[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

说明书

技术领域

本发明涉及图像处理领域，尤其是涉及一种基于标记融合的概率图形模型图像分割方法。

背景技术

人体脑部磁共振(MR)图像中特定组织的精确分割是医学图像处理领域中的一个热点问题，对相关疾病的临床诊断和研究具有重要意义。

脑组织的分割方法按人工参与程度的不同可分为手动、半自动和全自动三种。手动分割方法能得到很好的符合预期的结果，缺点是效率低且重复性差，该方法通常只用于建立分割结果的金标准；半自动分割方法可以在一定程度上减轻工作量，并能结合专家先验知识得到比较接近于金标准的分割结果，但需要人工干预(如设置参数)，且不同的参数设置会导致不同的分割结果；全自动分割方法由计算机独立完成，具有无需人工干预、可重现分割结果的特点，已经成为分割方法的主要研究方向和发展趋势。

现有的相似性度量方法大都是基于图像的灰度信息，没有考虑图像的区域特性，不能很好地反映训练图像和目标图像在分割对象所在区域的局部相似程度。使用这类相似度作为参考图像选择准则时，可能会遗漏一些与目标图像在分割对象局部区域有较大相似、但在其他区域有较大差异的训练图像，从而影响到多训练图像方法的分割精度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种精确分割、减少误差的基于标记融合的概率图形模型图像分割方法。

本发明的目的可以通过以下技术方案来实现：

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，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。

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。

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：

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：

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。

所述的步骤4)中，目标图像中每一个像素点处的标记值为：

其中，p_n(L(x)|I(x)；{L_n,I_n})为已知训练patch的灰度I_n、标记L_n以及目标图像灰度I(x)时，像素点x的标记为l的概率，{0,labels of target}为人为选取的几个部分的标记值。

所述的目标图像的灰度值I(x)和标记值L(x)在每一个像素点x处均相对独立。

与现有技术相比，本发明具有以下优点：

本发明通过概率图形模型对训练图像和目标图像之间建立了紧密的联系，并进一步获得权重方法的标记融合算法对医学图像进行分割，实现分割自动，采用本发明方法能使得分割结果更加精确，减少了由单幅训练图像信息不全面带来的误差，从而得到较精确的分割效果。

附图说明

图1为本发明的具体处理过程图。