[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

摘要

本发明公开了一种基于多模态MRI纵向数据的脑瘤时空协同分割方法，包括手术前分割处理和手术后分割处理，手术后分割处理包括：(1)获得脑瘤术后MRI数据，(2)将纵向数据分别映射到时间域和空间域上进行分割处理，而时间域分割包括：获得术前的分割结果和纵向待分割数据，进行术前和术后的图像配准，构建术后肿瘤生长模型；空间域分割包括：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；(3)结合时间域和空间域分割结果构建四维图模型并优化获得参数形成自动分割结果，提高了脑瘤区域分割的精准度。

主权项

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‑enhancing tumor)、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lv＝1(lv′＝1)获得，背景根据公式lv＝0(lv′＝0)获得，边界的代价如下所示，其中，Buv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，Cvv′是一个用来代表体素对相互之间标签值不同的惩罚值，Cvv′＝θ(1‑|Nv‑Nv′|+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，Nv和Nv′是Dv(lv＝1)、Dv′(lv′＝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，Dv(lv＝1)＝‑λ1log Pr(iv|lv＝1)Dv(lv＝0)＝‑λ2log(1‑Pr(iv|lv＝1))所述Buv，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。