基于截断Dirichlet过程无限Student’st混合模型的脑部核磁共振图像分割方法

文档序号:10656976阅读:510来源:国知局
基于截断Dirichlet过程无限Student’s t 混合模型的脑部核磁共振图像分割方法
【专利摘要】本发明涉及一种基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法,基于Dirichlet过程无限Student’s t混合模型,将无限Student’s t混合模型中的分量数假设为预设的图像的分割数K,然后利用期望最大化算法对模型进行求解,再利用贝叶斯最大后验概率准则进行图像分割。本发明所述的方法中,假设的Student’s t混合模型直接对应到脑部核磁共振图像不同的部分,而且Student’s t分布的高尾部特性决定了模型有较好的抗噪效果,从而实现脑部核磁共振图像分割。求解Dirichlet过程无限Student’s t混合模型的过程中,本发明用简单高效的期望最大化算法对基于截断Dirichlet过程无限Student’s t混合模型进行求解,使模型的求解变得更易实现。本发明的实施,能够在PC端对一幅脑部核磁共振图像快速自动地进行分割。
【专利说明】
基于截断D i r i ch I et过程无限Student ' S t混合模型的脑部核 磁共振图像分割方法
技术领域
[0001] 本发明设及计算机辅助图像处理技术,更具体地说,设及一种基于截断Dirichlet 过程无限Student's t混合模型的脑部核磁共振图像分割方法。
【背景技术】
[0002] 最近几十年,医学影像技术飞速发展,特别是核磁共振成像技术具有无创伤性、检 查范围覆盖人体各个系统、成像数据丰富等优点,应用最为广泛。医学影像分析方法随之得 到关注、研究和应用,医学图像分割是医学影像分析中的一个重要的研究内容。
[0003] 医学图像分割是根据医学图像区域内的相似性和区域间的不同特性将图像分割 成若干区域,主要包括研究解剖结构、识别感兴趣区域、观察肿瘤生长等。医学图像分割结 果直接辅助诊治医师作为,对临床诊断、计算机辅助手术等都有重要意义。大脑又是人体最 重要的部分,因此脑部核磁共振图像分割在医学图像分割领域尤为重要。
[0004] 脑部核磁共振图像分割方法主要是利用图像的灰度特征,主要包括基于像素、基 于区域、基于先验形状的方法。
[0005] 基于像素的方法中主要用到的是基于统计学的方法,它单纯依据图像的灰度信息 实现分割,方法灵活,能适应各种形状的医学图像的分割。
[0006] 基于区域的方法利用图像相邻像素间的局部关系,因此适用于灰度均匀条件下的 目标分割,不适用于高噪声的医学图像分割。
[0007] 基于局部先验形状的方法的分割结果依赖于初始区域的选择,因此该方法对于交 互分割比较理想;基于全局先验形状的方法只适合特定形状的图像分割。
[000引现有技术中,关于基于统计模型的脑部核磁共振图像分割方法的代表性文献有:
[0009] 文南犬(Sfikas G,Nikou C,Galatsanos N.Robust image segmentation with mixtures of student's t-distributions[C]//Image Processing,2007.ICIP 2007.IE邸 International Conference on.I邸E,2007,1:1-273-1-276.)利用EM算法求解 有限Student's t混合模型,进行脑部核磁共振图像分割,然而运种方法明显的缺点是不能 自动确定分割数。
[0010] 文南犬(da Silva A R F.A Dirichlet process mixture model for brain MRI tissue classification^].Medical Image Analysis,2007,11(2):169-182.)利用 Dirichlet过程运种非参数贝叶斯模型实现了脑部核磁共振图像分割,但他用的是复杂的 采样计算,而且他假设数据服从高斯分布,高斯分布对脑部核磁共振图像中的噪声敏感。

【发明内容】

[0011] 本发明的目的在于克服现有技术的不足,提供一种针对基于统计模型,有良好抗 噪性能的、能实现简单高效的自动分割的基于截断Dirichlet过程无限Student ' S t混合模 型的脑部核磁共振图像分割方法。
[0012]本发明的技术方案如下:
[0013] -种基于截断Dirichlet过程无限student' S t混合模型的脑部核磁共振图像分 割方法,基于Dirichlet过程无限Student ' S t混合模型,将无限Student ' S t混合模型中的 分量数假设为预设的图像的分割数K,然后利用期望最大化算法对模型进行求解,再利用贝 叶斯最大后验概率准则进行图像分割。
[0014] 作为优选,包括如下在先步骤:
[0015] 先在需要进行分割的待处理图像中去除非脑部组织的部分,得到预处理图像;
[0016] 再利用预处理图像的灰度作为特征,将预处理图像的灰度矩阵拉直变为列向量, 作为输入向量。
[0017] 作为优选,假设输入向量符合Student's t混合模型,利用期望最大化算法得到最 大化模型的参数;再利用最大化模型,根据贝叶斯最大后验概率准则得到输入向量对应的 标签向量;将标签向量转化为与待处理图像相同的矩阵形式,得到核磁共振图像的分割结 果。
[001引作为优选,假设输入向量符合student'S t混合模型,W概率1离散的截断 Dirichlet过程作为数据的先验分布,表示如下:
[0019]
[0020] Wj~Be1:a(l ,a);
[0021] 其中,其中,a是模型中的超参数,K是预设的图像的分割数;
[0022] 贝,截断Dirichlet过程的无限Student'S t混合模型表示如下:
[0023]
[0024] 其中,W表示模型中的所有参数,N是待处理图像中像素总数,Xj表示待处理图像 中的第j个像素点,m,Si,Vi是Student's t分布的S个参数:均值,协方差和自由度,JIi是 先验概率,满足:
[0025]
[0026]
[0027]作为优选,向截断Dirichlet过程的无限Student's t混合模型中引入两个丢失的 信息z、u;
[002引当Xj属于第i个类别时,Zij = I,否则ZU = O;
[0029] 当 Zy = I 时,有 Xj|uj,zij = l ~N(]ii, 5:叫-1),_
[0030] 贝IJ,截断Dirichlet过程的无限Student's t混合模型的目标函数L(W)为:
[0031]
[0032] 作为优选,利用期望最大化算法EM算法的E步对丢失的信息Z和U进行估计:
[0033] 第j个像素点属于类别i的后验概率表示为第j个像素点属于类别i概率占该像素 点属于所有可能类兒I的概率的比例:
[0034]
[0035] 伽马分布作为UU的共辆先验,并利用伽马分布计算得到UU的后验,然后根据后验 的均值计算得3
[0036] 作为优选,利用期望最大化算法算法的M步对目标函数L(W)求导,计算得到截 断Dirichlet过程的无限Student'S t混合模型中的如下参数:
[0037]
[00;3 引
[0039]
[0040]
[0041] 其中,是迭代期望最大化算法的E步中Vi的值。
[0042] 作为优选,循环迭代期望最大化算法的E步和M步,直到算法收敛。
[0043] 本发明的有益效果如下:
[0044] 本发明所述的方法中,假设的Student's t混合模型直接对应到脑部核磁共振图 像不同的部分,而且Student ' S t分布的高尾部特性决定了模型有较好的抗噪效果,从而实 现脑部核磁共振图像分割。
[0045] 求解Dirichlet过程无限Student's t混合模型的过程中,现有技术常常需要用复 杂的采样算法或变分推断方法。针对此问题,本发明用简单高效的期望最大化算法对基于 截断Dirichlet过程无限Student's t混合模型进行求解,使模型的求解变得更易实现。
[0046] 本发明的实施,能够在PC端对一幅脑部核磁共振图像快速自动地进行分割。
【附图说明】
[0047] 图1是本发明的方法流程图;
[0048] 图2是脑部核磁共振图像的预处理图像;
[0049] 图3是一幅预处理后的脑部核磁共振图像及其参考分割结果图;
[0化0] 图4是截断Dirichlet过程无限Student's t混合模型示意图,图中,空屯、圆表示变 量,阴影圆表示可观测量,圆角矩形表示参数,右下角表示循环次数,矩形框表示循环迭代;
[0051]图5是本发明的分割效果图;
[0052] 图6是Dirichlet过程无限高斯混合模型方法的分割效果图;
[0053] 图7是本发明方法与Dirichlet过程无限高斯混合模型方法分割结果对比图,其中 给出了 IBSRV01数据集中第30张和第50张图像的实验效果;
[0054] 图8是本发明与截断Dirichlet过程无限高斯混合模型的分割结果对比图,其中给 出了 IBSRV01数据集中第30张和第50张图像的实验效果。
【具体实施方式】
[0055] W下结合附图及实施例对本发明进行进一步的详细说明。
[0056] 本发明为了解决现有技术存在的不足,提供一种基于截断Dirichlet过程无限 Student's t混合模型的脑部核磁共振图像分割方法,使得用户可W简单快速地得到脑部 核磁共振图像的分割结果。
[0化7] 本发明基于Dirichlet过程无限Student' S t混合模型,考虑到Dirichlet过程无 限Student's t混合模型实际上是可数无限的,因而,将无限Student's t混合模型中的分 量数假设为预设的图像的分割数K(适当的相当大的数K),然后利用期望最大化算法对模型 进行求解,再利用贝叶斯最大后验概率准则进行图像分割。
[0化引本发明所述的方法,如图1所示,步骤主要如下:
[0059] 首先,在需要进行分割的待处理图像中去除非脑部组织的部分,利用简单分水岭 算法来去除非脑部组织,得到预处理图像,如图2、图3所示;
[0060] 其次,利用预处理图像的灰度作为特征,将预处理图像的灰度矩阵拉直变为列向 量,作为输入向量;
[0061] 再次,假设输入向量符合Student's t混合模型,利用期望最大化算法得到最大化 模型的参数;
[0062] 然后,利用最大化模型,根据贝叶斯最大后验概率准则得到输入向量对应的标签 向量;
[0063] 最后,将标签向量转化为与待处理图像相同的矩阵形式,得到核磁共振图像的分 剖结果,如图5所不。
[0064] 假设输入向量符合Student'S t混合模型,本发明W概率1离散的截断Dirichlet 过程作为数据的先验分布,表示如下:
[00 化]
[0066] Wj~Be1:a( 1 ,a);
[0067] 其中,a是模型中的超参数,K是假定的适当的相当大的图像的分割数,例如假定的 适当的相当大的图像的分割数;
[0068] 贝,截断Dirichlet过程的无限Student'S t混合模型表示如下:
[0069]
[0070] 其中,W表示模型中的所有参数,N是待处理图像中像素总数,Xj表示待处理图像 中的第j个像素点,m,Si,Vi是Student's t分布的S个参数:均值,协方差和自由度,JIi是 先验概率,满足:
[0071] JTi^O;
[0072]
[0073] 为了用简单常用的期望最大化算法算法解得W上模型,则向截断Dirichlet过 程的无限Student ' S t混合模型中引入两个丢失的信息Z、u;
[0074] 当Xj属于第i个类别时,Zij = 1,否则ZU = 0;
[0075] 当 Zy = I 时,有 Xj|uj,z:ij = l ~N(]ii, XiUj-i),且
[0076] 贝IJ,完整数据下的截断Dirichlet过程的无限Student'S t混合模型的目标函数L (W)为.
[0077]
[0078] 利用期望最大化算法EM算法的E步对丢失的信息Z和U进行估计:
[0079] 第j个像素点属于类别i的后验概率表示为第j个像素点属于类别i概率占该像素 点属于所有可能类别的概率的比例:
[0080]
[0081] 伽马分布作为UU的共辆先验,并利用伽马分布计算得到UU的后验,然后根据后验 的均值计算得到Z
[0082] 因为要最大化截断Dirichlet过程的无限Student's t混合模型的目标函数L (W ),则利用期望最大化算法的M步对目标函数L( W )求导,计算得到截断Dirichlet过程的 无限Student'S t混合模型中的如下参数:
[0083]
[0084]
[0085]
[0086]
[0087]其中,坏M是迭代期望最大化算法的E步中Vi的值。
[008引进而,得到截断Dirichlet过程无限Student's t混合模型,如图4所示。
[0089] 循环迭代期望最大化算法的E步和M步,直到算法收敛。
[0090] 经过W上步骤得到模型的参数后,根据贝叶斯最大后验概率准则得到输入向量数 据对应的标签向量,第j个像素点根据WpZg得到它的标签i。
[0091] 将得到的标签向量转化为待处理图像矩阵形式,得到核磁共振图像的分割结果。
[0092] 如图6、图7所示,现有技术中的Dirichlet过程无限高斯混合模型方法,虽然能自 动得正确得到图像分割的数目,但是由于高斯函数本身的轻尾部特性导致分割结果受图像 中噪声的影响较大。而且运种方法由于采用了复杂的采样算法计算模型,耗时一般在十几 秒。而本发明的方法在不到1秒的时间就能自动得到图像的分割结果,如表1所示。
[0093] 表1:本发明与Dirichlet过程无限高斯混合模型方法分割准确率和分割时间的对 比
[0095] 在IBSRV01数据集的12則长脑MRI图像上做实验,如图8所示,得到平均分割准确率 和分割时间,如表2所示。
[0096] 表2:本发明与截断无限高斯混合模型方法分割准确率的对比 「nn〇"7l
[0098]上述实施例仅是用来说明本发明,而并非用作对本发明的限定。只要是依据本发 明的技术实质,对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。
【主权项】
1. 一种基于截断Dirichlet过程无限Student' S t混合模型的脑部核磁共振图像分割 方法,其特征在于,基于Dirichlet过程无限Student's t混合模型,将无限Student's t混 合模型中的分量数假设为预设的图像的分割数K,然后利用期望最大化算法对模型进行求 解,再利用贝叶斯最大后验概率准则进行图像分割。2. 根据权利要求1所述的基于截断Dirichlet过程无限Student's t混合模型的脑部核 磁共振图像分割方法,其特征在于,包括如下在先步骤: 先在需要进行分割的待处理图像中去除非脑部组织的部分,得到预处理图像; 再利用预处理图像的灰度作为特征,将预处理图像的灰度矩阵拉直变为列向量,作为 输入向量。3. 根据权利要求2所述的基于截断Dirichlet过程无限Student's t混合模型的脑部核 磁共振图像分割方法,其特征在于,假设输入向量符合Student ' s t混合模型,利用期望最 大化算法得到最大化模型的参数;再利用最大化模型,根据贝叶斯最大后验概率准则得到 输入向量对应的标签向量;将标签向量转化为与待处理图像相同的矩阵形式,得到核磁共 振图像的分割结果。4. 根据权利要求3所述的基于截断Dirichlet过程无限Student's t混合模型的脑部核 磁共振图像分割方法,其特征在于,假设输入向量符合Student's t混合模型,以概率1离散 的截断Dirichlet过程作为数据的先验分布,表示如下:Wj ~Beta(l,α); 其中,α是模型中的超参数,K是预设的图像的分割数; 贝1J,截断Dirichlet过程的无限Student's t混合模型表示如下:, 其中,Ψ表示模型中的所有参数,N是待处理图像中像素总数,幻表示待处理图像中的第 j个像素点,m,Σ i ,Vi是Student ' s t分布的三个参数:均值,协方差和自由度,Jii是先验概 率,滿足:5. 根据权利要求4所述的基于截断Dirichlet过程无限Student ' s t混合模型的脑部核 磁共振图像分割方法,其特征在于,向截断Dirichlet过程的无限Student's t混合模型中 引入两个丢失的信息z、u;贝1J,截断Dirichlet过程的无限Student's t混合模型的目标函数L(W)为:6. 根据权利要求5所述的基于截断Dirichlet过程无限Student's t混合模型的脑部核 磁共振图像分割方法,其特征在于,利用期望最大化算法EM算法的E步对丢失的信息2和1!进 行估计: 第j个像素点属于类别i的后验概率表示为第j个像素点属于类别i概率占该像素点属 于所有可能类别的概率的比例:伽马分布作为Ulj的共辄先验,并利用伽马分布计算得到Ulj的后验,然后根据后验的均 值计算得7. 根据权利要求6所述的基于截断Dirichlet过程无限Student ' s t混合模型的脑部核 磁共振图像分割方法,其特征在于,利用期望最大化算法EM算法的M步对目标函数L( Ψ )求 导· ^rh管?县?1丨截MifH ri_ nh I pt〗寸JS的子1服Stiidpnt '《 t泪会爐型由的加下*暴教.其中,是迭代期望最大化算法的E步中Vi的值。8. 根据权利要求7所述的基于截断Dirichlet过程无限Student's t混合模型的脑部核 磁共振图像分割方法,其特征在于,循环迭代期望最大化算法的E步和M步,直到算法收敛。
【文档编号】G06T7/00GK106023236SQ201610431135
【公开日】2016年10月12日
【申请日】2016年6月16日
【发明人】杜吉祥, 李璐, 翟传敏, 范文涛, 王靖, 刘海建
【申请人】华侨大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1