基于改进模糊连接度算法的丘脑及其子结构分割方法
【专利摘要】本发明涉及基于改进模糊连接度算法的丘脑及其子结构分割方法。所述方法包括：输入原始图像；对原始图像进行预处理；对核团所在感兴趣区域自动提取，估算该区域内的均值、标准差；计算种子点周围区域各点对于种子点的模糊亲和度；进行后处理。本发明采用置信连接度实现了感兴趣区域的自动选取；计算模糊连接度时，在传统仅利用灰度特征的基础上增加了梯度特征，能更好地表达图像边缘。实验结果表明，本发明有效减少了传统模糊连接度算法中出现的欠分割现象；灰度特征与梯度特征之间的权重系数通过自适应计算获得，提高了分割结果的准确性；本发明实现了模糊连接度分割阈值的自动选取，该阈值随种子点的变化而变化，提高了分割过程的自动化程度。
【专利说明】基于改进模糊连接度算法的丘脑及其子结构分割方法
【技术领域】
[0001]本发明属于医学图像处理领域，涉及一种基于MRI (Magnetic Resonance Image,核磁共振成像)影像的丘脑及其子结构神经核团自动分割方法，尤其涉及一种基于改进模糊连接度算法的丘脑及其子结构分割方法。
【背景技术】
[0002]随着现代医疗技术的发展，颅脑的计算机辅助手术在临床中被广泛使用。目前，相关技术已将丘脑及其子结构神经核团作为脑立体定向神经外科手术的毁损区，用于治疗癫痫和锥体外系疾病。丘脑与其周围脑组织的空间关系复杂，在影像学高度发展的今天，对丘脑及其内部核团进行分割仍然是影像学的一个难点问题。利用计算机对丘脑及其子结构神经核团进行分割，对于神经外科疾病的诊断与治疗和解剖学教学具有重要意义。过去的十几年中，人们提出了很多关于脑结构的自动分割方法。然而，其中多数研究只针对磁共振脑图像的脑组织(灰质、白质、脑脊液)分割展开，关于子结构的分割方法尚不成熟。目前MRI脑图像的分割方法主要包括模糊聚类、阈值分割、区域生长、水平集和主动轮廓等几类。阈值法、区域增长和聚类算法容易受灰度不均匀性的影响，同时依赖种子点的选取，会造成分割结果的欠准确。主动轮廓与水平集法需要预先获得初始轮廓，当边界模糊甚至缺失时，很难收敛于目标结构。
[0003]因此，目前现有的分割技术大多针对于体积较大且边界清晰的脏器或肿瘤，而针对丘脑及其内部细小核团，有效的自动分割方法鲜有报道。其中大部分关于丘脑及其子结构分割的现有技术，均需依赖人工操作以获得初始限制条件或训练模板，无法通过自动获取目标区域的方式获得丘脑核团所在区域，难以在减少人工干预的同时保证分割结果的准确性。
【发明内容】
[0004]针对现有技术中缺乏脑部核团的有效自动分割方法，尚需人工干预、分割过程操作繁琐的问题，本发明提出一种基于改进模糊连接度算法的丘脑及其子结构分割方法，通过应用置信连接度理论自动获得丘脑核团的感兴趣区域；在模糊连接度框架内引入图像梯度特征；实现了灰度特征与梯度特征的权重自适应调整，以及模糊连接度分割阈值的自动选取；在减少人工干预的同时，保证了分割结果的准确性，简化人了工操作。
[0005]为实现上述目的，本发明采取如下技术方案:首先对原始图像进行脑组织提取，去除头皮、头骨等非脑组织，并且利用非参数非均匀灰度归一化法，对处理后的数据进行偏差场校正以去除噪声。然后，在感兴趣区域内设定一个种子点，利用置信连接度理论，对包含丘脑及其子结构核团的感兴趣区域进行粗略分割；计算该区域灰度特征与梯度特征的平均值和标准差，然后将均值和标准差传递给自适应模糊连接度计算公式计算亲和度。将种子点周围8*8邻域的模糊连接度均值作为分割阈值，将模糊连接度小于该阈值的像素与种子点归为同一区域，剩下的像素则归为背景，从而实现目标区域的分割。最后采用数学形态学方法对分割结果进行优化和平滑。
[0006]本发明的特征在于采取以下步骤:
[0007]步骤1，输入原始图像。 [0008]步骤2，对原始图像进行预处理。
[0009]步骤2.1，对原始图像进行脑组织提取，去除头皮、头骨等非脑组织，并利用非参数非均匀灰度归一化法，对处理后的数据进行偏差场校正以去除噪声。
[0010]步骤2.2，在包含丘脑及其子结构核团的感兴趣区域设定种子点。
[0011]步骤3，对核团所在感兴趣区域自动提取，计算该区域内的均值、标准差。
[0012]利用置信连接度理论，以步骤2.2中所述单一种子点为初始像素，对包含待分割丘脑及其子结构核团的感兴趣区域进行自动分割，并计算该区域内的灰度、梯度特征的平均值与标准差。
[0013]对种子点周围的一个小邻域，计算此区域的灰度均值和标准差。通过一个给定控制灰度范围大小的乘法因子I与标准差的乘积来定义相似灰度的范围I⑴e [m-1 O，m+l 0]，其中X是图像I中的像素点；m和σ分别是当前区域灰度的均值和标准差；灰度值在这个范围内的相邻像素点将被包含到当前区域中。然后，对包含在当前区域内的所有像素点再次计算其灰度平均值和标准差，从而定义一个新的灰度范围；当前区域的邻域中，灰度值在这个范围内的像素将被合并到当前区域。重复上述过程，直到没有新的像素被合并为止。
[0014]置信连接度用来计算此区域中灰度特征和梯度特征的均值和标准差。然后将均值和标准差传递给自适应模糊连接度计算公式用以计算亲和力。
[0015]步骤4，计算种子点周围区域各点对于种子点的模糊亲和度。
[0016]在传统的基于模糊连接度的分割方法中，选取灰度特征作为限制条件，计算种子点与其它像素点之间的模糊连接度。由于经常会出现过分割或欠分割的现象，加入图像梯度特征以限制分割目标区域边缘。采取自适应权重的方法对灰度特征与梯度特征的权重系数进行取值，并取种子像素点周围8*8邻域的模糊连接度均值作为分割阈值。
[0017]本发明采用的方法如下:
[0018]步骤4.1，定义模糊连接函数和模糊空间元素亲和度。
[0019]在只考虑灰度特征作为限制条件的基础上加入图像梯度特征，并将灰度特征与梯度特征的权重参数进行自适应计算，得到新的模糊亲和度μ K (c，d)的计算公式，即自适应模糊连接度(adaptive fuzzy connectedness, AFC):......,,、 ，
[0020]
【权利要求】
1.基于改进模糊连接度算法的丘脑及其子结构分割方法，其特征在于包括以下步骤: 步骤I，输入原始图像； 步骤2，对原始图像进行预处理； 步骤2.1，对原始图像进行脑组织提取，去除头皮、头骨非脑组织，并利用非参数非均匀灰度归一化法，对处理后的数据进行偏差场校正以去除噪声； 步骤2.2，在包含丘脑及其子结构核团的感兴趣区域设定种子点； 步骤3，对核团所在感兴趣区域自动提取，计算该区域内的均值、标准差； 利用置信连接度理论，以步骤2.2中所述单一种子点为初始像素，对包含待分割丘脑及其子结构核团的感兴趣区域进行自动分割，并计算该区域内的灰度、梯度特征的平均值与标准差； 对种子点周围的一个小邻域，计算此区域的灰度均值和标准差；通过一个给定控制灰度范围大小的乘法因子I与标准差的乘积来定义相似灰度的范围I⑴e [m-1 σ , m+1 σ ],其中X是图像I中的像素点；m和σ分别是当前区域灰度的均值和标准差；灰度值在这个范围内的相邻像素点将被包含到当前区域中；然后，对包含在当前区域内的所有像素点再次计算其灰度平均值和标准差，从而定义一个新的灰度范围；当前区域的邻域中，灰度值在这个范围内的像素将被合并到当前区域；重复上述过程，直到没有新的像素被合并为止； 步骤4，计算种子点周围区域各点对于种子点的模糊亲和度； 步骤5，进行后处理； 步骤5.1，设置填充核团内部空洞的填充半径； 步骤5.2，利用数学形态学运算填充核团内部空洞，同时移除核团周围的岛屿区域，平滑分割边界，以获得最终结果。
2.根据权利要求1所述的基于改进模糊连接度算法的丘脑及其子结构分割方法，其特征在于，步骤4所述模糊亲和度的计算方法包括以下步骤: 步骤4.1，定义模糊连接函数和模糊空间元素亲和度； 在只考虑灰度特征作为限制条件的基础上加入图像梯度特征，并将灰度特征与梯度特征的权重参数进行自适应计算，得到新的模糊亲和度yK(c，d)的计算公式，即自适应模糊连接度:
【文档编号】G06T7/00GK103942780SQ201410120029
【公开日】2014年7月23日 申请日期:2014年3月27日 优先权日:2014年3月27日
【发明者】杨春兰, 王倩, 吴薇薇, 吴水才, 薛艳青 申请人:北京工业大学