[发明专利]一种基于改进随机森林算法的MRI图像自动分割方法

说明书

本发明提供一种基于改进随机森林算法的MRI图像自动分割方法，包括获取多模态MRI图像并预处理；对预处理后的多模态MRI图像进行超像素预分割，并根据预设的特征提取项进行特征提取，得到超像素特征图像；构建第一随机森林分类器并导入超像素特征图像进行训练，得到初始分割结果图；在第一随机森林分类器中引入全连接条件随机场来构建两层级联的第二随机森林分类器，并导入初始分割结果图进行训练，在第一层训练后，导入第一层的全连接条件随机场的结果概率图与初始分割结果图在第二层训练，得到最终分割结果图并输出。实施本发明，充分利用像素周围结构性的邻域信息及改进的随机森林算法来提高图像后续分析的精确度，省时省力。

技术领域

本发明涉及MRI图像处理技术领域，尤其涉及一种基于改进随机森林算法的MRI(Magnetic Resonance Imaging，磁共振成像)图像自动分割方法。

背景技术

在过去二十多年里，MRI作为最常用的神经影像学技术之一，已被广泛用于临床分析，手术规划和治疗效果评估。这种图像采集技术可以提供人体解剖学的高分辨率图像，同时完全无创且无痛。它提供了大量参数，可以产生各种视图(轴向，矢状，冠状)和模态(T1，T2，Flair，T1C)的图像，且每个模态的MRI图像都反映了研究对象的特定方面。

MRI图像的分割是指从MRI提取勾画出特定区域以获得定量，准确和可重复的信息。通常，MRI图像分割是由专家根据解剖知识，利用计算机辅助软件通过识别，划界和标记构成图像的各种组织来完成，但是这样的任务非常困难，它涉及到高度的主观性，结果可能因操作者而异，而同一个操作者也可能因为不同光照和对比度的屏幕或环境得到不同的分割结果，再加上如今MRI的广泛使用和图像数量的增加，这样的分割方法也难以适用于大规模的图像数据。所以计算机自动分割算法开始被广泛研究，用于改善和辅助MRI分析的时间和准确性，这其中随机森林作为一个高效的机器学习分类算法已经被应用于各种医学图像分割。

然而，现有技术中的MRI图像在特征提取阶段大多只考虑到像素级别的图像统计学特征，未充分利用像素周围结构性的邻域信息，导致图像特征不完整而影响图像后续分析的精确度；在分类阶段，由于随机森林本身就是基于每个像素，独立预测各自的标签，虽然所获得的预测是合理的，但其并不能充分地利用上下文信息，且随机森林中个体树的分裂本质上都是嘈杂的，结果中往往会带有噪声，通常还需要对分割结果进行后处理，如二元形态学处理，不仅费时费力，还影响图像后续分析精度。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于改进随机森林算法的MRI图像自动分割方法，充分利用像素周围结构性的邻域信息及改进的随机森林算法来提高图像后续分析的精确度，省时省力。

为了解决上述技术问题，本发明实施例提供了一种MRI图像自动分割方法，包括以下步骤：

获取多模态MRI图像，并对所获取到的多模态MRI图像进行预处理；

对预处理后的多模态MRI图像进行超像素预分割，并根据预设的特征提取项，对超像素预分割后的多模态MRI图像均进行特征提取，得到多模态MRI图像各自分别对应每一特征提取项的超像素特征图像；

构建第一随机森林分类器，将所得到的超像素特征图像均导入所述第一随机森林分类器中进行训练，得到多模态MRI图像的初始分割结果图；

在所述第一随机森林分类器中引入全连接条件随机场来构建两层级联的第二随机森林分类器，且将所得到的初始分割结果图作为目标分割区域特征图像导入所述第二随机森林分类器的第一层进行训练后，将第一层训练输出的全连接条件随机场所得的结果概率图与所述目标分割区域特征图像共同导入所述第二随机森林分类器的第二层训练直至结束，则第二层训练输出的全连接条件随机场所得的结果图为多模态MRI图像的最终分割结果图。

其中，所述获取多模态MRI图像，并对所获取到的多模态MRI图像进行预处理的具体步骤包括：