一种脑组织提取方法技术

一种脑组织提取方法，依次包括：对训练集图像和测试集图像进行预处理；提取训练集图像的图像特征组成训练集，提取测试集图像的图像特征组成测试集；根据训练集构建字典；依据训练集和字典计算训练集样本由字典中单词线性组合的权重系数向量；依据字典和测试集计算测试集样本由字典中单词线性组合的权重系数向量；计算字典中每个单词的分类评分；通过局部线性表示计算测试样本的分类评分，完成对测试样本的分类，得到初步分割结果；对初步分割结果进行后处理，得到分割处理后的脑组织图片。本发明专利技术能够高效、准确地提取脑组织图像。

【技术实现步骤摘要】
【专利摘要】，依次包括：对训练集图像和测试集图像进行预处理；提取训练集图像的图像特征组成训练集，提取测试集图像的图像特征组成测试集；根据训练集构建字典；依据训练集和字典计算训练集样本由字典中单词线性组合的权重系数向量；依据字典和测试集计算测试集样本由字典中单词线性组合的权重系数向量；计算字典中每个单词的分类评分；通过局部线性表示计算测试样本的分类评分，完成对测试样本的分类，得到初步分割结果；对初步分割结果进行后处理，得到分割处理后的脑组织图片。本专利技术能够高效、准确地提取脑组织图像。【专利说明】
本专利技术涉及医学图像分割处理
，具体涉及。
技术介绍
脑组织提取，又称为去脑壳，是诸如脑功能研究、神经图像处理研究等过程中的一个必要的预处理步骤，应用十分广泛。如术前计划的制定、大脑皮层的重建、脑组织的形态学测量等工作，都依赖于能够将脑组织从非脑组织(包括头骨、眼球、皮肤等)中准确分割出来的能力。手工分割Tl加权MR图像是脑组织分割处理及研究中公认的“金标准”。但是手工分割面临着两个问题:一是相当耗费时间；二是容易引入人为误差。因此，提供自动或半自动的脑组织提取算法非常必要。标签融合可看作局部线性表示法中的一类特殊情况，基于标签融合的脑组织提取方法近年来得到了广泛的研究。其中MAPS算法(The Mult1-Atlas Propagationand Segmentation method)与 BEaST 算法(The Brain Extraction based on nonlocalSegmentation Technique)是标签融合类算法中的两例代表。MAPS算法(Leung et al., 2010)首先建立一个图像库,库内的图像都经过预先的标记，如脑组织标记为1，非脑组织标记为2，这种经过预先标记的图像被称为图谱。之后利用弹性配准将选定的多张图谱配准到目标图像上，此时对目标图像上的某一像素点而言，其在配准图谱上相同位置的像素点的标记是已知的，通过标签融合算法(如majorityvote, STAPLE, etc.)计算多张配准图谱融合之后的标签作为该像素点的标签，从而得到目标图像脑组织的提取。BEaST算法(Eskildsen et al.，2012)是一种基于图像块的标签融合算法。在BEaST算法中，同样需要首先建立一个预先标记好的图像库。之后以目标图像某一像素点为中心，取其邻域内一定大小的图像块为单位，通过设定选择标准，在图像库中搜索与目标图像块最相似的一系列图像块，因为图像库中图像的标记都是已知的，通过标签融合算法计算搜索到的最相似图像块的融合标签，并将此标签分配给目标像素点，从而得到目标图像脑组织的提取。BEaST算法是目前脑组织提取效果最好的方法之一。MAPS算法的主要不足是弹性配准的时间过长，通常一副序列大约需要19小时以上，且脑组织提取结果严重依赖于弹性配准的精度。BEaST算法由于需要在整个图像库中进行搜索，因而对设备性能的要求较高，如果电脑内存较小会严重影响算法的效率。因此，针对现有技术不足，提供一种可以高效、精确地进行脑组织提取的方法以克服现有技术不足甚为必要。
技术实现思路
本专利技术提供，该方法能够高效、准确地提取脑组织图像。本专利技术的上述目的通过如下技术手段实现。，依次包括如下步骤:(1)对训练集图像和测试集图像进行预处理； (2)提取训练集图像的图像特征，将所提取的训练集图像的图像特征连同预先标记好的标签组成训练集，提取测试集图像的图像特征组成测试集； (3)由训练集构建字典； (4)依据字典和训练集计算训练集中每个样本由字典中单词线性组合的权重系数向量; (5)依据字典和测试集计算测试集中每个样本由字典中单词线性组合的权重系数向量; (6)依据训练集和步骤(4)得到的训练集样本的线性组合权重系数向量计算字典中每个单词的分类评分； (7)根据步骤(6)得到的单词的分类评分及步骤(5)得到测试集样本的线性组合权重系数向量，通过局部线性表示计算测试样本的分类评分，完成对测试样本的分类，得到初步分割结果； (8)对初步分割结果进行后处理，得到分割处理后的脑组织图片。上述步骤(1)中，预处理操作具体包括:使用N3算法进行去偏移场操作、使用两步法进行灰度归一化操作和通过线性配准将图像配准到标准模板空间进行空间归一化操作。上述步骤(2)中的图像特征由灰度图像块特征及体素的坐标两部分共同构成，标签由代表脑组织的标记和代表非脑组织的标记两部分构成。上述步骤(3)中，构建字典的方法具体是使用K均值聚类方法对训练样本进行聚类，选择聚类中心作为字典元素构建字典，每个字典元素称为一个单词。上述步骤(4)、(5)中使用局部锚嵌入LAE方法计算单词的线性组合权重系数向量; 依据LAE方法,一个样本X通过如下方式表不:.V【权利要求】1.，其特征在于:依次包括如下步骤， (1)对训练集图像和测试集图像进行预处理； (2)提取训练集图像的图像特征，将所提取的训练集图像的图像特征连同预先标记好的标签组成训练集，提取测试集图像的图像特征组成测试集； (3)由训练集构建字典； (4)依据字典和训练集计算训练集中每个样本由字典中单词线性组合的权重系数向量; (5)依据字典和测试集计算测试集中每个样本由字典中单词线性组合的权重系数向量; (6)依据训练集和步骤(4)得到的训练集样本的线性组合权重系数向量计算字典中每个单词的分类评分； (7)根据步骤(6)得到的单词的分类评分及步骤(5)得到测试集样本的线性组合权重系数向量，通过局部线性表示计算测试样本的分类评分，完成对测试样本的分类，得到初步分割结果； (8)对初步分割结果进行后处理，得到分割处理后的脑组织图片。2.根据权利要求1所述的脑组织提取方法，其特征在于: 所述步骤(1)中，预处理操作具体包括:使用N3算法进行去偏移场操作、使用两步法进行灰度归一化操作和通过线性配准将图像配准到标准模板空间进行空间归一化操作。3.根据权利要求2所述的脑组织提取方法，其特征在于: 所述步骤(2)中的图像特征包括灰度图像块特征及体素的坐标，标签由代表脑组织的标记和代表非脑组织的标记两部分构成。4.根据权利要求3所述的脑组织提取方法，其特征在于: 所述步骤(3)中，建字典的方法具体是使用K均值聚类方法对训练样本进行聚类，选择聚类中心作为字典元素构建字典,每个字典元素称为一个单词。5.根据权利要求4所述的脑组织提取方法，其特征在于: 所述步骤(4)、步骤(5)中使用局部锚嵌入LAE方法计算单词的线性组合权重系数向量; 依据LAE方法,一个样本X通过如下方式表不:6.根据权利要求5所述的脑组织提取方法，其特征在于: 所述步骤(6)中，分类评分的计算是通过求解分类代价函数得到的。7.根据权利要求6所述的脑组织提取方法，其特征在于: 所述步骤(6)具体是通过置信空间法求解分类代价函数得到分类评分； 所采用的代价函数的形式为 8.根据权利要求7所述的脑组织提取方法，其特征在于: 所述步骤(7)中，测试样本由其最邻近测试样本线性组合表示，构建测试样本分类函数H为: 9.根据权利要求8所述的脑组织提取方法，其特征在于本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：冯前进，黄美燕，阳维，赵建奇，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：