[发明专利]一种基于超体素与测度学习的弥散张量图像分割方法

说明书

本发明公开了一种基于超体素与测度学习的弥散张量图像分割方法，包括以下步骤：首先，对弥散张量图像，计算描述每个体素水分子弥散的几何特征与方向特征。然后，在弥散张量图像的组织区域均匀采样种子点，结合位置、几何与方向特征，采用局部空间模糊聚类方法生成超体素。接着，在谱聚类的框架下，建立测度学习与聚类的优化模型，对目标函数采用迭代交替求解，实现超体素的分类。最后，将超体素的分类结果映射回图像空间，从而获得弥散张量图像的分割结果。本发明方法可以高效、稳定地获得精准的组织分割，对于大脑神经影像分析、疾病诊断与大脑认知研究等具有科学意义。

技术领域

本发明属于数字图像领域，尤其涉及一种基于超体素与测度学习的弥散张量图像分割方法。

背景技术

弥散张量成像(Diffusion Tensor Imaging,DTI)作为一种新型磁共振成像技术，可以在定量地获得组织体内的水分子扩散的方向与大小等信息。与传统的医学成像方式相比，弥散张量成像可以提供更加细致、独特的组织信息。因此，近年来弥散张量成像在临床诊断与分析中受到广泛的关注，特别是在神经系统疾病与脑认知研究中有着重要的作用，可以有效地检测大脑的结构与功能特性。近年来，弥散张量成像已经成功应用于多种神经系统与精神系统疾病的分析与诊断等，包括脑中风、老年痴呆症、帕金森综合症、精神分裂症、抑郁症、自闭症等多种疾病。

与传统灰度或者彩色图像有所不同，弥散张量图像通过一个张量，描述水分子在当前位置的扩散方向和大小。与传统磁共振成像相比，弥散张量成像提供了更加丰富的生物组织信息，可以有效地区分传统成像技术无法区分的生物组织，例如杏仁核、丘脑核团与胼胝体等。然而，高效、准确地分割受到了部分容积效应、噪声、复杂的张量结构以及数据的高维特性等多种因素的影响。因此，针对弥散张量图像特点，提出高效、稳定的分割算法，对于后续的疾病分析与科学研究具有重要意义。目前常用的分割方法采用逐个体素处理的方式，对于高维的弥散张量图像具有很高的时间复杂度，难以直接应用于临床。

值得注意的是，近年来，超体素作为一种新型的图像预处理技术，可以将局部空间相似特征的体素聚集生成超体素，这样可以将数量巨大的体素变成数量较少的超体素进行处理，可以在保证分割效果的同时大大降低时间复杂度。弥散张量图像的局部区域平滑，使得其适合使用超体素分割进行处理。此外，超体素技术已经被越来越多地应用于磁共振图像分析，并表现出相当好的性能，如肿瘤定位和分割、组织分割、图像配准和功能分组等。因此，有必要开展基于超体素的弥散张量图像分割研究。

在弥散张量图像分析中，高效地生成有效的超体素仍然是具有挑战性的。现有的超体素生成方法大都针对灰度或者彩色图像，难以直接应用于弥散张量图像。因此，需要针对弥散张量图像特点，研究高效、稳定的超体素生成方法。此外，对于生成的超体素如何进行有效的聚类，实现准确、稳定的组织分割，仍然受到高维、噪声等多种因素影响。

发明内容

发明目的：由于弥散张量图像体素数据大、数据维度高，使用传统的逐个体素进行处理的方式计算复杂度高，使得其在临床应用的实时性差，限制了其使用范围。本发明针对弥散张量图像的特点，提出一种基于超体素与测度学习的弥散张量图像分割方法，可以高效地获得准确的组织分割结果。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于超体素与测度学习的弥散张量图像分割方法，包括以下步骤：

步骤1，计算弥散张量图像的描述每个体素水分子弥散的几何特征与方向特征，进行体素张量的特征提取；

步骤2，在弥散张量图像的组织区域均匀采样种子点，结合水分子弥散的位置、几何与方向特征，采用局部空间模糊聚类方法生成超体素；

步骤3，对步骤2生成的超体素进行特征提取，使用谱聚类算法建立基于测度学习的聚类模型，通过求解模型得到超体素的聚类标签，即获得超体素的类别；

步骤4，将超体素的类别信息映射回图像空间，根据超体素聚类标签实现弥散张量图像的分割。