CN110503655B - 一种基于稀疏贝叶斯模型和多图谱融合的mri神经胶质瘤分割方法及系统 - Google Patents

Abstract

本公开公开了一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法及系统，该方法包括：接收MRI，进行预处理，得到MRI的所有模态联合配准到统一解剖学模板且带辅助诊断分割标签的图像；采用稀疏贝叶斯模型对MRI的不同模态进行分割，得到不同模态分割结果标签；采用多图谱融合法融合MRI中不同模态的分割结果，得到边界轮廓清晰的最终神经胶质瘤分割结果。

Description

一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分 割方法及系统

技术领域

本公开属于医学图像处理的技术领域，涉及一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

近年来，随着医学科技的发展，医学图像处理工作占据越来越重要的地位，其中基于核磁图像的脑肿瘤分割成为越发热门的话题。带肿瘤核磁图像的分割及肿瘤信息的提取为病情诊断、手术方案的制定、病情跟踪等提供了重要的参考价值。神经胶质瘤分割的任务是把带肿瘤的核磁图像中的正常组织和病变组织区分开来，并且使得肿瘤的不同子区域边界清晰。但是大多数情况肿瘤区域和正常组织不具备明显的差别，而且成像过程中容易出现人工干扰导致成像效果较差。

神经胶质瘤大多沿着白质纤维束蔓延，生长速度极快，其扩散性和侵入性均非常高，加之以不规则形状侵入人脑内部，给治疗带来了极大挑战。在实际临床诊断、治疗过程中，脑肿瘤轮廓等信息通过全人工或者半人工的方式在MRI(Magnetic ResonanceImaging，磁共振成像)上勾勒出。不同模态的MRI中，对不同脑组织呈现的清晰度不同。而且肿瘤和正常脑组织存在灰度上的相似性。因此仅通过医生的视觉，从不同模态的MRI中获得详细的有关肿瘤的综合性评价信息存在极大困难。

过去的很多年中大量的研究者在神经胶质瘤分割方面做了大量的工作，根据人工参与程度，可以把脑肿瘤分割方法大体分为三类：人工分割、半自动分割、全自动分割。目前临床对脑肿瘤的分割标记通常需要人工参与完成。由于核磁图像数据量巨大，而且涉及到不同的模态，人工分割是一个非常耗时及不具有普遍适用性的方式。另外此种方式缺少客观性，不同放射科专家的分割结果，在位置、尺寸等方面存在明显的差异，容易出现病变部位分割错误的风险。半自动的人工方法需要以人介入的方式部分参与分割过程才能完成最后的分割，通常需要人去初始化运算、检查分割结果准确性、甚至纠正分割结果。然而分割过程中涉及到用户策略的选择和使用者的经验知识，因此不同的专家分割结果也具有一定的变化性，不是完全客观的。

全自动分割方式不需要人工交互参与，分割结果完全由计算机决定。此类方式的算法中通常需要结合人类经验和一定的先验知识，经常使用的是柔性的计算方式或者基于模型的技术。例如，模糊均值，可变模型等都是属于柔性的计算技术。脑肿瘤自动分割技术的研究是机器学习和模式识别领域的一个重要研究课题。自动化分割的挑战主要集中在准确的特征提取和需要较大计算量两个方面。随着近些年计算机处理能力的高速发展，许多自动化的分割方式被提出。比如K近邻法、神经网络法、期望最大化法、空间决策树法、马尔科夫场法、图谱法、最小能量法。通常可以根据是否需要训练数据把这类分割方式分成有监督方式和无监督方式。尽管在分割脑瘤方面出现了上述的多种方式，然而，发明人在研究过程中发现，没有一种方式能很好的解决肿瘤区和临近的感兴趣区域的低对比度的问题。另外，过长的处理时间和较高的计算量的消耗在临床中是不被接受的。

发明内容

针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法及系统，有效实现在MRI的四种模态中准确分割神经胶质瘤。

根据本公开的一个或多个实施例的一个方面，提供一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法。

一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，该方法使用稀疏贝叶斯模型对神经胶质瘤进行分割和使用多图谱融合的方式进行分割结果的融合，包括：

接收MRI，进行预处理，得到MRI的所有模态联合配准到统一解剖学模板且带辅助诊断分割标签的图像；

采用稀疏贝叶斯模型对MRI的不同模态进行分割，得到不同模态分割结果标签；

采用多图谱融合法融合MRI中不同模态的分割结果，得到边界轮廓清晰的最终神经胶质瘤分割结果。

进一步地，在该方法中，所述预处理的具体步骤包括：

采用GLISTRboost算法将接收的MRI方向重新定位到左后上的坐标系，且产生其对应的辅助诊断分割标签；

将MRI的所有模态联合配准到T1-w的解剖学模板，并根据预设分辨率重新采样。

进一步地，在该方法中，所述预处理还包括将重新采样的MRI进行平滑处理及匹配强度直方图。

进一步地，在该方法中，所述MRI的模态包括T1-w模态，T1-c模态，T2-w模态和FLAIR模态。

进一步地，在该方法中，所述采用稀疏贝叶斯模型对MRI的不同模态进行分割的具体步骤包括：

对MRI固有的平滑度相关结构进行建模，得到微型分割域；

在微型分割域中，由符合高斯分布的马尔科夫随机场估计贝叶斯公式中的条件概率，由符合吉布斯分布的吉布斯随机场估计先验概率，生成基于后验概率的图谱；

计算最大后验概率估计值，采用稀疏贝叶斯决策模型基于最大后验概率估计值分割MRI中的神经胶质瘤。

进一步地，在该方法中，所述多图谱融合法为权重投票策略。

进一步地，在该方法中，采用权重投票策略融合MRI中不同模态的分割结果的具体步骤包括：

对同一个病人，不同模态的MRI分割结果，计算图谱图像和其标签对应的目标图之间的最大似然函数，得到归一化的相互关系量；

将归一化的相互关系量作为权重投票策略中的与图谱相关的权重系数，融合MRI中不同模态的分割结果。

根据本公开的一个或多个实施例的一个方面，提供一种计算机可读存储介质。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法。

根据本公开的一个或多个实施例的一个方面，提供一种终端设备。

一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法。

根据本公开的一个或多个实施例的一个方面，提供一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割装置。

一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割装置，基于所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，包括：

预处理模块，被配置为接收MRI，进行预处理，得到MRI的所有模态联合配准到统一解剖学模板且带辅助诊断分割标签的图像；

图像分割模块，被配置为采用稀疏贝叶斯模型对MRI的不同模态进行分割，得到不同模态分割结果标签；

标签融合模块，被配置为采用多图谱融合法融合MRI中不同模态的分割结果，得到边界轮廓清晰的最终神经胶质瘤分割结果。

本公开的有益效果：

本公开提供的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法及系统，使用稀疏贝叶斯理论进行了脑肿瘤的各个模态的分割。比SVM、RVM等分类器更高的优势，且具有稀疏性。融合不同模态的分割图谱，生成最优分割结果。核磁图像的四个模态各有优点，每种模态对呈现不同的脑组织具有独到的优势，但是单独的模态不能较好的把脑肿瘤的不同子区域进行精确的区分。本方法融合不同模态的分割结果，得到更加精确的分割效果，使肿瘤不同子区域边界更加清晰。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是本公开一个或多个实施例提供的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法流程图。

具体实施方式：

下面将结合本公开的一个或多个实施例中的附图，对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开的一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合，下面结合附图与实施例对本公开作进一步说明。

实施例一

如图1所示，一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，该方法包括：

一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，该方法包括：

步骤S1：接收MRI，进行预处理，得到MRI的所有模态联合配准到统一解剖学模板且带辅助诊断分割标签的图像；

步骤S2：采用稀疏贝叶斯模型对MRI的不同模态进行分割，得到不同模态分割结果标签；

步骤S3：采用多图谱融合法融合MRI中不同模态的分割结果，得到边界轮廓清晰的最终神经胶质瘤分割结果。

在本公开的一个或多个实施例步骤S1中，所述预处理的具体步骤包括：

采用GLISTRboost算法将接收的MRI方向重新定位到左后上的坐标系，且产生其对应的辅助诊断分割标签；

将MRI的所有模态联合配准到T1-w的解剖学模板，并根据预设分辨率重新采样；把所有的模态联合配准到T1-w的解剖学模板，并重新采样为1mm3分辨率。

将重新采样的MRI进行平滑处理及匹配强度直方图。

使用GLISTRboost算法把MRI的方向重新定位到左后上的坐标系(Left-posterior-superior，LPS)，GLISTRboost算法是用于在手术前产生计算机辅助诊断分割标签的。

需要注意的是，在本公开的一个或多个实施例中，所述MRI的模态包括T1-w模态，T1-c模态，T2-w模态和FLAIR模态。

在本公开的一个或多个实施例步骤S2中，所述采用稀疏贝叶斯模型对MRI的不同模态进行分割的具体步骤包括：

对MRI固有的平滑度相关结构进行建模，得到微型分割域；

在微型分割域中，由符合高斯分布的马尔科夫随机场估计贝叶斯公式中的条件概率，由符合吉布斯分布的吉布斯随机场估计先验概率，生成基于后验概率的图谱；

计算最大后验概率估计值，采用稀疏贝叶斯决策模型基于最大后验概率估计值分割MRI中的神经胶质瘤。

利用稀疏贝叶斯方式对不同模态进行分割得到不同模态分割结果标签。

分割的原理是将稀疏贝叶斯决策模型应用到MRI的能量函数中，应用范围是T1-w，T1-c，T2-w,FLAIR四种模态。通常贝叶斯后验概率的计算并不容易，因其要求分割域的所有边缘分布都是符合马尔可夫特性的。

为解决此问题，本公开在考马尔科夫场和吉布斯场的情况下，定义了一个小的微型分割域(Micro-Patch，MP)，在这个分割域内对于给定的体素中心，可以确定一个具体的邻域。

微型分割域是对脑MRI固有的平滑度相关结构进行建模，使贝叶斯后验概率模型得以计算。其中，贝叶斯公式中的条件概率由符合高斯分布的马尔科夫随机场进行估计，而先验概率由符合吉布斯分布的吉布斯随机场估计，最后生成一个新的基于后验概率的图谱。根据不同类型组织后验概率的估计值，可以应用稀疏贝叶斯决策定理在最大后验概率值的基础上分割带脑肿瘤核磁图像。

T1-w，T1-c，T2-w，FLAIR四种模态的MRI均为3D的格式，这些3D脑MRI都在一个均匀密集的网格中，其中每一个由多个二维MRI切片组成。对2D切片表示为(s_n,1:Δz:s_n,Z)，其中n∈{1,...,4}，表示的是MRI的四中模态的索引系数，z∈{1,...,Z}表示的是2D切片的索引，Δz是两个连续的切片之间的距离。对每一个2D切片s_n,z，d_n,z＝{d_n,z(1),...,d_n,z(i),...,d_n,z(I)}表示在切片s_n,z上的体素的测量值的结合，其中i∈{1,...,240×240}为体素的索引。同样的方式，使用

表示切片s_n,z中属于某一个脑组织Ω_q的体素的真实值的集合，其中q表示的是要分割的脑组织索引。

邻域系统

中对于特定组织Ω_q的最大后验概率能够通过下面公式估计出：

其中

为均值，

吉布斯势能值的公式：

具体分割算法如下：

在本公开的一个或多个实施例步骤S3中，采用权重投票策略融合MRI中不同模态的分割结果的具体步骤包括：

对同一个病人且具备不同模态的分割后的MRI，计算图谱图像和其标签对应的目标图之间的最大似然函数，得到归一化的相互关系量；

将归一化的相互关系量作为权重投票策略中的和图谱相关的权重系数，融合MRI中不同模态的分割结果。

在图谱融合阶段，利用权重投票策略实现多图谱标签融合，这样做的优点是很好的增强分割效果，而且可以充分利用不同的模态在成像方面的优势。此方法的基础是一系列给定的配准过后的图谱图片，这些图片来自于同一个病人且具备不同的模态。每一个独立的图谱图都和一个标签图相对应，通过计算独立图谱图和目标图之间的最大似然函数得到一个归一化的相互关系量(NMI)。利用得到的NMI作为和图谱相关的权重系数，如此涉及到多通道的标签融合过程便得以实现。

标签融合有两个主要的优点：第一，相比于单个图谱，融合能够更好的获得整个肿瘤的解剖结构。第二，多通道融合增加了算法的鲁棒性，减少了偶尔的配准失败的影响。

第n个标签图和目标标签图之间的NMI，可以通过如下公式计算得到：

类似的，可以得到第n个图谱图和目标图之间的权重系数：

另外，目标图中第i个体素属于组织Ω_p的隶属度关系函数定义为：

最终，目标图像中第i个体素是肿瘤组织Ω_p的概率可以得出：

具体融合算法如下：

实施例二

根据本公开的一个或多个实施例的一个方面，提供一种计算机可读存储介质。一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法。

实施例三

根据本公开的一个或多个实施例的一个方面，提供一种终端设备。

一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法。

这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。

在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

本公开所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开内容的各个方面。

实施例四

根据本公开的一个或多个实施例的一个方面，提供一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割装置。

一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割装置，基于所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，包括：

预处理模块，被配置为接收MRI，进行预处理，得到MRI的所有模态联合配准到统一解剖学模板且带辅助诊断分割标签的图像；

图像分割模块，被配置为采用稀疏贝叶斯模型对MRI的不同模态进行分割，得到不同模态分割结果标签；

标签融合模块，被配置为采用多图谱融合法融合MRI中不同模态的分割结果，得到边界轮廓清晰的最终神经胶质瘤分割结果。

在本公开的一个或多个实施例中，所述预处理模块的具体被配置为：

采用GLISTRboost算法将接收的MRI方向重新定位到左后上的坐标系，且产生其对应的辅助诊断分割标签；

将MRI的所有模态联合配准到T1-w的解剖学模板，并根据预设分辨率重新采样；

将重新采样的MRI进行平滑处理及匹配强度直方图。

在本公开的一个或多个实施例中，所述图像分割模块具体被配置为：

对MRI固有的平滑度相关结构进行建模，得到微型分割域；

在微型分割域中，由符合高斯分布的马尔科夫随机场估计贝叶斯公式中的条件概率，由符合吉布斯分布的吉布斯随机场估计先验概率，生成基于后验概率的图谱；

计算最大后验概率估计值，采用稀疏贝叶斯决策模型基于最大后验概率估计值分割MRI中的神经胶质瘤。

在本公开的一个或多个实施例中，所述标签融合模块具体被配置为：

对同一个病人且具备不同模态的分割后的MRI，计算图谱图像和其标签对应的目标图之间的最大似然函数，得到归一化的相互关系量；

将归一化的相互关系量作为权重投票策略中的和图谱相关的权重系数，融合MRI中不同模态的分割结果。

应当注意，尽管在上文的详细描述中提及了设备的若干模块或子模块，但是这种划分仅仅是示例性而非强制性的。实际上，根据本公开的实施例，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

本公开的一个或多个实施例的有益效果：

使用稀疏贝叶斯理论进行了脑肿瘤的各个模态的分割。比SVM、RVM等分类器更高的优势，且具有稀疏性。融合不同模态的分割图谱，生成最优分割结果。核磁图像的四个模态各有优点，每种模态对呈现不同的脑组织具有独到的优势，但是单独的模态不能较好的把脑肿瘤的不同子区域进行精确的区分。本方法融合不同模态的分割结果，得到更加精确的分割效果，使肿瘤不同子区域边界更加清晰。

本公开方法和另外的方法的对比效果。FCNN虽然结构比较复杂而且计算量大，但是在WT的准确度上达到了0.83的良好效果，结合随机树和超像素的方法同样达到了0.83的良好效果。然而在TC区域的分割上，本文提出的方法具有明显的优势，得到了比前述两种方法都高的准确度，并且方差明显的小于另外两种方法，具有较高的稳定度。ET区域的分割上，三种方法的准确度相差不大，但是在稳定度上，本公开方法具有更高的优势，本公开方法明显小于其他的方法，尤其是FCNN。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。因此，本公开将不会被限制于本公开所示的这些实施例，而是要符合与本公开所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，其特征在于，该方法包括：

接收MRI，进行预处理，得到MRI的所有模态联合配准到统一解剖学模板且带辅助诊断分割标签的图像；

采用稀疏贝叶斯模型对MRI的不同模态进行分割，得到不同模态分割结果标签；

采用多图谱融合法融合MRI中不同模态的分割结果，得到边界轮廓清晰的最终神经胶质瘤分割结果；

所述采用稀疏贝叶斯模型对MRI的不同模态进行分割的具体步骤包括：

对MRI固有的平滑度相关结构进行建模，得到微型分割域；

在微型分割域中，由符合高斯分布的马尔科夫随机场估计贝叶斯公式中的条件概率，由符合吉布斯分布的吉布斯随机场估计先验概率，生成基于后验概率的图谱；

计算最大后验概率估计值，采用稀疏贝叶斯决策模型基于最大后验概率估计值分割MRI中的神经胶质瘤。

2.如权利要求1所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，其特征在于，在该方法中，所述预处理的具体步骤包括：

采用GLISTRboost算法将接收的MRI方向重新定位到左后上的坐标系，且产生其对应的辅助诊断分割标签；

将MRI的所有模态联合配准到T1-w的解剖学模板，并根据预设分辨率重新采样。

3.如权利要求2所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，其特征在于，在该方法中，所述预处理还包括将重新采样的MRI进行平滑处理及匹配强度直方图。

4.如权利要求1所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，其特征在于，在该方法中，所述MRI的模态包括T1-w模态，T1-c模态，T2-w模态和FLAIR模态。

5.如权利要求1所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，其特征在于，在该方法中，所述多图谱融合法为权重投票策略。

6.如权利要求5所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，其特征在于，在该方法中，采用权重投票策略融合MRI中不同模态的分割结果的具体步骤包括：

对同一个病人，具备不同模态的分割后MRI，计算图谱图像和其标签对应的目标图之间的最大似然函数，得到归一化的相互关系量；

将归一化的相互关系量作为权重投票策略中的和图谱相关的权重系数，融合MRI中不同模态的分割结果。

7.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1-6任一项所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法。

8.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-6任一项所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法。

9.一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割装置，其特征在于，基于如权利要求1-6任一项所述的一种基于稀疏贝叶斯模型和多图谱融合的MRI神经胶质瘤分割方法，包括：

预处理模块，被配置为接收MRI，进行预处理，得到MRI的所有模态联合配准到统一解剖学模板且带辅助诊断分割标签的图像；

图像分割模块，被配置为采用稀疏贝叶斯模型对MRI的不同模态进行分割，得到不同模态分割结果标签；

标签融合模块，被配置为采用多图谱融合法融合MRI中不同模态的分割结果，得到边界轮廓清晰的最终神经胶质瘤分割结果。

Images