一种基于正则化图割的大脑组织分割方法技术

本发明专利技术公开了一种基于正则化图割的大脑组织分割方法，首先基于强度距离和空间相似度，设计新的体素间相似度计算方法，从而对体素进行聚类，把大脑MRI图像分割为一系列均匀并且较好地贴合图像边缘的超体素；随后明通过把大脑不同组织的先验概率融入到图割框架中，设计一个能量计算公式，计算每个超体素在分配不同标签时各个部分的能量值，从而使用图割方法对超体素分割，把Magnetic Resonance Imaging(MRI)图像分割成不同的组织。本发明专利技术能够从最初的脑部MRI分割出三种脑组织，分割结果中各个组织间边界贴合度高。与已有的MRI图像分割方法相比，本发明专利技术分割效果更好，边界贴合度更高，效率更高，处理速度更快，可以较好地抑制噪声的影响。

【技术实现步骤摘要】
一种基于正则化图割的大脑组织分割方法
本专利技术属于数字图像处理
，涉及大脑磁共振图像处理方法，更为具体地说，是涉及一种基于正则化图割的脑组织分割方法。
技术介绍
磁共振成像(MRI)已被广泛用于在临床应用和神经科学研究中检查人脑的解剖结构。与其他医学成像方式相比，MRI具有高空间分辨率和良好软组织对比的优势，可以对不同类型的组织进行精细的区分。精确分割这些组织对于一些应用至关重要。为了方便对MRI图像进行处理，引入超体素的概念。超体素(supervoxel)或超像素(superpixel)是近年来快速发展的一种图像预处理技术，它是指图像中局部的、具有一致性的、能够保持一定图像局部结构特征的子区域，相比于传统处理方法中的基本单元——像素，超体素更有利于局部特征的提取与结构信息的表达，并且大幅度降低后续处理的计算复杂度，在计算机视觉领域尤其是图像分割中得到了广泛应用。当面对MRI中噪声、偏置场等因素时，精准的分割变得困难。现在的主流方法主要有三类，水平集法、分类法和基于图谱的方法。当应用在自然图像中的水平集法被拓展到大脑组织分割时，其对用户的初始化设置和参数设置敏感。体素分割法能本文档来自技高网...

【技术保护点】
1.一种基于正则化图割的脑组织分割方法，其特征在于，包括如下步骤：步骤1：计算体素点到一定区域内的各个种子点的相似度，聚类到相似度最高的种子点，然后重新计算聚类中心的强度和中心位置，通过数次的迭代，使得具有同一性质，相似度高的体素聚到一类，形成超体素；具体包括如下子步骤：步骤1‑1，初始化种子点，假设图像一共有N个体素，期望生成的超体素的个数为M，则每个超体素的大小为：V＝N/M其中M也表示初始的种子点的数量；步骤1‑2，每个超体素的边长为：

【技术特征摘要】
1.一种基于正则化图割的脑组织分割方法，其特征在于，包括如下步骤：步骤1：计算体素点到一定区域内的各个种子点的相似度，聚类到相似度最高的种子点，然后重新计算聚类中心的强度和中心位置，通过数次的迭代，使得具有同一性质，相似度高的体素聚到一类，形成超体素；具体包括如下子步骤：步骤1-1，初始化种子点，假设图像一共有N个体素，期望生成的超体素的个数为M，则每个超体素的大小为：V＝N/M其中M也表示初始的种子点的数量；步骤1-2，每个超体素的边长为：上式中，L即为每个超体素的步长；步骤1-3，计算每个种子点周围L×L×L区域内体素的灰度值的平均值，作为种子点的灰度值I，计算公式如下：其中(xi,yi,zi)代表种子点i的坐标，Ix,y,z是(x,y,z)坐标下的像素值；步骤1-4，计算体素与种子点间的相似度，对于每个体素，在其2L×2L×2L的区域内，计算其与各个种子体素的距离，计算公式如下：dint＝||G*INi-Ic||d＝dint+γdspa其中G代表标准的高斯内核，*代表卷积操作；Iint代表以体素Ni为中心，立体图像块的强度(灰度)矩阵；Ic代表种子点的强度；dspa代表体素和种子之间的空间相似度；dint代表以体素Ni为中心的图像块与种子的强度距离；γ代表正则化系数，代表体素强度和空间相似度之间的相关度；步骤1-5，通过步骤1-4中的公式，计算区域内各个体素点到种子点的相似度，并把体素点归到相似度最高的种子点；步骤1-6，对于新生成的聚类中心，计算其范围内体素的平均强度和空间位置中心，作为新中心的强度...

【专利技术属性】
技术研发人员：章品正，李艺飞，孔佑勇，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