[发明专利]局部最大值点阈值膨胀的MPI图像分割方法、系统及设备

说明书

本发明属于MPI图像分割领域，具体涉及了一种基于局部最大值点阈值膨胀的MPI图像分割方法、系统及设备，旨在解决的问题。本发明包括：基于阈值分割方法，区分待分割MPI图像的前景信号和背景信号；通过K‑means聚类方法对所述前景MPI图像信号聚类，获得不同类别的聚类中；选择各聚类中心设定区域的邻域像素，并获取各聚类的局部最大信号强度点所在位置；分别基于各聚类的局部最大信号强度点所在位置，结合各位置对应的信号强度，进行阈值膨胀操作，获得各聚类的膨胀区域；合并各聚类的膨胀区域，获得待分割MPI图像的分割结果。本发明基于局部最大值点的阈值膨胀MPI图像分割方法，实现了鲁棒且准确的MPI图像分割，降低MPI图像分割所存在的选择性偏差的影响。

技术领域

本发明属于MPI图像分割领域，具体涉及了一种基于局部最大值点阈值膨胀的MPI图像分割方法及系统。

背景技术

磁粒子成像(MPI，Magnetic particle imaging)是一种新兴的直接检测氧化铁纳米颗粒磁化的方法，具有高特异性和灵敏度、线性定量能力和高临床转化潜力等优点。在生物医学研究的各个领域中，这种相对新颖的成像方式在分子成像和分析这一新的先进领域中引发了科学探究，并显示出治疗学和精准医学发展的显著进步。它依靠超顺磁氧化铁(SPIO)纳米粒子信号产生正对比图像，为定量生物学成像树立了新的标准。

然而，由于MPI成像是一种新型的成像模态，难以为MPI扫描中的感兴趣区域(ROI)定义一个明确的边界，这便导致成像数据分割存在选择性偏差，难以鲁棒地分析与量化成像信号。

因此，将MPI领域与机器学习相结合至关重要，机器学习能够快速、高吞吐量地分析数据系统和结构。通过在临床前和临床扫描中对感兴趣区域(ROI)的分析，研究人员发现机器学习可以解决生物医学图像量化中面临的障碍。这使得利用机器学习解决MPI图像分割质量差的问题成为可能。

发明内容

为了解决现有技术中的上述问题，即现有MPI图像分割存在选择性偏差，导致MPI图像分割质量差的问题，本发明提供了一种基于局部最大值点阈值膨胀的MPI图像分割方法，该MPI图像分割方法包括：

基于阈值分割方法，区分前景图像信号和背景信号，获得待分割MPI图像的前景MPI图像信号；

通过K-means聚类方法对所述前景MPI图像信号聚类，获得不同类别的聚类中心；

选择各聚类中心设定区域的邻域像素，并获取各聚类的局部最大信号强度点所在位置；

分别基于各聚类的局部最大信号强度点所在位置，结合各位置对应的信号强度，进行阈值膨胀操作，获得各聚类的膨胀区域；

合并各聚类的膨胀区域，获得待分割MPI图像的分割结果。

在一些优选的实施例中，所述阈值分割，其方法为：

其中，0和1代表阈值分割的结果，0代表背景信号，1代表前景MPI图像信号，x_i，j代表待分割MPI图像的第i行第j列像素的MPI信号强度，θ₁为预设的阈值，θ₂为预设的百分比阈值，max(X)代表待分割MPI图像的信号强度最大值。

在一些优选的实施例中，所述K-means聚类，其方法为：

其中，x_i代表第i个前景MPI图像信号的横纵坐标，u_k代表第k个类别聚类的类内平均横纵坐标值，C_k代表第k个类别聚类的MPI信号点集合，K为聚类的类别数量，n为前景MPI图像信号中的像素个数，r_i，k用于表示第i个前景MPI图像信号是否属于第k个类别聚类，若属于，r_i，k＝1，否则r_i，k＝0。