[发明专利]一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法及系统

说明书

本公开公开了一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法及系统，该方法包括：接收MRI，进行预处理，得到MRI的所有模态联合配准到统一解剖学模板且带辅助诊断分割标签的图像；采用稀疏贝叶斯模型对MRI的不同模态进行分割，得到不同模态分割结果标签；采用多图谱融合法融合MRI中不同模态的分割结果，得到边界轮廓清晰的最终神经胶质瘤分割结果。

技术领域

本公开属于医学图像处理的技术领域，涉及一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

近年来，随着医学科技的发展，医学图像处理工作占据越来越重要的地位，其中基于核磁图像的脑肿瘤分割成为越发热门的话题。带肿瘤核磁图像的分割及肿瘤信息的提取为病情诊断、手术方案的制定、病情跟踪等提供了重要的参考价值。神经胶质瘤分割的任务是把带肿瘤的核磁图像中的正常组织和病变组织区分开来，并且使得肿瘤的不同子区域边界清晰。但是大多数情况肿瘤区域和正常组织不具备明显的差别，而且成像过程中容易出现人工干扰导致成像效果较差。

神经胶质瘤大多沿着白质纤维束蔓延，生长速度极快，其扩散性和侵入性均非常高，加之以不规则形状侵入人脑内部，给治疗带来了极大挑战。在实际临床诊断、治疗过程中，脑肿瘤轮廓等信息通过全人工或者半人工的方式在MRI(Magnetic ResonanceImaging，磁共振成像)上勾勒出。不同模态的MRI中，对不同脑组织呈现的清晰度不同。而且肿瘤和正常脑组织存在灰度上的相似性。因此仅通过医生的视觉，从不同模态的MRI中获得详细的有关肿瘤的综合性评价信息存在极大困难。

过去的很多年中大量的研究者在神经胶质瘤分割方面做了大量的工作，根据人工参与程度，可以把脑肿瘤分割方法大体分为三类：人工分割、半自动分割、全自动分割。目前临床对脑肿瘤的分割标记通常需要人工参与完成。由于核磁图像数据量巨大，而且涉及到不同的模态，人工分割是一个非常耗时及不具有普遍适用性的方式。另外此种方式缺少客观性，不同放射科专家的分割结果，在位置、尺寸等方面存在明显的差异，容易出现病变部位分割错误的风险。半自动的人工方法需要以人介入的方式部分参与分割过程才能完成最后的分割，通常需要人去初始化运算、检查分割结果准确性、甚至纠正分割结果。然而分割过程中涉及到用户策略的选择和使用者的经验知识，因此不同的专家分割结果也具有一定的变化性，不是完全客观的。

全自动分割方式不需要人工交互参与，分割结果完全由计算机决定。此类方式的算法中通常需要结合人类经验和一定的先验知识，经常使用的是柔性的计算方式或者基于模型的技术。例如，模糊均值，可变模型等都是属于柔性的计算技术。脑肿瘤自动分割技术的研究是机器学习和模式识别领域的一个重要研究课题。自动化分割的挑战主要集中在准确的特征提取和需要较大计算量两个方面。随着近些年计算机处理能力的高速发展，许多自动化的分割方式被提出。比如K近邻法、神经网络法、期望最大化法、空间决策树法、马尔科夫场法、图谱法、最小能量法。通常可以根据是否需要训练数据把这类分割方式分成有监督方式和无监督方式。尽管在分割脑瘤方面出现了上述的多种方式，然而，发明人在研究过程中发现，没有一种方式能很好的解决肿瘤区和临近的感兴趣区域的低对比度的问题。另外，过长的处理时间和较高的计算量的消耗在临床中是不被接受的。

发明内容

针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法及系统，有效实现在MRI的四种模态中准确分割神经胶质瘤。

根据本公开的一个或多个实施例的一个方面，提供一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法。

一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，该方法使用稀疏贝叶斯模型对神经胶质瘤进行分割和使用多图谱融合的方式进行分割结果的融合，包括：