[发明专利]细胞分辨水平的脑组织三维图像的脑区自动分割方法及系统

说明书

本发明提供一种细胞分辨水平的脑组织三维图像的脑区自动分割方法及系统，包括如下步骤：步骤S1，获取原始数据；步骤S2，降采样；步骤S3，低分辨特征提取；步骤S4，绘制初始轮廓；步骤S5，低分辨脑区分割；步骤S6，升采样标号值；步骤S7，高分辨特征提取；步骤S8，高分辨脑区分割；步骤S9，边界优化；步骤S10，循环处理；步骤S11，输出结果。本发明方法基于脑区细胞纹理的概率分布，利用细胞分辨图像对细胞构筑细节信息的敏感性提取图像纹理细节信息，再与脑区纹理空间分布特征相结合，强化对纹理细节和边缘轮廓的共同描述，以弥补传统特征提取算法对脑区纹理信息描述不足的缺陷。

技术领域

本发明涉及图像处理领域，尤其涉及一种细胞分辨水平的脑组织三维图像的脑区自动分割方法及系统。

背景技术

脑是人和动物最高级、最复杂和最重要的器官，机体各项生命活动的正常运转都离不开大脑的分析和控制。脑的基本构成单元是细胞，众多不同脑细胞的排列和组织特性构成了不同的脑区，其具体表现为细胞的形态、数量、密度和空间位置等在一定区域范围的分布特征。脑的基本功能和工作机制依赖于内部不同脑区的协同作用，脑区细胞的缺失或者损伤，导致脑区的功能受损从而引发各种脑疾病。因此，在细胞分辨水平对脑区进行精确测量和分析是开展脑功能、脑疾病研究的必要路径，而实现脑区测量和分析的一个基本需求就是对脑区进行准确的分割。

细胞分辨水平的脑组织三维图像跟传统组织学图像相比，一个明显的特征就是图像分辨率高，达到微米甚至亚微米水平，由此能够分辨细胞的三维形态，但同时也带来了图片尺寸大、数量多的难题。已有的脑区自动分割方法主要是针对MRI图像、CT图像等低分辨率的组织学图像，这类图像脑区内的灰度分布较为均匀，可以直接应用众多经典的图像分割方法对其轮廓进行分割。但是达到细胞分辨水平的组织学脑图像，脑区不再具有均匀连续的灰度，而是由大量离散可见的细胞胞体聚集而成，上述传统经典分割方法无法适用。

发明内容

鉴于目前现有技术的不足，本发明的目的在于提供一种细胞分辨水平的脑组织三维图像的脑区自动分割方法及系统。

为达到上述目的，本发明的实施例采用如下技术方案：

一种细胞分辨水平的脑组织三维图像的脑区自动分割方法，所述方法包括如下步骤：

步骤S1，获取原始数据，获取细胞分辨水平的脑组织三维图像的数据集；

步骤S2，降采样，对所述数据集中任意一张二维图像进行降采样，获得降采样图像，所述降采样为降低分辨率进行采样；

步骤S3，低分辨特征提取，对所述降采样图像进行纹理特征提取，获得低分辨纹理特征向量；

步骤S4，绘制初始轮廓，绘制脑区分割区域的初始轮廓线，获得低分辨初始标号，作为低分辨脑区分割的启动条件；

步骤S5，低分辨脑区分割，利用所述低分辨纹理特征向量和所述低分辨初始标号，计算脑区纹理的概率分布，获得低分辨标号场；

步骤S6，升采样标号值，将所述低分辨标号场进行升采样，获得高分辨初始标号，所述高分辨初始标号的分辨率与所述二维图像的分辨率一致；

步骤S7，高分辨特征提取，对所述二维图像进行纹理特征提取，获得高分辨纹理特征向量；

步骤S8，高分辨脑区分割，利用所述高分辨初始标号和所述高分辨纹理特征向量，计算脑区纹理的概率分布，对所述原始二维图像中像素点进行分类，得到所述原始二维图像的高分辨标号场；

步骤S9，边界优化，重新计算脑区边界相邻区域像素隶属于不同类别的概率值，对所述高分辨标号场进行优化，得到最终的分类标号，此时，当前二维图像的脑区分割工作结束；

步骤S10，循环处理，循环处理所述数据集中的其他二维图像，直到目标脑区所有二维图像全部完成分割；