[发明专利]基于超体素的多模态MRI脑肿瘤分割方法

说明书

本发明公开一种基于超体素的多模态MRI脑肿瘤分割方法，首先对传统的SLIC算法进行改进，通过计算强度距离、位置距离和梯度距离确定当前体素点到其领域内各体素块种子点的距离，由此获得当前体素块的边缘信息，从而可准确获得有明显占位效应的脑肿瘤或受侧脑室挤压导致的明显肿瘤周围水肿和瘤内出血的弱边界信息，克服噪声体素对超体素边界的影响，获得整齐紧凑的边界分割信息。其次，在进行单模态分割结果信息整合时，通过横向比较的方式进行信息整合，从而获得具有相同分割结果的四张MRI图像超体素分割边界信息。

技术领域

本发明涉及医学图像分割领域，尤其是一种基于超体素的多模态MRI脑肿瘤分割方法。

背景技术

正电子断层显像仪(positron emission tomography,PET)通过向人体注射放射性药物从而获得人体内部代谢信息，但其无法直观的查看人体内部结构信息，且放射性药物通常对人体有害。反映人体结构的计算机断层扫描(Computer Tomography,CT)图像利用人体各部分组织对X射线的吸收系数不同的原理成像，具有较高的时效性和空间分辨率，但其对人体损伤较大。在不追求成像速度时通常采用对患者身体健康损伤较小的磁共振图像(Magnetic Resonance Images,MRI)。单模态MRI图像有FLAIR图像、T1加权图像(T1weighted image)、T2加权图像(T2 weighted image)、T1-Contrast(T1-Gd，在T1加权图像中使用造影剂)，MRI图像具有较高的精准度，可通过不同扫描序列获得反映不同结构信息的图像，具有较高的空间分辨率和时间分辨率，已应用于脑肿瘤检测。如T1加权像中各个脑组织的对比度较为明显，对于区分脑部健康组织和病灶组织有着重要的作用；T2加权图像可以有效分离脑部水肿区域，获得异常区域边界信息；T1-Contrast图像能清楚直观地展示肿瘤边缘，从而得到核心肿瘤区域的边缘；FLAIR图像可以体现脑肿瘤区域与大脑其他组织之间有着明显的差异，较为明显区分脑部白质、灰质和脑脊液的结构。然而，由于脑肿瘤的呈现上没有固定的大小形状并且其可能出现在大脑的任何位置，再者颅内肿瘤可能会对周围脑组织产生影响，不仅损害血脑屏障，增加血管壁的通透性，还会对周围脑组织产生压迫，形成局部水肿等，故在进行单模态MRI图像脑肿瘤分割时经常会遇到很多困难。

目前，已有用多模态MRI脑肿瘤分割方法。具体方法是对每个单模态MRI图像进行分割处理，得到各自的分割结果图，然后在将所得到的单模态分割结果图进行信息整合，最终得到多模态分割结果。存在如下问题：

首先，基于梯度超体素分割算法是现有单模态MRI图像进行分割处理的方法之一，其经典算法有SLIC算法。SLIC算法的核心思想是先将一幅图像划分为多个区域块，将每个块的几何中心作为该块的初始中心，然后在该点的邻域内找到一个梯度最小的点作为体素块种子点，通过计算当前体素点与其领域内的体素块种子点之间的距离，不断迭代直至收敛阈值。然而，现有SLIC算法计算距离时只有强度距离和位置距离获得该块的边界信息，不能较好的获得有明显占位效应的脑肿瘤或受侧脑室挤压导致的明显肿瘤周围水肿和瘤内出血的弱边界信息，无法得到光滑、准确且最大程度贴合3D脑部图像边缘的体素块。

其次，在进行单模态分割结果信息整合时，传统的方法是将获得的各模态分析的结果叠加到一个MRI图像上获得最终分割结果，忽略了四个MRI图像中所存在的内在联系。Calhoun等人已经意识传统整合方法的不足之处，提出了联合独立成分分析的方法，即通过串联的方式将单模态信息融合，使用盲源信号分离图像中一些不相关的成分，从而提高检测效率。但是串联融合导致图像中各个结构联系过于紧密，易出现过拟合的情况。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种基于超体素的多模态MRI脑肿瘤分割方法。

本发明的技术解决方案是：一种基于超体素的多模态MRI脑肿瘤分割方法，依次按照如下步骤进行：

步骤1：对图像I进行预处理