01
文献速递介绍
计算机断层扫描（CT）成像是放射学中广泛使用的大脑成像方法，因为它提供了良好的图像对比度，可以识别出出血、脑血管病变和肿瘤。
为了确定最佳治疗方案，必须尽可能精确地检测和定位每种病理。CT是急诊患者护理的首选方式，在许多医院全年无休地提供服务。放射科医生短缺的问题可能会因为精确的自动化CT检查报告而得到缓解。诊断和随后的治疗取决于解剖定位，因为症状和神经障碍与受影响的大脑区域相对应。由于CT在软组织对比方面的不足，精确确定解剖结构和区分大脑区域是一项挑战。磁共振成像（MRI）由于具有更高的软组织对比度和获取不同MRI协议的可能性，被用来突出特定结构。MRI主要是神经科学和选定临床工作的方式。在日常实践中，其可用性有限，且在急性症状患者中的可行性存在争议。即使使用MRI，精确的个体分割也是耗时的，不适合临床常规操作。
获得解剖结构遮罩的一个可能解决方案是使用已有的大脑图谱。在基于图谱的方法中，将一个模板强度图像注册到目标图像上，然后将得到的变形应用于模板的解剖标签，以匹配目标空间。通过这种方式，图谱图像的现有信息可以转移到感兴趣的图像上。为了更好地解决不同受试者扫描间的变异性，可以使用多图谱配准。在这种方法中，将目标图像注册到多个图谱图像上，然后通过多数投票算法合并得到的标签图像。目前有多个基于MR的解剖图谱可用于将不同标记区域转移到新的未标记图像上。据我们所知，没有详细的基于CT的解剖大脑图谱，且很少有基于注册的方法提出将MR图像的解剖信息传输到CT扫描中。这是一个具有挑战性的任务，需要可靠的多模态、跨受试者、非刚性CT-MR配准。在提出的方法中，通过将其分解为两个步骤将任务简化为单模态配准问题。首先，将CT图像合成为MRI图像，然后在合成的MRI图像和MRI图谱之间进行配准。此外，在[8]中，作者提出了创建平均CT图谱的方法。因此，他们首先创建一个平均CT图像，然后将多个MRI图谱图像注册到平均图像上。最后，将MRI图谱的解剖标签融合，完成最终的平均CT图谱。此外，作者在中研究了一种基于图谱的方法来在CT图像中分割脑室。然而，在CT图像中，能够描绘更多解剖结构将会更有益。在中，作者提出了一种基于注册的方法来构建一个带有解剖结构的
Title
题目
MR-CT multi-atlas registration guided by fully automated brain structure segmentation with CNNs
MR-CT多图谱配准，由完全自动化的基于CNNs的大脑结构分割引导
Abstract
摘要
Computed tomography (CT) is widely used to identify anomalies in brain tissues because their localization is important for diagnosis and therapy planning. Due to the insufficient soft tissue contrast of CT, the division of the brain into anatomical meaningful regions is challenging and is commonly done with magnetic resonance imaging (MRI).
计算机断层扫描（CT）广泛用于识别大脑组织中的异常，因为这些异常的定位对于诊断和治疗计划非常重要。由于CT在软组织对比方面的不足，将大脑划分为具有解剖学意义的区域是一项挑战，通常使用磁共振成像（MRI）来完成。
Methods
方法
We propose a multi-atlas registration approach to propagate anatomical information from a standard MRI brain atlas to CT scans. This translation will enable a detailed automated reporting of brain CT exams. We utilize masks of the lateral ventricles and the brain volume of CT images as adjuvant input to guide the registration process. Besides using manual annotations to test the registration in a first step, we then verify that convolutional neural networks (CNNs) are a reliable solution for automatically segmenting structures to enhance the registration process.
我们提出了一种多图谱配准方法，将标准MRI大脑图谱的解剖信息传播到CT扫描中。这种转换将使大脑CT检查的详细自动报告成为可能。我们利用CT图像的侧脑室和大脑体积的遮罩作为辅助输入来指导配准过程。除了在第一步中使用手动注释来测试配准外，我们还验证了卷积神经网络（CNNs）是自动分割结构以增强配准过程的可靠解决方案。
Results
结果
The registration method obtains mean Dice values of 0.92 and 0.99 in brain ventricles and parenchyma on 22 healthy test cases when using manually segmented structures as guidance. When guiding with automatically segmented structures, the mean Dice values are 0.87 and 0.98, respectively.
当使用手动分割的结构作为指导时，在22个健康测试案例中，该配准方法在脑室和脑实质上获得了平均Dice值分别为0.92和0.99。当使用自动分割的结构作为指导时，平均Dice值分别为0.87和0.98。
Conclusions
结论
Our registration approach is a fully automated solution to register MRI atlas images to CT scans and thus obtain detailed anatomical information. The proposed CNN segmentation method can be used to obtain masks of ventricles and brain volume which guide the registration.
我们的配准方法是一种完全自动化的解决方案，用于将MRI图谱图像配准到CT扫描中，从而获得详细的解剖信息。我们提出的CNN分割方法可以用来获取脑室和大脑体积的遮罩，以指导配准。
Figure
图
Fig. 1 Overview of our atlas registration approach: Step (1): automated segmentation of brain structures with CNNs, (2): multi-atlas registration, (3): create label image
图 1 我们图谱配准方法的概览：步骤（1）：使用CNNs自动分割大脑结构，（2）：多图谱配准，（3）：创建标签图像
Fig. 2 Automatic segmentation results for brain volume (left) and ventricles (right). The first and third images show the ground truth masks, whereas the second and fourth display the automatically generated masks
图 2 大脑体积（左）和脑室（右）的自动分割结果。第一幅和第三幅图像显示了真实遮罩，而第二幅和第四幅图像展示了自动生成的遮罩。
Fig. 3 Disease cases: Automatic segmentation results for brain volume and ventricles. The brain volume (in orange) and the left and right later ventricles (in pink and purple). The pathological is visible in the right hemispheres of the slices
图 3 病例：大脑体积和脑室的自动分割结果。大脑体积（橙色）以及左右侧脑室（粉红色和紫色）。病理变化在切片的右半球可见。
Fig. 4 Exemplary registration result: Overlay of only the ventricle label and all anatomical labels on MRI atlas (left) and CT volume (right)
图 4 典型的配准结果：仅脑室标签和所有解剖标签在MRI图谱（左）和CT体积（右）上的叠加显示。
Fig. 5 Visualization of cases with high Hausdorff distance for a brain volume and b ventricles with ground truth in red/pink and atlas result in green. The arrows indicate the area with differences
图 5 显示大脑体积和b脑室豪斯多夫距离较高的病例可视化，其中真实数据以红色/粉红色显示，图谱结果以绿色显示。箭头指示了存在差异的区域。
Fig. 6 Dice values for ventricles and brain volume when using only the MR atlas or the multi-atlas. The data set consists of all of the 217 CT scans
图 6 当仅使用MR图谱或多图谱时，脑室和大脑体积的Dice值。数据集包含全部217个CT扫描。
Fig. 7 Three exemplary CT scans with pathologies and atlas labels that were propagated with our approach. First row: all atlas labels, second row: only label for lateral ventricles
图 7 三个具有病理的典型CT扫描及通过我们的方法传播的图谱标签。第一行：所有图谱标签，第二行：仅侧脑室的标签。
Table
表
Table 1 Segmentation results: Mean Dice coefficient and mean Hausdorff Distance (in mm), with related standard deviation. The test set consists of 22 volumes
表 1 分割结果：平均Dice系数和平均豪斯多夫距离（单位：毫米），以及相关的标准偏差。测试集包含22个体积。
Table 2 Registration results with manual and automatic segmentation for the test data set with 22 cases: Dice coefficient, Hausdorff distance (HD), 95% Hausdorff distance (HD95, =95% quantile of surface distances) and average surface distance (AVD) in mm with mean ± standard deviation, respectively
表 2 22例测试数据集的配准结果，包括手动和自动分割：Dice系数、豪斯多夫距离（HD）、95%豪斯多夫距离（HD95，=表面距离的95%分位数）和平均表面距离（AVD）（单位：毫米），分别用平均值±标准偏差表示。
Table 3 Registration results without guidance vs guided by masks or masks and landmarks: Mean Dice coefficient and mean Hausdorff Distance (in mm), with related standard deviation. Data set includes 22 manually segmented test scans
表 3 无引导与由遮罩或遮罩和地标引导的配准结果：平均Dice系数和平均豪斯多夫距离（单位：毫米），以及相关的标准偏差。数据集包括22个手动分割的测试扫描。
