基于多序列MR图像关联信息的脑肿瘤图像分割方法与流程

本发明涉及基于图割理论的脑肿瘤MR图像分割方法，属于生物医学影像处理领域。
背景技术：
：核磁共振成像术(MagneticResonanceImaging，MRI)是断层成像的一种，它利用磁共振现象从人体中获得电磁信号，并重建出人体信息。MR图像具有对软组织的对比度高、任意方向直接分层成像、非侵入性无伤害及具有较高空间分辨率等优秀特点，成为了脑肿瘤诊断中的首选计算机辅助诊断手段，广泛应用于医疗诊断、治疗、术前计划、术后监控等重要环节。在基于MR图像的脑肿瘤诊断中，通常需要同时参考T1(纵向松弛时间)、T2(横向松弛时间)、T2WI+FLAIR(T2加权成像)、T1WI(T1加权成像)四种成像序列(即不同的脉冲序列得到的图像)的信息，综合作为脑肿瘤的诊断依据，单凭任意一个MR图像难以判别肿瘤的类别和形态。脑肿瘤的精确分割对手术和放射治疗意义重大，脑肿瘤的治疗方案往往基于脑肿瘤的诊断和精确分割结果，欠分割会导致治疗方案无效，过分割会损害正常脑细胞，影响患者的生理行为。因此，脑肿瘤的自动精确分割不仅可以辅助医生进行前期的初步诊断，减少人为主观因素的影响，而且对于脑肿瘤的治疗有着重大的意义。目前常用的肿瘤MR图像自动分割方法大致可以划分为以下几种技术手段：(1)基于边缘检测的肿瘤自动分割方法：通过检测出MR图像中的肿瘤边缘信息，获取肿瘤所在区域从而实现自动分割。然而该方法难以应对噪声干扰、图像模糊等情况，因此其实际应用效果较差。(2)基于聚类的肿瘤自动分割方法：按照MR图像像素点之间的相似性，把图像的像素点集合划分为若干子集的过程。划分的准则就是要结果使得某种表示聚类质量的函数或准则最优，划分的子集即是肿瘤区域与背景区域。其缺点在于分割的准确性取决于初始聚类中心点的选择。(3)基于区域生长和区域分裂的肿瘤自动分割方法：区域生长的基本思想是将具有相似性质的像素集合起来形成区域。区域分裂技术则相反，是将种子区域不断分裂为子区域，迭代执行，一直到每个区域内部都是相似的为止。区域生长的固有缺点是分割效果依赖于种子点的选择及生长顺序，区域分裂技术的缺点是可能会使边界被破坏。专利“一种基于图割的PET和CT图像的肺肿瘤分割方法，申请号CN201410140351.2”主要解决现有PET和CT图像的肺肿瘤自动分割问题。该方法首先通过对PET图像进行上采样，以及对PET和CT图像进行相对位移定位，接着对图像的肿瘤部位与非肿瘤部位进行种子点的标定，利用图割算法对肺肿瘤进行分割。专利“一种基于CT图像的肝脏肿瘤分割方法及装置，申请号CN201510925624.9”，该方法从肝脏的CT图像的标准图像中提取病变切片和正常组织切片，将其划分为正样本和负样本；构建多层次的深度卷积神经网络，通过分类器获得肿瘤的粗分割二值图像及像素分类的概率图像；对肿瘤的粗分割二值图像进行形态学腐蚀操作，获得图割所需要的前景图像，再将肝脏的二值图像与肿瘤的粗分割二值图像作相减操作并进行形态学腐蚀操作，得到对应于肝脏正常组织的背景图像；构建无向图，使用图割优化算法得到肿瘤的最终分割区域。专利“基于图割的肺4D-CT肿瘤自动分割方法，申请号CN201510518535.2”获取初始相位3D-CT图像上肿瘤的几何中心点，得到初始相位目标种子，接着计算各相邻相位目标种子之间的运动位移，将初始相位的目标种子与运动位移相加，获得其他相位的目标种子位置，在得到的各相位目标种子上，利用图割方法获得肿瘤分割结果。专利“基于稀疏表示的多模态磁共振图像的分割方法及装置，申请号CN201310695295.4”，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。与上述部分发明专利使用相对位移进行肿瘤区域种子的选择不同，MR图像与CT成像原理不同，不能使用相对位移进行不同序列MR图像的肿瘤区域种子的选择，本专利方案使用不同序列的MR图像之间的关联信息，对肿瘤所在区域进行相似度检测，以实现不同序列的MR图像肿瘤区域初步定位，无需多次手工选择分割的肿瘤区域种子；此外，上述专利提出的图割方法没有实现对肺肿瘤所在区域进行概率预测，缺乏专家经验，单纯依赖单一序列MR图像的信息进行分割，而本专利方案使用肿瘤区域预测的概率信息作为图割的先验知识，提高了分割的准确性。技术实现要素：本发明目的在于克服现有基于图割的脑肿瘤MR图像分割方法的不足，尤其是肿瘤边缘不清晰、模糊存在时，自动分割的效果很差。提供一种基于多序列MR图像关联信息的脑肿瘤图像分割方法，该方法使用不同序列的MR图像之间的关联信息，对肿瘤所在区域进行相似度检测，以实现不同序列的MR图像肿瘤区域种子初步定位，大大减少了人工干预；此外，使用肿瘤区域预测的概率信息作为图割的先验知识，提高了分割的准确性。为解决上述技术问题，本发明采用如下的技术方案：一种基于多序列MR图像关联信息的脑肿瘤图像分割方法，包括以下步骤：S1，读取同一病例中不同序列的MR图像；S2，选取其中一个序列MR图像的脑肿瘤区域作为肿瘤种子点；S3，以当前序列MR图像所选择的脑肿瘤种子点，对其他序列的MR图像进行相似度匹配，寻找其他序列MR图像中的潜在脑肿瘤种子点；S4，将所寻找的潜在脑肿瘤区域和背景种子点作为先验知识，用图割算法实现多序列MR图像中脑肿瘤区域的分割。进一步地，本发明的步骤S1中，所述不同序列的MR图像包括T1(纵向松弛时间)、T2(横向松弛时间)、T2WI+FLAIR(T2加权成像)、T1WI(T1加权成像)四种成像序列(即不同的脉冲序列得到的图像)。进一步地，所述步骤S2采用的种子点选择方法只需在其中一个序列的MR图像中进行选择，无需在所有的序列MR图像中进行选择，选择方式包括鼠标点击划线、画圈、取点等人机交互方式。进一步地，本发明的步骤S3中，采用的相似度匹配方法具体包括：(1)将所述当前序列MR图像选择的脑肿瘤种子点所在区域作为模板；(2)对其他序列的MR图像进行从上至下、从左至右的逐点区域相似度计算；(3)寻找到相似度最大的区域作为该序列MR图像中的潜在脑肿瘤区域，其余部分作为潜在背景部分；进一步地，本发明的步骤S4中，具体包括：(1)将步骤S3得到的MR图像中潜在的脑肿瘤区域作为目标种子；(2)将MR图像映射为网络图，像素点对应为图的节点，并添加额外两个节点：源点和汇点，每两个相邻像素点之间都有连线，每个像素点都与源点和汇点有连线，这些连线作为网络图的边；(3)将步骤S3得到的区域相似度概率用于设定网络图的边的权值，并计算网络图的能量函数；(4)根据图的能量函数使用图割算法进行求解，将最小值的解作为图的分割结果，使用衡量准则将分割结果与金标准进行比较。附图说明图1是本发明的一种实施例的方法流程图。图2是选取种子点的方法示意图图3是脑肿瘤区域相似度匹配的方法流程图图4是肿瘤区域相似度搜索过程示意图图5是图割方法的方法流程图具体实施方式下面结合附图及具体实施例对本发明进行更加详细与完整的说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。如图1所示，本发明的一种基于多序列MR图像关联信息的脑肿瘤图像分割方法，包括以下步骤：S1：获取同一病例不同序列的MR图像，具体包括T1(纵向松弛时间)、T2(横向松弛时间)、T2WI+FLAIR(T2加权成像)、T1WI(T1加权成像)四种成像序列。S2：选取其中一个序列MR图像的脑肿瘤区域作为肿瘤种子点采用的种子点选择方法只需在其中一个序列的MR图像中进行选择，无需在所有的序列MR图像中进行选择，选择方式包括鼠标点击划线、画圈、取点等人机交互方式。如图2所示，其中一种优选选择方式为鼠标点击划线交互方式，人脑区域1包含肿瘤区域2，鼠标3点击鼠标左键，在肿瘤区域2内划一条直线4，则直线4所在的像素点均被认为是肿瘤种子点。S3：如图3和图4所示，以当前序列MR图像所选择的脑肿瘤种子点，对其他序列的MR图像进行相似度匹配，寻找其他序列MR图像中的潜在脑肿瘤种子点，具体描述如下：1)、将所述当前序列MR图像选择的脑肿瘤种子点所在区域A(i，j)作为模板，其中i＝1，2，...，m；j＝1，2，...，n，(i，j)表示当前像素点所在位置，m和n分别表示区域的长和宽；2)、如图4所示，对其他序列的MR图像进行从上至下、从左至右的逐点区域进行搜索，取出其中一个区域B(i，j)进行相似度计算，其中i＝1，2，...，m；j＝1，2，...，n，计算公式如公式1所示：γ=Σi=1mΣj=1m[A(i,j)-A‾][B(i,j)-B‾]Σi=1mΣj=1m[A(i,j)-A‾]2·Σi=1mΣj=1m[B(i,j)-B‾]2---(1)]]>其中γ表示图像区域A(i，j)和区域B(i，j)的相似度，-1≤γ≤1；3)、遍历该序列MR图像，寻找到相似度最大的区域作为该序列MR图像中的潜在脑肿瘤区域，其余部分作为潜在背景部分；S4：如图5所示，将所寻找的潜在脑肿瘤区域作为先验知识，用图割算法实现多序列MR图像中脑肿瘤区域的分割，具体描述如下：1)、将步骤S3得到的MR图像中潜在的脑肿瘤区域作为目标种子；2)、将MR图像映射为网络图，像素点对应为图的节点，并添加额外两个节点：源点和汇点，每两个相邻像素点之间都有连线，每个像素点都与源点和汇点有连线，这些连线作为网络图的边；3)、将步骤S3得到的区域相似度概率用于设定网络图的边的权值并计算网络图的能量函数，具体如下：a)给定网络图内所有的像素点的标签，表示为L＝{l1，l2，...，ls}，其中li＝1表示肿瘤，li＝0表示背景，任意两个相邻像素点p和q的边的权值表示为B＜p，q＞，B＜p，q＞与相邻像素点p和q的灰度值Ip和Iq相似度成正比，如公式2所示。B<p,q>∝exp(-(Ip-Iq)22σ2)---(2)]]>b)计算网络图的能量函数，如公式3所示，网络图的能量函数E(L)由区域项R(L)和边界项B(L)两部分组成，w1和w2分别表示区域项和边界项的权重系数。其中区域项R(L)表示该像素点所在区域的能量，如公式4所示；边界项B(L)则表示该像素点与网络图内相邻像素点之间联系的能量，如公式5所示。E(L)＝w1R(L)+w2B(L)(3)R(L)=Σi=1sRi(li)Ri(1)=-lnPr(li|obj)Ri(0)=-lnPr(li|bkg)---(4)]]>B(L)=Σ{p,q}∈NB<p,q>·δ(lp,lq)δ(ip,lq)=0,lp=lq1,lp≠lq---(5)]]>4)、根据图的能量函数使用图割算法进行求解，将最小值的解作为图的分割结果，使用衡量准则将分割结果与金标准进行比较，具体如下：给定U1，U2为图割分割结果和金标准，则使用DSC系数比较两者的分割结果如公式6所示。DSC(U1,U2)=2·|U1∩U2U1∪U2|---(6)]]>DSC系数值越小，表示分割结果越好。上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3