[发明专利]一种基于正则化图割的大脑组织分割方法

摘要

本发明公开了一种基于正则化图割的大脑组织分割方法，首先基于强度距离和空间相似度，设计新的体素间相似度计算方法，从而对体素进行聚类，把大脑MRI图像分割为一系列均匀并且较好地贴合图像边缘的超体素；随后明通过把大脑不同组织的先验概率融入到图割框架中，设计一个能量计算公式，计算每个超体素在分配不同标签时各个部分的能量值，从而使用图割方法对超体素分割，把Magnetic Resonance Imaging(MRI)图像分割成不同的组织。本发明能够从最初的脑部MRI分割出三种脑组织，分割结果中各个组织间边界贴合度高。与已有的MRI图像分割方法相比，本发明分割效果更好，边界贴合度更高，效率更高，处理速度更快，可以较好地抑制噪声的影响。

主权项

1.一种基于正则化图割的脑组织分割方法，其特征在于，包括如下步骤：步骤1：计算体素点到一定区域内的各个种子点的相似度，聚类到相似度最高的种子点，然后重新计算聚类中心的强度和中心位置，通过数次的迭代，使得具有同一性质，相似度高的体素聚到一类，形成超体素；具体包括如下子步骤：步骤1‑1，初始化种子点，假设图像一共有N个体素，期望生成的超体素的个数为M，则每个超体素的大小为：V＝N/M其中M也表示初始的种子点的数量；步骤1‑2，每个超体素的边长为：上式中，L即为每个超体素的步长；步骤1‑3，计算每个种子点周围L×L×L区域内体素的灰度值的平均值，作为种子点的灰度值I，计算公式如下：其中(xi,yi,zi)代表种子点i的坐标，Ix,y,z是(x,y,z)坐标下的像素值；步骤1‑4，计算体素与种子点间的相似度，对于每个体素，在其2L×2L×2L的区域内，计算其与各个种子体素的距离，计算公式如下：dint＝||G*INi‑Ic||d＝dint+γdspa其中G代表标准的高斯内核，*代表卷积操作；Iint代表以体素Ni为中心，立体图像块的强度(灰度)矩阵；Ic代表种子点的强度；dspa代表体素和种子之间的空间相似度；dint代表以体素Ni为中心的图像块与种子的强度距离；γ代表正则化系数，代表体素强度和空间相似度之间的相关度；步骤1‑5，通过步骤1‑4中的公式，计算区域内各个体素点到种子点的相似度，并把体素点归到相似度最高的种子点；步骤1‑6，对于新生成的聚类中心，计算其范围内体素的平均强度和空间位置中心，作为新中心的强度和位置；步骤1‑7，重复上述步骤1‑5，1‑6，当新的中心点和上一次中心点的距离小于一定的阈值时，停止迭代，完成超体素的生成；步骤2，融入组织的先验概率，加上从第一步的超体素中提取出的特征，使用图割框架对超体素聚类，具体包括如下子步骤：步骤2‑1，生成三种组织的先验概率分布图；步骤2‑2，通过下式计算每种标签的能量公式E(c)＝μ(λRs(cs)+(1‑λ)*Atlass(cs))+∑Bs,t其中，s为超体素，cs为标签，μ和λ代表公式总数据项、概率图项、成对项之间的相关程度；Rs(cs):描述超体素s被分到标签cs时的好坏程度，计算方式如下：Rs(cs)＝‑lnPA(c|s)其中PA(c|s)可通过每种组织分布的高斯模型来得到；Atlas(cs)：描述每个超体素的组织概率，计算公式如下：Atlass(cs)＝‑lnPA(cs)Bs,t：根据定义计算不同标签的超体素之间的权重Bs,t＝1/(1+ρ)其中特征f代表超体素的平均强度，σ代表超体素间的方差，ρ为洛伦兹误差；步骤3，根据步骤2中计算得到的能量值，使用图割来对其进行处理，得到能量公式的最小值，从而完成超体素的精准分割。