[发明专利]一种基于局部子空间学习的MR图像海马体分割算法

摘要

本发明涉及一种基于局部子空间学习的MR图像海马体分割算法，首先将已标记图谱配准到目标图像上得到已配准图谱；在N个已配准图谱中以目标体素为中心选择邻域，得到训练样本集；提取纹理和灰度等特征信息构成原始特征空间，对原始特征空间进行MFA的子空间学习；然后通过标签传播，得到目标图像的分割结果。本发明基于局部子空间学习的海马体分割方法，不依赖于配准精度和标签传播的效率，能够将海马体结构和其他脑组织结构更好的区分出来，具有更稳定的分割效果。

主权项

1.一种基于局部子空间学习的MR图像海马体分割算法，其特征在于，/n步骤1：将已标记图谱配准到目标海马体MR图像上得到N个已配准图谱，所述已配准图谱中的正样本为标记为+1的海马体，所述已配准图谱中的负样本为标记为-1的非海马体；/n步骤2：分别在N个已配准图谱中以目标体素为中心选择大小为w×w×w的邻域体素，并获得N×w×w×w个候选训练样本，从所述候选训练样本的正、负样本中分别选取q₁+q₂个样本构建正、负训练样本集，其中，正训练样本集和负训练样本集构成训练样本集，所述训练样本集包括2(q₁+q₂)个训练样本，目标体素是指：指目标海马体MR图像中待确定类别的体素；/n步骤3：从训练样本集中提取至少包括纹理及图像灰度值的特征信息构成原始特征空间；/n步骤4：对所述原始特征空间进行基于边际Fisher分析的子空间学习；/n步骤4.1：将训练样本的类型标签拓展为以该训练样本为中心t×t×t大小的邻域内所有训练样本的结构类型标签块，所述训练样本集中的所有训练样本对应的结构类型标签块构成结构类型标签集；/n步骤4.2：将k均值聚类方法应用于所述结构类型标签集上，得到与所述结构类型标签集对应的子类型标签集，用所述子类型标签集替换所述结构类型标签集并将该子类型标签集与对应的训练样本集结合得到新的带标签的训练样本集；/n步骤4.3：构建本征图G_I和惩罚图G_P；/n步骤4.4：定义所述本征图G_I的相似矩阵S^I及所述惩罚图G_P的相似矩阵S^P；/n步骤4.5：定义所述本征图G_I的对角矩阵D^I和拉普拉斯矩阵L^I以及所述惩罚图G_P的对角矩阵D^P和拉普拉斯矩阵L^P；/n步骤4.6：计算子空间映射矩阵，将训练样本集中用特征信息表征的体素映射到已学习子空间中；/n步骤5：标签传播；/n步骤6：输入目标海马体MR图像；/n步骤7：提取所述目标海马体MR图像中的每个测试样本体素的特征信息；/n步骤8：将所述目标海马体MR图像中的以特征信息表征的测试样本体素投影到所述已学习子空间中；/n步骤9：在所述已学习子空间中采用基于k近邻分类器对所述目标海马体MR图像的各个测试样本体素的类别进行判别并得到最终分割结果。/n