3D SLicer中图像分割与配准的具体思路

    3D Slicer软件中完成了对医学图片的自动分割与配准（主要是大脑部分），而经过了解发现，其主要的实现原理是根据下面这篇文章：

    A Hierarchical Algorithm for MR Brain Image Parcellation

    一、文章

    下面是我读完之后的一些感想：

    由于医学图像的多样性，研究人员往往是针对不同的部位进行分析处理，无法找到一个统一的处理思路，而本文的作者对于这个问题提出自己的见解。他将所有的医学图像都划归到一种处理框架中：树（Tree）。该树的结构如下所示：

    也就是说将对于目标的分割划分为一层一层的处理过程，上一层的处理输出作为下一层的输入，从根节点一直处理，经过中间节点，最终到达叶节点，处理结束。

    这种方式适用于所有的医学图像，一个很重要的原因是因为可以在树中嵌入先验的医学结构信息，如上图所示，对于脑部的分割可以先处理背景与头骨内腔的分割，然后对大脑分割为脑脊液、灰质、白质，具体下去还可以细分。而对于其他的生理部位，都是可以划分成有生理意义的子结构。

    具体在处理每个节点是，只要单独分析该部分特征，使用合适的分割算法。文中针对大脑部位的分割使用了EM算法，该算法一直遇到但没仔细看，有时间做下总结。大致就是通过对图像各部分的EM算法分析，获得其分布参数，然后根据参数对像素进行划分，分类到不同的区域中去。由于该方法已经在Slicer中实现，我试了下效果还是很好的。

    此外，算法还提出了一个影响因子的概念，树中的节点存储了分割当前部分的信息，该类信息可以在整个树中进行传播分享，但是对于不同部分的影响是不同的（细节上的话，应该是影响到了EM算法中的后验概率，不合适的使用会使得结果出现误差）。特别是对于第一层的分割，软件使用了一个已有的图谱进行配准，实现对大脑皮层与脑脊液的分割，但是这个图像对于灰质、白质等的分割帮助较小，所以要适当的减小其影响因子。

    利用图像配准的分割，对于人体内部具有固定形态的部位有很大的优势，继续读下，这是后话。

    二、对我的帮助

    总的来说，文章的处理框架还是很直白的，我在处理肝脏分割时，同样也可以利用这种思想，在腹腔CT中含有各种器官部分，有些对于肝脏的处理需要手动指定一个ROI，比如将肝脏圈出在一个正方形中，然后对于该区域进行生长法、聚类等。而我这里就可以直接利用图谱配准定位肝脏的位置，可是同时使用相邻器官的图谱帮助配准肝脏位置。

    获得肝脏之后，就可以针对于该区域提取病变区域，具体方法下次再说吧。