一種改進的無監(jiān)督腦部腫瘤mri圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種改進的無監(jiān)督腦部腫瘤MRI圖像分 割方法。
【背景技術(shù)】
[0002] 醫(yī)學(xué)圖像分割是提取影像圖像中特殊組織的定量信息所不可缺少的手段，同時也 是圖像三維重建和可視化的前提。分割后的圖像被廣泛地應(yīng)用于各種場合，如病變組織的 定位及診斷，解剖結(jié)構(gòu)的學(xué)習(xí)，計算機指導(dǎo)手術(shù)和三維可視化等。
[0003] MRI (核磁共振成像）圖像是醫(yī)用圖像的重要組成部分之一，但是由于MRI圖像存 在一定程度的噪聲，所以我們需要對原始MRI圖像進行預(yù)處理，以便獲得更好的像質(zhì)，提高 處理的精度，得到理想的分割效果。
[0004] 現(xiàn)有技術(shù)主要采用基于支持向量機（Support Vector Machines, SVMs)的邊緣定 位法來解決邊緣檢測時的偽邊緣問題，同時利用自適應(yīng)的自動選取種子點的區(qū)域膨脹法對 圖像進行分割，提高圖像分割的準確度。但是采用這種方法得到的分割圖像的準確度還是 不夠尚。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是：提供一種改進的無監(jiān)督腦部腫瘤MRI圖像分割方 法，采用這種方法得到的分割圖像準確度較高，進而使得腦部腫瘤的識別準確度更高。
[0006] 本發(fā)明所采用的技術(shù)方案是：一種改進的無監(jiān)督腦部腫瘤MRI圖像分割方法，它 包括以下步驟：
[0007] (1)、建立已知腦部MRI圖像的標準信噪比數(shù)據(jù)合集；
[0008] (2)、獲取待分割的腦部MRI圖像，并且將其轉(zhuǎn)換為灰度圖像；
[0009] (3)、利用SVM的邊緣定位法對步驟⑵得到的灰度圖像進行邊緣檢測；
[0010] (4)、對步驟（3)檢測出的各條邊緣進行特征提取，然后構(gòu)建SVM分類器對提取的 特征參數(shù)進行邊緣定位，分類出腦部不同組織邊緣；
[0011] (5)、從步驟（4)獲得的腦部不同組織邊緣的3*3鄰域，隨機選取多個像素值在 230-250范圍內(nèi)的點作為生長點，并設(shè)定一個預(yù)設(shè)閾值T ;
[0012] (6)、采用步驟（5)得到的生長點為核心，判斷其3*3的鄰域內(nèi)的非生長點是否滿 足相似性原則，若滿足則將該非生長點加入到生長點合集中，若不滿足則舍去該非生長點， 直到所有的非生長點都判斷完畢后，將生長區(qū)域分割出來得到腦部MRI分割圖像；
[0013] (7)、將步驟（6)得到的分割圖像以3*3鄰域的模式，分塊依次輸入到非線性偏向 共振圖像優(yōu)化模型，得到輸出信噪比數(shù)據(jù)合集，其中所述的非線性偏向共振圖像優(yōu)化模型 如下：
[0015] 式中，A為信號幅度；f。為周期信號頻率；Φ為周期信號初相位；s為布朗粒子 運動坐標；t為布朗粒子運動時間；AXcos(2 π f^t+Φ)為偏向共振周期性輸入信號函數(shù)； img (t)為3*3鄰域輸入圖像；m和η為雙穩(wěn)態(tài)勢皇實參數(shù)；α為噪聲強度；ξ (t)為均值為 〇的高斯白噪聲，其自相關(guān)函數(shù)Ε[ξ (t) ξ (0)] =2α δ (t)，其強度為α，δ (t)為單位脈 沖函數(shù)；
[0016] (8)、將步驟（7)得到的輸出信噪比數(shù)據(jù)合集與步驟⑴得到的標準信噪比數(shù)據(jù)合 集相比，若相似度多90%，在判斷優(yōu)化成功；若相似度< 90%，則判斷優(yōu)化不成功，返回步 驟（2)繼續(xù)進行分割與優(yōu)化。
[0017] 步驟⑴中建立已知腦部MRI圖像的標準信噪比數(shù)據(jù)合集包括以下具體步驟：
[0018] A、通過傳統(tǒng)方法分割多個腦部MRI圖像；
[0019] B、通過醫(yī)生肉眼觀察判斷步驟A分割后的圖像是否準確，若準確則歸入到正確圖 像集中；
[0020] C、計算步驟B中正確圖像集中的所有分割圖像的信噪比數(shù)據(jù)合集，然后取平均值 得到標準信噪比數(shù)據(jù)合集。
[0021] 采用以上方法與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：采用基于支持向量機的邊 緣定位法來解決邊緣檢測時的偽邊緣問題，同時利用自適應(yīng)的自動選取種子點的區(qū)域膨脹 法對圖像進行分割，最后再采用非線性偏向共振圖像優(yōu)化模型修剪過度膨脹的區(qū)域，增補 欠膨脹區(qū)域，并且還與現(xiàn)有技術(shù)得到的標準腦部MRI分割圖像做對比，最后得到優(yōu)化后的 腦部MRI分割圖像，得到分割圖像準確度較高，且采用這種分割圖像對腦部腫瘤的識別準 確度較高。
【附圖說明】
[0022] 圖1為原始灰度圖像。
[0023] 圖2為采用本發(fā)明方法得到的分割圖像。
[0024] 圖3為本發(fā)明一種改進的無監(jiān)督腦部腫瘤MRI圖像分割方法中噪聲強度與信噪比 的關(guān)系圖。
【具體實施方式】
[0025] 以下結(jié)合附圖與【具體實施方式】對本發(fā)明做進一步描述，但是本發(fā)明不僅限于以下
【具體實施方式】。
[0026] 一種改進的無監(jiān)督腦部腫瘤MRI圖像分割方法，它包括以下步驟：
[0027] (1)、建立已知腦部MRI圖像的標準信噪比數(shù)據(jù)合集；
[0028] A、通過傳統(tǒng)方法分割多個腦部MRI圖像；所述傳統(tǒng)方法為標記分水嶺法，也可以 是其他常規(guī)的圖像分割方法；
[0029] B、通過醫(yī)生肉眼觀察判斷步驟A分割后的圖像是否準確，若準確則歸入到正確圖 像集中；
[0030] 所述判斷步驟A分割后的圖像是否準確是指醫(yī)生通過經(jīng)驗來判斷是否將腦部的 各個組織分離開來了，若是完全分割開來了，則判斷是正確的，若有些組織分割時被破壞了 或者沒有將兩個組織分割開來，則判斷是不正確的；
[0031] C、計算步驟B中正確圖像集中的所有分割圖像的信噪比數(shù)據(jù)合集，然后取平均值 得到標準信噪比數(shù)據(jù)合集。
[0032] 信噪比是通過計算分割圖像中有用像素點的灰度值與無用像素點的灰度值作對 比得到的。
[0033] (2)、獲取待分割的腦部MRI圖像，并且將其轉(zhuǎn)換為灰度圖像；
[0034] (3)、利用SVM的邊緣定位法對步驟⑵得到的灰度圖像進行邊緣檢測；
[0035] 腫瘤組織是具有一定輪廓的，而這個輪廓的灰度值基本是一致的，因此我們就把 這個灰度值的輪廓作為灰度圖像的邊緣，等同于感興趣區(qū)域初始輪廓。
[0036] 計算每幅圖像序列的梯度幅值和梯度直方圖，根據(jù)Gonzalez和Woods提出的迭代 步驟確定出高梯度區(qū)域和低梯度區(qū)域的最佳分割閾值t = 45,然后計算高、低梯度區(qū)域的 均值和方差μ Jt) = 2. 7、μ。⑴=0. 6、O J= 8. 4和O。2= 14. 4,從而計算高閾值τ h =194和低閾值T1= 166。最后運用Canny算子檢測每幅圖像邊緣。
[0037] (4)、對步驟（3)檢測出的各條邊緣進行特征提取，然后構(gòu)建SVM分類器對提取的 特征參數(shù)進行邊緣定位，分類出腦部不同組織邊緣；
[0038] 腦部組織主要包括大腦、腦干、小腦、腦橋和延髓；
[0039] 本實施例中首先另取某位患者的腦部MRI序列圖像，進行邊緣檢測后的邊緣進行 標記，將延髓邊緣標記為1，非延髓邊緣標記為0。該患者一共取得512個樣本邊緣作為訓(xùn) 練集。測試集選用另外20張該患者的MRI圖像，每張5個樣本，共100個樣本作為測試集。 接著對訓(xùn)練樣本與測試樣本的邊緣特征進行歸一化處理，SVM的核函數(shù)選擇徑向基核函數(shù) K(Xi,