[发明专利]应用于医疗的基于自组织映射网络脑部MRI图像分割方法及MRI设备

说明书

本发明涉及一种基于自组织映射网络的脑部MRI图像分割方法以及MRI设备，方法包括：步骤(1)，对输入的经过融合后的脑部MRI图像进行特征提取；步骤(2)，根据脑部肿瘤图像的特点设计多层神经网络，选用在先经过标定的脑部MRI图像对神经网络进行训练；步骤(3)，通过每个像素将整个图像送入训练好的网络，对于每个像素的特征向量，根据最小距离标准，第一层会产生一个胜出神经元，从而用像素指定相应的对象；步骤(4)，合并过程，为了抑制错误分类，在分割之后需要一个合并聚类过程来连结属于正常分类的神经元，进而有效分割肿瘤区域，进而得到目标图像。本方法可以有效跳出局部最优，对脑部肿瘤MRI图像分割精度高，边缘平滑。

技术领域

本发明涉及MRI图像采集及医学图像处理技术领域，特别是一种MRI脑部图像中脑部肿瘤分割方法以及MRI设备。

背景技术

核磁共振成像(MRI)具有辐射低，软组织成像敏感度高，多方位成像，以及具有多种成像方式等优点，得到了极其广泛的应用。MRI目前成为医学工作者研究大脑的重要手段之一，其主要优点有：(1)对软组织、解剖结构和病变形态显示清楚；(2)各种参数均可用来调节成像结果，同时获得丰富的诊断信息；(3)对任意剖面均可成像，可以得到其他成像技术难以接近部位的图像；(4)对人体无电离辐射损伤，对人体安全无创；然而，MRI图像会受到噪声、偏移场(也称为强度不均匀)、部分容积效应等因素的影响，使得缺乏医学先验知识的以计算机为基础的自动分割算法的性能严重下降。图像分割就是把图像按照不同区域特点分割为多个部分。图像分割得到的结果应具有不同的特点，并且各分割部分之间要满足一定的一致性。图像分割就是为了从整个图像中分离出感兴趣区域(ROI)，为后续分析、研究做铺垫。人脑图像分割是人脑疾病诊断、人脑手术精准定位及治疗的基础，为人脑研究人员提供了先验知识。而且人脑图像分割也是人脑三维重建和可视化的前提，因此人脑图像分割在颅脑图像处理中占有着极其重要的地位。

现有的分割方法中，手工标定边界的分割方法在分割过程中需要操作人员在每帧图像中描绘出待分割目标对象的边缘，在整个过程中都需要人工操作、缺乏自动化，检测结果受操作人员主观因素影响较大。基于区域增长的分割方法必须设置种子点，算法执行速度慢，缺少通用的收敛准则，且种子点以及收敛准则的选取对结果有很大的影响。基于传统活动轮廓模型的分割方法可以在较少人工干预下实现三维目标对象分割，但是这种方法对复杂拓扑结构的处理能力较弱，分割效果和分割精度等性能指标很难满足临床应用需求。

人脑图像的分割可以分为两种，一种是将人脑分为白质、灰质和脑脊液的脑组织分割。另一种是将人脑按照结构如脑室，海马体，胼胝体等进行的脑组织分割。大脑结构十分复杂，大脑外层有皮肤脂肪，肌肉，颅骨等组织结构，脑内除了灰质，白质，脑脊液外，还包含着胶质物，结缔组织等组织结构，他们在MRI图像上有相互重叠的部分，不容易区分。因此，如何提高MRI图像分割方法的准确率已经成为急需解决的技术问题。

发明内容

本发明的目的就在于为解决上述问题，本发明提出一种基于自组织映射网络的图像分割方法，用于对脑部图像的分析，包含以下步骤：

步骤(1)，对输入的经过融合后的脑部MRI图像进行特征提取，其中，对多个不同尺度参数的输入图像进行Savitzky-Golay滤波从而得到多个滤波之后的图像；通过Savitzky-Golay滤波对输入图像分析，得到细节和一般特征，滤波后图像和原始图像的像素强度形成了本方法中网络模型的输入特征空间；

步骤(2)，根据脑部肿瘤图像的特点设计多层神经网络，第一层的神经元数量根据专家库经验数据设定，选择一个N×N网络，网络中所包含的神经元的数量为K，选用在先经过标定的脑部MRI图像对神经网络进行训练；

步骤(3)，图像分割，为了把输入脑部MRI图像分割成不同的对象，通过每个像素将整个图像送入训练好的网络，对于每个像素的特征向量，根据最小距离标准，第一层会产生一个胜出神经元，从而用像素指定相应的对象；