[发明专利]一种基于D‑S证据理论的脑部MRI图像分割方法

说明书

技术领域

本发明涉及医学图像处理领域，具体涉及一种基于D-S证据理论的脑部MRI图像分割方法。

背景技术

随着科技的快速发展，核磁共振成像(MRI,magnetic resonance imaging)被广泛应用于对脑部的疾病的诊疗，通过脑部MRI图像可以将不同的组织分割，从而辅助医生发现脑部病变。但由于MRI图像的低对比度和在成像过程中易受到噪声的干扰，使得不同组织之间容易出现混叠，从而造成分割困难。

D-S证据理论算法是信息融合中最为有效的算法之一，其协同利用多源信息，以获得对事物或目标更客观、更本质认识。证据理论把概率论中的基本事件空间拓宽为基本事件的幂集，又称为辨识框架，在辨识框架上建立了基本概率分配函数(Basic Probability Assignment，BPA)。此外，证据理论还提供了一个Dempster组合规则，该规则可以在没有先验信息的情况下实现证据的融合。正是由于DS证据理论在不确定知识表示方面具有优良的性能，所以近几年其理论和应用发展较快，该理论在多传感器信息融合、医学诊断、军事指挥、目标识别方面发挥了重要作用。

传统的对脑部MRI图像的分割仅通过某方面的特征，例如纹理信息、灰度信息、空间信息等，因此得到到的结果具有很大的局限性，对于含有噪声、边界模糊的图像来说，得到的MRI图像分割效果也通常不是很好。

发明内容

为了克服现有技术的不足，本发明提供一种基于D-S证据理论的脑部MRI图像分割方法，该方法综合同一图像的不同特征，然后进行图像的分割，该分割方法具有良好的抗噪性，且分割后的图像分割错误率小。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤一：将待分割原图F进行中值滤波生成一幅滤波后的图像F_m，所述的中值滤波是：使用3×3的正方形模板对原图F的每个像素点的灰度值使用如下公式X＝Med(X₁,X₂,…,X_n)进行求值，其中由于模板大小是3×3，故n＝9，X_i是3×3模板像素点的一个；

步骤二：将原图F和滤波后的图F_m使用FCM算法进行聚类，生成对应的c×n大小的隶属度矩阵：U_c×n和U'_c×n，其中c表示该图像被分为c类，分别为A₁,A₂,...,A_c，n表示该图像共有n个像素点，分别为P₁,P₂,...,P_n，每个像素点P_i属于第A_j类(1＜j＜c)的概率表示为u_ij，U_c×n＝(u_ij)_c×n；

步骤三：将步骤二中生成的隶属度矩阵U和U'分别转换为证据理论中的n组概率指派函数(BPA)，分别为m₁,m₂,...,m_n、m'₁,m'₂,...,m'_n具体转换规则如下：

首先将隶属度矩阵U转换为仅有单子集焦元的BPA，即m_j(A_i)＝u_ij(0＜i＜c，0＜j＜n)；其次确定每个像素点P_j对应的该组m_j的最大值，可表示为M(j)＝max(m_j(A_i))，记使m_j取得最大值的A_i为A_m；然后设定阈值α，对于任意A_i(0＜i＜c)，若使M(j)-m_j(A_i)＜α，则将A_i和A_m加入集合D_j中；接下来将D_j中的元素生成多子集焦元并加入对应m_j，生成规则为若集合D_j为空，则对应的m_j中仅有单子集焦元；