[发明专利]脑胶质母细胞瘤的多模态核磁共振图像分割方法

说明书

本发明提出一种脑胶质母细胞瘤的多模态核磁共振图像分割方法，采用了随机森林和区域生长法相融合的分割策略，将区域生长分割脑胶质瘤多模态磁共振图像的结果替换相应置信度低的随机森林粗分割结果，生成再训练数据再次训练随机森林模型，精分割脑胶质瘤多模态磁共振图像，将脑部核磁共振图像分割为脑部正常组织区、坏死区、活动肿瘤区、T1异常区以及FLAIR异常区5部分。本发明针对脑胶质母细胞瘤精细分割与定位，辅助医生诊断与治疗等任务的需要，使得脑胶质母细胞瘤能够准确定位以及肿瘤不同子区域得到更加准确精细分割，方便医生更加快速准确地诊断脑胶质母细胞瘤，并制定准确的治疗方案。

技术领域

本发明涉及数字医学图像分析和智能健康管理领域，尤其是一种脑胶质母细胞瘤的多模态核磁共振图像分割方法。

背景技术

脑胶质瘤是最常见的原发性脑肿瘤，其中一半以上为恶性度最高的胶质母细胞瘤(Glioblastoma Multiforme,GBM)。对于GBM，无论其形式是良性还是恶性，均会使颅内压升高，压迫脑组织，导致中枢神经受损，危及患者生命。GBM病变组织的定位和量化计算(如肿瘤的体积等)对于GBM的诊断、手术规划、术后分析等至关重要。在临床上，放射科医生通常通过多模态磁共振图像手动分割肿瘤，工作十分繁琐且耗时。自动分割GBM肿瘤不仅可将医生从中解放出来，而且可有效避免因过度疲劳而产生的错误。因此，GBM肿瘤的计算机自动分割技术对GBM肿瘤的辅助治疗具有极其重要的意义。

纵观国内外各类文献报道，尽管实现GBM肿瘤的精确自动分割存在很大困难，但因其具有巨大的辅助医疗意义，近些年吸引了众多研究人员致力于对它的研究。目前已有的GBM多模态磁共振图像分割方法大概可以分为两类：一类是基于像素或体素的分割方法，另一类是基于图形的分割方法。基于像素或体素的分割方法的基本思想是依据各个像素在多模态图像上亮度、纹理等信息把该像素分类至相应的类别。而基于图形的分割算法则用图的顶点来表征图像像素，用图的边表征两个像素的相似性，由此形成一个网络图，通过解决能量最小化问题把图分割成子网络图，使不同子网络图之间的差异和同一子网络图内部的相似性达到最大。除了以上两类算法，基于水平集的分割算法也广泛应用于GBM多模态磁共振图像分割。但是，通过分析已有的GBM多模态磁共振图像分割方法发现，上述研究虽取得了一定的研究成果，但均集中在搜索和分割整个肿瘤区域，并未将整个肿瘤进一步细分为肿瘤不同子区域。分离出肿瘤不同子区域具有十分重要的意义，因为通过肿瘤不同子区域可以获取对GBM具有重要预测作用的高层次影像特征(如坏死区的比例等)。

申请号为201710379095.6的发明专利《一种基于全卷积网络的MRI图像脑肿瘤自动分割方法》，包括脑肿瘤多模态MRI图像预处理、全卷积网络模型构造、网络训练与参数调优和脑肿瘤图像自动分割。

该发明专利具有以下特点：

1、采用了T1、T1c、T2和FLAIR四种模态磁共振图像，将包含脑肿瘤的多模态磁共振图像分割成健康组织、水肿、坏死、增强核和非增强核。

2、采用了按语义训练的卷积神经网络架构，对输入的整张图像的每个像素进行预测，包括编码部分(提取特征)和解码部分(降采样或去卷积从编码器得到的高维特征)和组合从编码部分得到的高维特征来分类像素，不能加快分割速度并避免训练时出现网络权值数量爆炸的问题。

发明内容

本发明的目的在于提出了一种随机森林和区域生长法相融合，实现精分割脑胶质母细胞瘤的多模态核磁共振图像的方法。

为解决上述技术问题，本发明提出一种脑胶质母细胞瘤的多模态核磁共振图像分割方法：

步骤1、预处理过程：收集并预处理脑胶质母细胞瘤的多模态核磁共振图像，建立训练样本和测试样本；

步骤2、粗分割过程：采用步骤1所得的训练样本训练随机森林，构建初始随机森林模型；将步骤1所得的测试样本输入初始随机森林模型进行粗分割，获得粗分割结果；