[发明专利]一种针对灰度不均匀的核磁共振图像的分割方法

说明书

技术领域

本发明涉及一种核磁共振图像的分割方法，特别涉及一种针对灰度不均匀的核磁共振图像的分割方法，属于医学图像分析领域。

背景技术

核磁共振成像(Magnetic Resonance Image，MRI)是疾病诊断的重要辅助手段，也是当前医学图象分析领域的研究热点之一。它具有没有放射污染、分辨率高、成像参数多、可任意层面断层、对人体无电辐射损伤等优点，在医学临床上得到了广泛的应用。随着人们对核磁共振图像定量分析的要求越来越高，比如在对诸如老年痴呆症、多发性硬化症以及精神分裂等退化脑疾病的研究中，除了研究灰质、白质、白质损伤和脑脊液的空间分布以及临时改变以外，对这些组织容量的精确测量也是必不可少的。因为这些神经疾病改变了人脑软组织(灰质、白质)和脑脊液的正常体积及其区域分布。这些应用的一个前提就是对脑部核磁共振图像进行精确的分割。然而在实际应用中，由于核磁共振成像设备获取的核磁共振图像受噪声、射频场不均匀和不同组织之间的差异性以及部分容积效应等因素，使信号发生了混淆，结果图像的灰度均匀性变差，表现为图像上同一组织的像素灰度沿空间呈缓慢、平滑的变化，也就是偏移场的问题，因此单纯依靠传统基于全局灰度值分割图像已无法满足精度需求。

图像分割方法有很多，目前由于主动轮廓模型能够将有关目标形状的先验知识和来自图像的知识融入一个统一的过程中，是当前图像分割领域的热点方法。

基于主动轮廓模型，Chan和Vese提出的经典的CV模型，假设图像分为均值不等的目标和背景两个部分，将目标从背景中分割出来。该模型和之后提出的多相位的CV分割模型常被称为分段常量(piecewise constant，PC)模型，由于使用轮廓内部和外部的全部灰度信息，故对噪声较大的图像和弱边界图像仍能工作得很好。但PC模型假设图像的灰度分布是均匀的，当图像中出现灰度不均匀现象时，PC模型会产生错误分割。为了克服PC模型不能克服灰度不均匀性的缺点，Vese和Chan以及Tsai等提出了分段光滑(piecewise smooth，PS)模型。但PS模型由于在每次迭代水平集函数时要额外求解两个偏微分方程，计算量较大。除此之外，为了保证演化过程中水平集能保持为符号距离函数，每次迭代时需要重新初始化。最近，Li等提出了新的处理脑部核磁共振图像灰度不均匀的分割方法。这个方法首先在图像灰度邻域内定义了一个K均值聚类目标函数，然后将该目标函数整合到整个图像域，并引入到变分水平集框架中。通过引入图像的局部灰度信息，这个方法能够产生好的结果。更多的跟Li等的方法有相似功能的算法也被提出来了，但是它们有时对主动轮廓的初始化比较敏感，因此效果不是特别显著。

本发明中涉及到的2项重要已有技术是CV模型和Li等人在文献《A variational level set approach to segmentation and bais correction of images with intensity inhomogeneity》(Li C，Huang R，Ding Z，Gatenby C，Metaxas D，Gore J.A variational level set approach to segmentation and bais correction of images with intensity inhomogeneity.In：Processing of medical image computing and computer aided intervention MICCAI 2008，Part II，LNCS 5242，pp.1083-1091，2008.)中提出的基于聚类的主动轮廓模型，具体为：

(1)CV模型

假定是图像域，是一张灰度图，I(x)中的x表示灰度值，在图像域Ω中是一个常量，则该模型的能量泛函如下所示：