基于T2-MRI和DW-MRI的宫颈癌图像自动分割方法

摘要

一种基于T2加权的核磁共振成像T2-MRI和弥散加权的核磁共振成像DW-MRI的宫颈癌图像自动分割方法，包括利用非线性配准方法将DW-MR图像配准到T2-MR图像，并对配准后的DW-MR图像进行分类；采用非线性各向异性扩散滤波技术对T2-MR图像进行滤波，分割出膀胱和直肠，并利用膀胱和直肠的分割结果将感兴趣区分割出来；对T2-MR图像的感兴趣区和DW-MR图像采用联合最大后验概率CMAP的方法进行肿瘤的精确分割。本发明充分利用了T2-MR图像和DW-MR图像的有效信息，可以有效地克服T2-MR图像中的噪声、局部容积效应和强度重叠的影响，是一种精确有效的宫颈癌分割方法，对预防、诊断和治疗宫颈癌有着重要的临床意义和应用价值。

说明书

技术领域

本发明属于图像处理领域，具体涉及一种基于T2加权的核磁共振成 像T2-MRI和弥散加权的核磁共振成像DW-MRI的宫颈癌图像自动分割方 法。

背景技术

宫颈癌是严重威胁女性生命健康的常见恶性肿瘤之一。宫颈癌的准确 分割，对预防、诊断和治疗宫颈癌有着重要的临床意义和应用价值。

随着影像学技术的发展，医学图像分割已经成为医学图像分析领域里 关键和具有挑战性的问题。而宫颈癌分割又由于复杂的人体腹部组织结构 变得尤为复杂，单一成像模式T2-MRI不能完全显示宫颈癌的有效信息。 如图1(a)和(b)分别为宫颈癌病人腹部的T2-MR图像和DW-MR图像， 宫颈位于膀胱和直肠的中间。从图1(a)可以看出，T2-MR图像具有较 高空间分辨率，肿瘤边界比较清晰，但是宫颈的正常组织、肿瘤、膀胱壁和 直肠相互之间都有较严重的强度重叠；从图1(b)可以看出在DW-MR图 像中肿瘤具有明显较高的灰度值，但是其分辨率低，肿瘤边界较模糊。因 此单一成像模式下的宫颈癌分割的自动实现是相当困难的，一些常规的方 法例如区域增长和阈值等都无法很好的分割肿瘤。

发明内容

本发明的目的在于提供一种基于T2-MRI和DW-MRI的宫颈癌图像自 动分割框架以及利用联合最大后验概率(CMAP)精确分割宫颈癌肿瘤区 域的方法，从而进行准确的宫颈癌分割。

为达到上述目的，一种基于T2加权的核磁共振成像T2-MRI和弥散加 权的核磁共振成像DW-MRI的宫颈癌图像自动分割方法，包括：

步骤1：利用非线性配准方法将DW-MR图像配准到T2-MR图像，并对 配准后的DW-MR图像进行分类；

步骤2：采用非线性各向异性扩散滤波技术对T2-MR图像进行滤波， 分割出膀胱和直肠，并利用膀胱和直肠的分割结果将感兴趣区分割出来；

步骤3：对T2-MR图像的感兴趣区和DW-MR图像采用联合最大后验概 率CMAP的方法进行肿瘤的精确分割。

本发明充分利用了T2-MR图像和DW-MR图像的有效信息，可以有 效地克服T2-MR图像中的噪声、局部容积效应和强度重叠的影响，是一 种精确有效的宫颈癌分割方法，对预防、诊断和治疗宫颈癌有着重要的临 床意义和应用价值。

附图说明

图1是宫颈癌病人的解剖结构图，(a)是T2-MR图像；(b)是DW-MR 图像；

图2是基于T2-MRI和DW-MRI的自动分割框架图；

图3是最大后验概率方法(CMAP)的流程图；

图4是基于T2加权的核磁共振成像(T2-MRI)和弥散加权的核磁共 振成像(DW-MRI)的宫颈癌图像自动分割框架实验效果图，(a)是原图； (b)红色轮廓线内为包含肿瘤和正常组织的感兴趣区；(c)配准到T2-MR 图像的DW-MR图像；(d)只在T2-MR图像上采用MAP方法的宫颈癌分 割结果(即β＝0时)；(e)在T2-MR图像和DW-MR图像上采用CMAP 方法的宫颈癌分割结果(即β＝1时)；(f)专家手工分割结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实 施例，并参照附图，对本发明进一步详细说明。

本发明的核心思想是一种基于T2加权的核磁共振成像(T2-MRI)和 弥散加权的核磁共振成像(DW-MRI)的宫颈癌图像自动分割框架以及利 用联合最大后验概率(CMAP)精确分割宫颈癌肿瘤区域的方法，具体步 骤包括：首先，利用非线性配准方法将DW-MR图像配准到T2-MR图像 (这里采用互信息配准方法作为示例)，并对配准后的DW-MR图像进行 分类；然后采用非线性各向异性扩散滤波技术对T2-MR图像进行滤波(这 里采用P-M非线性各向异性扩散滤波作为示例)，接着分割出膀胱和直肠， 并利用膀胱和直肠的分割结果将感兴趣区(包含正常组织和肿瘤)分割出 来；最后对T2-MR图像的感兴趣区和DW-MR图像采用联合最大后验概 率(CMAP)的方法进行肿瘤的精确分割。

以下结合具体的实施例对根据本发明提供的这种基于T2加权的核磁 共振成像(T2-MRI)和弥散加权的核磁共振成像(DW-MRI)的宫颈癌图 像自动分割框架以及利用联合最大后验概率(CMAP)精确分割宫颈癌肿 瘤区域的方法进行详细描述。如图2所示为本发明提供的基于T2加权的 核磁共振成像(T2-MRI)和弥散加权的核磁共振成像(DW-MRI)的宫颈 癌图像自动分割框架的流程图，该方法包括以下步骤：

步骤1：利用非线性配准方法(如互信息配准方法、Demons算法等) 将DW-MR图像配准到T2-MR图像，并对配准后的DW-MR图像进行分 类；

步骤2：采用非线性各向异性扩散滤波技术对T2-MR图像进行滤波， 接着分割出膀胱和直肠，并利用膀胱和直肠的分割结果将感兴趣区(包含 正常组织和肿瘤)分割出来；

步骤3：对T2-MR图像的感兴趣区和DW-MR图像采用联合最大后验 概率(CMAP)的方法进行肿瘤的精确分割。

上述步骤1包括以下两小步：1)利用非线性配准方法将DW-MR图 像配准到T2-MR图像，这里采用互信息配准方法作为示例；2)对配准后 的DW-MR图像进行分类是采用的自动阈值分类方法，实现肿瘤的初步分 割及定位。

上述步骤2包括以下四步：1)采用非线性各向异性扩散滤波技术对 T2-MR图像进行滤波，在去除噪声的同时保持边缘信息，这里采用P-M 非线性各向异性扩散滤波作为示例；2)膀胱分割；3)直肠分割；4)感 兴趣区分割。

上述第一小步中P-M非线性扩散滤波器公式如下：

$\left(\begin{array}{c}\frac{\partial I(i;t)}{\partial t}=\mathrm{div}(c(▿I(i;t))▿I(i;t))\\ I(i;0)=I_0\left(i\right)\end{array}\right)$

其中I₀(i)为图像在i处的像素强度值，i表示图像的位置信息为 (m，n)，是梯度算子，t代表时间，c(·)是扩散系数，两种形式为：

$c(▿I)=\exp (-\frac{{\left|\right|▿I\left|\right|}^2}{k^2})$

$c(▿I)=\frac{1}{1+{\left(\frac{\left|\right|▿I\left|\right|}{k}\right)}^2}$

其中k是梯度门限。

上述第二小步中膀胱分割采用的方法是主动轮廓模型。该模型的建立 是基于我们已有的先验知识——膀胱是腹腔T2-MR图像中灰度值最高的 较均匀的整块区域。

上述第三小步中直肠分割利用了直肠位于宫颈的下方这一先验知识 和步骤1中的肿瘤初步分割结果，在去除膀胱的T2-MR图像上采用了模 糊C均值的算法，得到直肠分割结果。

上述第四小步中感兴趣区分割，在去除膀胱和直肠的T2-MR图像上， 利用步骤1中肿瘤的初步分割结果，采用模糊C均值的算法，分割出包含 肿瘤和正常组织的感兴趣区，结果如图4(b)。

上述步骤3为对T2-MR图像的感兴趣区和DW-MR图像采用联合最 大后验概率(CMAP)的方法进行肿瘤的精确分割，结果如图4(e)。

下面具体介绍上述联合最大后验概率(CMAP)方法具体实施过程。

设y表示图像，y_i，i＝1，2，…N，表示图像在i处的灰度值，N表示图像的 像素的总个数。假定图像要被分为K类，以x_i＝k，k＝1，2，…，K代表像素i被归 为第k类。联合最大后验概率(CMAP)方法的流程图如图3所示，其具 体步骤如下：1)计算T2-MR图像的能量函数U_T2(x)；2)计算DW-MR图 像的能量函数U_DW(x)；3)计算T2-MR图像和DW-MR图像的联合能量函 数U_T2(x)+βU_DW(x)；4)判断是否满足终止条件，若满足，根据能量最小原 则判定肿瘤和正常组织的类别，从而输出精确分割的肿瘤区域；若不满足 终止条件返回步骤1)。每一小步中对应的计算公式在如下的讲述中会展示 出。

传统的MAP分割算法是求取分割结果使得后验概率P(x|y)最 大。即：

${\stackrel{\Lambda }{x}}_{\mathrm{MAP}}=\arg \underset{x\in X}{\max }P\left(x\right|y)$

根据贝叶斯公式，P(x|y)可以表示为：

$P\left(x\right|y)=\frac{P\left(y\right|x)P\left(x\right)}{P\left(y\right)}\propto P\left(y\right|x)P\left(x\right)$

从上式可以看出，图像分割的目标转化为并求取分割结果x，使得 P(y|x)P(x)最大，即：

${\stackrel{\Lambda }{x}}_{\mathrm{MAP}}=\arg \underset{x\in X}{\max }\left\{P\left(y\right|x)P\left(x\right)\right\}$

其中P(y|x)和P(x)分别为在给定分割x条件下的概率密度和先验概率。 下面计算P(y|x)和P(x)。

假定图像中噪声是高斯白噪声，则图像模型为：

y_i＝μ_ik+n_ik

其中，μ_ik是第k类组织在像素i处的灰度均值，n_ik第k类组织在像素i处 对应的高斯白噪声，它的分布服从正态分布故P(y|x)可以表示 为：

$P\left(y\right|x)=\underset{k=1}{\overset{K}{\Pi }}\underset{i\in R_k}{\Pi }{P}_k\left(y_i\right|x)=\underset{k=1}{\overset{K}{\Pi }}\underset{i\in R_k}{\Pi }\frac{1}{2\pi {\sigma }_{\mathrm{ik}}}\exp [-\frac{1}{2}{\left(\frac{y_i-{\mu }_{\mathrm{ik}}}{{\sigma }_{\mathrm{ik}}}\right)}^2]$

$=\frac{1}{{\left(2\pi \right)}^{1/2}}\exp \{-\underset{k=1}{\overset{K}{\Sigma }}\underset{i\in R_K}{\Sigma }[\ln \left({\sigma }_{\mathrm{ik}}\right)+\frac{1}{2}{\left(\frac{y_i-{\mu }_{\mathrm{ik}}}{{\sigma }_{\mathrm{ik}}}\right)}^2\left]\right\}$

P(x)由吉布斯分布表示为：

$P\left(x\right)=\frac{1}{a}\exp \{-U_G\left(x\right)\}$

其中，a是归一化常数，U_G(x)为能量函数：

$U_G\left(x\right)=\underset{k=1}{\overset{K}{\Sigma }}{U}_{\mathrm{Gk}}\left(x\right)=\underset{k=1}{\overset{K}{\Sigma }}\underset{i\in R_k}{\Sigma }\underset{j\in N_i}{\Sigma }b·V_k(x_i,x_j)$

其中，N_i为第i位置的邻域，V(x_i，x_j)为势函数，b为常数。

最终将后验概率公式转化为：

P(x|y)∝exp{-U(x)}

分割目标进一步转化为求取分割结果x，使得能量函数最小，即

${\stackrel{\Lambda }{x}}_{\mathrm{MAP}}=\arg \underset{x\in X}{\max }U\left(x\right)$

$U\left(x\right)=\underset{k=1}{\overset{K}{\Sigma }}\underset{i\in R_k}{\Sigma }[\frac{1}{2}{\left(\frac{y_i-{\mu }_{\mathrm{ik}}}{{\sigma }_{\mathrm{ik}}}\right)}^2+\ln \left({\sigma }_{\mathrm{ik}}\right)]+\underset{k=1}{\overset{K}{\Sigma }}\underset{i\in R_k}{\Sigma }\underset{j\in N_i}{\Sigma }b·V_k(x_i,x_j)$

上述第一小步中的T2-MR图像的能量函数U_T2(x)可以根据U(x)的计算 公式计算出。

上述第二小步中的DW-MR图像的能量函数U_DW(x)可以根据U(x)的计 算公式计算出。

由于T2-MR图像的后验概率P_T2(x|y_T2)和DW-MR图像的后验概率 P_DW(x|y_DW)是独立的，因此CMAP的分割方法就是求取分割结果使 得联合后验概率最大，即：

${\stackrel{\Lambda }{x}}_{\mathrm{CMAP}}=\arg \underset{x\in X}{\max }\left(P_{T2}\left(x\right|y_{T2})P_{\mathrm{DW}}\left(x\right|y_{\mathrm{DW}})\right)$

根据MAP算法中转化为能量函数的公式，将上式转化为

P_T2(x|y_T2)P_DW(x|y_DW)∝exp{-(U_T2(x)+βU_DW(x))}

其中β是权重系数，用来平衡T2-MR图像和DW-MR图像对分割结果的 影响程度。最后CMAP分割算法的问题就转化为了求取能量函数最小问题：

${\stackrel{\Lambda }{x}}_{\mathrm{CMAP}}=\arg \underset{x\in X}{\max }(U_{T2}\left(x\right)+\beta U_{\mathrm{DW}}\left(x\right))$

上述第三小步的T2-MR图像和DW-MR图像的联合能量函数 U_T2(x)+βU_DW(x)就可以根据上述公式计算出来。

当β＝0时，CMAP方法就成为了MAP方法，此时的实验分割结果如 图4(d)；当β取不同的值时，T2-MR图像和DW-MR图像对分割结果的 影响程度也就不同。

运行结果

为了验证本发明方法，我们采用手动分割宫颈癌作为标准参考。

图4给出了本发明给出的这种基于T2加权的核磁共振成像(T2-MRI) 和弥散加权的核磁共振成像(DW-MRI)的宫颈癌图像自动分割框架实验 效果图。(a)原图；(b)红色轮廓线内为包含肿瘤和正常组织的感兴趣区； (c)配准到T2-MR图像的DW-MR图像；(d)只在T2-MR图像上采用 MAP方法的宫颈癌分割结果(即β＝0时)；(e)在T2-MR图像和DW-MR 图像上采用CMAP方法的宫颈癌分割结果(即β＝1时)；(f)专家手工分 割结果。

实验表明，本发明方法-一种基于T2加权的核磁共振成像(T2-MRI) 和弥散加权的核磁共振成像(DW-MRI)的宫颈癌图像自动分割框架以及 利用联合最大后验概率(CMAP)精确分割宫颈癌肿瘤区域的方法-准确 的分割出了宫颈癌图像的肿瘤区域，达到了分割肿瘤的目的。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不 局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想 到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保 护范围应该以权利要求书的保护范围为准。