CN102622749A - 三维磁共振图像脑子结构自动分割的方法 - Google Patents

Abstract

一种三维磁共振图像脑子结构自动分割方法，利用手动图像分割方法获取多个图谱；把多个图谱逐个配准到待分割图像；对待分割图像进行初始分割，并确定需要进一步分割的图像体素；将需要进一步分割的图像体素对应的特定空间领域中所有图谱的体素作为候选训练样本集；从需要进一步分割的图像体素和候选训练样本集中的图像体素提取图像灰度和纹理特征；对每一个需要进一步分割的图像体素在候选训练样本集中寻找其距离最近的K个像素作为训练集，并用支持向量机训练一个分类器对其进行分割。本发明对每个样本提取多种包括灰度和纹理的特征，不要求待分割图像体素与图谱中体素一一对应关系，训练样本个数可以大于图谱个数，使得训练的分类器更鲁棒。

Description

三维磁共振图像脑子结构自动分割的方法

技术领域

本发明涉及医学图像处理技术领域，特别涉及对三维磁共振脑图像进行子结构自动分割的方法。

背景技术

在医学影像的基础和临床研究中，对磁共振脑图像进行分割具有重要的意义。可靠、精确的对脑进行分割被广泛的应用于许多医学影像的应用中，如手术计划制定、疾病病程研究、老年人或年轻人的大脑发展等。脑分割包括对脑组织和脑结构进行分割。在传统研究中，由经过训练的专家对脑磁共振图像手工标定所得到的分割结果是图像分割的金标准。然而这种方法非常耗时，特别是随着数据集的不断增大，此方法变得越来越不可行。另外，手工标定也容易引入个体内和个体间的分割偏差。因此，开发全自动的脑分割算法变得十分必要。尽管为了开发高效、准确的自动分割算法，研究人员付出了不懈的努力，但是由于图像本身的质量以及脑组织和结构在磁共振图像中特有属性的影响，开发精确的，可靠的，全自动的脑分割算法仍然面临着不小的挑战。

近年来，基于图谱的分割方法由于其优越的性能引起了许多研究人员的关注。基于图谱的分割方法的基本思想是利用图像配准的方法把一副经过手工分割的图像(图谱)配准到待分割图像上，然后把经过配准的图像的手工分割结果做为待分割图像的分割结果。此方法的优点是待分割目标的形状信息可以被隐式地包含在配准的过程中。为了弥补基于单个图谱分割方法易受图像配准错误影响的问题，研究人员最近开发了基于多图谱的分割方法，此方法需要提供多个图谱，然后把每个图谱分别配准到待分割图像空间中，最后利用标签融合的办法把多个经过配准的图谱的分割结果进行融合从而获得最终分割结果。在已有工作中，许多研究关注于新的标签融合方法的提出，其中Sabuncu(Sabuncu et al.“A generative model for image segmentation based on label fusion”IEEE Trans Med Imag 29(2010)，pgs.1714-1729)，Artaechevarria(Artaechevarria，et al″Combinat ion strategies in multi-atlasimage segmentation：application to brain MR data，″，IEEE Trans MedImag 28(2009)，pgs.1266-1277)的研究表明，相比其他融合方法，利用图谱图像与待分割图像在局部的相似性作为权重进行标签融合可以获得较优的结果。但是目前标签融合的办法大多依赖于预设的模型，并不能保证此模型是最优的，另外，在融合过程中严格要求待分割图像体素与图谱中体素一一对应，使得用于融合的样本局限于图谱的个数，最后，当前标签融合方法只用到体素的灰度信息，而很多有用的纹理特征可以给融合提供重要的信息。

发明内容

本发明的目的是提供一种对三维磁共振图像进行脑子结构自动分割的方法。

为了实现上述目的，一种三维磁共振图像脑子结构自动分割方法，包括步骤：

利用手动图像分割方法获取多个图谱；

把多个图谱逐个配准到待分割图像；

对待分割图像进行初始分割，并确定需要进一步分割的图像体素；

将需要进一步分割的图像体素对应的特定空间领域中所有图谱的体素作为候选训练样本集；

从需要进一步分割的图像体素和候选训练样本集中的图像体素提取图像灰度和纹理特征；

对每一个需要进一步分割的图像体素在候选训练样本集中寻找其距离最近的K个像素作为训练集，并用支持向量机训练一个分类器对其进行分割。

本发明的方法利用机器学习的方法建立图像信息与标签之间的映射关系，相对于需要预设模型的标签融合方法，我们的方法更优；此外，对图像中待分割的体素和训练集中的每个样本提取了多种包括灰度和纹理的特征，同时由于不要求待分割图像体素可以与图谱中体素一一对应关系，训练样本个数可以大于图谱个数，使得训练的分类器更鲁棒；最后，利用投票的方法对图像中易于分割的体素进行初始分割可以大幅度提高分割的效率。

附图说明

图1是待分割磁共振脑图像和多个包含海马分割的图谱；

图2是本发明的流程图；

图3是对图1中待分割图像进行分割的结果。

具体实施方式

下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是，所描述的实施例仅旨在便于对于本发明的理解，而不起任何限定作用。

本发明是对T1加权像三维磁共振图像进行大脑子结构的自动分割，选取海马子结构的分割作为实例进行说明。如图1所示，图像102，104，106了展示了海马子结构进行分割时所需的输入图像，其中，102为一层T1加权像三维磁共振图像的矢状位视图，104为放大了的包含海马子结构的一层图像，是102中方框中所示的图像，104为一组经过手工海马分割的图谱。

本发明在多图谱分割的框架下提出了一种基于局部标签机器学习的分割方法。利用具有手动分割结果的一组图像作为图谱，首先，把每个图谱配准到待分割图像空间，然后，利用基于投票的方法对待分割图像进行初始分割，最后，对每一个需要进一步分割的体素，选取训练样本集，提取特征并利用基于K近邻的支持向量机训练分类器进行分割。

图2展示了使用本方法进行磁共振图像脑子结构分割的流程。

本发明的输出包括一副待分割的磁共振图像和一组进行过子结构分割的图谱，其中的每个图谱是包括一副图像和一个分割标签，标签是利用手动图像分割方法在图像上进行分割得到的对子结构分割结果。

在步骤202中，多个图谱要逐个与待分割图像进行配准，配准的过程是利用待分割图像与图谱的图像灰度的相似性计算配准场，然后利用得到的配准场作用于图谱的图像和图谱的分割结果从而使其与待分割图像处于同一空间中。其中关于配准的具体实施方法可参阅文献：Klein etal.，“Evaluation of 14 nonlinear deformation algorithms appliedto human brain MRI registration”，Neuroimage 46(2009)，pgs.786-802。

在步骤204中，利用基于投票的图谱融合方法对待分割图像进行初始分割，并确定需要进一步分割的图像体素。假设有N个图谱，L_i表示每一幅配准到待分割图像空间中的图谱的分割图，其中的每个体素x可以取+1或者-1来表示其属于前景(要分割的子结构)或者背景，由于图谱已经配准到待分割图像空间，那么每个图谱的分割结果可以看成是对待分割图像的分割结果的一个投票，这样把多个图谱的分割结果进行平均，就可以得到待分割图像在每个体素位置属于哪一类(背景或前景)的概率，如公式1所示：

$P\left(x\right)=\frac{1}{N}{\mathrm{\Σ}}_i{L}_i\left(x\right),---\left(1\right)$

公式1中的P(x)可以取从-1到+1之间的值，其值越靠近-1或+1则表明体素x属于背景或前景的概率越大。

为了保证初始分割结果的精确性，在本方法只保留获得100％投票的分割结果，计算方法如公式2所示：

$L\left(x\right)=\left\{\begin{array}{cc}P\left(x\right),& P\left(x\right)=\±1\\ 0,& \mathrm{otherwise}\end{array}\right.---\left(2\right)$

L(x)表示待分割图像的一个初始分割结果，可能有三个值±1和0，其中+1或者-1分布表示其属于前景和背景，0表示没有获得分割结果从而需要进一步处理。

步骤206-214循环对L(x)中没有获得分割结果的体素进行分割直到分割完毕。

在步骤206中，判断L(x)是否存在没有获得分割结果的体素，如果存在则执行步骤208，如果不存在则停止循环输出结果。

在步骤208中，选择一个没有获得分割结果的体素x对其进行分割。

在步骤210中，对需要进一步分割的图像体素x，将其对应特定空间领域中所有图谱的体素作为其候选训练样本集。对体素x，在每一个经过配准的图谱中可以找到一个对应位置，依此位置为中心的一个子区域

就是上述所说的“对应特定空间领域”，其中的每个体素都可以作为候选训练样本集。这样在所有的N个图谱中，一共可以找到

个候选训练样本

每一个候选样本包括一个对应的标签值l_i，y∈{+1，-1}和一个特征向量

特征向量

在步骤212中提取。

在步骤212中，对体素x及其候选训练样本集中的图像体素提取图像灰度及纹理特征对上述每一个体素的灰度和纹理特征是从以此体素为中心的子区域中提取的，其中的图像灰度特征包括体素本身和体素领域中的灰度值，纹理特征包括一阶和二阶差分滤波特征，拉普拉斯滤波特征，超平面滤波特征，索贝尔滤波特征和区间差分滤波特征。把对每一个体素，如x，提取得到的特征值拼接起来从而组成一个向量本方法也可以使用其它图像特征。

关于特征提取可参阅文献：Toriwaki，et al.，“Fundamentals ofThree-dimensional Digital Image Processing”(2009).

在步骤214中，基于在步骤212中提取的图像特征，对体素x在所有候选训练样本集中寻找其距离最近的K个像素做为训练集，并用支持向量机(SVM)训练一个分类器对其进行分割，首先，从所有的候选训练样本集中，利用欧氏距离

提取K个与待分割图像的体素x最近邻的样本。为了保证训练样本的均衡性，分别从所有的候选正样本中

提取 $K_{\mathrm{pos}}=\min \{\mathrm{floor}\left(\frac{K}{2}\right),{\mathrm{\Σ}}_{i,y}(1_{i,y}=$ $+1)\}$ 个正样本和从所有的候选负样本中

提取 $K_{\mathrm{neg}}=\min \{\mathrm{floor}\left(\frac{K}{2}\right),{\mathrm{\Σ}}_{i,y}(1_{i,y}=-1)\}$ 个负样本。然后，利用所选取的训练样本，用SVM训练一个分类器，最后把所得到的分类器作用到待分割样本上实现最终分割。

图3给出了使用本发明对图1中所示磁共振脑图像进行大脑海马子结构分割得到的结果。

其中，图像302为包含海马子结构的T1加权像其中蓝色部分为手工分割结果，方法可参考文献Heckemann，(Heckemann，et al“Automaticanatomical brain MRI segmentation combining label propagation anddecision fusion”，Neuroimage，33(2006)，pgs.115-126)；

图像304为利用基于投票标签融合方法获得的分割结果，方法可参考文献Artaechevarria(Artaechevarria，et al″Combinationstrategies in multi-atlas image segmentation：application tobrain MR data，″，IEEE Trans Med Imag 28(2009)，pgs.1266-1277)；

图像306为基于局部相似性加权的标签融合方法得到的分割结果，方法可参考文献Artaechevarria(Artaechevarria，et al″Combinationstrategies in multi-atlas image segmentation：application tobrain MR data，″，IEEE Trans Med Imag 28(2009)，pgs.1266-1277)；

图像308为使用本方法得到的最终分割结果。

为便于比较三种方法的，图310-312分别展示了每一组自动分割结果与手动分割结果交叠的结果，其中海马区域中浅灰色部分为自动分割与手动分割一致的区域，深色部分为自动分割与手动分割不一致的区域。

图310中的自动分割方法为基于投票的标签融合方法，图312中的自动分割方法为基于局部相似性加权的标签融合方法，图314中的自动分割方法为本方法。从图中可以看出与其他方法相比，我们的方法与手工分割的结果更一致。

以上所述仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所披露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.一种三维磁共振图像脑子结构自动分割方法，包括步骤：

利用手动图像分割方法获取多个图谱；

把多个图谱逐个配准到待分割图像；

对待分割图像进行初始分割，并确定需要进一步分割的图像体素；

将需要进一步分割的图像体素对应的特定空间领域中所有图谱的体素作为候选训练样本集；

从需要进一步分割的图像体素和候选训练样本集中的图像体素提取图像灰度和纹理特征；

对每一个需要进一步分割的图像体素在候选训练样本集中寻找其距离最近的K个像素作为训练集，并用支持向量机训练一个分类器对其进行分割。

2.按权利要求1所述的方法，其特征在于所述图谱包括图像和分割标签。

3.按权利要求1所述的方法，其特征在于所述把多个图谱逐个配准到待分割图像包括：

利用待分割图像与图谱的图像灰度的相似性计算配准场；

将配准场作用于图谱的图像和图谱的分割结果，使图谱与待分割图像处于同一空间。

4.按权利要求3所述的方法，其特征在于所述配准包括：

根据图谱与待分割图像的灰度相似性进行配准，其中，灰度相似性是灰度之间的欧式距离，或者灰度之间的相关性。

5.按权利要求1所述的方法，其特征在于按下式对待分割图像进行初始分割：

$P\left(x\right)=\frac{1}{N}{\mathrm{\Σ}}_i{L}_i\left(x\right)$

其中，N表示图谱的数量，L_i表示每一幅配准到待分割图像空间中的图谱的分割图，P(x)可以取从-1到+1之间的值，其值越靠近-1或+1则表明体素x属于背景或前景的概率越大。

6.按权利要求5所述的方法，其特征在于：

将具有100％确定性概率值的体素分割结果作为初始分割结果，对其它不具有100％确定性概率值的体素将进行进一步的分割。

7.按权利要求1所述的方法，其特征在于所述将需要进一步分割的图像体素对应的特定空间领域中所有图谱的体素作为候选训练样本集包括：

对于每一个需要进一步进行分割的体素，在每一个经过配准的图谱中找到一个对应位置，其中的每个体素都作为候选训练样本集。

8.按权利要求1所述的方法，其特征在于所述对需要进一步分割的图像体素和候选训练样本集中的图像体素提取图像灰度及纹理特征包括：

对每一个体素的灰度和纹理特征是从以此体素为中心的子区域中提取的。

9.按权利要求1所述的方法，其特征在于所述图像灰度特征包括体素本身和体素领域中的灰度值，纹理特征包括一阶和二阶差分滤波特征、拉普拉斯滤波特征、超平面滤波特征、索贝尔滤波特征和区间差分滤波特征。

10.按权利要求1所述的方法，其特征在于所述对每一个需要进一步分割的图像体素在候选训练样本集中寻找其距离最近的K个像素作为训练集包括：

利用提取出的图像灰度和纹理特征，计算待分割图像体素与候选训练样本集中体素的距离，在保证正负样本的均衡性的基础上提取K个训练样本。

Images