[发明专利]一种脑部核磁共振图像组织分割方法

说明书

本发明公开了一种脑部核磁共振图像组织分割方法，构造了一个级联的脑部核磁共振图像的组织分割方法，该方法以VoxResnet深度网络的初步分割结果作为脑部核磁共振图像偏移场校正的初始分割，可有效地对能量函数进行初始化，从而获得图像的偏移场，进而完成核磁共振图像的偏移场校正，消除因偏移场造成的灰度不均衡对后续最大期望分割的负面影响，再将校正后灰度均衡的图像输入到最大期望分割中从而获得最终准确的脑组织分割结果。

技术领域

本发明属于核磁共振图像处理技术领域，具体涉及一种脑部核磁共振图像组织分割方法。

背景技术

核磁共振图像(Magnetic resonance imaging，MRI)是利用核磁共振原理，通过外加梯度磁场检测所发射出的电磁波，据此绘制成物体内部的结构图像，因此，在医疗领域获得了广泛的应用。MR图像具有大量其他类医学图像不具有的优势，比如可以调整参数，成像清晰，对人体无伤害等。

但是，在核磁共振图像获取过程中，因为成像机理，成像设备和个体差异等因素造成了获取的MR图像灰度不均衡。其主要体现在同一类组织灰度存在较大差异或者不同类组织之间存在较多的灰度交叠。这类特有的灰度不均衡性也被称为MR图像的偏移场。这类偏移场对MR图像的组织分割造成了很大的分割误差，导致了很多依赖灰度信息的分割方法最终产生错误分割的结果。

最大期望法方法(EM方法)是一种寻找最大似然估计的迭代算法，它被广泛应用在脑部MR图像的分割中。但是，普遍存在于MR图像的灰度不均衡严重的影响了EM分割方法的最终分割精度，导致了大量组织的错误分割。同时，目前应用于脑部MR图像的EM分割方法需要大量的手工分割结果来进行分割的初始化，它们的最终分割结果则严重依赖于初始化的效果。

现有的脑部核磁共振图像组织分割技术中，VoxResnet(体素级深度残差网络)是单纯地将作用于二维自然图像的Resnet(深度残差)网络直接推广到三维图像，是可以实现端到端的脑部核磁共振图像组织分割的深度学习网络，以二维Resnet为基础的VoxResnet虽然可以延伸到脑部三维核磁共振图像的组织分割，但其基础模型Resnet主要用于自然图像的语义分割，而自然图像的灰度分布较为均匀，几乎没有灰度不均衡的现象出现，因此，单纯将Resnet进行扩展的VoxResnet同样没有考虑到核磁共振图像中偏移场造成的脑部组织灰度严重不均衡的缺陷，往往会造成组织分割的错误。

发明内容

针对现有技术中的上述不足，本发明提供的脑部核磁共振图像组织分割方法解决了单一的利用EM法或VoxResnet方法进行图像组织分割中，对图像初始化依赖程度过大和没有考虑到核磁共振图像中偏移场造成的脑部组织灰度严重不均衡的缺陷，造成的组织分割的错误。

为了达到上述发明目的，本发明采用的技术方案为：一种脑部核磁共振图像组织分割方法，包括以下步骤，

S1、将脑部核磁共振图像输入VoxResnet深度网络，进行组织预分割，并获得初步分割结果；

S2、根据初步分割结果，进行偏移场校正并获得校正后的真实图像；

S3、利用最大期望法对校正后真实图像进行分割处理，得到最终的脑组织分割结果。

进一步地，所述步骤S2具体为：

S21、建立灰度不均衡的脑部MR图像数学模型；

S22、根据脑部MR图像数学模型建立灰度不均衡的脑部MR图像的能量函数；

S23、以初步分割结果为基础，求出对应的能量函数中的每种脑组织的灰度平均值C_i和对应的基函数的系数W；

S24、根据C_i、W和脑部MR图像的能量函数，计算得到偏移场b(x,y,z)和偏移场校正后的真实图像。

进一步地，所述步骤S21中：