智能交互式感兴趣区域选取的CEST磁共振图像分析展示系统

张雪茹 赵映程 张利红 宋小磊

摘要：化学交换饱和转移（chemical exchange saturation transfer， CEST）磁共振成像（MRI）是一种新型的磁共振成像对比机制，可对其他常规MRI成像模态中难以检测到的生化成分，如蛋白质、肽类、糖和关键代谢小分子等实现灵敏、特异的非侵入性活体成像。活体CEST成像需要经过较为繁琐的后处理步骤，特别是人工勾画ROI存在着效率低、误差大和主观性等缺点。文中以Matlab GUI作为工具，建立了一套智能交互式ROI选取及Z谱分析展示系统。该系统基于区域生长算法及ASM算法实现了半自动与自动选取不同类型CEST 對比图像ROI的功能，提升了CEST量化分析效率和准确度。在此基础上，还将CEST数据后处理的B0校正及Z谱拟合等全套流程集成为一个模块，从而为研究人员应用CEST MRI进行临床和预临床研究提供了便利条件。

关键词：磁共振成像；化学交换饱和转移；ROI选取；区域生长算法；ASM算法

中图分类号：

DOI：10.16152/j.cnki.xdxbzr.2020-04-009开放科学（资源服务）标识码（OSID）：

CEST magnetic resonance image analysis and display system

based on intelligent interactive region of interest selection

ZHANG Xueru1，2， ZHAO Yingcheng1，2， ZHANG Lihong1，2， SONG Xiaolei1，2

（1.School of Information Science and Technology， Northwest University， Xi′an 710127， China;

2.Xi′an Key Lab of Radiomics and Intelligent Perception， Northwest University， Xi′an 710127， China）

Abstract： Chemical exchange saturation transfer （CEST） magnetic resonance imaging （MRI） is a new type of magnetic resonance imaging contrast mechanism.This imaging technology can achieve sensitive and specific in vivo imaging of biochemical components that are difficult to detect in other conventional MRI imaging modes，  such as proteins， peptides， sugars， and key metabolic small molecules.In vivo CEST imaging requires more cumbersome post-processing steps. In particular， manually delineating ROI has the disadvantages of low efficiency， large error， and subjectivity. This article uses Matlab GUI as a tool to establish a set of intelligent interactive ROI selection and Z spectrum analysis and display system. Based on the area growth algorithm and the ASM algorithm， the system realizes the function of semi-automatically selecting different types of CEST to compare image ROI， which improves the efficiency and accuracy of CEST quantitative analysis. On this basis， the B0 correction of CEST data post-processing， Z spectrum fitting and other complete processes are integrated into a module， which provides convenient conditions for researchers to use CEST MRI for clinical and pre-clinical research.

Key words： magnetic resonance imaging； chemical exchange saturation transfer； ROI selection； region growing algorithm； ASM algorithm

在MRI［1］中，通常需要使用磁共振对比剂（MRI contrast agent）来增强图像的对比度，但大多数的对比剂，如广泛应用于临床的金属钆对比剂具有毒性以及脑残留等危害。尽管MR谱技术（MRS）可检测肿瘤等疾病中特定生化成分的改变，但其固有的低灵敏度极大地限制了其临床应用。2000年左右，Ward等人提出了化学交换饱和转移（chemical exchange saturation transfer，CEST）磁共振成像［2］，通过水信号的变化可以间接获得生物体内可交换质子的含量。其原理是采用饱和脉冲标记具有特定共振频率的可交换质子，然后利用被饱和质子和自由水中的氢质子的化学交换来放大信号，使用MRI技术来检测水信号的变化。近年来的研究证明，CEST技术可以被用来检测蛋白质、肌酸［3］、葡萄糖［4-5］和水杨酸类似物［6］等，具有广泛的研究与应用价值。

为了更直观准确地观察分析被测组织或样品的CEST信号，通常采集若干幅不同饱和频率（Δω）的图像，分析时选取图像的某一感兴趣区域，绘出其信号随Δω变化的曲线，即Z谱（Z-spectrum）［7-8］。Z谱可以直观地反应样品或组织的CEST特性，也是进一步量化提取CEST信号的基础。Z谱中除了CEST峰，还包含直接水饱和（direc saturation，DS）和固态大分子的磁化转移（magnetization transfer， MT）干扰，通常使用非对称磁化转移率（magnetization transfer ratio asymmetry analysis，MTRasym）来去除关于水频率对称的DS和MT。表达式如下：

MTRasym（Δω）=［Ssat（-Δω）-Ssat（+Δω）］S0。（1）

本文建立了一套智能交互式感兴趣区域选取的CEST磁共振图像分析展示系统，该系统包括了CEST MRI的整个后处理流程，并集成了基于区域生长算法和ASM算法的ROI选取模块，为应用CEST MRI进行临床研究提供方便。

1 相关方法

在采集到CEST MRI数据之后，通常需要进行一系列的后处理，如B0场校正，逐像素Z谱插值，然后计算CEST量化图，如常用的MTRasym和洛伦兹差［9］，及本课题组提出的用高斯和洛伦兹加权线型来代表DS和MT的量化方法［10］（图1）。接着，需要在CEST量化图上提取感兴趣区域（ROI）进一步进行Z谱展示和量化分析。本系统使用Matlab將上述后处理步骤整合在一个GUI界面上。其中，ROI分析或是根据CEST量化图上的对比提取出来，或是基于组织本身解剖结构提取出来。根据这两种ROI提取特点，本系统提供对应的两种选取ROI的方法，一种是基于区域生长算法半自动选取初始种子点生长出ROI，或和图像强度结合自动确定初始种子点选取ROI。以肿瘤数据为例，使用该方法可以准确地选取出病灶区域，满足不同的研究需要。采用人工交互选择不同ppm下的MTRasym图像进行ROI选取（对应不同分子信号来源），并且可以根据需求自由设定停止生长阈值，最后绘制出所选ROI的Z谱。另外一种方法是使用主动形状模型（active shape model，ASM）方法选取CEST MRI图像中基于解剖结构的ROI。以小鼠脑部CEST MRI图像为例，使用该算法能够根据鼠脑解剖结构半自动选取出CEST分析所需的ROI，在减少工作量的同时也提升了选取ROI的准确度。

1.1 区域生长算法模块

区域生长算法的核心思想是把图像内具有连续性质的像素聚集起来构成一个完整的区域［11］。首先，对需要生长的区域指定一个初始种子点，并根据图像特点制定合适的相似性准则和生长停止阈值。然后，将种子点周围的像素点与种子点进行比较，将具有相似性质的点合并起来继续向外生长，直到没有满足条件的像素被包括进来为止。

1）初始种子点的选取

传统的区域生长算法中，一般由专业人员在目标区域内手动选取初始种子点，这种选取方式的缺点是复现率较低、耗时较长，且需要具备充足的先验知识。因此，本文根据图像特点，提出自动选取初始种子点的方法。使用3×3的矩阵遍历图像，寻找到平均值最大的区域，取其中心位置的坐标点作为初始种子点进行区域生长。

2）生长准则的制定

本文实验生长准则的表达式为

|f（u，v）-M|≤T。（2）

其中：f（u，v）代表邻域内像素点的灰度值；M代表已生长区域中所有像素点灰度值均值；T代表根据先验知识制定的停止生长阈值。对种子点的4邻域像素进行判定，如果存在满足生长准则的像素点，将其合并到已生长区域，否则将被排除。阈值T根据多次实验制定，本文中阈值T为0.035。

3）形态学处理

为了消除已生长区域中存在的空洞，本文使用形态学处理中的闭运算对生长结果进行处理，闭运算操作就是先膨胀再腐蚀，闭运算公式为

A·B=（AB）B。（3）

1.2 ASM算法模块

ASM算法，即主动形状模型［12-13］。ASM算法的基本思想是首先手动标记目标轮廓，得到训练集的点分布模型（PDM），对齐PDM并建立全局形状模型，然后建立局部灰度模型。接下来进行ASM搜索，通过搜索得到最终轮廓。

1）建立全局形状模型

本文实验的训练集共包含N幅图像，每个样本上选择n个特征点建立点分布模型，表达式为

Xi=［xi1，yi1，xi2，yi2，…，xik，yik，…，xin，yin］T，i=1，2，…，N。（4）

在对训练集下的所有图像建立起PDM模型后可以获得样本训练集。表达式为

Ω=｛X1，X2，…，XN｝。（5）

为了消除一些“非形状”信息带来的干扰，本文中使用Procrustes分析算法对齐PDM模型。对齐之后，平均形状向量用式（6）计算，

=1N∑Ni=1Xi。（6）

对齐训练集之后，为了消除冗余信息，提取出有效特征，采用主成分分析（principal components analysis，PCA）进行降维［14］。

首先，计算出训练集的协方差矩阵，将求得的特征值从小到大排列，然后，选取前t个特征值，选取特征值时应满足以下条件：

∑ti=1λi∑2ni=1λi≥η，（7）

η为95％～98％时符合我们的需求，选取前t个特征值对应的特征向量。

ASM模型可以表示为

x≈+Pb。  （8）

其中， P为特征向量组成的矩阵， b为形状参数，通过改变b的各分量可以产生新的形状。 一般通过λi来规定b的范围， 通常规定-3λi≤bi≤3λi。

2）建立局部灰度模型

为了得到每个特征点的局部灰度特征，还需要建立局部灰度模型。以选取第i幅图像的第j个特征点为例，首先，确定j点的法线方向，然后，沿着法线方向在特征点j的两边分别选取m个候选点，共得到2m+1个特征点，最后，计算出每个特征点的局部特征。特征点j的平均灰度为Gj，协方差矩阵为Sj，马氏距离公式为

fsim=（G′-Gj）TSj-1（G′-Gj）。  （9）

3）ASM搜索

首先，根据先验知识设定旋转角度等参数，得到初始模型；其次，计算初始模型每个特征点的新位置；接着，计算姿态参数和形状参数；最后，对姿态参数和形状参数进行更新，当其变化不大或者迭代次数达到设定的阈值时，该搜索过程结束，得到最终的形状。

1.3 系统整体功能框架及用户界面设计

CEST整个后处理流程如图1所示。主要包括导入数据、使用WASSR数据对B0场进行校正［15］、阈值去噪、插值、量化分析生成对比度较高的MTRasym图像、选取ROI及拟合Z谱等功能。

图2是系统的操作界面，分为3个区域，左侧是图像展示区，右侧是功能按钮区，左上角是菜单栏。按钮区分为3个部分，包括CEST数据预处理、区域生长算法模块和ASM算法模块。在程序运行的过程中，界面的左边会显示每一步得到的结果。本实验中得到的每幅图像都需要进行保存，按Save按钮即可保存，按Exit按钮可关闭系统。

2 实验结果

以小鼠的脑肿瘤數据处理为例，对文章系统的实现效果进行实验展示，本文实验数据与文献［8］相同。B=11.7 T，饱和脉冲强度B1分别为0.8 μT，1.2 μT；二维切片图像大小为96×64；视角场（FOV）为1.7×1.4 cm2；Z谱的频率范围是-6ppm到6ppm，以0.25ppm为间隔；切片层厚为1.2 mm；WASSR图像通过弱饱和脉冲（B1=0.5 μT， tsat=500 ms）以0.1ppm为间隔从-1ppm增大至1ppm逐频率扫描得到。系统实现效果的展示包括区域生长算法和ASM算法两个部分，其中，使用区域生长算法选取ROI是在MTRasym图像上进行的，因此，该部分展示了整个CEST MRI数据的后处理流程。而ASM算法部分所采用数据则是实验中采集到的9只小鼠头部WASSR图像。

2.1 基于区域生长算法实现肿瘤小鼠CEST MRI图像的ROI自动选取

本节实验数据为B1=1.2 μT的环境下采集到的肿瘤鼠数据。通过预处理得到MTRasym图像，接着执行在MTRasym图像上使用改进的区域生长算法选取ROI的操作，由于不同的研究需求，可能需要在不同ppm处的MTRasym图像上选取ROI，因此，在此处设计了人工交互用于根据研究需求选取不同ppm处的MTRasym图像，此处以B1为1.2μT时采集到的数据处理得到的3.5ppm处的MTRasym图像为例，图3展示了选取ROI操作过程中8个瞬时画面。

图3（a）展示了选取的3.5ppm处MTRasym图像的灰度图，使用改进的自动选取种子点的方式选取初始种子点；图3（b）中的黑色圆点代表选取的初始种子点，为满足不同的研究需要，设计了人工交互设定生长停止阈值；图3（c）展示的弹出框用于填写停止生长阈值；图3（d）展示了区域生长算法生长出的肿瘤区域，黑色圆点代表种子点，采用改进的选取种子点的方式自动选取得到；图3（e）展示了肿瘤区域及其镜像（正常组织）；图3（f）展示了肿瘤区域及其镜像作为ROI拟合出的Z谱，ROI1代表肿瘤区域，ROI2代表肿瘤区域的镜像，即正常组织；图3（g）展示了肿瘤边缘组织，种子点由手动选取得到；图3（h）展示了肿瘤边缘组织拟合出的Z谱。由Z谱可以看出，肿瘤组织拟合出的Z谱在2ppm和3.5ppm处表现出明显的CEST峰，而肿瘤边缘组织和正常组织的CEST峰较不明显。

使用改进的区域生长算法可以进一步细分肿瘤内部结构，以B1为0.8 μT和1.2 μT的实验数据为例，可以得到如图4所示的实验结果。图5展示了当种子点选取在不同的位置时，使用改进的区域生长算法可以选取出肿瘤数据的不同组织结构，图4（a）和图4（b）中上方的两幅插图中，左边插图中黑色线框内部是肿瘤边缘区域，右边插图中蓝色线框内部是肿瘤内核区域，红色线框内部是肿瘤内核区域的镜像，代表的是正常组织。黑色圆点代表的是初始种子点。蓝色、红色和黑色曲线分别代表的是肿瘤内核区域、正常组织和肿瘤边缘组织的Z谱。使用三频偏方法量化不同组织的CEST效应，图4（c）展示了计算出的三频偏值，可以看出，肿瘤区域的三频偏值较高，正常组织和肿瘤边缘组织的三频偏值较低，说明不同组织的CEST效应不同，因此，使用改进的区域生长算法可以根据种子点的位置细分肿瘤的不同结构。

由实验结果可以看出，通过将区域生长算法集成到系统，将使得利用区域生长算法选取ROI的工作变得更加简单和易于操作，更有利于缺乏先验知识的研究人员参与到关于CEST MRI技术的研究中来。在提升选取ROI效率的同时也保证了选取ROI的准确度。通过人机交互选择需要处理的图像和根据图像特点设置停止生长阈值满足了不同研究人员的需求。

2.2 基于ASM算法根据解剖结构在CEST MRI图像中选取ROI

该部分实验中，训练集包含6只小鼠头部WASSR图像，测试集包括3只小鼠头部WASSR图像。在系统操作面上，按钮区的右侧功能按钮代表ASM算法的整个流程。篇幅所限，仅展示使用ASM算法选取小鼠脑部右侧纹状体。图5展示了操作过程中4个瞬时画面。

图5（a）展示了一幅训练图像的灰度图上标定好的轮廓点，红色“*”代表关键点，绿色“*”代表普通点；根据研究需求，设计了人工交互填写初始角度，如图5（b）所示，即为填写初始角度的弹出框；图5（c）展示调整好的初始位置；图5（d）展示了经过ASM搜索得到的最终轮廓形状。

由实验结果可以看出，将ASM算法集成到ROI选取系统，提高了工作效率，同时增加了选取ROI的准确度。

3 结 语

作为一种新兴的MRI分子成像方法，CEST MRI具备探针种类多、靶向性、高灵敏性、高对比度等多种优势，在国内外受到广泛关注，是当下分子影像技术研究人员研究的热点之一。然而在将CEST MRI应用于临床诊断的过程中，仍然存在着诸多亟待解决的问题。如常规的CEST后处理流程较为繁琐，对人工选取ROI的要求较高等。这些问题不仅会产生不菲的时间成本，而且可能对后续分析过程的精确度产生影响。针对以上问题，本文借助工程计算软件Matlab建立了一套 ROI选取系统，该系统成功实现了区域生长算法模块和ASM算法模块选取ROI，同时将CEST数据后处理流程中的各项功能整合在程序中，可以为临床医生和医学影像研究工作者进行CEST MRI研究提供便利，推进CEST MRI技术应用于临床诊断的步伐。

参考文献：

［1］ 赵喜平. 磁共振成像［M］.北京：科学出版社， 2004.

［2］ WARD K M， ALETRAS A H， BALABAN R S. A new class of contrast agents for MRI based on proton chemical exchange dependent saturation transfer （CEST）［J］.Journal of Magnetic Resonance， 2000， 143（1）：79-87.

［3］ CAI K， SINGH A， POPTANI H， et al. CEST signal at 2 ppm （CEST@2ppm） from Z-spectral fitting correlates with creatine distribution in brain tumor［J］. NMR in Biomedicine， 2015， 28（1）：1-8.

［4］ YADAV N N， XU J， BAR-SHIR A， et al. Natural D-glucose as a biodegradable MRI relaxation agent［J］. Magnetic Resonance in Medicine， 2014， 72（3）：823-828.

［5］ WALKER-SAMUEL S， RAMASAWMY R， TORREALDEA F， et al. In vivo imaging of glucose uptake and metabolism in tumors［J］. Nature Medicine， 2013， 19（8）：1067-1072.

［6］ SONG X L， WALCZAK P， HE X W， et al. Salicylic acid analogues as chemical exchange saturation transfer MRI contrast agents for the assessment of brain perfusion territory and blood-brain barrier opening after intra-arterial infusion［J］. Journal of Cerebral Blood Flow ＆ Metabolism， 2016， 36（7）：1186-1194.

［7］ ZHOU J Y， ZIJL P C M V. Chemical exchange saturation transfer imaging and spectroscopy［J］. Progress in Nuclear Magnetic Resonance Spectroscopy， 2006， 48（2）：109-136.

［8］ 闫爽， 李明利， 金征宇. 化学交换饱和转移技术原理及应用进展［J］.磁共振成像， 2016， 7（4）：241-248.

YAN S， LI M L， JIN Z Y. Principle and application progress of chemical exchange saturation transfer （CEST） technique［J］.Magnetic Resonance Imaging， 2016，7（4）：241-248.

［9］ ZHANG X Y， WANG F， LI H， et al. Accuracy in the quantification of chemical exchange saturation transfer （CEST） and relayed nuclear Overhauser enhancement （rNOE） saturation transfer effects［J］. NMR in Biomedicine， 2017，30（7）：e3716.

［10］ZHANG L H， ZHAO Y C， CHEN Y R， et al.Voxel-wise optimization of pseudo Voigt profile （VOPVP） for Z-spectra fitting in chemical exchange saturation transfer （CEST） MRI［J］. Quantitative Imaging in Medicine and Surgery， 2019， 9（10）： 1714-1730.

［11］ZUCKER S W. Region growing： Childhood and adolescence［J］.Computer Graphics and  Image Processing， 1976， 5（3）：382-399.

［12］COOTCS T F， TAYLOR C J. Active shape models：A review of recent work［J］.Cootes TF Taylor CJ，1995.

［13］COOTES T F， TAYLOR C J. Combining point distribution models with shape models based on finite element analysis［J］. Image and  Vision Computing， 1995， 13（5）：403-409.

［14］ZHAO L Y， JIA K B. The PCA-Demons algorithm for medical image registration［C］∥2014 Tenth International Conference on Intelligent Information Hiding and Multimedia Signal Processing （IIH-MSP）. Kitakyushu：IEEE， 2014：207-210.

［15］KIM M， GILLEN J， LANDMAN B A， et al. Water saturation shift referencing （WASSR） for chemical exchange saturation transfer （CEST） experiments［J］.Magnetic Resonance in Medicine， 2009，61（6）：1441-1450.

（編 辑 李 静）