[发明专利]一种基于特征权重降维的核磁共振脑图像分割方法

说明书

本发明涉及数字图像处理领域，涉及一种基于特征权重降维的核磁共振脑图像分割方法，包括：1、对核磁共振脑图像进行预处理；2、提取脑图像中的特征属性，构建特征数据集；3、计算特征数据集X上的关联无向图；4、确定图像分割的类别数；5、固定G，更新目标式中的H；6、固定H，更新目标式中的G；7、判断当前迭代次数与最大迭代次数的关系；8、对H矩阵取出p个最大的行序号；9、构建新的特征数据集10、在上执行K均值聚类，得到分割结果。本发明通过特征权重筛选出重要的特征信息，既保存了脑组织的数据结构信息和邻域空间像素信息，又能精准地描述脑组织的各个部分的结构，具有自动检测、分割准确性高等优点。

技术领域

本发明涉及数字图像处理领域，尤其涉及一种基于特征权重降维的核磁共振脑图像分割方法。

背景技术

医学图像分割是根据解剖学和病理学将人体组织图像划分成有意义区域的过程，其结果的准确性直接决定了医学图像分析结果的好坏，是临床诊断和研究中的重要步骤。核磁共振成像作为一种高效、安全的医学成像方式，在脑功能、脑部病变的检测中得到了广泛应用。例如，脑癌早期发现和诊断依赖于特异性标记物和影像学检查，核磁共振成像的软组织分辨率高，对早期脑癌的诊断灵敏度和特异度都较高。

人的大脑主要由三大组织组成，分别是灰质、白质和脑脊液，这三大组织是肿瘤、炎症等脑部疾病的易发区。因此，对这些组织的精确分割对于临床医学上的定量分析、三维可视化等具有重要意义。阈值法、聚类法、马尔可夫随机场、基于活动轮廓模型等方法是目前在核磁共振成像上常用的分割方法。聚类方法是将给定的样本集按某种聚类准则自动的划分成若干个子集，让具有相似属性的样本尽可能的归为同一类，而具有不相似属性的样本尽可能划分到不同的类中。常用的聚类可以分为：基于划分的聚类、基于层次的聚类、基于密度的聚类、基于网格的聚类和基于模型的聚类。基于划分的聚类是当前应用广泛的图像分割方法之一，如模糊C均值方法，能有效缓解核磁共振成像分割中的部分容积效应、噪声以及偏移场效应的影响的问题。

但是，在高维数据中，基于划分的聚类会因为数据点距离相似度的聚类内部指标的失效而变得效果不佳。这是因为高维空间中数据点对之间的距离对于数据分布和距离函数来说几乎是相同的，这相当于丧失了距离函数测量数据点之间的差异(或相似性)的能力(参见文献Beyer K,Goldstein J,Ramakrishnan R,et al.When is“nearest neighbor”meaningful？Proceedings of the 1998 International Conference on DatabaseTheory,LNCS 1540.Berlin:Springer,1998:217-235)。另外，核磁共振成像的高维特征如果全部应用于图像分割，特征之间的冗余性也较高，会降低分割结果的准确性。虽然主成分分析法等降维方法可以降低数据的特征维度，但这些方法不是为聚类分析而创建，也有各自的使用局限性。例如，主成分分析法在数据非高斯分布情况下的降维效果不佳，且得到的主元物理含义没有原来的特征清晰，特别是得到的特征值有负号的时候，综合评价函数意义就不明确。更关键的是，一般的聚类算法都是在降维方法执行之后进行，也就是说聚类和降维是分阶段独立完成的，降维的效果直接影响后续聚类算法的效果。因此，面对核磁共振成像的高维特性，本发明提出集降维和聚类为一体的基于特征权重降维的核磁共振脑图像分割方法，用于对核磁共振脑图像进行有效分割。

发明内容

本发明所要解决的技术问题是：利用像素为基本单位构建脑图像的空间特征，通过特征权重筛选出重要的特征信息，既降低了核磁共振脑图像的维度，在此低维空间内能保存了脑组织的数据结构信息和邻域空间像素信息，又能精准地描述脑组织的各个部分的结构，提高了核磁共振脑图像的分割精度。

本发明所采用的技术方案：一种基于特征权重降维的核磁共振脑图像分割方法，包括：

步骤1：对核磁共振脑图像进行预处理，去除脑图像中非脑组织部分；