基于改進模糊連接度算法的丘腦及其子結(jié)構(gòu)分割方法
【專利摘要】本發(fā)明涉及基于改進模糊連接度算法的丘腦及其子結(jié)構(gòu)分割方法。所述方法包括：輸入原始圖像；對原始圖像進行預處理；對核團所在感興趣區(qū)域自動提取，估算該區(qū)域內(nèi)的均值、標準差；計算種子點周圍區(qū)域各點對于種子點的模糊親和度；進行后處理。本發(fā)明采用置信連接度實現(xiàn)了感興趣區(qū)域的自動選取；計算模糊連接度時，在傳統(tǒng)僅利用灰度特征的基礎(chǔ)上增加了梯度特征，能更好地表達圖像邊緣。實驗結(jié)果表明，本發(fā)明有效減少了傳統(tǒng)模糊連接度算法中出現(xiàn)的欠分割現(xiàn)象；灰度特征與梯度特征之間的權(quán)重系數(shù)通過自適應(yīng)計算獲得，提高了分割結(jié)果的準確性；本發(fā)明實現(xiàn)了模糊連接度分割閾值的自動選取，該閾值隨種子點的變化而變化，提高了分割過程的自動化程度。
【專利說明】基于改進模糊連接度算法的丘腦及其子結(jié)構(gòu)分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于醫(yī)學圖像處理領(lǐng)域，涉及一種基于MRI (Magnetic Resonance Image,核磁共振成像)影像的丘腦及其子結(jié)構(gòu)神經(jīng)核團自動分割方法，尤其涉及一種基于改進模糊連接度算法的丘腦及其子結(jié)構(gòu)分割方法。
【背景技術(shù)】
[0002]隨著現(xiàn)代醫(yī)療技術(shù)的發(fā)展，顱腦的計算機輔助手術(shù)在臨床中被廣泛使用。目前，相關(guān)技術(shù)已將丘腦及其子結(jié)構(gòu)神經(jīng)核團作為腦立體定向神經(jīng)外科手術(shù)的毀損區(qū)，用于治療癲癇和錐體外系疾病。丘腦與其周圍腦組織的空間關(guān)系復雜，在影像學高度發(fā)展的今天，對丘腦及其內(nèi)部核團進行分割仍然是影像學的一個難點問題。利用計算機對丘腦及其子結(jié)構(gòu)神經(jīng)核團進行分割，對于神經(jīng)外科疾病的診斷與治療和解剖學教學具有重要意義。過去的十幾年中，人們提出了很多關(guān)于腦結(jié)構(gòu)的自動分割方法。然而，其中多數(shù)研究只針對磁共振腦圖像的腦組織(灰質(zhì)、白質(zhì)、腦脊液)分割展開，關(guān)于子結(jié)構(gòu)的分割方法尚不成熟。目前MRI腦圖像的分割方法主要包括模糊聚類、閾值分割、區(qū)域生長、水平集和主動輪廓等幾類。閾值法、區(qū)域增長和聚類算法容易受灰度不均勻性的影響，同時依賴種子點的選取，會造成分割結(jié)果的欠準確。主動輪廓與水平集法需要預先獲得初始輪廓，當邊界模糊甚至缺失時，很難收斂于目標結(jié)構(gòu)。
[0003]因此，目前現(xiàn)有的分割技術(shù)大多針對于體積較大且邊界清晰的臟器或腫瘤，而針對丘腦及其內(nèi)部細小核團，有效的自動分割方法鮮有報道。其中大部分關(guān)于丘腦及其子結(jié)構(gòu)分割的現(xiàn)有技術(shù)，均需依賴人工操作以獲得初始限制條件或訓練模板，無法通過自動獲取目標區(qū)域的方式獲得丘腦核團所在區(qū)域，難以在減少人工干預的同時保證分割結(jié)果的準確性。

【發(fā)明內(nèi)容】

[0004]針對現(xiàn)有技術(shù)中缺乏腦部核團的有效自動分割方法，尚需人工干預、分割過程操作繁瑣的問題，本發(fā)明提出一種基于改進模糊連接度算法的丘腦及其子結(jié)構(gòu)分割方法，通過應(yīng)用置信連接度理論自動獲得丘腦核團的感興趣區(qū)域；在模糊連接度框架內(nèi)引入圖像梯度特征；實現(xiàn)了灰度特征與梯度特征的權(quán)重自適應(yīng)調(diào)整，以及模糊連接度分割閾值的自動選?。辉跍p少人工干預的同時，保證了分割結(jié)果的準確性，簡化人了工操作。
[0005]為實現(xiàn)上述目的，本發(fā)明采取如下技術(shù)方案:首先對原始圖像進行腦組織提取，去除頭皮、頭骨等非腦組織，并且利用非參數(shù)非均勻灰度歸一化法，對處理后的數(shù)據(jù)進行偏差場校正以去除噪聲。然后，在感興趣區(qū)域內(nèi)設(shè)定一個種子點，利用置信連接度理論，對包含丘腦及其子結(jié)構(gòu)核團的感興趣區(qū)域進行粗略分割；計算該區(qū)域灰度特征與梯度特征的平均值和標準差，然后將均值和標準差傳遞給自適應(yīng)模糊連接度計算公式計算親和度。將種子點周圍8*8鄰域的模糊連接度均值作為分割閾值，將模糊連接度小于該閾值的像素與種子點歸為同一區(qū)域，剩下的像素則歸為背景，從而實現(xiàn)目標區(qū)域的分割。最后采用數(shù)學形態(tài)學方法對分割結(jié)果進行優(yōu)化和平滑。
[0006]本發(fā)明的特征在于采取以下步驟:
[0007]步驟1，輸入原始圖像。 [0008]步驟2，對原始圖像進行預處理。
[0009]步驟2.1，對原始圖像進行腦組織提取，去除頭皮、頭骨等非腦組織，并利用非參數(shù)非均勻灰度歸一化法，對處理后的數(shù)據(jù)進行偏差場校正以去除噪聲。
[0010]步驟2.2，在包含丘腦及其子結(jié)構(gòu)核團的感興趣區(qū)域設(shè)定種子點。
[0011]步驟3，對核團所在感興趣區(qū)域自動提取，計算該區(qū)域內(nèi)的均值、標準差。
[0012]利用置信連接度理論，以步驟2.2中所述單一種子點為初始像素，對包含待分割丘腦及其子結(jié)構(gòu)核團的感興趣區(qū)域進行自動分割，并計算該區(qū)域內(nèi)的灰度、梯度特征的平均值與標準差。
[0013]對種子點周圍的一個小鄰域，計算此區(qū)域的灰度均值和標準差。通過一個給定控制灰度范圍大小的乘法因子I與標準差的乘積來定義相似灰度的范圍I⑴e [m-1 O，m+l 0]，其中X是圖像I中的像素點；m和σ分別是當前區(qū)域灰度的均值和標準差；灰度值在這個范圍內(nèi)的相鄰像素點將被包含到當前區(qū)域中。然后，對包含在當前區(qū)域內(nèi)的所有像素點再次計算其灰度平均值和標準差，從而定義一個新的灰度范圍；當前區(qū)域的鄰域中，灰度值在這個范圍內(nèi)的像素將被合并到當前區(qū)域。重復上述過程，直到?jīng)]有新的像素被合并為止。
[0014]置信連接度用來計算此區(qū)域中灰度特征和梯度特征的均值和標準差。然后將均值和標準差傳遞給自適應(yīng)模糊連接度計算公式用以計算親和力。
[0015]步驟4，計算種子點周圍區(qū)域各點對于種子點的模糊親和度。
[0016]在傳統(tǒng)的基于模糊連接度的分割方法中，選取灰度特征作為限制條件，計算種子點與其它像素點之間的模糊連接度。由于經(jīng)常會出現(xiàn)過分割或欠分割的現(xiàn)象，加入圖像梯度特征以限制分割目標區(qū)域邊緣。采取自適應(yīng)權(quán)重的方法對灰度特征與梯度特征的權(quán)重系數(shù)進行取值，并取種子像素點周圍8*8鄰域的模糊連接度均值作為分割閾值。
[0017]本發(fā)明采用的方法如下:
[0018]步驟4.1，定義模糊連接函數(shù)和模糊空間元素親和度。
[0019]在只考慮灰度特征作為限制條件的基礎(chǔ)上加入圖像梯度特征，并將灰度特征與梯度特征的權(quán)重參數(shù)進行自適應(yīng)計算，得到新的模糊親和度μ K (c，d)的計算公式，即自適應(yīng)模糊連接度(adaptive fuzzy connectedness, AFC):......,,、 ，
[0020]
【權(quán)利要求】
1.基于改進模糊連接度算法的丘腦及其子結(jié)構(gòu)分割方法，其特征在于包括以下步驟: 步驟I，輸入原始圖像； 步驟2，對原始圖像進行預處理； 步驟2.1，對原始圖像進行腦組織提取，去除頭皮、頭骨非腦組織，并利用非參數(shù)非均勻灰度歸一化法，對處理后的數(shù)據(jù)進行偏差場校正以去除噪聲； 步驟2.2，在包含丘腦及其子結(jié)構(gòu)核團的感興趣區(qū)域設(shè)定種子點； 步驟3，對核團所在感興趣區(qū)域自動提取，計算該區(qū)域內(nèi)的均值、標準差； 利用置信連接度理論，以步驟2.2中所述單一種子點為初始像素，對包含待分割丘腦及其子結(jié)構(gòu)核團的感興趣區(qū)域進行自動分割，并計算該區(qū)域內(nèi)的灰度、梯度特征的平均值與標準差； 對種子點周圍的一個小鄰域，計算此區(qū)域的灰度均值和標準差；通過一個給定控制灰度范圍大小的乘法因子I與標準差的乘積來定義相似灰度的范圍I⑴e [m-1 σ , m+1 σ ],其中X是圖像I中的像素點；m和σ分別是當前區(qū)域灰度的均值和標準差；灰度值在這個范圍內(nèi)的相鄰像素點將被包含到當前區(qū)域中；然后，對包含在當前區(qū)域內(nèi)的所有像素點再次計算其灰度平均值和標準差，從而定義一個新的灰度范圍；當前區(qū)域的鄰域中，灰度值在這個范圍內(nèi)的像素將被合并到當前區(qū)域；重復上述過程，直到?jīng)]有新的像素被合并為止； 步驟4，計算種子點周圍區(qū)域各點對于種子點的模糊親和度； 步驟5，進行后處理； 步驟5.1，設(shè)置填充核團內(nèi)部空洞的填充半徑； 步驟5.2，利用數(shù)學形態(tài)學運算填充核團內(nèi)部空洞，同時移除核團周圍的島嶼區(qū)域，平滑分割邊界，以獲得最終結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于改進模糊連接度算法的丘腦及其子結(jié)構(gòu)分割方法，其特征在于，步驟4所述模糊親和度的計算方法包括以下步驟: 步驟4.1，定義模糊連接函數(shù)和模糊空間元素親和度； 在只考慮灰度特征作為限制條件的基礎(chǔ)上加入圖像梯度特征，并將灰度特征與梯度特征的權(quán)重參數(shù)進行自適應(yīng)計算，得到新的模糊親和度yK(c，d)的計算公式，即自適應(yīng)模糊連接度:
【文檔編號】G06T7/00GK103942780SQ201410120029
【公開日】2014年7月23日 申請日期:2014年3月27日 優(yōu)先權(quán)日:2014年3月27日
【發(fā)明者】楊春蘭, 王倩, 吳薇薇, 吳水才, 薛艷青 申請人:北京工業(yè)大學