结合加权邻域信息与偏移场恢复的脑mr图像分割方法
【专利摘要】本发明公开了一种结合加权邻域信息与偏移场恢复的脑MR图像分割方法，首先构造各向异性邻域信息，并将其融入到FCM模型中；其次，为降低偏移场的影响，将偏移场信息融入到改进的模型中，使得模型在分割得同时恢复偏移场。本发明将偏移场作为乘性附加场耦合到模型中，克服偏移场对分割的影响；然后建立加权领域信息场，使其具有各向异性；将各向异性加权信息场代替传统FCM中的灰度信息，以降低噪声的影响，同时还能较好地保持细长拓扑结构信息。本发明不需要调节空间邻域信息正则项参数，从而提高了模型的鲁棒性。
【专利说明】结合加权邻域信息与偏移场恢复的脑MR图像分割方法
【技术领域】
[0001]本发明属于脑部MR图像分割【技术领域】，尤其是涉及一种结合加权邻域信息与偏移场回复的脑MR图像分割方法。
【背景技术】
[0002]脑部疾病是当前威胁人类身体健康的主要疾病之一。利用脑影像检查技术，定性和定量地分析脑功能，对有效地诊断脑疾病有重要帮助。在人类对大脑的研究与临床疾病诊疗中，医学磁共振成像(magnetic resonance image, MRI)能够为大脑解剖结构提供具有很高软组织对比度的图像且对人体危害较小，使其在医学临床上的应用越来越广泛和深入，并成为人们进行脑功能、病理研究的主要手段。由于脑图像内部组织间边界的模糊性和MR图像成像过程中所造成的图像内在的不确定性，使得模糊聚类技术广泛地应用于MR图像分割。目前应用最为广泛的模糊聚类技术是模糊C均值聚类(fuzzy C means，FCM)算法。
[0003]FCM算法是由Dunn于1974年提出，而后由Bezdek提出改进。FCM算法是通过对目标函数进行迭代优化，进而对数据样本集进行模糊聚类的一种方法，用一个模糊隶属度矩阵U= (Uik)exn来表示分类结果。运用FCM算法对图像进行分割，数据样本集就是η个像素，将这η个像素分成c类，得到c个类别中心和模糊隶属度矩阵，Uik表示第k个像素分为第i类的隶属度，FCM的目标函数定义为:
[0004]
【权利要求】
1.一种结合加权邻域信息与偏移场恢复的脑MR图像分割方法，其特征在于，包括如下步骤: Stepl.给定类别数c，模糊加权指数m，邻域尺寸L,偏移场b ; Step2.通过下式提取每个像素xk对应的邻域Pk:
Pk = {xr, r e Nj ； Step3.通过下式计算Pk的权重向量Bk:
2.根据权利要求1所述的结合加权邻域信息与偏移场恢复的脑MR图像分割方法，其特征在于:所述t4i+1>、》^+1>和沪+1)通过应用拉格朗日乘数法分别对下式中的每个变量求偏导得到:
3.根据权利要求1或2所述的结合加权邻域信息与偏移场恢复的脑MR图像分割方法，其特征在于:K = β σ。
4.根据权利要求3所述的结合加权邻域信息与偏移场恢复的脑MR图像分割方法，其特征在于:β取为I。
【文档编号】G06T7/00GK103996193SQ201410209965
【公开日】2014年8月20日 申请日期:2014年5月16日 优先权日:2014年5月16日
【发明者】陈允杰, 顾升华, 朱节中, 郑钰辉 申请人:南京信息工程大学