回到首頁

使用 t1-header.tif 進行 MRI 影像分割：分離頭骨與腦組織

本章節將以 t1-header.tif 這組 T1 加權的腦部 MRI 影像為範例，學習如何使用 ImageJ/Fiji 進行基礎的影像分割，將感興趣的解剖結構，如腦組織（Brain）和頭骨（Skull），分離出來，並進行 3D 視覺化呈現。

案例介紹與準備工作

認識範例影像 t1-header.tif

這是一套包含 129 張連續切片的 T1 加權 MRI 影像堆疊（Image Stack）。

操作前的建議

  1. 開啟影像： 直接將 t1-header.tif 檔案拖曳至 Fiji/ImageJ 視窗，或使用 File > Open...。
  2. 探索影像堆疊：
    • 使用視窗下方的滑桿，可以瀏覽不同的 Z 軸切片。
    • 執行 Image > Stacks > Orthogonal Views 可以同時從三個正交平面（橫斷面、冠狀面、矢狀面）觀察影像，這對於理解 3D 結構非常有幫助。
  3. 使用工具觀察這種有z stack的影像，例如Plugins > 3D viewer或是 Plugints > Volumln Viewer

步驟一：分離腦組織

我們的目標是建立一個只包含腦組織的二值化遮罩 (Binary Mask)，你可以先用之前學過的Image > Adjust > Threshold...進行處理，目標是讓腦組織（腦灰質與白質）被完整選取，同時盡可能排除周圍的腦脊髓液和頭骨。如果需要可以再後續用形態學處理來清理空洞與雜訊。

除了上述手動方法外，我們將利用機器學習來進行分割。

使用機器學習進行分割

當腦組織和頭骨的灰階強度非常相似時，單純的閾值分割會失敗。此時，可以用 Fiji 內建的 Trainable Weka Segmentation ，它不僅只靠灰階值，還能學習紋理、邊緣等特徵，分割效果更佳。

  1. 開啟插件與設定：

    • 開啟的 t1-header.tif 影像。
    • 執行 Plugins > Segmentation > Trainable Weka Segmentation。
    • 在 Weka 視窗中，點擊 Settings，確認 Training features 中的選項（預設即可）。
    • 點擊 Create new class 建立三個類別，並分別命名為 Brain, Other, Background。

  2. 提供訓練樣本 (Training)：

    • 標記 Brain: 在 Weka 視窗中選中 Brain 類別。使用 選取工具，在影像的腦組織區域畫幾個小圈，每畫一個就點擊 Add to class 'Brain' 按鈕。技巧： 請在不同的腦區（灰質、白質）和不同的 Z-slice 上都提供樣本。
    • 標記 Other: 選中 Skull 類別，在頭骨的亮色區域畫圈並加入。
    • 標記 Background: 選中 Background 類別，在腦外的黑色區域畫圈並加入。

  3. 訓練與產生結果：

    • 點擊 Train classifier 按鈕進行訓練。右側的預覽視窗會即時顯示分類結果。如果結果不理想，可以增加更多樣本並重新訓練。
    • 對預覽滿意後，點擊 Create result。這會產生一張新的分類結果影像 (classified image)。

  4. 從分類結果中提取腦部遮罩：

    • 在產生的分類結果影像上，執行 Image > Adjust > Threshold...。
    • 在 Weka 中，第一個類別 (Brain) 的像素值通常是 1。將閾值滑桿的上下限都設為 1，這樣就只選取了腦部。
    • 點擊 Apply，即可得到一張乾淨的 Brain Mask。

步驟二：分離頭骨 (Skull Segmentation)

分離頭骨的邏輯很簡單：頭骨 = 整個頭部 - 腦組織。

  1. 建立「整個頭部」的遮罩：

    • 回到原始的 t1-header.tif 影像。
    • 再次執行 Image > Adjust > Threshold...。
    • 這次，將閾值下限設為 1（或一個非常低的值），上限設為最大值。目標是選取所有非黑色的像素。
    • 點擊 Apply 產生一個包含整個頭部（腦+頭骨）的遮罩。將其命名為 Head Mask。

  2. 影像計算 (Image Calculator)：

    • 執行 Process > Image Calculator...。
    • 在對話框中設定：
      • Image1: 選擇 Head Mask。
      • Operation: 選擇 Subtract (減去)。
      • Image2: 選擇我們在步驟一得到的 Brain Mask。
    • 點擊 OK。

  3. 得到頭骨遮罩：

    • 計算結果就是一張新的影像，其中只剩下頭骨的遮罩。您可以將其命名為 Skull Mask。

步驟三：3D 視覺化呈現

現在我們有了各自獨立的 Brain Mask 和 Skull Mask，可以使用 3D Viewer 將它們視覺化。

  1. 啟動 3D Viewer：

    • 執行 Plugins > 3D > 3D Viewer。

  2. 加入腦組織表面：

    • 在 3D Viewer 視窗中，點擊 Add > Surface...。
    • 在 Image 下拉選單中選擇 Brain Mask。
    • Name: 可命名為 Brain。
    • Color: 選擇一個您喜歡的顏色，例如灰色。
    • Threshold: 設為 1。
    • Transparency: 設定一個透明度，例如 50%，這樣才能看到內部。
    • 點擊 OK。

  3. 加入頭骨表面：

    • 再次點擊 Add > Surface...。
    • Image: 選擇 Skull Mask。
    • Name: 可命名為 Skull。
    • Color: 選擇白色或淡黃色。
    • Threshold: 設為 1。
    • Transparency: 設為一個較低的值，例如 20%。
    • 點擊 OK。

現在，您應該可以在 3D Viewer 中看到半透明的頭骨包覆著腦組織的立體模型。您可以用滑鼠自由地旋轉和縮放，從不同角度觀察這些結構。

這些產生的遮罩（Masks）不僅可用於視覺化，也可以進行定量分析。例如對 Brain Mask 影像堆疊執行 Analyze > Histogram，並將 Count（像素數）乘以每個體素（Voxel）的體積，就可以估算出總腦容量。

定量分析：計算體積 (Volume Quantification)

計算原理

體積計算的邏輯是：

總體積 = 體素(Voxel)的總數量 × 單一體素的體積

根據此 MRI 數據集的Image > Properties...，其體素尺寸為 1.5 mm × 1.5 mm × 1.5 mm。

操作步驟

我們將以計算 腦組織體積 為例。。

設定空間校正 (Set Scale)

在進行任何測量之前，必須先讓 ImageJ 知道影像的真實尺度。

  1. 選取 Brain Mask 或任何一張原始影像堆疊。
  2. 執行 Image > Properties... (快捷鍵 Ctrl+Shift+P)。
  3. 在彈出的對話框中，填入已知的體素尺寸：
    • Unit of length: mm
    • Pixel width: 1.5
    • Pixel height: 1.5
    • Voxel depth: 1.5 (這是 Z 軸的尺寸，即切片厚度)
  4. 勾選 Global，這樣此設定會應用到所有開啟的影像。
  5. 點擊 OK。

完成後，影像視窗的標題會顯示校正後的尺寸。

計算體素總數並獲得體積

有兩種推薦的方法可以得到體積。

方法 A：使用直方圖 (Histogram)

此方法讓您了解背後的計算過程。

  1. 選取 Brain Mask 影像堆疊。
  2. 執行 Analyze > Histogram (快捷鍵 Ctrl+H)。
  3. 在彈出的 Histogram 視窗中，您會看到一個表格。由於這是二值化影像，只有兩個值：0 (黑色背景) 和 255 (白色前景)。
  4. 找到 Value 為 255 的那一列，其對應的 Count 值就是白色體素的總數量，將這個數字與單一體素體積相乘，就可以得到腦的體積。

方法 B：使用 3D 物件計數器 (3D Object Counter) (更直接)

Fiji 內建的強大 3D 分析工具可以直接給出校正後的體積。

  1. 選取 Brain Mask 影像堆疊。
  2. 執行 Analyze > 3D OC Options 來設定參數，確保 Volume 已被勾選。
  3. 執行 Analyze > 3D Object Counter。
  4. 在設定視窗中，將 Threshold 設為一個介於 1-255 之間的值 (例如 128)，以確保只計算白色物件。
  5. 點擊 OK。
  6. 在彈出的 "3D Results" 表格中，Volume 欄位直接顯示了計算好的體積（單位為 mm³），並且 Voxels 欄位顯示了體素總數，與直方圖方法得到的結果一致。

3D 形態學分析：量化大腦的表面積與複雜度

我們已經學會了如何從 MRI 影像中分割出大腦並計算其體積。然而，體積只是描述一個三維物體最基礎的參數。大腦最顯著的特徵之一是其表面佈滿了複雜的溝（Sulci）與迴（Gyri），這極大地增加了其表面積。

使用 ImageJ/Fiji 來測量更進階的 3D 形態學 (Morphometry) 參數，如表面積 (Surface Area) 和球形度 (Sphericity)，從而量化大腦的結構複雜度。

分析目標與理論背景

球形度 (Sphericity)

球形度是一個用來描述物體形狀有多麼接近完美球體的無因次參數。其值範圍在 0 到 1 之間： - 值為 1： 表示物體是一個完美的球體。 - 值越接近 0： 表示物體形狀越不規則、越扁平或越細長。

其計算公式為：

Sphericity = (π^(1/3) * (6 * Volume)^(2/3)) / Surface Area

從公式可以看出，在體積 (Volume) 相同的情況下，表面積 (Surface Area) 越大的物體，其球形度就越低。對於大腦而言，複雜的溝迴結構使其在有限的顱腔體積內容納了巨大的皮層表面積，因此其球形度會遠低於一個同樣體積的光滑球體。

操作步驟

準備 3D 遮罩

使用在Brain Mask 作為分析對象。

  1. 開啟 t1-header.tif 影像並依照先前教學產生 Brain Mask 影像堆疊。
  2. 觀察空間校正： ：影像已經過空間校正 (Image > Properties...，體素尺寸為 1.5 x 1.5 x 1.5 mm)。這一步對於計算真實的物理表面積和體積至關重要。

使用 3D Object Counter 進行分析

  1. 選取 Brain Mask 影像堆疊。
  2. 執行 Analyze > 3D Object Counter。
  3. 參數設定：
    • Threshold: 設為一個介於 1-255 的值（例如 128），以確保只計算白色物件。
    • Min. Voxel: 設為一個較大的值（如 1000），以過濾掉可能的微小雜訊。
    • 確保 Volumes 和 Surface areas 這兩個選項都被勾選。
  4. 點擊 OK。

結果

分析完成後，會彈出一個 "3D Results" 表格。

使用這兩個值，代入公式計算大腦的球形度。