[发明专利]大鼠头部磁共振图像蒙特卡洛仿真模型的获取方法

说明书

技术领域

本发明涉及图像处理方法，特别是大鼠头部磁共振图像的处理方法。

背景技术

通过分析入射到生物组织内部的光和由生物组织散射出的光，可以获得生物组织内部的光学参数信息，其中迫切需要解决的问题就是研究光在复杂生物组织中的传播和分布规律。蒙特卡洛方法(以下简称MC)是广泛用于研究光在生物组织中传播和分布的随机统计方法。对于非均匀复杂组织中光的分布MC模拟，首先要根据不同的光学参数(主要是：吸收系数(absorption coefficient)、散射系数(scattering coefficient)、各向异性因子(anisotropic factor))将生物组织分割成不同的区域，从而构成多组织MC仿真模型，然后进行MC计算，获得相应的光场分布。在早期的研究中，仿真模型是由几个简单的几何模型组成，与真实组织相比非常不精确，从而导致仿真结果出现较大偏差。随着医学影像技术的成熟，通过对MRI图像进行分割，从而获得多组织MC仿真模型被证明是非常有效的。在对于脑组织的研究中，根据光学参数的不同，比较公认的是把脑组织分割成为5个部分，包括头皮、头骨、脑脊液、脑灰质和脑白质。从MRI图像如何准确的分割出大脑的5种不同组织，成为利用MC仿真方法获得准确结果的关键。针对人脑组织提出了许多图像分割方法，其中最具有代表性的方法包括阈值分割法、水平集分割法、模糊C均值聚类方法等。

阈值分割法分为全局阈值法和局部阈值分割法，全局阈值分割方法在图像处理中应用比较多，它在整幅图像内采用固定的阈值分割图像。如果图像中待分割组织的灰度信息重叠较多的话，效果很差。

水平集分割法的核心思想是把n维描述视为高一维(n+1)维的水平集，或者说是把n维描述视为有n维变量的水平集函数f的水平集。这样一来就把求解n维描述的演化过程转化为求解关于有n维变量的水平集函数f的演化所导致的水平集的演化过程。

K均值聚类本身是迭代的，且不能确保它收敛于最优解。K均值算法的性能依赖于聚类中心的初始位置。模糊C均值聚类方法，作为K均值聚类算法的一种改进，是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。模糊C均值聚类是目前分割MRI图像最好的方法之一，它能很好的分割出颅脑图像中的灰质、白质和脑脊液等组织。

由于大鼠模型广泛应用于科学研究中，因此建立满足MC仿真要求的大鼠大脑多组织模型具有特别重要的意义。早期研究中，大鼠大脑多组织模型的建立方法，主要采用模板匹配分割法。随着高场强小动物磁共振的出现，通过分割MRI获得大鼠大脑多组织MC仿真模型，成为迫切的需要。大鼠大脑磁共振图像序列中，头皮组织的灰度分布范围广，与脑组织(包括脂肪组织、脑脊液、脑白质、脑灰质)有很大重叠。因而直接通过灰度信息，利用阈值分割或模糊聚类并不能够完成5中组织的分割；由于大鼠大脑体积小，颅骨很薄，利用窄带水平集同样不能获得理想的结果。因此单独采用现有的分割方法都无法获得满足MC仿真要求的多组织模型。

发明内容

本发明的目的在于克服现有技术的局限性，提供一种快速、准确的大鼠头部磁共振图像蒙特卡洛仿真模型的获取方法。

本发明的思路是针对大鼠头部磁共振图像中各组织的特点，选用最合适的图像分割方法和相应的参数，从整体上通过多种图像分割方法的特定组合，将头皮、颅骨、脑脊液、脑灰质、脑白质这5种组织图像准确分割出来，从而实现快速、准确的获取蒙特卡洛仿真模型。

具体的说，本发明是通过如下各步骤实现的：

A、首先将图像分割为头皮、颅骨、脑脊液、脑灰质、脑白质这5种组织以及图像背景共6部分图像；

B、然后将上述6部分图像分别赋以不同的灰度值；

C、最后将6部分图像合并，得到蒙特卡洛仿真模型。

其中步骤A采用了多种图像分割方法的特定组合，具体包括下列各步骤：

A1、颅骨组织分割：使用灰度阈值分割法对原始图像序列中的任意一张图像K0进行分割，并利用膨胀腐蚀算法获得颅骨组织和不连续的噪声部分；然后利用二值图像最大区域标记法去除噪声，即首先对图像不连续区域灰度值进行标记，然后计算各个标记区域的面积，其中面积最大的连续区域即为需分割的组织，将其像素标记为1，其他部分为噪声部分，其像素标记为0，得到颅骨图像K1；

本步骤中的膨胀腐蚀算法是现有技术，具体内容参见文献(医学图像处理与分析，罗述谦等编著，科学出版社，2003，第83-89页)