本發(fā)明涉及基于圖割理論的腦腫瘤MR圖像分割方法，屬于生物醫(yī)學(xué)影像處理領(lǐng)域。
背景技術(shù)：
：核磁共振成像術(shù)(MagneticResonanceImaging，MRI)是斷層成像的一種，它利用磁共振現(xiàn)象從人體中獲得電磁信號，并重建出人體信息。MR圖像具有對軟組織的對比度高、任意方向直接分層成像、非侵入性無傷害及具有較高空間分辨率等優(yōu)秀特點，成為了腦腫瘤診斷中的首選計算機輔助診斷手段，廣泛應(yīng)用于醫(yī)療診斷、治療、術(shù)前計劃、術(shù)后監(jiān)控等重要環(huán)節(jié)。在基于MR圖像的腦腫瘤診斷中，通常需要同時參考T1(縱向松弛時間)、T2(橫向松弛時間)、T2WI+FLAIR(T2加權(quán)成像)、T1WI(T1加權(quán)成像)四種成像序列(即不同的脈沖序列得到的圖像)的信息，綜合作為腦腫瘤的診斷依據(jù)，單憑任意一個MR圖像難以判別腫瘤的類別和形態(tài)。腦腫瘤的精確分割對手術(shù)和放射治療意義重大，腦腫瘤的治療方案往往基于腦腫瘤的診斷和精確分割結(jié)果，欠分割會導(dǎo)致治療方案無效，過分割會損害正常腦細胞，影響患者的生理行為。因此，腦腫瘤的自動精確分割不僅可以輔助醫(yī)生進行前期的初步診斷，減少人為主觀因素的影響，而且對于腦腫瘤的治療有著重大的意義。目前常用的腫瘤MR圖像自動分割方法大致可以劃分為以下幾種技術(shù)手段：(1)基于邊緣檢測的腫瘤自動分割方法：通過檢測出MR圖像中的腫瘤邊緣信息，獲取腫瘤所在區(qū)域從而實現(xiàn)自動分割。然而該方法難以應(yīng)對噪聲干擾、圖像模糊等情況，因此其實際應(yīng)用效果較差。(2)基于聚類的腫瘤自動分割方法：按照MR圖像像素點之間的相似性，把圖像的像素點集合劃分為若干子集的過程。劃分的準(zhǔn)則就是要結(jié)果使得某種表示聚類質(zhì)量的函數(shù)或準(zhǔn)則最優(yōu)，劃分的子集即是腫瘤區(qū)域與背景區(qū)域。其缺點在于分割的準(zhǔn)確性取決于初始聚類中心點的選擇。(3)基于區(qū)域生長和區(qū)域分裂的腫瘤自動分割方法：區(qū)域生長的基本思想是將具有相似性質(zhì)的像素集合起來形成區(qū)域。區(qū)域分裂技術(shù)則相反，是將種子區(qū)域不斷分裂為子區(qū)域，迭代執(zhí)行，一直到每個區(qū)域內(nèi)部都是相似的為止。區(qū)域生長的固有缺點是分割效果依賴于種子點的選擇及生長順序，區(qū)域分裂技術(shù)的缺點是可能會使邊界被破壞。專利“一種基于圖割的PET和CT圖像的肺腫瘤分割方法，申請?zhí)朇N201410140351.2”主要解決現(xiàn)有PET和CT圖像的肺腫瘤自動分割問題。該方法首先通過對PET圖像進行上采樣，以及對PET和CT圖像進行相對位移定位，接著對圖像的腫瘤部位與非腫瘤部位進行種子點的標(biāo)定，利用圖割算法對肺腫瘤進行分割。專利“一種基于CT圖像的肝臟腫瘤分割方法及裝置，申請?zhí)朇N201510925624.9”，該方法從肝臟的CT圖像的標(biāo)準(zhǔn)圖像中提取病變切片和正常組織切片，將其劃分為正樣本和負樣本；構(gòu)建多層次的深度卷積神經(jīng)網(wǎng)絡(luò)，通過分類器獲得腫瘤的粗分割二值圖像及像素分類的概率圖像；對腫瘤的粗分割二值圖像進行形態(tài)學(xué)腐蝕操作，獲得圖割所需要的前景圖像，再將肝臟的二值圖像與腫瘤的粗分割二值圖像作相減操作并進行形態(tài)學(xué)腐蝕操作，得到對應(yīng)于肝臟正常組織的背景圖像；構(gòu)建無向圖，使用圖割優(yōu)化算法得到腫瘤的最終分割區(qū)域。專利“基于圖割的肺4D-CT腫瘤自動分割方法，申請?zhí)朇N201510518535.2”獲取初始相位3D-CT圖像上腫瘤的幾何中心點，得到初始相位目標(biāo)種子，接著計算各相鄰相位目標(biāo)種子之間的運動位移，將初始相位的目標(biāo)種子與運動位移相加，獲得其他相位的目標(biāo)種子位置，在得到的各相位目標(biāo)種子上，利用圖割方法獲得腫瘤分割結(jié)果。專利“基于稀疏表示的多模態(tài)磁共振圖像的分割方法及裝置，申請?zhí)朇N201310695295.4”，通過建立基于MAP-MRF框架的圖像分割模型對圖像進行精確分割，利用馬爾科夫隨機場，充分考慮像素周圍空間的相鄰像素的影響，增加了圖像分割的準(zhǔn)確性，同時采用在線字典學(xué)習(xí)方法與圖割的優(yōu)化方法，提高了運行速度。與上述部分發(fā)明專利使用相對位移進行腫瘤區(qū)域種子的選擇不同，MR圖像與CT成像原理不同，不能使用相對位移進行不同序列MR圖像的腫瘤區(qū)域種子的選擇，本專利方案使用不同序列的MR圖像之間的關(guān)聯(lián)信息，對腫瘤所在區(qū)域進行相似度檢測，以實現(xiàn)不同序列的MR圖像腫瘤區(qū)域初步定位，無需多次手工選擇分割的腫瘤區(qū)域種子；此外，上述專利提出的圖割方法沒有實現(xiàn)對肺腫瘤所在區(qū)域進行概率預(yù)測，缺乏專家經(jīng)驗，單純依賴單一序列MR圖像的信息進行分割，而本專利方案使用腫瘤區(qū)域預(yù)測的概率信息作為圖割的先驗知識，提高了分割的準(zhǔn)確性。技術(shù)實現(xiàn)要素：本發(fā)明目的在于克服現(xiàn)有基于圖割的腦腫瘤MR圖像分割方法的不足，尤其是腫瘤邊緣不清晰、模糊存在時，自動分割的效果很差。提供一種基于多序列MR圖像關(guān)聯(lián)信息的腦腫瘤圖像分割方法，該方法使用不同序列的MR圖像之間的關(guān)聯(lián)信息，對腫瘤所在區(qū)域進行相似度檢測，以實現(xiàn)不同序列的MR圖像腫瘤區(qū)域種子初步定位，大大減少了人工干預(yù)；此外，使用腫瘤區(qū)域預(yù)測的概率信息作為圖割的先驗知識，提高了分割的準(zhǔn)確性。為解決上述技術(shù)問題，本發(fā)明采用如下的技術(shù)方案：一種基于多序列MR圖像關(guān)聯(lián)信息的腦腫瘤圖像分割方法，包括以下步驟：S1，讀取同一病例中不同序列的MR圖像；S2，選取其中一個序列MR圖像的腦腫瘤區(qū)域作為腫瘤種子點；S3，以當(dāng)前序列MR圖像所選擇的腦腫瘤種子點，對其他序列的MR圖像進行相似度匹配，尋找其他序列MR圖像中的潛在腦腫瘤種子點；S4，將所尋找的潛在腦腫瘤區(qū)域和背景種子點作為先驗知識，用圖割算法實現(xiàn)多序列MR圖像中腦腫瘤區(qū)域的分割。進一步地，本發(fā)明的步驟S1中，所述不同序列的MR圖像包括T1(縱向松弛時間)、T2(橫向松弛時間)、T2WI+FLAIR(T2加權(quán)成像)、T1WI(T1加權(quán)成像)四種成像序列(即不同的脈沖序列得到的圖像)。進一步地，所述步驟S2采用的種子點選擇方法只需在其中一個序列的MR圖像中進行選擇，無需在所有的序列MR圖像中進行選擇，選擇方式包括鼠標(biāo)點擊劃線、畫圈、取點等人機交互方式。進一步地，本發(fā)明的步驟S3中，采用的相似度匹配方法具體包括：(1)將所述當(dāng)前序列MR圖像選擇的腦腫瘤種子點所在區(qū)域作為模板；(2)對其他序列的MR圖像進行從上至下、從左至右的逐點區(qū)域相似度計算；(3)尋找到相似度最大的區(qū)域作為該序列MR圖像中的潛在腦腫瘤區(qū)域，其余部分作為潛在背景部分；進一步地，本發(fā)明的步驟S4中，具體包括：(1)將步驟S3得到的MR圖像中潛在的腦腫瘤區(qū)域作為目標(biāo)種子；(2)將MR圖像映射為網(wǎng)絡(luò)圖，像素點對應(yīng)為圖的節(jié)點，并添加額外兩個節(jié)點：源點和匯點，每兩個相鄰像素點之間都有連線，每個像素點都與源點和匯點有連線，這些連線作為網(wǎng)絡(luò)圖的邊；(3)將步驟S3得到的區(qū)域相似度概率用于設(shè)定網(wǎng)絡(luò)圖的邊的權(quán)值，并計算網(wǎng)絡(luò)圖的能量函數(shù)；(4)根據(jù)圖的能量函數(shù)使用圖割算法進行求解，將最小值的解作為圖的分割結(jié)果，使用衡量準(zhǔn)則將分割結(jié)果與金標(biāo)準(zhǔn)進行比較。附圖說明圖1是本發(fā)明的一種實施例的方法流程圖。圖2是選取種子點的方法示意圖圖3是腦腫瘤區(qū)域相似度匹配的方法流程圖圖4是腫瘤區(qū)域相似度搜索過程示意圖圖5是圖割方法的方法流程圖具體實施方式下面結(jié)合附圖及具體實施例對本發(fā)明進行更加詳細與完整的說明。可以理解的是，此處所描述的具體實施例僅用于解釋本發(fā)明，而非對本發(fā)明的限定。如圖1所示，本發(fā)明的一種基于多序列MR圖像關(guān)聯(lián)信息的腦腫瘤圖像分割方法，包括以下步驟：S1：獲取同一病例不同序列的MR圖像，具體包括T1(縱向松弛時間)、T2(橫向松弛時間)、T2WI+FLAIR(T2加權(quán)成像)、T1WI(T1加權(quán)成像)四種成像序列。S2：選取其中一個序列MR圖像的腦腫瘤區(qū)域作為腫瘤種子點采用的種子點選擇方法只需在其中一個序列的MR圖像中進行選擇，無需在所有的序列MR圖像中進行選擇，選擇方式包括鼠標(biāo)點擊劃線、畫圈、取點等人機交互方式。如圖2所示，其中一種優(yōu)選選擇方式為鼠標(biāo)點擊劃線交互方式，人腦區(qū)域1包含腫瘤區(qū)域2，鼠標(biāo)3點擊鼠標(biāo)左鍵，在腫瘤區(qū)域2內(nèi)劃一條直線4，則直線4所在的像素點均被認(rèn)為是腫瘤種子點。S3：如圖3和圖4所示，以當(dāng)前序列MR圖像所選擇的腦腫瘤種子點，對其他序列的MR圖像進行相似度匹配，尋找其他序列MR圖像中的潛在腦腫瘤種子點，具體描述如下：1)、將所述當(dāng)前序列MR圖像選擇的腦腫瘤種子點所在區(qū)域A(i，j)作為模板，其中i＝1，2，...，m；j＝1，2，...，n，(i，j)表示當(dāng)前像素點所在位置，m和n分別表示區(qū)域的長和寬；2)、如圖4所示，對其他序列的MR圖像進行從上至下、從左至右的逐點區(qū)域進行搜索，取出其中一個區(qū)域B(i，j)進行相似度計算，其中i＝1，2，...，m；j＝1，2，...，n，計算公式如公式1所示：γ=Σi=1mΣj=1m[A(i,j)-A‾][B(i,j)-B‾]Σi=1mΣj=1m[A(i,j)-A‾]2·Σi=1mΣj=1m[B(i,j)-B‾]2---(1)]]>其中γ表示圖像區(qū)域A(i，j)和區(qū)域B(i，j)的相似度，-1≤γ≤1；3)、遍歷該序列MR圖像，尋找到相似度最大的區(qū)域作為該序列MR圖像中的潛在腦腫瘤區(qū)域，其余部分作為潛在背景部分；S4：如圖5所示，將所尋找的潛在腦腫瘤區(qū)域作為先驗知識，用圖割算法實現(xiàn)多序列MR圖像中腦腫瘤區(qū)域的分割，具體描述如下：1)、將步驟S3得到的MR圖像中潛在的腦腫瘤區(qū)域作為目標(biāo)種子；2)、將MR圖像映射為網(wǎng)絡(luò)圖，像素點對應(yīng)為圖的節(jié)點，并添加額外兩個節(jié)點：源點和匯點，每兩個相鄰像素點之間都有連線，每個像素點都與源點和匯點有連線，這些連線作為網(wǎng)絡(luò)圖的邊；3)、將步驟S3得到的區(qū)域相似度概率用于設(shè)定網(wǎng)絡(luò)圖的邊的權(quán)值并計算網(wǎng)絡(luò)圖的能量函數(shù)，具體如下：a)給定網(wǎng)絡(luò)圖內(nèi)所有的像素點的標(biāo)簽，表示為L＝{l1，l2，...，ls}，其中l(wèi)i＝1表示腫瘤，li＝0表示背景，任意兩個相鄰像素點p和q的邊的權(quán)值表示為B＜p，q＞，B＜p，q＞與相鄰像素點p和q的灰度值Ip和Iq相似度成正比，如公式2所示。B<p,q>∝exp(-(Ip-Iq)22σ2)---(2)]]>b)計算網(wǎng)絡(luò)圖的能量函數(shù)，如公式3所示，網(wǎng)絡(luò)圖的能量函數(shù)E(L)由區(qū)域項R(L)和邊界項B(L)兩部分組成，w1和w2分別表示區(qū)域項和邊界項的權(quán)重系數(shù)。其中區(qū)域項R(L)表示該像素點所在區(qū)域的能量，如公式4所示；邊界項B(L)則表示該像素點與網(wǎng)絡(luò)圖內(nèi)相鄰像素點之間聯(lián)系的能量，如公式5所示。E(L)＝w1R(L)+w2B(L)(3)R(L)=Σi=1sRi(li)Ri(1)=-lnPr(li|obj)Ri(0)=-lnPr(li|bkg)---(4)]]>B(L)=Σ{p,q}∈NB<p,q>·δ(lp,lq)δ(ip,lq)=0,lp=lq1,lp≠lq---(5)]]>4)、根據(jù)圖的能量函數(shù)使用圖割算法進行求解，將最小值的解作為圖的分割結(jié)果，使用衡量準(zhǔn)則將分割結(jié)果與金標(biāo)準(zhǔn)進行比較，具體如下：給定U1，U2為圖割分割結(jié)果和金標(biāo)準(zhǔn)，則使用DSC系數(shù)比較兩者的分割結(jié)果如公式6所示。DSC(U1,U2)=2·|U1∩U2U1∪U2|---(6)]]>DSC系數(shù)值越小，表示分割結(jié)果越好。上所述僅為本發(fā)明的優(yōu)選實施例，并不用于限制本發(fā)明，對于本領(lǐng)域技術(shù)人員而言，本發(fā)明可以有各種改動和變化。凡在本發(fā)明的精神和原理之內(nèi)所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。當(dāng)前第1頁1 2 3