CN105139410A - 使用空间截面投影的脑肿瘤mri图像分割算法 - Google Patents

Abstract

本发明公开了一种使用空间截面投影的脑肿瘤MRI图像分割算法，采用基于截面投影的三维Otsu法对当前灰度图像进行初步分割，综合考虑了所有像素，提高了像素分割的准确性，避免了现有分割方法的不足；采用本发明分割算法对脑肿瘤MRI图像进行分割，可获得最好的分割效果，有利于提高对脑肿瘤病例判断的准确性；本发明分割算法对含不同噪声类型的脑肿瘤MRI图像也能取得较好的分割效果，适用性好；本发明分割算法的分割精度高、抗噪性强、分割效果好、分割效率高，可应用于噪声干扰严重及时间方面要求较高的系统，表现出重要的研究价值和广阔的应用前景。

Description

使用空间截面投影的脑肿瘤MRI图像分割算法

技术领域

本发明属于图像处理领域，具体涉及一种使用空间截面投影的脑肿瘤MRI(MagneticResonanceImaging，磁共振成像)图像分割算法。

背景技术

图像分割是计算机视觉领域内的一项关键技术，在图像处理与分析间起着重要的桥梁作用。在众多的分割方法中，阈值分割法因其简单、有效而被广泛应用于图像处理领域。常用的阈值法主要有最大类间方差法(简称Otsu法)、最大熵法、最小交叉熵法等。其中日本学者大津展之提出的Otsu法因有模式识别的相关理论为基础且图像分割性能良好，而逐渐成为一种最为流行的阈值分割技术。由于一维Otsu法仅考虑了像素的灰度信息而没考虑像素间的空间相关性，故当图像包含噪声时，一维Otsu法的分割效果不佳。对此，刘健庄等提出了二维Otsu法，该方法同时考虑了像素的灰度信息和其邻域的空间相关性，改善了一维Otsu法的抗噪性。景晓军等在二维Otsu法的基础上进一步引入了邻域中值灰度，并由此提出了三维Otsu法，该算法能更好地对低信噪比图像进行分割。

传统三维Otsu法对图像进行分割的过程：

对于尺寸为M×N，灰度级为L的图像，设像素(x,y)的灰度值为f(x,y)，则该像素K×K邻域的均值灰度g(x,y)和中值灰度h(x,y)可分别定义如下：

$g(x,y)=\frac{1}{k^2}\underset{m=-k/2}{\overset{k/2}{\Σ}}\underset{n=-k/2}{\overset{k/2}{\Σ}}f(x+m,y+n)---\left(1\right)$

h(x,y)＝med{f(x+m,y+n),

m＝-k/2,…,k/2；n＝-k/2,…,k/2}(2)

由g(x,y)及h(x,y)的定义可知，像素的邻域均值灰度和邻域中值灰度的灰度级也为L。定义f(x,y)、g(x,y)、h(x,y)形成的三元组(i,j,k)为一个三维直方图，则该直方图定义在一大小为L×L×L的正方体区域内，其3个坐标分别表示像素的灰度值、邻域均值灰度值和邻域中值灰度值。直方图中任一点的值记为p_ijk，p_ijk定义为

$p_{ijk}=\frac{c_{ijk}}{M\×N}---\left(3\right)$

其中，c_ijk为(i,j,k)出现的频数，0≤i,j,k≤L-1，且

传统三维Otsu法将直方图划分成如图1所示的8个区域。因目标和背景内部的像素间存在很强的相关性，故像素的灰度值、邻域均值灰度、邻域中值灰度三者非常接近；而位于目标与背景边界附近的像素，上述3个数值存在明显差异。基于上述认识，传统三维Otsu法分别将区域0、区域1视为目标和背景，而将区域2～7视为边缘和噪声。由于边界附近的像素数通常很少，故传统Otsu法假设区域2～7上的所有p_ijk≈0。传统三维Otsu法采用如下的距离测度函数确定最佳阈值

$t_r{\mathrm{\σ}}_B(s,t,q)=\frac{{\[w_0(s,t,q){\mathrm{\μ}}_{Ti}-{\mathrm{\μ}}_i(s,t,q)\]}^2}{w_0(s,t,q)(1-w_0(s,t,q))}+\frac{{\[w_0(s,t,q){\mathrm{\μ}}_{Tj}-{\mathrm{\μ}}_j(s,t,q)\]}^2}{w_0(s,t,q)(1-w_0(s,t,q))}+\frac{{\[w_0(s,t,q){\mathrm{\μ}}_{Tk}-{\mathrm{\μ}}_k(s,t,q)\]}^2}{w_0(s,t,q)(1-w_0(s,t,q))}---\left(4\right)$

其中，w₀(s,t,q)、μ_Ti、μ_Tj、μ_Tk、μ_i(s,t,q)、μ_j(s,t,q)、μ_k(s,t,q)的含义及计算方式见文献。

使得式(4)取得最大值的阈值(s₀,t₀,q₀)即为最佳阈值，即

$(s_0,t_0,q_0)=Arg\underset{0\≤q\≤L-1}{\underset{0\≤t\≤L-1}{\underset{0\≤s\≤L-1}{\max }}}{t}_r{\mathrm{\σ}}_B(s,t,q)---\left(5\right)$

传统三维Otsu法虽然增强了二维Otsu法的抗噪性，但是仍然存在以下几点不足：1)与二维Otsu法类似，仅考虑了主对角线附近0、1两个区域，而假设区域2～7中的概率为0，这与实际不符，往往造成分割不准确；2)阈值维数的增加虽能改善分割效果，但却严重影响了分割效率；3)由式(4)可知，三维Otsu法的计算公式较为复杂，难以扩展到多阈值的情况；4)三维Otsu法的抗噪性仍不足，有待进一步增强。尽管传统三维Otsu法忽略了区域2～7中的噪声，但是区域0、1中通常也包含噪声，而传统三维Otsu法并未对其做进一步处理，从而影响了分割效果。可见，传统三维Otsu法虽然同时考虑了邻域均值和灰度中值灰度，但是分割效率低、抗噪性不足，故有必要对其进行改进以提高分割效率、增强抗噪性；此外，由于未对目标和背景区域的噪声进行任何处理，当噪声干扰严重时，三维Otsu的分割效果仍不够理想。

范九伦等提出的快速递推法虽提高了分割效率，但要以消耗大量的额外空间为代价。Puthipon提出的等效三维Otsu法虽提高了分割效率且无需额外的空间消耗，但因按照传统的三维直方图划分方式，仅考虑对角线附近的2个长方体区域而忽略了其他区域，往往造成分割不准确。基于截面投影的三维Otsu法是现有的对传统三维Otsu法的改进方法，以截面投影直方图为基础建立，虽然该方法考虑了整个直方图区域，避免了传统三维Otsu法近似假设造成的不合理性，但是该方法的分割精度和分割效果仍有待提高。

发明内容

本发明所要解决的技术问题是：针对现有技术的不足，提供一种对图像分割精度高、抗噪性强、分割效果好、分割效率高的使用空间截面投影的脑肿瘤MRI图像分割算法。

本发明解决上述技术问题所采用的技术方案为：使用空间截面投影的脑肿瘤MRI图像分割算法，包括以下步骤：

(1)获取一幅来源于脑部的MRI扫描设备的待分割的脑肿瘤MRI扫描图像，然后将该待分割的脑肿瘤MRI扫描图像转换成灰度图像，再采用基于截面投影的三维Otsu法对灰度图像进行分析，得到初始感兴趣的轮廓{A1,A2,A3,…,An}，其中A1,A2,A3,…,An定义为构成初始感兴趣的轮廓的所有轮廓点；

(2)根据初始感兴趣的轮廓{A1,A2,A3,…,An}经包络得到灰度图像中的感兴趣区域，根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域，定义该方形区域的宽度为W、高度为H，如果W×H能够被u×u整除，则将该方形区域定义为当前灰度图像，然后直接将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块；如果W×H不能够被u×u整除，则扩展该方形区域使其尺寸大小能够被u×u整除，将扩展后的方形区域定义为当前灰度图像，然后将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块，其中，W'和H'对应表示扩展后的方形区域的宽度和高度，W'＝＝W且H'>H或W'>W且H'＝＝H或W'>W且H'>H，u取4、5或6；

(3)采用区域生长法对当前灰度图像进行分割，得到当前灰度图像中的多个初步病灶区域；

(4)将当前灰度图像中当前待处理的初步病灶区域定义为当前初步病灶区域；

(5)从当前灰度图像中提取出与当前初步病灶区域对应的所有尺寸大小为u×u的子块，按序对当前初步病灶区域对应的每个尺寸大小为u×u的子块进行处理，将当前待处理的尺寸大小为u×u的子块定义为当前子块；

(6)将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化，该非线性优化模型为：

$\frac{ds}{dt}=A\×sin(2\mathrm{\π}\×f_0\×t+\mathrm{\ψ})+m\×g\left(t\right)+n\×s-m\×s^3+\sqrt{2\mathrm{\α}}\×\mathrm{\ξ}\left(t\right)$

其中：表示非线性优化模型输出的信噪比，A为固定周期信号的幅度，f₀为固定周期信号的频率，t为布朗粒子的运动时间，ψ为固定周期信号的初相位，m、n均为双稳态势垒实参数，g(t)表示非线性优化模型的输入参数，s为布朗粒子的运动坐标，α为噪声强度，ξ(t)为均值为0的高斯白噪声；

将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化后，非线性优化模型输出当前子块中的所有像素点各自的信噪比，如果当前子块中的每个像素点的信噪比与事先存储于数据库中的脑肿瘤MRI扫描图像的灰度图像中对应像素点的信噪比的误差小于10％，则确定当前子块优化成功，其中，事先存储于数据库中的脑肿瘤MRI扫描图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同；

(7)将下一个待处理的尺寸大小为u×u的子块作为当前子块，然后返回步骤(6)继续执行，直至当前初步病灶区域对应的所有尺寸大小为u×u的子块处理完毕，得到对应的最终病灶区域；

(8)将当前灰度图像中下一个待处理的初步病灶区域作为当前初步病灶区域，然后返回步骤(5)继续执行，直至当前灰度图像中的所有初步病灶区域处理完毕，得到当前灰度图像中的多个最终病灶区域，至此完成脑肿瘤MRI扫描图像的分割。

作为优选，步骤(6)中事先存储于数据库中的脑肿瘤MRI扫描图像的灰度图像中的每个像素点的信噪比的具体获取过程为：

(6.1)选取一幅具有明显病灶的脑肿瘤MRI扫描图像，然后将该具有明显病灶的脑肿瘤MRI扫描图像转换为灰度图像；

(6.2)定义该灰度图像的宽度为W、高度为H，如果W×H能够被u×u整除，则将该灰度图像作为待处理灰度图像，然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块；如果W×H不能够被u×u整除，则扩展该灰度图像使其尺寸大小能够被u×u整除，将扩展后的灰度图像作为待处理灰度图像，然后将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块，其中，W'和H'对应表示扩展后的灰度图像的宽度和高度，W'＝＝W且H'>H或W'>W且H'＝＝H或W'>W且H'>H；

(6.3)手动圈定待处理灰度图像中的每个病灶区域；

(6.4)计算待处理灰度图像中的每个病灶区域对应的每个尺寸大小为u×u的子块中的每个像素点的信噪比。

与现有技术相比，本发明的优点在于：本发明公开的使用空间截面投影的脑肿瘤MRI图像分割算法，采用基于截面投影的三维Otsu法对当前灰度图像进行初步分割，综合考虑了所有像素，提高了像素分割的准确性，避免了现有分割方法的不足；采用本发明分割算法对脑肿瘤MRI图像进行分割，可获得最好的分割效果，有利于提高对脑肿瘤病例判断的准确性；本发明分割算法对含不同噪声类型的脑肿瘤MRI图像也能取得较好的分割效果，适用性好；本发明分割算法的分割精度高、抗噪性强、分割效果好、分割效率高，可应用于噪声干扰严重及时间方面要求较高的系统，表现出重要的研究价值和广阔的应用前景。

附图说明

图1为传统三维Otsu法的直方图区域划分；

图2为经本发明分割算法分割前的实施例的脑肿瘤MRI图像；

图3为经本发明分割算法分割后的实施例的脑肿瘤MRI图像。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

对于图2所示的脑肿瘤MRI图像，采用本发明的使用空间截面投影的脑肿瘤MRI图像分割算法进行分割，包括以下步骤：

(1)获取图2所示的脑肿瘤MRI图像的扫描图像，然后将该扫描图像转换成灰度图像，再采用基于截面投影的三维Otsu法对灰度图像进行分析，得到初始感兴趣的轮廓{A1,A2,A3,…,An}，其中A1,A2,A3,…,An定义为构成初始感兴趣的轮廓的所有轮廓点；

(2)根据初始感兴趣的轮廓{A1,A2,A3,…,An}经包络得到灰度图像中的感兴趣区域，根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域，定义该方形区域的宽度为W、高度为H，如果W×H能够被5×5整除，则将该方形区域定义为当前灰度图像，然后直接将当前灰度图像划分成个互不重叠的尺寸大小为5×5的子块；如果W×H不能够被5×5整除，则扩展该方形区域使其尺寸大小能够被5×5整除，将扩展后的方形区域定义为当前灰度图像，然后将当前灰度图像划分成个互不重叠的尺寸大小为5×5的子块，其中，W'和H'对应表示扩展后的方形区域的宽度和高度，W'＝＝W且H'>H或W'>W且H'＝＝H或W'>W且H'>H；

(3)采用区域生长法对当前灰度图像进行分割，得到当前灰度图像中的多个初步病灶区域；

(4)将当前灰度图像中当前待处理的初步病灶区域定义为当前初步病灶区域；

(5)从当前灰度图像中提取出与当前初步病灶区域对应的所有尺寸大小为5×5的子块，按序对当前初步病灶区域对应的每个尺寸大小为5×5的子块进行处理，将当前待处理的尺寸大小为5×5的子块定义为当前子块；

(6)将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化，该非线性优化模型为：

$\frac{ds}{dt}=A\×sin(2\mathrm{\π}\×f_0\×t+\mathrm{\ψ})+m\×g\left(t\right)+n\×s-m\×s^3+\sqrt{2\mathrm{\α}}\×\mathrm{\ξ}\left(t\right)$

其中：表示非线性优化模型输出的信噪比，A为固定周期信号的幅度，f₀为固定周期信号的频率，t为布朗粒子的运动时间，ψ为固定周期信号的初相位，m、n均为双稳态势垒实参数，g(t)表示非线性优化模型的输入参数，s为布朗粒子的运动坐标，α为噪声强度，ξ(t)为均值为0的高斯白噪声；

将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化后，非线性优化模型输出当前子块中的所有像素点各自的信噪比，如果当前子块中的每个像素点的信噪比与事先存储于数据库中的脑肿瘤MRI扫描图像的灰度图像中对应像素点的信噪比的误差小于10％，则确定当前子块优化成功，其中，事先存储于数据库中的脑肿瘤MRI扫描图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同；

(7)将下一个待处理的尺寸大小为5×5的子块作为当前子块，然后返回步骤(6)继续执行，直至当前初步病灶区域对应的所有尺寸大小为5×5的子块处理完毕，得到对应的最终病灶区域；

(8)将当前灰度图像中下一个待处理的初步病灶区域作为当前初步病灶区域，然后返回步骤(5)继续执行，直至当前灰度图像中的所有初步病灶区域处理完毕，得到当前灰度图像中的多个最终病灶区域，至此完成脑肿瘤MRI扫描图像的分割。

以上实施例的步骤(6)中，事先存储于数据库中的脑肿瘤MRI扫描图像的灰度图像中的每个像素点的信噪比的具体获取过程为：

(6.1)选取一幅来源于核磁共振诊断设备的具有明显病灶的脑肿瘤MRI图像的扫描图像，然后将该扫描图像转换为灰度图像；

(6.2)定义该灰度图像的宽度为W、高度为H，如果W×H能够被5×5整除，则将该灰度图像作为待处理灰度图像，然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为5×5的子块；如果W×H不能够被5×5整除，则扩展该灰度图像使其尺寸大小能够被5×5整除，将扩展后的灰度图像作为待处理灰度图像，然后将待处理灰度图像划分成个互不重叠的尺寸大小为5×5的子块，其中，W'和H'对应表示扩展后的灰度图像的宽度和高度，W'＝＝W且H'>H或W'>W且H'＝＝H或W'>W且H'>H；

(6.3)手动圈定待处理灰度图像中的每个病灶区域；

(6.4)计算待处理灰度图像中的每个病灶区域对应的每个尺寸大小为5×5的子块中的每个像素点的信噪比。

本发明分割算法中，用到的基于截面投影的三维Otsu法、区域生长法以及扩展灰度图像的方法均采用现有技术。例如，基于截面投影的三维Otsu法可以参考“基于空间截面投影的Otsu图像分割算法”，范朝冬等，通信学报，第35卷第5期，2014年5月。

对于图2，非线性优化模型的具体参数选择为：保持固定周期信号的幅度A＝4、固定周期信号的频率f₀＝1Hz、固定周期信号的初相位ψ＝0不变，并使得噪声强度α取值范围为[0,400]，此时令双稳态势垒实参数n＝1，并使双稳态势垒实参数m在[1,10]之内进行步进为0.1的变化，同时监控系统输出信噪比，当输出信噪比曲线产生特征峰并且峰值为最大值时，即可以确定m＝6.5，此时各项参数为最优化选择。

利用本发明分割算法并结合上述具体参数对图2进行分割，分割后的图像见图3。从图3可以明显看出，经本发明算法分割后，图2中的脑肿瘤MRI图像得到有效分割，分割效果好、分割效率高，有利于提高对脑肿瘤病例判断的准确性。

Claims (2)

1.使用空间截面投影的脑肿瘤MRI图像分割算法，其特征在于，包括以下步骤：

(1)获取一幅来源于脑部的MRI扫描设备的待分割的脑肿瘤MRI扫描图像，然后将该待分割的脑肿瘤MRI扫描图像转换成灰度图像，再采用基于截面投影的三维Otsu法对灰度图像进行分析，得到初始感兴趣的轮廓{A1,A2,A3,…,An}，其中A1,A2,A3,…,An定义为构成初始感兴趣的轮廓的所有轮廓点；

(2)根据初始感兴趣的轮廓{A1,A2,A3,…,An}经包络得到灰度图像中的感兴趣区域，根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域，定义该方形区域的宽度为W、高度为H，如果W×H能够被u×u整除，则将该方形区域定义为当前灰度图像，然后直接将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块；如果W×H不能够被u×u整除，则扩展该方形区域使其尺寸大小能够被u×u整除，将扩展后的方形区域定义为当前灰度图像，然后将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块，其中，W'和H'对应表示扩展后的方形区域的宽度和高度，W'＝＝W且H'>H或W'>W且H'＝＝H或W'>W且H'>H，u取4、5或6；

(3)采用区域生长法对当前灰度图像进行分割，得到当前灰度图像中的多个初步病灶区域；

(4)将当前灰度图像中当前待处理的初步病灶区域定义为当前初步病灶区域；

(5)从当前灰度图像中提取出与当前初步病灶区域对应的所有尺寸大小为u×u的子块，按序对当前初步病灶区域对应的每个尺寸大小为u×u的子块进行处理，将当前待处理的尺寸大小为u×u的子块定义为当前子块；

(6)将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化，该非线性优化模型为：

$\frac{ds}{dt}=A\×sin(2\mathrm{\π}\×f_0\×t+\mathrm{\ψ})+m\×g\left(t\right)+n\×s-m\×s^3+\sqrt{2\mathrm{\α}}\×\mathrm{\ξ}\left(t\right)$

其中：表示非线性优化模型输出的信噪比，A为固定周期信号的幅度，f₀为固定周期信号的频率，t为布朗粒子的运动时间，ψ为固定周期信号的初相位，m、n均为双稳态势垒实参数，g(t)表示非线性优化模型的输入参数，s为布朗粒子的运动坐标，α为噪声强度，ξ(t)为均值为0的高斯白噪声；

将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化后，非线性优化模型输出当前子块中的所有像素点各自的信噪比，如果当前子块中的每个像素点的信噪比与事先存储于数据库中的脑肿瘤MRI扫描图像的灰度图像中对应像素点的信噪比的误差小于10％，则确定当前子块优化成功，其中，事先存储于数据库中的脑肿瘤MRI扫描图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同；

(7)将下一个待处理的尺寸大小为u×u的子块作为当前子块，然后返回步骤(6)继续执行，直至当前初步病灶区域对应的所有尺寸大小为u×u的子块处理完毕，得到对应的最终病灶区域；

(8)将当前灰度图像中下一个待处理的初步病灶区域作为当前初步病灶区域，然后返回步骤(5)继续执行，直至当前灰度图像中的所有初步病灶区域处理完毕，得到当前灰度图像中的多个最终病灶区域，至此完成脑肿瘤MRI扫描图像的分割。

2.根据权利要求1所述的使用空间截面投影的脑肿瘤MRI图像分割算法，其特征在于：步骤(6)中事先存储于数据库中的脑肿瘤MRI扫描图像的灰度图像中的每个像素点的信噪比的具体获取过程为：

(6.1)选取一幅具有明显病灶的脑肿瘤MRI扫描图像，然后将该具有明显病灶的脑肿瘤MRI扫描图像转换为灰度图像；

(6.2)定义该灰度图像的宽度为W、高度为H，如果W×H能够被u×u整除，则将该灰度图像作为待处理灰度图像，然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块；如果W×H不能够被u×u整除，则扩展该灰度图像使其尺寸大小能够被u×u整除，将扩展后的灰度图像作为待处理灰度图像，然后将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块，其中，W'和H'对应表示扩展后的灰度图像的宽度和高度，W'＝＝W且H'>H或W'>W且H'＝＝H或W'>W且H'>H；

(6.3)手动圈定待处理灰度图像中的每个病灶区域；

(6.4)计算待处理灰度图像中的每个病灶区域对应的每个尺寸大小为u×u的子块中的每个像素点的信噪比。