一种结合全局和局部信息的大脑磁共振图像分割方法技术

本发明专利技术公开了一种结合全局和局部信息的大脑磁共振图像分割方法，包括：利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，得到各类别的预测概率分布；对于大脑磁共振图像利用线性迭代聚类超体素算法生成超体素；将分割所得预测概率分布和所生成超体素融合得到分割结果的大脑磁共振图像，包括：找出超体素在各类别预测概率分布中的对应区域；统计找出各对应区域中背景、脑脊液、灰质和白质出现次数，并计算各个类别出现的比重；利用超体素类别比例方法对各类别预测概率分布重新赋值；求出其类别概率最大的一类，及将类别作为该像素点的类别标签，得到分割结果的大脑磁共振图像。本发明专利技术可提高分割精度，得到较好的大脑磁共振图像分割结果。

【技术实现步骤摘要】
一种结合全局和局部信息的大脑磁共振图像分割方法
本专利技术涉及一种结合全局和局部信息的大脑磁共振图像分割方法，属于数字图像

技术介绍
大脑是人体的所有生理活动的最高调节器官和心理思维活动的中心器官，是人体最特殊、最重要的一个器官，它的健康是极为重要的，所以对脑部健康的重视是必须的。然而随着现在社会的飞速发展，生活节奏不断加快，身体老化，环境因素，交通及意外等因素影响，癫痫、脑血管病、脑瘫及颅内肿瘤等脑部疾病在现在都较为常见。脑部疾病已经成为威胁人们健康的重要因素。有效的诊断和治疗脑部疾病，对于提高人类的寿命是极为有益的。因此，对大脑的定性和定量分析一直是许多学者研究的热点。近年来，生物医学影像在临床诊断和治疗中发挥着重要的作用，已经成为医学诊断中不可或缺的技术手段，生物医学成像是借助于某种介质(如X射线、电磁场、超声波等)与人体的相互作用，把人体内部组织、器官的形态结果、密度、功能等，以图像的形式表达出来。目前常见的成像方式有计算机化X线断层摄影(ComputedTomography，CT)，核磁共振成像(MagneticResonanceImaging，MRI)，核磁共振功能成像(functionalMagneticResonanceImaging，fMRI)，正电子发射端扫描(PositronEmissionTomography，PET),超声成像(UltrasoundScan，US)等。MRI成像相对于其他成像技术其具有以下优点：(1)MRI对软组织的对比度较高，对神经、血管、肌肉等软组织成分显示明显优于CT；(2)MRI不靠外界的辐射、吸收与反射，也不靠放射性物质在体内的γ辐射，而是利用外磁场与物体的相互作用来成像，对人体无害。(3)具有任意方向直接分层成像的能力(4)具有较高的空间分辨率，可以获取脑部和神经系统等组织的高分辨的图像这些优点使MRI图像对于分析生物体内如脑这样的软组织比较有效。随着医学成像技术的发展，目前磁共振成像技术已在各个医院中投入运行，并且越来越多的用于评估大脑状况[1][2]。在临床学中，大脑图像的分割是对大脑进行分析和诊断的非常重要的一个步骤。大脑图像的分割有助于专家确定病灶组织的体积和位置等信息，也可以和图像配准以及融合技术结合以便医生后续的分析和诊断，另外还可以为大脑的三维重建提供基础。脑MRI图像的分割任务一般有两种，一种指的是大脑结构的分割，将大脑分割为脑室、胼胝体以及海马体等结构。另一种分割任务是脑组织的分割，其目标是将大脑分为白质(White,WM)、灰质(GrayMatter,GM)以及脑脊液(CerebrospinalFluid,CSF)。大脑组织的准确分割对于疾病的诊断和治疗是一个很重要的部分，通过测量大脑中感兴趣区域的组织结构的变化，可以用来评估某些疾病的严重程度和大脑的进化，然而只有在核磁共振图像上进项标记，才能进行这些测量。对于临床医生来说分析这些大而复杂的MRI图像，手动分割脑MRI图像已经成为一项繁琐而复杂的任务，他们必须手动提取重要的信息。另外，人工分析是一项容易出错的工作，所以脑MRI图像数据的分析需要自动化方法从而方便疾病的诊断和测试。然而在脑MRI图像中，MRI图像会受到噪声、部分容积效应等多种因素的影响，并且大脑组织结构本身也很复杂，这使得自动获得高精度的分割仍然是一个具有挑战性的课题。
技术实现思路
本专利技术所要解决的技术问题在于克服现有技术的不足，提供一种结合全局和局部信息的大脑磁共振图像分割方法，解决现有的方法中MRI图像会受到噪声、部分容积效应等多种因素的影响导致分割精度不高的问题。本专利技术具体采用以下技术方案解决上述技术问题：一种结合全局和局部信息的大脑磁共振图像分割方法，包括以下步骤：步骤1，提取大脑核磁共振图像的全局信息包括：利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，得到图像中像素点分别为背景、白质、灰质和脑脊液类别的预测概率分布；步骤2，提取大脑核磁共振图像的局部信息包括：对于大脑磁共振图像利用线性迭代聚类超体素算法生成超体素；步骤3，将分割所得各类别预测概率分布和所生成超体素融合得到分割结果的大脑磁共振图像，包括：步骤3-1，根据包含像素点的超体素，找出超体素在分割所得各类别预测概率分布中的对应区域；步骤3-2，统计找出各对应区域中背景、脑脊液、灰质和白质出现的次数，并计算各个类别出现的比重；步骤3-3，结合各类别的预测概率分布、计算的各个类别出现的比重、设定的影响因子，利用超体素类别比例方法对各类别预测概率分布重新赋值；步骤3-4，对于大脑磁共振图像中对应区域的每个像素点，根据重新赋值的类别预测概率分布求出其类别概率最大的一类，及将所求出类的类别作为该像素点的类别标签，以得到分割结果的大脑磁共振图像。进一步地，作为本专利技术的一种优选技术方案，所述步骤1利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，包括：步骤1-1，将三维大脑磁共振图像切片及转化为若干个二维大脑磁共振图像，并做裁剪处理和去除全是背景的图像，得到包含若干个二维大脑磁共振图像的原始数据；步骤1-2，对原始数据做归一化处理后，将原始数据分为训练数据和测试数据；步骤1-3，建立端到端卷积神经网络的初始模型；步骤1-4，将训练数据送入端到端卷积神经网络的初始模型进行网络参数训练，得到训练后的端到端卷积神经网络模型；步骤1-5，通过训练后的端到端卷积神经网络模型得到原始数据中每个二维大脑磁共振图像对应的二维预测概率分布，并将所有二维预测概率分布按顺序叠加起来得到一个三维预测概率分布Rprob[xpi,ypj,zpk]＝[pbk,pwm,pgm,pcsf]，其中pbk,pwm,pgm,pcsf分别表示像素点(xpi,ypj,zpk)预测为背景、白质、灰质和脑脊液4个类别的预测概率。进一步地，作为本专利技术的一种优选技术方案，所述步骤1-4还包括利用测试数据对训练后的端到端卷积神经网络模型中参数校准。进一步地，作为本专利技术的一种优选技术方案，所述步骤1构建的端到端卷积神经网络由全卷积神经网络和多尺度卷积神经网络构成。进一步地，作为本专利技术的一种优选技术方案，所述步骤2中利用线性迭代聚类超体素算法生成超体素，包括：步骤2-1，对大脑磁共振图像中选取体素为种子点；步骤2-2，计算加权距离作为体素与种子点间的测度算子；步骤2-3，基于计算的加权距离，采用k-means聚类方法将体素聚类到各个种子点生成超体素。进一步地，作为本专利技术的一种优选技术方案，所述步骤3-2中计算各个类别出现的比重采用公式：其中，常数i＝0,1,2,3；n0,n1,n2,n3分别表示统计的各对应区域中背景、脑脊液、灰质和白质出现的次数；n表示统计的总次数。进一步地，作为本专利技术的一种优选技术方案，所述步骤3-3中利用超体素类别比例方法对各类别预测概率分布重新赋值采用公式：[pbk，pcsf，pgm，pwm]new＝(1-α)Rprob+α[pbk，pcsf，pgm，pwm]′其中，[pbk,pcsf,pgm,pwm]′＝Rprob·[w0,w1,w2,w3]；公式中，[pbk,pcsf,pgm,pwm]new表示重新赋值后各类别的预测概率分布；Rprob表示三维预测概率分布；w本文档来自技高网...

【技术保护点】
1.一种结合全局和局部信息的大脑磁共振图像分割方法，其特征在于，包括以下步骤：步骤1，提取大脑核磁共振图像的全局信息包括：利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，得到图像中像素点分别为背景、白质、灰质和脑脊液类别的预测概率分布；步骤2，提取大脑核磁共振图像的局部信息包括：对于大脑磁共振图像利用线性迭代聚类超体素算法生成超体素；步骤3，将分割所得各类别预测概率分布和所生成超体素融合得到分割结果的大脑磁共振图像，包括：步骤3‑1，根据包含像素点的超体素，找出超体素在分割所得各类别预测概率分布中的对应区域；步骤3‑2，统计找出各对应区域中背景、脑脊液、灰质和白质出现的次数，并计算各个类别出现的比重；步骤3‑3，结合各类别的预测概率分布、计算的各个类别出现的比重、设定的影响因子，利用超体素类别比例方法对各类别预测概率分布重新赋值；步骤3‑4，对于大脑磁共振图像中对应区域的每个像素点，根据重新赋值的类别预测概率分布求出其类别概率最大的一类，及将所求出类的类别作为该像素点的类别标签，以得到分割结果的大脑磁共振图像。

【技术特征摘要】
1.一种结合全局和局部信息的大脑磁共振图像分割方法，其特征在于，包括以下步骤：步骤1，提取大脑核磁共振图像的全局信息包括：利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，得到图像中像素点分别为背景、白质、灰质和脑脊液类别的预测概率分布；步骤2，提取大脑核磁共振图像的局部信息包括：对于大脑磁共振图像利用线性迭代聚类超体素算法生成超体素；步骤3，将分割所得各类别预测概率分布和所生成超体素融合得到分割结果的大脑磁共振图像，包括：步骤3-1，根据包含像素点的超体素，找出超体素在分割所得各类别预测概率分布中的对应区域；步骤3-2，统计找出各对应区域中背景、脑脊液、灰质和白质出现的次数，并计算各个类别出现的比重；步骤3-3，结合各类别的预测概率分布、计算的各个类别出现的比重、设定的影响因子，利用超体素类别比例方法对各类别预测概率分布重新赋值；步骤3-4，对于大脑磁共振图像中对应区域的每个像素点，根据重新赋值的类别预测概率分布求出其类别概率最大的一类，及将所求出类的类别作为该像素点的类别标签，以得到分割结果的大脑磁共振图像。2.根据权利要求1所述结合全局和局部信息的大脑磁共振图像分割方法，其特征在于，所述步骤1利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，包括：步骤1-1，将三维大脑磁共振图像切片及转化为若干个二维大脑磁共振图像，并做裁剪处理和去除全是背景的图像，得到包含若干个二维大脑磁共振图像的原始数据；步骤1-2，对原始数据做归一化处理后，将原始数据分为训练数据和测试数据；步骤1-3，建立端到端卷积神经网络的初始模型；步骤1-4，将训练数据送入端到端卷积神经网络的初始模型进行网络参数训练，得到训练后的端到端卷积神经网络模型；步骤1-5，通过训练后的端到端卷积神经网络模型得到原始数据中每个二维大脑磁共振图像对应的二维预测概率分布，并将所有二维预测概率分布按顺序叠加起来得到一个三维预测概率分布Rprob[xpi，ypj，zpk]＝[pbk，pwm，pgm，...

【专利技术属性】
技术研发人员：孔佑勇，吴飞，杨雨婷，伍家松，杨淳沨，舒华忠，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32