[发明专利]基于多模态磁共振的脑肿瘤图像分割方法

说明书

技术领域

本发明属于医学图像处理领域，具体是一种基于多模态磁共振的脑肿瘤图像分割方法。

背景技术

脑肿瘤是由不可控制的细胞增生引起的一种异常组织，已成为威胁人类健康的主要疾病之一。因此，MRI脑部肿瘤图像的精确分割对医学影像分析和临床应用研究具有十分重要的意义。基于脑肿瘤的精确分割结果，医生即可获得肿瘤的形态、大小及位置等多种信息，对其进行定量的分析和跟踪比较，掌握肿瘤的病变发展和生长状态。而且，它在制定放疗计划、辅助手术导航、放射靶区定位、建立病情跟踪档案、病理的研究分析以及肿瘤模型和图谱的建立等方面也发挥着十分重要的作用。分割所得图像具有广阔的应用前景，包括病灶的定位和测量，组织容积的定量分析和诊断，内部解剖结构的研究，术前分析和手术方案的制定以及功能成像数据的局部体效应校正等。

然而，目前临床应用中对脑肿瘤的分割主要还是由经验丰富的专家根据自身的解剖学和病理学知识，借助特定的辅助软件在原始图像上直接手工勾画出感兴趣区域的边缘轮廓。人工手动分割准确率高，但是耗时耗力，实时性差，效率较低，不能满足批量处理肿瘤图像分割工作的需要，并且分割结果的好坏依赖于操作者的先验知识和经验积累，具有一定的主观性，不同医生对同一病人的MRI图像会有不同的判断结果，同一名医生在不同时期对同一病人MRI图像的分割结果也不尽相同，存在个体性差异，可重复操作性较差。因此，利用图像分割算法对脑肿瘤图像进行自动或半自动分割，给医生的诊断和治疗提供辅助参考，减轻医生的工作负担，提高肿瘤分割的准确性、鲁棒性和适用性，不仅是医学图像分割研究的发展趋势，同时也是临床医学应用的现实需要。

由于脑肿瘤属于占位性病变导致肿瘤周围组织常伴有水肿的出现，因此脑部肿瘤分割就是把肿瘤区域(肿瘤和水肿)从正常脑部组织(如：灰质、白质、脑脊液)中分开。通常用FLAIR、T1、T1ce和T2四个模态的信息作为脑肿瘤的诊断依据。从影像学角度可知，不同参数获得的各模态之间表现出极大的差异，强调的信息各有不同。FLAIR模态图像虽然对脑部组织结构显示很模糊，但脑脊液部分低信号明显，脑肿瘤周围水肿区域信号与正常组织有较大差异；T1模态图像各组织灰度相似，水肿部分与正常组织无灰度差异，但肿瘤部分与周边组织灰度稍有差异：T1ce模态图像很好的显示了脑部的组织结构，且胶质瘤边界与正常组织灰度差异明显；T2图像肿瘤整体灰度都与正常组织差异明显。即不同的组织在不同模态的磁共振图像上具有不同的表现，而同一组织在不同模态下的磁共振图像上的表现也不尽相同。因此很难找到一种通用的分割方法。

尽管MRI分割存在诸多的困难，当前依然产生了相当多的研究成果和方法，根据方法中使用的MRI模态数可以将脑肿瘤分割方法分为两类：单模态和多模态脑MRI肿瘤分割。目前基于单模态的分割方法主要是T1模态，例如，Shanthi和Kumar提出了使用局部统计信息去估计阈值，通过对阈值比较进行分割。Khotanlou使用参数化的可变模型通过空间关系对边界进行优化。Bauer将肿瘤增长模型作为一个mesh-free马尔可夫能量最小化问题。同时，也有一部分学者使用其他MRI模态对脑肿瘤进行分割，例如，Stadlbauer基于高斯分布对T2脑肿瘤图像进行分割，类似的，有学者提出了基于带电流体模型(charged fluid model，CFM)对T2脑肿瘤图像进行分割，除此之外，也有少部分的脑肿瘤分割方法是基于T1ce模态。

基于单模态MRI的脑肿瘤图像分割方法虽然简单但是其分割结果往往不够精确。为此，一些学者引入了基于多模态的MRI脑肿瘤分割方法，Dou提出了一种基于T1，T2和PD模态的融合区域增长的模糊信息融合框架。Clark使用同样的模态结合知识库(knowledge-based)技术和多模态直方图分析方法对脑肿瘤进行分割，Rexilius提出了一种基于概率密度的快速多模态脑肿瘤分割方法。文献[179]中，首先将低精度图像如T2和FLAIR与T1图像配准，然后使用带有空间权重的隐式马尔可夫模型和期望最大化算法(EM)去分割脑肿瘤图像。

单模态MRI分割方法易实现但是并不足以精确对脑肿瘤图像进行分割。多模态方法利用了MRI不同模态的成像特性提高了分割精度，但是其不同模态之间的融合方法导致分割方法往往比较复杂。

综上所述，与多模态MRI脑肿瘤分割方法相比，单模态MRI分割方法易实现。然而，由于MRI图像的特征，单一模态的MRI并不足以精确对脑肿瘤进行分割。

发明内容