[發(fā)明專(zhuān)利]基于局部相似性活動(dòng)輪廓模型的腦部圖像分割方法和系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201710762462.0
• 申請(qǐng)日: 2017-08-30
• 公開(kāi)（公告）號(hào): CN107633522B
• 公開(kāi)（公告）日: 2020-04-03
• 發(fā)明（設(shè)計(jì)）人: 襲肖明;尹義龍;孟憲靜;聶秀山;楊璐
• 申請(qǐng)（專(zhuān)利權(quán)）人: 山東財(cái)經(jīng)大學(xué)
• 主分類(lèi)號(hào): G06T7/10
• 分類(lèi)號(hào): G06T7/10;G06K9/46;G06K9/62
• 代理公司: 濟(jì)南圣達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 37221
• 代理人: 黃海麗

本發(fā)明公開(kāi)了一種基于局部相似性活動(dòng)輪廓模型的腦部圖像分割方法和系統(tǒng)，所述方法包括：獲取一幅待分割核磁共振圖像；對(duì)待分割核磁共振圖像進(jìn)行超像素分割，獲取多個(gè)超像素；對(duì)超像素提取平均灰度值、基于灰度共生矩陣的紋理特征以及局部特征；將所有特征采用串聯(lián)方式進(jìn)行特征融合；采用詞典和稀疏表示分類(lèi)方法對(duì)超像素進(jìn)行分類(lèi)，獲得初始目標(biāo)區(qū)域；根據(jù)初始目標(biāo)區(qū)域，利用高斯概率密度函數(shù)計(jì)算每個(gè)像素屬于目標(biāo)的概率，作為學(xué)習(xí)的局部相似性先驗(yàn)；建立基于局部相似性學(xué)習(xí)的活動(dòng)輪廓模型的能量函數(shù)，通過(guò)最小化能量函數(shù)，獲得圖像分割結(jié)果。本發(fā)明的活動(dòng)輪廓模型能夠較好地處理灰度不均勻問(wèn)題，提高了腦部圖像分割的準(zhǔn)確性和魯棒性。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像分割領(lǐng)域，具體地說(shuō)是一種基于局部相似性活動(dòng)輪廓模型的腦部圖像分割方法和系統(tǒng)。

背景技術(shù)

腦部疾病嚴(yán)重威脅著人類(lèi)的生命健康。核磁共振圖像(MR,magnetic resonance)由于其對(duì)比度高、蘊(yùn)含信息豐富等優(yōu)點(diǎn)，已成為輔助診斷腦疾病的主要成像方式。醫(yī)學(xué)圖像分割技術(shù)能將感興趣區(qū)域提取出來(lái)，是對(duì)病灶區(qū)進(jìn)行量化分析與診斷的基礎(chǔ)。因此，發(fā)明一種腦部MR圖像的分割方法對(duì)于提高腦疾病診斷的精度和效率具有重要的意義。

現(xiàn)有的腦部MR分割方法主要包括閾值法、基于學(xué)習(xí)模型的方法、基于活動(dòng)輪廓模型的方法等等。然而，腦部MR圖像存在灰度不同質(zhì)性問(wèn)題，即同一病灶的局部小區(qū)域內(nèi)的灰度差異性較大，從而使得現(xiàn)有的方法分割效果較差。例如，單一的閾值法對(duì)于腦部MR圖像中的噪聲較為敏感，很難將灰度差異性較大的同一病灶區(qū)域較好地分割出來(lái)。對(duì)于基于學(xué)習(xí)模型的方法來(lái)說(shuō)，灰度不同質(zhì)性使得目標(biāo)類(lèi)樣本和背景類(lèi)樣本的分布差異性較大，可能造成類(lèi)內(nèi)差異性較大，類(lèi)間差異性較小，從而影響獲得的學(xué)習(xí)模型的分割性能。

在已有的分割方法中，基于活動(dòng)輪廓模型的方法具有以下優(yōu)點(diǎn)：(1)對(duì)于噪聲具有較好的魯棒性。(2)無(wú)監(jiān)督方法。與基于學(xué)習(xí)模型的方法不同，該類(lèi)模型屬于無(wú)監(jiān)督類(lèi)的方法，因此不需要訓(xùn)練過(guò)程，簡(jiǎn)化了整個(gè)分割過(guò)程。(3)從建模的角度來(lái)說(shuō)，該類(lèi)方法更容易加入先驗(yàn)知識(shí)。基于以上優(yōu)點(diǎn)，活動(dòng)輪廓模型已成為一種主流的方法。近年來(lái)，為了處理灰度不同質(zhì)性問(wèn)題，已有研究引入偏場(chǎng)的概念，即假設(shè)灰度不同質(zhì)性是由偏場(chǎng)引起的，并將偏場(chǎng)假設(shè)引入到活動(dòng)輪廓模型中，改進(jìn)的活動(dòng)輪廓模型對(duì)于灰度不同質(zhì)性能夠取得一定的效果。然而，該類(lèi)方法只能處理偏場(chǎng)變化緩慢的圖像，當(dāng)偏場(chǎng)變化較大，該類(lèi)方法很難取得令人滿意的效果。因此，如何對(duì)活動(dòng)輪廓模型進(jìn)行改進(jìn)，提高腦部MR圖像的分割性能，是目前本領(lǐng)域技術(shù)人員需要解決的技術(shù)問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明為克服上述現(xiàn)有技術(shù)的不足，提供一種基于局部相似性活動(dòng)輪廓模型的腦部圖像分割方法和系統(tǒng)。該方法首先提出了局部相似性學(xué)習(xí)模型，然后在活動(dòng)輪廓模型的框架下，將學(xué)到的局部相似性先驗(yàn)作為約束，建立新的分割模型。新建立的分割模型能夠較好地處理灰度不均勻問(wèn)題，彌補(bǔ)了現(xiàn)有活動(dòng)輪廓模型在處理噪聲和灰度不同質(zhì)性方面的不足，提高了腦部MR圖像分割的準(zhǔn)確性和魯棒性。

為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于局部相似性學(xué)習(xí)的活動(dòng)輪廓模型的腦部圖像分割方法，包括以下步驟：

步驟1：獲取一幅待分割核磁共振圖像；

步驟2：對(duì)所述待分割核磁共振圖像進(jìn)行超像素分割，獲取多個(gè)超像素；

步驟3：對(duì)所述多個(gè)超像素提取平均灰度值、基于共生矩陣的紋理特征以及局部灰度特征；將平均灰度值、基于共生矩陣的紋理特征以及局部灰度特征采用串聯(lián)方式進(jìn)行特征融合，得到融合之后的特征；

步驟4：采用詞典和稀疏表示分類(lèi)方法對(duì)所述超像素進(jìn)行分類(lèi)，獲得初始目標(biāo)區(qū)域；

步驟5：根據(jù)所述初始目標(biāo)區(qū)域，利用高斯概率密度函數(shù)計(jì)算每個(gè)像素屬于目標(biāo)的概率，作為學(xué)習(xí)的局部相似性先驗(yàn)；