CN109671054A - 多模态脑肿瘤mri的无监督分割方法 - Google Patents

Abstract

本发明涉及医学图像分析技术领域，且公开了一种多模态脑肿瘤MRI的无监督分割方法，包括以下步骤：1)输入肿瘤患者的不同模态图像，包括T2加权、Flair和T1增强图像，对输入的图像进行灰度值归一化；2)提取脑部区域像素点在T2和Flair图像上的特征，利用聚类融合方法对像素点分类，从若干类中自动识别出肿瘤所属类别。该多模态脑肿瘤MRI的无监督分割方法，充分利用了不同MRI模态的成像特点，结合不同模态的信息和邻域信息，提高分割的准确度，使用无监督的分割方法，既不需要大量的有标注数据，也不需要长时间的训练时间和复杂的计算，方便了大量的工作，有效地提升了分隔的准确率，实现了算法实施简单、高效以及运算速度快的目的。

Description

多模态脑肿瘤MRI的无监督分割方法

技术领域

本发明涉及医学图像分析领域技术领域，具体为一种多模态脑肿瘤MRI的无监督分割方法，在脑肿瘤识别、脑肿瘤分类和脑肿瘤生长预测等领域具有重要作用。

背景技术

脑肿瘤是由于局部组织不可控的细胞增殖形成的一种异常组织，据统计资料显示，脑肿瘤发病率日益增高，愈发威胁着人们的健康，在临床上脑肿瘤及其样变形式多样，限制了脑肿瘤的早期诊断和治疗，随着医学影像技术的发展，核磁共振成像(MRI)成为诊断脑肿瘤疾病的主要方法之一，脑肿瘤MRI图像分割具有重要的意义，根据脑肿瘤分割的精确结果，医生可以获得肿瘤的形态、大小和位置等信息，用于辅助手术导航和放射靶区定位等，肿瘤分割结果除了直接应用于临床，也可计算机辅助结合其他数据进行更加深入的分析，结合多时间点的分割结果可用于肿瘤生长预测，结合患者其他生理信息可判断肿瘤类别，结合已接受治疗患者的预后大数据可帮助医生为每位患者制定个性化的治疗方案。

实现自动脑肿瘤MRI图像分割具有一定的技术难度，主要体现在以下方面：(1)胶质瘤个体差异大，可能会出现在大脑的任何位置，其形状、结构和大小各不相同，(2)部分胶质瘤，显弥漫和浸润性生长，在图像中表现为肿瘤部位和周围脑组边界模糊，(3)脑组织的结构复杂，正常的脑组织包括灰质、白质、脑室和脑脊液等，病变组织包括肿瘤和水肿区域，其中肿瘤又包括坏死区、增强区和非增强区，现在主要的分割方法有基于阈值的分割方法，这种方法会设置一个或者多个阈值，将像素点的灰度值与阈值相比较从而确定像素点的类别，这种方法不能充分利用图像的信息，基于区域的分割例如活动轮廓法，初始化一个封闭曲线根据灰度值变化拟合实际的肿瘤边界，但是由于肿瘤的类型多样边界处灰度值梯度大小不同，不能准确定义截止条件，基于深度学习的分割方法，将数据划分为训练集和测试集，用训练集生成模型用过测试集评估准确度，这种方法需要大量的标记数据，由于上文提到的原因标记数据非常稀少，基于聚类的分割方法是一种无监督的图像分割方法，以像素点为样本根据其特征分为若干的类，相同类中的样本相比于其他样本具有更高的相似度，本发明即是基于聚类方法的脑肿瘤MRI图像分割。

目前脑肿瘤的分割主要依靠经验丰富的医学专家，结合自身解剖学和病理学知识使用辅助软件手动标记属于脑肿瘤的像素点，手动分割方法存在很多问题，首先，专家们的分割结果严重依赖于自身先验知识和经验积累，不同专家对同一患者的分割结果具有差异，具有主观性，其次，每位专家完成一位患者的图像的标注需要大约四个小时，耗时耗力且实时性差，随着患者数量的逐年增加并且医生数量紧缺，为每位患者人工分割MRI图像难以实现，医生和患者急需一种能够准确高效的利用计算机自动分割脑肿瘤MRI图像的方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种模态脑肿瘤MRI的无监督分割方法，具备能提高分割的准确度，提高运算速度，使算法实施简单且高效等优点，解决了现有的脑肿瘤MRI图像分割方法中人工方法耗时耗力，有监督的分割方法需要大量的标记数据和很长的模型训练时间的问题。

(二)技术方案

为实现上述能提高分割的准确度，提高运算速度，使算法实施简单且高效的目的，本发明提供如下技术方案：一种多模态脑肿瘤MRI的无监督分割方法，包括以下步骤：

1)输入肿瘤患者的不同模态图像，包括T2加权、Flair和T1增强图像，对输入的图像进行灰度值归一化；

2)提取脑部区域像素点在T2和Flair图像上的特征，利用聚类融合方法对像素点分类，从若干类中自动识别出肿瘤所属类别；

3)提取这些像素点在T1增强图像上的特征，用Kmeans方法聚为2类；

4)从2类中自动识别肿瘤和水肿所属类别，使用一系列形态学的后处理，除去错误分类的像素点，精确提取病变区。

优选的，将图像灰度范围统一线性归一化为0至255的范围，提取脑部区域的像素点作为样本，以每个像素点及其周围相邻的8个像素点分别在T2加权和Flair图像上的灰度值作为特征，即每个像素点用18维特征描述，如此便组成了N×p的样本空间S，其中N为待聚类的像素点数，p为特征维数。

优选的，步骤2)中聚类融合方法的进一步具体细化如下：

(2.1)输入样本空间S，样本为N个像素点，根据T2加权和Flair图像特点，病变区域在两图中均显高亮度，白质在两图中均显较低亮度，灰质和脑室在T2加权图中显高亮度而在Flair图中显低亮度，故设置k均值算法初始聚类数k＝3，从N个样本中随机选取k个类簇的聚类中心计算每个样本到聚类中心的平方欧氏距离：

(2.2)将每个样本划分到距离值最小的聚类中心的类簇中，计算每个类簇中样本的平均值，作为新的聚类中心：

(2.3)其中表示第t次迭代聚类中心的第k个类簇，表示第k个类簇中样本的个数，这里的求和是指类簇中所有元素在每列属性上的和，是一个p维向量，表示为：

c_k＝(c_k,1,c_k,2,…,,c_k,p) (3)

(2.4)如此循环迭代，直至t＝T时停止迭代，得到k个最终聚类中心 计算n个样本与k个聚类中心的距离，得到大小为n×k的距离矩阵D_sqe，元素表示i个样本到j个聚类中心的距离，其中i＝1,…,n，j＝1,…,k，第一次聚类中k＝3，将样本分为3类，将(1)式平方欧氏距离换为余弦距离：

(2.5)重复上述算法T次迭代得到距离矩阵D_cos，再将平方欧氏距离换为城市街区距离：

(2.6)j为x和的第j维，重复上述算法T次迭代得到距离矩阵D_cb，将D_sqe，D_cos，D_cb中相应类别编号对应，将用三种距离聚类的样本定位至原图中的像素点，由此分别获得三种矩阵对应的三个聚类结果图，首先，k类像素点中在Flair图像上平均灰度值最大的一类，记为类别1，距离矩阵的第1行表示类别1的聚类中心，接下来，计算剩余聚类中心与第一类聚类中心的距离，按照距离由小到大的顺序，分别记为类别2到类别k，对应于距离矩阵的第二至第k列，最后，得到了列换序后的矩阵D_sqe ^*，D_cos ^*，D_cb ^*，对三个距离矩阵各个元素求和得到D_add：

D_add＝D_sqe ^*+D_cos ^*+D_cb ^* (6)

将样本x归为与其距离最小的聚类中心的类别，从k类中自动识别病变区所属类别，将k个像素点类簇映射到Flair图像上，计算每个类簇中的像素点在Flair图像上灰度值的平均值，判断平均值最大的类簇为包含病变区的类别，提取此类簇像素点，其余像素点灰度值归零，通过一系列形态学操作，精确病变区范围。

优选的，步骤3)中Kmeans方法的进一步具体细化如下：

(3.1)肿瘤区和水肿区在T1图像中均为低亮度，在T2图像中均为高亮度，在Flair图像中也难以区分，由先验知识，具有增强核心的肿瘤，其增强区域通常包围在坏死区外侧，即增强核心位于肿瘤区边界，而增强核心在T1增强图像上具有高亮度其他区域低亮度的特征，使用T1增强能够很好的识别增强核心从而描绘肿瘤区的边界，以病变区N_l个像素点为样本，以每个像素点及其周围26个邻域像素点在T1增强图像中的灰度值，拼成N_l×p_l的样本空间S_l，其中p＝27为特征维数；

(3.2)输入样本空间S_l，设置Kmeans算法初始聚类数k_l＝2，从N_l个样本中随机选取k_l个类簇的聚类中心计算每个样本到聚类中心的平方欧氏距离：

(3.3)将每个样本划分到距离值最小的聚类中心的类簇中，计算每个类簇中样本的平均值，作为新的聚类中心：

(3.4)其中表示第t次迭代聚类中心的第k个类簇，表示第k个类簇中样本的个数，这里的求和是指类簇中所有元素在每列属性上的和，是一个p维向量，表示为：

如此循环迭代，直至t＝T时停止迭代，得到k_l个最终聚类中心 计算n个样本与k_l个聚类中心的距离，得到大小为N_l×k_l的距离矩阵D_sqe，元素表示i个样本到j个聚类中心的距离，其中i＝1,…,N_l，j＝1,…,k_l。第二次聚类中k_l＝2，将病灶区分为两类。

优选的，步骤4)中识别水肿区和肿瘤区类别的进一步具体细化如下：

(4.1)上一步中将图像像素点分为了k个未知特定含义的类簇，本发明结合MRI的先验知识，自动识别肿瘤所属类簇，T1增强图像中，只有肿瘤区中增强核心显高亮度，病变区的其他部分均显低信号，增强核心属于肿瘤区，所以肿瘤区的像素点的平均灰度值要高于水肿区像素点灰度值的平均值，判断类别的具体方法为：

将2个类簇的像素点映射到T1增强的图像上，计算两个类簇像素点在T1增强图像上的灰度平均值，判断平均值大的类簇为肿瘤区域，判断平均值小的类簇为水肿区域；

(4.2)在实际聚类的过程中，由于肿瘤区域的不均匀性，一些像素点与水肿像素点的相似性更高被误分为水肿的类簇，为提高分割准确度，结合先验知识纠正错误分类的像素点，首先由先验知识，增强核心域通常是包围在坏死核心的外侧的环状区域，近似成为肿瘤区的边界，即所有在增强核心内的像素点一定属于肿瘤区而不是水肿区，其次，肿瘤区和水肿区通常是两个互不相交的单连通区域，综上后处理方法为：

填充环状增强核心使其为单连通区域，从病变区域中除去上一步中得到的单连通区域，填充剩余部分使其成为单连通区域，第一步得到的单连通区域为肿瘤区，第二步得到的单连通区域为水肿区。

(三)有益效果

与现有技术相比，本发明提供了一种多模态脑肿瘤MRI的无监督分割方法，具备以下有益效果：

该多模态脑肿瘤MRI的无监督分割方法，通过充分利用了不同MRI模态的成像特点，结合不同模态的信息和邻域信息，提高分割的准确度，使用无监督的分割方法，既不需要大量的有标注数据，也不需要长时间的训练时间和复杂的计算，方便了大量的工作，有效地提升了分隔的准确率，实现了算法实施简单、高效以及运算速度快的目的。

附图说明

图1是本发明的多模态MRI脑肿瘤图像无监督分割方法的总体流程图；

图2是本发明实施例的示例性流程示意图；

图3是本发明在BRATS2015真实临床数据上的脑肿瘤分割结果示意图。

具体实施方式

本发明以脑肿瘤分割的应用为目标，从分割结果中提取肿瘤特征，用于制定治疗计划、分析肿瘤生长趋势和治疗效果评估。本发明使用无监督的自动分割方法，结合两种模态有效区分病变和正常区域，再使用T1增强图像分割肿瘤区和水肿区，并考虑像素点的邻域像素信息，使各区域边界更精确，在聚类之后融入先验信息进行后处理调整聚类结果，使得分割精度有效提升。

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所示实施例中脑肿瘤的示例性MRI流程图像，采用本发明的多模态脑肿瘤MRI图像的无监督分割方法进行分割，包括以下步骤：

1)输入同一个病人的T2加权和Flair两个模态的图像，由于图像来源于不同的设备，导致图像灰度范围不一致，故将图像灰度范围统一线性归一化为0至255的范围；

2)提取脑部区域像素点在T2和Flair图像上的特征，利用聚类融合方法对像素点分类，从若干类中自动识别出肿瘤所属类别，提取脑部区域的像素点作为样本，以每个像素点及其周围相邻的8个像素点分别在T2加权和Flair图像上的灰度值作为特征，即每个像素点用18维特征描述，如此便组成了N×p的样本空间S，其中N为待聚类的像素点数，p为特征维数，聚类融合方法的进一步具体细化如下：

(2.1)输入样本空间S，样本为N个像素点，根据T2加权和Flair图像特点，病变区域在两图中均显高亮度，白质在两图中均显较低亮度，灰质和脑室在T2加权图中显高亮度而在Flair图中显低亮度，故设置k均值算法初始聚类数k＝3，从N个样本中随机选取k个类簇的聚类中心计算每个样本到聚类中心的平方欧氏距离：

(2.2)将每个样本划分到距离值最小的聚类中心的类簇中，计算每个类簇中样本的平均值，作为新的聚类中心：

(2.3)其中表示第t次迭代聚类中心的第k个类簇，表示第k个类簇中样本的个数，这里的求和是指类簇中所有元素在每列属性上的和，是一个p维向量，表示为：

c_k＝(c_k,1,c_k,2,…,,c_k,p) (3)

(2.4)如此循环迭代，直至t＝T时停止迭代，得到k个最终聚类中心 计算n个样本与k个聚类中心的距离，得到大小为n×k的距离矩阵D_sqe，元素表示i个样本到j个聚类中心的距离，其中i＝1,…,n，j＝1,…,k，第一次聚类中k＝3，将样本分为3类，将(1)式平方欧氏距离换为余弦距离：

(2.5)重复上述算法T次迭代得到距离矩阵D_cos，再将平方欧氏距离换为城市街区距离：

(2.6)j为x和的第j维，重复上述算法T次迭代得到距离矩阵D_cb，将D_sqe，D_cos，D_cb中相应类别编号对应，将用三种距离聚类的样本定位至原图中的像素点，由此分别获得三种矩阵对应的三个聚类结果图，首先，k类像素点中在Flair图像上平均灰度值最大的一类，记为类别1，距离矩阵的第1行表示类别1的聚类中心，接下来，计算剩余聚类中心与第一类聚类中心的距离，按照距离由小到大的顺序，分别记为类别2到类别k，对应于距离矩阵的第二至第k列，最后，得到了列换序后的矩阵D_sqe ^*，D_cos ^*，D_cb ^*，对三个距离矩阵各个元素求和得到D_add：

D_add＝D_sqe ^*+D_cos ^*+D_cb ^* (6)

将样x归为与其距离最小的聚类中心的类别，从k类中自动识别病变区所属类别，将k个像素点类簇映射到Flair图像上，计算每个类簇中的像素点在Flair图像上灰度值的平均值，判断平均值最大的类簇为包含病变区的类别，提取此类簇像素点，其余像素点灰度值归零，通过一系列形态学操作，精确病变区范围，首先，选择最大连通区域，除去小的错误分类的像素点，其次，设置边长为3的八角形作为结构元素，对图像进行腐蚀操作，腐蚀操作可以断开病变区和错误分类的灰质之间的连接，再次选择最大连通区域，可以有效去除灰质部分，最后，使用上述结构元素进行膨胀操作，将病变区还原至原来的大小，由于肿瘤在图像上的特点，边界圆滑无锯齿，故选择最接近圆形的八角形结构元素，形态学操作后的形状特征更接近真实值；

3)提取这些像素点在T1增强图像上的特征，用Kmeans方法将病变区聚类为2个簇，分别代表水肿区和肿瘤核心区，Kmeans方法的进一步具体细化如下：

(3.1)肿瘤区和水肿区在T1图像中均为低亮度，在T2图像中均为高亮度，在Flair图像中也难以区分，由先验知识，具有增强核心的肿瘤，其增强区域通常包围在坏死区外侧，即增强核心位于肿瘤区边界，而增强核心在T1增强图像上具有高亮度其他区域低亮度的特征，使用T1增强能够很好的识别增强核心从而描绘肿瘤区的边界，以病变区N_l个像素点为样本，以每个像素点及其周围26个邻域像素点在T1增强图像中的灰度值，拼成N_l×p_l的样本空间S_l，其中p＝27为特征维数；

(3.2)输入样本空间S_l，设置Kmeans算法初始聚类数k_l＝2，从N_l个样本中随机选取k_l个类簇的聚类中心计算每个样本到聚类中心的平方欧氏距离：

(3.3)将每个样本划分到距离值最小的聚类中心的类簇中，计算每个类簇中样本的平均值，作为新的聚类中心：

(3.4)其中表示第t次迭代聚类中心的第k个类簇，表示第k个类簇中样本的个数，这里的求和是指类簇中所有元素在每列属性上的和，是一个p维向量，表示为：

如此循环迭代，直至t＝T时停止迭代，得到k_l个最终聚类中心 计算n个样本与k_l个聚类中心的距离，得到大小为N_l×k_l的距离矩阵D_sqe，元素表示i个样本到j个聚类中心的距离，其中i＝1,…,N_l，j＝1,…,k_l。第二次聚类中k_l＝2，将病灶区分为两类；

4)从2类中自动识别水肿区和肿瘤区的所属类别，使用一系列形态学后处理，除去错误分类的像素点，精确提取病变区，识别水肿区和肿瘤区类别的进一步具体细化如下：

(4.1)上一步中将图像像素点分为了k个未知特定含义的类簇，本发明结合MRI的先验知识，自动识别肿瘤所属类簇，T1增强图像中，只有肿瘤区中增强核心显高亮度，病变区的其他部分均显低信号，增强核心属于肿瘤区，所以肿瘤区的像素点的平均灰度值要高于水肿区像素点灰度值的平均值，判断类别的具体方法为：

将2个类簇的像素点映射到T1增强的图像上，计算两个类簇像素点在T1增强图像上的灰度平均值，判断平均值大的类簇为肿瘤区域，判断平均值小的类簇为水肿区域；

(4.2)在实际聚类的过程中，由于肿瘤区域的不均匀性，一些像素点与水肿像素点的相似性更高被误分为水肿的类簇，为提高分割准确度，结合先验知识纠正错误分类的像素点，首先由先验知识，增强核心域通常是包围在坏死核心的外侧的环状区域，近似成为肿瘤区的边界，即所有在增强核心内的像素点一定属于肿瘤区而不是水肿区，其次，肿瘤区和水肿区通常是两个互不相交的单连通区域，综上后处理方法为：

填充环状增强核心使其为单连通区域，从病变区域中除去上一步中得到的单连通区域，填充剩余部分使其成为单连通区域，第一步得到的单连通区域为肿瘤区，第二步得到的单连通区域为水肿区。

注：

1.图1是本发明实施例的总体流程图，本算法起始于步骤101，然后在步骤102，输入T2加权、T1增强和Flair图像，对其灰度值线性归一化，在步骤103，提取脑区像素点的特征并使用聚类融合算法提取病变区，在步骤104，提取病变区像素点的特征，并使用Kmeans算法将像素点分为两类，在步骤105，根据先验知识自动识别水肿区和肿瘤区的类别，经过形态学后处理纠正错误分类的像素点，最后在步骤106，输出分割结果，包含肿瘤区和水肿区，本发明截止于步骤107。

2.图2是按照本发明实施例，多模态脑肿瘤MRI的无监督分割方法的一个示例性流程示意图。

3.图3是本发明在BRATS2015真实临床数据上的五个患者的脑肿瘤MRI病变区分割结果示意图，每一列代表一个病人，第一行是原脑肿瘤MR的T1增强图像，第二行是后处理之前的分割结果，第三行是后处理之后的最终分割结果，第四行为专家标记的实际结果，由结果图可看出本发明能够较好地分割出病变区并分割水肿区和肿瘤区。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.多模态脑肿瘤MRI的无监督分割方法，其特征在于，包括以下步骤：

1)输入肿瘤患者的不同模态图像，包括T2加权、Flair和T1增强图像，对输入的图像进行灰度值归一化；

2)提取脑部区域像素点在T2和Flair图像上的特征，利用聚类融合方法对像素点分类，从若干类中自动识别出肿瘤所属类别；

3)提取这些像素点在T1增强图像上的特征，用Kmeans方法聚为2类；

4)从2类中自动识别肿瘤和水肿所属类别，使用一系列形态学的后处理，除去错误分类的像素点，精确提取病变区。

2.如权利要求1所述的多模态脑肿瘤MRI的无监督分割方法，其特征在于：将图像灰度范围统一线性归一化为0至255的范围，提取脑部区域的像素点作为样本，以每个像素点及其周围相邻的8个像素点分别在T2加权和Flair图像上的灰度值作为特征，即每个像素点用18维特征描述，如此便组成了N×p的样本空间S，其中N为待聚类的像素点数，p为特征维数。

3.如权利要求1所述的多模态脑肿瘤MRI的无监督分割方法，其特征在于：步骤2)中聚类融合方法的进一步具体细化如下：

(2.1)输入样本空间S，样本为N个像素点，根据T2加权和Flair图像特点，病变区域在两图中均显高亮度，白质在两图中均显较低亮度，灰质和脑室在T2加权图中显高亮度而在Flair图中显低亮度，故设置k均值算法初始聚类数k＝3，从N个样本中随机选取k个类簇的聚类中心计算每个样本到聚类中心的平方欧氏距离：

(2.2)将每个样本划分到距离值最小的聚类中心的类簇中，计算每个类簇中样本的平均值，作为新的聚类中心：

(2.3)其中表示第t次迭代聚类中心的第k个类簇，表示第k个类簇中样本的个数，这里的求和是指类簇中所有元素在每列属性上的和，是一个p维向量，表示为：

c_k＝(c_k,1,c_k,2,…,,c_k,p) (3)

(2.4)如此循环迭代，直至t＝T时停止迭代，得到k个最终聚类中心 计算n个样本与k个聚类中心的距离，得到大小为n×k的距离矩阵D_sqe，元素表示i个样本到j个聚类中心的距离，其中i＝1,…,n，j＝1,…,k，第一次聚类中k＝3，将样本分为3类，将(1)式平方欧氏距离换为余弦距离：

(2.5)重复上述算法T次迭代得到距离矩阵D_cos，再将平方欧氏距离换为城市街区距离：

(2.6)j为x和的第j维，重复上述算法T次迭代得到距离矩阵D_cb，将D_sqe，D_cos，D_cb中相应类别编号对应，将用三种距离聚类的样本定位至原图中的像素点，由此分别获得三种矩阵对应的三个聚类结果图，首先，k类像素点中在Flair图像上平均灰度值最大的一类，记为类别1，距离矩阵的第1行表示类别1的聚类中心，接下来，计算剩余聚类中心与第一类聚类中心的距离，按照距离由小到大的顺序，分别记为类别2到类别k，对应于距离矩阵的第二至第k列，最后，得到了列换序后的矩阵D_sqe ^*，D_cos ^*，D_cb ^*，对三个距离矩阵各个元素求和得到D_add：

D_add＝D_sqe ^*+D_cos ^*+D_cb ^* (6)

将样本x归为与其距离最小的聚类中心的类别，从k类中自动识别病变区所属类别，将k个像素点类簇映射到Flair图像上，计算每个类簇中的像素点在Flair图像上灰度值的平均值，判断平均值最大的类簇为包含病变区的类别，提取此类簇像素点，其余像素点灰度值归零，通过一系列形态学操作，精确病变区范围。

4.如权利要求1所述的多模态脑肿瘤MRI的无监督分割方法，其特征在于：步骤3)中Kmeans方法的进一步具体细化如下：

(3.1)肿瘤区和水肿区在T1图像中均为低亮度，在T2图像中均为高亮度，在Flair图像中也难以区分，由先验知识，具有增强核心的肿瘤，其增强区域通常包围在坏死区外侧，即增强核心位于肿瘤区边界，而增强核心在T1增强图像上具有高亮度其他区域低亮度的特征，使用T1增强能够很好的识别增强核心从而描绘肿瘤区的边界，以病变区N_l个像素点为样本，以每个像素点及其周围26个邻域像素点在T1增强图像中的灰度值，拼成N_l×p_l的样本空间S_l，其中p＝27为特征维数；

(3.2)输入样本空间S_l，设置Kmeans算法初始聚类数k_l＝2，从N_l个样本中随机选取k_l个类簇的聚类中心计算每个样本到聚类中心的平方欧氏距离：

(3.3)将每个样本划分到距离值最小的聚类中心的类簇中，计算每个类簇中样本的平均值，作为新的聚类中心：

(3.4)其中表示第t次迭代聚类中心的第k个类簇，表示第k个类簇中样本的个数，这里的求和是指类簇中所有元素在每列属性上的和，是一个p维向量，表示为：

如此循环迭代，直至t＝T时停止迭代，得到k_l个最终聚类中心 计算n个样本与k_l个聚类中心的距离，得到大小为N_l×k_l的距离矩阵D_sqe，元素表示i个样本到j个聚类中心的距离，其中i＝1,…,N_l，j＝1,…,k_l。第二次聚类中k_l＝2，将病灶区分为两类。

5.如权利要求1所述的多模态脑肿瘤MRI的无监督分割方法，其特征在于：步骤4)中识别水肿区和肿瘤区类别的进一步具体细化如下：

(4.1)上一步中将图像像素点分为了k个未知特定含义的类簇，本发明结合MRI的先验知识，自动识别肿瘤所属类簇，T1增强图像中，只有肿瘤区中增强核心显高亮度，病变区的其他部分均显低信号，增强核心属于肿瘤区，所以肿瘤区的像素点的平均灰度值要高于水肿区像素点灰度值的平均值，判断类别的具体方法为：

将2个类簇的像素点映射到T1增强的图像上，计算两个类簇像素点在T1增强图像上的灰度平均值，判断平均值大的类簇为肿瘤区域，判断平均值小的类簇为水肿区域；

(4.2)在实际聚类的过程中，由于肿瘤区域的不均匀性，一些像素点与水肿像素点的相似性更高被误分为水肿的类簇，为提高分割准确度，结合先验知识纠正错误分类的像素点，首先由先验知识，增强核心域通常是包围在坏死核心的外侧的环状区域，近似成为肿瘤区的边界，即所有在增强核心内的像素点一定属于肿瘤区而不是水肿区，其次，肿瘤区和水肿区通常是两个互不相交的单连通区域，综上后处理方法为：

填充环状增强核心使其为单连通区域，从病变区域中除去上一步中得到的单连通区域，填充剩余部分使其成为单连通区域，第一步得到的单连通区域为肿瘤区，第二步得到的单连通区域为水肿区。