基于DTI圖像的腦干腫瘤術前路徑自動規劃設計

李苗，劉佳，泮長存，湯劼，張力偉，廖洪恩

1.清華大學 醫學院生物醫學工程系，北京 100084；2.首都醫科大學附屬北京天壇醫院 神經外科，北京 100050

基于DTI圖像的腦干腫瘤術前路徑自動規劃設計

李苗1，劉佳1，泮長存2，湯劼2，張力偉2，廖洪恩1

1.清華大學 醫學院生物醫學工程系，北京 100084；2.首都醫科大學附屬北京天壇醫院 神經外科，北京 100050

目的本研究提出基于磁共振彌散張量成像（Diffusion Tensor Imaging，DTI）圖像的腦干腫瘤術前路徑自動規劃設計，對重要組織結構的有效規避和減少手術致殘率具有重要意義。方法本研究將DTI功能像與核磁共振結構像相結合，進行腦干腫瘤術前路徑自動規劃。首先對DTI圖像進行變形矯正，將DTI功能像與核磁共振結構像進行配準，然后提取兩種圖像的關鍵區域信息，利用引力斥力模型通過樣條曲線插值對術前信息進行路徑自動規劃設計。結果該方法提取術前的纖維束與組織結構信息，完成術前自動路徑規劃，直觀的實現了對關鍵組織最大化規避的路徑規劃設計。結論該方法通過對術前DTI圖像的矯正配準以及區域纖維束的追蹤提取，為醫生在術中規避重要組織區域提供直觀信息。

彌散張量成像；腦干腫瘤；圖像配準；纖維束；路徑規劃

引言

腦干腫瘤手術難度極大，主要是因為腦干區域結構復雜，而且腦干是神經系統的中樞，腦干病變與核團、神經傳導束關系密切。許多神經核團、纖維束和網狀結構等都集中在一個較小的區域，在手術過程中容易誤傷這些重要組織，因而腦干腫瘤手術困難較大，易造成腦干內的重要結構損傷，手術致殘及手術死亡率較高，而且容易發生預后不良等狀況。

手術導航系統（Image Guided Surgery，IGS）對臨床手術作用顯著，據相關臨床數據能提高病灶切除率（86.7%），降低手術并發癥（12.1%）和死亡率（0.8%），臨床療效卓越[1-2]。手術導航系統中一個十分重要的部分就是路徑規劃，目前也有很多關于路徑規劃的研究，如常用的點轄域[3]規劃方法需要醫生在常規二維斷層圖像上勾畫重要組織區域建立點轄域，然后根據這些區域建立路徑。該方法考慮了在手術過程中部分關鍵結構對手術路徑的影響，但是關鍵的區域還是需要通過醫生在二維斷層圖像上進行勾畫選擇。有文獻提出通過機器學習[4-5]的手段根據醫生的經驗學習醫生的路徑規劃方式，但這個方式往往需要大量的樣本數據來保持準確性。有文獻提出通過快速自適應分形樹[6-7]的方式來進行三維空間路徑規劃，該方法通過硬件加速實時性較強，但傳統的手術導航系統在進行路徑規劃時往往僅考慮核磁共振成像（Magnetic Resonance Imaging，MRI），沒有辦法評估腦干腫瘤手術中細微結構對手術路徑的影響。

磁共振彌散張量成像（Diffusion Tensor Imaging，DTI）通過探測人體內部水分子彌散情況來反應細微結構的變化，因此能夠有效無損辨識微細結構中的病變組織[8]。DTI一般釆用平面回波成像序列（Echo-Planar Imaging，EPI）[9]，該成像對梯度磁場要求較高，圖像容易發生畸變，因此在應用DTI圖像前需要進行預處理完成畸變矯正。最近研究[10-13]表明DTI能為醫生提供纖維束分布信息，有助于輔助醫生完成術前規劃，減少手術損傷。

本文提出將DTI功能像與MRI結構像相結合，完成腦干腫瘤術前路徑自動規劃設計，通過對術前DTI影像數據的分析處理，自動規劃手術路徑，引導醫生在術中規避重要組織區域，減少手術風險。

1 方法與原理

本研究提出了基于DTI圖像的腦干腫瘤術前路徑自動規劃設計，其主要流程見圖1，主要包括3個部分：① 術前DTI圖像畸變矯正并與MRI結構像配準；② 完成纖維束重建及組織模型分割并提取重要組織關鍵位置信息；③建立模型并利用貝塞爾曲線插值通過關鍵控制點完成術前路徑自動規劃。

圖1 手術路徑自動規劃系統流程

本研究通過結合術前DTI功能像以及MRI結構像，建立引力斥力模型完成自動路徑規劃設計，為醫生在術中規避重要組織區域提供參考。

1.1 術前DTI圖像處理

術前DTI圖像處理主要分成以下4個步驟：① DTI圖像轉變為標量圖像，通過提取張量信息中能反應各向異性信息的特征值完成；② 獲取MRI圖像的標量信息，通過最大互信息匹配找到標量圖像間的映射關系T；③ 根據映射關系T對DTI圖像變換張量的位置；④ 張量重定向得到配準結果。

張量圖像配準需要提取出能反應某種特性的相似性度量標量，將張量圖像轉換為標量圖像以后再進行配準。反應擴散各向異性的特征量主要有[14-15]：擴散張量的跡（Trace）、部分各向異性（Fractional Anisotropy，FA）、相對各向異性（Relative Anisotropy，RA）。Trace反應了總體擴散程度，這個特征量可用于輔助腦溢血與腦外傷的診斷。FA代表的是張量的各向異性程度，RA能夠表達和描述張量的各向異性是如何分布的，是一種較好的反應腦組織的分布圖像。本文通過提取以上3種相似性度量標量來完成標量圖像的匹配。

接著根據提取得到的標量信息值通過最大互信息配準[16]，將DTI圖像與MRI結構像進行配準，其主要方法如下：圖像DA和DB的互信息值定義為：

其中A、B分別代表DTI以及MRI，p (ak，bj)為兩種圖像的聯合灰度概率分布，我們取兩種圖像的互信息最大值時的映射關系T為最佳配準關系。

得到映射關系T后我們將矩陣相乘就可以得到變換后的圖像。最后，本研究通過有限張力法（Finite Stain，FS）[17]完成張量重定向。

這部分我們建立了DTI圖像與MRI結構像的對應關系，然后我們需要根據這兩種圖像提取關鍵位置信息。

1.2 術前重要組織區域關鍵位置信息提取

重要組織區域的關鍵信息提取主要針對腦干區域組織結構模型以及纖維束兩個部分。本研究通過對上述兩個部分提取關鍵位置信息數據來完成下文的自動路徑規劃研究。層次包圍盒方法[18-20]是碰撞檢測算法中常用的一種方法，該方法主要是將對象以包圍盒的形式建立相對簡單的模型數據，根據包圍盒之間的相交檢測實現快速精準碰撞檢測。由于組織結構點云數據龐大，而且分布不具備規律性，實時追蹤比較困難，因此本文采用構建包圍盒模型，通過包圍盒來控制模型范圍，提取模型的邊界位置，然后通過這些位置信息實現實時檢測手術路徑與重要區域的碰撞情況，避免對重要區域的損傷。

本研究通過對腦干分割組織進行包圍盒構建以及對追蹤得到的纖維束信息進行邊緣信息提取獲取重要區域的關鍵信息位置，其主要流程，見圖2。該方法主要利用VTK工具包編程實現，對纖維束的追蹤過程則主要通過開源軟件3D Slicer輔助完成。

1.3 手術導航路徑自動規劃設計

在路徑規劃的設計過程中，主要有兩個重要的因素：一是路徑的距離；二是路徑經過的重要結構組織。因此，我們根據以上兩點自動設計手術路徑，當然醫生也可以根據實際情況對自動設計的路徑進行再次調整，兩者結合完成最終的路徑規劃設計。

圖2 模型關鍵信息提取

我們采用傳統物理學中的引力和斥力代表手術路徑的距離和手術路徑經過的重要結構組織[21]，其中引力的大小代表距離風險的大小，斥力的大小代表腦干區域重要組織帶來的風險大小。其具體的模型為：

（1）引力模型：

其中d為手術入路到目標區域的距離，當距離越短時，相對應的引力越大，對腦干結構組織傷害越小；反之，當距離越遠時，引力也越小，傷害也就越大。這里面的k設置為系數，k用來調整曲線的形狀。當k越大，曲線越陡，所代表的意思為手術入路與目標區域之間的距離與引力大小的變化關聯程度上升。醫生可根據實際情況對k的值進行相應的調整。

（2）斥力模型：

其中s為手術路徑到腦干附近重要組織結構的距離，當s越小，相對應的斥力越大，對腦干附近重要組織結構傷害也越大。λ1和λ2為兩種不同重要組織對受力的影響系數，代表腦干附近組織模型以及纖維束區域對手術路徑的影響程度。因此整體的路徑設計就是：

代表引力與斥力之差求極值的過程。式中hg和hr分別代表兩種力對于路徑設計的影響程度。

令hr=0，則上式對于路徑設計僅考慮距離影響，而在腦干腫瘤手術過程中手術進入點以及目標靶區域可以認為是已知，那么可以計算求取得到引力最小值fg0，此時所得到的路徑為手術入路到目標區域的直線，中間會與重要組織發生碰撞。

令hg=0，則上式對于路徑設計僅考慮組織因素影響，通過樣條曲線插值可以計算求取得到斥力最小值fr0，此時所得到的路徑為能避開重要組織的樣條曲線，但路徑整體距離較大。

因此對兩種互斥力極值求解可以轉化為系數h對力f對的影響關系。根據一種改進的粒子群算法，可建立如下的模型：

式中hmin和hmax分別為系數的最小值和最大值，fmin和favg分別為當前力的最小值與平均值。

通過對系數值h的估計以及對引斥力的求解，我們可以得到手術路徑的兩個核心構成部分：手術入路到目標區域的距離以及手術路徑與重要組織結構距離的最優解。我們通過這兩個部分構建3次貝塞爾曲線插值完成路徑規劃設計：

本研究通過對腦干區域重要組織提取關鍵位置信息并構建模型完成自動路徑規劃，有助于醫生在術中規避重要區域，減少組織損傷。

2 實驗結果

本研究數據來源為首都醫科大學附屬北京天壇醫院，針對20例腦干腫瘤患者進行了掃描。掃描設備為Philips Achieva 3.0T TX磁共振成像系統。T1序列主要掃描 參 數：TR=7.6 ms，TE=3.7 ms，Matrix=256×256，Thickness=2 mm，PixelSpacing=0.9×0.9 mm；DTI序 列 主 要 掃 描 參 數：TR=8464.6 ms，TE=70.1 ms，Matrix=256×256，Thickness=2.2 mm，b=1000 s/mm2。

本研究從3個方面對結果進行評估，首先對術前DTI圖像進行處理，實現DTI功能像與MRI結構像融合，接著提取術前重要組織關鍵位置信息，最后根據這些關鍵位置信息建立模型實現自動路徑規劃。

2.1 術前DTI圖像處理

我們通過對DTI圖像進行張量分解，提取得到特征標量圖見圖3，然后將分解得到的圖像與同為標量數據圖像的MRI結構像進行去畸變配準。

通過對DTI圖像的張量分解，我們提取出可以代表張量數據信息的特征標量值，為下一步標量圖像的配準做好準備。在張量分解之后，我們通過對標量數據完成基于最大互信息的標量圖像配準，我們得到兩種序列之間的轉換矩陣。利用該轉換矩陣，我們將DTI圖像與MRI結構像進行了結合，其結果見圖4。醫生能在獲取MRI結構像的同時獲取DTI圖像的信息，在規避重要組織時醫生可以同時考慮兩種圖像所提供的信息，減少手術損傷。

圖3 DTI張量分解

圖4 DTI功能像與MRI結構像融合

2.2 術前重要組織區域關鍵位置信息提取

我們通過對DTI圖像進行腦干附近纖維束追蹤，追蹤結果見圖5。通過纖維束追蹤，醫生可以直觀的從DTI圖像中觀察到三維立體的纖維束數據。纖維束作為腦干腫瘤手術中容易發生損傷的重要組織，我們將其三維立體可視化，并且在手術路徑的自動規劃中考慮纖維束對路徑的阻擋因素，便于醫生規避手術風險。

圖5 纖維束追蹤

通過對模型進行包圍盒構建，我們可以實時快速的提取模型數據的邊緣信息，將復雜的體數據簡化為包圍盒模型，加入到自動路徑規劃算法之中，使得自動路徑規劃快速有效，其結果見圖6。

圖6 組織結構包圍盒模型構建

2.3 手術導航路徑自動規劃設計

本方法基于vs2010與VTK、ITK混合編程，采用Qt作為界面設計的工具，實現了導航界面的初步開發，主要按照導航的基本流程完成了相關的功能設計，結合術前的DTI圖像，追蹤感興趣區區域的纖維束結構，實現多序列信息的術前融合，根據術前多序列影像智能設計手術路徑以及在術中對危險區域進行預警，減少手術風險。其主要界面見圖7。

圖7 手術導航程序界面

根據術前分割得到的組織結構以及纖維束信息，實現手術路徑自動設計，醫生可以根據自動路徑引導來有效規避重要組織。

2.4 結果評估

本方法根據術前MRI結構像以及DTI圖像，分割得到腦干組織結構信息以及纖維束信息，通過對組織結構建立包圍盒以及對纖維束提取邊緣信息的方式，通過引斥力模型自動設計手術路徑，為醫生在術中規避重要組織區域提供參考。傳統的手術路徑設計方法往往僅考慮手術入路的選擇，需要醫生在手術中借助自身經驗，根據實際情況調整手術路徑來完成手術。兩個不同患者在傳統手術路徑與本文提出的根據術前DTI圖像自動規劃路徑進行的對比，見圖8，圖中白色直線為傳統手術路徑，淡紅色曲線為本文提出的參考手術路徑。從圖中可以看出本文提出的自動路徑規劃設計對重要組織進行了規避。

圖8 傳統手術路徑與自動設計路徑對比

本文通過將手術路徑投射到二維平面，以手術路徑與組織信息以及纖維束結構發生碰撞所占用的二維切面數作為本方法的定量評估，具體見表1，可以看出本方法提出的自動路徑規劃設計對重要組織區域的碰撞層數在3個方向下降都較為明顯，因此本方法有助于醫生規避重要組織區域。

表1 傳統手術路徑與自動設計路徑組織碰撞層數

3 討論

本文針對腦干腫瘤手術臨床問題，提出基于DTI圖像的自動路徑規劃設計通過對術前影像數據的分析處理，為醫生在腦干腫瘤手術中規避腦干區域重要組織區域提供引導。但本文提出的方法仍存在局限性，首先該方法采用的均是術前圖像，并沒有考慮到術中變形問題；另外由于算法的實時性問題，在自動設計路徑時對邊緣設計包圍盒時仍不夠精確，在對纖維束追蹤過程中使用了開源軟件可能也引入了誤差。而且自動設計的路徑在臨床實用性上需要進一步考慮，后續研究可以考慮引入術中變形配準，自動路徑算法的實時精確設計以及在臨床操作中的可行性分析。

4 結論

本研究通過對DTI圖像進行畸變矯正，將其與MRI結構像相配準，然后根據從DTI圖像追蹤得到的纖維束信息與MRI結構像分割得到的結構信息完成基于包圍盒理論、引力斥力模型與貝塞爾曲線插值的術前路徑自動規劃設計。下一步的研究任務可以在本研究的基礎上設計術前手術模擬，根據自動規劃路徑設計模擬手術，提高醫生手術完成質量。

[1] 周良輔.神經外科導航學[M].上海:上海科技教育出版社,2008.

[2] 劉偉,樊寬章.手術導航技術[J].中國醫療設備,2003,18(7):5-7.

[3] 李修往.一種顱腦外科手術路徑規劃系統的研制[J].中國醫療器械雜志,2000,24(1):1-5.

[4] Liu Y, Dawant BM,Pallavaram S,et al.A surgeon specific automatic path planning algorithm for deep brain stimulation[A]. Medical Imaging 2012 Image-Guided Procedures, Robotic Interventions, and Modeling[C].San Diego,California,USA:IEE E,2012:83161D-83161D-10.

[5] Liu Y,Li S,Xia Z.Path planning efficiency maximization for ball-picking robot using machine learning algorithm[A]. ICITBS 15 Proceedings of the 2015 International Conference on Intelligent Transportation,Big Data & Smart City (ICITBS)[C]. Seattle,WA,USA:IEEE,2015:551-555.

[6] éderson D,Albakri A,Zemiti N,et al.Simplified adaptive path planning for percutaneous needle insertions[A].2015 IEEE International Conference on Robotics and Automation (ICRA)[C]. Seattle,WA,USA:IEEE,2015:1782-1788.

[7] Liu F,Garriga-Casanovas A,Secoli R,et al.Fast and adaptive fractal tree-based path planning for programmable bevel tip steerable needles[J].IEEE Robot & Auton Letters,2016,1(2): 601-608.

[8] 林濤.基于k-medoids聚類的人腦DTI圖像分割算法及其纖維追蹤的研究[D].上海:上海師范大學,2016.

[9] Le BD,Poupon C,Amadon A,et al.Artifacts and pitfalls in diffusion MRI[J].JMRI,2006,24(3):478.

[10] Pujol S,Wells W,Pierpaoli C,et al.The DTI challenge: toward standardized evaluation of diffusion tensor imaging tractography for neurosurgery[J].J Neuroimaging,2015,25(6): 875-882.

[11] Asato MR,Terwilliger R,Woo J,et al.White matter development in adolescence: a DTI study[J].Cereb cortex,2010,20(9):2122-2131.

[12] Engwer C,Hillen T,Knappitsch M,et al. Glioma follow white matter tracts: a multiscale DTI-based model[J].J Math Biol,2015,71(3):551.

[13] Anthofer JM,Steib K,Fellner C,et al.DTI-based deterministic fibre tracking of the medial forebrain bundle[J].Acta Neurochir,2015,157(3):469-477.

[14] 姚旭峰.神經導航中磁共振彌散張量圖像處理技術的研究[D].北京:復旦大學,2011.

[15] 韋芳芳.基于擴散張量圖像的配準算法研究[D].上海:上海師范大學,2013.

[16] Savadjier P,Kindlmann G,Bouix S,et al.Local white mattergeometry indices from diffusion tensor gradients[J].Neuro Image,2010,49(4):3175-3186.

[17] Takao H,Hayashi N.White matter asymmetry in healthy individuals: a diffusion tensor imaging study using tract-based spatial statistics[J].Neuroscience,2011,193(10):291-299.

[18] Adelson SJ,Hodges LF.Generating exact ray-traced animation frames by reprojection[J].IEEE Comput Graph Appl,1995, 15(3):43-52.

[19] 王曉榮.基于AABB包圍盒的碰撞檢測算法的研究[D].武漢:華中師范大學,2007.

[20] Liu J,Chen J.3D Collision detection algorithm based on composite balanced binary bounding box Tree[J].Comput Med,2016:646-650.

[21] 陳宇.基于肺穿刺手術導航的精度提升與路徑規劃研究[D].秦皇島:東北大學,2014.

本文編輯 王靜

Design of Automatic Preoperative Path Planning of Brain Stem Tumor Surgery Based on DTI

LI Miao1, LIU Jia1, PAN Changcun2, TANG Jie2, ZHANG Liwei2, LIAO Hongen1

1.Department of Biomedical Engineering, School of Medicine, Tsinghua University, Beijing 100084, China;2.Department of Neurosurgery, Beijing Tian Tan Hospital, Capital Medical University, Beijing 100050, China

ObjectiveWe proposed an automatic preoperative path planning method based on diffusion tensor imaging (DTI) for brain stem tumor surgery to effectively circumvent the important organizations and reduce the disability rate.MethodsIn this paper, DTI and magnetic resonance imaging (MRI) were combined effectively for the automatic preoperative path planning of brain stem tumor surgery. Firstly, DTI was corrected and registered with MRI. Then, the key region information of these two modal images was extracted for automatically designing the surgical path with gravity repulsion model and spline interpolation.ResultsOur method could complete automatic preoperative path planning through extracting the information of preoperative fiber bundle and tissue structure. In additional, it could realize the path planning intuitively and maximize avoid important tissue damage.ConclusionThe proposed automatic preoperative path planning method based on the preoperative DTI can provide intuitive information for the doctors to avoid important tissue damage.

diffusion tensor imaging; brainstem tumor; image registration; fiber bundle; path planning

R445.2

A

10.3969/j.issn.1674-1633.2017.08.014

1674-1633(2017)08-0055-05

2017-05-02；

2017-05-26

國家自然科學基金（81427803）；北京市科委生命科學領域前沿技術專項（Z151100003915079）；北京市自然科學基金資助項目（7172122）。

廖洪恩，教授，博士研究生導師。

通訊作者郵箱：liao@tsinghua.edu.cn