一种基于多特征区分的MRI脑肿瘤图像分割方法与流程

本发明涉及医学图像处理技术领域，尤其涉及mri脑肿瘤图像分割方法。

背景技术：

脑肿瘤是神经系统常见疾病之一，近年来脑肿瘤发病率呈现上升趋势，ct、mri等多种影像检查方法可用于检测脑肿瘤，其中mri应用于脑肿瘤成像效果最佳，然而，脑部组织结构复杂、组织器官形状不规则，不同个体之间存在差异，造成脑肿瘤图像边缘模糊、对比度低、难以准确观察病变部位及病变状况，对肿瘤的临床分割主要依赖于医生的经验，但是不同的医生分割得到的结果也会有很大差别，通过图像处理的方法提供一种客观的分割结果作为辅助参考，能大大节省医生的时间，同时也能提高分割肿瘤的精度。

传统脑肿瘤分割方法，往往利用单一特征进行分割，然而单一特征无法精确描述脑肿瘤图像，脑肿瘤图像结构复杂，肿瘤和正常脑组织之间边缘模糊，利用单一特征进行分割很容易出现过分割甚至是误分割，从而导致分割结果出现很大误差。

利用多特征可以更全面的描述肿瘤图像，从而更容易寻找肿瘤和正常脑组织之间的差异信息，然而各特征对肿瘤和正常脑组织的区分能力不同，如何度量各特征对肿瘤和正常脑组织的区分能力从而确定各特征对应的权重还待进一步研究。

技术实现要素：

本发明的目的是为了满足基于多特征区分的mri脑肿瘤图像分割技术的发展需要，提供一种基于多特征区分的mri脑肿瘤图像分割方法。

本发明所述的基于多特征区分的mri脑肿瘤图像分割方法包括如下步骤：

步骤1：对多模态mri脑肿瘤图像提取视觉差分图像i，并将视觉差分图像i分割为n个超像素块；

步骤2：从每个超像素块提取k个特征，得到特征矩阵：

ic＝(i1,i2,···,ij,···,ik)^t

其中，ij＝(q1,q2,···,qi,···,qn)^t为第j个特征的特征向量，qi为第i个超像素块的特征值；

构造区分能力公式：

其中：ej为第j个特征的区分能力，sj为第j个特征的标准差，λ为控制因子，ej为第j个特征的信息熵，qi,j为第j个特征的特征向量中第i个值，pm,j为第j个特征的概率向量中第m个值，n代表特征向量的数据级别；

根据特征区分能力给各特征向量设置权重，得到加权特征矩阵；

步骤3：将加权特征矩阵利用稀疏表示分割算法获取分割结果，对分割结果进行干扰项剔除，对多个视觉差分图像的剔除了干扰项的分割结果进行融合，得到最终分割结果。

进一步地，步骤2中给各特征向量设置权重的具体方法如下：

根据特征区分能力设置第j个特征向量的权重值为：

其中，emax＝max[e1,e2,···,ej,···,ek]为特征最大区分能力值，ωj为第j个特征向量的权重值，g为权值系数，ω0为初始权值，a为权值调解参数。

进一步地，步骤2中的k个特征包括：超像素块的灰度平均值、灰度统计值、差分边缘、能量、信息熵以及局部信息熵。

与现有技术相对比，本发明的有益效果在于，本发明根据多特征构建的加权特征矩阵能够在分割算法中减小肿瘤和正常脑组织的相关性，能获得较好的图像分割结果。

附图说明

图1为本发明实施例提供的一种基于多特征区分的mri脑肿瘤图像分割方法的流程图。

图2是本发明实施例中包含肿瘤的多模态mri脑图像。

图3是对图2中脑肿瘤图像提取出的视觉差分图像。

图4是对图3中视觉差分图像进行分割的结果。

图5是本发明所述的方法与其他分割方法的分割结果对比。

图6是本发明所述的方法与其他分割方法分割结果的各项指标对比。

具体实施方式

以下将结合附图对本发明进行详细说明。

具体实施方式一：如图1所示，本实施方式所述的一种基于多特征区分的mri脑肿瘤图像分割方法包括如下步骤：

步骤1：对多模态mri脑肿瘤图像提取视觉差分图像i，并将视觉差分图像i分割为n个超像素块；

步骤2：从每个超像素块提取k个特征，得到特征矩阵：

ic＝(i1,i2,···,ij,···,ik)^t

其中，ij＝(q1,q2,···,qi,···,qn)^t为第j个特征的特征向量，qi为第i个超像素块的特征值，k个特征包括超像素块的灰度平均值、灰度统计值、差分边缘、能量、信息熵以及局部信息熵；

多特征在分割算法上变化趋势满足线性回归能量模型，因此可构造区分能力公式：

其中：ej为第j个特征的区分能力，sj为第j个特征的标准差，λ为控制因子，ej为第j个特征的信息熵，qi,j为第j个特征的特征向量中第i个值，pm,j为第j个特征的概率向量中第m个值，n代表特征向量的数据级别；

根据特征区分能力给各特征向量设置权重，得到加权特征矩阵，具体方法如下：

根据特征区分能力设置第j个特征向量的权重值为：

其中，emax＝max[e1,e2,···,ej,···,ek]为特征最大区分能力值，ωj为第j个特征向量的权重值，g为权值系数，ω0为初始权值，a为权值调解参数；

加权特征矩阵为：

x＝ω·ic＝[ω1i1,ω2i2,...,ωjij,...,ωkik]^t

步骤3：将加权特征矩阵利用稀疏表示分割算法获取分割结果，对分割结果进行干扰项剔除，对多个视觉差分图像的剔除了干扰项的分割结果进行融合，得到最终分割结果。

在步骤1中，多模态mri脑肿瘤图像包括：flair图像、t1加权图像、t1c增强图像和t2加权图像，如图2所示，(a)、(b)、(c)、(d)分别展示了不同模态mri图像，其中，(a)为flair图像，(b)为t1加权图像，(c)为t1c增强图像，(d)为t2加权图像；(e)给出了肿瘤的黄金分割结果。

利用图像差分操作，根据不同模态mri图像所反映的物理含义，可根据需求提取突出不同肿瘤部位的视觉差分图像，如图3所示，(a)为突出整个肿瘤的视觉差分图像，(b)为突出水肿的视觉差分图像，(c)为突出活动肿瘤的视觉差分图像。

不同模态mri图像反映的物理含义如下：flair图像，在t2加权图像的基础上，抑制脑脊液，突出整个病变区，整体病灶都表现出高亮度；t1加权图像，突出组织结构，病变为深色，与正常脑组织区分不明显；t1c增强图像，突出肿瘤核心，表现为较高亮度的增强核和较低亮度的坏死；t2加权图像，突出整体病变区和脑脊液，都表现为高亮度，正常组织为黑色。

根据需求提取突出不同肿瘤部位的视觉差分图像，具体方法如下：

a：提取突出整个肿瘤的视觉差分图像：

i＝μ1|iflair-it1|+μ2|it2-it1|+μ3·iflair+μ4·it2

s.t.μ1+μ2+μ3+μ4＝1

其中：iflair、it1、it2分别为flair图像、t1加权图像和t2加权图像的灰度值矩阵，μ¹、μ2、μ3、μ4是突出整个肿瘤差分结果的控制因子；

b：提取突出水肿的视觉差分图像：

i＝β|iflair-it1c|+(1-β)|it2-it1c|

其中：it1c为t1c增强图像，β是突出水肿差分结果的控制因子；

c：提取突出活动肿瘤的视觉差分图像：

i＝α|it1c-it1|+(1-α)·it1c

其中：α是突出活动肿瘤差分结果的控制因子；

将视觉差分图像进行超像素分割可以采用简单线性迭代聚类(slic)超像素分割法，slic分割超像素在运行速度、生成超像素的紧凑度、轮廓保持方面都比较理想。

目前常用的图像分割算法有很多，如阈值分割法、水平集算法、活动轮廓法、基于聚类的算法以及基于稀疏表示的方法等，前四种分割方法是比较传统的分割方法，基本上都是利用灰度值进行运算，本实施方式为了更好的利用多特征实现分割，在步骤3中采用稀疏子空间聚类算法进行分割。具体方法如下：

步骤31，将加权特征矩阵进行子空间表示得到稀疏系数矩阵，即利用1-范数约束每个数据用其他数据线性表示的系数，稀疏最优化模型为：

s.t.diag(z)＝0，x＝ω·ic

其中，z＝[z1z2···zn]∈r^n×n为稀疏系数矩阵，其每一列对应每个数据点的稀疏表示。diag(z)∈rⁿ是矩阵z的对角元素组成的向量。约束diag(z)＝0是为了避免数据x出现自表示，第一项度量稀疏表示误差或高斯噪声，σ＞0为平衡参数。稀疏最优化的问题通过admm(alternatingdirectionmethodofmultipliers)算法求解，也可用matlab凸优化工具箱cvx进行求解，求解结果为稀疏系数矩阵；

步骤32，根据稀疏系数矩阵建立相似加权图，权值矩阵为w＝|z|+|z|^t，其中，wij＝wji＝|zij|+|zji|；

步骤33，利用ncut算法得到超像素聚类结果，其中laplacian矩阵为

lsym＝d^-1/2ld^-1/2＝i-d^-1/2wd^-1/2

其中，d度矩阵为对角矩阵，对角线上的元素为d1,d2,···,dn，

然后主要利用形态学操作和阈值法对干扰项进行剔除，并将三种视觉差分图像分割结果进行融合，从而得到最终分割结果，如图4所示，(a)为整个肿瘤的分割结果，(b)为水肿的分割结果，(c)为活动肿瘤的分割结果，(d)为肿瘤的综合分割结果，通过与图2中(e)所示的黄金分割结果比较，求得dice指数分别为0.8612、0.6718、0.8103、0.8745。图5为本实施方式所述的分割方法与其他分割算法的分割结果，(a)为本实施方式所述的分割方法得到的分割结果，(b)为ssc算法分割结果，(c)为模糊c均值聚类(fcm)算法分割结果，如图6所示，利用四种评价指标对各分割方法的性能进行比较，可以发现本发明所述的方法分割效果更加精确。

以上所述仅为本发明的一种实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。