使用空間截面投影的腦腫瘤mri圖像分割算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，具體涉及一種使用空間截面投影的腦腫瘤 MRI (Magnetic Resonance Imaging，磁共振成像）圖像分割算法。
【背景技術(shù)】
[0002] 圖像分割是計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)的一項(xiàng)關(guān)鍵技術(shù)，在圖像處理與分析間起著重要的 橋梁作用。在眾多的分割方法中，閾值分割法因其簡(jiǎn)單、有效而被廣泛應(yīng)用于圖像處理領(lǐng) 域。常用的閾值法主要有最大類間方差法（簡(jiǎn)稱Otsu法）、最大熵法、最小交叉熵法等。 其中日本學(xué)者大津展之提出的Otsu法因有模式識(shí)別的相關(guān)理論為基礎(chǔ)且圖像分割性能良 好，而逐漸成為一種最為流行的閾值分割技術(shù)。由于一維Otsu法僅考慮了像素的灰度信息 而沒(méi)考慮像素間的空間相關(guān)性，故當(dāng)圖像包含噪聲時(shí)，一維Otsu法的分割效果不佳。對(duì)此， 劉健莊等提出了二維Otsu法，該方法同時(shí)考慮了像素的灰度信息和其鄰域的空間相關(guān)性， 改善了一維Otsu法的抗噪性。景曉軍等在二維Otsu法的基礎(chǔ)上進(jìn)一步引入了鄰域中值灰 度，并由此提出了三維Otsu法，該算法能更好地對(duì)低信噪比圖像進(jìn)行分割。
[0003] 傳統(tǒng)三維Otsu法對(duì)圖像進(jìn)行分割的過(guò)程：
[0004] 對(duì)于尺寸為MXN，灰度級(jí)為L(zhǎng)的圖像，設(shè)像素（x，y)的灰度值為f(x，y)，則該像素 KXK鄰域的均值灰度g(x，y)和中值灰度h(x，y)可分別定義如下：
[0005]
[0006] h (x, y) = med {f (x+m, y+n),
[0007] m = _k/2,…，k/2 ;n = _k/2,…，k/2} (2)
[0008] 由g(x，y)及h(x，y)的定義可知，像素的鄰域均值灰度和鄰域中值灰度的灰度級(jí) 也為L(zhǎng)。定義f (X，y)、g(x, y)、h(x, y)形成的三元組（i, j, k)為一個(gè)三維直方圖，則該直方 圖定義在一大小為L(zhǎng)XLXL的正方體區(qū)域內(nèi)，其3個(gè)坐標(biāo)分別表示像素的灰度值、鄰域均值 灰度值和鄰域中值灰度值。直方圖中任一點(diǎn)的值記為P l jk，Pl jk定義為
[0009]
[0010] 其中，Cljk為（i，j，k)出現(xiàn)的頻數(shù)，0彡i，j，k彡L-1，且
[0011] 傳統(tǒng)三維OtSU法將直方圖劃分成如圖1所示的8個(gè)區(qū)域。因目標(biāo)和背景內(nèi)部的 像素間存在很強(qiáng)的相關(guān)性，故像素的灰度值、鄰域均值灰度、鄰域中值灰度三者非常接近； 而位于目標(biāo)與背景邊界附近的像素，上述3個(gè)數(shù)值存在明顯差異?；谏鲜稣J(rèn)識(shí)，傳統(tǒng)三維 Otsu法分別將區(qū)域0、區(qū)域1視為目標(biāo)和背景，而將區(qū)域2~7視為邊緣和噪聲。由于邊界 附近的像素?cái)?shù)通常很少，故傳統(tǒng)Otsu法假設(shè)區(qū)域2~7上的所有p 1]k~0。傳統(tǒng)三維Otsu 法采用如下的距離測(cè)度函數(shù)確定最佳閾值 CN 105139410 A ~P 2/6 頁(yè)
[0012]
[0013] 其中，w〇(s, t, q)、 U Ti、U Tj、U Tk、 μ i (s, t, q)、μ .j (s, t, q)、μ k (s, t, q)的含義及計(jì) 算方式見(jiàn)文獻(xiàn)。
[0014] 使得式（4)取得最大值的閾值（s。，t。，q。）即為最佳閾值，BP
[0015]
[0016] 傳統(tǒng)三維Otsu法雖然增強(qiáng)了二維Otsu法的抗噪性，但是仍然存在以下幾點(diǎn)不足： 1)與二維Otsu法類似，僅考慮了主對(duì)角線附近〇、1兩個(gè)區(qū)域，而假設(shè)區(qū)域2~7中的概率 為〇,這與實(shí)際不符，往往造成分割不準(zhǔn)確；2)閾值維數(shù)的增加雖能改善分割效果，但卻嚴(yán) 重影響了分割效率；3)由式（4)可知，三維Otsu法的計(jì)算公式較為復(fù)雜，難以擴(kuò)展到多閾 值的情況；4)三維Otsu法的抗噪性仍不足，有待進(jìn)一步增強(qiáng)。盡管傳統(tǒng)三維Otsu法忽略了 區(qū)域2~7中的噪聲，但是區(qū)域0、1中通常也包含噪聲，而傳統(tǒng)三維Otsu法并未對(duì)其做進(jìn) 一步處理，從而影響了分割效果?？梢?jiàn)，傳統(tǒng)三維Otsu法雖然同時(shí)考慮了鄰域均值和灰度 中值灰度，但是分割效率低、抗噪性不足，故有必要對(duì)其進(jìn)行改進(jìn)以提高分割效率、增強(qiáng)抗 噪性；此外，由于未對(duì)目標(biāo)和背景區(qū)域的噪聲進(jìn)行任何處理，當(dāng)噪聲干擾嚴(yán)重時(shí)，三維Otsu 的分割效果仍不夠理想。
[0017] 范九倫等提出的快速遞推法雖提高了分割效率，但要以消耗大量的額外空間為代 價(jià)。Puthipon提出的等效三維Otsu法雖提高了分割效率且無(wú)需額外的空間消耗，但因按照 傳統(tǒng)的三維直方圖劃分方式，僅考慮對(duì)角線附近的2個(gè)長(zhǎng)方體區(qū)域而忽略了其他區(qū)域，往 往造成分割不準(zhǔn)確。基于截面投影的三維Otsu法是現(xiàn)有的對(duì)傳統(tǒng)三維Otsu法的改進(jìn)方法， 以截面投影直方圖為基礎(chǔ)建立，雖然該方法考慮了整個(gè)直方圖區(qū)域，避免了傳統(tǒng)三維Otsu 法近似假設(shè)造成的不合理性，但是該方法的分割精度和分割效果仍有待提高。

【發(fā)明內(nèi)容】

[0018] 本發(fā)明所要解決的技術(shù)問(wèn)題是：針對(duì)現(xiàn)有技術(shù)的不足，提供一種對(duì)圖像分割精度 高、抗噪性強(qiáng)、分割效果好、分割效率高的使用空間截面投影的腦腫瘤MRI圖像分割算法。
[0019] 本發(fā)明解決上述技術(shù)問(wèn)題所采用的技術(shù)方案為：使用空間截面投影的腦腫瘤MRI 圖像分割算法，包括以下步驟：
[0020] (1)獲取一幅來(lái)源于腦部的MRI掃描設(shè)備的待分割的腦腫瘤MRI掃描圖像，然后將 該待分割的腦腫瘤MRI掃描圖像轉(zhuǎn)換成灰度圖像，再采用基于截面投影的三維Otsu法對(duì)灰 度圖像進(jìn)行分析，得到初始感興趣的輪廓{Al，A2, A3,…，An}，其中Al, A2, A3,…，An定義為 構(gòu)成初始感興趣的輪廓的所有輪廓點(diǎn)；
[0021] (2)根據(jù)初始感興趣的輪廓{A1，A2, A3,…，An}經(jīng)包絡(luò)得到灰度圖像中的感興趣 區(qū)域，根據(jù)該感興趣區(qū)域的外形選取一個(gè)能夠?qū)⒃摳信d趣區(qū)域包含在內(nèi)的方形區(qū)域，定義 該方形區(qū)域的寬度為W、高度為H，如果WXH能夠被uXu整除，則將該方形區(qū)域定義為當(dāng)前 灰度圖像，然后直接將當(dāng)前灰度圖像劃分成^個(gè)互不重疊的尺寸大小為uXu的子塊； UXU 如果WXH不能夠被uXu整除，則擴(kuò)展該方形區(qū)域使其尺寸大小能夠被uXu整除，將擴(kuò)展 W'x IP 后的方形區(qū)域定義為當(dāng)前灰度圖像，然后將當(dāng)前灰度圖像劃分成個(gè)互不重疊的尺寸 u.龍： 大小為uXu的子塊，其中，W'和H'對(duì)應(yīng)表示擴(kuò)展后的方形區(qū)域的寬度和高度，W' == W且 Η' >H 或 W' >W 且 H' = = H 或 W' >W 且 H' >H，u 取 4、5 或 6 ;
[0022] (3)采用區(qū)域生長(zhǎng)法對(duì)當(dāng)前灰度圖像進(jìn)行分割，得到當(dāng)前灰度圖像中的多個(gè)初步 病灶區(qū)域；
[0023] (4)將當(dāng)前灰度圖像中當(dāng)前待處理的初步病灶區(qū)域定義為當(dāng)前初步病灶區(qū)域；
[0024] (5)從當(dāng)前灰度圖像中提取出與當(dāng)前初步病灶區(qū)域?qū)?yīng)的所有尺寸大小為uXu 的子塊，按序?qū)Ξ?dāng)前初步病灶區(qū)域?qū)?yīng)的每個(gè)尺寸大小為uXu的子塊進(jìn)行處理，將當(dāng)前待 處理的尺寸大小為uXu的子塊定義為當(dāng)前子塊；
[0025] (6)將當(dāng)前子塊中的所有像素點(diǎn)各自的像素值作為輸入?yún)?shù)輸入非線性優(yōu)化模型 中進(jìn)行優(yōu)化，該非線性優(yōu)化模型為：
[0026]
[0027] 其中：^表示非線性優(yōu)化模型輸出的信噪比，A為固定周期信號(hào)的幅度，f。為固定 at 周期信號(hào)的頻率，t為布朗粒子的運(yùn)動(dòng)時(shí)間，Φ為固定周期信號(hào)的初相位，m、η均為雙穩(wěn)態(tài) 勢(shì)皇實(shí)參數(shù)，g(t)表示非線性優(yōu)化模型的輸入?yún)?shù)，s為布朗粒子的運(yùn)動(dòng)坐標(biāo)，α為噪聲強(qiáng) 度，ξ (t)為均值為0的高斯白噪聲；
[0028] 將當(dāng)前子塊中的所有像素點(diǎn)各自的像素值作為輸入?yún)?shù)輸入非線性優(yōu)化模型中 進(jìn)行優(yōu)化后，非線性優(yōu)化模型輸出當(dāng)前子塊中的所有像素點(diǎn)各自的信噪比，如果當(dāng)前子塊 中的每個(gè)像素點(diǎn)的信噪比與事先存儲(chǔ)于數(shù)據(jù)庫(kù)中的腦腫瘤MRI掃描圖像的灰度圖像中對(duì) 應(yīng)像素點(diǎn)的信噪比的誤差小于10%，則確定當(dāng)前子塊優(yōu)化成功，其中，事先存儲(chǔ)于數(shù)據(jù)庫(kù)中 的腦腫瘤MRI掃描圖像的灰度圖像的尺寸大小與當(dāng)前灰度圖像的尺寸大小相同；
[0029] (7)將下一個(gè)待處理的尺寸大小為uXu的子塊作為當(dāng)前子塊，然后返回步驟（6) 繼續(xù)執(zhí)行，直至當(dāng)前初步病灶區(qū)域?qū)?yīng)的所有尺寸大小為uXu的子塊處理完畢，得到對(duì)應(yīng) 的最終病灶區(qū)域；
[0030] (8)將當(dāng)前灰度圖像中下一個(gè)待處理的初步病灶區(qū)域作為當(dāng)前初步病灶區(qū)域，然 后返回步驟（5)繼續(xù)執(zhí)行，直至當(dāng)前灰度圖像中的所有初步病灶區(qū)域處理完畢，得到當(dāng)前 灰度圖像中的多個(gè)最終病灶區(qū)域，至此完成腦腫瘤MRI掃描圖像的分割。
[0031] 作為優(yōu)選，步驟(6)中事先存儲(chǔ)于數(shù)據(jù)庫(kù)中的腦腫瘤MRI掃描圖像的灰度圖像中 的每個(gè)像素點(diǎn)的信噪比的具體獲取過(guò)程為：
[0032] (6. 1)選取一幅具有明顯病灶的腦腫瘤MRI掃描圖像，然后將該具有明顯病灶的 腦腫瘤MRI掃描圖像轉(zhuǎn)換為灰度圖像；
[0033] (6. 2)定義該灰度圖像的寬度為W、高度為H，如果WXH能夠被uXu整除，則將該 灰度圖像作為待處理灰度圖像，然后直接將待處理灰度圖像劃分成-個(gè)互不重疊的尺 U X U 寸大小為UXu的子塊；如果WXH不能夠被uXu整除，則擴(kuò)展該灰度圖像使其尺寸大小能 夠被uXu整除，將擴(kuò)展后的灰度圖像作為待處理灰度圖像，然后將待處理灰度圖像劃分成 個(gè)互不重疊的尺寸大小為uXu的子塊，其中，W'和H'對(duì)應(yīng)表示擴(kuò)展后的灰度圖像 UXil 的寬度和高度，w' = = W且Η' >H或W' >W且H' = = H或W' >W且Η' >H ;
[0034] (6. 3)手動(dòng)圈定待處理灰度圖像中的每個(gè)病灶區(qū)域；
[0035] (6.4)計(jì)算待處理灰度圖像中的每個(gè)病灶區(qū)域?qū)?yīng)的每個(gè)尺寸大小為uXu的子 塊中的每個(gè)像素點(diǎn)的信噪比。
[0036] 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：本發(fā)明公開(kāi)的使用空間截面投影的腦腫瘤 MRI圖像分割算法，采用基于截面投影的三維Otsu法對(duì)當(dāng)前灰度圖像進(jìn)行初步分割，綜合 考慮了所有像素，提高了像素分割的準(zhǔn)確性，避免了現(xiàn)有分割方法的不足；采用本發(fā)明分割 算法對(duì)腦腫瘤MRI圖像進(jìn)行分割，可獲得最好的分割效果，有利于提高對(duì)腦腫瘤病例判斷 的準(zhǔn)確性；本發(fā)明分割算法對(duì)含不同噪聲類型的腦腫瘤MRI圖像也能取得較好的分割效 果，適用性好；本發(fā)明分割算法的分割精度高、抗噪性強(qiáng)、分割效果好、分割效率高，可應(yīng)用 于噪聲干擾嚴(yán)重及時(shí)間方面要求較高的系統(tǒng)，表現(xiàn)出重要的研究?jī)r(jià)值和廣闊的應(yīng)用前景。
【附圖說(shuō)明】
[0037] 圖1為傳統(tǒng)三維Otsu法的直方圖區(qū)域劃分；
[0038] 圖2為經(jīng)本發(fā)明分割算法分割前的實(shí)施例的腦腫瘤MRI圖像；
[0039] 圖3為經(jīng)本發(fā)明分割算法分割后的實(shí)施例的腦腫瘤MRI圖像。
【具體實(shí)施方式】
[0040] 以下結(jié)合附圖實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。