本发明专利技术公开了一种基于婴幼儿脑瘤多模态MRI图的时空协同分割方法，其包括：(1)获得手术后的脑瘤MRI图像，(2)将纵向数据分别映射到时间域和空间域上进行分割处理，时间域分割处理包括：获得手术前的分割结果和纵向待分割数据，进行手术前和手术后的图像配准，构建手术后肿瘤生长模型；空间域分割处理包括：构建健康婴幼儿大脑模板，提取Haar结构特征，将结构随机森林方法结合AdaBoost框架获得初步的概率结果，利用相似性区域增长算法增长标签，获得空间域分割结果；(3)结合时间域分割结果和空间域分割结果构建四维图模型并优化获得参数形成自动分割结果，提高了对婴幼儿脑瘤区域分割的精准度。
【技术实现步骤摘要】
本专利技术属于图像处理与生物医学结合的
，尤其是一种基于婴幼儿脑瘤多模态MRI图的时空协同分割方法。
技术介绍
脑肿瘤是指生长在颅腔内的癌性物质，包括脑实质发生病变引起的原发性肿瘤，也有由身体其他部位转移侵入颅内的继发性肿瘤。分割是脑瘤病情诊断、手术规划、放化疗以及长期纵向研究的一个重要前提。在各种医学影像学技术中，磁共振成像(MRI)对软组织有着很强的分辨力，所以据此界定肿瘤边界更为准确。MRI图像脑肿瘤分割在诊断、病理分析、治疗以及科学研究等方面具有重要意义。临床上一般由有经验的医生根据解剖知识，利用计算机辅助软件手工勾画分割肿瘤区域。但是，人工分割的主观性很强，不同的医生对同一病人的磁共振图像会有不同的判断结果，同一个医生在不同的时期对同一病人的图像判断结果也存在差异，而且医学图像成像过程中很容易因为噪声、场偏移效应、组织运动和局部体积效应的影响，造成图像本身存在模糊、灰度不均匀等现象。因此人工分割速度慢、实时性差、可重复性差，难以胜任大量图像数据的分割处理工作。为了减轻医生们的工作强度，同时提高分割的正确率，特别是降低病变部位的漏过率，在脑瘤图像的分割的过程中采用计算机软件辅助操作。一般情况下磁共振图像中的脑肿瘤有如下特性：大小和位置各异；在不同模态的MRI上的外观各异；密度可能和正常组织相交叠；可能有占空效应(新组织挤走了正常组织)或渗透效应(改变现有组织的特性)；内部结构的复杂性，存在血管或出现钙化等；周围可能伴随着水肿等。这些对分割方法的选择提出了更高的要求。发展脑肿瘤的自动分割技术是一个非常大的挑战。分割基于纵向数据的脑肿瘤图像，是一个更具挑战性的研究方向。而基于纵向随访数据分割婴幼儿脑肿瘤是需要考虑更多复杂因素的研究领域。由于图像质量的问题、某些局部体积效应、正在进展中的成熟和髓鞘形成过程，婴儿大脑的MRI分割是一种很有挑战性的工作。对于婴幼儿的大脑来说，从出生到3-5个月、6个月直到2岁甚至到6岁，白质灰质的亮度一直处于发展变化中。因此，使得成年人脑MR图像的分割模型很难应用到婴幼儿脑MR图像分割中。尤其是6-8个月的时候，图像的对比度发生了反转，白质和灰质在T1和T2加权MRI中是相等的而且呈现了非常低的组织对照，而这使得自动分割面临着很大的挑战。
技术实现思路
为了克服现有技术的不足，本专利技术提供了一种基于婴幼儿脑瘤多模态MRI图的时空协同分割方法,该分割方法在时间域和空间域分别进行分割，将两者结果进行相互参考对照，并基于两者的分割结果构建四维图模型进行优化，提高了脑瘤区域分割的精准度，解决了现有技术中难以对婴幼儿脑瘤MRI图进行分割的问题。为了实现上述目的，本专利技术采用的技术方案是：一种基于婴幼儿脑瘤多模态MRI图的时空协同分割方法，其特征在于，包括以下步骤：(1)获得脑瘤MRI图像，对图像进行预处理，(2)将步骤(1)的纵向数据分别映射到时间域和空间域上进行分割处理，(3)将时间域分割结果和空间域分割结果相互对照参考构建四维图模型，所述时间域分割处理包括以下步骤：获得手术前的分割结果和纵向待分割数据，进行手术前和手术后的图像配准，构建手术后肿瘤生长模型式中φ＝(c，u，v，m)是模型变量，其中m＝(D，λ，μ)是脑部组织的材料属性，A是线性微分算子，而F(φ)是一个能量项；然后分别构建白质(WM)、灰质(GM)、脑脊液(CSF)、空洞(Cavity)、坏死(Necrosis)、水肿(Edema)、增强肿瘤(Enhancingtumor)、非增强肿瘤(Non-enhancingtumor)、背景(Background)的高斯混合模型，通过最大期望算法(EM)迭代计算各自的概率，获得时间域分割结果；所述空间域分割处理包括以下步骤：构建健康婴幼儿大脑随时间点动态变化的离散模板库，将模板数据库中的中继样本采用回归模型以patch为单元，形成特定时间点的基准的虚拟健康婴幼儿大脑模板，提取Haar结构特征，将结构随机森林方法结合AdaBoost框架获得初步的概率结果，利用相似性区域增长算法增长标签，获得空间域分割结果；所述步骤(3)中利用时间域和空间域上的分割结果，构造了一个四维图模型，该四维图模型包括源点、终端点、时间域分割结果的结点和空间域分割结果的结点，结点间有三种类型的边，分别是区域的代价，边界的代价，和上下文的惩罚值，所述时间域分割结果包括分割前景和背景，分割前景根据公式lv＝1(lv′＝1)获得，背景根据公式lv＝0(lv′＝0)获得，边界的代价如下所示，其中，Buv是相邻两个体素被分配不同标签的一个惩罚值，上下文的代价如下所示，Cvv′是一个用来代表体素对相互之间标签值不同的惩罚值，Cvv′＝θ(1-|Nv-Nv′|)+K，是一个尺度常数，K是一个对两个分割结果不统一的最小惩罚值，Nv和Nv′是Dv(lv＝1)、Dv′(lv′＝1)分别在[0,1]之间的值；前景和背景区域之间部分的代价函数，如下所示，所述Buv，则如下所示：λ1、λ2、λ3是被给定的尺度常数，是一个梯度算子，σg是一个给定的高斯参数。进一步的，所述相似性区域增长算法如下所示，同时其中，是体素的相似性度量值，l是标签，t为迭代点，x是体素的特征(如亮度)，两个体素间的不同如下所示，其中，β是一个调整参数；ρ(xi，xj)表示xi，xj两点之间特征的欧式距离；mean(ρ(xi，Ni))是xi和其每一个邻接结点特征的欧式距离的平均，μ是经验值。采用上述方案，本专利技术针对脑瘤图像分割中存在的肿瘤边缘不清、采样不完全造成分割结果偏小的情形，提出基于AdaBoost重采样的结构随机森林算法提高了采样的效率；建立人脑不同组织的对称性模板，并利用四维Haar特征更能保证图像的全局和局部特征，利用优化的相似性准则进行区域增长，从而提高局部区域的准确性；在时间域分割算法中，提出肿瘤各子类和术后的空洞同时进行生长建模，利用高斯混合模型求出基于时间域上的分割结果，从而更能反映出空洞的变化，提高分割精度；提出四维的优化协同分割图切算法用于时间域与空间域上的分割结果相互参考，综合利用空间域和时间域上获得的分割结果，更能表达出时间空间各自和共同的信息。本专利技术将基于空间域上的分割和基于时间序列信息的时间域分割分别进行处理，首次研究以结构随机森林为分类器AdaBoost为框架，融合人脑各成份对称性模板、肿瘤相似性增长准则的空间域分割算法；提出带有手术空洞参数的肿瘤生长模型弹性变形配准为基础的时间域分割方法；独创性地提出以优化协同分割四维图切方法为思路相互参考时空分割结果。下面结合附图对本专利技术作进一步描述。附图说明图1为本专利技术具体实施例技术路线图；图2为本专利技术具体实施例空间域和时间域分割结果共同构件的四维图模型；图3为本专利技术具体实施力婴幼儿动态模型。具体实施方式本专利技术的具体实施例如图1-3所示是基于多模态脑瘤MRI图像纵向数据的时空协同分割方法，其包括以下步骤：(1)获得手术后的脑瘤MRI图像，对图像进行预处理，(2)将步骤(1)的纵向数据分别映射到时间域和空间域上进行分割处理，(3)将时间域分割结果和空间域分割结果相互对照参考构建四维图模型。分割时按照以下步骤进行操作：首先分割出整个肿瘤区域，分割时按照步骤(1)-(3)操作；然本文档来自技高网...
【技术保护点】
一种基于婴幼儿脑瘤多模态MRI图的时空协同分割方法，其特征在于，包括以下步骤：(1)获得脑瘤MRI图像，对图像进行预处理，(2)将步骤(1)的纵向数据分别映射到时间域和空间域上进行分割处理，(3)将时间域分割结果和空间域分割结果相互对照参考构建四维图模型，所述时间域分割处理包括以下步骤：获得手术前的分割结果和纵向待分割数据，进行手术前和手术后的图像配准，构建手术后肿瘤生长模型式中φ＝(c，u，v，m)是模型变量，其中m＝(D，λ，μ)是脑部组织的材料属性，A是线性微分算子，而F(φ)是一个能量项；然后分别构建白质(WM)、灰质(GM)、脑脊液(CSF)、空洞(Cavity)、坏死(Necrosis)、水肿(Edema)、增强肿瘤(Enhancing tumor)、非增强肿瘤(Non‑enhancing tumor)、背景(Background)的高斯混合模型，通过最大期望算法(EM)迭代计算各自的概率，获得时间域分割结果；所述空间域分割处理包括以下步骤：构建健康婴幼儿大脑随时间点动态变化的离散模板库，将模板数据库中的中继样本采用回归模型以patch为单元，形成特定时间点的基准的虚拟健康婴幼儿大脑模板，提取Haar结构特征，将结构随机森林方法结合AdaBoost框架获得初步的概率结果，利用相似性区域增长算法增长标签，获得空间域分割结果；所述步骤(3)中利用时间域和空间域上的分割结果，构造了一个四维图模型，该四维图模型包括源点、终端点、时间域分割结果的结点和空间域分割结果的结点，结点间有三种类型的边，分别是区域的代价，边界的代价，和上下文的惩罚值，所述时间域分割结果包括分割前景和背景，分割前景根据公式lv＝1(lv′＝1)获得，背景根据公式lv＝0(lv′＝0)获得，边界的代价如下所示，其中，Buv是相邻两个体素被分配不同标签的一个惩罚值，上下文的代价如下所示，Cvv′是一个用来代表体素对相互之间标签值不同的惩罚值，Cυυ′＝θ(1‑|Nυ‑Nυ′|)+K，是一个尺度常数，K是一个对两个分割结果不统一的最小惩罚值，Nv和Nv′是Dv(lv＝1)、Dv′(lv′＝1)分别在[0,1]之间的值；前景和背景区域之间部分的代价函数，如下所示， 所述Buv，则如下所示：λ1、λ2、λ3是被给定的尺度常数，是一个梯度算子，σg是一个给定的高斯参数。...
【技术特征摘要】
1.一种基于婴幼儿脑瘤多模态MRI图的时空协同分割方法，其特征在于，包括以下步骤：(1)获得脑瘤MRI图像，对图像进行预处理，(2)将步骤(1)的纵向数据分别映射到时间域和空间域上进行分割处理，(3)将时间域分割结果和空间域分割结果相互对照参考构建四维图模型，所述时间域分割处理包括以下步骤：获得手术前的分割结果和纵向待分割数据，进行手术前和手术后的图像配准，构建手术后肿瘤生长模型式中φ＝(c，u，v，m)是模型变量，其中m＝(D，λ，μ)是脑部组织的材料属性，A是线性微分算子，而F(φ)是一个能量项；然后分别构建白质(WM)、灰质(GM)、脑脊液(CSF)、空洞(Cavity)、坏死(Necrosis)、水肿(Edema)、增强肿瘤(Enhancingtumor)、非增强肿瘤(Non-enhancingtumor)、背景(Background)的高斯混合模型，通过最大期望算法(EM)迭代计算各自的概率，获得时间域分割结果；所述空间域分割处理包括以下步骤：构建健康婴幼儿大脑随时间点动态变化的离散模板库，将模板数据库中的中继样本采用回归模型以patch为单元，形成特定时间点的基准的虚拟健康婴幼儿大脑模板，提取Haar结构特征，将结构随机森林方法结合AdaBoost框架获得初步的概率结果，利用相似性区域增长算法增长标签，获得空间域分割结果；所述步骤(3)中利用时间...
【专利技术属性】
技术研发人员：潘志方，叶夏，王贤川，应一凡，陈峰，
申请(专利权)人：温州医科大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。