多模态脑肿瘤MRI的无监督分割方法技术

本发明专利技术涉及医学图像分析技术领域，且公开了一种多模态脑肿瘤MRI的无监督分割方法，包括以下步骤：1)输入肿瘤患者的不同模态图像，包括T2加权、Flair和T1增强图像，对输入的图像进行灰度值归一化；2)提取脑部区域像素点在T2和Flair图像上的特征，利用聚类融合方法对像素点分类，从若干类中自动识别出肿瘤所属类别。该多模态脑肿瘤MRI的无监督分割方法，充分利用了不同MRI模态的成像特点，结合不同模态的信息和邻域信息，提高分割的准确度，使用无监督的分割方法，既不需要大量的有标注数据，也不需要长时间的训练时间和复杂的计算，方便了大量的工作，有效地提升了分隔的准确率，实现了算法实施简单、高效以及运算速度快的目的。

Unsupervised Segmentation of Multimodal Brain Tumors on MRI

The invention relates to the field of medical image analysis technology, and discloses an unsupervised segmentation method for multi-modal brain tumor MRI, which includes the following steps: 1) input different modal images of cancer patients, including T2-weighted, Flair and T1 enhanced images, normalize the gray value of the input images; 2) extract the features of brain region pixels on T2 and Flair images, and use clustering fusion. Methods Pixel points were classified and the categories of tumors were identified automatically from several categories. The unsupervised segmentation method of multimodal brain tumors makes full use of the imaging characteristics of different MR modes, combines the information of different modes and neighborhood information, improves the accuracy of segmentation, and uses unsupervised segmentation method. It does not need a lot of labeled data, nor does it need long training time and complex calculation, which facilitates a lot of work and effectively improves the segmentation. The accuracy of the interval makes the algorithm simple, efficient and fast.

【技术实现步骤摘要】
多模态脑肿瘤MRI的无监督分割方法
本专利技术涉及医学图像分析领域
，具体为一种多模态脑肿瘤MRI的无监督分割方法，在脑肿瘤识别、脑肿瘤分类和脑肿瘤生长预测等领域具有重要作用。
技术介绍
脑肿瘤是由于局部组织不可控的细胞增殖形成的一种异常组织，据统计资料显示，脑肿瘤发病率日益增高，愈发威胁着人们的健康，在临床上脑肿瘤及其样变形式多样，限制了脑肿瘤的早期诊断和治疗，随着医学影像技术的发展，核磁共振成像(MRI)成为诊断脑肿瘤疾病的主要方法之一，脑肿瘤MRI图像分割具有重要的意义，根据脑肿瘤分割的精确结果，医生可以获得肿瘤的形态、大小和位置等信息，用于辅助手术导航和放射靶区定位等，肿瘤分割结果除了直接应用于临床，也可计算机辅助结合其他数据进行更加深入的分析，结合多时间点的分割结果可用于肿瘤生长预测，结合患者其他生理信息可判断肿瘤类别，结合已接受治疗患者的预后大数据可帮助医生为每位患者制定个性化的治疗方案。实现自动脑肿瘤MRI图像分割具有一定的技术难度，主要体现在以下方面：(1)胶质瘤个体差异大，可能会出现在大脑的任何位置，其形状、结构和大小各不相同，(2)部分胶质瘤，显弥漫和浸润性生长，在图像中表现为肿瘤部位和周围脑组边界模糊，(3)脑组织的结构复杂，正常的脑组织包括灰质、白质、脑室和脑脊液等，病变组织包括肿瘤和水肿区域，其中肿瘤又包括坏死区、增强区和非增强区，现在主要的分割方法有基于阈值的分割方法，这种方法会设置一个或者多个阈值，将像素点的灰度值与阈值相比较从而确定像素点的类别，这种方法不能充分利用图像的信息，基于区域的分割例如活动轮廓法，初始化一个封闭曲线根据灰度值变化拟合实际的肿瘤边界，但是由于肿瘤的类型多样边界处灰度值梯度大小不同，不能准确定义截止条件，基于深度学习的分割方法，将数据划分为训练集和测试集，用训练集生成模型用过测试集评估准确度，这种方法需要大量的标记数据，由于上文提到的原因标记数据非常稀少，基于聚类的分割方法是一种无监督的图像分割方法，以像素点为样本根据其特征分为若干的类，相同类中的样本相比于其他样本具有更高的相似度，本专利技术即是基于聚类方法的脑肿瘤MRI图像分割。目前脑肿瘤的分割主要依靠经验丰富的医学专家，结合自身解剖学和病理学知识使用辅助软件手动标记属于脑肿瘤的像素点，手动分割方法存在很多问题，首先，专家们的分割结果严重依赖于自身先验知识和经验积累，不同专家对同一患者的分割结果具有差异，具有主观性，其次，每位专家完成一位患者的图像的标注需要大约四个小时，耗时耗力且实时性差，随着患者数量的逐年增加并且医生数量紧缺，为每位患者人工分割MRI图像难以实现，医生和患者急需一种能够准确高效的利用计算机自动分割脑肿瘤MRI图像的方法。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种模态脑肿瘤MRI的无监督分割方法，具备能提高分割的准确度，提高运算速度，使算法实施简单且高效等优点，解决了现有的脑肿瘤MRI图像分割方法中人工方法耗时耗力，有监督的分割方法需要大量的标记数据和很长的模型训练时间的问题。(二)技术方案为实现上述能提高分割的准确度，提高运算速度，使算法实施简单且高效的目的，本专利技术提供如下技术方案：一种多模态脑肿瘤MRI的无监督分割方法，包括以下步骤：1)输入肿瘤患者的不同模态图像，包括T2加权、Flair和T1增强图像，对输入的图像进行灰度值归一化；2)提取脑部区域像素点在T2和Flair图像上的特征，利用聚类融合方法对像素点分类，从若干类中自动识别出肿瘤所属类别；3)提取这些像素点在T1增强图像上的特征，用Kmeans方法聚为2类；4)从2类中自动识别肿瘤和水肿所属类别，使用一系列形态学的后处理，除去错误分类的像素点，精确提取病变区。优选的，将图像灰度范围统一线性归一化为0至255的范围，提取脑部区域的像素点作为样本，以每个像素点及其周围相邻的8个像素点分别在T2加权和Flair图像上的灰度值作为特征，即每个像素点用18维特征描述，如此便组成了N×p的样本空间S，其中N为待聚类的像素点数，p为特征维数。优选的，步骤2)中聚类融合方法的进一步具体细化如下：(2.1)输入样本空间S，样本为N个像素点，根据T2加权和Flair图像特点，病变区域在两图中均显高亮度，白质在两图中均显较低亮度，灰质和脑室在T2加权图中显高亮度而在Flair图中显低亮度，故设置k均值算法初始聚类数k＝3，从N个样本中随机选取k个类簇的聚类中心计算每个样本到聚类中心的平方欧氏距离：(2.2)将每个样本划分到距离值最小的聚类中心的类簇中，计算每个类簇中样本的平均值，作为新的聚类中心：(2.3)其中表示第t次迭代聚类中心的第k个类簇，表示第k个类簇中样本的个数，这里的求和是指类簇中所有元素在每列属性上的和，是一个p维向量，表示为：ck＝(ck,1,ck,2,…,,ck,p)(3)(2.4)如此循环迭代，直至t＝T时停止迭代，得到k个最终聚类中心计算n个样本与k个聚类中心的距离，得到大小为n×k的距离矩阵Dsqe，元素表示i个样本到j个聚类中心的距离，其中i＝1,…,n，j＝1,…,k，第一次聚类中k＝3，将样本分为3类，将(1)式平方欧氏距离换为余弦距离：(2.5)重复上述算法T次迭代得到距离矩阵Dcos，再将平方欧氏距离换为城市街区距离：(2.6)j为x和的第j维，重复上述算法T次迭代得到距离矩阵Dcb，将Dsqe，Dcos，Dcb中相应类别编号对应，将用三种距离聚类的样本定位至原图中的像素点，由此分别获得三种矩阵对应的三个聚类结果图，首先，k类像素点中在Flair图像上平均灰度值最大的一类，记为类别1，距离矩阵的第1行表示类别1的聚类中心，接下来，计算剩余聚类中心与第一类聚类中心的距离，按照距离由小到大的顺序，分别记为类别2到类别k，对应于距离矩阵的第二至第k列，最后，得到了列换序后的矩阵Dsqe*，Dcos*，Dcb*，对三个距离矩阵各个元素求和得到Dadd：Dadd＝Dsqe*+Dcos*+Dcb*(6)将样本x归为与其距离最小的聚类中心的类别，从k类中自动识别病变区所属类别，将k个像素点类簇映射到Flair图像上，计算每个类簇中的像素点在Flair图像上灰度值的平均值，判断平均值最大的类簇为包含病变区的类别，提取此类簇像素点，其余像素点灰度值归零，通过一系列形态学操作，精确病变区范围。优选的，步骤3)中Kmeans方法的进一步具体细化如下：(3.1)肿瘤区和水肿区在T1图像中均为低亮度，在T2图像中均为高亮度，在Flair图像中也难以区分，由先验知识，具有增强核心的肿瘤，其增强区域通常包围在坏死区外侧，即增强核心位于肿瘤区边界，而增强核心在T1增强图像上具有高亮度其他区域低亮度的特征，使用T1增强能够很好的识别增强核心从而描绘肿瘤区的边界，以病变区Nl个像素点为样本，以每个像素点及其周围26个邻域像素点在T1增强图像中的灰度值，拼成Nl×pl的样本空间Sl，其中p＝27为特征维数；(3.2)输入样本空间Sl，设置Kmeans算法初始聚类数kl＝2，从Nl个样本中随机选取kl个类簇的聚类中心计算每个样本到聚类中心的平方欧氏距离：(3.3)将每个样本划分到距离值最小的聚类中心的类本文档来自技高网...

【技术保护点】
1.多模态脑肿瘤MRI的无监督分割方法，其特征在于，包括以下步骤：1)输入肿瘤患者的不同模态图像，包括T2加权、Flair和T1增强图像，对输入的图像进行灰度值归一化；2)提取脑部区域像素点在T2和Flair图像上的特征，利用聚类融合方法对像素点分类，从若干类中自动识别出肿瘤所属类别；3)提取这些像素点在T1增强图像上的特征，用Kmeans方法聚为2类；4)从2类中自动识别肿瘤和水肿所属类别，使用一系列形态学的后处理，除去错误分类的像素点，精确提取病变区。

【技术特征摘要】
1.多模态脑肿瘤MRI的无监督分割方法，其特征在于，包括以下步骤：1)输入肿瘤患者的不同模态图像，包括T2加权、Flair和T1增强图像，对输入的图像进行灰度值归一化；2)提取脑部区域像素点在T2和Flair图像上的特征，利用聚类融合方法对像素点分类，从若干类中自动识别出肿瘤所属类别；3)提取这些像素点在T1增强图像上的特征，用Kmeans方法聚为2类；4)从2类中自动识别肿瘤和水肿所属类别，使用一系列形态学的后处理，除去错误分类的像素点，精确提取病变区。2.如权利要求1所述的多模态脑肿瘤MRI的无监督分割方法，其特征在于：将图像灰度范围统一线性归一化为0至255的范围，提取脑部区域的像素点作为样本，以每个像素点及其周围相邻的8个像素点分别在T2加权和Flair图像上的灰度值作为特征，即每个像素点用18维特征描述，如此便组成了N×p的样本空间S，其中N为待聚类的像素点数，p为特征维数。3.如权利要求1所述的多模态脑肿瘤MRI的无监督分割方法，其特征在于：步骤2)中聚类融合方法的进一步具体细化如下：(2.1)输入样本空间S，样本为N个像素点，根据T2加权和Flair图像特点，病变区域在两图中均显高亮度，白质在两图中均显较低亮度，灰质和脑室在T2加权图中显高亮度而在Flair图中显低亮度，故设置k均值算法初始聚类数k＝3，从N个样本中随机选取k个类簇的聚类中心计算每个样本到聚类中心的平方欧氏距离：(2.2)将每个样本划分到距离值最小的聚类中心的类簇中，计算每个类簇中样本的平均值，作为新的聚类中心：(2.3)其中表示第t次迭代聚类中心的第k个类簇，表示第k个类簇中样本的个数，这里的求和是指类簇中所有元素在每列属性上的和，是一个p维向量，表示为：ck＝(ck,1,ck,2,…,,ck,p)(3)(2.4)如此循环迭代，直至t＝T时停止迭代，得到k个最终聚类中心计算n个样本与k个聚类中心的距离，得到大小为n×k的距离矩阵Dsqe，元素表示i个样本到j个聚类中心的距离，其中i＝1,…,n，j＝1,…,k，第一次聚类中k＝3，将样本分为3类，将(1)式平方欧氏距离换为余弦距离：(2.5)重复上述算法T次迭代得到距离矩阵Dcos，再将平方欧氏距离换为城市街区距离：(2.6)j为x和的第j维，重复上述算法T次迭代得到距离矩阵Dcb，将Dsqe，Dcos，Dcb中相应类别编号对应，将用三种距离聚类的样本定位至原图中的像素点，由此分别获得三种矩阵对应的三个聚类结果图，首先，k类像素点中在Flair图像上平均灰度值最大的一类，记为类别1，距离矩阵的第1行表示类别1的聚类中心，接下来，计算剩余聚类中心与第一类聚类中心的距离，按照距离由小到大的顺序，分别记为类别2到类别k，对应于距离矩阵的第二至第k列，最后，得到了列换序后的矩阵Dsqe*，Dcos*，Dcb*，对三个距离矩阵各个元素求和得到Dadd：Dadd＝Dsqe*+Dcos*+Dcb*(6)将样本x归为与其距离最小的聚类中心的类别，从k类中自动识别病变区所属类别，...

【专利技术属性】
技术研发人员：施建宇，张安琪，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61