A Corpus Callosum modell-alapú
szegmentálása az MRI felvételeken
A Corpus Callosum a kérges test latin neve, amely a fő összeköttetés a két agyfélteke között (továbbiakban csak CC), és amelynek elhelyezkedése és alakja összefüggésben áll az emberek nemével, korával, neurodegeneratív betegségeivel és számos szokásával is.
A cikk írói egy új eljárást fejlesztettek ki a CC szegmentálására, amely az MRI felvételek intenzitásának mértékét és a CC alakjáról meglévő előzetes információkat használja fel anélkül, hogy a felhasználónak komolyan közbe kellene avatkoznia.
Az algoritmus arra épül, hogy mivel a CC-nek viszonylag homogén a belső területe a szürkeségi szintre nézve, a fő jellegzetessége, amely elkülöníti az agy többi területeitől, az alakja. Ezért megkísérelték "megtanulni" a CC alakját és így egy modell-alapú szegmentálást alkalmazni egy kezdeti, az agy szövettípusai szerint szegmentált képre.
Mivel a CC szegmentálása az orvostudomány számára nagyon fontos, már korábban is született számos algoritmus rá (az egyik ilyen kifejlesztésében például egy Székely nevezetű magyar tudós is részt vett). Ezek közül a leggyakrabban alkalmazott módszer a manuális él-detektálás. Több számítógépes megoldás is született, de egyik sem volt közel tökéletes: vagy túl sokat kellett a felhasználónak közbeavatkozni vagy nem voltak elég pontosak az eredmények. A jelen eljárásnak számos előnye van ezekkel szemben: majdnem teljesen automata az algoritmusa, nincsenek magas számítógép-követelmények, pontos eredménnyel szolgál és segítségével még a teljes agytömeget is meg lehet becsülni.
Az algoritmus tehát kétféle megközelítés kombinációja.
Az első fázis egy 3 dimenziós szegmentálás a szövetek alapján. Itt többváltozós sűrűségfüggvényeket, kovariens mátrixokat és olyan vektorokat használnak, melyeknek elemei a különböző szövettípusokat reprezentálják. Hogy ezek becsült értékeit megkapják, az intenzitás alapján egy 2 dimenziós kép voxeljeiből hoznak létre K-középértékű csoportokat; lehetőleg annyit, ahány várható szövettípus lesz (voxel: 3D-s kis egység, amely a gyakorlati teszteken 1×1×1.25 mm3 kiterjedésű). Az algoritmus Haslett osztályozó algoritmusát alkalmazza minden voxel elsőrendű, 3D-s szomszédaira (ezek a tőle É-ra, K-re, Ny-ra, D-re, felfelé és lefelé elhelyezkedő voxelek).
A másik szakaszban, hogy megkapják a CC "prototípusát", páronként összehasonlítják minden formára a simított és az eredeti verziót. Először a teljes képekre, majd minden egyes határpontra vizsgálják a hasonlóságot. Így kapnak egy kovariens mátrixot, mely a különbségeket (távolságokat) tartalmazza, és a legkisebb alapján kiválasztják és elkülönítik a környező pontoktól a legjobb simított változatot. A megfelelő alakot pedig a Procrustes-analízis alkalmazásával kapják.
A végső szegmentálásban megpróbálják élesíteni a CC-t a prototípus előzetes szegmentált képre vetítésével. Hogy gyorsabb legyen az algoritmus, a belső területeket először kiszűrik.
A kísérletek kimutatták, hogy ha nem az előzetesen szegmentált képre alkalmazzák ezt a modell-alapú szegmentálást, akkor sok zajt nem tudnának kiszűrni. Ilyen például a fornix-nak nevezett test az agyban, amely ugyanúgy C alakú, csak kisebb, mint a CC, ráadásul közvetlenül kapcsolódik is hozzá.
Emellett a gyakorlati tesztekből az is kiderült, hogy mivel a kezdeti felvételeket be kell szkennelni ehhez az algoritmushoz, a keresztirányú területeken különbség mutatható ki az eredeti és a beszkennelt változat között, amely eltérés nagyobb, mint a manuális CC körvonalazásnál kapott eltérés.
Az eredeti cikk:
by Arvid Lundervold, Nicolae Duta, Torfinn Taxt
& Anil K. Jain