從序列mr圖像中自動(dòng)分割腦干區(qū)域的方法
【專利摘要】從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法。本發(fā)明公開了一種對(duì)人體顱內(nèi)MR序列圖像中的腦干區(qū)域?qū)崿F(xiàn)連續(xù)自動(dòng)分割，以提供醫(yī)生對(duì)顱內(nèi)組織的3D模型的重建的技術(shù)基礎(chǔ)，以便更高效、直觀地判斷患者的病情的從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法，它包括：1）預(yù)處理：對(duì)所有神經(jīng)序列MR圖像進(jìn)行灰度聚類處理，把待處理所有MR圖像的灰度級(jí)聚類為5級(jí)灰度圖像；2）選定種子點(diǎn)像素，采用基于圖像面積增長率的四鄰域的區(qū)域生長算法獲取首張MR圖像的腦干區(qū)域的輪廓邊界；3）利用分塊區(qū)域生長的方法對(duì)當(dāng)前的MR圖像進(jìn)行粗分割處理；4）采用邏輯判斷處理及區(qū)域生長的方法對(duì)粗分割處理后的MR圖像進(jìn)行細(xì)分割處理；5）重復(fù)步驟3）和步驟4），直至所有的MR圖像分割完畢。
【專利說明】從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明是一種適用于醫(yī)學(xué)上對(duì)MR序列圖像中的特定目標(biāo)進(jìn)行自動(dòng)分割的方法，屬于醫(yī)學(xué)圖像【技術(shù)領(lǐng)域】，具體來說，涉及一種對(duì)人體顱內(nèi)MR序列圖像中的腦干區(qū)域?qū)崿F(xiàn)連續(xù)自動(dòng)分割，以提供醫(yī)生對(duì)顱內(nèi)組織的3D模型的重建的技術(shù)基礎(chǔ)，以便更高效、直觀地判斷患者的病情的從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法。
【背景技術(shù)】
[0002]圖像分割就是指把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程。圖像分割在實(shí)際中已得到廣泛的應(yīng)用，例如在計(jì)算機(jī)視覺、遙感和生物醫(yī)學(xué)圖像分析，以及軍事、體育、農(nóng)業(yè)工程等領(lǐng)域。概括地說，只需要對(duì)圖像目標(biāo)進(jìn)行提取、測量等都離不開圖像分割。
[0003]其中，醫(yī)學(xué)圖像分割在醫(yī)學(xué)領(lǐng)域也有著重要的應(yīng)用和良好的發(fā)展前景。醫(yī)生在手術(shù)前需要做好充分的準(zhǔn)備，特別是與腦部相關(guān)的手術(shù)，更是需要全面的充分的考慮。現(xiàn)在的醫(yī)院已經(jīng)開始在手術(shù)之前通過建立病人即將手術(shù)區(qū)域的3D模型，來進(jìn)行模擬手術(shù)，這樣無論是對(duì)醫(yī)生的手術(shù)前的熟練程度，還是預(yù)估手術(shù)中可能出現(xiàn)的問題都有著很大的幫助。
[0004]要重建顱內(nèi)感興趣結(jié)構(gòu)、組織的三維模型，首先必須把各感興趣結(jié)構(gòu)、組織分割出來，然后再經(jīng)三維重建算法得到其模型進(jìn)行模擬手術(shù)或者判斷患者病情。過去對(duì)于腦干及面聽神經(jīng)等感興趣區(qū)域的分割都是通過手工完成，需要耗費(fèi)大量的人力物力，分割效率低，分割效果標(biāo)準(zhǔn)不一。

【發(fā)明內(nèi)容】

[0005]針對(duì)以上的不足，本發(fā)明提供了一種對(duì)人體顱內(nèi)MR序列圖像中的腦干區(qū)域?qū)崿F(xiàn)連續(xù)自動(dòng)分割，以提供醫(yī)生對(duì)顱內(nèi)組織的3D模型的重建的技術(shù)基礎(chǔ)，以便更高效、直觀地判斷患者的病情的從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法，它包括:1)預(yù)處理:對(duì)所有神經(jīng)序列MR圖像進(jìn)行灰度聚類處理；2)選定種子點(diǎn)像素，采用區(qū)域生長算法獲取首張MR圖像的腦干區(qū)域的輪廓邊界；3)對(duì)相鄰未處理的MR圖像的腦干區(qū)域進(jìn)行分割處理；4)重復(fù)步驟3)，直至左右的MR圖像分割完畢。
[0006]為了進(jìn)一步實(shí)現(xiàn)本發(fā)明，所述預(yù)處理步驟處理所有MR圖像的灰度級(jí)聚類為5級(jí)灰度圖像。
[0007]為了進(jìn)一步實(shí)現(xiàn)本發(fā)明，所述5級(jí)灰度圖像分別代表底色、高亮的結(jié)締組織與眼球等、骨骼、小腦與腦干等神經(jīng)組織、其它組織。
[0008]為了進(jìn)一步實(shí)現(xiàn)本發(fā)明，所述步驟2)采用基于圖像面積增長率的四鄰域的區(qū)域生長算法獲取首張MR圖像的腦干區(qū)域的輪廓邊界。
[0009]為了進(jìn)一步實(shí)現(xiàn)本發(fā)明，所述步驟2)采用人工干預(yù)的方法從神經(jīng)序列MR圖像中選取一張腦干區(qū)域邊緣清晰完整的MR圖像作為種子點(diǎn)。
[0010]為了進(jìn)一步實(shí)現(xiàn)本發(fā)明，所述步驟3)首先利用分塊區(qū)域生長的方法對(duì)當(dāng)前的MR圖像進(jìn)行粗分割處理，然后采用邏輯判斷處理及區(qū)域生長的方法對(duì)粗分割處理后的MR圖像進(jìn)行細(xì)分割處理。
[0011]為了進(jìn)一步實(shí)現(xiàn)本發(fā)明，所述步驟3)中粗分割處理的具體流程為:al)讀取上一張MR圖像邊界上每個(gè)像素點(diǎn)的坐標(biāo)；a2)對(duì)上一張MR圖像的邊界每個(gè)像素點(diǎn)取mxm鄰域小塊，m為奇數(shù)，在當(dāng)前MR圖像對(duì)應(yīng)的區(qū)域以與質(zhì)心距離最近的點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域生長分割圖像，得到當(dāng)前MR圖像小塊區(qū)域內(nèi)的腦干邊界；a3)重復(fù)步驟al)和a2)，直到上一張MR圖像的全部邊界點(diǎn)都提取出相應(yīng)當(dāng)前MR圖像小塊區(qū)域的腦干邊界；a4)將全部小塊鄰域分割所得圖像進(jìn)行疊加合并，以此得到當(dāng)前MR圖像粗分割處理邊界。
[0012]為了進(jìn)一步實(shí)現(xiàn)本發(fā)明，所述步驟3)中細(xì)分割處理的具體流程為:bl)以上一張MR圖像的腦干區(qū)域的質(zhì)心作為當(dāng)前MR圖像腦干區(qū)域的種子點(diǎn)，進(jìn)行區(qū)域生長分割，根據(jù)分割結(jié)果判斷粗分割的邊界是否閉合山2)如果邊界輪廓閉合，則去除粗分割邊界中多余的端點(diǎn)，直接以粗分割處理邊界所包圍區(qū)域作為腦干區(qū)域，進(jìn)入步驟b4) ；b3)如果輪廓不閉合，比較當(dāng)前MR圖像粗分割后的腦干區(qū)域面積與上一幅MR圖像中的腦干區(qū)域面積的大?。蝗舢?dāng)前MR圖像中的腦干區(qū)域面積比上一幅MR圖像中的腦干區(qū)域面積小，則選擇兩張圖片重疊后的內(nèi)部輪廓所包圍區(qū)域作為腦干區(qū)域；相反，則選擇兩張圖片重疊后的外部輪廓所包圍區(qū)域作為腦干區(qū)域；b4)根據(jù)得到的腦干區(qū)域在當(dāng)前MR圖像的原始圖像上取出對(duì)應(yīng)的區(qū)域，此區(qū)域外的像素灰度都令為0，在該區(qū)域內(nèi)，再次以質(zhì)心為種子點(diǎn)進(jìn)行八鄰域區(qū)域生長，提取出更為準(zhǔn)確的腦干邊界輪廓，得到細(xì)分割處理腦干邊界。
[0013]本發(fā)明的有益效果:由于手工分割對(duì)操作者依賴性較大，所受人的主觀影響無法避免，而自動(dòng)分割所受主觀影響較小，結(jié)果更為客觀，因此，采用本發(fā)明對(duì)腦干組織的自動(dòng)分割，無論在速度上還是準(zhǔn)確性上都具有較大的優(yōu)勢(shì)；另外，本發(fā)明通過計(jì)算機(jī)自動(dòng)分割腦干區(qū)域，不僅可以減少人工的分割工作量，而且能夠減少人工的干預(yù)度，使分割結(jié)果更加標(biāo)準(zhǔn)化。
【專利附圖】

【附圖說明】
[0014]圖1為本發(fā)明的從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法的流程圖；
[0015]圖2為本發(fā)明的神經(jīng)序列MR圖像預(yù)處理前后對(duì)比示意圖；
[0016]圖3為本發(fā)明對(duì)當(dāng)前MR圖像進(jìn)行粗分割處理后的各小塊區(qū)域內(nèi)的腦干邊界示意圖；
[0017]圖4為本發(fā)明當(dāng)前MR圖像粗分割處理后邊界示意圖；
[0018]圖5為本發(fā)明典型斷面的切片圖像分割結(jié)果對(duì)比示意圖；
[0019]圖6為本發(fā)明各切片腦干組織分割結(jié)果的DSI的示意圖。
【具體實(shí)施方式】
[0020]下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行進(jìn)一步闡述。
[0021]如圖1所示，本發(fā)明的從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法的具體實(shí)現(xiàn)流程如下:
[0022]一、神經(jīng)序列MR圖像預(yù)處理
[0023]預(yù)處理主要是對(duì)所有神經(jīng)序列MR圖像進(jìn)行灰度聚類處理，采用模糊K均值聚類的方法，K為自然數(shù)，把待處理所有MR圖像的灰度級(jí)聚類為5級(jí)灰度圖像，分別代表底色、高亮的結(jié)締組織與眼球等、骨骼、小腦與腦干等神經(jīng)組織和其它組織。
[0024]對(duì)MR圖像進(jìn)行灰度聚類處理的原理是:模糊聚類分析是非監(jiān)督模式識(shí)別的主要技術(shù)之一，其主要通過構(gòu)建一個(gè)隸屬度與中心點(diǎn)的目標(biāo)函數(shù)式，尋求合適的隸屬度與中心點(diǎn)使得目標(biāo)函數(shù)式最小化，從而求出一個(gè)像素屬于某一類隸屬度。當(dāng)某一個(gè)像素的灰度值靠近某類中心點(diǎn)灰度值時(shí)，該像素點(diǎn)被賦予屬于此類較高的隸屬度，當(dāng)灰度值遠(yuǎn)離某類中心點(diǎn)灰度值時(shí)則賦予較低的隸屬度。通過將某類隸屬度高的像素歸于相應(yīng)的類別中，可以獲得較為清晰的分類結(jié)果。
[0025]經(jīng)過灰度聚類處理的MR圖像如圖2所示，對(duì)選定病例神經(jīng)序列的全體MR圖像進(jìn)行相同的灰度聚類處理。
[0026]二、選定種子點(diǎn)像素，用基于圖像面積增長率的四鄰域的區(qū)域生長算法獲取首張MR圖像的腦干區(qū)域的輪廓邊界
[0027]本發(fā)明引入人工參與的手段對(duì)首張MR圖像腦干區(qū)域分割，首張MR圖像的具體分割過程如下:
[0028]首先，由醫(yī)生從神經(jīng)序列MR圖像中選取一張腦干區(qū)域邊緣相對(duì)清晰(越清晰越好)完整的MR圖像；然后，醫(yī)生在腦干區(qū)域任意位置用鼠標(biāo)點(diǎn)擊一次，以便選擇點(diǎn)擊位置的圖像的像素作為種子點(diǎn)像素；接著，計(jì)算機(jī)以醫(yī)生選定的像素作為種子點(diǎn)，采用區(qū)域增長的方法，對(duì)腦干區(qū)域進(jìn)行分割，得到首張MR圖像的腦干區(qū)域邊界。
[0029]分割的終止條件為:
[0030]S1-S1-! < Th(I)
[0031]其中，Si表示第i次區(qū) 域增長迭代，Th是區(qū)域增長變化率。
[0032]公式(I)表明，當(dāng)前后兩次區(qū)域增長的面積差異小于閾值時(shí)，將停止增長，實(shí)驗(yàn)表明，當(dāng)閾值Th = 0.046時(shí)，可以得到比較理想的腦干區(qū)域分割結(jié)果。
[0033]三、對(duì)相鄰MR圖像的腦干區(qū)域進(jìn)行分割處理
[0034]將醫(yī)生選定MR圖像腦干區(qū)域分割結(jié)果圖像作為首張MR圖像，以分割得到的腦干區(qū)域作為基準(zhǔn)，對(duì)首張MR圖像臨近的前后2張MR圖像進(jìn)行處理。
[0035]1、利用分塊區(qū)域生長的方法對(duì)當(dāng)前的MR圖像進(jìn)行粗分割處理
[0036]由于在多數(shù)情況下正常人體的腦干組織不會(huì)產(chǎn)生突變，因此在某張MR圖像相鄰的2張MR圖像中腦干區(qū)域的質(zhì)心和邊界輪廓存在一定的相似性。根據(jù)這個(gè)條件，采用已完成腦干區(qū)域分割的MR圖像腦干區(qū)域的邊界作為模板，對(duì)當(dāng)前MR圖像中的腦干區(qū)域采用分塊區(qū)域生長算法進(jìn)行分割，步驟如下:
[0037]I)讀取上一張MR圖像邊界上每個(gè)像素點(diǎn)的坐標(biāo)；
[0038]2)對(duì)上一張MR圖像的邊界每個(gè)像素點(diǎn)取mxm (實(shí)驗(yàn)證明，取Ilxll鄰域小塊效果最佳)鄰域小塊，m為奇數(shù)，在當(dāng)前MR圖像對(duì)應(yīng)的區(qū)域以與質(zhì)心距離最近的點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域生長分割圖像，得到當(dāng)前MR圖像小塊區(qū)域內(nèi)的腦干邊界，如圖3中結(jié)果所示；
[0039]3)重復(fù)步驟I)和2)，直到上一張MR圖像的全部邊界點(diǎn)都提取出相應(yīng)當(dāng)前MR圖像小塊區(qū)域的腦干邊界；
[0040]4)將全部小塊鄰域分割所得圖像進(jìn)行疊加合并，以此得到當(dāng)前MR圖像粗分割處理邊界，結(jié)果如圖4所示。[0041]2、對(duì)粗分割處理后的邊界進(jìn)行細(xì)分割處理
[0042]針對(duì)在少數(shù)情況下出現(xiàn)的某些相鄰腦干間可能存在突變，通過上面的邊界提取與合并未必能得到一個(gè)閉合的輪廓，所以必須對(duì)不閉合的輪廓進(jìn)行進(jìn)一步的細(xì)分割處理，本發(fā)明采用邏輯判斷處理及區(qū)域生長的方法對(duì)粗分割處理后的MR圖像進(jìn)行細(xì)分割處理:
[0043]I)以上一張MR圖像的腦干區(qū)域的質(zhì)心作為當(dāng)前MR圖像腦干區(qū)域的種子點(diǎn)，進(jìn)行區(qū)域生長分割，根據(jù)分割結(jié)果判斷粗分割的邊界是否閉合；
[0044]2)如果邊界輪廓閉合，則去除初始分割(粗分割)邊界中多余的端點(diǎn)，直接以粗分割處理邊界所包圍區(qū)域作為腦干區(qū)域，進(jìn)入步驟4)；
[0045]3)如果輪廓不閉合，比較當(dāng)前MR圖像粗分割后的腦干區(qū)域面積與上一幅MR圖像中的腦干區(qū)域面積的大??；若當(dāng)前MR圖像中的腦干區(qū)域面積比上一幅MR圖像中的腦干區(qū)域面積小，則選擇兩張圖片重疊后的內(nèi)部輪廓所包圍區(qū)域作為腦干區(qū)域；相反，則選擇兩張圖片重疊后的外部輪廓所包圍區(qū)域作為腦干區(qū)域；
[0046]4)根據(jù)得到的腦干區(qū)域在當(dāng)前MR圖像的原始圖像上取出對(duì)應(yīng)的區(qū)域，此區(qū)域外的像素灰度都令為0，在該區(qū)域內(nèi)，再次以質(zhì)心為種子點(diǎn)進(jìn)行八鄰域區(qū)域生長，提取出更為準(zhǔn)確的腦干邊界輪廓，得到細(xì)分割處理腦干邊界。
[0047]四、分割結(jié)果分析
[0048]采用上述方法對(duì)給定病例的60張MR圖像進(jìn)行了連續(xù)自動(dòng)分割，圖5給出了具有代表性的不同層解剖斷面的原始圖像、自動(dòng)分割結(jié)果圖與手工分割結(jié)果圖。
[0049]為了更好地評(píng)價(jià)自動(dòng)分割效果，這里在沿用常規(guī)的基于視覺觀察、與手工分割結(jié)果這一金標(biāo)準(zhǔn)比較進(jìn)行定性判斷的基礎(chǔ)上，進(jìn)一步引入分割相似系數(shù)(DSI，dicesimilarity index)進(jìn)行分割結(jié)果的量化分析[5]:
[0050]D (A, B) = 2* IA I B | / (| A | +1B |) X 100%(2)
[0051]其中:D(A，B)代表DSI ;A表示標(biāo)準(zhǔn)圖像，本文中，以醫(yī)生手工分割的圖像作為標(biāo)準(zhǔn)分割結(jié)果；B表示待評(píng)價(jià)的分割結(jié)果圖像；|Α ? Bi表示兩幅圖的重疊面積；|a|，|b|分別表示兩幅圖像各自的面積。DSI是一種衡量分割結(jié)果與金標(biāo)準(zhǔn)符合程度的量化系數(shù)，DSI系數(shù)越高說明與標(biāo)準(zhǔn)圖像越接近，分割越準(zhǔn)確，如果分割結(jié)果的DSI系數(shù)大于70%，則認(rèn)為與標(biāo)準(zhǔn)的一致較好，屬于有效分割[6]。
[0052]觀察圖5可見，自動(dòng)分割結(jié)果與手工分割結(jié)果比較可見，自動(dòng)分割結(jié)果基本涵蓋了手工分割結(jié)果的整體信息。
[0053]圖6進(jìn)一步給出了對(duì)60張連續(xù)切片中進(jìn)行腦干分割后計(jì)算獲得的DSI，由圖6可見，各切片分割結(jié)果的DSI系數(shù)都在80%以上，絕大多數(shù)大于85%，說明分割比較有效。由于手工分割對(duì)操作者依賴性較大，所受人的主觀影響無法避免，而自動(dòng)分割所受主觀影響較小，結(jié)果更為客觀。而且自動(dòng)分割60張MR圖像所需要的時(shí)間在30秒以內(nèi)，而手工分割60張MR圖像的時(shí)間在2小時(shí)以上。因此，采用該算法對(duì)腦干組織的自動(dòng)分割，無論在速度上還是準(zhǔn)確性上都具有較大的優(yōu)勢(shì)。
[0054]針對(duì)目前神經(jīng)序列MR圖像中，腦干區(qū)域與小腦區(qū)域無明顯邊界，且不同斷層位置的圖像中腦干區(qū)域面積與形狀變化較大的問題，本文引入醫(yī)生參與選定首張MR圖像并手工選定種子點(diǎn)的方法，然后通過區(qū)域增長的方式，得到該MR圖像腦干區(qū)域的準(zhǔn)確輪廓；接下來，其余的MR圖像都分別基于最近鄰一張已經(jīng)分割完成的MR圖像中的腦干邊界輪廓點(diǎn)，通過分塊區(qū)域生長方法自動(dòng)得到當(dāng)前MR圖像相應(yīng)腦干區(qū)域的邊界輪廓，最后實(shí)現(xiàn)序列MR圖像腦干區(qū)域的連續(xù)自動(dòng)分割。實(shí)驗(yàn)結(jié)果表明，本文所提出方法分割結(jié)果與人工分割的結(jié)果相似指數(shù)(DSI)都在80%以上。分割60張MR圖像所需要的時(shí)間在30秒以內(nèi)。這種具有準(zhǔn)實(shí)時(shí)性的分割方法對(duì)于快速自動(dòng)的將腦干區(qū)域從神經(jīng)序列MR圖像中分割出來，進(jìn)而快速構(gòu)建數(shù)字化人腦-腦干立體模型具有重要參考價(jià)值。
[0055]以上所述僅為本發(fā)明的較佳實(shí)施方式，本發(fā)明并不局限于上述實(shí)施方式，在實(shí)施過程中可能存在局部微小的結(jié)構(gòu)改動(dòng)，如果對(duì)本發(fā)明的各種改動(dòng)或變型不脫離本發(fā)明的精神和范圍，且屬于本發(fā)明的權(quán)利要求和等同技術(shù)范圍之內(nèi)，則本發(fā)明也意圖包含這些改動(dòng)和變型。
【權(quán)利要求】
1.一種從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法，其特征在于，它包括: 1)預(yù)處理:對(duì)所有神經(jīng)序列MR圖像進(jìn)行灰度聚類處理； 2)選定種子點(diǎn)像素，采用區(qū)域生長算法獲取首張MR圖像的腦干區(qū)域的輪廓邊界； 3)對(duì)相鄰未處理的MR圖像的腦干區(qū)域進(jìn)行分割處理； 4)重復(fù)步驟3)，直至所有的MR圖像分割完畢。
2.根據(jù)權(quán)利要求1所述的從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法，其特征在于，所述預(yù)處理步驟處理所有MR圖像的灰度級(jí)聚類為5級(jí)灰度圖像。
3.根據(jù)權(quán)利要求2所述的從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法，其特征在于，所述5級(jí)灰度圖像分別代表底色、高亮的結(jié)締組織與眼球等、骨骼、小腦與腦干等神經(jīng)組織、其它組織。
4.根據(jù)權(quán)利要求1所述的從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法，其特征在于，所述步驟2)采用基于圖像面積增長率的四鄰域的區(qū)域生長算法獲取首張MR圖像的腦干區(qū)域的輪廓邊界。
5.根據(jù)權(quán)利要求1所述的從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法，其特征在于，所述步驟2)采用人工干預(yù)的方法從神經(jīng)序列MR圖像中選取一張腦干區(qū)域邊緣清晰完整的MR圖像作為種子點(diǎn)。
6.根據(jù)權(quán)利要求1所述的從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法，其特征在于，所述步驟3)首先利用分塊區(qū)域生長的方法對(duì)當(dāng)前的MR圖像進(jìn)行粗分割處理，然后采用邏輯判斷處理及區(qū)域生長的方法對(duì)粗分割處理后的MR圖像進(jìn)行細(xì)分割處理。
7.根據(jù)權(quán)利要求6所述的從序列M R圖像中自動(dòng)分割腦干區(qū)域的方法，其特征在于，所述步驟3)中粗分割處理的具體流程為: al)讀取上一張MR圖像邊界上每個(gè)像素點(diǎn)的坐標(biāo)； a2)對(duì)上一張MR圖像的邊界每個(gè)像素點(diǎn)取mxm鄰域小塊，m為奇數(shù)，在當(dāng)前MR圖像對(duì)應(yīng)的區(qū)域以與質(zhì)心距離最近的點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域生長分割圖像，得到當(dāng)前MR圖像小塊區(qū)域內(nèi)的腦干邊界； a3)重復(fù)步驟al)和a2)，直到上一張MR圖像的全部邊界點(diǎn)都提取出相應(yīng)當(dāng)前MR圖像小塊區(qū)域的腦干邊界； a4)將全部小塊鄰域分割所得圖像進(jìn)行疊加合并，以此得到當(dāng)前MR圖像粗分割處理邊界。
8.根據(jù)權(quán)利要求7所述的從序列MR圖像中自動(dòng)分割腦干區(qū)域的方法，其特征在于，所述步驟3)中細(xì)分割處理的具體流程為: bl)以上一張MR圖像的腦干區(qū)域的質(zhì)心作為當(dāng)前MR圖像腦干區(qū)域的種子點(diǎn)，進(jìn)行區(qū)域生長分割，根據(jù)分割結(jié)果判斷粗分割的邊界是否閉合； b2)如果邊界輪廓閉合，則去除粗分割邊界中多余的端點(diǎn)，直接以粗分割處理邊界所包圍區(qū)域作為腦干區(qū)域，進(jìn)入步驟b4)； b3)如果輪廓不閉合，比較當(dāng)前MR圖像粗分割后的腦干區(qū)域面積與上一幅MR圖像中的腦干區(qū)域面積的大?。蝗舢?dāng)前MR圖像中的腦干區(qū)域面積比上一幅MR圖像中的腦干區(qū)域面積小，則選擇兩張圖片重疊后的內(nèi)部輪廓所包圍區(qū)域作為腦干區(qū)域；相反，則選擇兩張圖片重疊后的外部輪廓所包圍區(qū)域作為腦干區(qū)域；b4)根據(jù)得到的腦干區(qū)域在當(dāng)前MR圖像的原始圖像上取出對(duì)應(yīng)的區(qū)域，此區(qū)域外的像素灰度都令為O，在該區(qū)域內(nèi)，再次以質(zhì)心為種子點(diǎn)進(jìn)行八鄰域區(qū)域生長，提取出更為準(zhǔn)確的腦干邊界輪廓，得到`細(xì)分割處理腦干邊界。
【文檔編號(hào)】G06T7/00GK103489198SQ201310496683
【公開日】2014年1月1日 申請(qǐng)日期:2013年10月21日 優(yōu)先權(quán)日:2013年10月21日
【發(fā)明者】鐘映春, 賴丹練, 張勇, 黃英, 羅唯師, 錢東翔 申請(qǐng)人:鐘映春