[发明专利]一种脑部异常分类的处理方法

说明书

本发明提供了一种脑部异常分类的处理方法，包括如下步骤：(1)在包含脑部异常的多个图像中，利用三维数组分别标记所述脑部异常的位置，并且记录所述脑部异常的数量；(2)根据所述位置，并且根据预先确定的脑部位置与特定种类脑部异常出现概率的先验分布，分别确定每个图像中所述脑部异常对应的一个或多个种类的出现概率；以及(3)计算所确定的多个出现概率的平均值，作为所述多个图像中所述脑部异常对应的一个或多个种类的出现概率。本申请的方法能够仅依据位置推断脑部异常的种类。

技术领域

本发明涉及脑部异常的磁共振图像分割技术领域，尤其涉及一种脑部异常分类的处理方法。

背景技术

多模态磁共振图像的精确分割对于诊断、手术规划、术后分析以及化疗/放疗计划至关重要。

目前国内外有很多研究人员提出了各种各样的GBM多模态磁共振图像的分割方法，主要分为基于像素或者体素的分割算法和基于图形分割的算法等。基于像素或者体素分割算法的基本思想是根据每个像素在多模态图像上亮度信息、纹理信息等把该像素点分类到相应的类别中。

分类的算法包括无监督的聚类和有监督的学习。例如，基于模糊C均值(Fuzzy C-Means，简称为FCM)的模糊均值聚类的算法，以多模态磁共振图像的灰度作为特征向量，利用FCM对所有体素点进行聚类得到初始的分类，根据对称性，灰度分布等先验知识对初始分类进行优化，得到最终的分割结果。由于FCM聚类时，没有考虑空间邻域信息，并且GBM组织的灰度分布会产生重叠，因此容易产生误分割。基于图形分割算法用图的顶点来描述图像的像素，用图的边描述2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。这类算法通常需要解决一个求解广义特征向量问题，当图像比较大时，这类算法会遭遇计算复杂度大的问题。

发明内容

本发明提供了一种脑部异常分类的处理方法，本发明的方法解决了现有技术中存在的问题，提供了一种更为精确的分类方法。

本发明的目的是通过以下方案实现：

一种脑部异常分类的处理方法，包括如下步骤：

(1)在包含脑部异常的多个图像中，利用三维数组分别标记所述脑部异常的位置，并且记录所述脑部异常的数量；

(2)根据所述位置，并且根据预先确定的脑部位置与特定种类脑部异常出现概率的先验分布，分别确定每个图像中所述脑部异常对应的一个或多个种类的出现概率；以及

(3)计算所确定的多个出现概率的平均值，作为所述多个图像中所述脑部异常对应的一个或多个种类的出现概率。

优选地，所述先验分布是一个四维数组，其中三维数组代表特定种类脑部异常出现的位置，第四维数组代表不同种类脑部异常在该位置的出现概率。

优选地，还包括：用0和1标记所述脑部是否存在异常，0表示大脑无异常，1表示大脑存在异常。

本发明的方法仅通过大脑中异常位置的先验分布与脑部切片的三维数组即可预测脑部异常的种类，即仅通过脑部异常的位置推断出脑部异常的种类，而无需参考脑部图像，减少了医生的医疗压力，提高了脑部异常判断的准确性和客观性。

附图说明

图1是本发明的图像分割方法的基本流程图；

图2是某患者脑部表皮囊肿的T2影像；

图3是该患者的T2影像分割图。

具体实施方式

下面结合附图，对本发明进行详细的解释。