[发明专利]三维磁共振图像脑子结构自动分割的方法

说明书

技术领域

本发明涉及医学图像处理技术领域，特别涉及对三维磁共振脑图像进行子结构自动分割的方法。

背景技术

在医学影像的基础和临床研究中，对磁共振脑图像进行分割具有重要的意义。可靠、精确的对脑进行分割被广泛的应用于许多医学影像的应用中，如手术计划制定、疾病病程研究、老年人或年轻人的大脑发展等。脑分割包括对脑组织和脑结构进行分割。在传统研究中，由经过训练的专家对脑磁共振图像手工标定所得到的分割结果是图像分割的金标准。然而这种方法非常耗时，特别是随着数据集的不断增大，此方法变得越来越不可行。另外，手工标定也容易引入个体内和个体间的分割偏差。因此，开发全自动的脑分割算法变得十分必要。尽管为了开发高效、准确的自动分割算法，研究人员付出了不懈的努力，但是由于图像本身的质量以及脑组织和结构在磁共振图像中特有属性的影响，开发精确的，可靠的，全自动的脑分割算法仍然面临着不小的挑战。

近年来，基于图谱的分割方法由于其优越的性能引起了许多研究人员的关注。基于图谱的分割方法的基本思想是利用图像配准的方法把一副经过手工分割的图像(图谱)配准到待分割图像上，然后把经过配准的图像的手工分割结果做为待分割图像的分割结果。此方法的优点是待分割目标的形状信息可以被隐式地包含在配准的过程中。为了弥补基于单个图谱分割方法易受图像配准错误影响的问题，研究人员最近开发了基于多图谱的分割方法，此方法需要提供多个图谱，然后把每个图谱分别配准到待分割图像空间中，最后利用标签融合的办法把多个经过配准的图谱的分割结果进行融合从而获得最终分割结果。在已有工作中，许多研究关注于新的标签融合方法的提出，其中Sabuncu(Sabuncu et al.“A generative model for image segmentation based on label fusion”IEEE Trans Med Imag 29(2010)，pgs.1714-1729)，Artaechevarria(Artaechevarria，et al″Combinat ion strategies in multi-atlas image segmentation：application to brain MR data，″，IEEE Trans Med Imag 28(2009)，pgs.1266-1277)的研究表明，相比其他融合方法，利用图谱图像与待分割图像在局部的相似性作为权重进行标签融合可以获得较优的结果。但是目前标签融合的办法大多依赖于预设的模型，并不能保证此模型是最优的，另外，在融合过程中严格要求待分割图像体素与图谱中体素一一对应，使得用于融合的样本局限于图谱的个数，最后，当前标签融合方法只用到体素的灰度信息，而很多有用的纹理特征可以给融合提供重要的信息。

发明内容

本发明的目的是提供一种对三维磁共振图像进行脑子结构自动分割的方法。

为了实现上述目的，一种三维磁共振图像脑子结构自动分割方法，包括步骤：

利用手动图像分割方法获取多个图谱；

把多个图谱逐个配准到待分割图像；

对待分割图像进行初始分割，并确定需要进一步分割的图像体素；

将需要进一步分割的图像体素对应的特定空间领域中所有图谱的体素作为候选训练样本集；

从需要进一步分割的图像体素和候选训练样本集中的图像体素提取图像灰度和纹理特征；

对每一个需要进一步分割的图像体素在候选训练样本集中寻找其距离最近的K个像素作为训练集，并用支持向量机训练一个分类器对其进行分割。

本发明的方法利用机器学习的方法建立图像信息与标签之间的映射关系，相对于需要预设模型的标签融合方法，我们的方法更优；此外，对图像中待分割的体素和训练集中的每个样本提取了多种包括灰度和纹理的特征，同时由于不要求待分割图像体素可以与图谱中体素一一对应关系，训练样本个数可以大于图谱个数，使得训练的分类器更鲁棒；最后，利用投票的方法对图像中易于分割的体素进行初始分割可以大幅度提高分割的效率。

附图说明

图1是待分割磁共振脑图像和多个包含海马分割的图谱；

图2是本发明的流程图；

图3是对图1中待分割图像进行分割的结果。

具体实施方式

下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是，所描述的实施例仅旨在便于对于本发明的理解，而不起任何限定作用。