基于距离场融合的MR图像海马体分割方法与流程

本发明涉及医学图像分析技术领域，具体涉及一种基于距离场融合的MR图像海马体分割方法。

背景技术：

海马体属于中脑的灰质结构，海马体萎缩是阿尔兹海默病、精神分裂症、抑郁症等精神疾病的一种病理表现，临床上可以通过分析海马体的体积和形态对这些精神疾病做出诊断。MRI可以提供高分辨率解剖结构、清晰对比度和广泛的图像序列，这使得MRI技术在临床诊断方面广受欢迎。医生可以通过病人的脑部MR图像，对病人的脑部结构进行分析，从而对疾病做出诊断。对MR脑部图像的海马体进行分割，是海马体体积大小的测量、形态分析的前提。由于海马体的手动分割非常耗时、枯燥，而且不同医生的分割结果也会有所差异，海马体的自动分割在临床应用上显得尤为重要。

由于MR图像中海马体的体积很小、形状复杂、边界模糊、部分容积效应明显，海马体的自动分割非常具有挑战性。

迄今为止，MR图像海马体分割方法主要有如下两类：

第一类是基于活动轮廓模型(ACM)的方法。这类方法是根据图像灰度统计学信息或者图像梯度对曲线(曲面)进行演化，最终曲线(曲面)收敛于目标边界处。ACM方法对图像噪声比较敏感。

第二类是基于多图谱的方法。这类方法把图谱配准到测试图像，对形变后的训练集标号图像，通过某种方法实现标号融合，得到最终的分割结果。标号融合并没有利用到待分割目标的形状先验信息，分割精度有所限制。

针对现有技术的不足，本发明方法提出一种基于距离场融合的MR图像海马体分割方法。

技术实现要素：

本发明方法提供一种基于距离场融合的MR图像海马体分割方法，本发明方法成功地应用在MR脑部图像的海马体分割，能准确地分割MR图像中的海马体。

本发明的上述目的通过如下技术手段实现。

一种基于距离场融合的MR图像海马体分割方法，该方法基于两种假设：

Ⅰ，MR图像块和DF图像块位于两个非线性流形上，任意一个MR图像块可以由其所在流形的局部空间内的近邻样本线性表达；

Ⅱ，在局部约束条件下，MR流形到DF流形的映射近似于一个微分同胚映射；

该基于距离场融合的MR图像海马体分割方法通过如下步骤进行：

(1)对初始待分割的MR测试图像归一化处理，去除颅骨和偏移场，得到归一化处理后的MR测试图像；

(2)将预先准备的训练集中的MR训练集图像和与MR训练集图像对应的训练集标号图像配准到MR测试图像，使得MR训练集图像、训练集标号图像与MR测试图像在空间位置上对齐；

(3)对步骤(2)配准后的训练集标号图像进行距离变换，得到训练集标号图像的DF训练集距离场，点x所对应的DF训练集距离场的值为：

其中C表示分割目标的边界，B表示距离x最近的点，并且B∈C，dist(x，B)表示点x和点B之间的欧氏距离；

(4)对MR测试图像中的点x，以x为中心取一个图像块x^MR，把x^MR转化成一个列向量用来作为点x的特征，得到测试样本其中m代表向量的维数；

(5)在训练集MR图像、训练集距离场DF图像上分别以点x为中心定义一个搜索窗选取图像块和构建MR字典和DF字典n为字典的大小；

(6)基于假设Ⅰ，用MR字典D^MR局部线性表示MR测试样本字典D^MR权值系数向量用LAE方法求解，具体表达式如下：

表示测试样本在字典D^MR中的k个近邻；

(7)用步骤(6)所得的字典D^MR权值系数向量线性组合DF字典x^DF中的样本，得到测试样本的DF预测图像块向量并把转化为图像块x^DF；具体是：

基于假设Ⅰ，可得：

基于假设Ⅱ，可得：

由于f是局部线性的，故：

把转化为图像块x^DF；

(8)对MR测试图像中的每个点重复按照步骤(4)-(7)操作，获得每个点的DF训练集距离场的值；

用P(x)表示以点x为中心、大小与x^DF相等的图像块，对于P(x)中的任一点u，其权重为：

点x的DF训练集距离场的值为：

表示以点u为中心的图像块所预测的点x的DF训练集距离场的值；

(9)对所预测出来的DF预测图像进行阈值处理，得到测试图像每个点所对应的标号，具体是：

由式(1)所定义的距离场可知，点x的标号可以由式(8)导出：

标号为1表示该点属于分割目标，标号为0表示背景，根据分割目标获得海马体分割图像。

优选的,上述步骤(1)具体是采用灰度归一化方法对MR测试图像进行归一化处理，用BET算法去除颅骨，用N4算法去除偏移场。

优选的,上述步骤(2)具体是使用DRAMMS软件工具将训练集中的MR训练集图像和训练集标号图像配准到MR测试图像。

优选的,上述步骤(4)具体是提取MR测试图像中的每个点的特征，用来作为测试样本。

优选的,上述步骤(5)具体是在MR训练集图像和DF训练集距离场中使用局部搜索窗构建MR字典和DF字典。

优选的,上述步骤(8)具体是对重叠的DF预测图像块加权平均处理，最终获得每个点的DF训练集距离场的预测值。

本发明方法提供一种基于距离场融合的MR图像海马体分割方法，本发明方法能准确地分割MR图像中的海马体，可用于阿尔兹海默病等精神疾病的诊断。

附图说明

利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。

图1为本发明方法的流程示意图；

图2为本发明方法的框架图；

图3为本发明方法的细节流程示意图；

图4为本发明方法用不同大小的搜索窗对15个测试图像的分割结果箱线图；其中，图4(a)为针对右海马体的分割结果箱线图，图4(b)为针对左海马体的分割结果箱线图；

图5为用标号融合方法和距离场融合方法对15个测试图像的分割结果对比图，其中，图5(a)为针对右海马体的分割结果对比图，图5(b)为针对左海马体的分割结果对比图；

图6为采用距离场融合方法和标号融合方法在四个测试图像上分割结果的冠状面示意图，其中，第一行表示手动分割结果，第二行是采用距离场融合方法的分割结果，第三行是采用标号融合方法的分割结果，每一列表示一个测试图像。

具体实施方式

结合以下实施例对本发明作进一步描述。

实施例1。

一种基于距离场融合的MR图像海马体分割方法，该方法基于两种假设：

Ⅰ，MR图像块和DF图像块位于两个非线性流形上，任意一个MR图像块可以由其所在流形的局部空间内的近邻样本线性表达；

Ⅱ，在局部约束条件下，MR流形到DF流形的映射近似于一个微分同胚映射。

该基于距离场融合的MR图像海马体分割方法通过如下步骤进行：

(1)对初始待分割的MR测试图像归一化处理，去除颅骨和偏移场，得到归一化处理后的MR测试图像。具体是采用灰度归一化方法对MR测试图像进行归一化处理，用BET算法去除颅骨，用N4算法去除偏移场。

(2)将预先准备的训练集中的MR训练集图像和与MR训练集图像对应的训练集标号图像配准到MR测试图像，使得MR训练集图像、训练集标号图像与MR测试图像在空间位置上对齐。步骤(2)中具体是使用DRAMMS软件工具将训练集中的MR训练集图像和训练集标号图像配准到MR测试图像。

(3)对步骤(2)配准后的训练集标号图像进行距离变换，得到训练集标号图像的训练集距离场DF，点x所对应的训练集距离场DF的值为：

其中C表示分割目标的边界，B表示距离x最近的点，并且B∈C，dist(x，B)表示点x和点B之间的欧氏距离。

(4)对MR测试图像中的点x，以x为中心取一个图像块x^MR，把x^MR转化成一个列向量用来作为点x的特征，其中m代表向量的维数。

(5)在训练集MR图像、训练集距离场DF图像上分别以点x为中心定义一个搜索窗选取图像块和构建MR字典

和DF字典n为字典的大小。

(6)基于假设Ⅰ，用MR字典D^MR局部线性表示MR测试样本字典D^MR权值系数向量用LAE方法求解，具体表达式如下：

表示测试样本在字典D^MR中的k个近邻。

(7)用步骤(6)所得的字典D^MR权值系数向量线性组合DF字典D^DF中的样本，得到测试样本的DF预测图像块向量并把转化为图像块x^DF；具体是：

基于假设Ⅰ，可得：

基于假设Ⅱ，可得：

由于f是局部线性的，故：

把转化为图像块x^DF。

(8)对MR测试图像中的每个点重复按照步骤(4)-(7)操作，获得每个点的DF值；

用P(x)表示以点x为中心、大小与x^DF相等的图像块，对于P(x)中的任一点u，其权重为：

点x的DF值为：

表示以点u为中心的图像块所预测的点x的DF值。

(9)对所预测出来的DF预测图像进行阈值处理，得到测试图像每个点所对应的标号，具体是：

由式(1)所定义的距离场可知，点x的标号可以由式(8)导出：

标号为1表示该点属于分割目标，标号为0表示背景，根据分割目标获得海马体分割图像。

优选的,上述步骤(4)具体是提取MR测试图像中的每个点的特征，用来作为测试样本。

优选的,上述步骤(5)具体是在MR训练集图像和DF训练集图像中使用局部搜索窗构建MR字典和DF字典。

优选的,上述步骤(8)具体是对重叠的DF预测图像块加权平均处理，最终获得每个点的DF预测值。

本发明方法提供一种基于距离场融合的MR图像海马体分割方法，利用了先验的训练集MR图像、训练集距离场DF图像，利用距离场进行处理，能准确地分割MR图像中的海马体，可用于阿尔兹海默病等精神疾病的诊断。

实施例2。

为了验证本发明方法的有效性，以数据库中包含的35组MR脑部数据为根据进行验证。每组MR脑部数据的数据包括同一病人的T1加权MR图像和所对应的海马体标号图像，其中随机挑选20组数据作为训练集，其余15组数据作为测试集。实验中测试集对象只采用其MR图像，不采用与其对应的数据库中的海马体标号图像。

本发明基于距离场融合的MR图像海马体分割方法，该方法基于两种假设：

Ⅰ，MR图像块和DF图像块位于两个非线性流形上，任意一个MR图像块可以由其所在流形的局部空间内的近邻样本线性表达；

Ⅱ，在局部约束条件下，MR流形到DF流形的映射近似于一个微分同胚映射。

该基于距离场融合的MR图像海马体分割方法通过如下步骤进行：

(1)对初始待分割的MR测试图像归一化处理，去除颅骨和偏移场，得到归一化处理后的MR测试图像。具体是采用灰度归一化方法对MR测试图像进行归一化处理，用BET算法去除颅骨，用N4算法去除偏移场。

(2)将训练集中的MR训练集图像和与MR训练集图像对应的训练集标号图像配准到MR测试图像，使得MR训练集图像、训练集标号图像与MR测试图像在空间位置上对齐。步骤(2)中具体是使用DRAMMS软件工具将训练集中的MR训练集图像和训练集标号图像配准到MR测试图像。

(3)对步骤(2)配准后的训练集标号图像进行距离变换，得到训练集标号图像的训练集距离场DF，点x所对应的训练集距离场DF的值为：

其中C表示分割目标的边界，B表示距离x最近的点，并且B∈C，dist(x，B)表示点x和点B之间的欧氏距离。

(4)对MR测试图像中的点x，以x为中心取一个图像块x^MR，把x^MR转化成一个列向量用来作为点x的特征，其中m代表向量的维数。

(5)在训练集MR图像、训练集距离场DF图像上分别以点x为中心定义一个搜索窗选取图像块和构建MR字典

和DF字典n为字典的大小。

(6)基于假设Ⅰ，用MR字典D^MR局部线性表示MR测试样本字典D^MR权值系数向量用LAE方法求解，具体表达式如下：

表示测试样本在字典D^MR中的k个近邻。

(7)用步骤(6)所得的字典D^MR权值系数向量线性组合DF字典D^DF中的样本，得到测试样本的DF预测图像块向量并把转化为图像块x^DF；具体是：

基于假设Ⅰ，可得：

基于假设Ⅱ，可得：

由于f是局部线性的，故：

把转化为图像块x^DF即可得到预测的距离场图像块x^DF。

(8)对MR测试图像中的每个点重复按照步骤(4)-(7)操作，获得每个点的DF值；

用P(x)表示以点x为中心、大小与x^DF相等的图像块，对于P(x)中的任一点u，其权重为：

点x的DF值为：

表示以点u为中心的图像块所预测的点x的DF值。

(9)对所预测出来的DF预测图像进行阈值处理，得到测试图像每个点所对应的标号，具体是：

由式(1)所定义的距离场可知，点x的标号可以由式(8)导出：

标号为1表示该点属于分割目标，标号为0表示背景，根据分割目标获得海马体分割图像。

通过用DSC(Dice similarity coefficient，相似性系数)来评价分割结果的准确性，考虑两个因素：(1)本方法的整体性能；(2)与标号融合方法(简称LF)相比，距离场的有效性。

本发明方法以下简称为DFF方法的实验结果如下：

图4为本发明方法用不同大小的搜索窗对15个测试图像的分割结果箱线图；其中，图4(a)为针对右海马体的分割结果箱线图，图4(b)为针对左海马体的分割结果箱线图。

图5为用标号融合方法和距离场融合方法对15个测试图像的分割结果对比图，其中，图5(a)为针对右海马体的分割结果对比图，图5(b)为针对左海马体的分割结果对比图。可以看出DFF分割的结果的DSC明显比LF方法好。

图6为采用距离场融合方法和标号融合方法在四个测试图像上分割结果的冠状面示意图，其中，第一行表示手动分割结果，第二行是采用距离场融合方法的分割结果，第三行是采用标号融合方法的分割结果，每一列表示一个测试图像。可以看出DFF方法的结果比LF方法的结果精度高。

以上结果表明，使用基于距离场融合的MR图像海马体分割方法能准确地分割MR脑部图像中的海马体，进而能用于阿尔兹海默病等精神疾病的诊断。最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。