[发明专利]一种基于MSEW-CA结合灰度直方图的多模态图像分割方法

说明书

本发明公开了一种基于MSEW‑CA结合灰度直方图的多模态图像分割方法，其步骤主要包括提取图像、图像转换、特征标注以及图像分割，以实现对图像、尤其是核磁共振图像进行有效的分割，能够适用于临床应用。

技术领域

本发明设计图像分割领域，尤其涉及到一种基于MSEW-CA结合灰度直方图分割脑图像的算法。

背景技术

随着技术发展，图像分割技术越来越普遍地运用于各行各业。在医学领域，图像分割技术的运用常常作为医生诊疗的辅助手段。

脑组织本身复杂，且成像过程中产生的偏移场效应和噪声问题，再加上水肿边缘与正常脑组织叠加生长，这就导致分割边界不明显，给分割带来极大的困难。对于解决边界模糊的问题，国内外只有较少量文献报道。

Havaei等人2017年在Medical Image Analysis期刊上发表的论文《Brain tumorsegmentation with Deep Neural Networks》提出一种全连接卷积神经网络分割模型，该方法提取图像的局部特征和全局特征作为分类特征向量，能够较准确的分割复杂的图像，但是该算法对核心和增强部分的分割精度较低，且算法相对复杂，对运行环境要求较高。

发明内容

本发明的目的是为克服上述问题，提出一种基于MSEW-CA结合灰度直方图的多模态图像分割方法，以实现对图像、尤其是核磁共振图像进行有效的分割，能够适用于临床应用。

本发明所提出的一种基于MSEW-CA结合灰度直方图的多模态图像分割方法，所述分割方法具体包括如下步骤：

第一步，提取图像，利用软件设备读取T1C、T2、FLAIR三种模态的核磁共振图像；

第二步，图像转换，融合T2、FLAIR两种模态图像进行边界区域补充显示，得到融合图像FI，利用图像灰度直方图特性对FI中灰度异常部分进行突出显示得到图像HI；

第三步，特征标注，提取HI和T1C图像中的特征区域D1和D2，并进行二值化处理，再次提取D1和D2中最大连通域以及D2中灰度异常区域，结合形态学和图像灰度特性分别确定i)HI灰度异常区域和背景种子点以及ii)T1C高亮、低亮和背景种子点，分别作为label1、label2；

第四步，图像分割，利用均方差加权算法计算加权距离分别对D1和D2进行分割，获得iii)HI高亮部分分割结果、iv)T1C高亮、低亮分割结果，分别作为label-out1、label-out2；根据像素点位置信息，合并label-out1、label-out2获得HI高亮、T1C高亮及低亮这三部分的分割结果。

进一步的，图像处理步骤中，对FI中灰度异常部分进行突出显示的过程具体为：利用灰度直方图方法统计FI图像中每个灰度值出现的频数并计算每个灰度值的频数占总频数的比例S(i)；取a＝255，将图像转化为uint8类型，比例S(i)、任意像素点(i,j)、像素点的灰度值I(i,j)、权重系数ω的关系满足

I(i,j)＝a*exp(-S(i)/ω)。

进一步的，图像分割步骤中，均方差加权算法的具体步骤包括：

a)距离计算，取点p、q_i，N_p、Nq_i分别是以p、q_i为中心点的3×3邻域，q_i∈N_p，则r1,r2∈[-1,1]时，点p、q_i间的灰度距离Δd(p,q_i)与二者坐标(x,y)、(a,b)之间的关系满足

b)计算邻域的均方差，邻域的平均值邻域内像素点数目n_p以及邻域的均方差d_s(p,q_i)之间的关系满足