多模式脑肿瘤图像混合分割方法和装置与流程

本发明涉及医疗器械，是医学影像领域中的一个重要方面。它在脑肿瘤切割、脑肿瘤分类、脑肿瘤识别等领域具有重要作用。具体讲,涉及改进的多模式脑肿瘤图像混合分割方法和装置。

背景技术：

近年来，脑肿瘤发病率呈上升趋势，约占全身肿瘤的5％，占儿童肿瘤的70％。2015年，仅在美国确诊的新发脑肿瘤病例大约23000例。细胞的不可控和无限生长导致脑肿瘤的发生。若不对脑肿瘤进行早期诊断和治疗，可能会导致永久性脑损伤，甚至死亡。核磁共振成像(magneticresonanceimaging，mri)可用于检测身体组织的异常变化，是确定脑肿瘤治疗方案的必要手段，在所有治疗方法中，任何有关肿瘤位置和大小的信息都是非常重要的，但是由于脑肿瘤形状复杂，大小和位置具有随机性，类型差异大等因素，导致目前还没有一种分割算法能够满足临床的需要，实时性也无法达到要求，不同专家手动分割脑肿瘤图像的结果也有很大差异，而且人工成本较高。因此，研究准确的全自动脑肿瘤分割算法是非常重要的。

脑肿瘤自动分割技术一直以来都是研究热门方向，脑肿瘤图像的分割方法分为手动分割、半自动分割和全自动分割，具体分割算法中又分为阈值算法、聚类算法和形变模型算法等。阈值算法最早用于图像分割，针对脑肿瘤图像的问题，otsu算法是一种自动适应阈值算法，能够有效避免固定阈值带来的误差；一种用于多区域图像分割的局部模糊阈值(fuzzythreshold，fth)算法针对于脑肿瘤这种复杂的图像也有一定的效果，由于脑肿瘤图像的复杂性和阈值算法对像素空域信息考虑不足，导致阈值类算法分割不能有效的解决脑肿瘤分割问题。

模糊聚类是适合脑肿瘤图像分割的一类算法，尤其是模糊c均值(fuzzyc-mean,fcm)算法，具有方法实现简单的优势，但由于医学图像信息复杂，边缘不清晰，因此，种子点选取对聚类结果影响很大，且fcm算法方法难以利用图像的空域信息，本身计算复杂。于是提出快速fcm(fastfcm,ffcm)算法改进计算速度的问题；针对空间信息不足的问题，使用空间fcm(spatialfcm,sfcm)算法分割图像，有效利用空间信息之间的相关性，但是sfcm算法计算速度无法满足医学图像要求的实时性；水平集算法可以有效的处理各种轮廓问题，将模糊聚类与水平集方法相结合(fuzzyclusteringwithlevelsetmethods,fclsm)算法有效解决了水平集边缘问题，但是fclsm算法存在实时性和容易陷入局部最优的问题。

水平集算法是属于形变模型算法的一类，基于水平集分割算法也广泛应用于脑肿瘤分割，但是由于脑肿瘤组织灰度不均匀，并且脑肿瘤组织之间经常没有明显的边界，采用这类算法容易出现边缘泄露的问题。距离正则化水平集算法(distanceregularizedlevelsetevolution,drlse)是一个有效的算法，该算法中的距离正则化效应消除了对重新初始化的需要，从而避免其引起的局部误差；其他方法还有混合水平集算法。该方法使用对象边界和区域信息来实现鲁棒和准确的分割。边界信息可帮助检测目标对象的精确位置，且区域信息可防止边界泄漏，但是水平集算法无法解决容易陷入局部最优和对初始值强烈依赖的问题。

技术实现要素：

为克服现有技术的不足，本发明旨在提出一种改进的多模式脑肿瘤图像混合分割算法，采用ffcm提取脑肿瘤区域，使用混合水平集算法进行修正肿瘤区域存在的边界问题。从而使ffcm算法和水平集算法能够更加有效地应用到mri脑肿瘤图像中。本发明采用的技术方案是，多模式脑肿瘤图像混合分割方法，首先输入三种模式包括t1c、t2和flair的mri图像，采用中值滤波对图像进行滤波处理和初始分割得到预处理图像，之后采用线性融合；再对融合图像进行ffcm聚类分割，自动提取其中灰度值较大的区域，得到的肿瘤欠分割区域进行混合水平集分割。

ffcm聚类分割具体步骤是，将数据通过模糊c均值理论分为c类，对于一幅m×n图像，设{hi,i＝1,2,…,n}，n＝m×n，hi是图像直方图中的像素强度值构成的集合，其中m和n是图像的长和宽，{vj,j＝1,2,…,c}是聚类中心构成的集合，且μj(hi)是hi隶属于j类的隶属函数，||·||代表2范数，b是一个大于1常数，则：

迭代式(3)(4)若满足迭代终止条件，t＞t或则停止，其中t表示迭代次数，ε是停止条件，t代表最大迭代次数，算法结束后，按最大隶属度对像素进行分类，若μj(hi)＞μj(hk)，则将hi归为第j类区域，k＝1,2,...,c；i≠k。

混合水平集分割具体步骤是，嵌入函数φ的零集用于表示活动轮廓c＝{x|φ(x)＝0}，轮廓内/外的点具有正/负φ值，所提出的需要最小化的函数定义：

式(5)中i是待分割的图像，是与图像梯度相关的边界特征图，是梯度算子，h(φ)为赫维赛德函数，ω为图像域，α和β是预定义权重以平衡两项，μ是指示目标对象的灰度级的下限的预定义参数；

其中，为指向曲线外部的法向量，因此活动轮廓的显性曲线进化偏微分方程为

式中和曲率<·,·>为内积；由于只有曲线的几何变化在分割中是感兴趣的，所以从式(6)可以注意到曲线上的所有点都在法线方向上移动，式(6)第一项是描述目标对象内部的曲线部分的扩展运动和外部部分的收缩运动的传播项，第二项是平流项，描述由g的梯度引起的向量场中的曲线移动，以将曲线吸引到目标对象的边界，第三项描述由梯度特征映射g加权的曲率流，作用是平滑边界支持弱的部分的曲线；

在水平集中，和描述相同的曲线变化，若φ是有符号距离函数，即水平集嵌入函数随时间变化的导数为

g是递减函数，式中c为控制斜率。

多模式脑肿瘤图像混合分割装置，设置有计算机，用于处理t1c、t2和flair的mri图像，计算机包括如下模块：采用中值滤波对图像进行滤波处理和初始分割模块，得到预处理图像；之后预处理图像输入线性融合模块；融合后图像输入ffcm聚类分割模块，自动提取其中灰度值较大的区域，得到的肿瘤欠分割区域；再输入进行混合水平集分割模块处理，得到最终结果。

本发明的特点及有益效果是：

本发明通过改进的多模式脑肿瘤图像混合分割算法来分割带有脑肿瘤的mri图像，与一些经典的方法相比较，其优势主要体现在：

1)新颖性：首次使用ffcm算法和混合水平集算法来分割带有脑肿瘤的mri图像，根据mri脑肿瘤图像的特性，结合ffcm算法和混合水平集的优势，达到对脑肿瘤图像快速分割的目的。

2)有效性：使用ffcm可以快速有效的得到欠分割的区域，欠分割区域输入到混合水平集中能够加快收敛边界，从而有效地克服算法的缺陷，同时提高了准确性。

3)实用性：现在的分割算法由于都难以达到实用性和实时性的要求，本发明结合混合水平集算法和ffcm算法之间的合理部分，从而克服一些算法的缺陷，一定程度上增加量算法的实用性。并且为自动分割脑肿瘤技术做了进一步的探讨。

附图说明：

图1是本发明改进的多模式脑肿瘤图像混合分割算法分割mri脑肿瘤的流程图。

图2是本发明算法在10个脑肿瘤图像的相似系数(dice)。

具体实施方式

1基于直方图的快速fcm理论

ffcm的核心思想是像素强度值寻求合适的隶属度和聚类中心，使得聚类内耗费函数的方差和迭代误差最小，耗费函数的值是像素到聚类中心2范数测度的加权累积和。ffcm聚类分割算法是将数据通过模糊c均值理论分为c类，对于一幅m×n图像，假设{hi,i＝1,2,…,n}，n＝m×n，hi是图像直方图中的像素强度值构成的集合。{vj,j＝1,2,…,c}是聚类中心构成的集合，且μj(hi)是hi隶属于j类的隶属函数，所以ffcm的目标函数为

且

式中，||·||代表2范数，b是一个大于1常数，控制聚类结果的模糊度。为计算jf的最小值，使得

从式(1)(2)可推导出

迭代式(3)(4)若满足迭代终止条件，t＞t或则停止，其中t表示迭代次数，ε是停止条件，t代表最大迭代次数。算法结束后，按最大隶属度对像素进行分类，若μj(hi)＞μj(hk)，则将hi归为第j类区域，k＝1,2,...,c；i≠k。

2混合模型水平集原理

osher和sethian提出水平集方法，将低维曲线表示为高维曲面的零水平集。任意时刻，只要知道φ就可求出其零水平集曲线，其中φ(x)为水平集函数。若要处理曲面的变化，则只要将曲面表示为更高一维空间的零水平集即可实现。与粒子模型和参数模型相比，水平集模型具有显著的优点，概念和数值实现适应于解决任何尺寸问题；可以容易地确定活动轮廓内部和外部的区域。

由于脑肿瘤的mri图像极为复杂，本发明使用一种基于水平集的分割方法来整合边界问题和区域信息，同时弥补ffcm算法遗留的边界问题。在描述模型之前，需要说明几个参数，嵌入函数φ的零集用于表示活动轮廓c＝{x|φ(x)＝0}，轮廓内/外的点具有正/负φ值。所提出的需要最小化的函数定义

式(5)中i是待分割的图像，是与图像梯度相关的边界特征图,其中g是递减函数，式中a为控制斜率，h(φ)为赫维赛德函数，ω为图像域，α和β是预定义权重以平衡两项。μ是指示目标对象的灰度级的下限的预定义参数。是梯度算子。

其中，为指向曲线外部的法向量。因此活动轮廓的显性曲线进化偏微分方程为

式中和曲率<·,·>为内积。由于只有曲线的几何变化在分割中是感兴趣的，所以从式(6)可以注意到曲线上的所有点都在法线方向上移动。式(6)第一项是描述目标对象内部的曲线部分的扩展运动和外部部分的收缩运动的传播项，第二项是平流项，描述由g的梯度引起的向量场中的曲线移动，以将曲线吸引到目标对象的边界，第三项描述由梯度特征映射g加权的曲率流，作用是平滑边界支持弱的部分的曲线。

在水平集中，和描述相同的曲线变化，若φ是有符号距离函数，即水平集嵌入函数随时间变化的导数为

表1

表1是本发明算法对47幅脑肿瘤图像处理的结果，其中jaccard系数、相似系数(dice)和recall是最常用的评价标准。

由于mri脑肿瘤图像本身质量不高，不能用于直接分割，所以本发明首先采用图1所示混合分割算法框架，由于三种模态图像可以为肿瘤分割提供部分不相关且互补的信息，本发明首先输入三种模式的mri图像包括t1c、t2和flair。由于图像本身存在一定的噪声，采用中值滤波对图像进行滤波处理和初始分割得到预处理图像，之后采用线性融合；融合图像进行ffcm聚类算法分割，自动提取其中灰度值较大的区域，得到的肿瘤欠分割区域进行混合水平集分割，最后评价分割结果。ffcm聚类算法与混合模型水平集算法结合，一方面加快了水平集本身算法的速度，同时也改进了混合模型水平集算法对初始值依赖的不足。为测试出合适的融合比例，本发明通过多种比例测试对比，最后得出较合适的比例为flair:t2:t1c＝5:4:1。