基于病灶容積測(cè)量的mri自動(dòng)圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種圖像處理技術(shù)，尤其是設(shè)及一種基于病灶容積測(cè)量的 MRI(Ma即eticResonanceImaging,磁共振成像）自動(dòng)圖像分割方法。
【背景技術(shù)】
[0002] 多發(fā)硬化疾病是中樞神經(jīng)系統(tǒng)的脫髓銷疾病，多見(jiàn)于北美及歐洲，估計(jì)全世界至 少有300~400萬(wàn)患者，占神經(jīng)系統(tǒng)疾病發(fā)病率的6%~10%，近年來(lái)日本和中國(guó)的報(bào)道日 趨增多。
[0003] 磁共振成像是多發(fā)硬化疾病臨床診斷和治療唯一的、有效的影像學(xué)評(píng)價(jià)方法。目 前，對(duì)于經(jīng)驗(yàn)豐富的放射科醫(yī)生確定MRI掃描圖像中的灰白質(zhì)病灶通常采用W下兩種方 法，第一種方法：在MRI掃描圖像的連續(xù)層面手動(dòng)圈定病灶的感興趣區(qū)域（R0I，regionof interesting);第二種方法：在MRI掃描圖像分析工作站，使用圖像分析軟件的模糊聚類 技術(shù)對(duì)多發(fā)硬化疾病病人的矢狀位的MRI掃描圖像進(jìn)行多通道的（如二通道或=通道或 四通道）腦組織分割，具體過(guò)程為：首先從每幅MRI掃描圖像中分離出不同腦組織和背景 (噪聲）各自的感興趣區(qū)域（R0I，regionofinteresting);接著采用非線性各向異性散 布濾波器（nonlinearanisotropicdiffusionfilter)對(duì)每幅MRI掃描圖像中的不同腦 組織和背景（噪聲）各自的感興趣區(qū)域進(jìn)行濾波處理，W消除噪聲平滑圖像，增強(qiáng)和探測(cè) 圖像中的目標(biāo)邊界；之后對(duì)每個(gè)濾波處理后的感興趣區(qū)域進(jìn)行二值化處理，建立對(duì)應(yīng)的模 板（mask)，再利用該模板從原始的MRI掃描圖像中提取出不同結(jié)構(gòu)的大腦結(jié)構(gòu)圖；再自動(dòng) 融合所有MRI掃描圖像各自對(duì)應(yīng)的大腦結(jié)構(gòu)圖，得到一個(gè)根據(jù)像素值而建立的綜合腦分 割圖像的彩色圖；最后采用動(dòng)態(tài)模糊K-均值聚類算法（FKM，化zzyK-meansClustering Algorithm)對(duì)彩色圖實(shí)施分割。上述兩種方法各自存在缺陷，第一種方法的缺陷有：1)由 于是手動(dòng)圈定病灶，因此該方法大多用在比較復(fù)雜的場(chǎng)合；2)手動(dòng)圈定病灶嚴(yán)重依賴操作 人員的病灶判斷經(jīng)驗(yàn)，因此并不適合大部分缺乏相關(guān)專業(yè)知識(shí)的操作人員去使用；3)該方 法由于采用手動(dòng)圈定病灶，因此分割效率很低，不適合大批量圖像分割作業(yè)，嚴(yán)重阻礙了該 方法的普及和推廣；第二種方法的缺陷有：由于MRI掃描圖像中的非腦組織如煩骨、眼球和 肌肉等及背景噪聲的信號(hào)強(qiáng)度與腦組織的信號(hào)強(qiáng)度有一定重疊，因此利用動(dòng)態(tài)模糊K-均 值聚類算法分割會(huì)產(chǎn)生誤分現(xiàn)象，而誤分會(huì)直接影響病例的判斷準(zhǔn)確性，誤判對(duì)于病人及 家屬來(lái)說(shuō)是不可W接受的，也是大部分醫(yī)患矛盾產(chǎn)生的根源。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于病灶容積測(cè)量的MRI自動(dòng)圖像分割 方法，其分割過(guò)程簡(jiǎn)單，且分割效率高、分割精度高，運(yùn)算量少。
[0005] 本發(fā)明解決上述技術(shù)問(wèn)題所采用的技術(shù)方案為：一種基于病灶容積測(cè)量的MRI自 動(dòng)圖像分割方法，其特征在于包括W下步驟：
[0006] ①獲取一幅來(lái)自醫(yī)院的MRI醫(yī)學(xué)影像設(shè)備的MRI掃描圖像作為待分割的MRI掃描 圖像，然后將待分割的MRI掃描圖像轉(zhuǎn)換為灰度圖像；
[0007] ②假設(shè)該灰度圖像的寬度和高度對(duì)應(yīng)為WXH，那么如果WXH能夠被UXU整除，貝U將該灰度圖像定義為當(dāng)前灰度圖像，然后直接將當(dāng)前灰度圖像劃分成個(gè)互不重疊的 UXU 尺寸大小為uXu的子塊；如果WXH不能夠被uXu整除，則擴(kuò)展該灰度圖像使其尺寸大小 能夠被uXu整除，將擴(kuò)展后的灰度圖像定義為當(dāng)前灰度圖像，然后將當(dāng)前灰度圖像劃分成 IV 'xir -個(gè)互不重疊的尺寸大小為uXu的子塊，其中，W'和H'對(duì)應(yīng)表示擴(kuò)展后的灰度圖像 11X11 的寬度和高度，W' = =W且H'〉H或r〉W且H' = =H或r〉W且H'〉H;
[0008] ③采用標(biāo)記分水嶺分割算法對(duì)當(dāng)前灰度圖像進(jìn)行分割，得到當(dāng)前灰度圖像中的多 個(gè)初步病灶區(qū)域；
[0009] ④將當(dāng)前灰度圖像中當(dāng)前待處理的初步病灶區(qū)域定義為當(dāng)前初步病灶區(qū)域；
[0010] ⑥從當(dāng)前灰度圖像中提取出與當(dāng)前初步病灶區(qū)域?qū)?yīng)的所有尺寸大小為uXu的 子塊，按序?qū)Ξ?dāng)前初步病灶區(qū)域?qū)?yīng)的每個(gè)尺寸大小為uXu的子塊進(jìn)行處理，將當(dāng)前待處 理的尺寸大小為uXu的子塊定義為當(dāng)前子塊；
[0011] ⑧將當(dāng)前子塊中的所有像素點(diǎn)各自的像素值作為輸入?yún)?shù)輸入非線性優(yōu)化模型 中進(jìn)行優(yōu)化，非線性優(yōu)化模型輸出當(dāng)前子塊中的所有像素點(diǎn)各自的信噪比，如果當(dāng)前子塊 中的每個(gè)像素點(diǎn)的信噪比與事先存儲(chǔ)于數(shù)據(jù)庫(kù)中的MRI掃描圖像的灰度圖像中對(duì)應(yīng)像素 點(diǎn)的信噪比的誤差小于10%，則確定當(dāng)前子塊優(yōu)化成功，其中，事先存儲(chǔ)于數(shù)據(jù)庫(kù)中的MRI 掃描圖像的灰度圖像的尺寸大小與當(dāng)前灰度圖像的尺寸大小相同；
[0012] ⑦將下一個(gè)待處理的尺寸大小為uXu的子塊作為當(dāng)前子塊，然后返回步驟⑧繼 續(xù)執(zhí)行，直至當(dāng)前初步病灶區(qū)域?qū)?yīng)的所有尺寸大小為uXu的子塊處理完畢，得到對(duì)應(yīng)的 最終病灶區(qū)域；
[0013] ⑨將當(dāng)前灰度圖像中下一個(gè)待處理的初步病灶區(qū)域作為當(dāng)前初步病灶區(qū)域，然后 返回步驟⑥繼續(xù)執(zhí)行，直至當(dāng)前灰度圖像中的所有初步病灶區(qū)域處理完畢，得到當(dāng)前灰度 圖像中的多個(gè)最終病灶區(qū)域，至此完成MRI掃描圖像的自動(dòng)分割。
[0014] 所述的步驟②中的uXu取5X5。
[001引 所述的步驟⑧中的非線性優(yōu)化模型為^ = '4"ill(如x,/,;"+^iO十"iXg(0 + /?xwH"3+^/^x卵，. 其中，^表示非線性優(yōu)化模型輸出的信噪比，S為布朗粒子的運(yùn)動(dòng)坐標(biāo)，t為布朗粒子的運(yùn) 玻' 動(dòng)時(shí)間，A為固定周期信號(hào)的幅度，f。為固定周期信號(hào)的頻率，11)為固定周期信號(hào)的初相 位，m和n均為雙穩(wěn)態(tài)勢(shì)壘實(shí)參數(shù)，g(t)表示非線性優(yōu)化模型的輸入?yún)?shù)，a為噪聲強(qiáng)度， 寫（t)為均值為0的高斯白噪聲。
[0016] 所述的步驟⑧中事先存儲(chǔ)于數(shù)據(jù)庫(kù)中的MRI掃描圖像的灰度圖像中的每個(gè)像素 點(diǎn)的信噪比的具體獲取過(guò)程為：
[0017] ⑧-1、選取一幅具有明顯病灶的MRI掃描圖像，然后將該具有明顯病灶的MRI掃描 圖像轉(zhuǎn)換為灰度圖像，其中，該具有明顯病灶的MRI掃描圖像的來(lái)源與步驟①中的MRI掃描 圖像的來(lái)源一致；
[001引⑧-2、假設(shè)該灰度圖像的寬度和高度對(duì)應(yīng)為WXH，那么如果WXH能夠被uXu整 除，則將該灰度圖像作為待處理灰度圖像，然后直接將待處理灰度圖像劃分成個(gè)互 '議乂站 不重疊的尺寸大小為uXu的子塊；如果WXH不能夠被uXu整除，則擴(kuò)展該灰度圖像使其 尺寸大小能夠被uXu整除，將擴(kuò)展后的灰度圖像作為待處理灰度圖像，然后將待處理灰度 圖像劃分成個(gè)互不重疊的尺寸大小為uXu的子塊，其中，W'和H'對(duì)應(yīng)表示擴(kuò)展后 UXU 的灰度圖像的寬度和高度，W'= =W且H'〉H或r〉W且H'= =H或r〉W且H'〉H;
[0019]⑧-3、手動(dòng)圈定待處理灰度圖像中的每個(gè)病灶區(qū)域；
[0020] ⑧-4、計(jì)算待處理灰度圖像中的每個(gè)病灶區(qū)域?qū)?yīng)的每個(gè)尺寸大小為uXu的子 塊中的每個(gè)像素點(diǎn)的信噪比。
[0021] 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：
[0022] 1)由于標(biāo)記分水嶺分割算法具有分割精度高、效率高、誤差小等優(yōu)勢(shì)，其對(duì)目標(biāo)物 體連接在一起的圖像能夠取得比較好的分割效果，因此本發(fā)明方法采用標(biāo)記分水嶺分割算 法對(duì)灰度圖像進(jìn)行初步分割，不僅分割得到的初步病灶區(qū)域的準(zhǔn)確度高，而且分割效率高。 [002引。本發(fā)明方法在初步分割后，利用非線性優(yōu)化模型進(jìn)行優(yōu)化，因此只需一次分割 再結(jié)合優(yōu)化就能得到準(zhǔn)確的病灶區(qū)域，分割過(guò)程簡(jiǎn)單，分割效率高，且運(yùn)算量少，適合大批 量圖像分割作業(yè)。
[0024] 3)本發(fā)明方法能夠?qū)崿F(xiàn)自動(dòng)分割，既適用于簡(jiǎn)單的場(chǎng)合，又適用于復(fù)雜的場(chǎng)合。
[00巧]4)本發(fā)明方法不依賴于醫(yī)生的能力與經(jīng)驗(yàn)，普通技術(shù)水平的醫(yī)生經(jīng)過(guò)簡(jiǎn)單操作就 可W獲取MRI掃描圖像分割的目標(biāo)。
【附圖說(shuō)明】
[0026] 圖1為本發(fā)明方法的總體實(shí)現(xiàn)框圖；
[0027] 圖2為一幅S維腦部MRI掃描圖像；
[0028] 圖3為利用本發(fā)明方法對(duì)圖2所示的S維腦部MRI掃描圖像進(jìn)行處理后的效果 圖。
【具體實(shí)施方式】
[0029]W下結(jié)合附圖實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。
[0030]本發(fā)明提出的一種基于病灶容積測(cè)量的MRI自動(dòng)圖像分割方法，其總體實(shí)現(xiàn)框圖 如圖1所示，其包括W下步驟：
[0031]①獲取一幅來(lái)自醫(yī)院的MRI醫(yī)學(xué)影像設(shè)備的MRI掃描圖像作為待分割的MRI掃描 圖像，然后將待分割的MRI掃描圖像轉(zhuǎn)換為灰度圖像。
[003引②假設(shè)該灰度圖像的寬度和高度對(duì)應(yīng)為WXH，那么如果WXH能夠被UXU整除，貝U M/X/ / 將該灰度圖像定義為當(dāng)前灰度圖像，然后直接將當(dāng)前灰度圖像劃分成一^個(gè)互不重疊的 I!乂!J 尺寸大小為uXu的子塊；如果WXH不能夠被uXu整除，則擴(kuò)展該灰度圖像使其尺寸大小 能夠被uXu整除，將擴(kuò)展后的灰度圖像定義為當(dāng)前灰度圖像，然后將當(dāng)前灰度圖像劃分成 個(gè)互不重疊的尺寸大小為uXu的子塊，其中，W'和H'對(duì)應(yīng)表示擴(kuò)展后的灰度圖像 UXU 的寬度和高度，W' = =W且H'〉H或r〉W且H' = =H或r〉W且吐〉H。
[0033] 在本實(shí)施例中，uXu取5X5。
[0034] 在本實(shí)施例中，擴(kuò)展灰度圖像直接采用現(xiàn)有技術(shù)，一般在原始的灰度圖像的最右 側(cè)補(bǔ)充若干列像素點(diǎn)（原始的灰度圖像的寬度不能被U整除，而高度能夠被U整除的情況） 或在原始的灰度圖像的最下側(cè)補(bǔ)充若干行像素點(diǎn)（原始的灰度圖像的寬度能夠被U整除， 而高度不能被U整除的情況）或在原始的灰度圖像的最右側(cè)補(bǔ)充若干列像素點(diǎn)且在原始的 灰度圖像的最下側(cè)補(bǔ)充若干行像素點(diǎn)（原始的灰度圖像的寬度不能被U整除且高度也不能 被U整除的情況），且補(bǔ)充的所有像素點(diǎn)的像素值為0或255。
[0035] ③采用現(xiàn)有的標(biāo)記分水嶺分割算法對(duì)當(dāng)前灰度圖像進(jìn)行分割，得到當(dāng)前灰度圖像 中的多個(gè)初步病灶區(qū)域。
[0036] 標(biāo)記