[论文解读] Generative diffeomorphic atlas construction from brain and spinal cord MRI data

Claudia Blaiotta, Patrick Freund+2 more|arXiv (Cornell University)|Jul 5, 2017

Medical Image Segmentation Techniques参考文献 29被引用 6

一句话总结

本文提出了一种分层生成微分同胚图谱框架，采用贝叶斯方法联合建模大脑和脊髓MRI数据，实现在整个中枢神经系统中同时进行分割与配准。该方法通过结合信号强度与形状变异性的高斯混合模型及微分同胚变换，实现了稳健、自动化且针对特定人群的图谱构建，显著提升了神经退行性和创伤性病变中的形态测量分析效果。

ABSTRACT

In this paper we will focus on the potential and on the challenges associated with the development of an integrated brain and spinal cord modelling framework for processing MR neuroimaging data. The aim of the work is to explore how a hierarchical generative model of imaging data, which captures simultaneously the distribution of signal intensities and the variability of anatomical shapes across a large population of subjects, can serve to quantitatively investigate, in vivo, the morphology of the central nervous system (CNS). In fact, the generality of the proposed Bayesian approach, which extends the hierarchical structure of the segmentation method implemented in the SPM software, allows processing simultaneously information relative to different compartments of the CNS, namely the brain and the spinal cord, without having to resort to organ specific solutions (e.g. tools optimised only for the brain, or only for the spinal cord), which are inevitably harder to integrate and generalise.

研究动机与目标

• 开发一种统一的建模框架，用于整合分析大脑和脊髓MRI数据，克服器官特异性工具的局限性。
• 通过同时建模信号强度分布和解剖形状变异，解决中枢神经系统中联合分割与配准的挑战。
• 创建一种可重复、可扩展且可推广的图谱构建方法，适用于神经退行性和创伤性中枢神经系统疾病。
• 通过单一、一致的解剖空间，实现对中枢神经系统形态的定量体内研究。

提出的方法

• 该方法采用一种分层贝叶斯生成模型，扩展SPM的分割框架，以联合建模大脑和脊髓数据。
• 使用带有隐变量的高斯混合模型对组织类别进行建模，其中观测数据（MRI信号强度）条件依赖于隐藏的解剖状态。
• 应用微分同胚变换以建模受试者间的形状变异，确保空间归一化过程平滑、可逆且具有生物学合理性。
• 在均值和协方差参数上引入共轭高斯-威沙特先验，使变分推理框架中的后验更新可解析计算。
• 通过迭代期望-最大化算法执行后验推断，交替更新成员概率、隐藏状态和模型参数。
• 该框架从后验期望中计算充分统计量，以更新高斯-威沙特后验，从而实现对组织概率图和形变场的稳健估计。

实验结果

研究问题

• RQ1 单一生成模型能否有效捕捉整个大脑和脊髓在人群中的信号强度与解剖形状联合变异？
• RQ2 在统一框架中整合大脑和脊髓数据，相较于器官特异性方法，能否显著提升分割与配准的准确性？
• RQ3 在复杂形状与信号强度变异存在的情况下，微分同胚图谱构建方法在多大程度上能保持拓扑一致性与解剖合理性？
• RQ4 采用具有隐变量的分层贝叶斯模型对神经影像数据中的缺失数据与不确定性进行建模，其性能增益如何？

主要发现

• 所提出的框架可使用单一、一致的解剖空间，实现大脑和脊髓MRI数据的全自动联合分割与配准。
• 通过在统一生成模型中同时建模信号强度与形状变异，该方法显著提升了鲁棒性与可重复性。
• 采用微分同胚变换可确保受试者间空间归一化的平滑性、可逆性及生物学合理性。
• 结合高斯混合模型的变分推理方法，即使在手动标注数据有限的情况下，也能准确估计组织概率图与形变场。
• 该框架支持针对特定人群的图谱构建，增强了对神经退行性和创伤性中枢神经系统疾病中形态测量变化的敏感性。
• 通过共用模型结构整合大脑与脊髓数据，减少了对独立器官特异性工具的依赖，提升了方法的通用性与一致性。