[發明專利]基于自適應構造最優圖的多模態鼻咽腫瘤分割算法

有效

• 申請號: 201710799233.6
• 申請日: 2017-09-07
• 公開（公告）號: CN107492101B
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 王艷;李鮮;何嘉;吳錫;周激流
• 申請（專利權）人: 四川大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/30
• 代理公司: 成都智涌知識產權代理事務所(普通合伙) 51313
• 代理人: 周正輝

本發明涉及一種基于自適應構造最優圖的多模態鼻咽腫瘤分割算法，其包括以下步驟：輸入已配準多模態鼻咽腫瘤MR圖像；將腫瘤圖像映射為加權無向圖G＝(V,E)；輸入數據矩陣V，定義正則系數γ及參數λ；對相似度矩陣S進行初始化；對S進行行列變換使其成為塊對角矩陣，判斷變換過后的相似度矩陣中對角塊數是否與聚類類數一致，若一致，則轉至最后一步，否則進行下一步；構造/更新由Laplacian矩陣前c個最小特征值對應的特征向量組成的矩陣F；對相似度矩陣按行進行更新；根據構造得到的類標記矩陣對目標圖像進行分割。本發明的算法在計算數據相似度的同時對圖像數據進行聚類，可有效地提升鼻咽腫瘤的分割精度。

技術領域

本發明涉及醫學圖像處理領域，尤其涉及一種基于自適應構造最優圖的多模態鼻咽腫瘤分割算法。

背景技術

受成像設備的限制，傳統的醫學圖像分割大多基于單模態圖像，只能獲得極為有限的診療信息，且傳統的圖像分割方法，如基于圖論的圖像分割技術依賴于輸入的相似度矩陣，對于灰度對比度低、區域間相似性大、邊界模糊的醫學影像，當前常用的相似度矩陣構造方法構造得到的相似度矩陣無法真實地反應隱含在圖像中的信息。此外，由于基于圖論的圖像分割技術中固有的離散化誤差，使得處理區域間相似度大的醫學影像時容易出現欠分割情況。因此傳統的基于圖論的圖像分割方法難以滿足臨床上高精度的需求。

傳統醫學圖像處理領域中，圖像分割大多是基于單一的一種模態影像進行的，而單模態圖像能提供的診療信息極為有限，無法對目標區域進行精確地分割，此基礎上研究人員提出基于多模態的圖像分割方法。由于不同模態的信息存在一定的互補性，將多種模態的圖像以一定的手段進行融合可以獲得更多患者病灶及周邊組織的信息。因此，利用多模態圖像，理論上可以提升鼻咽腫瘤的分割精度。

此外，隨著近年來各種圖像分割技術為研究人員所發現，很多成功應用于自然圖像處理領域的理論和方法被引用到醫學圖像分割問題的研究中，極大地推動了醫學圖像領域的發展。其中，較為常見的圖像分割技術有：閾值法、聚類法、邊緣檢測法、基于圖論的方法、神經網絡法等。閾值法是最簡單的圖像分割方法，根據圖像的灰度直方圖選擇閾值并以此對目標圖像進行分割，閾值法實現簡單，不需要先驗知識，對直方圖中具有明顯峰谷特性的圖像分割效果較好，反之分割效果較差，此外閾值法僅考慮圖像的灰度信息，因此無法取得理想的分割效果。聚類法可分為K-均值聚類、層次聚類、密度聚類等，聚類法通過迭代執行數據分類并最小化目標函數完成圖像分割，具有直接分類，易于執行等優點，但對于具有多重尺度、交叉纏繞的數據以及真實數據集分類效果較差。邊緣檢測法以圖像像素灰度的不連續性為基礎，通過灰度值的突變檢測圖像中存在的邊緣點，并在邊緣檢測后緊跟連接算法，將邊緣點組合成有意義的邊緣或區域邊界，當圖像各部分具有明顯差別時邊緣檢測法分割效果較好，反之分割效果較差。基于圖論的方法將圖像中的每一個數據點x_i看作圖中的一個頂點v_i，將兩點間的相似度作為邊的權重w_ij，這樣就將圖像映射為一個基于相似度的無向圖G＝(V,E)，其中V為圖的頂點的集合，E為邊的集合，再設計目標函數并根據最大流最小割準則對圖像進行分割，基于圖論的方法原理簡單但分割性能依賴于構造得到的相似度矩陣是否能否真實的反應圖像數據間的聯系且算法運算量大。神經網絡法利用神經網絡執行分割，不需要復雜的程序且可并行執行，但算法訓練時間長，初始化的值對最終的分割結果有較大的影響且算法容易過擬合。基于譜聚類的圖像分割算法將圖像每個像素點視為圖的節點構造加權無向圖，邊權大小反應像素間的相似程度，繼而由圖的邊權構造得到相似度矩陣，再求解相似度矩陣對應的拉普拉斯矩陣的特征值與特征向量，將數據點從原始空間映射到新的特征向量空間，最后用k-means得到最終的聚類結果并將結果映射到圖像中完成對圖像的分割。基于譜聚類的圖像分割算法中，相似度計算與圖像數據聚類為兩個單獨進行的過程，因此實際操作中不可避免的存在特征選擇單一，或是特征選擇無法滿足實際問題的需要的情況，使得得到的相似度矩陣無法準確的反應數據間的真實聯系，導致基于譜聚類的圖像分割算法在某些臨床應用中無法取得高精度的分割效果。