[发明专利]多模态脑肿瘤MRI的无监督分割方法

说明书

本发明涉及医学图像分析技术领域，且公开了一种多模态脑肿瘤MRI的无监督分割方法，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。该多模态脑肿瘤MRI的无监督分割方法，充分利用了不同MRI模态的成像特点，结合不同模态的信息和邻域信息，提高分割的准确度，使用无监督的分割方法，既不需要大量的有标注数据，也不需要长时间的训练时间和复杂的计算，方便了大量的工作，有效地提升了分隔的准确率，实现了算法实施简单、高效以及运算速度快的目的。

技术领域

本发明涉及医学图像分析领域技术领域，具体为一种多模态脑肿瘤MRI的无监督分割方法，在脑肿瘤识别、脑肿瘤分类和脑肿瘤生长预测等领域具有重要作用。

背景技术

脑肿瘤是由于局部组织不可控的细胞增殖形成的一种异常组织，据统计资料显示，脑肿瘤发病率日益增高，愈发威胁着人们的健康，在临床上脑肿瘤及其样变形式多样，限制了脑肿瘤的早期诊断和治疗，随着医学影像技术的发展，核磁共振成像(MRI)成为诊断脑肿瘤疾病的主要方法之一，脑肿瘤MRI图像分割具有重要的意义，根据脑肿瘤分割的精确结果，医生可以获得肿瘤的形态、大小和位置等信息，用于辅助手术导航和放射靶区定位等，肿瘤分割结果除了直接应用于临床，也可计算机辅助结合其他数据进行更加深入的分析，结合多时间点的分割结果可用于肿瘤生长预测，结合患者其他生理信息可判断肿瘤类别，结合已接受治疗患者的预后大数据可帮助医生为每位患者制定个性化的治疗方案。

实现自动脑肿瘤MRI图像分割具有一定的技术难度，主要体现在以下方面：(1)胶质瘤个体差异大，可能会出现在大脑的任何位置，其形状、结构和大小各不相同，(2)部分胶质瘤，显弥漫和浸润性生长，在图像中表现为肿瘤部位和周围脑组边界模糊，(3)脑组织的结构复杂，正常的脑组织包括灰质、白质、脑室和脑脊液等，病变组织包括肿瘤和水肿区域，其中肿瘤又包括坏死区、增强区和非增强区，现在主要的分割方法有基于阈值的分割方法，这种方法会设置一个或者多个阈值，将像素点的灰度值与阈值相比较从而确定像素点的类别，这种方法不能充分利用图像的信息，基于区域的分割例如活动轮廓法，初始化一个封闭曲线根据灰度值变化拟合实际的肿瘤边界，但是由于肿瘤的类型多样边界处灰度值梯度大小不同，不能准确定义截止条件，基于深度学习的分割方法，将数据划分为训练集和测试集，用训练集生成模型用过测试集评估准确度，这种方法需要大量的标记数据，由于上文提到的原因标记数据非常稀少，基于聚类的分割方法是一种无监督的图像分割方法，以像素点为样本根据其特征分为若干的类，相同类中的样本相比于其他样本具有更高的相似度，本发明即是基于聚类方法的脑肿瘤MRI图像分割。

目前脑肿瘤的分割主要依靠经验丰富的医学专家，结合自身解剖学和病理学知识使用辅助软件手动标记属于脑肿瘤的像素点，手动分割方法存在很多问题，首先，专家们的分割结果严重依赖于自身先验知识和经验积累，不同专家对同一患者的分割结果具有差异，具有主观性，其次，每位专家完成一位患者的图像的标注需要大约四个小时，耗时耗力且实时性差，随着患者数量的逐年增加并且医生数量紧缺，为每位患者人工分割MRI图像难以实现，医生和患者急需一种能够准确高效的利用计算机自动分割脑肿瘤MRI图像的方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种模态脑肿瘤MRI的无监督分割方法，具备能提高分割的准确度，提高运算速度，使算法实施简单且高效等优点，解决了现有的脑肿瘤MRI图像分割方法中人工方法耗时耗力，有监督的分割方法需要大量的标记数据和很长的模型训练时间的问题。

(二)技术方案

为实现上述能提高分割的准确度，提高运算速度，使算法实施简单且高效的目的，本发明提供如下技术方案：一种多模态脑肿瘤MRI的无监督分割方法，包括以下步骤：