[發明專利]一種利用先驗知識的人類外側膝狀體自動分割方法

有效

• 申請號: 201310722891.7
• 申請日: 2013-12-24
• 公開（公告）號: CN103700104B
• 公開（公告）日: 2017-01-25
• 發明（設計）人: 何暉光;王潔瓊
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 中科專利商標代理有限責任公司11021
• 代理人: 宋焰琴

技術領域

本發明涉及計算機圖像處理領域，特別涉及一種利用外側膝狀體（LGN）的解剖先驗知識來在人腦結構像中自動分割出LGN的醫學圖像分割方法。

背景技術

圖像分割是指利用圖像信息將圖像中“感興趣的目標物體”從復雜的景象中提取出來。感興趣的目標物體一般被稱為前景，圖像中其余部分被稱為背景。整體而言，圖像分割方法可以分為兩種體系：人機交互式分割和計算機全自動分割。前者過于依賴專家經驗且耗時太長，后者自主分割的結果往往不能不能令人滿意。在實際應用領域中，人們針對不同需求來選擇適應的方法，到目前為止還不存在一種通用的分割方法。

外側膝狀體是前段視路傳入神經纖維的終止點，交叉與未交叉的神經纖維最終在該處換神經元后向后形成視放射。作為一個視路的第四個神經元（前三個分別是視網膜內的椎體細胞、桿體細胞，視網膜內的雙極細胞和視網膜內的節細胞），外側膝狀體在視覺通路中扮演著重要的角色。但由于作為丘腦一部分的LGN被顳葉和海馬回遮擋且LGN自身體積很小，LGN很難被觀察到。通過解剖人腦，人們發現LGN必然在腹側間腦區（VDC）內。1997年Andrews等人發現LGN大致在一個5mm*5mm*5mm的立方體區域內,而2004年Kastner等人發現LGN中心點在Talairach空間中的位置大概在左側（-23.33，-21，-4.66）和右側（22.88，-21.3,4.63）附近。

區域增長法、k均值法、大津算法和圖割算法都是圖像分割領域中常用的算法。區域增長法利用圖像的灰度信息將位置接近且灰度相似的像素聚集成一個區域來得到分割結果。k均值法是一種典型的聚類算法，它利用圖像特征將圖像的體素聚成指定的類別數。大津算法是圖像分割中閾值選取的最佳算法，它遍歷圖像的灰度值來尋找一個最佳閾值將圖像分成背景和前景兩部分從而使得背景和前景之間的類間方差最大。圖割算法將圖論引入圖像分割領域，圖像的體素作為圖的節點，體素之間的相關性作為連接節點邊的權重，尋找一個切割邊的方式將節點分成兩部分，切割損失能量最小的方式即為最佳切割方式。

在醫學圖像領域中，人工分割目標物體非常耗時，但是自動分割方法準確度不高，為了解決低準確度的問題，我們利用若干不同方式的分割結果來計算出目標物體真實分割的概率估計值，把這個估計值作為目標物體的分割結果。

發明內容

（一）要解決的技術問題

本發明所要解決的技術問題是提供一種自動的LGN分割方法，以對人腦結構像中的LGN進行準確、自動的分割。

（二）技術方案

為解決上述的技術問題，本發明提出一種利用先驗知識的人類外側膝狀體自動分割方法，用于將人腦結構像中的LGN分割出來。該方法包括如下步驟：步驟S1：將人腦的結構像數據進行不均勻場校正；步驟S2：將校正過的結構像配準到MNI標準空間；步驟S3：利用LGN解剖結構的先驗知識得到LGN在MNI空間內的大致區域；步驟S4：在這個區域內分別用區域增長法、k均值法、大津算法和圖割法進行分割；步驟S5：將四種分割結果融合得到對LGN的真實分割的估計；步驟S6：將估計出的結果變換到結構像的原始空間，得到LGN的最終分割結果。

（三）有益效果

本發明利用LGN解剖結構的先驗知識制作LGN先驗知識模板，將分割區域限定在這個模板中。這一措施將解剖結構先驗知識融入LGN分割中，既避免了人機交互分割存在的耗時問題，也提高了傳統自動分割的準確性。本發明還將幾種分割方法融合來得到LGN真實分割的估計值，進一步提高自動分割的準確性。

附圖說明

圖1是本發明的基于先驗知識的人類外側膝狀體自動分割方法的流程圖;

圖2是LGN分割過程中圖像的變化圖，其中（a）是人腦的原始MR結構像；（b）是經過不均勻場校正的MR結構像；（c）是配準到MNI標準空間的MR結構像；（d）是MNI標準空間下LGN的先驗知識模板；（e）是融合四種分割方法得到的對LGN分割的估計值；（f）是原始空間下LGN的最終分割結果；

圖3是LGN分割結果的三維顯示圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，并參照附圖，對本發明進一步詳細說明。