[发明专利]一种结合生物特征的脑部MRI图像分割方法

摘要

一种结合生物特征的脑部MRI图像分割方法属图像处理与生物医学结合技术领域，本发明利用脑脊液中心部分为H型的生物特征分割脑脊液部分，对脑部剩余部分先用基于局部信息的模糊C均值聚类算法做一次粗分割作为随机森林的初始标签输入，再利用脑部图像的对称性，用MRI图像的左半部分像素作为随机森林分类器的训练样本，全部像素作为随机森林分类器的测试样本，最后结合两部分的分割结果，得到最终的脑部MRI图像的分割结果；本发明的最终结果比其他只考虑图像灰度信息的分割算法效果更好，且实现了无监督的分割，不需要大量的图片训练集。

主权项

1.一种结合生物特征的脑部MRI图像分割方法，其特征在于包括下列步骤：1.1分割MRI图像中脑脊液中间的H型区域包括下列步骤：1.1.1从数据库中获得脑部MRI图像；1.1.2先用canny算子提取标准MRI脑脊液分割图中H型区域的边缘再对其进行离散傅立叶变换，离散傅立叶变换的系数为H型区域的傅立叶形状描述子，离散傅立叶系数a(u)的数学表达式为：其中，N为边界点的个数；s(k)为边界点的复数表示，即s(k)＝x(k)+jy(k)，(x(k),y(k))为边界点的坐标，k＝0,1,2……N‑1；1.1.3假设实际MRI图像大小为M×N，以坐标为的像素点为中心像素点，选择一个大小的矩形区域，若为小数，则向上取整，然后用canny算子提取出该矩形区域内的图像边缘；1.1.4计算步骤1.1.3中边缘内图像的灰度直方图，根据灰度直方图选择出现频率最低的灰度值作为初始阈值，把该区域内灰度值大于该阈值的像素的灰度值均设为0，灰度值小于该阈值的像素的灰度值设为1，得到初步分割图像；1.1.5计算步骤1.1.4中的初步分割图像的傅立叶形状描述子，并计算它和步骤1.1.2中的傅立叶形状描述子的欧式距离，若它们之间的欧式距离小于0.02，则判断此分割图像为H型，即为脑脊液中间的H型区域分割图，否则重新调整阈值，阈值的选择依据为灰度值的出现频率，即第一次选择出现频率最低的灰度值，第二次选择出现频率第二低的灰度值，依此类推，并利用新的阈值分割图像，计算分割图像的傅立叶形状描述子，并计算它和步骤1.1.2中的傅立叶描述子的欧式距离，直到两个图像的傅立叶描述子之间的欧式距离小于0.02时，得到的分割图像即为脑脊液中间部分的分割图；1.2分割MRI图像中其他区域包括下列步骤：1.2.1利用基于局部信息的模糊C均值聚类算法(FLICM)得到MRI图像每个像素的初始分类标签；1.2.2计算每个像素点的邻域均值μ，其计算公式为：其中：f(i,j)为以当前像素点为中心像素点的周围的k×k邻域内每个像素点的灰度值，k×k邻域中k为奇数；1.2.3计算每个像素点的邻域标准差Std，其计算公式为：其中：f(i,j)为以当前像素点为中心像素点的周围的k×k邻域内每个像素点的灰度值；μ为每个像素点的邻域均值；1.2.4计算每个像素点的梯度G，其计算公式为：其中:f(i,j)为当前像素点为中心像素点的周围的k×k邻域内每个像素点的灰度值；1.2.5计算每个像素点的局部熵E，其计算公式为：其中：A_i为在以第i个像素为中心的k×k邻域内与该像素灰度值相同的像素的个数，k×k邻域中k为奇数；B_i为该邻域内像素的总个数；L为图像中像素的总个数；1.2.6计算每个像素点的MODE值，MODE值为以当前像素点为中心的k×k邻域内的像素点中出现频率最高的灰度值，k×k邻域中k为奇数；1.2.7将步骤1.2.2‑1.2.6中计算出的五个特征值作为随机分类器的输入特征向量，并对其进行归一化处理，其计算公式为：其中：V为输入的特征向量，V(max)为特征向量中的最大值；1.2.8把整幅图像中左半部分的所有像素点作为训练样本，输入到随机森林分类器中进行训练；1.2.9把图像中所有像素点作为测试样本,输入到随机森林分类器中进行测试，得到最终的分割结果；1.3将H型区域分割结果与经随机森林分类器中其它区域的分割结果结合起来，即为最终的脑部MRI图像分割结果。