基于稀疏表示的多模态磁共振图像的分割方法及装置制造方法
【专利摘要】本发明涉及图像处理【技术领域】，具体涉及一种基于稀疏表示的多模态磁共振图像的分割方法及装置。本发明的分割方法采用基于稀疏表示的分类算法SRC（sparse?representation?based?classification）；本发明的分割方法通过建立基于MAP-MRF框架的图像分割模型对图像进行精确分割，利用马尔科夫随机场，充分考虑像素周围空间的相邻像素的影响，增加了图像分割的准确性，同时采用在线字典学习方法与图割的优化方法，提高了运行速度。
【专利说明】基于稀疏表示的多模态磁共振图像的分割方法及装置
【【技术领域】】
[0001]本发明涉及图像处理【技术领域】，具体涉及一种基于稀疏表示的多模态磁共振图像的分割方法及装置。
【【背景技术】】
[0002]大脑肿瘤是一种非正常的组织增生，分为良性肿瘤与恶性肿瘤。由于其膨胀地浸润性生长，在颅内一旦占据一定的空间时，不论是良性还是恶性，都势必使颅内压升高，压迫脑组织，导致中枢神经损害，危及患者生命。
[0003]磁共振成像(MRI)技术具有较高的软组织分辨率、图像对比度高、对人体基本无伤害等优点，已广泛应用于大脑肿瘤的诊断领域。为了定量分析脑肿瘤的局部病变，医生需要对脑图像中的肿瘤进行分割，从而来了解病变的体积大小、位置、以及附近功能组织的分布。临床中，医生对各个脑切片图像进行边界的人工描绘，然后进行三维重构出肿瘤区域。由于人工方法工作量大、耗时耗力，且分割结果依赖于医生的结构知识和经验，所以主观差别大，分割结果难以再现。半自动分割方法提高了不同医生之间或同一医生在不同时间的分割差异，但是仍然取决于人工干预的变化程度，存在不稳定、不可靠、而且不可重复利用等问题。
[0004]为了提供相对客观的分割结果作为辅助参考，模式分类和图像处理的方法被广泛地研究应用。利用图 像分割算法对脑肿瘤进行自动或半自动分割，不仅能大大减轻医生的工作负担，还可以提高肿瘤分割的精确性，鲁棒性和适用性，同时也提高可重建性与重复可利用性。因此，研究一种自动的大脑肿瘤分割算法在医学分析中具有重要的意义。
[0005]现有的肿瘤分割方法常采用基于机器学习的分类方法，主要分为有监督分类与无监督聚类。SVM (Support Vector Machine,支持向量机)是最常用的一种有监督分类方法，这种方法将训练样本向量映射到一个高维特征空间中并寻找最优分类面，将肿瘤组织与正常组织分开。对于二分类问题，SVM不仅执行速度快，而且可以获得很好的分割结果。但是，SVM容易过拟合，尤其对于多分类问题，通常需要多次执行二分类步骤。KNN(k-NearestNeighbor, K近邻)和DF (Decision Forest,决策森林)虽然适合多分类问题,但是对噪声很敏感。无监督方法主要包括k-mean (K均值)和FCM (Fuzzy C_mean,模糊C均值)。由于MR成像设备获取的图像的不确定性或模糊性，造成不同个体组织之间难以找到清晰的边界，因此FCM是一种常用的方法。但是，由于肿瘤组织与正常组织在MR图像的灰度分布上有重叠，基于像素/体素的模糊聚类方法和统计方法依然很难区分它们。
[0006]由于肿瘤分割的复杂性，单一的方法很难获得较好的分割结果，因此，通常情况下是多种算法结合使用。例如，现有技术中有将EM (Expectation Maximization,期望最大)算法用于GMM (Gaussian Mixture Model))中，将T1图像的每个体素分配到概率最高的组织中去。现有技术中还有结合马尔科夫随机场(markov random fields, MRF)与模糊理论，提到模糊马尔科夫聚类法，使图像被分割为各向同性且空域相连的区域。但是由于只是用单一模态T1的加权像，这两种方法分割精度并不高。[0007]稀疏表是一种最新的机器学习方法,该方法能将图像近似地表不为一系列稀疏原子的线性组合。目前，稀疏表示已经成功地应用在各种视觉任务，例如MR图像重建、人脸识别、图像去噪、图像超分辨率、图像分类、以及图像分割。与传统的子空间学习模型相t匕，稀疏表示对含野点与稀疏噪声的数据更加鲁棒。其中，基于稀疏表示的分类算法SRC(sparse representation based classification)是最为流行的一种稀疏分类方法。该算法以及它的改进模型已经被广泛地应用于人脸识别、计算机辅助的癌症诊断、以及MR大脑图像的分割。但是，这些基于SRC模型的缺点是对每个孤立的像素进行分类，而未考虑其周围相邻空间像素的影响，这使得分割结果出现很多碎片，大大降低了分割正确率。而且，由于对每个像素所在小块形成的向量进行逐一稀疏编码，这使得运行速度非常慢。
【
【发明内容】
】
[0008]本发明的目的在于提供一种基于稀疏表示的多模态磁共振图像的分割方法，解决现有技术中分割正确率不高，且运行速度慢的技术问题。
[0009]本发明的目的可通过以下的技术措施来实现：
[0010]一种基于稀疏表示的多模态磁共振图像的分割方法，所述方法包括如下步骤：
[0011]步骤I :将患者不同成像模态的磁共振图像进行配准；
[0012]步骤2 :分别针对肿瘤T、水肿E和背景B提取训练样本，对每个类别的训练样本进行字典训练；
[0013]步骤3 :最大似然估计，利用所述字典对所述训练样本进行稀疏编码，获得每个训练样本的稀疏编码系数；
[0014]步骤4 :建立基于MAP-MRF框架的图像分割模型，对图像进行精确分割。
[0015]优选地，所述步骤2中的提取训练样本的具体步骤如下：
[0016]分别构造肿瘤T、水肿E和背景B训练样本集，并将三类训练样本的输入
分别表示为矩阵
【权利要求】
1.一种基于稀疏表不的多模态磁共振图像的分割方法，其特征在于，所述方法包括如下步骤： 步骤I:将患者不同成像模态的磁共振图像进行配准； 步骤2 :分别针对肿瘤T、水肿E和背景B提取训练样本，对每个类别的训练样本进行字典训练； 步骤3 :最大似然估计，利用所述字典对输入的测试本进行稀疏编码，获得每个测试样本的稀疏编码系数； 步骤4 :建立基于MAP-MRF框架的图像分割模型，对图像进行精确分割。
2.根据权利要求1所述的基于稀疏表示的多模态磁共振图像的分割方法，其特征在于，所述步骤2中的提取训练样本的具体步骤如下： 分别构造肿瘤T、水肿E和背景B训练样本集，
3.根据权利要求2所述的基于稀疏表示的多模态磁共振图像的分割方法，其特征在于，在构造肿瘤、水肿和背景训练样本集之后还包括如下步骤： 分别将肿瘤T、水肿E和背景B训练样本集，并将三类训练样本的输入分别表示为矩阵：
4.根据权利要求3所述的基于稀疏表示的多模态磁共振图像的分割方法，其特征在于，所述步骤2中的字典训练是采用在线学习方法来进行。
5.根据权利要求3所述的基于稀疏表示的多模态磁共振图像的分割方法，其特征在于，所述步骤3中采用LARS-Lasso方法。
6.根据权利要求5所述的基于稀疏表示的多模态磁共振图像的分割方法，其特征在于，所述步骤3的具体步骤如下： 输入测试样本数据
7.根据权利要求5所述的基于稀疏表示的多模态磁共振图像的分割方法，其特征在于，所述步骤4中建立基于MAP-MRF框架的图像分割模型具体包括如下步骤: 步骤a:MRF的先验概率与总的相邻像素的集团势函数成正比，所述先验概率表示为
8.根据权利要求1-7任一项所述的基于稀疏表示的多模态磁共振图像的分割方法，其特征在于，所述的多模态磁共振图像包括T1加权图像、T2加权图像、T1。增强图像和Flair图像。
9.一种基于稀疏表示的多模态磁共振图像的分割装置，其特征在于，所述装置包括： 用于将患者不同成像模态的磁共振图像进行配准的配准模块； 用于分别针对肿瘤T、水肿E和背景B提取训练样本、并对每个类别的训练样本进行字典训练的字典训练模块； 用于通过最大似然参数估计，将所述字典对所述训练样本进行稀疏编码，获得每个训练样本的稀疏编码系数的稀疏编码模块； 用于建立基于MAP-MRF框架的图像分割模型，对图像进行精确分割的图像分割模块。
【文档编号】G06T7/00GK103714536SQ201310695295
【公开日】2014年4月9日 申请日期:2013年12月17日 优先权日:2013年12月17日
【发明者】李玉红, 秦璟, 贾富仓, 王平安 申请人:深圳先进技术研究院