基于超体素的多模态MRI脑肿瘤分割方法与流程

基于超体素的多模态mri脑肿瘤分割方法
技术领域
[0001]
本发明涉及医学图像分割领域，尤其是一种基于超体素的多模态mri脑肿瘤分割方法。


背景技术：

[0002]
正电子断层显像仪(positron emission tomography,pet)通过向人体注射放射性药物从而获得人体内部代谢信息，但其无法直观的查看人体内部结构信息，且放射性药物通常对人体有害。反映人体结构的计算机断层扫描(computer tomography,ct)图像利用人体各部分组织对x射线的吸收系数不同的原理成像，具有较高的时效性和空间分辨率，但其对人体损伤较大。在不追求成像速度时通常采用对患者身体健康损伤较小的磁共振图像(magnetic resonance images,mri)。单模态mri图像有flair图像、t1加权图像(t1 weighted image)、t2加权图像(t2 weighted image)、t1-contrast(t1-gd，在t1加权图像中使用造影剂)，mri图像具有较高的精准度，可通过不同扫描序列获得反映不同结构信息的图像，具有较高的空间分辨率和时间分辨率，已应用于脑肿瘤检测。如t1加权像中各个脑组织的对比度较为明显，对于区分脑部健康组织和病灶组织有着重要的作用；t2加权图像可以有效分离脑部水肿区域，获得异常区域边界信息；t1-contrast图像能清楚直观地展示肿瘤边缘，从而得到核心肿瘤区域的边缘；flair图像可以体现脑肿瘤区域与大脑其他组织之间有着明显的差异，较为明显区分脑部白质、灰质和脑脊液的结构。然而，由于脑肿瘤的呈现上没有固定的大小形状并且其可能出现在大脑的任何位置，再者颅内肿瘤可能会对周围脑组织产生影响，不仅损害血脑屏障，增加血管壁的通透性，还会对周围脑组织产生压迫，形成局部水肿等，故在进行单模态mri图像脑肿瘤分割时经常会遇到很多困难。
[0003]
目前，已有用多模态mri脑肿瘤分割方法。具体方法是对每个单模态mri图像进行分割处理，得到各自的分割结果图，然后在将所得到的单模态分割结果图进行信息整合，最终得到多模态分割结果。存在如下问题：
[0004]
首先，基于梯度超体素分割算法是现有单模态mri图像进行分割处理的方法之一，其经典算法有slic算法。slic算法的核心思想是先将一幅图像划分为多个区域块，将每个块的几何中心作为该块的初始中心，然后在该点的邻域内找到一个梯度最小的点作为体素块种子点，通过计算当前体素点与其领域内的体素块种子点之间的距离，不断迭代直至收敛阈值。然而，现有slic算法计算距离时只有强度距离和位置距离获得该块的边界信息，不能较好的获得有明显占位效应的脑肿瘤或受侧脑室挤压导致的明显肿瘤周围水肿和瘤内出血的弱边界信息，无法得到光滑、准确且最大程度贴合3d脑部图像边缘的体素块。
[0005]
其次，在进行单模态分割结果信息整合时，传统的方法是将获得的各模态分析的结果叠加到一个mri图像上获得最终分割结果，忽略了四个mri图像中所存在的内在联系。calhoun等人已经意识传统整合方法的不足之处，提出了联合独立成分分析的方法，即通过串联的方式将单模态信息融合，使用盲源信号分离图像中一些不相关的成分，从而提高检测效率。但是串联融合导致图像中各个结构联系过于紧密，易出现过拟合的情况。


技术实现要素：

[0006]
本发明是为了解决现有技术所存在的上述技术问题，提供一种基于超体素的多模态mri脑肿瘤分割方法。
[0007]
本发明的技术解决方案是：一种基于超体素的多模态mri脑肿瘤分割方法，依次按照如下步骤进行：
[0008]
步骤1：对图像i进行预处理
[0009]
输入序号为v的单模态mri脑部三维图像i，找到三维图像i矩阵中的最大值max_i和最小值min_i，得到归一化后的三维图像i'：
[0010][0011]
所述v＝{1,2
…
,n}，所述n为多模态mri脑部三维图像中的单模态mri的总数；
[0012]
步骤2：初始体素块中心
[0013]
将三维图像i'划分为k个大小相等的体素块s，每个体素块内包含大约个体素点，其中，n表示三维图像i'中的体素个数，以体素块s内部体素的坐标x,y,z平均值为初始体素块中心；
[0014]
步骤3：寻找梯度最小点为体素块种子点
[0015]
以初始体素块中心点为中心，在其邻域内进行多次迭代，寻找到一个梯度最小的体素点，并将该点定义为体素块种子点；
[0016]
步骤4：计算体素点i与其邻域内的体素块种子点j之间的距离d
[0017][0018][0019][0020][0021]
所述d
c
为强度距离、d
s
为位置距离、d
t
为梯度距离；所述v
i
和v
j
分别表示第i个体素点和当前的体素块种子点j的矩阵归一化的值，所述i＝{1,2
…
n,}，所述j＝{1,2
…
c,}，所述c为体素点i邻域内的体素块种子点的总数；(x
i
,y
i
,z
i
)表示第i个体素点的坐标，r
x
、r
y
和r
z
分别表示相应方向上的体素分辨率，(x
j
,y
j
,z
j
)表示当前的体素块种子点j的坐标；t
i
和t
j
分别表示第i个体素点和当前的体素块种子点j的梯度值；其中ω表示梯度特征d
t
的紧致系数；n
c
表示图像的最大色彩，m表示紧密度系数，n
s
表示空间距离；
[0022]
步骤5.判断距离d是否第一次计算，是，则进行步骤6，否，进行步骤9；
[0023]
步骤6.将体素块种子点j的标签分配给体素点i；
[0024]
步骤7.将计算的距离值d保存为dmin；
[0025]
步骤8.判断j＝c，是，则进行步骤10，否，则j
←
j+1后返回步骤4；
[0026]
步骤9.判断距离值d是否小于dmin，是，返回步骤6，否，则返回步骤8；
[0027]
步骤10.判断i＝n，是，进行步骤11，否，则i
←
i+1后返回步骤4；
[0028]
步骤11.获得序号为v的三维图像i'的分割结果图i”；
[0029]
步骤12.判断v＝n，是，则进行步骤13，否，则v
←
v+1后返回步骤1；
[0030]
步骤13.多模态信息整合
[0031]
步骤13.1判断序号为v的分割结果图i”中是否有两个具有相同特征的体素块s1、s2，否，进行步骤13.2，是，进行步骤13.3；
[0032]
步骤13.2判断v＝n，是，进行步骤14，否，则v
←
v+1返回步骤13.1；
[0033]
步骤13.3判定除序号为v的其它分割结果图i”中是否有与体素块s1、s2中心对应且有标记的两个体素块s1a、s2a，是，则进行步骤13.4，否，则进行步骤13.5；
[0034]
步骤13.4判断体素块s1、s2是否大于有标记的体素块s1a、s2a，是，则进行步骤13.5，否，则保留体素块s1、s2，同时将体素块s1、s2标记为s1a、s2a；
[0035]
步骤13.5判断除序号为v的其它分割结果图i”中是否至少有两张具有与体素块s1、s2中心对应的两个体素块且两个体素块之间亦具有相同特征，是，进行步骤13.6，否，则保留体素块s1、s2，同时将体素块s1、s2标记为s1a、s2a；
[0036]
步骤13.6分别合并体素块s1、s2及与体素块s1、s2中心对应的两个体素块，得到边界信息；若除序号为v的其它分割结果图i”中不具有与体素块s1、s2中心对应的两个体素块，则将得到的边界信息增加到此分割结果图i”中，返回步骤13.1；
[0037]
步骤14.显示最终多模态分割结果。
[0038]
本发明首先对传统的slic算法进行改进，通过计算强度距离、位置距离和梯度距离确定当前体素点到其领域内各体素块种子点的距离，由此获得当前体素块的边缘信息，从而可准确获得有明显占位效应的脑肿瘤或受侧脑室挤压导致的明显肿瘤周围水肿和瘤内出血的弱边界信息，克服噪声体素对超体素边界的影响，获得整齐紧凑的边界分割信息。其次，在进行单模态分割结果信息整合时，通过横向比较的方式进行信息整合，从而获得具有相同分割结果的四张mri图像超体素分割边界信息。
附图说明
[0039]
图1为本发明实施例的流程图。
[0040]
图2为本发明实施例超体素分割结果和矩阵值示意图。
[0041]
图3为本发明实施例与传统slic算法的分割结果对比图。
[0042]
图4本发明实施例与现有超体素算法结果对比图。
[0043]
图5为本发明实施例分割结果的评价示意图。
[0044]
图6为本发明实施例使用不同的单模态数据信息整合进行分割的结果图。
具体实施方式
[0045]
本发明的一种基于超体素的多模态mri脑肿瘤分割方法，是以四张单模态mri脑部三维图像(flair图像、t1加权图像、t2加权图像及t1-contrast)如图1所示，依次按照如下步骤进行：
[0046]
步骤1：对图像i进行预处理
[0047]
输入序号为v的单模态mri脑部三维图像i，找到三维图像i矩阵中的最大值max_i和最小值min_i，得到归一化后的三维图像i'：
[0048][0049]
所述v＝{1,2
…
,n}，所述n为多模态mri脑部三维图像中的单模态mri的总数，即n＝{1,2，3,4}；
[0050]
通过矩阵归一化使单模态mri脑部三维图像i中最亮处与最暗处的亮度之比增加，然后计算灰度级在原始图像的灰度级总量的使占比，通过灰度拉伸达到对对比度进行增强的目的，在保持三维图像原有的灰度分布特征下，达到增强图像、降低噪音的目的。
[0051]
骤2：初始体素块中心
[0052]
将步骤1得到的三维图像i'划分为k个大小相等的体素块s，每个体素块内包含大约个体素点，其中，n表示三维图像i'中的体素个数，以体素块s内部体素的坐标x,y,z平均值为初始体素块中心；
[0053]
步骤3：寻找梯度最小点为体素块种子点
[0054]
以初始体素块中心点为中心，在其邻域内进行多次迭代，寻找到一个梯度最小的体素点，并将该点定义为体素块种子点，可避免体素块的重心落在梯度较大的轮廓边界上或者噪声较大的点上，影响后续分割效果；
[0055]
步骤4：计算体素点i与其邻域内的体素块种子点j之间的距离d
[0056][0057][0058][0059][0060]
所述d
c
为强度距离、d
s
为位置距离、d
t
为梯度距离；所述v
i
和v
j
分别表示第i个体素点和当前的体素块种子点j的矩阵归一化的值，所述i＝{1,2
…
n,}，所述j＝{1,2
…
c,}，所述c为体素点i邻域内的体素块种子点的总数；(x
i
,y
i
,z
i
)表示第i个体素点的坐标，r
x
、r
y
和r
z
分别表示相应方向上的体素分辨率，(x
j
,y
j
,z
j
)表示当前的体素块种子点j的坐标；t
i
和t
j
分别表示第i个体素点和当前的体素块种子点j的梯度值；其中ω表示梯度特征d
t
的紧致系数；n
c
表示图像的最大色彩，m表示紧密度系数，n
s
表示空间距离
[0061]
步骤5.判断距离d是否第一次计算，是，则进行步骤6，否，进行步骤9；
[0062]
步骤6.将体素块种子点j的标签分配给体素点i；
[0063]
步骤7.将计算的距离值d保存为dmin；
[0064]
步骤8.判断j＝c，是，则进行步骤10，否，则j
←
j+1后返回步骤4；
[0065]
步骤9.判断距离值d是否小于dmin，是，返回步骤6，否，则返回步骤8；
[0066]
步骤10.判断i＝n，是，进行步骤11，否，则i
←
i+1后返回步骤4；
[0067]
步骤11.获得序号为v的三维图像i'的分割结果图i”；
[0068]
步骤12.判断v＝n，是，则得到四张三维图像i'的分割结果图i”，进行步骤13，否，则v
←
v+1后返回步骤1。
[0069]
本发明实施例超体素分割结果和矩阵值示意图如图2所示。图2中(a)原始flair图像，(b)本发明实施例超体素分割结果，(c)分割结果的相应矩阵值。可以看出图像的矩阵值分布在0-255区域内。
[0070]
本发明实施例与传统slic算法的分割结果对比如图3所示。图3中(a)原始t2图像，(b)传统slic分割方法分割结果(c)本发明实施例得到的分割结果。
[0071]
图3结果表明：本发明实施例得到的分割结果优于传统slic方法的分割结果。
[0072]
步骤13.多模态信息整合
[0073]
步骤13.1判断序号为v的分割结果图i”中是否有两个具有相同特征的体素块s1、s2，否，进行步骤13.2，是，进行步骤13.3；
[0074]
步骤13.2判断v＝n，是，进行步骤14，否，则v
←
v+1返回步骤13.1；
[0075]
步骤13.3判定除序号为v的其它分割结果图i”中是否有与体素块s1、s2中心对应且有标记的两个体素块s1a、s2a，是，则进行步骤13.4，否，则进行步骤13.5；
[0076]
步骤13.4判断体素块s1、s2是否大于有标记的体素块s1a、s2a，只要大于一张分割结果图i”中有标记的体素块s1a、s2a，则进行步骤13.5，否，则保留体素块s1、s2，同时将体素块s1、s2标记为s1a、s2a；
[0077]
步骤13.5判断除序号为v的其它分割结果图i”中是否至少有两张具有与体素块s1、s2中心对应的两个体素块且两个体素块之间亦具有相同特征，是，进行步骤13.6，否，则保留体素块s1、s2，同时将体素块s1、s2标记为s1a、s2a；
[0078]
步骤13.6分别合并体素块s1、s2及与体素块s1、s2中心对应的两个体素块，得到边界信息；若除序号为v的其它分割结果图i”中不具有与体素块s1、s2中心对应的两个体素块，则将得到的边界信息增加到此分割结果图i”中，返回步骤13.1；
[0079]
步骤14.显示最终多模态分割结果。
[0080]
本发明实施例与现有超体素算法结果对比如图4所示。图4(a)～(e)中从上到下分别为t1、t2、t1c和flair；从左到右分别为原始图像，graph-based方法，n-cuts方法，lsc方法，slic方法和本发明实施例。
[0081]
对比结果如下表所示及图5所示，图5中(a)精确度、(b)敏感度、(c)dice相似性系数。
[0082]
[0083]
结果表明：本发明实施例的精确度、敏感度及dice相似性系数均优于现有技术。
[0084]
本发明实施例使用不同的单模态数据进行分割的结果如图6所示。图6中(a)使用单个flair图像的结果；(b)使用flair和t1图像的结果；
[0085]
(c)使用flair、t1和t2图像的结果；(d)使用flair、t1、t2和t1c图像的结果。
[0086]
图6结果表明：本发明实施例(d)得到的分割结果优于其它单模态或多模态信息整合的分割结果。