[发明专利]多模态脑肿瘤MRI的无监督分割方法

权利要求书

1.多模态脑肿瘤MRI的无监督分割方法，其特征在于，包括以下步骤：

1)输入肿瘤患者的不同模态图像，包括T2加权、Flair和T1增强图像，对输入的图像进行灰度值归一化；

2)提取脑部区域像素点在T2和Flair图像上的特征，利用聚类融合方法对像素点分类，从若干类中自动识别出肿瘤所属类别；

3)提取这些像素点在T1增强图像上的特征，用Kmeans方法聚为2类；

4)从2类中自动识别肿瘤和水肿所属类别，使用一系列形态学的后处理，除去错误分类的像素点，精确提取病变区。

2.如权利要求1所述的多模态脑肿瘤MRI的无监督分割方法，其特征在于：将图像灰度范围统一线性归一化为0至255的范围，提取脑部区域的像素点作为样本，以每个像素点及其周围相邻的8个像素点分别在T2加权和Flair图像上的灰度值作为特征，即每个像素点用18维特征描述，如此便组成了N×p的样本空间S，其中N为待聚类的像素点数，p为特征维数。

3.如权利要求1所述的多模态脑肿瘤MRI的无监督分割方法，其特征在于：步骤2)中聚类融合方法的进一步具体细化如下：

(2.1)输入样本空间S，样本为N个像素点，根据T2加权和Flair图像特点，病变区域在两图中均显高亮度，白质在两图中均显较低亮度，灰质和脑室在T2加权图中显高亮度而在Flair图中显低亮度，故设置k均值算法初始聚类数k＝3，从N个样本中随机选取k个类簇的聚类中心计算每个样本到聚类中心的平方欧氏距离：

(2.2)将每个样本划分到距离值最小的聚类中心的类簇中，计算每个类簇中样本的平均值，作为新的聚类中心：

(2.3)其中表示第t次迭代聚类中心的第k个类簇，表示第k个类簇中样本的个数，这里的求和是指类簇中所有元素在每列属性上的和，是一个p维向量，表示为：

c_k＝(c_k,1,c_k,2,…,,c_k,p) (3)

(2.4)如此循环迭代，直至t＝T时停止迭代，得到k个最终聚类中心计算n个样本与k个聚类中心的距离，得到大小为n×k的距离矩阵D_sqe，元素表示i个样本到j个聚类中心的距离，其中i＝1,…,n，j＝1,…,k，第一次聚类中k＝3，将样本分为3类，将(1)式平方欧氏距离换为余弦距离：

(2.5)重复上述算法T次迭代得到距离矩阵D_cos，再将平方欧氏距离换为城市街区距离：

(2.6)j为x和的第j维，重复上述算法T次迭代得到距离矩阵D_cb，将D_sqe，D_cos，D_cb中相应类别编号对应，将用三种距离聚类的样本定位至原图中的像素点，由此分别获得三种矩阵对应的三个聚类结果图，首先，k类像素点中在Flair图像上平均灰度值最大的一类，记为类别1，距离矩阵的第1行表示类别1的聚类中心，接下来，计算剩余聚类中心与第一类聚类中心的距离，按照距离由小到大的顺序，分别记为类别2到类别k，对应于距离矩阵的第二至第k列，最后，得到了列换序后的矩阵D_sqe^*，D_cos^*，D_cb^*，对三个距离矩阵各个元素求和得到D_add：

D_add＝D_sqe^*+D_cos^*+D_cb^* (6)

将样本x归为与其距离最小的聚类中心的类别，从k类中自动识别病变区所属类别，将k个像素点类簇映射到Flair图像上，计算每个类簇中的像素点在Flair图像上灰度值的平均值，判断平均值最大的类簇为包含病变区的类别，提取此类簇像素点，其余像素点灰度值归零，通过一系列形态学操作，精确病变区范围。