[发明专利]基于改进模糊连接度算法的丘脑及其子结构分割方法

摘要

本发明涉及基于改进模糊连接度算法的丘脑及其子结构分割方法。所述方法包括输入原始图像；对原始图像进行预处理；对核团所在感兴趣区域自动提取，估算该区域内的均值、标准差；计算种子点周围区域各点对于种子点的模糊亲和度；进行后处理。本发明采用置信连接度实现了感兴趣区域的自动选取；计算模糊连接度时，在传统仅利用灰度特征的基础上增加了梯度特征，能更好地表达图像边缘。实验结果表明，本发明有效减少了传统模糊连接度算法中出现的欠分割现象；灰度特征与梯度特征之间的权重系数通过自适应计算获得，提高了分割结果的准确性；本发明实现了模糊连接度分割阈值的自动选取，该阈值随种子点的变化而变化，提高了分割过程的自动化程度。

主权项

基于改进模糊连接度算法的丘脑及其子结构分割方法，其特征在于包括以下步骤：步骤1，输入原始图像；步骤2，对原始图像进行预处理；步骤2.1，对原始图像进行脑组织提取，去除头皮、头骨非脑组织，并利用非参数非均匀灰度归一化法，对处理后的数据进行偏差场校正以去除噪声；步骤2.2，在包含丘脑及其子结构核团的感兴趣区域设定一个种子点；步骤3，对核团所在感兴趣区域自动提取，计算该区域内的均值、标准差；利用置信连接度理论，以步骤2.2中所述设定的种子点为初始像素，对包含待分割丘脑及其子结构核团的感兴趣区域进行自动分割，并计算包含待分割丘脑及其子结构核团的感兴趣区域内的灰度、梯度特征的平均值与标准差；对种子点周围的一个小邻域，计算此小邻域的灰度均值和标准差；通过一个给定控制灰度范围大小的乘法因子l与标准差的乘积来定义相似灰度的范围I(X)∈[m‑lσ,m+lσ]，其中X是图像I中的像素点；m和σ分别是当前区域灰度的均值和标准差；灰度值在相似灰度的范围内的相邻像素点将被包含到当前区域中；然后，对包含在当前区域内的所有像素点再次计算其灰度平均值和标准差，从而定义一个新的灰度范围；当前区域的邻域中，灰度值在新的灰度范围内的像素将被合并到当前区域；重复上述过程，直到没有新的像素被合并为止；步骤4，计算种子点周围区域各点对于种子点的模糊亲和度；步骤5，进行后处理；步骤5.1，设置填充核团内部空洞的填充半径；步骤5.2，利用数学形态学运算填充核团内部空洞，同时移除核团周围的岛屿区域，平滑分割边界，以获得最终结果；步骤4所述模糊亲和度的计算方法包括以下步骤：步骤4.1，定义模糊连接函数和模糊空间元素亲和度；在只考虑灰度特征作为限制条件的基础上加入图像梯度特征，并将灰度特征与梯度特征的权重参数进行自适应计算，得到新的模糊亲和度μκ(c,d)的计算公式，即自适应模糊连接度：μκ(c,d)=μα(c,d)[h12(f(c),f(d))+h22(f(c),f(d))h1(f(c),f(d))+h2(f(c),f(d))]]]>h1(f(c),f(d))=e-12[(f(c)+f(d))/2-m1s1]2]]>h2(f(c),f(d))=e-12[|(f(c)-f(d))|-m2s2]2]]>式中，μα(c,d)是像素点c、d距离||c‑d||的非递增函数，并满足μα∈[0,1]；实际应用中取：κ∈(0,1]，用于调节像素属性亲和度随像素属性变化而变化的程度；h1和h2表示灰度和梯度的标准高斯度量，f(c)、f(d)反映了空间元素的图像特征，这里为像素灰度特征；m1、m2和s1、s2表示感兴趣区域的像素灰度特征和梯度特征的均值和标准差；步骤4.2，计算种子元素c到其它像素点的亲和度值；步骤4.3，计算c到其它点的所有路径的强度μχ(p)；路径强度为该路径上任意两点亲和度的最小值；假设路径p是指从c到d的空间元素序列<c1,c2,...,cm>,m≥2，其中c1＝c,cm＝d；对于所有的路径p＝<c1,c2,...,cm>：μχ(p)＝min(μκ(c1,c2),μκ(c2,c3),...,μκ(cm‑1,cm))并且μχ(<>)＝0，即从c到d的无空间元素序列的空路径强度为0；每条可能的路径中都存在一条最微弱的链接，即路径p上相邻两个空间元素的亲和度最小值，它决定了路径p的连接程度；步骤4.4，对每条路径，计算最小亲和度；步骤4.5，计算原图像的模糊连接度；首先计算每条路径上每对相邻空间元素间的模糊亲和度值，通过比较选出最小的模糊亲和度值作为该路径的连接度大小，该值所对应的路径是局部连接最弱的一条路径；而空间元素c与d之间模糊连接度μξ(c,d)的大小应取c和d之间所有路径中连接度的最大值，这里所有c到d的路径集合记为Pcd：μξ(c,d)=maxp∈Pcd[μχ(p)]]]>步骤4.6，将种子像素点周围的8*8邻域的模糊连接度值均值作为分割阈值，该值随种子点的变化而变化，对于不同的种子点做适当调整。