[发明专利]一种无须标记的有监督的肾脏动态图像全自动分割方法

说明书

本发明公开了一种无须标记的有监督的肾脏动态图像全自动分割方法，属于计算机视觉及机器学习领域。具体方法由三个步骤对肾脏动态增强磁共振图像序列进行自动分割。步骤1：利用空间维度信息自动提取皮质、髓质和肾盂的代表性区域作为种子区域；步骤2：将种子区域的时间信号曲线作为算法输入，将种子区域的像素点类标作为算法输出，来训练分类模型；步骤3：当训练得到满意的分类模型后，使用该模型对肾脏区域内每个像素的时间信号曲线进行分类得到其类标，从而最终完成三种肾脏组织的分割。

技术领域

本发明涉及计算机视觉及机器学习领域，更具体的，涉及一种无须标记的基于有监督学习的肾脏动态增强磁共振图像的全自动分割方法。

背景技术

动态增强磁共振扫描的图像序列提供了很好的皮质、髓质和肾盂的对比，但基于图像序列的手工分割时间开销较大，且枯燥乏味，容易引起疲劳。

目前有不少图像处理方法用于肾脏图像的自动或半自动分割。目前公开的方法主要有单帧图像分割的方法，以及基于图像序列进行无监督聚类的分割方法。其中，基于单帧图像分割方法利用了图像序列在某一时刻的空间维度信息，忽略了时间维度信息。实际上，肾脏皮质、髓质和肾盂不同组织的对比呈现在不同的时相上，而单帧图像分割的方法仅仅利用了一个时相上的组织对比，因而该方法不能一次性全自动地分割出皮质、髓质和肾盂的三个组织。而基于图像序列进行无监督聚类的方法通过对像素点的时间信号曲线的聚类操作来赋予像素点不同的类标，从而达到分割目的。由于时间信号曲线体现像素点随着时间变化的信号强度，所以无监督聚类方法能够利用图像序列在时间维度上的信息，但是其忽略空间上的结构信息。尤其是，由于腹部器官成像受到运动伪影和噪声的影响，直接使用无监督聚类方法将像素点聚集成三类往往不能达到满意的分割效果。总的来说，前人的方法主要是通过人工变换聚类数量来解决聚集成三类效果不佳的问题，但是聚类方法中聚类数量作为超参数难以根据经验确定，常常需要通过多次测试来手工选择最佳的聚类效果。同时最后需要人工合并聚类结果以及人工标记每个类标对应的具体组织，这就导致了这类方法也不能做到全自动分割。

通常而言，与无监督方法相比，有监督方法具有更高的准确率，并且有无需选择聚类数量的优势，本发明公开一种全自动地基于有监督分类策略的肾脏动态增强磁共振扫描图像的分割方法。其中，有监督机制体现在能够使用一个提取代表性区域的预处理步骤确定肾脏三种组织种子区域内的像素点的类标，从而使用这些像素点的时间信号曲线和类标来自动训练有监督分类模型，最后再使用该有监督分类模型来对肾脏内部所有像素点进行分类完成图像分割。由于肾脏三个组织种子点区域的提取过程是全自动实现的，所以该方法无须人工标定种子区域以获取训练集，因而本发明专利公开的方法是一种无须标定的肾脏动态增强磁共振图像序列的全自动有监督分割方法。该分割方法同时利用了图像的空间维度信息和时间维度信息，且克服传统单帧图像分割方法和无监督聚类分割方法的局限性，是一种肾脏组织的全自动高效分割方法。

发明内容

本发明提供了一种基于动态增强磁共振肾脏扫描图像的全自动分割方法，其能同时利用肾脏动态增强磁共振扫描图像的时间维度和空间维度信息，可以一次性的完成肾脏皮质、髓质和肾盂组织的全自动分割任务。克服了单帧图像分割和基于图像序列聚类分割的局限性。其有三个步骤组成：种子区域提取、有监督分类模型训练和肾脏三种组织分割，分别将这三个步骤简记为S1，S2和S3。流程示意图如图1所示。值得指出的是，图像分割任务等价于肾脏内像素点的分类任务。

下面进一步描述以上三个步骤的具体内容：

其中S1由以下步骤组成：

S11：自动选定图像序列中肾脏皮质和髓质对比明显的一帧，记为皮质期图像J1。再自动选定图像序列中肾盂与皮髓质对比明显的一帧图像，记为皮髓质期图像J2；示意图如图2所示。

S12：对皮质期图像J1和皮髓质期图像J2进行图像增强，突出肾脏相应组织，并得到四张增强的图像，分别为：皮质增强图B1、髓质肾盂增强图B2、皮髓质增强图B3和肾盂增强图B4。