[发明专利]基于稀疏表示的多模态磁共振图像的分割方法及装置

摘要

本发明涉及图像处理技术领域，具体涉及一种基于稀疏表示的多模态磁共振图像的分割方法及装置。本发明的分割方法采用基于稀疏表示的分类算法SRC（sparse representation based classification）；本发明的分割方法通过建立基于MAP‑MRF框架的图像分割模型对图像进行精确分割，利用马尔科夫随机场，充分考虑像素周围空间的相邻像素的影响，增加了图像分割的准确性，同时采用在线字典学习方法与图割的优化方法，提高了运行速度。

主权项

一种基于稀疏表示的多模态磁共振图像的分割方法，其特征在于，所述方法包括如下步骤：步骤1：将患者不同成像模态的磁共振图像进行配准；步骤2：分别针对肿瘤T、水肿E和背景B提取训练样本，对每个类别的训练样本进行字典训练；所述步骤2中的提取训练样本的具体步骤如下：分别构造肿瘤T、水肿E和背景B训练样本集，其中，XTi、XEi、XBi分别表示对肿瘤T、水肿E和背景B中随机提取的第i个大小为n×n的图像块，均表示实数域内n2×m2、n2×m3、n2×m1的矩阵，m2、m3和m1分别为肿瘤、水肿和背景图像块的样本数量；在构造肿瘤、水肿和背景训练样本集之后还包括如下步骤：分别对肿瘤T、水肿E和背景B提取训练样本，并对每个类别的训练样本进行样本训练，并将三类训练样本的输入分别表示为矩阵:并进行列向量归一化处理；步骤3：最大似然估计,利用所述字典对输入的测试样本进行稀疏编码，获得每个测试样本的稀疏编码系数；步骤4：建立基于MAP‑MRF框架的图像分割模型，对图像进行精确分割；所述步骤4中建立基于MAP‑MRF框架的图像分割模型具体包括如下步骤：步骤a：MRF的先验概率与总的相邻像素的集团势函数成正比，所述先验概率表示为P(C)∝exp(-Σi∈VΣj∈N(j)Vi,j(ci,cj)),]]>其中，V为多模态图像的所有像素的集合，ci和cj分别为像素i和像素j的类别，N(j)是像素i的4邻域像素集合，为势函数，势函数定义了平滑项，c＞0为平滑因子，Ii和Ij是像素i和像素j的强度，Δ(i,j)＝|Ii‑Ij|表示像素i和像素j之间的强度差，参数σ＞0控制Δ(i,j)曲线的变化程度，(1‑δ(ci,cj))为惩罚项；步骤b：在给定类C条件下的样本概率密度P(X|C)表示为 步骤c：根据贝叶斯公式得到argminCP(C|X)=argminCP(X|C)P(C)/P(X)∝argminCP(X|C)P(C),]]>其中，N为每个切片中分成的图像小块的总数目；Dk是给定的字典，其中,k＝B,T,E，Dkαi,k是xi在字典Dk上的稀疏表示，αi,k是对应的稀疏系数向量；xi为第i个大小为n×n窗口滑动一个像素的小块形成的向量；X＝[x1,x2,...,xN]∈R4n×N,R4n×N表示输入的测试样本构造的实数域内4n×N的矩阵；C＝{ci|i},i＝1,2,...,N；结合所述步骤a的P(C)，及所述步骤b的P(X|C)，得到对上式两边求对数得到其中，设表示数据项，表示平滑项，其中ci是xi的类别，与使达到最小值的Dk的类别相同，能量函数表示为得到步骤d，用graph cuts算法求解上式中的最小能量优化问题，再对图像进行精确分割。