[發明專利]一種MR圖像的分割方法及裝置

在審

• 申請號: 201410856328.3
• 申請日: 2014-12-31
• 公開（公告）號: CN104484886A
• 公開（公告）日: 2015-04-01
• 發明（設計）人: 李玉紅;秦璟;賈富倉;王瓊;王平安
• 申請（專利權）人: 深圳先進技術研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 深圳中一專利商標事務所 44237
• 代理人: 張全文

技術領域

本發明屬于醫學圖像處理技術領域，尤其涉及一種MR圖像的分割方法及裝置。

背景技術

磁共振(Magnetic?Resonance，MR)成像技術具有較高的軟組織分辨率和無損傷性，可以對不同解剖部位進行斷層成像，具有以不同參數實現影像對比度加權，獲得高組織分辨率、高清晰度和提供多種診斷信息的能力，目前已經被廣泛應用于腦腫瘤診斷領域。為了定量分析腦腫瘤的局部病變，需要對腦圖像中的腫瘤進行分割，確定腫瘤的體積、大小和位置。

稀疏表示是新近發展的一種機器學習方法，該方法通過對訓練樣本進行學習，訓練出該類樣本相應的字典，并將圖像在該字典空間下稀疏地表示為一系列少數原子的線性組合。目前，稀疏表示已被成功地應用在各種視覺任務中，例如，基于稀疏表示的分類(Sparse?Representation?based?Classification，SRC)算法，然而，該算法其最初是用于人臉識別的，人臉識別不需要考慮各個人臉之間的空間關系，而在圖像分割中，每個像素都不是孤立存在的，都會與周圍空間的相鄰像素存在著一定的聯系，因此，將SRC算法直接用于圖像分割中，很難獲得精確的分割結果。

發明內容

本發明實施例的目的在于提供一種MR圖像的分割方法，旨在解決現有技術將基于稀疏表示的算法直接應用于圖像分割中，導致圖像分割的精確率不佳的問題。

本發明實施例是這樣實現的，一種MR圖像的分割方法，包括：

通過多模態的樣本MR圖像分別進行各個模態的字典學習；

建立多模態聯合稀疏表示模型；

通過所述多模態聯合稀疏表示模型，將測試MR圖像在所述字典下聯合稀疏表示為少數原子的線性組合，通過稀疏編碼獲取所述測試MR圖像的稀疏表示系數；

根據所述測試MR圖像的稀疏表示系數，將所述測試MR圖像的每個像素進行分類，獲取圖像分割結果。

本發明實施例的另一目的在于提供一種磁共振MR圖像的分割裝置，包括：

訓練單元，用于通過多模態的樣本MR圖像分別進行各個模態的字典學習；

聯合稀疏表示單元，用于建立多模態聯合稀疏表示模型；

稀疏編碼單元，用于通過所述多模態聯合稀疏表示模型，將測試MR圖像在所述字典下聯合稀疏表示為少數原子的線性組合，通過稀疏編碼獲取所述測試MR圖像的稀疏表示系數；

分割單元，用于根據所述測試MR圖像的稀疏表示系數，將所述測試MR圖像的每個像素進行分類，獲取圖像分割結果。

本發明實施例提出的多模態聯合稀疏表示模型，能夠結合多模態MR圖像所提供的信息進行多變量聯合稀疏表示，大大地提高了圖像分割的正確率。

附圖說明

圖1是本發明實施例提供的MR圖像的分割方法的實現流程圖；

圖2是本發明實施例提供的MR圖像的分割方法S101的具體實現流程圖；

圖3是本發明實施例提供的MR圖像的分割方法的流程示意圖；

圖4是本發明實施例提供的MR圖像的分割裝置的結構框圖。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

圖1示出了本發明實施例提供的MR圖像的分割方法的實現流程，詳述如下：

在S101中，通過多模態的樣本MR圖像分別進行各個模態的字典學習。

在對測試MR圖像進行分割之前，首先用多模態訓練圖像的訓練樣本分別訓練圖像分割所需的每個模態下的不同狀態的字典，該字典的訓練過程是一個聯合稀疏優化的過程，利用多個模態的樣本聯合訓練多模態的各個分類字典，再將各個分類字典合成一個大字典。

如圖2所示，S101具體為：

在S201中，將每個樣本病人所對應的多模態MR圖像進行配準。

所述多模態MR圖像，包括T₁加權像、T₂加權像、T_1C增強像、以及Flair像，所述配準，就是將不同的圖像通過空間變換映射到同一坐標系中，使相應器官的影像在空間中的位置一致。在配準后的多模態MR圖像中，不同模態圖像處于同一位置的像素所對應的腦組織成份是同一種成份。