[发明专利]一种基于标记融合的概率图形模型图像分割方法

权利要求书

1.一种基于标记融合的概率图形模型图像分割方法，用以对脑部MR图像进行组织分割，其特征在于，该方法包括以下步骤：

1)将目标图像分别与训练图像库中的多幅训练图像进行配准，选取相似度由大到小排序的前N幅训练图像，并且分别获取配准后的训练图像以及对应的形变场；

2)对各配准后的训练图像进行手工分割并对手工分割后的图像进行标记，根据形变场映射获得配准后的训练图像的候选标记；

3)分别提取配准后的训练图像和目标图像的patch，并以此建立概率图形模型，包括高斯模型和先验模型；

4)根据概率图形模型，采用全局加权表决的标记融合算法和最大后验概率计算目标图像中每一个像素点处的标记值，完成对目标图像的分割。

2.根据权利要求1所述的一种基于标记融合的概率图形模型图像分割方法，其特征在于，所述的步骤1)具体包括以下步骤：

11)将训练图像库中的多幅训练图像分别与目标图像进行刚性配准，对各训练图像按与目标图像的相似度从大到小排序，挑选出前N幅训练图像；

12)将挑选出的N幅训练图像与目标图像进行非刚性配准，得到配准后的训练图像以及对应的形变场。

3.根据权利要求1所述的一种基于标记融合的概率图形模型图像分割方法，其特征在于，所述的步骤3)具体包括以下步骤：

31)根据目标图像和配准后的训练图像的图像灰度值信息建立高斯模型：

pn(I(x);In)=12πσ2exp[-12σ2(I(x)-I~n(Φn(x)))2]]]>

其中，I(x)为目标图像在像素点x处的灰度值，I_n为第n幅配准后的训练图像patch的灰度值，σ²为高斯分布的方差，为未经过配准的第n幅训练图像patch的灰度值，Φ_n为第n幅训练图像配准时对应的形变场，Φ_n(x)为像素点x经过配准后得到的结果；

32)对标记值信息建立先验模型：

pn(L(x)=l;Ln)=1Zn,ρ(x)exp[ρD~nlΦn(x)]]]>

其中，L(x)为目标图像patch的标记值，L_n为第n幅配准后的训练图像patch的候选标记集合，ρ为斜率常数，ρ＞0，Z_n,ρ(x)为与ρ相关的配分函数，为在第n个patch的标记值为l的有符号距离变换。