The invention discloses a diffusion tensor image segmentation method based on hypervoxel and measure learning, which comprises the following steps: first, for the diffusion tensor image, calculate and describe the geometric characteristics and direction characteristics of each voxel water molecule dispersion. Then, the seed points are uniformly sampled in the tissue area of the diffusion tensor image, and the hypervoxels are generated by local space fuzzy clustering method, combining the location, geometry and direction features. Then, in the framework of spectral clustering, the optimization model of measure learning and clustering is established, and the objective function is solved iteratively and alternately to achieve the classification of hypervoxels. Finally, the classification results of hypervoxels are mapped back to the image space to obtain the segmentation results of diffusion tensor image. The method of the invention can obtain accurate tissue segmentation efficiently and stably, and has scientific significance for brain nerve image analysis, disease diagnosis, brain cognition research, etc.
【技术实现步骤摘要】
一种基于超体素与测度学习的弥散张量图像分割方法
本专利技术属于数字图像领域，尤其涉及一种基于超体素与测度学习的弥散张量图像分割方法。
技术介绍
弥散张量成像(DiffusionTensorImaging,DTI)作为一种新型磁共振成像技术，可以在定量地获得组织体内的水分子扩散的方向与大小等信息。与传统的医学成像方式相比，弥散张量成像可以提供更加细致、独特的组织信息。因此，近年来弥散张量成像在临床诊断与分析中受到广泛的关注，特别是在神经系统疾病与脑认知研究中有着重要的作用，可以有效地检测大脑的结构与功能特性。近年来，弥散张量成像已经成功应用于多种神经系统与精神系统疾病的分析与诊断等，包括脑中风、老年痴呆症、帕金森综合症、精神分裂症、抑郁症、自闭症等多种疾病。与传统灰度或者彩色图像有所不同，弥散张量图像通过一个张量，描述水分子在当前位置的扩散方向和大小。与传统磁共振成像相比，弥散张量成像提供了更加丰富的生物组织信息，可以有效地区分传统成像技术无法区分的生物组织，例如杏仁核、丘脑核团与胼胝体等。然而，高效、准确地分割受到了...
【技术保护点】
1.一种基于超体素与测度学习的弥散张量图像分割方法，其特征在于：该方法包括以下步骤：/n步骤1，计算弥散张量图像的描述每个体素水分子弥散的几何特征与方向特征，进行体素张量的特征提取；/n步骤2，在弥散张量图像的组织区域均匀采样种子点，结合水分子弥散的位置、几何与方向特征，采用局部空间模糊聚类方法生成超体素；/n步骤3，对步骤2生成的超体素进行特征提取，使用谱聚类算法建立基于测度学习的聚类模型，通过求解模型得到超体素的聚类标签，即获得超体素的类别；/n步骤4，将超体素的类别信息映射回图像空间，根据超体素聚类标签实现弥散张量图像的分割。/n
【技术特征摘要】
1.一种基于超体素与测度学习的弥散张量图像分割方法，其特征在于：该方法包括以下步骤：
步骤1，计算弥散张量图像的描述每个体素水分子弥散的几何特征与方向特征，进行体素张量的特征提取；
步骤2，在弥散张量图像的组织区域均匀采样种子点，结合水分子弥散的位置、几何与方向特征，采用局部空间模糊聚类方法生成超体素；
步骤3，对步骤2生成的超体素进行特征提取，使用谱聚类算法建立基于测度学习的聚类模型，通过求解模型得到超体素的聚类标签，即获得超体素的类别；
步骤4，将超体素的类别信息映射回图像空间，根据超体素聚类标签实现弥散张量图像的分割。
2.根据权利要求1所述的一种基于超体素与测度学习的弥散张量图像分割方法，其特征在于：步骤1所述，计算弥散张量图像的描述每个体素水分子弥散的几何特征与方向特征，进行体素张量的特征提取，步骤如下：
对弥散张量进行奇异值分解，得到三个特征值λ1,λ2,λ3以及对应的特征向量v1,v2,v3，分别描述水分子弥散的大小与方向，特征值λ1,λ2,λ3对应的方向为主方向，λ1,λ2,λ3表示主方向上水分子的弥散系数，λ1≥λ2≥λ3；
使用奇异值分解得到的三个特征值λ1,λ2,λ3，平均弥散率MD、分数各向异性FA与容积比VR，线性各向异性(LinearityAnisoropy,CL)、平面各向异性(PlanarityAnisoropy,CP)与球面各向异性(SphericalAnisoropy,CS)共九个特征进行计算；
线性各向异性CL、平面各向异性CP与球面各向异性CS，表示如下：
将上述九个特征分别归一化，合并后得到水分子弥散的几何特征fgeo，表示如下：
fgeo＝(λ1,λ2,λ3,MD,FA,VR,CL,CP,CS)(4)
采用Knutsson空间对主方向进行重新定义，计算水分子弥散的方向特征for，公式如下：
其中，v11,v12,v13是特征向量v1在三维坐标下的坐标值。
3.根据权利要求2所述的一种基于超体素与测度学习的弥散张量图像分割方法，其特征在于：步骤2所述，在弥散张量图像的组织区域均匀采样种子点，结合水分子弥散的位置、几何与方向特征，采用局部空间模糊聚类方法生成超体素；步骤如下：
步骤2-1，在弥散张量图像的组织区域均匀采样C个种子点；
步骤2-2，采用局部空间模糊聚类方法，计算体素与距离其最近的K个种子点的隶属度，将体素分配给具有最大隶属度的种子点，生成超体素；
步骤2-3，依据生成的超体素，对每个种子点进行更新，计算每个超体素所包含的体素的位置、几何与方向特征的平均值，作为更新后的种子的特征，完成种子更新；
步骤2-4，迭代执行步骤2-2和2-3，当更新前与更新后的种子点位置变化的欧式距离小于预定的阈值时，停止更新种子点，将每个体素分配给具有最大隶属度的种子点，生成弥散张量图像的超体素。
4.根据权利要求3所述的一种基于超体素与测度学习的弥散张量图像分割方法，其特征在于：步骤2-2所述，采用局部空间模糊聚类方法，计算体素与距离其最近的K个种子点的隶属度，将体素分配给具有最大隶属度的种子点，生成超体素；步骤如下：
步骤2-2-1，在步骤2-1采样种子点后，种子点被均匀地分布在弥散张量图像的三维空间中；将落入弥散张量图像边界的种子点移动到邻域中边缘置信度最低的位置；每个种子点用一个向量描述，定义如下：
其中，sj表示第j个种子向量，xj,yj,zj是第j个种子点的空间坐标；与分别是第j个种子点及其a×a×a邻域内所有体素的几何特征与方向特征的平均值；
步骤2-2-2，采用局部空间模糊聚类方法，将弥散张量图像中的每个体素与距离其最近的K个种子点进行模糊关联，局部模糊聚类的目标函数表示如下：
其中，i表示第i个体素，N是样本总数，即N个体素；j表示第j个聚类中心，即第j个种子点；K是距离当前体素最近的种子点的个数，即K个聚类中心；vi是第i个体素的特征，sj是第j个种子向量；D(vi,sj)表示体素vi与种子sj之间的距离；uij表示体素vi与种子sj之间的隶属度；m为加权指数；其中，每个体素和距离其最近的K个种子点之间的隶属度，计算公式如下：
其中，uit表示第i个体素与第t个种子点之间的隶属度，S是距离当前体素最近的K个种子点的集合；D(vi,st)表示体素vi与种子st之间的距离；m为加权指数；
对局部模糊聚类的目标函数进行迭代计算，当目标函数值小于设定的阈值，停止迭代，得到满足阈值条件下的体素与距离其最近的K个种子点的模糊关联；并计算得到每个体素和所述K个种子点之间的隶属度；
步骤2-2-3，根据体素与种子点的隶属度，将体素分配给具有最大隶属度的种子点，当每个体素都被分配到相应的种子点之后，形成超体素。
5.根据权利要求4所述的一种基于超体素与测度学习的弥散张量图像分割方法，其特征在于：结合空间坐标、几何特征和方向特征，将体素vi与种子st之间的距离D(vi,st)定义为：
D(vi,st)＝dspa(vi,st)+λgeodgeo(vi,st)+λordor(vi,s...
【专利技术属性】
技术研发人员：孔佑勇，高和仁，陈芊熹，章品正，舒华忠，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32
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。