一种改进的无监督脑部肿瘤mri图像分割方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，尤其涉及一种改进的无监督脑部肿瘤MRI图像分 割方法。
【背景技术】
[0002] 医学图像分割是提取影像图像中特殊组织的定量信息所不可缺少的手段，同时也 是图像三维重建和可视化的前提。分割后的图像被广泛地应用于各种场合，如病变组织的 定位及诊断，解剖结构的学习，计算机指导手术和三维可视化等。
[0003] MRI (核磁共振成像）图像是医用图像的重要组成部分之一，但是由于MRI图像存 在一定程度的噪声，所以我们需要对原始MRI图像进行预处理，以便获得更好的像质，提高 处理的精度，得到理想的分割效果。
[0004] 现有技术主要采用基于支持向量机（Support Vector Machines, SVMs)的边缘定 位法来解决边缘检测时的伪边缘问题，同时利用自适应的自动选取种子点的区域膨胀法对 图像进行分割，提高图像分割的准确度。但是采用这种方法得到的分割图像的准确度还是 不够尚。
【发明内容】
[0005] 本发明所要解决的技术问题是：提供一种改进的无监督脑部肿瘤MRI图像分割方 法，采用这种方法得到的分割图像准确度较高，进而使得脑部肿瘤的识别准确度更高。
[0006] 本发明所采用的技术方案是：一种改进的无监督脑部肿瘤MRI图像分割方法，它 包括以下步骤：
[0007] (1)、建立已知脑部MRI图像的标准信噪比数据合集；
[0008] (2)、获取待分割的脑部MRI图像，并且将其转换为灰度图像；
[0009] (3)、利用SVM的边缘定位法对步骤⑵得到的灰度图像进行边缘检测；
[0010] (4)、对步骤（3)检测出的各条边缘进行特征提取，然后构建SVM分类器对提取的 特征参数进行边缘定位，分类出脑部不同组织边缘；
[0011] (5)、从步骤（4)获得的脑部不同组织边缘的3*3邻域，随机选取多个像素值在 230-250范围内的点作为生长点，并设定一个预设阈值T ;
[0012] (6)、采用步骤（5)得到的生长点为核心，判断其3*3的邻域内的非生长点是否满 足相似性原则，若满足则将该非生长点加入到生长点合集中，若不满足则舍去该非生长点， 直到所有的非生长点都判断完毕后，将生长区域分割出来得到脑部MRI分割图像；
[0013] (7)、将步骤（6)得到的分割图像以3*3邻域的模式，分块依次输入到非线性偏向 共振图像优化模型，得到输出信噪比数据合集，其中所述的非线性偏向共振图像优化模型 如下：
[0015] 式中，A为信号幅度；f。为周期信号频率；Φ为周期信号初相位；s为布朗粒子 运动坐标；t为布朗粒子运动时间；AXcos(2 π f^t+Φ)为偏向共振周期性输入信号函数； img (t)为3*3邻域输入图像；m和η为双稳态势皇实参数；α为噪声强度；ξ (t)为均值为 〇的高斯白噪声，其自相关函数Ε[ξ (t) ξ (0)] =2α δ (t)，其强度为α，δ (t)为单位脉 冲函数；
[0016] (8)、将步骤（7)得到的输出信噪比数据合集与步骤⑴得到的标准信噪比数据合 集相比，若相似度多90%，在判断优化成功；若相似度< 90%，则判断优化不成功，返回步 骤（2)继续进行分割与优化。
[0017] 步骤⑴中建立已知脑部MRI图像的标准信噪比数据合集包括以下具体步骤：
[0018] A、通过传统方法分割多个脑部MRI图像；
[0019] B、通过医生肉眼观察判断步骤A分割后的图像是否准确，若准确则归入到正确图 像集中；
[0020] C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集，然后取平均值 得到标准信噪比数据合集。
[0021] 采用以上方法与现有技术相比，本发明具有以下优点：采用基于支持向量机的边 缘定位法来解决边缘检测时的伪边缘问题，同时利用自适应的自动选取种子点的区域膨胀 法对图像进行分割，最后再采用非线性偏向共振图像优化模型修剪过度膨胀的区域，增补 欠膨胀区域，并且还与现有技术得到的标准脑部MRI分割图像做对比，最后得到优化后的 脑部MRI分割图像，得到分割图像准确度较高，且采用这种分割图像对脑部肿瘤的识别准 确度较高。
【附图说明】
[0022] 图1为原始灰度图像。
[0023] 图2为采用本发明方法得到的分割图像。
[0024] 图3为本发明一种改进的无监督脑部肿瘤MRI图像分割方法中噪声强度与信噪比 的关系图。
【具体实施方式】
[0025] 以下结合附图与【具体实施方式】对本发明做进一步描述，但是本发明不仅限于以下
【具体实施方式】。
[0026] 一种改进的无监督脑部肿瘤MRI图像分割方法，它包括以下步骤：
[0027] (1)、建立已知脑部MRI图像的标准信噪比数据合集；
[0028] A、通过传统方法分割多个脑部MRI图像；所述传统方法为标记分水岭法，也可以 是其他常规的图像分割方法；
[0029] B、通过医生肉眼观察判断步骤A分割后的图像是否准确，若准确则归入到正确图 像集中；
[0030] 所述判断步骤A分割后的图像是否准确是指医生通过经验来判断是否将脑部的 各个组织分离开来了，若是完全分割开来了，则判断是正确的，若有些组织分割时被破坏了 或者没有将两个组织分割开来，则判断是不正确的；
[0031] C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集，然后取平均值 得到标准信噪比数据合集。
[0032] 信噪比是通过计算分割图像中有用像素点的灰度值与无用像素点的灰度值作对 比得到的。
[0033] (2)、获取待分割的脑部MRI图像，并且将其转换为灰度图像；
[0034] (3)、利用SVM的边缘定位法对步骤⑵得到的灰度图像进行边缘检测；
[0035] 肿瘤组织是具有一定轮廓的，而这个轮廓的灰度值基本是一致的，因此我们就把 这个灰度值的轮廓作为灰度图像的边缘，等同于感兴趣区域初始轮廓。
[0036] 计算每幅图像序列的梯度幅值和梯度直方图，根据Gonzalez和Woods提出的迭代 步骤确定出高梯度区域和低梯度区域的最佳分割阈值t = 45,然后计算高、低梯度区域的 均值和方差μ Jt) = 2. 7、μ。⑴=0. 6、O J= 8. 4和O。2= 14. 4,从而计算高阈值τ h =194和低阈值T1= 166。最后运用Canny算子检测每幅图像边缘。
[0037] (4)、对步骤（3)检测出的各条边缘进行特征提取，然后构建SVM分类器对提取的 特征参数进行边缘定位，分类出脑部不同组织边缘；
[0038] 脑部组织主要包括大脑、脑干、小脑、脑桥和延髓；
[0039] 本实施例中首先另取某位患者的脑部MRI序列图像，进行边缘检测后的边缘进行 标记，将延髓边缘标记为1，非延髓边缘标记为0。该患者一共取得512个样本边缘作为训 练集。测试集选用另外20张该患者的MRI图像，每张5个样本，共100个样本作为测试集。 接着对训练样本与测试样本的边缘特征进行归一化处理，SVM的核函数选择径向基核函数 K(Xi,