基于半监督高斯混合模型的磁共振图像分类方法
【技术领域】
[0001] 本发明设及一种图像处理方法技术领域，尤其设及一种基于半监督高斯混合模型 的磁共振图像分类方法。
【背景技术】
[000引 目前，磁共振图像（Ma即eticResonanceImage,MRU广泛用于神经疾病的诊断， 可用程序确保安全、无痛和非侵入性研究人体，它经常在病症出现很久之前和出现期间识 别异常。特别地，磁共振图像非常适合研究神经系统疾病，由于其高空间分辨率、高软组织 对比度和图像的多谱特性，具有宽松时间（T1和T2)和质子密度（Protondensity,Pd)信 息。
[0003] 由训练的人工专家进行的MRI分析是一项繁复且困难的任务，因为图像中感兴趣 结构表现出复杂边缘配置，解剖边界大部分时间不清晰可见。临床试验中，MR图像集通常 都非常大，W致人工专家进行人工分析非常耗时，而且目前尚不清楚检查多谱MR数据时专 家如何合并来自不同渠道的信息。因此，与人工分割有关的观察者内和观察者间可变性阻 碍了结果的重现性。基于该些原因，能W可重复方式分析大量3D多谱MR数据的MR脑部图 像分割的自动化或半自动化技术很有必要。
[0004] 关于脑部解剖的定量度量，图像分析的关键组成部分是从各种解剖结构或组织类 型获得精确脑部图像分割，尤其是灰质（GM)、白质（WM)和脑脊液（CSF)。脑部图像分割不 仅用于皮层表面映射、体积测量、组织分类、功能和体态适应评估和神经系统疾病表征，而 且它是许多其他图像处理程序所需的预备步骤，例如脑部注册和基于体素的形态。因此，脑 部图像的精确分割变成MRI应用中最重要的组织之一，分割基于图像体素属性、邻域信息 或几何特性，获得精确图像分割的困难因噪声、不均匀性、局部体积影响和皮层的高复杂度 几何形状而增大。
[0005] 依赖训练样本标记可用性，图像分割要么有监督要么无监督，一般而言，基于有监 督学习的分割，例如神经网络或支持向量机能产生良好结果，但是它需要每类组织存在大 量的训练数据（标记体素），昂贵且耗时。
[0006] 相反，无监督学习方法，例如k均值或基于混合模型的方法，比有监督分类方法具 备更多已确认的优点，例如用户交互少。因为几乎所有无监督技术实际上是一种优化过程， 由目标函数支配，例如混合建模中的总对数似然或k均值中的欧氏距离总和，该技术不可 避免的受到局部问题的影响（最小或最大）。因此，必须对他们做出适当调整，W便产生令 人满意的结果，即没有任何先验知识，该些方法性能有局限。
[0007] 半监督算法在无监督方法中结合了先验知识，能改善数据分类的结果，而无需完 整的训练数据集。最近，学者们提出了半监督脑部图像分割的一些技术，例如半监督最 大后验概率方法（Semi-supervisedMaximumAPosteriori,ssMAP)。文献；樊万妹.基 于半监督模糊聚类的医学图像分割系统设计巧].大连理工大学，2013.提出的算法通 过探索不完整训练数据集来改善分割结果，其中，标记数据可能仅对组织子集可用，即不 是标记了组织的所有类型。文献：BauerS,TessierJ,Krieter0,etal.Integrated spatio-temporalsegmentationoflongitudinalbraintumorimagingstudies[M]// MedicalComputerVision.LargeDatainMedicalImaging.SpringerInternational 化Wishing, 2014:74-83.提出了一种MR脑部图像分类方法，使用半监督谱聚类，改善分割 图像的结果。他们为谱聚类算法提供了一些数据对约束信息，代替体素标记，W获得更高的 数据分配。
【发明内容】
[000引本发明所要解决的技术问题是提供一种基于半监督高斯混合模型的磁共振图像 分类方法，所述方法加快了收敛速度，相比两种有监督高斯混合模型，得了更好的分割结 果，且无需标记训练数据集，降低了图像处理时间，提高了图像处理精度。
[0009] 为解决上述技术问题，本发明所采取的技术方案是；一种基于半监督高斯混合模 型的磁共振图像分类方法，其特征在于；本方法由两个模块实现：先验聚类模块和分类模 块，先验聚类模块用于关联具有聚类统计学度量的类标签信息；分类模块用于从先验聚类 模块接收先验信息来生成标记图像；
[0010] 令Y=找1，...X-}为由一组2D切片表示的3D磁共振图像，其中m是图像中的切 片数，首先，从Y中随机选择一幅磁共振图像切片，只聚类该图像切片的体素，人工专家将 每个产生的聚类标记为灰质GM、白质WM或脑脊液CSF;然后，标记信息和聚类统计学度量： 均值、方差矩阵和先验概率用于图像其他切片的分类过程；最后，利用统计学和所得聚类的 类标签信息分类剩余图像切片。
[0011] 进一步的技术方案在于：令Y=找1，...X-}为由一组2D切片表示的3D磁共振图 像，其中m是图像中的切片数，从Y中随机选择磁共振图像切片护，通过k均值算法聚类成 S组，结果是一幅分割的图像，分别为灰质GM图像段、白质WM图像段、脑脊液CFS图像段； 人工专家评估聚类结果，如果良好分割了图像，人工专家将每个分割的切片聚类Cj.关联到 其中一个类1 = (GM，丽，CSF}，否则，再次用不同初始参数分割切片XS。
[0012] 进一步的技术方案在于；随机选择的磁共振图像切片於的每段有一个类标签，假 设混合模型组件和组织类之间具有一对一的对应关系，从而使用Cj.来表示第j个混合组 件，即第j类，已知组织类与XS聚类之间的对应关系，针对xi，V知'，在其分配的聚类体素上 计算每个类Cj的混合参数集1])j=(yj,Sj,Jij}，
[0016] 式中，Ij.为关联类标签，yj.为聚类统计学度量的均值，2j.为聚类统计学度量的方 差矩阵，Kj.为聚类统计学度量的先验概率，Inj.I为属于第j类的体素数，每个类的聚类和 标签对、混合参数集合J表示数据集的先验知识。
[0017] 进一步的技术方案在于；数据集的先验知识用于聚类剩余图像切片，剩余图像切 片集合Y*由Y组成，不包括用于聚类分析的切片护，当Y*的新切片提交给贝叶斯分类器时， 早期计算的组织类混合参数集|^.='[作.，乙,.，巧,.}，^用于半监督高斯混合模型的初始参数， W平滑期望最大化算法收敛，对剩余图像切片进行分类。
[001引采用上述技术方案所产生的有益效果在于；本方法避免了使用期望最大化算法EM时混合模型参数估计期间iD的不当初始选择出现的问题。本方法，执行磁共振图像切片 中人类脑部区域的分类，无需标记训练数据集，使用的人工专家分析比有监督方法少。使用 半监督学习算法相比其它具有贝叶斯分类器的无监督学习加快了高斯混合模型GMM的收 敛速度，半监督算法消耗的时间小于具有贝叶斯分类器的无监督学习，因为当初始参数基 于先验知识时聚类算法收敛更快。由于高斯混合模型GMM对初始化方法敏感，参数的先验 知识改善了其精度。
【附图说明】
[0019] 下面结合附图和【具体实施方式】对本发明作进一步详细的说明。
[0020] 图1是本发明所述方法的整体流程图；
[0021] 图2是本发明中先验聚类步骤的流程图；
[0022] 图3是本发明中分类步骤的流程图；
[002引 图4表示切片数目50、93和120的原始化ainWeb图像；
[0024] 图5图4进行预处理步骤后的相同图像；
[0025] 图6是图5经过本方法处理后的实际图像。
【具体实施方式】
[0026] 下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整 地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0027] 在下面的描述中阐述了很多具体细节W便于充分理解本发明，但是本发明还可W 采用其他不同于在此描述的其它方式来实施，本领域技术人员可W在不违背本发明内涵的 情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[002引基于高斯混合模型的聚类：
[0029] 令X为由体素集X= {xi，...xD}表示的图像切片，其中，每个体素是一个d维随机 向量xi= (x。...，Xd)，n是切片中的体素数。假设组成图像的每个区域j遵循概率密度函 数为Pj.(x| 0j.)的类条件分布，每一个有其自己的参数向量0j.，^' = 1，...，1