[发明专利]基于局部相似性活动轮廓模型的脑部图像分割方法和系统

说明书

本发明公开了一种基于局部相似性活动轮廓模型的脑部图像分割方法和系统，所述方法包括：获取一幅待分割核磁共振图像；对待分割核磁共振图像进行超像素分割，获取多个超像素；对超像素提取平均灰度值、基于灰度共生矩阵的纹理特征以及局部特征；将所有特征采用串联方式进行特征融合；采用词典和稀疏表示分类方法对超像素进行分类，获得初始目标区域；根据初始目标区域，利用高斯概率密度函数计算每个像素属于目标的概率，作为学习的局部相似性先验；建立基于局部相似性学习的活动轮廓模型的能量函数，通过最小化能量函数，获得图像分割结果。本发明的活动轮廓模型能够较好地处理灰度不均匀问题，提高了脑部图像分割的准确性和鲁棒性。

技术领域

本发明涉及医学图像分割领域，具体地说是一种基于局部相似性活动轮廓模型的脑部图像分割方法和系统。

背景技术

脑部疾病严重威胁着人类的生命健康。核磁共振图像(MR,magnetic resonance)由于其对比度高、蕴含信息丰富等优点，已成为辅助诊断脑疾病的主要成像方式。医学图像分割技术能将感兴趣区域提取出来，是对病灶区进行量化分析与诊断的基础。因此，发明一种脑部MR图像的分割方法对于提高脑疾病诊断的精度和效率具有重要的意义。

现有的脑部MR分割方法主要包括阈值法、基于学习模型的方法、基于活动轮廓模型的方法等等。然而，脑部MR图像存在灰度不同质性问题，即同一病灶的局部小区域内的灰度差异性较大，从而使得现有的方法分割效果较差。例如，单一的阈值法对于脑部MR图像中的噪声较为敏感，很难将灰度差异性较大的同一病灶区域较好地分割出来。对于基于学习模型的方法来说，灰度不同质性使得目标类样本和背景类样本的分布差异性较大，可能造成类内差异性较大，类间差异性较小，从而影响获得的学习模型的分割性能。

在已有的分割方法中，基于活动轮廓模型的方法具有以下优点：(1)对于噪声具有较好的鲁棒性。(2)无监督方法。与基于学习模型的方法不同，该类模型属于无监督类的方法，因此不需要训练过程，简化了整个分割过程。(3)从建模的角度来说，该类方法更容易加入先验知识。基于以上优点，活动轮廓模型已成为一种主流的方法。近年来，为了处理灰度不同质性问题，已有研究引入偏场的概念，即假设灰度不同质性是由偏场引起的，并将偏场假设引入到活动轮廓模型中，改进的活动轮廓模型对于灰度不同质性能够取得一定的效果。然而，该类方法只能处理偏场变化缓慢的图像，当偏场变化较大，该类方法很难取得令人满意的效果。因此，如何对活动轮廓模型进行改进，提高脑部MR图像的分割性能，是目前本领域技术人员需要解决的技术问题。

发明内容

本发明为克服上述现有技术的不足，提供一种基于局部相似性活动轮廓模型的脑部图像分割方法和系统。该方法首先提出了局部相似性学习模型，然后在活动轮廓模型的框架下，将学到的局部相似性先验作为约束，建立新的分割模型。新建立的分割模型能够较好地处理灰度不均匀问题，弥补了现有活动轮廓模型在处理噪声和灰度不同质性方面的不足，提高了脑部MR图像分割的准确性和鲁棒性。

为实现上述目的，本发明采用如下技术方案：

一种基于局部相似性学习的活动轮廓模型的脑部图像分割方法，包括以下步骤：

步骤1：获取一幅待分割核磁共振图像；

步骤2：对所述待分割核磁共振图像进行超像素分割，获取多个超像素；

步骤3：对所述多个超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征；将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合，得到融合之后的特征；

步骤4：采用词典和稀疏表示分类方法对所述超像素进行分类，获得初始目标区域；

步骤5：根据所述初始目标区域，利用高斯概率密度函数计算每个像素属于目标的概率，作为学习的局部相似性先验；