[发明专利]基于二维集合经验模式分解的医学MR图像特征提取方法

说明书

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于二维集合经验模式分解的医学MR图像特征提取方法。

背景技术

随着MRI技术的发展，产生了大量的医学图像，这些医学图像是医务工作者进行疾病的诊断、疾病的跟踪、手术的流程、术后康复的重要依据材料，因此对这些图像数据的处理成为临床应用的最大难题。目前，这些图像的临床分析主要通过医生对图像的定性评价来完成。由于缺乏图像特征的定量度量，人们视觉感知的差异，不同特征和诊断标准的使用，以及人工观察的主观因素和医生的经验等，导致不同医生诊断结论不同，多位医生之间难以形成统一的、正确的诊断结果。这样，良性或恶性的诊断结果都需要依靠活检进行确认，大量的阴性活检造成了病人不必要的痛苦和费用，使病人的身心受到伤害。最为关键的是如此大量的图像信息若依常规方式逐层解读，诊断工作量大，容易造成医生的疲劳，导致误诊或漏诊率的上升。随着计算机技术和图像处理技术突飞猛进的发展，为这些诊断数据的处理提供了新的方法，计算机辅助诊断技术应运而生。

计算机辅助诊断技术以医学影像技术为基础，结合计算机的处理分析功能，帮助影像医师发现病灶区域以提高临床诊断的效率。其中医学图像的特征提取能够获取图像中独特的有别于其他图像的特征信息，进而实现医学图像目标的自动分类、匹配、识别等功能，是实现计算机辅助诊断的一个关键步骤。

医学图像数据的多样性和重要性要求运用高效准确的图像处理算法提取图像中的特征信息。有效的特征提取算法，可以准确的分离出人体组织和病灶区域，这样就可以减轻医生的负担，提高医生的诊断效率，给医生的临床诊断提供更多的参考信息。目前，常用的图像特征提取方法主要有梯度算子、拉普拉斯算子等，这些算法通用性较差，对噪声也非常敏感；小波分析在图像处理中应用广泛，该方法具有多尺度、多分辨率的特性，但小波基的选择是关键，采用不同的小波基，分解效果会有所不同；分形理论作为一种非线性的处理方法，也是图像特征提取中比较热门的理论。这些算法大多都是直接在原图像上进行处理，效果受噪声影响较大。而Snake算法、人工神经网络方法、统计方法等，大多针对辅助诊断或模式识别应用，对图像特征区域划分较细，因此算法一般过于复杂、需要人工干预且时间复杂度很大，难以满足临床诊断的需求。

经验模式分解(Empirical Mode Decomposition，简称EMD)方法由美国华裔科学家HUANG于1998年提出，方法扩展了Hilbert变换的应用，突破了传统数据分析方法只能分析线性或平稳数据的局限，开创了一种处理非线性非平稳数据的有效方法，能自适应处理非线性非平稳数据的特性使其迅速在诸多领域得到了广泛的应用。近年来，二维经验模式分解(Bi-Dimensional Empirical Mode Decomposition，BEMD)在图像去噪、图像增强、特征提取图像分割、图像融合和图像压缩等图像处理各个方面的应用研究也正处于不断深入的过程之中，EMD在图像处理领域的应用已成为学者们研究的热点。

虽然，EMD方法在各领域的应用已经取得了很大的成功，但由于该方法提出不久，其理论研究远未成熟，在应用该方法时存在着端点效应、模态混叠等各类问题。针对这些问题不少学者提出了相应的解决方法。其中，值得一提的是，2009年，HUANG等人在分析了白噪声统计特性的基础上提出了一种新的噪声辅助数据分析方法，集合经验模式分解(Ensemble Empirical Mode Decomposition，简称EEMD)。EEMD方法是对原始EMD方法的巨大改进，这种方法通过给信号加入极小幅度白噪声，利用白噪声频谱均衡分布的特点，用白噪声来均衡噪声的特性，较为理想的解决了模态混叠问题，因而非常适合用于医学MR图像的特征提取。

发明目的

本发明的目的在于针对上述现有技术中的缺陷，提供一种能够解决大多数特征提取算法对MR图像噪声较为敏感，需要人工干预，时间复杂度大，在医学MR图像的特征提取上效果不理想的问题，进而提高MR图像特征提取效率及精度的基于二维集合经验模式分解的医学MR图像特征提取方法。

为了实现上述目的，本发明采用的技术方案为，对于二维图像信号I(x,y)进行如下处理：

步骤一，初始化r₀(x,y)＝I(x,y)，定义求解BIMF分量次数的控制变量为i，并且首次求解BIMF分量的i＝1；

步骤二，向原始信号中加入白噪声序列；

步骤三，通过筛分提取第i个BIMF分量，具体操作如下：