指南与共识神经技术与安全CT

头部CT数据处理建议

Recommendations for Processing Head CT Data.
指南 / 共识 · Front Neuroinform · 2019-09-04

本文由神经影像研究者撰写,针对非增强头部CT从DICOM到空间标准化脑影像的全流程给出开源工具推荐:建议用临床 trials 处理器匿名化、dcm2niix 转换格式、BET 提取脑组织并配准到公开CT模板;同时讨论DICOM结构、匿名化、公开数据集、卷积核与预处理要点。

要点

  • 推荐流程:CTP匿名化→dcm2niix转NIfTI→BET脑提取→公开CT模板配准。
  • dcm2niix可校正机架倾斜并处理可变层厚,同时输出校正与未校正图像。
  • 卷积核影响脑组织对比,合并多来源数据时可用卷积核筛选或分层。

核心结论

  • 作者推荐使用临床试验处理器(CTP)匿名化数据、dcm2niix将DICOM转为NIfTI、BET进行脑提取,并使用公开可用的CT模板进行配准分析。

研究设计与样本

  • 本文为方法学推荐类文章,基于作者处理头部CT数据的经验,提出从原始DICOM到空间标准化脑影像的完整开源处理流程,并附可运行示例代码。
  • 示例数据来自CQ500数据集中2名受试者的非增强头部CT,CQ500数据集提供约500例不同临床病理与诊断的头部CT扫描,采用非商业许可。

关键影像表现/征象

  • 机架倾斜使图像层面呈斜角,未校正时轴位平面内看似正常但三维形状异常,dcm2niix转换时行仿射校正并可能填充图像以保持全头在视野内。
  • 骨卷积核(如H60f、H60s)在高值区域(如显示骨折)对比好,但脑组织对比不如中平滑卷积核(如H30f、H30s)。
  • 薄层扫描(示例层厚0.62 mm)较5 mm层厚扫描更利于估算出血等病灶体积,但层厚越大重建越平滑。
  • 增强扫描在对比剂分布区域(尤其脑血管)信号改变,阈值可能需要调整以纳入高于其余组织(如>100 HU)的区域。

诊断标准与关键数值

  • CT数据通常位于−1024至3071 HU,建议先Winsorize至[−1024, 3071]范围,并将NIfTI头文件的scl_slope与scl_inter分别设为1和0以避免其他软件重缩放。
  • 脑与面部组织通常位于−100至300 HU(排除颅骨、其他骨与钙化);用−100至1000 HU范围建掩膜可去除部分器械、枕头与背景,保留最大连通域可去除检查床等高值。
  • 掩膜外值设为0会与真实0 HU混淆,建议改用Cormack单位、加值(如加1025)后设0或使用NaN。
  • 作者已发表的方法使用FSL的脑提取工具(BET)经ichsegR包的CT_Skull_Strip函数完成CT脑提取,示例为5 mm层厚、软组织卷积核的非增强头部CT。

临床应用与阅片要点

  • 作者推荐匿名化用临床试验处理器(CTP)或DicomCleaner,DICOM转NIfTI用dcm2niix,脑提取用BET,配准用公开CT模板。
  • 作者推荐使用NIfTI等三维格式而非逐层DICOM,因多数分析需三维操作(如平滑),且DICOM文件含大量受保护健康信息。
  • dcm2niix被推荐的理由包括兼容所有主要扫描仪、纳入CT机架倾斜校正、可处理可变层厚、开源、快速、活跃维护并支持三大操作系统。
  • 作者不常规推荐偏场/不均匀性校正,因其可能降低脑出血等感兴趣区之间的对比,但该步骤曾被用于改善分割。
  • 作者指出创伤性脑损伤与去骨瓣减压等手术可导致脑提取方法失败,该领域仍需大量研究。

局限性

  • 目前仅有的一套头部CT图像处理流程主要针对带病灶的头部CT数据。
  • 与头部MRI相比,头部CT公开数据稀缺,多数CT数据来自临床而非研究环境。
  • Radiopedia等培训网站的头部CT已由DICOM转为JPEG等标准图像格式,丢失Hounsfield单位与像素尺寸等关键信息。
  • NITRC目前不提供头部CT图像;RIRE与MIDAS项目的公开头部CT不足10名受试者。
  • 作者指出创伤性脑损伤与手术(如开颅或去骨瓣减压)可导致脑提取方法潜在失败,该领域仍需大量研究。
全文中译20 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Front Neuroinform. 2019 Sep 4;13:61. doi: 10.3389/fninf.2019.00061

1. 引言

神经影像学的许多研究应用使用磁共振成像(MRI)。MRI使研究人员能够研究大量应用和疾病,包括研究健康志愿者。然而,临床影像在诊断和预后方面严重依赖X射线计算机断层扫描(CT)。由于辐射暴露和缺乏实质性获益,使用CT扫描的研究通常无法招募健康志愿者或大型非临床人群。因此,大部分头部CT数据来源于前瞻性临床试验或基于健康医疗记录数据和医院影像归档与通信系统(PACS)的回顾性研究。我们讨论将这些数据从临床数据转化为研究数据,并基于我们在CT数据方面的经验提供一些建议和指南,以及从MRI研究中获得的类似见解。我们将讨论现有的软件选项,重点关注开源工具,贯穿全文讨论通用神经影像学工具以及CT专用工具。

我们将重点关注定量分析CT数据的各个方面,并将数据转换为大多数MRI神经影像研究人员熟悉的格式。因此,我们不会详细讨论为放射科医生设计的影像套件,这些套件可能是专有的且相当昂贵。此外,我们将特别关注非增强头部CT数据,尽管许多建议和软件也适用于身体其他部位的图像。

本文呈现的流程与Dhar等人(2018)的流程类似。我们旨在讨论流程每个部分的优点,并提供一组有可用代码的选择。此外,我们提供一个附带工作示例的补充材料,包括代码,从DICOM数据到空间归一化的脑图像。我们还涉及与数据去标识化相关的要点,不仅从DICOM元数据中去标识化,还包括从图像本身去除可识别信息,如面部。总体而言,我们旨在讨论可用的工具套件,其中许多是专为MRI构建的,但在必要时提供轻微修改以使这些工具适用于头部CT。

2. 数据组织

来自PACS的大部分数据为DICOM(医学数字成像和通信)格式。通常,DICOM文件是關於图像的元数据(即文件头)和个体像素数据的组合,像素数据许多时候以JPEG格式嵌入。文件头包含一组信息,通常称为字段或标签。标签通常由一组2个十六进制数定义,以4个字母数字字符嵌入。例如,(0008,103E)表示DICOM文件的SeriesDescription标签。大多数DICOM读取器提取并使用这些标签来过滤和组织文件。像素数据通常以轴位方向提供,为高分辨率(例如,0.5 mm²)的512 x 512像素网格。

我们将使用术语扫描会话(scanning session)(而非“研究(study)”,保留study表示试验或分析)、序列(series)表示单次扫描、层面(slice)表示脑的单张图像。每个序列(Series Instance UID标签)和扫描会话(Study Instance UID标签)在DICOM文件头中应具有唯一值,使DICOM读取器能够按扫描会话和序列组织数据。以下各节将讨论数据组织和数据格式。

2.1. DICOM去标识化

DICOM数据的一个常见问题是头部(header)中可能包含大量受保护的健康信息(PHI)。DICOM是一种标准,其中头部的各个字段在不同扫描仪和站点之间包含相同的值,但前提是该制造商和站点严格遵守DICOM标准。尽管许多DICOM头部字段在神经影像研究中是一致的,但可能需要一组字段来获取分析所需的全部数据。此外,不同的扫描制造商可以将信息嵌入非标准字段中。目标是如果这些字段包含PHI则移除它们,但如果它们嵌入了扫描的相关信息用于分析则保留这些字段。那么,如果数据不符合跨扫描站点、制造商或协议的标准,这些字段就对匿名化构成了挑战,且无法在不丢失关键信息的情况下完成。

我们将在下一节讨论读取DICOM数据和DICOM头部字段。读取DICOM数据可能是提取信息所必需的,但很多时候数据必须在分析之前进行传输。根据接收数据的一方,必须首先对数据进行匿名化。Aryanto等人(2015)提供了DICOM匿名化的多种选择方案,并推荐RSNA MIRC临床试验处理器(CTP,https://www.rsna.org/research/imaging-research-tools)——一个跨平台Java软件,以及DICOM库(https://www.dicomlibrary.com/)上传服务。我们还推荐DicomCleaner跨平台Java程序,因为它具有类似的功能。可以使用dcm4che(如dcm4che-deident,https://www.dcm4che.org/)和其他DICOM读取工具(下文讨论)生成定制解决方案,但其中许多工具具有难以添加的内置功能(例如移除嵌入在像素数据中的PHI,即“烧录”信息)。

2.1.1. 关于去标识化的说明:扫描间的时间间隔

尽管大多数提出的解决方案在头部信息的匿名化和去标识化方面表现良好,但只有少数如CTP具有纵向保留日期差异所需的实用工具。根据HIPAA,日期被视为可移除的可识别信息,一些临床试验和其他研究依赖于序列CT成像数据,而时间之间的差异对于确定事件发生时间或在分析中使用至关重要。

2.2. 公开可用的数据

鉴于上述PHI问题,再加上大多数CT数据是在临床环境中而非研究环境中获取的,与头部MRI相比,头部CT的公开可用数据十分匮乏。诸如Radiopedia(https://radiopaedia.org/)等放射学培训网站有许多头部CT数据病例,但这些数据从DICOM转换为标准图像格式(如JPEG),因此关键信息如亨斯菲尔德单位和像素尺寸会丢失。

不过,确实存在大型头颅CT数据存储库,其中许多以DICOM格式提供,许可和使用条件各不相同。CQ500(Chilamkurthy等,2018)数据集提供了约500例具有不同临床病理和诊断的头颅CT扫描,采用非商业许可。本文中的所有示例均使用CQ500数据集中2名受试者的数据。癌症影像档案(TCIA)拥有数百例CT扫描,许多病例患有脑癌。TCIA还提供RESTful(表述性状态转移)接口,允许以编程方式下载病例;例如,TCIApathfinder R包(Russell,2018)和Python tciaclient模块提供了接口。卒中影像存储库联盟(http://stir.dellmed.utexas.edu/)也提供用于卒中的头颅CT数据。国家生物医学影像档案(NBIA,https://imaging.nci.nih.gov)演示提供了一些头颅CT数据,但大多复制自TCIA。神经影像工具与资源协作库(NITRC,https://www.nitrc.org/)提供了许多数据集和工具的链接,但目前没有头颅CT图像。RIRE(回顾性图像配准评估,http://www.insight-journal.org/rire/)和MIDAS(http://www.insight-journal.org/midas)项目拥有少量公开可用的头颅CT(不足10名参与者)。

2.2.1. 读取DICOM数据

尽管MATLAB拥有广泛的通用成像套件,包括SPM(Penny等,2011),但我们将重点介绍R(R Core Team,2018)、Python(Python Software Foundation,https://www.python.org/)及其他独立软件。主要原因是R和Python免费、开源,并且在神经影像方面具有大量功能,且可与流行的成像套件对接。我们还领导了Neuroconductor项目(https://neuroconductor.org/)(Muschelli等,2018),这是一个用于医学图像分析的R包存储库。其他成像平台,如Insight分割与配准工具包(ITK),是维护良好且有价值的软件,可以执行我们将讨论的许多操作。我们将不同程度地涉及其中一些软件。我们旨在介绍我们已直接用于分析或预处理的软件。此外,其他论文和教程讨论了这些工具在分析中的使用(https://neuroconductor.org/tutorials)。

对于读取DICOM数据,有多种选择。oro.dicom(Whitcher等,2011)和radtools(Russell和Ghosh,2019)R包、pydicom Python模块(Mason,2011)、MATLAB成像工具箱以及ITK(Schroeder等,2003)接口等均可读取DICOM数据。DICOM工具包dcmtk(Eichelberg等,2004)具有多种DICOM操作工具,包括dcmconv,可将DICOM文件转换为其他成像格式。尽管大多数成像分析工具都能读取DICOM数据,但使用DICOM格式存在一些缺点。在大多数情况下,一个DICOM文件是完整三维图像序列中的单个层面。如果使用文件夹结构,这种分离方式会使数据组织变得繁琐。如上所述,这些文件还可能包含大量受保护健康信息(PHI)。部分图像数据可能经过压缩,如JPEG2000格式。反之,如果数据未压缩,则文件存储效率低下。最重要的是,许多成像分析需要执行三维(3D)操作,如平滑处理。因此,将数据转换为一种将3D图像作为单个压缩文件处理的格式是理想的。我们在上文展示了读取DICOM数据的示例,但通常建议使用3D成像格式,并使用上述工具读取DICOM头信息。

2.3. 将DICOM转换为NIfTI

存在许多不同的通用3D医学成像格式,如ANALYZE、NIfTI、NRRD和MNC。我们推荐NIfTI格式,因为它几乎可以被所有医学成像平台读取,已被广泛使用,具有格式标准,可以压缩格式存储,并且大量数据以该格式在线发布。此外,我们将介绍用于转换DICOM数据的特定软件,推荐的软件(dcm2niix)输出NIfTI文件格式的数据。

DICOM转NIfTI存在许多充分且完整的解决方案。示例包括oro.dicom R包中的dicom2nifti、pydicom、MATLAB中的dicom2nifti,以及使用大型成像套件,如使用ITK图像读取函数读取DICOM文件然后写出NIfTI输出。我们推荐将dcm2niix(https://github.com/rordenlab/dcm2niix)(Li等,2016)用于CT数据,原因如下:(1)它适用于所有主要扫描仪,(2)对CT数据纳入机架倾斜校正,(3)能处理变化的层厚,(4)是开源的,(5)速度快,(6)是一个积极维护的项目,(7)可在所有3个主要操作系统(Linux/OSX/Windows)上运行。此外,流行的AFNI神经成像套件在其发行版中包含dcm2niix程序。存在各种接口,如R中的dcm2niir(Muschelli,2018)包和nipype Python模块(Gorgolewski等,2011)。此外,divest包(Clayden和Rorden,2018)封装了dcm2niix的底层代码以提供与dcm2niix相同的功能,并具备操作数据以实现更多用途的能力。

我们将描述dcm2niix用于CT的几个功能。在某些头部CT扫描中,机架会倾斜以减少对非脑区域(如眼睛)的辐射暴露。因此,图像的层面处于斜角。如果进行基于层面的分析或对3D数据应用仿射配准(因为这种倾斜是一种剪切),这种倾斜可能会被隐式校正。这种倾斜会给3D操作带来问题,因为层面之间体素的距离不正确,尤其可能显示出奇怪的 visualization(图1A)。dcm2niix输出同时返回校正和未校正的图像(图1)。由于校正会将层面移动到不同的区域,dcm2niix可能会对图像进行填充,以使整个头部仍位于视野内。因此,这可能会给需要512 x 512轴位层面尺寸的算法带来问题。尽管不太常见,在仅关注头部特定区域的重建中可能出现变化的层厚。例如,一幅图像可能整个图像的层厚为5 mm,但第三脑室附近的区域层厚为2.5 mm。为了校正这一点,dcm2niix在层面之间进行插值,以确保每幅图像具有一致的体素大小。同样,dcm2niix同时返回校正和未校正的图像。

转换为NIfTI格式后,应确保数据的尺度。大多数CT数据在−1024到3071 Hounsfield单位(HU)之间。小于−1024 HU的值很常见,这是由于图像中实际未成像的视野外区域所致。一个首先的处理步骤是将数据缩尾处理(Winsorize)到[−1024, 3071]范围。此步骤之后,应将NIfTI图像的头部元素scl_slope和scl_inter分别设置为1和0,以确保在其他软件中不会进行数据重缩放。尽管HU是CT分析中使用的标准格式,但负HU值可能会给为MRI构建的标准成像流程带来问题,因为MRI通常具有正值。Rorden(CITE)提出了一种无损变换,称为Cormack单位,其最小值为0。该变换的目标是扩大通常感兴趣的数据范围,从−100到100 HU,并在Clinical toolbox(下文讨论)中实现。然而,大多数分析是使用HU进行的。

图1 机架倾斜校正示例。使用“dcm2niix”,我们将DICOM文件转换为NIfTI文件,该文件有30度倾斜。输出提供未校正图像(A)和倾斜校正图像(B)。我们看到,未校正的重建图像在轴位平面内看起来正常,但在平面外具有奇怪的3D形状。该形状将通过仿射变换进行校正,该变换在转换中完成,如图(B)所示校正图像。 查看原图 ↗

2.4. 卷积核

尽管我们将CT视为具有更标准化的Hounsfield单位值,但这并不意味着CT扫描不会因扫描和重建参数的不同而具有显著不同的特性。图像重建中的一个值得注意的参数是用于重建的卷积核[即滤波器,DICOM字段(0018,1210)]。我们在图2中展示了来自CQ500(Chilamkurthy等,2018)数据集中单个受试者的切片。关于使用了哪个卷积核以及其他重建参数信息可以在DICOM头文件中找到。卷积核通常用字母“H”(代表头部卷积核)来描述,一个数字表示图像锐度(例如,数字越高,图像越锐利;数字越低,图像越平滑),以及结尾的“s”(标准)、“f”(快速)、“h”代表高分辨率模式(Siemens SOMATOM Definition应用指南),尽管有些协议简单地将其命名为“软组织”、“标准”、“骨”、“头部”或“血液”等。图像对比度可以高度依赖于卷积核,“中等平滑”卷积核(例如,H30f、H30s)可以在脑组织中提供良好的对比度(图2E)。其他如“中等”卷积核(例如,H60f、H60s)在高值区域提供对比度,例如检测骨折(图2A),但在脑组织中的对比度不那么好(图2B)。因此,当合并来自多个来源的数据时,卷积核可用于过滤、分层或排除数据。

此外,噪声和图像对比度可能因重建的图像分辨率不同而不同。大多数标准头部CT扫描在轴面内具有高分辨率(例如,0.5 x 0.5 mm)。图像重建在上下方向平面(例如,层厚)的分辨率可以从0.5mm(即“薄层”,图2F)到2.5 mm,再到5 mm不等,其中5 mm相当常见。层厚越大,重建越平滑(因为区域被平均)。此外,对放射科医生和临床医生来说额外的好处是,审查病理或获得头部全面视图所需的切片数量更少。然而,在研究中,这些薄层扫描可以更好地估计病理体积,例如出血(CITE)或其他脑区。此外,当跨图像执行操作时,算法可能需要考虑这种不同的分辨率,以及因此不同的图像尺寸。我们将在数据预处理中讨论图像配准作为统一数据维度的一种方法,但配准不会改变原始数据的固有平滑度或分辨率。

在某些情况下,某些受试者只有特定的图像可用。例如,大多数受试者有使用软组织卷积核的非增强头部CT,而有些只有骨卷积核。可以进行后处理平滑,如3D高斯平滑(图2C)或各向异性(Perona-Malik)平滑(Perona和Malik,1990;图2D)。这个过程改变了数据的平滑度、某些区域的对比度,可能在分割中产生伪影,但可以使骨卷积核重建扫描在脑区域的平面内特性与软组织卷积核相似(图2E)。

图2 一项扫描研究的不同序列。在此我们展示从PACS导出的不同非对比头颅CT。我们显示采用骨卷积核重建的扫描图像(A),显示颅骨的亮区,可对其进行检查以发现断裂或骨折。对该图像应用0–100亨氏单位(HU)的窗宽时,我们看到图像分辨率(B)。使用高斯(C)或Perona-Malik(D)平滑器,我们看到所得图像的平滑度与采用软组织卷积核重建的图像(E)相似。图像(A–E)的层厚为5 mm。薄层扫描(F)的层厚为0.62 mm,采用软组织卷积核。使用对比剂的CT扫描(G),以显示对比剂如何影响CT图像。 查看原图 ↗

2.5. 对比剂

尽管我们讨论的是非对比扫描,但使用对比剂的头颅CT扫描很常见。对比剂/团注剂同样应在DICOM头字段(0018,0010)中标识,但可能被省略。对比剂会改变CT图像,尤其是在对比剂分布的区域,特别是脑的血管系统(图2G)。这些改变可能影响下一节数据预处理中推荐的步骤,其中可能需要调整阈值以纳入具有对比剂的区域,这些区域的数值可能高于其余组织(例如> 100 HU;图2G)。

3. 数据预处理

既然数据已采用标准文件格式,我们可以讨论数据预处理。由于数据为NIfTI格式,大多数为MRI和其他成像模态构建的软件应当可用,但可能需要适配和其他考虑。

3.1. 偏置场/不均匀性校正

在MRI中,扫描可能受到偏置场或一组不均匀性的污染。该场通常由MRI线圈的不均匀性/不一致性所致,或可由对线圈的非均匀物理效应(如加热)产生。最常见的处理步骤之一首先是去除该偏置场。在许多情况下,这些差异更一般地可被视为非均匀性,即具有相同物理组成和行为的同一区域若位于图像的不同空间位置,可能呈现不同的数值。尽管由于数据的性质,CT数据没有线圈或假定的偏置场,但可以测试尝试用这些校正程序之一在空间上协调数据是否会改善某种方法的性能。尽管我们通常不推荐该程序,因为它可能降低感兴趣区域之间的对比度,例如脑内出血,但其已被用于改善分割(Cauley et al., 2018)。我们希望讨论潜在方法和CT特有的问题。

总体而言,该偏置场的假设是它具有乘性且平滑变化。最常用的不均匀性校正方法之一是非参数非均匀性归一化(例如 N3;Sled 等,1998)及其在 ANTs 中的更新改进版 N4(Tustison 等,2010),尽管 FSL(Zhang 等,2001)和其他软件(Ashburner 和 Friston,1998;Belaroussi 等,2006)中还存在其他方法。鉴于场具有乘性性质的假设,N4 在对数变换后的图像上执行期望最大化(EM)算法,假设系统无噪声。由于 HU 单位的 CT 数据包含负值,对数变换不适用。可能需要对数据值进行预变换或平移才能执行该算法,尽管这些变换可能影响性能。此外,伪影或物体(如下文所述),例如床,可能在很大程度上影响场的估计,因此在运行这些校正之前进行分割可能是合适的,例如脑提取或仅提取与受试者相关的数据而非成像硬件。ANTsR 包(https://github.com/ANTsX/ANTsR)在 R 中提供 n4BiasFieldCorrection 函数;ANTsPy(https://github.com/ANTsX/ANTsPy)和 NiPype(Gorgolewski 等,2011)分别在 Python 中提供 n4_bias_field_correction 和 N4BiasFieldCorrection。

3.2. CT 中的脑提取

头部 CT 数据通常包含受试者的头部、面部,可能还包括颈部和其他下部结构,具体取决于视野。此外,通常还存在其他伪影,例如受试者头部所枕的枕头、床/担架以及视野中的任何器械。我们不提供一个从硬件中提取完整头部的通用框架,但提供一些实用的启发式建议。通常,脑和面部组织的数据范围在 −100 至 300 HU 之间,不包括颅骨、其他骨骼和钙化。从 −100 至 1000 HU 范围的值创建掩膜往往能去除一些器械、枕头和背景。保留最大连通分量将去除高值区域如床/担架,填充孔洞(以包含颅骨),并用所得掩膜对原始数据进行掩蔽将返回受试者(图 3)。

注意,使用掩蔽程序时必须小心,因为一种标准方法是将感兴趣区域外的值设为 0。对于 CT 数据,0 HU 是一个有实际意义的感兴趣值:如果掩膜外所有值都设为 0,则 0 值同时被混叠为 0 HU 和掩膜外区域。建议将数据变换为 Cormack 单位、向数据添加一个值(如 1025)后再将值设为 0,或在非感兴趣值处使用 NaN。

处理脑部影像最常见的步骤之一是从图像中去除非脑结构。许多论文展示了脑提取后的CT图像,但并不总是公开提取方法。我们曾发表一种方法,使用FSL中最初为MRI构建的脑提取工具(BET),通过ichsegR包(Muschelli, 2019)中的CT_Skull_Strip函数进行脑提取(Muschelli et al., 2015)。图3展示了该算法在5 mm层厚、非增强头部CT、软组织卷积核图像上的性能示例,该算法提取了用于分析的相关区域。近年来,卷积神经网络和形状传播技术在此任务中取得了相当大的成功(Akkus et al., 2018),并且已有模型发布(https://github.com/aqqush/CT_BET)。总体而言,该领域仍可开展大量研究,因为创伤性脑损伤(TBI)和手术(如开颅术或去骨瓣减压术)可能导致这些方法失败。然而,总体而言,颅骨与脑组织之间的高对比度以及标准化的Hounsfield单位可使脑分割成为比MRI更容易的任务。

图3 人头和脑提取结果。此处展示的是5 mm层厚、非增强头部CT、软组织卷积核图像。左图表示CT图像,显示所有成像区域,并叠加了按“CT中的脑提取”一节所述提取的头部掩膜。右侧为叠加了脑掩膜的图像。脑掩膜是使用Muschelli等人(2015)发表的、改编自FSL脑提取工具(BET)的方法创建的。 查看原图 ↗

3.2.1. 组织类别分割

在许多结构性MRI应用中,下一步可能是组织类别分割,标记脑脊液(CSF)、白质和灰质的区域。尽管Cauley等人(2018)提供了一个使用现有软件(针对MRI设计)(Zhang et al., 2001)对CT扫描进行组织类别分割的示例,但我们在此不详述。一个潜在问题是白质与灰质之间的对比度远低于MRI T1加权成像。而非组织类别分割,已有若干从CT确定CSF空间的示例,包括带有病变的扫描(Hacker and Artmann, 1978; Liu et al., 2010; Li et al., 2012; Poh et al., 2012; Ferdian et al., 2017; Patel et al., 2017; Dhar et al., 2018)。这些方法有时从脑中分割CSF,包括蛛网膜下腔区域、仅脑室,或两者的某种组合。此外,这些CT特异性方法尚未发布开源实现或可供广泛使用的训练模型。

3.3. 可识别生物特征标记的去除:去面部化

作为美国《健康保险流通与责任法案》(HIPAA)的一部分,在“安全港”方法下,发布数据需要移除若干受保护的健康信息(PHI)(Centers for Medicare & Medicaid Services, 1996)。对于头部CT图像,一个显著的标识符是“全脸照片及任何可比图像”。头部CT图像具有进行3D重建的潜力,这很可能属于该PHI类别,并给参与者的重新识别带来问题(Schimke and Hale, 2015)。因此,移除面部区域(称为去脸处理)可能是发布数据所必需的。如果面部和鼻腔部分是成像的目标,那么去脸处理可能是个问题。由于耳朵可能成为未来的识别性生物特征标志,且牙科记录可能用于身份识别,这些区域可能适合移除(Cadavid et al., 2009; Mosher, 2010)。

图像去脸的显而易见的方法是执行我们上文描述的脑提取。如果我们将去脸定义为移除部分面部,同时尽可能保留图像其余部分,那么该方案并不充分。存在其他去脸选项,例如MRI Deface软件(https://www.nitrc.org/projects/mri_deface/),它打包在FreeSurfer软件中,可使用freesurfer R包中的mri_deface函数运行(Bischoff-Grethe et al., 2007; Fischl, 2012)。我们发现该方法在头部CT数据上开箱即用效果不佳,包括在成像包含大量颈部时。

配准方法涉及将图像配准到CT并应用移除区域(如面部)掩膜的变换。在Python模块中实现去脸的示例有pydeface(https://github.com/poldracklab/pydeface/tree/master/pydeface)和mridefacer(https://github.com/mih/mridefacer)。这些方法有效,因为从MRI到CT的配准往往表现良好,通常使用跨模态代价函数如互信息。其他估计方法如Quickshear去脸方法依赖于通过与模态无关的脑掩膜相比的相对位置来寻找面部(Schimke and Hale, 2011)。fslr R包实现了pydeface和Quickshear两种方法。ichseg R包也有一个函数ct_biometric_mask,尝试基于配准到CT模板来移除面部和耳朵(如下所述)。总体而言,在发布数据时应考虑从成像数据中移除潜在的生物特征标志,存在多种方法,但不能保证完全去标识化,且未经修改可能无法直接适用于CT。

3.4. 配准到CT模板

尽管临床数据中的许多分析可能是个体特异性的,但群体水平的分析仍然具有意义。一些分析需要群体水平的空间结果,这需要配准到群体模板。这些方法的一个问题是,大多数模板和方法依赖于MRI模板。这些模板是通过对志愿者进行MRI扫描而开发的,由于在没有其他益处的情况下存在辐射暴露风险,用CT做同样的事情很可能是不符合伦理的。为了创建模板,通过对病历的回顾性检索可以提供这样的患者:他们因需要有CT扫描的症状(如偏头痛)就诊,但诊断结果为无病理或损伤。因此,这些神经正常扫描与MRI研究中收集的扫描相似,但存在一些重要差异。由于这些是回顾性的,如果未经过临床收集,纳入标准信息可能不易获得,扫描方案和参数可能各不相同,即使在医院内部也是如此,尤其是随时间推移,而且这些患者仍然有神经系统症状。尽管存在这些挑战,只要有足够大的患者群体并在机构获得研究同意,这些扫描就可以用于创建基于CT的模板和图谱。据我们所知,第一个公开可用的头部CT模板由Rorden等人(2012)发布,用于空间归一化/配准的目的。

CT图像配准的一个有趣方面同样是CT数据具有相同范围内的单位。说它们完全统一标准化有点过于绝对,因为断层扫描和其他混杂因素可能影响单位。因此,我们的做法是将它们视为比MRI更标准化。这种标准化可能支持或允许用户使用不同的搜索和评估代价函数进行配准,例如最小二乘法。我们发现归一化互信息(NMI)在CT-to-CT配准中仍然表现良好,在使用CT-to-MRI或CT-to-PET配准时至少应予以考虑。除上述模板外,Rorden等人(2012)还为SPM发布了Clinical工具箱(https://github.com/neurolabusc/Clinical),使研究人员能够将头部CT数据配准到标准空间。然而,由于数据为NIfTI格式,几乎所有图像配准软件都应该可以使用,但应考虑使用Cormack单位或其他变换来转换单位,因为负值可能在某些为MRI配准构建的软件中被隐式排除。我们发现使用微分同胚配准(如ANTs和ANTsR中的对称归一化(SyN))配合NMI代价函数表现良好。我们在图4中展示了使用SyN将脑提取中呈现的头部CT配准到Rorden等人(2012)模板的结果。

在某些情况下,可以进行群体水平分析,同时将信息保留在个体特异性水平。例如,从模板到个体空间的配准可以提供关于脑结构的信息,这些信息可以跨人群聚合。例如,可以对CT数据进行标签融合方法来推断海马的大小,然后分析人群中海马的大小。存在多种标签融合方法(Collins and Pruessner, 2010; Langerak et al., 2010; Sabuncu et al., 2010; Asman and Landman, 2013; Wang et al., 2013),但依赖于多个模板,且公开可用的分割CT图像仍然缺乏。此外,CT中的空间对比度远低于T1加权MRI用于图像分割。因此,同步MRI可能有用。一个重要问题是,任何通过同步MRI收集的数据,如果未在机构内或机构间普遍标准化,MRI协议的高变异性会带来问题。我们将这些限制视为CT图像分析中具有巨大增长和机会的领域。

图4 图像配准结果。此处我们展示了将扫描图像(A)配准到来自Rorden et al. (2012)的CT模板(B)。配准首先进行仿射配准,然后进行对称归一化(SyN),这是一种在ANTsR中实现的非线性配准。配准是在图像和模板均保留颅骨的情况下进行的。我们看到图像中总体对齐良好的区域,但可能并不完美。 查看原图 ↗

3.5. 流程

总体而言,我们推荐的流程如下:

使用CTP或DicomCleaner来组织和匿名化来自PACS的DICOM数据。

使用诸如dcmtk中的dcmdump等软件提取每个DICOM的相关头信息并存储,排除PHI。

使用dcm2niix将DICOM转换为NIfTI,该软件可以创建脑成像数据结构(BIDS)格式的数据(Gorgolewski et al., 2016)。使用倾斜校正和具有均匀体素大小的数据。

之后,根据分析的目的,您可以先配准再脑提取,先脑提取再配准,或者完全不进行配准。如果您正在进行颅骨分析,您也可以使用脑提取作为第一步来识别需要去除的区域。对于脑提取,运行BET for CT或CT_BET(特别是如果您有用于神经网络的GPU)。如果进行了配准,通常需要保留变换回原始个体空间,因为许多放射科医生和临床医生习惯于个体特异性的预测或分割。将数据从NIfTI转换回DICOM不常做,但可行,因为大多数PACS是为DICOM数据构建的。

4. 结论

我们提出了一个用于头部CT数据预处理(见数据表1)的简单流程,以及读取和转换数据的软件选项。我们发现许多工具存在于MRI并可应用于CT数据。数据之间存在显著差异,很大程度上由于采集环境(研究vs.临床)、数据访问、数据组织、图像强度范围、图像对比度和群体水平数据。由于CT扫描提供快速且临床相关的信息,并且随着医学影像数据中机器学习兴趣的增加,特别是使用卷积神经网络的深度学习,头部CT数据的研究和定量分析必将增加。我们相信这概述了一组有用的工具和数据,用于头部CT研究。

为了使利用头部CT扫描的研究达到与MRI同等的关注度和成功率,需要释放更多可公开获取的数据。我们看到,随着更多数据的发布以及联盟创建真正大规模的研究,MRI研究尤其是功能MRI研究出现了激增。这种合作在单个机构内是可能的,但需要从临床人群中释放扫描数据,而在此之前必须获得知情同意,并且维护患者隐私必须是首要任务。大型内部数据集很可能已经存在,但机构需要激励措施才能将这些数据集向公众释放。此外,尽管机构拥有大量丰富的数据,但通用方法和应用需要来自多个机构的数据,因为参数、协议和人群特征可能差异很大。

在创建自动化分析工具或辅助工具以帮助放射科医生和临床医生之后,面临的重大障碍之一是将这些信息重新整合到医疗保健系统中。我们没有给出这一难题的答案,但指出这些工具首先需要被创建出来,以展示这种重新整合可以改善患者护理、结局和其他性能指标的案例。我们希望我们提供的工具和讨论能够推动该领域起步研究者的这些努力。

用于生成本文图表的所有代码位于https://github.com/muschellij2/process_head_ct。该代码使用R中Neuroconductor的软件包。本文呈现的所有数据均来自CQ500数据集,可从http://headctstudy.qure.ai/dataset下载。

数据可用性

本研究分析了可公开获取的数据集。该数据可在此处找到:http://headctstudy.qure.ai/dataset。

作者贡献

作者确认其为本文的唯一贡献者,并已批准其发表。

利益冲突声明

作者声明,该研究是在不存在任何可被解释为潜在利益冲突的商业或财务关系的情况下进行的。

引用

  1. Muschelli J. Recommendations for Processing Head CT Data. Front Neuroinform. 2019. PMID: 31551745. doi:10.3389/fninf.2019.00061
  2. 全文:PMC6738271(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6738271/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。