[發(fā)明專利]概率密度加權(quán)測地距離的腦部MR圖像分割方法

有效

• 申請?zhí)枺?/td>: 201710053148.5
• 申請日: 2017-01-22
• 公開（公告）號: CN106919950B
• 公開（公告）日: 2019-10-25
• 發(fā)明（設(shè)計）人: 趙赟晶;周元峰
• 申請（專利權(quán)）人: 山東大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/143
• 代理公司: 北京恩赫律師事務(wù)所 11469
• 代理人: 趙文成

1.一種概率密度加權(quán)測地距離的腦部MR圖像分割方法，其特征在于，包括：

步驟1：讀入若干幅模擬腦數(shù)據(jù)庫圖像，對其進行直方圖統(tǒng)計，得出白質(zhì)、灰質(zhì)或者腦脊液最集中分布區(qū)間的樣本值；

步驟2：從所述模擬腦數(shù)據(jù)庫圖像中隨機選取一幅圖像作為待處理圖像，利用得到的所述最集中分布區(qū)間的樣本值作為先驗知識對待處理圖像上的每個像素點進行概率密度估計，得到概率密度函數(shù)；

步驟3：基于得到的所述概率密度函數(shù)對待處理圖像進行超像素分割，并記錄下超像素分類結(jié)果矩陣；

步驟4：對分割后的超像素進行掃描，根據(jù)超像素顏色標(biāo)準(zhǔn)差篩選出不符合標(biāo)準(zhǔn)的超像素進行分裂，分裂時，用FCM算法將超像素內(nèi)所有像素再次聚為兩類，之后根據(jù)分類結(jié)果尋找連通區(qū)域，并把每個連通區(qū)域內(nèi)的像素作為新的一類，更新所述超像素分類結(jié)果矩陣；

步驟5：依據(jù)更新后的超像素分類結(jié)果矩陣，用FCM算法在所有更新后的超像素基礎(chǔ)上進行聚類，得到待處理圖像腦部組織分割結(jié)果；

所述步驟1進一步為：

讀入若干幅模擬腦部MR圖像，先對其用K-means算法進行初始分類，然后將灰度值歸一化后分成N個區(qū)間，對其白質(zhì)、灰質(zhì)或者腦脊液的灰度值范圍進行統(tǒng)計，統(tǒng)計出白質(zhì)、灰質(zhì)或者腦脊液最集中分布的K個區(qū)間，在此K個區(qū)間中，每個區(qū)間選取m個灰度值作為樣本；

所述步驟2包括：

步驟21：按照公式(1)分別計算出待處理圖像中每個像素點的K個概率估計模型：

其中，x是圖像中每個像素點的灰度值，x_i是第k個區(qū)間作為先驗值的m個灰度值樣本，k＝1,2,...,K，h是控制參數(shù)；

步驟22：將得到的K個概率估計模型按公式(2)計算出混合概率密度函數(shù)，得到每個像素點的概率密度估計值，即每個像素點屬于白質(zhì)、灰質(zhì)或者腦脊液的可能性：

其中，p(k)為每個概率估計模型對數(shù)據(jù)點的影響因子，在0～1之間；

步驟23：對得到的混合概率密度函數(shù)進行歸一化，得到概率密度函數(shù)：

其中，wmax和wmin是P(x)的最大值和最小值；

所述步驟3包括：

步驟31：初始化種子點，先在圖像上均勻分布n/2個種子點，然后用自適應(yīng)六邊形法插入其他種子點，用公式(4)計算每個種子點六邊形的復(fù)雜度，找到復(fù)雜度最大的六邊形，把它分成六個重疊的小六邊形，在復(fù)雜度最大的小六邊形里插入一個新的種子點，依次迭代，直到采樣n個聚類中心，復(fù)雜度定義為：

其中，H_i是種子點s_i的六邊形區(qū)域，N是圖像I的像素點數(shù)量，M是大括號中滿足條件的像素點p的數(shù)量，α是控制參數(shù)，是圖像上像素點p的梯度，G_σ是帶有標(biāo)準(zhǔn)差σ的高斯函數(shù)，ω是一個調(diào)節(jié)參數(shù)，防止是零的情況；

步驟32：擾亂種子點，將每個種子點移動到其局部3*3區(qū)域的最低梯度位置，并記錄其X、Y坐標(biāo)信息作為新的種子點；

步驟33：用公式(5)計算基于概率密度的種子點敏感梯度：

PSSG(s_i,G(t))＝||S_p(s_i,G(t))|| (5)

其中，S_p是測地路徑上用sobel算子計算的P_w(x)的梯度；

步驟34：采用FMM算法計算基于概率密度加權(quán)測地距離，并進行邊界擴散，產(chǎn)生一系列具有相似屬性的像素點組成超像素塊；

本步驟中，A：測地距離通過如下方法計算得到：

從種子點s_i到任一個像素點p概率密度加權(quán)測地距離的一個描述為：從種子點s_i開始沿著一條最短的路徑到達像素點p，路徑上每點乘以一個權(quán)重函數(shù)W(s_i,G(t))的最小弧長積分，其定義為：

其中，G(t)是從種子點s_i到像素點之間的一條測地路徑，t是不斷變化的，取0～1之間的值，權(quán)重W設(shè)置為一個像素屬于白質(zhì)、灰質(zhì)或者腦脊液可能性的梯度，用來定義從種子點s_i到某個像素點路徑G上的距離增量：

測地距離是通過具有適當(dāng)速度場迭代傳播的快速行進法FMM的擴展策略來計算的，基于公式(7)定義速度函數(shù)，其計算公式為：

B：邊界擴散，產(chǎn)生超像素塊：

在擴散過程中，每一個像素點的新速度不再是靜態(tài)的，依賴于離它最近的種子點，即與其具有最短的概率密度加權(quán)測地距離的像素點，從給定的種子點開始，用公式(5)計算其鄰域像素點的梯度，沿著具有最大速度公式(8)的像素點擴展，擴展后的像素點顏色值將由種子點的顏色值取代，下一個像素點的概率種子點敏感梯度會不斷通過FMM的擴散過程用當(dāng)前的鄰域像素點的值用公式(5)計算更新，每次向前擴散離種子點測地距離最小即速度函數(shù)最大的像素點，直到所有的像素都擴散完畢，得到超像素分類結(jié)果矩陣；

步驟35：用公示(9)更新種子點的位置和顏色；

其中，S_l是第l個超像素，s_l是超像素S_l的種子點，x_l'，c_l'分別是更新后種子點的位置和顏色值，測量像素點隸屬種子點程度的權(quán)重函數(shù)；

步驟36：重復(fù)步驟33、步驟34、步驟35，算法旨在優(yōu)化一個能量函數(shù)，定義為公式(10)，當(dāng)兩次連續(xù)迭代中能量函數(shù)的改變小于一個特定的threshold就停止，初步的超像素分割完成，