專利名稱：一種針對灰度不均勻的核磁共振圖像的分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種核磁共振圖像的分割方法，特別涉及一種針對灰度不均勻的核磁共振圖像的分割方法，屬于醫(yī)學(xué)圖像分析領(lǐng)域。
背景技術(shù)：
核磁共振成像(Magnetic Resonance Image,MRI)是疾病診斷的重要輔助手段，也是當(dāng)前醫(yī)學(xué)圖象分析領(lǐng)域的研究熱點之一。它具有沒有放射污染、分辨率高、成像參數(shù)多、可任意層面斷層、對人體無電輻射損傷等優(yōu)點，在醫(yī)學(xué)臨床上得到了廣泛的應(yīng)用。隨著人們對核磁共振圖像定量分析的要求越來越高，比如在對諸如老年癡呆癥、多發(fā)性硬化癥以及 精神分裂等退化腦疾病的研究中，除了研究灰質(zhì)、白質(zhì)、白質(zhì)損傷和腦脊液的空間分布以及臨時改變以外，對這些組織容量的精確測量也是必不可少的。因為這些神經(jīng)疾病改變了人腦軟組織(灰質(zhì)、白質(zhì))和腦脊液的正常體積及其區(qū)域分布。這些應(yīng)用的一個前提就是對腦部核磁共振圖像進行精確的分割。然而在實際應(yīng)用中，由于核磁共振成像設(shè)備獲取的核磁共振圖像受噪聲、射頻場不均勻和不同組織之間的差異性以及部分容積效應(yīng)等因素，使信號發(fā)生了混淆，結(jié)果圖像的灰度均勻性變差，表現(xiàn)為圖像上同一組織的像素灰度沿空間呈緩慢、平滑的變化，也就是偏移場的問題，因此單純依靠傳統(tǒng)基于全局灰度值分割圖像已無法滿足精度需求。圖像分割方法有很多，目前由于主動輪廓模型能夠?qū)⒂嘘P(guān)目標(biāo)形狀的先驗知識和來自圖像的知識融入一個統(tǒng)一的過程中，是當(dāng)前圖像分割領(lǐng)域的熱點方法?；谥鲃虞喞Ｐ?，Chan和Vese提出的經(jīng)典的CV模型，假設(shè)圖像分為均值不等的目標(biāo)和背景兩個部分，將目標(biāo)從背景中分割出來。該模型和之后提出的多相位的CV分割模型常被稱為分段常量(piecewise constant, PC)模型，由于使用輪廓內(nèi)部和外部的全部灰度信息，故對噪聲較大的圖像和弱邊界圖像仍能工作得很好。但PC模型假設(shè)圖像的灰度分布是均勻的，當(dāng)圖像中出現(xiàn)灰度不均勻現(xiàn)象時，PC模型會產(chǎn)生錯誤分割。為了克服PC模 型不能克服灰度不均勻性的缺點，Vese和Chan以及Tsai等提出了分段光滑(piecewisesmooth, PS)模型。但PS模型由于在每次迭代水平集函數(shù)時要額外求解兩個偏微分方程，計算量較大。除此之外，為了保證演化過程中水平集能保持為符號距離函數(shù)，每次迭代時需要重新初始化。最近，Li等提出了新的處理腦部核磁共振圖像灰度不均勻的分割方法。這個方法首先在圖像灰度鄰域內(nèi)定義了一個K均值聚類目標(biāo)函數(shù)，然后將該目標(biāo)函數(shù)整合到整個圖像域，并引入到變分水平集框架中。通過引入圖像的局部灰度信息，這個方法能夠產(chǎn)生好的結(jié)果。更多的跟Li等的方法有相似功能的算法也被提出來了，但是它們有時對主動輪廓的初始化比較敏感，因此效果不是特別顯著。本發(fā)明中涉及到的2項重要已有技術(shù)是CV模型和Li等人在文獻《A variationallevel set approach to segmentation and bais correction of images with intensityinhomogeneity》(Li C，Huang R，Ding Z，Gatenby C，Metaxas D，Gore J. A variationallevel set approach to segmentation and bais correction of images with intensityinhomogeneity. In !Processing of medical image computing and computer aidedintervention MICCAI 2008, Part II，LNCS 5242，pp. 1083-1091，2008.)中提出的基于聚類的主動輪廓模型，具體為(I) CV 模型假定Qcz沉2是圖像域，識是一張灰度圖，I(X)中的X表示灰度值，在圖像域^中是一個常量，則該模型的能量泛函如下所示
￡(cr,cr,c)=/ii[we(cj/(x)-cr|Vx+/ij—⑴其中，<表示目標(biāo)的灰度值；<表示背景的灰度值；(表示曲線；\ p X2、v為常量；inside (C)表示曲線C的內(nèi)部；outside(C)表示曲線C的外部。該模型采用變分水平集方法，引入Heaviside函數(shù)，即可將該模型修改為關(guān)于嵌入函數(shù)u的泛函，如公式(2)所示e(cc",c",u)=v^d(u)\^u\dxdy +-c")2H{u)dxdy ⑵
Q.Q.+/I2 \l(l-cc2v)2(l-H(u))dxdy
a其中，u表示曲線C的嵌入函數(shù)；S (u)為Heaviside函數(shù)的導(dǎo)數(shù)；▽ 是嵌入函數(shù)u的梯度；H(u)為Heaviside函數(shù)。在礦和<固定的條件下，相對u對公式⑵進行最小化，得公式(3):
— = S￡ vdiv{p^\-X (I-CcvY+X2(I-Ccv)2(3)
dt e UvHJ 12其中，t表示時間；S E表示5 (u)的歸一化；div表示散度算子。通過公式(3)，求穩(wěn)態(tài)解，即可得到分割結(jié)果。CV模型的缺點是如果inside (C)和outside (C)內(nèi)的灰度是不均勻的,最優(yōu)值c廣和<就會遠遠偏離真實值，這樣就會使CV模型的分割結(jié)果不準確。(2)基于聚類的主動輪廓模型灰度不均圖像的通用模型定義如下I = bj+n(4)其中，I是采集到的圖像J是真實圖像；b代表圖像的灰度不均勻性，是一種偏差域，通常用一個矩陣表示；n是噪聲。針對真實圖像J和偏差域b有如下兩個假設(shè)(I)偏差域b在整個圖像域中緩慢變化；(TI)真實圖像J在每塊小區(qū)域中近似為常數(shù)，即對于X G ^，{^是圖像域Q的子域，有J(X) Ci, N為正整數(shù)，Ci表示真實圖像J中第i個區(qū)域的灰度值?；诩僭O(shè)⑴和(TI )，基于聚類的主動輪廓模型在圖像域Q中以每個點X為中心，在以一個相對小的半徑P內(nèi)定義了一個圓形鄰域Ox :0夕丨。在每個小塊區(qū)域內(nèi)都有如下的近似性b (y) J (y) (x) ci； y G Ox H Q t(5)
其中，b (X)Ci被認為是圓形鄰域Ox聚類中心的近似。為了預(yù)測b(x)Ci，圓形鄰域Ox的灰度I (y)被分成N類。這樣，就可以使用標(biāo)準的K均值聚類算法進行聚類。所以，定義局部恢復(fù)標(biāo)準函數(shù)如公式(6)所示
權(quán)利要求
1.一種針對灰度不均勻核磁共振圖像的分割方法，其特征在于其具體實施步驟如下 步驟一、對灰度不均勻核磁共振圖像進行初始化操作，即在灰度不均勻核磁共振圖像上勾畫出一個閉合曲線； 步驟二、使用基于區(qū)域的主動輪廓模型對灰度不均勻核磁共振圖像中的目標(biāo)進行迭代演化，得到目標(biāo)的輪廓曲線。
2.如權(quán)利要求I所示的一種針對灰度不均勻核磁共振圖像的分割方法，其特征在于步驟二中所述基于區(qū)域的主動輪廓模型具體為
全文摘要
本發(fā)明涉及一種針對灰度不均勻的核磁共振圖像的分割方法，包括以下步驟①在灰度不均勻核磁共振圖像上勾畫出一個閉合曲線；②使用基于區(qū)域的主動輪廓模型對灰度不均勻核磁共振圖像中的目標(biāo)進行迭代演化，得到目標(biāo)的輪廓曲線。所述基于區(qū)域的主動輪廓模型考慮了核磁共振圖像的局部和全局灰度信息，與已有技術(shù)相比，具有運算速度快、主動輪廓初始化魯棒、抗噪能力強、分割結(jié)果準確的優(yōu)點。
文檔編號G06T7/00GK102663755SQ201210114268
公開日2012年9月12日 申請日期2012年4月18日 優(yōu)先權(quán)日2012年4月18日
發(fā)明者劉利雄, 劉寶, 尚斐, 張麒 申請人:北京理工大學(xué)