一种用于脑部mri图像分类的图像处理方法
【技术领域】
[0001] 本申请涉及图像处理领域，具体涉及一种用于脑部MRI图像分类的图像处理方法。
【背景技术】
[0002] 脑部MRI图像分类采用基于模版的图像处理方法：（1)以体素灰度为基础；（2)以大 脑皮层厚度为基础；（3)以特定感兴趣区域为基础。上述方法均使用了模板(或标准)空间， 因此把这类方法称为基于模板的算法。
[0003] 现有技术中还采用配准形变场量化的两两遍历式比较方法。在特征采集时，利用 图像间配准的形变场并量化从而对解剖结构差异进行描述;对个体图像进行两两比较，这 种遍历式方法得到的特征不是一个一维向量，而是多维向量，利用相关数学模型对多维向 量进行量化，建立相似度矩阵，用于描述每两幅图像之间的相近程度。接着基于相似度矩阵 利用投影算法将每个个体映射到统一的低维欧几里得空间，最后通过模式识别算法对图像 分类。
[0004] 基于模板的算法往往会使结果受到模板空间选择和建立好坏的影响，增加了结果 的不稳定性。遍历式算法能大大提高图像信息的利用率并提高判别的准确率，然而，当用于 分类训练的数据库数据量很大时，相较于模板算法，遍历法的计算量将显著增加。
【发明内容】
[0005] 本申请要解决的技术问题是针对现有技术的不足，提供一种能有效减少计算量的 用于脑部MRI图像分类的图像处理方法。
[0006] 本申请要解决的另一技术问题是提供一种基于该方法的装置。
[0007] 本申请要解决的技术问题通过以下技术方案加以解决：
[0008] -种用于脑部MRI图像分类的图像处理方法，包括：
[0009] 获取第一类MRI图像集和第二类MRI图像集；
[0010] 提取第一类MRI图像集和第二类MRI图像集的相似度信息；
[0011] 使用Nystrom算法和投影算法，计算第一类MRI图像集和第二类MRI图像集中个体 的欧几里得坐标；
[0012]利用相似度信息和欧几里得坐标对第一类MRI图像集和第二类MRI图像集进行分 类训练，获得判决标准；
[0013 ]提取待分类MRI图像集的图像特征，根据判决标准进行图像分类。
[0014]上述提取所述第一类MRI图像集和第二类MRI图像集的相似度信息包括：
[0015]对I = {Ni，N2, . . .，Nm，Ai，A2, . . .，An}数据集中每幅图像进行位置校正、偏移场校 正，其中{见，吣，...，Nm}为第一类MRI图像集，{AlAl . . .，An}为第二类MRI图像集；
[0016] 从I中随机选取p个第一类MRI图像集个体和q个第二类MRI图像集个体，其中p+q〈〈 m+n，组成训练子库Γ = {Ni，N2,…，Np，Ai，A2, · · ·，Aq} = {Ii，l2, · · ·，IP+q};
[0017] 对I'中的每一对MRI图像{11，1]4，拆1，...，1)吋，用任意微分同胚配准算法求得 形变场Φ ij和Φ ji，满足Ij=Ii〇 Φ ij，Ii=IjO Φ ji，其中"〇"为根据形变场对图像进行翘曲，图 像Ii，Ij的非相似度：
[0019]其中distdi，〗」)表示图像Ii和Ij间的非相似度，d(Ii，Ij)表示图像Ii和Ij间的黎曼 距离，Id表示单位变换；
[0020]计算Γ的相似度矩阵：
[0022]上述使用Nystrom算法和投影算法，计算第一类MRI图像集和第二类MRI图像集中 个体的欧几里得坐标包括：
[0023] I = {Np + l，Np+2，· · ·，Nm，Aq+l，Aq+2，· · ·，An} = { Ip+q+l，Ip+q+2，· · ·，Im+n}，其中 I = I U Γ，将Γ中的MRI图像配准到Γ中的个体空间，可得数据集I的相似度矩阵：
[0025]其中 Sij = Sji，i, je{l, · · ·，m+n}<^sub 为（p+q)X(p+q)矩阵，可对角化为 |sub = UA UT;设疗为ξ的近似特征向量，根据Nystrom算法可得
，ξ可近似计算为：
[0027] 定义ξ-，|part，|partT每行的和向量为：
[0032] 将I标准化为f
7可特征分解为Γ= β-1/3Σβ-1/2，第一类 MRI图像集和第二类MRI图像集个体的投影坐标为 其中dim取整数，为预先设置的投影空间维度。
[0033] 其中上述提取待分类MRI图像集的图像特征，根据判决标准进行图像分类包括:对 于待分类MRI图像集Μ配准到所述Γ的个体上，利用Nystrom算法和投影算法获得所述Μ个体 在欧几里得空间的映射坐标。
[0034] 对于待分类MRI图像集Μ配准到所述Γ的每个个体上，利用Nystrom算法和投影算 法获得所述Μ个体在欧几里得空间的映射坐标包括：
[0035]将Μ配准到训练子库所述I'的每个个体上，量化形变场，可得相似度向量|new =
[SI, new S2, new · · · S (p+q), new]，Cnew 的向里和为Cnew，可丫守到：
[0039] 投影映射可得特征向量L = 1,以1 :，M的个体坐标为，…，t
[0040] -种用于脑部MRI图像分类的图像处理装置，包括:获取模块，用于获取第一类MRI 图像集和第二类MRI图像集;提取模块，用于提取所述第一类MRI图像集和第二类MRI图像集 的相似度信息;计算模块，用于使用Nystrom算法和投影算法，计算所述第一类MRI图像集和 第二类MRI图像集中个体的欧几里得坐标;标准模块，用于利用所述相似度信息和欧几里得 坐标对所述第一类MRI图像集和第二类MRI图像集进行分类训练，获得判决标准;分类模块， 用于提取待分类MRI图像集的图像特征，根据所述判决标准进行图像分类。
[0041] 所述提取模块还用于：
[0042] 对I = {Ni，N2,…，Nm，Ai，A2,…，An}数据集中每幅图像进行位置校正、偏移场校 正，其中{沁，N 2，…，Nm}为所述第一类MRI图像集，{Ai，A2，…，An}为所述第二类MRI图像集； [0043]从I中随机选取p个第一类MRI图像集个体和q个第二类MRI图像集个体，其中p+q〈〈 m+n，组成训练子库Γ = {Ni，N2,…，Np，Ai，A2, · · ·，Aq} = {Ii，l2, · · ·，IP+q};
[0044] 对Γ中的每一对MRI图像{11，1]4，拆1，...，1^，用任意微分同胚配准算法求得 形变场Φ ij和Φ ji，满足Ij=ii〇 Φ ij，Ii=IjO Φ ji，其中"〇"为根据形变场对图像进行翘曲，图 像Ii，Ij的非相似度：
[0046] 其中distdi，〗」)表示图像Ii和Ij间的非相似度，d(Ii，Ij)表示图像Ii和Ij间的黎曼 距离，Id表示单位变换；
[0047] 计算训练子库图像间的相似度矩阵：
[0049] 上述计算模块还用于：
[0050] 对于 I - { Np + l，Np+2，· · ·，Nm，Aq+l，Aq+2，· · ·，An } - { Ip+q+1，Ip+q+2，· · ·，Im+n}，其中 I - Γ U Γ，将Γ中的MRI图像配准到Γ中的个体空间，可得数据集I的相似度矩阵：
[0052]其中 Sij = Sji，i, je{l, · · ·，m+n}<^sub 为（p+q)X(p+q)矩阵，可对角化为 |sub = UA υτ;设￡/为ξ的近似特征向量，则根据Nystrom算法可得
，:则ξ可近似计算 为：
[0054] 定义，Cpart，CpartT每行的和向量为：
[0059]
? f可特征分解为f，，1/2Σ1Τ1?，则所述第
一类MRI图像集和第二类MRI图像集个体的投影坐标为 其中dim取整数，为预先设置的投影空间维度。
[0060] 其中分类模块还用于：对于待分类MRI图像集Μ配准到所述I'的个体上，利用 Nystrom算法和投影算法获得所述Μ个体在欧几里得空间的映射坐标。
[0061]其中上述分类模块还用于:将Μ配准到训练子库Γ的每个个体上，量化形变场，可 得相似度向里€new-[ SI, new S2,new…S(p+q) ,new]，Cnew的向里和为Cnew，可得到：
[0065] 投影映射可得特征向量^ 1，M的个体坐标为〇
[0066] 由于采用了以上技术方案，使