The invention relates to a magnetic resonance image segmentation method based on the prior shape, shape prior information into the adaptive region information and boundary information, better able to separate the object and image in complex background, effectively solve the target object pixel of interest in the image is uneven, the target edge gradient is not obvious, the sense of the object of interest is obscured at the same time, greatly reduce the computational complexity.
【技术实现步骤摘要】
—种基于先验形状的核磁共振图像分割方法
本专利技术涉及。
技术介绍
乳腺癌是中老年女性最常见的恶性肿瘤之一，在中国已经高居女性恶性肿瘤的首位，并有逐年上升以及发病年轻化的趋势。目前对乳腺癌的预防尚无良策，对乳腺影像的检测分析是成功检测、诊断、治疗肿瘤的重要依据，尤其是对乳腺区域的分割对后续肿瘤的研究分析具有重要的意义。然而，由于乳腺组织和身体部分软组织密度相似，要单独分割出乳腺区域部分比较困难。目前，活动轮廓模型和水平集方法已经广泛使用在图像分割中，活动轮廓模型主要分为两大类:基于区域和基于边界的活动轮廓模型。基于边界的模型如GAC模型，根据边界梯度信息驱动活动边界向目标边界移动，虽然充分利用了边界附近的局部信息，但对于噪声和初始轮廓很敏感且过度依赖边界检测方程，容易陷入局部最小值。基于区域的模型，经典的如C-V模型，根据不同区域的灰度统计信息用一个区域描述子来引导边界移动从而分割不同的区域。然而，当目标的边缘和背景灰度差异较小时，演化曲线将会出现泄漏或过分割，导致分割失败。且当图像存在噪声、杂波或遮挡时，普通的分割模型不能提取感兴趣的目标。
技术实现思路
针对上述技术问题， 本专利技术所要解决的技术问题是提供一种针对核磁共振图像，利用形状先验信息，融入自适应区域信息与边界信息实现图像分割的基于先验形状的核磁共振图像分割方法。本专利技术为了解决上述技术问题采用以下技术方案:本专利技术设计了，包括如下步骤:步骤01.针对待分割目标体核磁共振图像内不同灰度的区域，获得该模型的水平集能量泛函Eksf ；步骤02.根据=j]u!//(^)-//(T)丨古，...
【技术保护点】
一种基于先验形状的核磁共振图像分割方法，其特征在于，包括如下步骤：步骤01.针对待分割目标体核磁共振图像内不同灰度的区域，获得该模型的水平集能量泛函ERSF；步骤02.根据获得先验形状能量项Eshape，其中，H为Heavside函数，表示待分割图像中目标体区域闭合边界的水平集函数，φ表示待分割图像在分割过程中，针对目标体区域的分割边界，Ψ为最优先验形状；步骤03.构建新的混杂活动轮廓模型Etotal＝ERSF+QsEshape，并搜索该模型曲线运动方程最优值实现针对待分割目标体核磁共振图像的分割，获得待分割的目标体区域轮廓，其中，Qs为先验形状能量项Eshape对应的权重系数；其中，最优先验形状Ψ通过如下步骤获得：步骤001.获得一组大小相同的目标体核磁共振训练图像，分别针对各幅训练图像中的目标体轮廓进行标注，并分别针对各幅训练图像进行二值化处理；步骤002.针对N幅训练图像，选择一幅训练图像作为基准，分别与其它N?1幅训练图像进行配准，加上作为基准的训练图像，共获得N幅配准训练图像，N为该组大小相同的目标体核磁共振训练图像的数量；步骤003.根据配准训练图像中目标体的轮廓，将N幅配...
【技术特征摘要】
1.一种基于先验形状的核磁共振图像分割方法，其特征在于，包括如下步骤: 步骤01.针对待分割目标体核磁共振图像内不同灰度的区域，获得该模型的水平集能量泛函Eksf ； 步骤02.根据=]]ω!〃⑷-(MlKv，获得先验形状能量项Eshape，其中，H为Heavside函数,表示待分割图像中目标体区域闭合边界的水平集函数，Φ表示待分割图像在分割过程中，针对目标体区域的分割边界，Ψ为最优先验形状； 步骤03.构建新的混杂活动轮廓模型Etotal = ERSF+QsEshape,并搜索该模型曲线运动方程最优值实现针对待分割目标体核磁共振图像的分割，获得待分割的目标体区域轮廓，其中，Qs为先验形状能量项Eshape对应的权重系数； 其中，最优先验形状Ψ通过如下步骤获得: 步骤001.获得一组大小相同的目标体核磁共振训练图像，分别针对各幅训练图像中的目标体轮廓进行标注，并分别针对各幅训练图像进行二值化处理； 步骤002.针对N幅训练图像，选择一幅训练图像作为基准，分别与其它N-1幅训练图像进行配准，加上作为基准的训练图像，共获得N幅配准训练图像，N为该组大小相同的目标体核磁共振训练图像的数量； if 003.根据配准训练图像中目标体的轮廓，将N幅配准训练图像分别表示成符号距离函数炉获得平均水平集函数@，并根据各个符号距离函数约分别获得各幅配准训练图像中目标体轮廓的偏移量函数说，其中，i=l、...、Ν; 步骤004.根据各幅配准训练图像中目标体轮廓的偏移量函数务，构成N维形状变化矩阵Μ，并对相应的协方差矩阵进行奇异值分解，获得N组针对目标体形状一一对应的特征值和特征向量，选取降维后矩阵的前h个维度所对应的特征向量构成矩阵Wh= Cw1, *.wh),实现对形状变化矩阵M进行降维，并分别获得与矩阵Wh中各个特征向量一一对应的权系数，构成向量Xpca= Cx1^...、xh)，其中Mt为形状变化矩阵M的转置矩阵，I≤h〈N ; 步骤005.根据Φ=\.ΧΡΜ获...
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。