一种基于多图谱标签融合的医学图像自动分割方法

摘要

本发明公开了一种基于多图谱标签融合的医学图像自动分割方法，具体包括以下步骤：首先通过图谱配准使图谱灰度图像和图谱标签图像映射到目标图像；然后通过标签搜索区域设置和待融合图像块预选步骤选出与目标图像块相似度较高的图谱图像块，避免不相似的图谱图像块对融合结果造成影响；最后通过建立稀疏表示模型和目标像素点标签分配步骤获得最终图像分割结果，并在目标像素点标签分配过程中根据获得的融合信息动态设置二值化阈值，目的是减少标签分配错误的像素点数目，提高分割精度。本发明方法能够获得可重复的结果，并且不受人的主观因素影响。

说明书

技术领域

本发明涉及图像分割技术领域，特别涉及一种基于多图谱标签融合的医学图像自动分割方法。

背景技术

医学图像分割是医学图像处理与分析领域的关键步骤，其目的是将图像中的正常组织、病变组织或具有某些特殊含义的区域分割出来，用于三维重建、定量分析等后续操作。医学图像分割能够为临床诊疗和病理学研究提供可靠的依据，辅助医生作出更为准确的诊断。

医学图像分割方法分为人工分割、半自动分割和自动分割三种，人工分割和半自动分割对人的工作经验有一定要求，并有较强的主观性，因此研究医学图像的自动分割方法尤为重要。基于多图谱标签融合的医学图像分割方法能够有效利用图谱的先验信息，因此被广泛应用于半自动或自动医学图像分割中，该方法主要包括图谱图像与目标图像配准和形变后的图谱标签图像融合两个部分。

近年来提出了基于稀疏表示的图谱标签融合方法，该方法将信号处理领域的稀疏表示理论应用于图谱标签融合中，并获得了令人满意的结果。但基于稀疏表示的图谱标签融合方法只考虑了目标图像与图谱灰度图像相应像素点的信息，没有考虑目标图像与图谱灰度图像的局部相似性信息，这导致与图标图像相似性较低的图谱图像也会被融合，致使融合结果精度降低。基于稀疏表示的图谱标签融合方法使用固定的阈值对图谱标签融合结果进行二值化处理，为每个像素点分配标签，但是不同的目标组织图谱标签融合结果的均值是有差别的，甚至同一目标组织在不同区域的图谱标签融合结果也有较大差别，因此使用固定的阈值对图谱标签融合结果进行二值化处理会致使部分像素点标签分配错误。

发明内容

本发明的目的在于提供一种基于多图谱标签融合的医学图像自动分割方法，本发明方法有效利用图谱的先验信息实现了目标组织的自动分割，首先通过图谱配准使图谱灰度图像和图谱标签图像映射到目标图像；然后通过标签搜索区域设置和待融合图像块预选步骤选出与目标图像块相似度较高的图谱图像块，避免不相似的图谱图像块对融合结果造成影响；最后通过建立稀疏表示模型和目标像素点标签分配步骤获得最终图像分割结果，并在目标像素点标签分配过程中根据获得的融合信息动态设置二值化阈值，目的是减少标签分配错误的像素点数目，提高分割精度。

本发明为解决上述问题采取的技术方案是：

一种基于多图谱标签融合的医学图像自动分割方法，包括如下步骤：

步骤一、图谱配准：

给定目标组织的图谱，所述图谱包含N张图谱灰度图像F_i(i＝1,2…N)和与图谱灰度图像F_i相对应的图谱标签图像L_i(i＝1,2…N)，所述L_i为手动从F_i中标记出目标组织的图像，将目标图像T分别与每张F_i进行配准。

图谱配准具体过程为：

首先对T和F_i(i＝1,2…N)进行像素值归一化处理，来减小图像强度不均匀性导致的误差，然后采用全局仿射变换模型对T与F_i进行初步配准，根据获得的仿射变换参数对L_i(i＝1,2…N)进行形变，保存形变后的图谱灰度图像F_i′和形变后的图谱标签图像L_i′；最后采用自由形变模型(FFD)对T与F_i′进行精确配准，根据获得的变形场对L_i′进行形变，保存形变后的图谱灰度图F_i″和形变后的图谱标签图L_i″。

步骤二、标签融合：

标签融合主要包括标签搜索区域设置，待融合图像块预选，建立稀疏表示模型和目标像素点标签分配四个过程，最终获得目标图像的分割结果。

标签搜索区域设置：

由于经图谱配准后，F_i″与T并不能达到空间上的完全对应，只根据目标像素点位置来提取图谱灰度图像块会遗漏部分信息，因此本发明通过标签搜索区域设置扩大了图谱灰度图像块的提取范围。

标签搜索区域设置方法为：

1)假设T包含n个像素点，以像素点x_p(p＝1,2…n)为中心选定3*3大小的矩形图像块作为x_p的目标图像块并以x_p为中心选择一定大小的矩形区域作为搜索区域φ_p；

2)分别根据φ_p中每个像素点x_j(j∈φ_p)建立图谱灰度图像块和图谱标签图像块与的建立规则如下：

分别以位于F_i″和L_i″中位置x_j处的像素点为中心选定3*3大小的矩形图像块作为和

待融合图像块预选：

本发明采用了基于稀疏表示的图谱标签融合方法，但传统基于稀疏表示的图谱标签融合方法只考虑了与相应像素点的信息，没有考虑与的相似性信息，这导致与相似性较低的也会被融合，致使融合结果精度降低，本发明通过计算与的相似度，并设定相似度阈值对进行预选，去除与相似度较低的对标签融合结果的影响。

待融合图像块预选方法为：

1)计算与的相似度，相似度计算公式为：

公式(1)中a为图像块中像素点标号，每个图像块包含9个像素点，Tx_a为中像素点a的灰度值，为的像素点平均灰度值，Fx_a为中像素点a的灰度值，为的像素点平均灰度值，α,β为权重系数；公式(2)中，表示像素值为的像素点在T中的分布概率，表示像素值为的像素点在F_i″中分布概率，为T中像素值为的像素点个数，为F_i″中像素值为的像素点个数；

2)设定阈值st，如果S＞st，则选择该以及相应的作为待融合图像块。

建立稀疏表示模型的具体方法为：

1)结合目标图像块整体灰度值信息与每个像素点灰度值信息建立信息矩阵，的整体灰度值信息由两个元素表示，分别是灰度值均值μ与方差σ²，信息矩阵形式如下：

M_BT＝[μ,σ²,x₁,x₂…x₉]^T>

公式(3)中，x₁,x₂…x₉分别为中各像素点的像素值；

2)假设选取的待融合图像块中包含m个图谱灰度图像块与m个图谱标签图像块按照1)中的方法分别建立待融合图像块的信息矩阵为待融合图像块中的信息矩阵，为待融合图像块中的信息矩阵，使用所有建立图谱灰度图像块的过完备字典D_BF，使用所有建立图谱标签图像块的过完备字典D_BL，过完备字典表达式如下：

3)建立稀疏表示模型：

M_BT＝D_BF×d_w>

公式(6)中，d_w为稀疏系数，d_w＝[w₁,w₂…w_m]^T，采用最小二乘法来求解d_w。

目标像素点标签分配：

使用固定的阈值对图谱标签融合结果进行二值化处理，为每个像素点分配标签，会致使部分像素点标签分配错误。因为不同的目标组织图谱标签融合结果的均值是有差别的，甚至同一目标组织在不同区域的图谱标签融合结果也有较大差别，因此本发明根据获得的标签融合信息动态设置二值化阈值，减少了标签分配错误的像素点数目，提高分割精度。

目标像素点标签分配的具体过程为：

计算目标图像块B_xp的待融合标签矩阵M_BL：

M_BL＝D_BL×d_w>

M_BL的各元素表示为：

M_BL＝[μ′,σ^2′,x₁′,x₂′…x₉′]^T>

如果x_b′＞μ′+σ^2′(b＝1,2…9)，则对像素点x_b′分配目标组织标签，否则对像素点x_b′分配背景标签。

本发明有益效果：

本发明提供了一种基于多图谱标签融合的医学图像自动分割方法，有效利用图谱中的先验知识，通过图谱配准和标签融合过程实现了目标图像的自动分割，获得的分割结果具有可重复性，并且不受人的主观因素影响。

本发明通过计算目标图像块与图谱图像块的相似度，并设定相似度阈值对图谱图像块进行预选，去除与目标图像块相似度较低的图谱图像块对标签融合结果的影响。

本发明在目标像素点标签分配过程中，根据获得的标签融合信息动态设置二值化阈值，减少了标签分配错误的像素点数目，提高分割精度。

附图说明

图1是本发明一种基于多图谱标签融合的医学图像自动分割方法的流程图。

图2是构建稀疏表示模型示意图。

图3是标签融合的示意图。

具体实施方式

在本申请中，以人脑部MR图像作为分割对象来进行说明。应理解，本发明不限于应用于人脑部MR图像。

如图1所示，本实施方式所述的一种基于多图谱标签融合的医学图像自动分割方法的具体实现过程为：

步骤一、图谱配准；

给定含有脑白质、脑灰质标记的人脑部图谱，所述图谱包含N张图谱灰度图像F_i(i＝1,2…N)和与图谱灰度图像F_i相对应的图谱标签图像L_i(i＝1,2…N)，所述L_i为手动从F_i中标记出目标组织的图像，将目标图像T分别与每张F_i进行配准。

图谱配准具体过程为：

首先对T和F_i(i＝1,2…N)进行像素值归一化处理，来减小图像强度不均匀性导致的误差，然后采用全局仿射变换模型对T与F_i进行初步配准，根据获得的仿射变换参数对L_i(i＝1,2…N)进行形变，保存形变后的图谱灰度图像F_i′和形变后的图谱标签图像L_i′；最后采用自由形变模型(FFD)对T与F_i′进行精确配准，根据获得的变形场对L_i′进行形变，保存形变后的图谱灰度图F_i″和形变后的图谱标签图L_i″。

步骤二、标签融合：

标签融合主要包括标签搜索区域设置，待融合图像块预选，建立稀疏表示模型和目标像素点标签分配四个过程，最终获得目标图像的分割结果。

标签搜索区域设置方法为：

1)假设T包含n个像素点，以像素点x_p(p＝1,2…n)为中心选定3*3大小的矩形图像块作为x_p的目标图像块并以x_p为中心选择一定大小的矩形区域作为搜索区域φ_p；

2)分别根据φ_p中每个像素点x_j(j∈φ_p)建立图谱灰度图像块和图谱标签图像块与的建立规则如下：

分别以位于F_i″和L_i″中位置x_j处的像素点为中心选定3*3大小的矩形图像块作为和

待融合图像块预选方法为：

1)计算与的相似度，相似度计算公式为：

公式(1)中a为图像块中像素点标号，每个图像块包含9个像素点，Tx_a为中像素点a的灰度值，为的像素点平均灰度值，Fx_a为中像素点a的灰度值，为的像素点平均灰度值，α,β为权重系数；公式(2)中，表示像素值为的像素点在T中的分布概率，表示像素值为的像素点在F_i″中分布概率，为T中像素值为的像素点个数，为F_i″中像素值为的像素点个数；

2)设定阈值st，如果S＞st，则选择该以及相应的作为待融合图像块。

如图2所示，建立稀疏表示模型的具体方法为：

1)结合目标图像块整体灰度值信息与每个像素点灰度值信息建立信息矩阵，的整体灰度值信息由两个元素表示，分别是灰度值均值μ与方差σ²，信息矩阵形式如下：

M_BT＝[μ,σ²,x₁,x₂…x₉]^T>

公式(3)中，x₁,x₂…x₉分别为中各像素点的像素值；

2)假设选取的待融合图像块中包含m个图谱灰度图像块与m个图谱标签图像块按照1)中的方法分别建立待融合图像块的信息矩阵为待融合图像块中的信息矩阵，为待融合图像块中的信息矩阵，使用所有建立图谱灰度图像块的过完备字典D_BF，使用所有建立图谱标签图像块的过完备字典D_BL，过完备字典表达式如下：

3)建立稀疏表示模型：

M_BT＝D_BF×d_w>

公式(6)中，d_w为稀疏系数，d_w＝[w₁,w₂…w_m]^T，采用最小二乘法来求解d_w。

目标像素点标签分配的具体过程为：

如图3所示，计算目标图像块的待融合标签矩阵M_BL：

M_BL＝D_BL×d_w>

M_BL的各元素表示为：

M_BL＝[μ′,σ^2′,x₁′,x₂′…x₉′]^T>

如果x_b′＞μ′+σ^2′(b＝1,2…9)，则对像素点x_b′分配目标组织标签，否则对像素点x_b′分配背景标签。