一种MR图像的分割方法及装置制造方法及图纸

本发明专利技术适用于医学图像处理技术领域，提供了一种MR图像的分割方法及装置，包括：通过多模态的样本MR图像分别进行各个模态的字典学习；建立多模态联合稀疏表示模型；通过所述多模态联合稀疏表示模型，将测试MR图像在所述字典下联合稀疏表示为少数原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表示系数；根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个像素进行分类，获取图像分割结果。本发明专利技术提出的多模态联合稀疏表示模型，能够结合多模态MR图像所提供的信息进行多变量联合稀疏表示，大大地提高了图像分割的正确率。

【技术实现步骤摘要】
【专利摘要】本专利技术适用于医学图像处理
，提供了一种MR图像的分割方法及装置，包括：通过多模态的样本MR图像分别进行各个模态的字典学习；建立多模态联合稀疏表示模型；通过所述多模态联合稀疏表示模型，将测试MR图像在所述字典下联合稀疏表示为少数原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表示系数；根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个像素进行分类，获取图像分割结果。本专利技术提出的多模态联合稀疏表示模型，能够结合多模态MR图像所提供的信息进行多变量联合稀疏表示，大大地提高了图像分割的正确率。【专利说明】一种MR图像的分割方法及装置
本专利技术属于医学图像处理
，尤其涉及一种MR图像的分割方法及装置。
技术介绍
磁共振（MagneticResonance，MR)成像技术具有较高的软组织分辨率和无损伤 性，可以对不同解剖部位进行断层成像，具有以不同参数实现影像对比度加权，获得高组织 分辨率、高清晰度和提供多种诊断信息的能力，目前已经被广泛应用于脑肿瘤诊断领域。为 了定量分析脑肿瘤的局部病变，需要对脑图像中的肿瘤进行分割，确定肿瘤的体积、大小和 位置。 稀疏表示是新近发展的一种机器学习方法，该方法通过对训练样本进行学习，训 练出该类样本相应的字典，并将图像在该字典空间下稀疏地表示为一系列少数原子的线 性组合。目前，稀疏表示已被成功地应用在各种视觉任务中，例如，基于稀疏表示的分类 (SparseRepresentationbasedClassification，SRC)算法，然而，该算法其最初是用于 人脸识别的，人脸识别不需要考虑各个人脸之间的空间关系，而在图像分割中，每个像素都 不是孤立存在的，都会与周围空间的相邻像素存在着一定的联系，因此，将SRC算法直接用 于图像分割中，很难获得精确的分割结果。
技术实现思路
本专利技术实施例的目的在于提供一种MR图像的分割方法，旨在解决现有技术将基 于稀疏表示的算法直接应用于图像分割中，导致图像分割的精确率不佳的问题。 本专利技术实施例是这样实现的，一种MR图像的分割方法，包括： 通过多模态的样本MR图像分别进行各个模态的字典学习； 建立多模态联合稀疏表示模型； 通过所述多模态联合稀疏表示模型，将测试MR图像在所述字典下联合稀疏表示 为少数原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表示系数； 根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个像素进行分类， 获取图像分割结果。 本专利技术实施例的另一目的在于提供一种磁共振MR图像的分割装置，包括： 训练单元，用于通过多模态的样本MR图像分别进行各个模态的字典学习； 联合稀疏表示单元，用于建立多模态联合稀疏表示模型； 稀疏编码单元，用于通过所述多模态联合稀疏表示模型，将测试MR图像在所述字 典下联合稀疏表示为少数原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表 示系数； 分割单元，用于根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个 像素进行分类，获取图像分割结果。 本专利技术实施例提出的多模态联合稀疏表示模型，能够结合多模态MR图像所提供 的信息进行多变量联合稀疏表示，大大地提高了图像分割的正确率。 【专利附图】【附图说明】 图1是本专利技术实施例提供的MR图像的分割方法的实现流程图； 图2是本专利技术实施例提供的MR图像的分割方法SlOl的具体实现流程图； 图3是本专利技术实施例提供的MR图像的分割方法的流程示意图； 图4是本专利技术实施例提供的MR图像的分割装置的结构框图。 【具体实施方式】 为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并 不用于限定本专利技术。 图1示出了本专利技术实施例提供的MR图像的分割方法的实现流程，详述如下： 在SlOl中，通过多模态的样本MR图像分别进行各个模态的字典学习。 在对测试MR图像进行分割之前，首先用多模态训练图像的训练样本分别训练图 像分割所需的每个模态下的不同状态的字典，该字典的训练过程是一个联合稀疏优化的过 程，利用多个模态的样本联合训练多模态的各个分类字典，再将各个分类字典合成一个大 字典。 如图2所示，SlOl具体为： 在S201中，将每个样本病人所对应的多模态MR图像进行配准。 所述多模态MR图像，包括1\加权像、T2加权像、T1C增强像、以及Flair像，所述配 准，就是将不同的图像通过空间变换映射到同一坐标系中，使相应器官的影像在空间中的 位置一致。在配准后的多模态MR图像中，不同模态图像处于同一位置的像素所对应的脑组 织成份是同一种成份。 在S202中，在配准后的所述多模态MR图像中分别提取出不同状态的训练样本，所 述不同状态包括水肿状态（即本专利技术实施例中所述的状态E)、肿瘤状态（即本专利技术实施例 中所述的状态T)和正常脑组织状态（即本专利技术实施例中所述的状态N)。 在本实施例中，训练样本的提取是根据训练数据所提供的groundtruth标签 来进行的。具体地，对于第i模态的MR图像，分别在水肿状态、肿瘤状态和正常脑组 织状态的训练数据中随机提取Hi1个、m2个、mJnXnXn大小的立体图像块，且这些 图像块是可以重叠的。将提取到的每个图像块表示成列向量，则每个图像块所表示的 向量为，因此，对于第i模态的MR图像，第c种状态的训练样本为一个矩阵 二GiT3%，其中，m。是第i模态的第c种状态的训练样本的个数。 在S203中，分别对提取出的第i模态的第j类状态的训练样本进行学习，生成第 i模态的联合字典Z)'=，其中，所述Z)；表示第i模态的第j类状态的子字典， 所述i= 1，2,……，所述j= 1，2,3e{N，T，E}，所述N表示所述正常脑组织状态，所述T表示所述肿瘤状态，所述E表示所述水肿状态。 假定字典的尺寸大小为K，那么，将第i模态的字典表示为 灯=进行学习后得到的。对于第i模态的训练样本Xi,可以稀疏地表示 为少数原子的一个线性结合 【权利要求】1. 一种磁共振MR图像的分割方法，其特征在于，包括： 通过多模态的样本MR图像分别进行各个模态的字典学习； 建立多模态联合稀疏表不模型； 通过所述多模态联合稀疏表示模型，将测试MR图像在所述字典下联合稀疏表示为少 数原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表示系数； 根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个像素进行分类，获取 图像分割结果。2. 如权利要求1所述的方法，其特征在于，所述通过多模态的样本MR图像分别进行各 个模态的字典学习包括： 将每个样本病人所对应的多模态MR图像进行配准； 在配准后的所述多模态MR图像中分别提取出不同状态的训练样本，所述不同状态包 括水肿状态、肿瘤状态和正常脑组织状态； 分别对提取出的第i模态的第j类状态的训练样本进行学习，生成第i模态的联合 字典zy=tD'Y，D;.,z：g，其中，所述g表示第i模态的第j类状态的子字典，本文档来自技高网...

【技术保护点】
一种磁共振MR图像的分割方法，其特征在于，包括：通过多模态的样本MR图像分别进行各个模态的字典学习；建立多模态联合稀疏表示模型；通过所述多模态联合稀疏表示模型，将测试MR图像在所述字典下联合稀疏表示为少数原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表示系数；根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个像素进行分类，获取图像分割结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：李玉红，秦璟，贾富仓，王琼，王平安，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44