果。引入懲罰項(xiàng)來(lái)考慮不同形狀的交點(diǎn)和區(qū)域的平滑度。
8. 新生兒期分割

分割方法在新生兒大腦中的應(yīng)用越來(lái)越廣泛。第8.1節(jié)介紹了用于大腦分割（腦提取，也叫顱骨剝離）的方法，第8.2節(jié)介紹了用于組織分割的方法，第8.3節(jié)介紹了用于更細(xì)致的結(jié)構(gòu)分割的方法。
8.1. 腦提取

用于成人大腦的大腦提取技術(shù)，如BET (Smith, 2002)和BSE (Shattuck et al.， 2001)，通常會(huì)用于新生兒大腦，并已在相關(guān)論文中使用。然而，也已經(jīng)開發(fā)了提取新生兒大腦的算法，并在以下介紹。大多數(shù)已開發(fā)的技術(shù)將其準(zhǔn)確性與BET和BSE進(jìn)行比較。     

a)  無(wú)監(jiān)督分類技術(shù)      

 Peporte 等人（2011）開發(fā)了一個(gè)atlas-free分割方法，這個(gè)方法基于形態(tài)學(xué)操作的組合、區(qū)域增長(zhǎng)和邊緣檢測(cè)以提取大腦區(qū)域。通過(guò)在每個(gè)2D切片上分別使用k-means聚類得到的閾值來(lái)執(zhí)行自適應(yīng)閾值。然而，在Peporte等人（2011）的工作中，只是用了5個(gè)被試的數(shù)據(jù)用于評(píng)估驗(yàn)證。   

b)  參數(shù)化技術(shù)      

Mahapatra(2012)提出了一種基于圖割法的顱骨剝離方法。他們合并了來(lái)自概率mask的先驗(yàn)信息，并引入了利用梯度信息的平滑項(xiàng)。Serag等人(2016)將他們的方法與其他11種大腦分割技術(shù)進(jìn)行了比較，包括BET和BSE。     

c)  分類技術(shù)       Serag等人(2016)提出了一種將MRI分為大腦和非大腦區(qū)域的方法，該方法使用樸素貝葉斯或線性判別分析分類器。選擇那些可在整個(gè)圖譜數(shù)據(jù)庫(kù)中提供補(bǔ)充信息的圖譜。     

d)  可變形模型      

 Yamaguchi等人(2010)提出了一種基于主動(dòng)表面模型的顱骨剝離方法。使用貝葉斯分類方案下的高斯混合模型對(duì)強(qiáng)度信息進(jìn)行建模。從構(gòu)造的圖譜的組織概率圖中合并先驗(yàn)信息。Yamaguchi等人(2010)沒(méi)有對(duì)他們的方法進(jìn)行定量驗(yàn)證，而是依賴于對(duì)結(jié)果的視覺(jué)檢驗(yàn)。類似地，Kobashi和Udupa(2013)提出了一種基于模糊對(duì)象模型的技術(shù)，這是一種使用先驗(yàn)形狀模型的主動(dòng)表面模型。Kobashi和Udupa(2013)對(duì)10個(gè)實(shí)驗(yàn)對(duì)象的結(jié)果進(jìn)行了定量評(píng)估，但是沒(méi)有將他們的方法與其他的大腦提取技術(shù)進(jìn)行比較。Yamaguchi等人(2010)和Kobashi和Udupa(2013)進(jìn)一步將腦脊液從腦組織中分離出來(lái)。Shi等人(2012)開發(fā)了一種結(jié)合BET和BSE兩種腦提取技術(shù)的元算法。對(duì)這兩種技術(shù)的參數(shù)進(jìn)行優(yōu)化，然后用于被試的分割。采用基于水平集的分割算法對(duì)不同參數(shù)的腦提取進(jìn)行融合和細(xì)化。為了降低計(jì)算復(fù)雜度，Shi等人（2012年）使用親和力傳播技術(shù)基于圖譜的強(qiáng)度相似度選擇圖譜。 他們對(duì)246名被試數(shù)據(jù)（包括75名新生兒數(shù)據(jù)）進(jìn)行了廣泛的數(shù)據(jù)庫(kù)驗(yàn)證，并將他們的技術(shù)與其他六種方法（包括BET，BSE和STAPLE）進(jìn)行了比較。
8.2. 組織分割

在新生兒分割領(lǐng)域的研究主要集中于腦MR圖像的組織分割。本節(jié)介紹文獻(xiàn)中用于新生兒組織分割的方法。圖7給出了不同組織類型的分割示例。     

a)  無(wú)監(jiān)督分類技術(shù)      

Gui等(2012a,b)提出了一種基于腦形態(tài)學(xué)先驗(yàn)知識(shí)的無(wú)atlas 分割方法。在他們的工作中，Gui等(2012b)使用T1和T2兩種模態(tài)數(shù)據(jù)，并應(yīng)用分水嶺分割、區(qū)域生長(zhǎng)、主動(dòng)輪廓分割和形態(tài)學(xué)操作對(duì)腦組織進(jìn)行分割。由于Gui等人(2012b)不依賴圖譜，他們的方法不受圖譜配準(zhǔn)錯(cuò)誤的影響。     

b) 參數(shù)化技術(shù)      

 Prastawa等人(2005)基于Van Leemput等人(1999)的EM算法開發(fā)了一種組織分割方法。這項(xiàng)工作的新穎之處包括根據(jù)基于圖的聚類技術(shù)(最小生成樹)區(qū)分有髓鞘和無(wú)髓鞘的WM類，并使用最小協(xié)方差行列式(MCD)估計(jì)去除異常值。使用MCD估計(jì)器估計(jì)高圖譜概率的樣本位置的初始強(qiáng)度估計(jì)。利用非參數(shù)核密度估計(jì)進(jìn)一步細(xì)化分割結(jié)果。該技術(shù)的一個(gè)缺點(diǎn)是通過(guò)對(duì)三個(gè)被試的半自動(dòng)分割結(jié)果平均來(lái)創(chuàng)建圖譜，因此很難捕獲新生兒人群中存在的巨大腦解剖差異。 Xue等人（2007年）類似地實(shí)現(xiàn)了帶有MRF正則項(xiàng)的EM方案。但是，Xue等人（2007年）放棄了使用圖譜作為腦組織先驗(yàn)信息，而是依靠k均值聚類來(lái)獲得特定于被試的組織先驗(yàn)。在處理之前，根據(jù)手動(dòng)分割的圖譜去除深層灰質(zhì)組織。Xue等人（2007年）使用一種基于知識(shí)的方法對(duì)CSF-WM部分容積效應(yīng)（partial volume effect）問(wèn)題進(jìn)行了解決，該方法使用連通分量label來(lái)實(shí)現(xiàn)。作者還介紹了大腦在不同區(qū)域的局部分裂，并以局部方式估算了高斯參數(shù)。Cardoso等人（2011，2011，2013）提出了另一種解決圖譜配準(zhǔn)錯(cuò)誤的方法，提出了一種類似于Shiee等人（2011）的適用于圖譜先驗(yàn)的EM-MRF方案。由圖譜提供的圖譜先驗(yàn)?zāi)Ｐ徒閺?/span>Dirichlet分布中抽取的樣本，并根據(jù)每次EM迭代的后驗(yàn)進(jìn)行了調(diào)整。將CSF-WM 部分容積效應(yīng)建模為不同組織之間的混合分布。此外，他們通過(guò)在組織上引入半共軛高斯先驗(yàn)而偏離了經(jīng)典的高斯模型，該方法是通過(guò)手動(dòng)選擇的代表不同組織的patch初始化的高斯方法。Melbourne等人（2012年）擴(kuò)展了Cardoso等人（2011年，2013年）的工作，以進(jìn)一步對(duì)與估計(jì)模型具有較大馬氏距離的強(qiáng)度聚類進(jìn)行離群值剔除，以減少其在參數(shù)估計(jì)中的影響。 Makropoulos等人（2012b）提出了一種具有圖譜適應(yīng)性的分割方法，類似于Cardoso等人（2011，2013）的工作。 如Xue等人（2007）所述，對(duì)CSF-WM強(qiáng)度重疊進(jìn)行部分容積校正。添加了第二個(gè)部分容積校正步驟以校正WM-GM邊界，從而可以更細(xì)致地描繪皮質(zhì)帶。結(jié)構(gòu)先驗(yàn)是由Atlas先驗(yàn)和特定于被試的先驗(yàn)的組合而獲得的，這些先驗(yàn)是通過(guò)用k均值進(jìn)行強(qiáng)度聚類得到的，以提供對(duì)先驗(yàn)更好的初始估計(jì)。 Ledig等人（2012）通過(guò)引入二階MRF和Cardoso等人（2011）的MRF模型，擴(kuò)展了Cardoso等人（2011，2013）的EM-MRF模型。如果在該類的鄰域中存在一對(duì)類，則二階MRF會(huì)對(duì)該類的存在進(jìn)行懲罰。Shi等人（2010年）提出了一種利用特定于被試的概率圖譜進(jìn)行新生兒組織分割的框架，該圖譜是根據(jù)以后獲取的縱向數(shù)據(jù)生成的。該圖譜是使用AFCM（一種模糊聚類技術(shù)）構(gòu)建的。之后，將圖譜用于聯(lián)合配準(zhǔn)分割框架中，該框架在改進(jìn)的EM算法中迭代執(zhí)行圖譜配準(zhǔn)、偏置場(chǎng)校正和基于圖譜的組織分割。在他們后來(lái)的工作中（Shi等人，2011a），根據(jù)Shi等人（2010）計(jì)算的新生兒大腦分割，根據(jù)其與被試的相似性，構(gòu)建了特定于被試的圖譜。使用Hessian濾波器在被試的皮質(zhì)GM置信度圖上測(cè)量相似度。像Shi等人（2010）一樣，使用構(gòu)建的特定被試的圖譜以聯(lián)合配準(zhǔn)分割的方式分割圖像。由于是縱向數(shù)據(jù)框架，Shi等人（2010年）的方法需要隨之而來(lái)的新生兒大腦成像數(shù)據(jù)。 Liu等人（2016）研究了EM框架中基于patch的先驗(yàn)的使用。他們最初得出的特定于被試的圖譜具有類似于Habas等人（2010b）的模板和組織概率。通過(guò)在特定于被試的圖譜上進(jìn)行基于patch的搜索策略來(lái)定義其他組織概率。這兩個(gè)概率在空間上與patch貢獻(xiàn)度量（基于patch及其鄰域的強(qiáng)度結(jié)構(gòu)）和基于交叉驗(yàn)證計(jì)算的體素標(biāo)簽準(zhǔn)確性度量進(jìn)行了融合。他們進(jìn)一步研究了基于圖譜的局部可變性在基于patch的搜索中改變搜索窗口的效果。       

對(duì)成人腦分割軟件的改進(jìn)也已在相關(guān)文獻(xiàn)中提出。Wang等人（2012c）將SPM分割軟件改造為新生兒腦分割軟件。SPM分割算法可迭代地修改概率圖譜中的組織分割、偏差校正和非線性配準(zhǔn)。SPM的組織分割方法基于EM方案，并使用ICM優(yōu)化了聯(lián)合代價(jià)函數(shù)。當(dāng)函數(shù)收斂后，使用連通分量label進(jìn)行部分容積校正。 Wu 和Avants（2012）提出了一種基于Atropos工具的技術(shù)（Avants等，2011）。EM-MRF技術(shù)與ICM參數(shù)優(yōu)化一起使用。T1和T2圖像均用于多元數(shù)據(jù)項(xiàng)。根據(jù)基于圖譜的先驗(yàn)概率對(duì)分類錯(cuò)誤的體素進(jìn)行校正。Beare等人（2016）使用形態(tài)學(xué)操作、分水嶺變換和通過(guò)擴(kuò)張重建的方法，將SPM中實(shí)現(xiàn)的分割方法擴(kuò)展到了新生兒腦分割。      

c) 分類技術(shù)      

Anbeek等(2008,2013)提出了一種基于k-NN分類的組織分割方法?；谟?xùn)練圖像的強(qiáng)度和空間特征，構(gòu)造多維特征空間。分割是根據(jù)圖像中每個(gè)體素在多維空間中與k個(gè)最近鄰的親和力來(lái)估計(jì)的。在Anbeek等人(2008)中，他們直接從圖像的坐標(biāo)計(jì)算空間特征。在Anbeek等人(2013)的后期工作中，他們利用平均大腦圖像的空間坐標(biāo)改進(jìn)了空間特征的定義。Srhoj-Egekher等(2012)提出了一種基于標(biāo)簽融合和監(jiān)督分類的方法。初始標(biāo)簽融合步驟的先驗(yàn)值與每個(gè)組織的獨(dú)立2類k-NN分類的概率相結(jié)合。k-NN分類是根據(jù)T1和T2模態(tài)的強(qiáng)度特征進(jìn)行的。最后一步是利用主成分分析得到的降維空間中的樸素貝葉斯分類器對(duì)多個(gè)組織類別的體素進(jìn)行分類。Chita 等人(2013)和Moeskops 等人(2015)提出了一種多級(jí)監(jiān)督分類方法用于新生兒圖像的分割。圖像體素分類分為三個(gè)階段:      

1.  算法的特征空間由空間特征、強(qiáng)度特征和當(dāng)前的概率輸出組成；     

2. 從Moeskops等人的方法中得到T2圖像的強(qiáng)度特征，從Chita等人的方法中得到T1和T2圖像的強(qiáng)度特征；     

3.  第一個(gè)階段和第二個(gè)階段分別對(duì)每個(gè)組織進(jìn)行獨(dú)立的2類分類，第三個(gè)階段對(duì)所有的類都使用4類分類。Chita等人(2013)在所有階段都使用k-NN分類器。Moeskops等人(2015)在第一階段和第三階段使用了k-NN分類器，在第二階段使用了SVM分類器。采用正向特征選擇方案選擇各階段的最佳特征。與Chita et al(2013)類似，Wang et al(2015)使用基于強(qiáng)度特征和當(dāng)前概率輸出的多階段分類方案。使用這種方案，他們估計(jì)了概率圖，并使用稀疏表示法對(duì)其進(jìn)行了修正。使用隨機(jī)森林進(jìn)行分類，并在T1、T2和FA圖像上進(jìn)行訓(xùn)練。最近，Moeskops等人（2016）利用多尺度CNN分割腦組織。在采集平面上使用2D patch。在輸出層中組合了多個(gè)大小的patch和卷積核，以進(jìn)行最終分割。Sanroma等人（2016）將分割問(wèn)題以集成的方式轉(zhuǎn)換為方法的組合。他們結(jié)合了兩種方法，一種是基于Wang等人（2012a）的聯(lián)合標(biāo)簽融合方法，另一種是基于強(qiáng)度的方法，并在模板圖像的超體素上訓(xùn)練了SVM。然后，他們?cè)诨趦煞N方法的預(yù)測(cè)和概率估計(jì)的集成方法中學(xué)習(xí)兩種方法的區(qū)域加權(quán)。分類技術(shù)在新生兒組織分割挑戰(zhàn)賽NeoBrainS12(詳見9.1節(jié))中獲得了精度非常好的結(jié)果。然而，它們比參數(shù)化和非監(jiān)督技術(shù)對(duì)大腦圖像強(qiáng)度的差異更敏感。      

d)  圖譜融合技術(shù)      

Weisenfeld等人(2006)和Weisenfeld and Warfield(2009)使用迭代樣本估計(jì)過(guò)程對(duì)腦組織進(jìn)行分割。最初，圖譜標(biāo)簽被變換到被試空間，以得到被試分割的初步估計(jì)。然后，他們使用分割迭代地優(yōu)化每個(gè)atlas的樣本，并使用staples算法重新估計(jì)分割。他們用MRF項(xiàng)來(lái)模擬空間同質(zhì)性。Weisenfeld和Warfield(2009)進(jìn)一步采用類似于Xue等人(2007)的方法對(duì)CSF-WM 的部分容積效應(yīng)進(jìn)行校正。Weisenfeld和Warfield(2009)的組織分割需要精確的圖譜對(duì)齊，這是一個(gè)重要的問(wèn)題，因?yàn)樾律鷥旱拇竽X經(jīng)歷了巨大的發(fā)育變化。Kim等人(2015)開發(fā)了一種用于新生兒大腦分割和表面重建的工作流程。他們采用Coupe等(2011)的基于patch的模型和Wang等人(2012a)開發(fā)的聯(lián)合圖譜誤差估計(jì)相結(jié)合的技術(shù)對(duì)新生兒大腦進(jìn)行分割。基于Wang等人(2012a)的方法，將圖譜中的相似patch與聯(lián)合圖譜錯(cuò)誤的加權(quán)系數(shù)進(jìn)行融合。Kim等人(2015)將大腦分為兩部分，皮質(zhì)帶以及作為一個(gè)整體的剩余大腦區(qū)域。      

e) 可變形模型      

Wang等人(2011)提出了一種基于局部強(qiáng)度信息項(xiàng)、圖譜組織先驗(yàn)和皮層厚度約束的耦合水平集的分割算法。用具有空間變化均值和方差的高斯分布對(duì)局部強(qiáng)度信息進(jìn)行建模。使用皮層厚度約束將CSF/GM和GM/WM表面距離約束在預(yù)定范圍內(nèi)。采用類似于Xue等(2007)的方法將CSF-WM 部分容積校正納入模型。他們后來(lái)(Wang et al . 2012b)在多模態(tài)和縱向框架工作中擴(kuò)展了他們的方法。結(jié)合使用T1、T2和FA圖像進(jìn)行多模態(tài)圖像分割任務(wù)。此外，在不同時(shí)間點(diǎn)獲得的圖像被納入縱向的水平集分割。采用4D配準(zhǔn)方法對(duì)不同的時(shí)間點(diǎn)進(jìn)行迭代配準(zhǔn)，并根據(jù)相鄰時(shí)間點(diǎn)的約束條件進(jìn)行縱向分割。Wang 等人（2014）提出使用空間一致的特定于被試的圖譜進(jìn)行基于patch的分割。Wang等人（2011，2012b，2014）專注于WM、GM和CSF的分割，未將深層GM和皮層GM分離開，也沒(méi)有分割腦干和小腦。
8.3. 結(jié)構(gòu)分割

對(duì)大腦局部結(jié)構(gòu)的繪制比較困難，這是因?yàn)槿狈?xì)致的的手工分割圖譜。早期的方法是基于人工放置在腦軸上的CGM和WM區(qū)域的分割。這些軸將CGM / WM分為16個(gè)部分：額葉、中央前、中央和枕骨區(qū)，分為左右半球的上半部和下半部。Oishi等人（2011）和Gousias等人（2012）手動(dòng)描繪了大腦的第一個(gè)區(qū)域圖譜?，F(xiàn)有的分割方法使用這些圖譜或從成人圖譜中的label來(lái)描繪嬰幼兒大腦的區(qū)域結(jié)構(gòu)。使用成人大腦結(jié)構(gòu)的label進(jìn)行分割可能會(huì)出現(xiàn)問(wèn)題，因?yàn)榘l(fā)育中的大腦可能尚未形成不同的大腦結(jié)構(gòu)。圖8中展示了了分割為不同結(jié)構(gòu)的示例。     

a)  參數(shù)化技術(shù)      

Makropoulos等人（2012a，2014）利用Gousias等人（2012）的圖譜通過(guò)類似于Makropoulos等人（2012b）的EM方法自動(dòng)將新生兒大腦分為87個(gè)區(qū)域。 在Makropoulos等人（2014）的方法中，他們根據(jù)MR圖像中的局部強(qiáng)度梯度將EM方法與加權(quán)標(biāo)簽融合相結(jié)合。Makropoulos等人（2016）擴(kuò)展了Makropoulos等人（2014）中提出的方法，使用基于厚度的校正和WM-CGM邊界的部分容積校正對(duì)皮質(zhì)帶進(jìn)行了更細(xì)致的分割。Makropoulos等人（2014年）從早產(chǎn)兒到足月兒對(duì)不同年齡的新生兒大腦進(jìn)行了分割。但是，受限于手工分割，因此提出了對(duì)早產(chǎn)兒大腦結(jié)構(gòu)的定量評(píng)估。Wu et al（2014）從20個(gè)成人OASIS模板中將標(biāo)簽變換到新生兒圖像上。在基于EM的初始組織分割之后，他們使用Wang等人（2012a）提出的標(biāo)簽融合方法將皮質(zhì)帶分成62個(gè)區(qū)域。     

b)  圖譜融合技術(shù)      

Gousias等人（2013）利用了他們手動(dòng)分割的圖譜（Gousias et al（2012）），并研究了基于圖譜的標(biāo)簽融合方法或最大概率圖譜對(duì)齊的分割方法。標(biāo)簽融合需要對(duì)圖譜進(jìn)行精確地配準(zhǔn)，這在不同年齡之間新生兒大腦上很難實(shí)現(xiàn)。

圖7 使用Draw-EM的新生兒MRI的組織分割示例。

圖8.使用Draw-EM的新生兒MRI結(jié)構(gòu)分割的示例。

9. 評(píng)估分割方法

分割方法的準(zhǔn)確性是根據(jù)作為“金標(biāo)準(zhǔn)”的手工標(biāo)注進(jìn)行定量評(píng)估。精度通常用重疊測(cè)量和/或表面距離測(cè)量來(lái)估計(jì)。胎兒和新生兒文獻(xiàn)中最常用的重疊度量是Dice系數(shù)。在兩個(gè)分割完全重合的情況下，Dice系數(shù)為1，在兩個(gè)分割結(jié)果沒(méi)有重合的情況下，Dice系數(shù)為0。有時(shí)會(huì)報(bào)告基于皮層表面的距離度量。一個(gè)曲面S’a和S’m之間的平均表面距離，分別由Sa和Sm的分割計(jì)算得到，定義為兩個(gè)曲面對(duì)應(yīng)點(diǎn)(如最近點(diǎn))之間的平均距離。因此，計(jì)算Hausdorff距離為兩個(gè)曲面對(duì)應(yīng)點(diǎn)之間的最大距離（編者注：還有一種常用的度量是基于分割結(jié)果的modified-Hausdorff距離，這個(gè)距離度量了兩個(gè)分割點(diǎn)集的輪廓的相似性）。

由于人工標(biāo)注的數(shù)據(jù)量有限，并且圍產(chǎn)期大腦快速發(fā)育造成的個(gè)體差異，定量評(píng)估相對(duì)有限。通常以交叉驗(yàn)證的方式在以手工分割的圖譜作為訓(xùn)練數(shù)據(jù)的算法上進(jìn)行評(píng)估，以比較評(píng)估自動(dòng)化算法與人類專家之間的分割差異。此外，有時(shí)通過(guò)與未用于算法訓(xùn)練的手共分割數(shù)據(jù)進(jìn)行比較來(lái)補(bǔ)充定量評(píng)估的結(jié)果。這些數(shù)據(jù)可以全部標(biāo)記，也可以部分標(biāo)記在選定的切片和/或結(jié)構(gòu)上。由于不同的數(shù)據(jù)采集參數(shù)，不同的手動(dòng)參考分割以及不同的結(jié)構(gòu)定義和分割的結(jié)構(gòu)數(shù)量，對(duì)不同的分割技術(shù)進(jìn)行直接比較并不容易。為了解決這個(gè)問(wèn)題并為社區(qū)提供最新技術(shù)成果，I?gum等人（2015年）在MICCAI 2012上組織了新生兒腦組織分割挑戰(zhàn)賽NeoBrainS12。下一節(jié)簡(jiǎn)要介紹了這一挑戰(zhàn)賽。

9.1. NeoBrainS12

最近舉行的新生兒腦分割挑戰(zhàn)賽NeoBrainS12，目的是評(píng)估提交的新生兒組織分割算法的性能。作為NeoBrainS12挑戰(zhàn)的一部分，研究人員提供了三組不同的T1和T2圖像:在校正年齡為40周時(shí)獲得的軸位掃描(第1組)、在校正年齡為30周時(shí)獲得的冠狀位掃描(第2組)以及在校正年齡為40周時(shí)獲得的冠狀位掃描(第3組)。包括來(lái)自第1組和第2組的7例嬰兒的影像數(shù)據(jù)，以及來(lái)自第3組的5例嬰兒的影像數(shù)據(jù)。人工將大腦MR圖像分為八個(gè)區(qū)域：皮質(zhì)灰質(zhì)（CGM）、無(wú)髓白質(zhì)（WM）、有髓白質(zhì)（MWM）、腦干、基底節(jié)和丘腦（BGT）、小腦、腦脊液和心室。挑戰(zhàn)賽網(wǎng)頁(yè)http://neobrains12.isi.uu.nl中描述了比賽的規(guī)則。 這個(gè)挑戰(zhàn)賽包括兩個(gè)階段：挑戰(zhàn)賽之前的一部分和on-site上的一部分。挑戰(zhàn)賽之前的部分中提供了每組3名嬰兒的數(shù)據(jù)集作為測(cè)試數(shù)據(jù)，而on-site部分則提供了每組2名嬰兒的數(shù)據(jù)集，沒(méi)有進(jìn)行人工分割。在這些數(shù)據(jù)集上評(píng)估了算法。團(tuán)隊(duì)可以選擇要分割的數(shù)據(jù)集和組織類型。on-site部分設(shè)置了兩個(gè)小時(shí)的時(shí)間范圍。提供每個(gè)第1組和第2組的兩個(gè)嬰兒的其余數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)提供，并帶有手工分割。圖9展示了不同方法提交到挑戰(zhàn)賽上的圖示結(jié)果。

分別對(duì)on-site部分和挑戰(zhàn)賽前部分的分割結(jié)果進(jìn)行了評(píng)估。 表4列出了不同技術(shù)得到的分割結(jié)果與手工分割標(biāo)準(zhǔn)之間的Dice系數(shù)。這里應(yīng)該注意，NeoBrainS12仍然可以提交結(jié)果，并且是進(jìn)行基準(zhǔn)測(cè)試的重要資源。 自NeoBrainS12挑戰(zhàn)賽結(jié)束以來(lái)，越來(lái)越多的研究根據(jù)挑戰(zhàn)賽數(shù)據(jù)評(píng)估了他們的技術(shù)。所有的方法在挑戰(zhàn)中都能得到精確的分割結(jié)果，不同組織的Dice系數(shù)位于0.71到0.95之間。唯一的例外是無(wú)法連續(xù)分割髓鞘化WM。在大多數(shù)情況下，提交的方法之間的結(jié)果差異很小。此外，由于是在有限數(shù)量的圖像上進(jìn)行評(píng)估（on-site每組兩張圖像，挑戰(zhàn)前部分中每組三張圖像），因此在NeoBrainS12中未評(píng)估分割結(jié)果精度的顯著性。

圖9 不同技術(shù)提交到NeoBrainS12挑戰(zhàn)賽上的分割示例。從上到下: MR圖像、手動(dòng)分割、Makropoulos et al (2012b)、Wang et al (2012c)、Melbourne et al (2012)、Wu and Avants (2012)、Srhoj-Egekher et al (2012)、Anbeek et al(2008)。

表4 NeoBrainS12挑戰(zhàn)賽基于網(wǎng)絡(luò)的結(jié)果和現(xiàn)場(chǎng)（on-site）部分的結(jié)果（數(shù)據(jù)來(lái)自http://neobrains12.isi.uu.nl）。將提交的分割結(jié)果與手工分割結(jié)果進(jìn)行比較計(jì)算Dice系數(shù)。帶有*的方法是在開發(fā)分割方法的期間由可用的測(cè)試集的手工分割標(biāo)簽數(shù)據(jù)，這些方法沒(méi)有放在NeoBrainS12中的排名中。每種組織的最佳結(jié)果以粗體標(biāo)出。
10. 未來(lái)的發(fā)展方向

隨著人們對(duì)圍產(chǎn)期大腦的研究興趣日益增加以及越來(lái)越多質(zhì)量好的數(shù)據(jù)可以獲取，這允許我們對(duì)圍產(chǎn)期大腦進(jìn)行定量評(píng)估。盡管現(xiàn)在的分割技術(shù)非常成功，并且以往文獻(xiàn)所報(bào)告的分割精度與成人大腦分割精度相似，但是仍然存在一些需要解決的問(wèn)題。本節(jié)介紹圍產(chǎn)期腦分割領(lǐng)域研究的現(xiàn)有挑戰(zhàn)和未來(lái)方向。
10.1.圖譜和可用資源

圍產(chǎn)期腦自動(dòng)分割技術(shù)發(fā)展的一個(gè)約束因素是缺乏手工分割的圖譜。 目前最全面的手工分割標(biāo)記圖譜由Gousias等人（2012）引入。目前還沒(méi)有關(guān)于早產(chǎn)期和胎兒大腦的詳細(xì)圖譜。這種圖譜特別令人感興趣，因?yàn)樵诖似陂g的大腦結(jié)構(gòu)正在形成和發(fā)展。因此，將分割標(biāo)簽從足月變換到較早時(shí)期的方法可能需要對(duì)較小腦區(qū)進(jìn)行空間映射，而不是利用觀察到的解剖變異性。胎兒和早產(chǎn)兒的手工分割圖譜將有助于進(jìn)一步在早期大腦中使用自動(dòng)分割方法。此外，圖譜的公開可用性對(duì)于相關(guān)社區(qū)開發(fā)可用的分割方法至關(guān)重要。

腦分割技術(shù)在新生兒和胎兒領(lǐng)域應(yīng)用有限的一個(gè)因素是缺乏可用于基準(zhǔn)測(cè)試的公開數(shù)據(jù)庫(kù)。NeoBrainS12提供了數(shù)量有限的手工標(biāo)記數(shù)據(jù)，這些數(shù)據(jù)可用于評(píng)估算法在不同組織類型的分割中的準(zhǔn)確性。對(duì)新生兒大腦和胎兒大腦的更詳細(xì)結(jié)構(gòu)進(jìn)行類似的分割競(jìng)賽，將可以定量描述不同分割技術(shù)之間的差異。此外，使用更大量的甚至未標(biāo)記的數(shù)據(jù)也可能有助于提高半監(jiān)督方法的性能。大多數(shù)分割技術(shù)中使用的數(shù)據(jù)有限，部分原因是公開數(shù)據(jù)數(shù)量有限。dHCP是一個(gè)正在進(jìn)行的旨在研究發(fā)育中的腦連接組的項(xiàng)目，它將為研究界提供大量的結(jié)構(gòu)和彌散數(shù)據(jù)。需要建立類似的資源以創(chuàng)建可用于相關(guān)方法開發(fā)的大型數(shù)據(jù)庫(kù)。最后，開放相關(guān)分割軟件的源代碼將允許更快地開發(fā)分割工具、大學(xué)之間的協(xié)作以及不同分割方法之間的比較。
10.2.髓鞘化白質(zhì)的分割

有髓鞘和無(wú)髓鞘白質(zhì)之間的區(qū)分具有重要意義。 新生兒大腦中的髓磷脂含量逐漸增加，并能使大腦中的信號(hào)傳導(dǎo)更快。因此，它被認(rèn)為與大腦的功能成熟有關(guān)。與足月兒相比，早產(chǎn)腦與髓鞘減少有關(guān)。只有少數(shù)研究試圖區(qū)分有髓鞘和無(wú)髓鞘白質(zhì)，其中大多數(shù)使用NeoBrainS12挑戰(zhàn)賽中的有髓鞘WM數(shù)據(jù)。此問(wèn)題可能還與缺少定義這些區(qū)域的手動(dòng)分割圖譜有關(guān)，但是無(wú)監(jiān)督技術(shù)可能能夠額外輔助這種區(qū)分。
10.3.分割方法

深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)領(lǐng)域非常流行。他們?yōu)橄嚓P(guān)的計(jì)算機(jī)視覺(jué)問(wèn)題以及最近的醫(yī)學(xué)成像問(wèn)題方面提供了重大改進(jìn)。在圍產(chǎn)期腦分割領(lǐng)域中，僅在Moeskops（2016）和Rajchl（2016）的工作中中使用了CNN。半監(jiān)督技術(shù)也很少被采用（Dittrich et al，2011）。對(duì)成人大腦的研究（Wolz et al，2010）表明，在分割過(guò)程中引入未標(biāo)記的數(shù)據(jù)會(huì)提高分割精度。分割方法的開發(fā)另一個(gè)重要方向是對(duì)病理性大腦進(jìn)行可靠的分割。胎兒和新生兒時(shí)期常見的腦部異常，例如腦室肥大或缺氧缺血性腦疾病，會(huì)嚴(yán)重影響已開發(fā)技術(shù)的性能。（編者注：深度學(xué)習(xí)除了在腦分割領(lǐng)域應(yīng)用很廣之外，在腦圖像配準(zhǔn)、皮層拓?fù)湫Ｕ?、去噪、去偽影頭動(dòng)等等方面都有很廣泛的應(yīng)用）
10.4.自動(dòng)化分割的質(zhì)量控制

自動(dòng)分割方法不可能一直都完全準(zhǔn)確。一個(gè)重要的研究方向是直接從每個(gè)分割結(jié)果中提供可靠性估計(jì)。可以開發(fā)事后解決方案以自動(dòng)地對(duì)方法的分割質(zhì)量進(jìn)行評(píng)分，例如 基于不同分割結(jié)果之間的一致性。這將有助于識(shí)別分割方法存在的問(wèn)題，并在大型臨床研究中識(shí)別分割不準(zhǔn)確的案例。
10.5.臨床研究中的應(yīng)用

分割的最重要目標(biāo)是幫助新生兒和胎兒進(jìn)行相關(guān)病理的檢測(cè)和表征。使用分割技術(shù)得出的定量測(cè)量結(jié)果有可能增進(jìn)對(duì)新生兒大腦疾病的了解，例如缺氧缺血性腦病、腦梗塞、腦室白細(xì)胞軟化、出血和病變以及胎兒大腦的腦室肥大、皮質(zhì)發(fā)育畸形。利用分割技術(shù)對(duì)正常發(fā)育中的大腦和不同病理學(xué)的定量體積測(cè)量，對(duì)于定義正常位點(diǎn)和識(shí)別異常標(biāo)記至關(guān)重要。可以把大型數(shù)據(jù)庫(kù)的公開資源用作臨床研究的參考，并促進(jìn)在臨床實(shí)踐中使用自動(dòng)分割技術(shù)。此外，詳細(xì)結(jié)構(gòu)的DTI和fMRI測(cè)量可用于進(jìn)一步擴(kuò)展此資源。 盡管進(jìn)行此類分析的前提是需要開發(fā)健壯的方法以及相關(guān)方法的質(zhì)量控制流程。
10.6.從新生兒過(guò)渡到成人

還需要細(xì)致劃分的大腦結(jié)構(gòu)，從而將新生兒大腦、胎兒大腦到成年期大腦的結(jié)構(gòu)發(fā)育聯(lián)系起來(lái)。Alexander等人（2016）構(gòu)建的圖譜為在新生兒期大腦和成年期大腦之間建立這種聯(lián)系提供了重要資源。Alexander等人（2016）根據(jù)Desikan Killiany協(xié)議（Desikan et al，2006）描繪了新生兒大腦中的皮質(zhì)結(jié)構(gòu)，該協(xié)議通常用于成年大腦的皮層劃分的研究。此外，de Macedo Rodrigues等人（2015）的圖譜將2歲以下的新生兒大腦和嬰兒大腦分割成32個(gè)區(qū)域，從而可以將嬰兒期的腦發(fā)育聯(lián)通起來(lái)。Shi等人（2010）和Wang等人（2012b）開發(fā)縱向分割方法對(duì)于在不同的時(shí)間點(diǎn)一致地分割結(jié)構(gòu)很重要。在此應(yīng)注意，等強(qiáng)度階段（約6-8個(gè)月）獲得的嬰兒大腦MRI分割特別具有挑戰(zhàn)性，因?yàn)檫@個(gè)時(shí)期的WM和CGM強(qiáng)度分布具有很明顯的重疊。解決此問(wèn)題的方法很有限。
11. 總結(jié)

隨著能夠獲得更好質(zhì)量的圖像并且越來(lái)越多人關(guān)注胎兒和新生兒發(fā)育，胎兒和新生兒大腦的分割越來(lái)越引起人們的興趣。在這篇綜述文章中，作者調(diào)查了與胎兒和新生兒大腦MRI分割相關(guān)的文獻(xiàn)。作者首先介紹了腦分割領(lǐng)域（尤其是圍產(chǎn)期大腦）面臨的困難。因此介紹了用作先驗(yàn)知識(shí)的腦圖譜。接下來(lái)是對(duì)圖像采集和圖像預(yù)處理技術(shù)的簡(jiǎn)要說(shuō)明，這些技術(shù)在分割之前用于減少由于運(yùn)動(dòng)、噪聲和強(qiáng)度不均勻而導(dǎo)致的圖像偽影。他們根據(jù)目標(biāo)人群、分割任務(wù)和方法類型對(duì)不同的分割方法進(jìn)行了描述。他們提出了用于評(píng)估分割質(zhì)量的評(píng)估指標(biāo)，并介紹了NeoBrainS12（一種新生兒腦分割挑戰(zhàn)賽），它經(jīng)常被用作新生兒組織分割方法的基準(zhǔn)。最后，介紹了該領(lǐng)域尚存的挑戰(zhàn)和未來(lái)可能的方向。由于缺乏數(shù)據(jù)，相關(guān)方法的開發(fā)仍然存在困難。但是，隨著圍產(chǎn)期大腦數(shù)據(jù)資源的累計(jì)，預(yù)計(jì)在不久的將來(lái)將克服這些問(wèn)題。未來(lái)的方法應(yīng)該對(duì)處于發(fā)育中的大腦或者存在病理特征的大腦的分割具有魯棒性。 這將允許對(duì)病理病例進(jìn)行細(xì)致的研究，并有可能允許在臨床實(shí)踐中使用自動(dòng)分割方法。 一句話總結(jié)：本文結(jié)合圍產(chǎn)期胎兒、新生兒MRI所面臨的挑戰(zhàn)（偽跡多、信號(hào)差、個(gè)體差異大等），從圖譜到腦組織提取到分割，比較全面地綜述了現(xiàn)有的圍產(chǎn)期腦影像分割算法，在方法學(xué)上比較有借鑒意義。

微信掃碼或者長(zhǎng)按選擇識(shí)別關(guān)注思影