[发明专利]基于多模态MRI纵向数据的脑瘤时空协同分割方法

权利要求书

1.一种基于多模态MRI纵向数据的脑瘤时空协同分割方法，其特征在于，包括手术前分割处理和手术后分割处理，

所述手术前分割处理包括以下内容：获得脑瘤手术前的MRI数据，对数据预处理后经过空间域分割算法得到手术前分割结果；

所述手术后分割处理包括以下步骤：(1)获得脑瘤手术后的MRI数据，对数据进行预处理；(2)将步骤(1)的纵向数据分别映射到时间域和空间域上进行分割处理；(3)将时间域分割结果和空间域分割结果相互对照参考构建四维图模型；

所述映射到时间域分割处理包括以下步骤：获得手术前分割结果和纵向待分割数据，进行手术前和手术后的图像配准，构建手术后肿瘤生长模型式中是模型变量，其中m＝(D，λ，μ)是脑部组织的材料属性，A是线性微分算子，而是一个能量项；然后分别构建白质(WM)、灰质(GM)、脑脊液(CSF)、空洞(Cavity)、坏死(Necrosis)、水肿(Edema)、增强肿瘤(Enhancing tumor)、非增强肿瘤(Non-enhancingtumor)、背景(Background)的高斯混合模型，通过最大期望算法(EM)迭代计算各自的概率，获得时间域分割结果；

所述映射到空间域分割处理包括以下步骤：构建正常人脑不同组织对称性模板，提取Haar结构特征，将结构随机森林方法结合AdaBoost框架获得初步的概率结果，利用相似性区域增长算法增长标签，获得空间域分割结果；

所述步骤(3)中利用时间域和空间域上的分割结果，构造了一个四维图模型，该四维图模型包括源点、终端点、时间域分割结果的结点和空间域分割结果的结点，结点间有三种类型的边，分别是区域的代价，边界的代价，和上下文的惩罚值；

所述时间域分割结果包括分割前景和背景，分割前景根据公式l_v＝1(l_v′＝1)获得，背景根据公式l_v＝0(l_v′＝0)获得，

边界的代价如下所示，

其中，B_uv是相邻两个体素被分配不同标签的一个惩罚值，上下文的代价如下所示，

C_vv′是一个用来代表体素对相互之间标签值不同的惩罚值，C_vv′＝θ(1-|N_v-N_v′|+K，θ是一个尺度常数，K是一个对两个分割结果不统一的最小惩罚值，N_v和N_v′是D_v(l_v＝1)、D_v′(l_v′＝1)分别在[0,1]之间的值；

前景和背景区域之间部分的代价函数，如下所示，

D_v(l_v＝1)＝-λ₁log Pr(i_v|l_v＝1)

D_v(l_v＝0)＝-λ₂log(1-Pr(i_v|l_v＝1))

所述B_uv，则如下所示：

λ₁、λ₂、λ₃是给定的尺度常数，是一个梯度算子，σ_g是一个给定的高斯参数。

2.根据权利要求1所述的基于多模态MRI纵向数据的脑瘤时空协同分割方法，其特征在于：所述相似性区域增长算法如下所示，同时

其中，g是体素的相似性度量值，l是标签，t为迭代点，x是体素的亮度特征，

两个体素间的不同如下所示，

其中，β是一个调整参数；ρ(x_i,x_j)表示x_i,x_j两点之间特征的欧式距离；mean(ρ(x_i,N_i))是x_i和其每一个邻接结点特征的欧式距离的平均值，μ是经验值。