一種腦組織提取方法
【專利摘要】一種腦組織提取方法，依次包括：對訓練集圖像和測試集圖像進行預處理；提取訓練集圖像的圖像特征組成訓練集，提取測試集圖像的圖像特征組成測試集；根據(jù)訓練集構(gòu)建字典；依據(jù)訓練集和字典計算訓練集樣本由字典中單詞線性組合的權(quán)重系數(shù)向量；依據(jù)字典和測試集計算測試集樣本由字典中單詞線性組合的權(quán)重系數(shù)向量；計算字典中每個單詞的分類評分；通過局部線性表示計算測試樣本的分類評分，完成對測試樣本的分類，得到初步分割結(jié)果；對初步分割結(jié)果進行后處理，得到分割處理后的腦組織圖片。本發(fā)明能夠高效、準確地提取腦組織圖像。
【專利說明】一種腦組織提取方法
【技術領域】
[0001]本發(fā)明涉及醫(yī)學圖像分割處理【技術領域】，具體涉及一種腦組織提取方法。
【背景技術】
[0002]腦組織提取，又稱為去腦殼，是諸如腦功能研究、神經(jīng)圖像處理研究等過程中的一個必要的預處理步驟，應用十分廣泛。如術前計劃的制定、大腦皮層的重建、腦組織的形態(tài)學測量等工作，都依賴于能夠?qū)⒛X組織從非腦組織(包括頭骨、眼球、皮膚等)中準確分割出來的能力。手工分割Tl加權(quán)MR圖像是腦組織分割處理及研究中公認的“金標準”。但是手工分割面臨著兩個問題:一是相當耗費時間；二是容易引入人為誤差。因此，提供自動或半自動的腦組織提取算法非常必要。
[0003]標簽融合可看作局部線性表示法中的一類特殊情況，基于標簽融合的腦組織提取方法近年來得到了廣泛的研究。其中MAPS算法(The Mult1-Atlas Propagationand Segmentation method)與 BEaST 算法(The Brain Extraction based on nonlocalSegmentation Technique)是標簽融合類算法中的兩例代表。
[0004]MAPS算法(Leung et al., 2010)首先建立一個圖像庫,庫內(nèi)的圖像都經(jīng)過預先的標記，如腦組織標記為1，非腦組織標記為2，這種經(jīng)過預先標記的圖像被稱為圖譜。之后利用彈性配準將選定的多張圖譜配準到目標圖像上，此時對目標圖像上的某一像素點而言，其在配準圖譜上相同位置的像素點的標記是已知的，通過標簽融合算法(如majorityvote, STAPLE, etc.)計算多張配準圖譜融合之后的標簽作為該像素點的標簽，從而得到目標圖像腦組織的提取。
[0005]BEaST算法(Eskildsen et al.，2012)是一種基于圖像塊的標簽融合算法。在BEaST算法中，同樣需要首先建立一個預先標記好的圖像庫。之后以目標圖像某一像素點為中心，取其鄰域內(nèi)一定大小的圖像塊為單位，通過設定選擇標準，在圖像庫中搜索與目標圖像塊最相似的一系列圖像塊，因為圖像庫中圖像的標記都是已知的，通過標簽融合算法計算搜索到的最相似圖像塊的融合標簽，并將此標簽分配給目標像素點，從而得到目標圖像腦組織的提取。BEaST算法是目前腦組織提取效果最好的方法之一。
[0006]MAPS算法的主要不足是彈性配準的時間過長，通常一副序列大約需要19小時以上，且腦組織提取結(jié)果嚴重依賴于彈性配準的精度。BEaST算法由于需要在整個圖像庫中進行搜索，因而對設備性能的要求較高，如果電腦內(nèi)存較小會嚴重影響算法的效率。
[0007]因此，針對現(xiàn)有技術不足，提供一種可以高效、精確地進行腦組織提取的方法以克服現(xiàn)有技術不足甚為必要。

【發(fā)明內(nèi)容】

[0008]本發(fā)明提供一種腦組織提取方法，該方法能夠高效、準確地提取腦組織圖像。
[0009]本發(fā)明的上述目的通過如下技術手段實現(xiàn)。
[0010]一種腦組織提取方法，依次包括如下步驟:(1)對訓練集圖像和測試集圖像進行預處理；
(2)提取訓練集圖像的圖像特征，將所提取的訓練集圖像的圖像特征連同預先標記好的標簽組成訓練集，提取測試集圖像的圖像特征組成測試集；
(3)由訓練集構(gòu)建字典；
(4)依據(jù)字典和訓練集計算訓練集中每個樣本由字典中單詞線性組合的權(quán)重系數(shù)向
量;
(5)依據(jù)字典和測試集計算測試集中每個樣本由字典中單詞線性組合的權(quán)重系數(shù)向
量;
(6)依據(jù)訓練集和步驟(4)得到的訓練集樣本的線性組合權(quán)重系數(shù)向量計算字典中每個單詞的分類評分；
(7)根據(jù)步驟(6)得到的單詞的分類評分及步驟(5)得到測試集樣本的線性組合權(quán)重系數(shù)向量，通過局部線性表示計算測試樣本的分類評分，完成對測試樣本的分類，得到初步分割結(jié)果；
(8)對初步分割結(jié)果進行后處理，得到分割處理后的腦組織圖片。
[0011]上述步驟(1)中，預處理操作具體包括:使用N3算法進行去偏移場操作、使用兩步法進行灰度歸一化操作和通過線性配準將圖像配準到標準模板空間進行空間歸一化操作。
[0012]上述步驟(2)中的圖像特征由灰度圖像塊特征及體素的坐標兩部分共同構(gòu)成，標簽由代表腦組織的標記和代表非腦組織的標記兩部分構(gòu)成。
[0013]上述步驟(3)中，構(gòu)建字典的方法具體是使用K均值聚類方法對訓練樣本進行聚類，選擇聚類中心作為字典元素構(gòu)建字典，每個字典元素稱為一個單詞。
[0014]上述步驟(4)、(5)中使用局部錨嵌入LAE方法計算單詞的線性組合權(quán)重系數(shù)向量;
依據(jù)LAE方法,一個樣本X通過如下方式表不:.V
【權(quán)利要求】
1.一種腦組織提取方法，其特征在于:依次包括如下步驟， (1)對訓練集圖像和測試集圖像進行預處理； (2)提取訓練集圖像的圖像特征，將所提取的訓練集圖像的圖像特征連同預先標記好的標簽組成訓練集，提取測試集圖像的圖像特征組成測試集； (3)由訓練集構(gòu)建字典； (4)依據(jù)字典和訓練集計算訓練集中每個樣本由字典中單詞線性組合的權(quán)重系數(shù)向量; (5)依據(jù)字典和測試集計算測試集中每個樣本由字典中單詞線性組合的權(quán)重系數(shù)向量; (6)依據(jù)訓練集和步驟(4)得到的訓練集樣本的線性組合權(quán)重系數(shù)向量計算字典中每個單詞的分類評分； (7)根據(jù)步驟(6)得到的單詞的分類評分及步驟(5)得到測試集樣本的線性組合權(quán)重系數(shù)向量，通過局部線性表示計算測試樣本的分類評分，完成對測試樣本的分類，得到初步分割結(jié)果； (8)對初步分割結(jié)果進行后處理，得到分割處理后的腦組織圖片。
2.根據(jù)權(quán)利要求1所述的腦組織提取方法，其特征在于: 所述步驟(1)中，預處理操作具體包括:使用N3算法進行去偏移場操作、使用兩步法進行灰度歸一化操作和通過線性配準將圖像配準到標準模板空間進行空間歸一化操作。
3.根據(jù)權(quán)利要求2所述的腦組織提取方法，其特征在于: 所述步驟(2)中的圖像特征包括灰度圖像塊特征及體素的坐標，標簽由代表腦組織的標記和代表非腦組織的標記兩部分構(gòu)成。
4.根據(jù)權(quán)利要求3所述的腦組織提取方法，其特征在于: 所述步驟(3)中，建字典的方法具體是使用K均值聚類方法對訓練樣本進行聚類，選擇聚類中心作為字典元素構(gòu)建字典,每個字典元素稱為一個單詞。
5.根據(jù)權(quán)利要求4所述的腦組織提取方法，其特征在于: 所述步驟(4)、步驟(5)中使用局部錨嵌入LAE方法計算單詞的線性組合權(quán)重系數(shù)向量; 依據(jù)LAE方法,一個樣本X通過如下方式表不:

6.根據(jù)權(quán)利要求5所述的腦組織提取方法，其特征在于: 所述步驟(6)中，分類評分的計算是通過求解分類代價函數(shù)得到的。
7.根據(jù)權(quán)利要求6所述的腦組織提取方法，其特征在于: 所述步驟(6)具體是通過置信空間法求解分類代價函數(shù)得到分類評分； 所采用的代價函數(shù)的形式為
8.根據(jù)權(quán)利要求7所述的腦組織提取方法，其特征在于: 所述步驟(7)中，測試樣本由其最鄰近測試樣本線性組合表示，構(gòu)建測試樣本分類函數(shù)H為:
9.根據(jù)權(quán)利要求8所述的腦組織提取方法，其特征在于: 所述步驟(8)中，后處理操作具體是將標準模板空間上的分割結(jié)果利用線性配準的逆變換映射回原始的圖像空間，得到分割處理后的腦組織圖片。
【文檔編號】G06K9/66GK103745473SQ201410019012
【公開日】2014年4月23日 申請日期:2014年1月16日 優(yōu)先權(quán)日:2014年1月16日
【發(fā)明者】馮前進, 黃美燕, 陽維, 趙建奇 申請人:南方醫(yī)科大學