一種腦組織提取方法

2023-10-16 22:11:59

一種腦組織提取方法
【專利摘要】一種腦組織提取方法，依次包括：對訓練集圖像和測試集圖像進行預處理；提取訓練集圖像的圖像特徵組成訓練集，提取測試集圖像的圖像特徵組成測試集；根據訓練集構建字典；依據訓練集和字典計算訓練集樣本由字典中單詞線性組合的權重係數向量；依據字典和測試集計算測試集樣本由字典中單詞線性組合的權重係數向量；計算字典中每個單詞的分類評分；通過局部線性表示計算測試樣本的分類評分，完成對測試樣本的分類，得到初步分割結果；對初步分割結果進行後處理，得到分割處理後的腦組織圖片。本發明能夠高效、準確地提取腦組織圖像。
【專利說明】一種腦組織提取方法
【技術領域】
[0001]本發明涉及醫學圖像分割處理【技術領域】，具體涉及一種腦組織提取方法。
【背景技術】
[0002]腦組織提取，又稱為去腦殼，是諸如腦功能研究、神經圖像處理研究等過程中的一個必要的預處理步驟，應用十分廣泛。如術前計劃的制定、大腦皮層的重建、腦組織的形態學測量等工作，都依賴於能夠將腦組織從非腦組織(包括頭骨、眼球、皮膚等)中準確分割出來的能力。手工分割Tl加權MR圖像是腦組織分割處理及研究中公認的「金標準」。但是手工分割面臨著兩個問題:一是相當耗費時間；二是容易引入人為誤差。因此，提供自動或半自動的腦組織提取算法非常必要。
[0003]標籤融合可看作局部線性表示法中的一類特殊情況，基於標籤融合的腦組織提取方法近年來得到了廣泛的研究。其中MAPS算法(The Mult1-Atlas Propagationand Segmentation method)與 BEaST 算法(The Brain Extraction based on nonlocalSegmentation Technique)是標籤融合類算法中的兩例代表。
[0004]MAPS算法(Leung et al., 2010)首先建立一個圖像庫,庫內的圖像都經過預先的標記，如腦組織標記為1，非腦組織標記為2，這種經過預先標記的圖像被稱為圖譜。之後利用彈性配準將選定的多張圖譜配準到目標圖像上，此時對目標圖像上的某一像素點而言，其在配準圖譜上相同位置的像素點的標記是已知的，通過標籤融合算法(如majorityvote, STAPLE, etc.)計算多張配準圖譜融合之後的標籤作為該像素點的標籤，從而得到目標圖像腦組織的提取。
[0005]BEaST算法(Eskildsen et al.，2012)是一種基於圖像塊的標籤融合算法。在BEaST算法中，同樣需要首先建立一個預先標記好的圖像庫。之後以目標圖像某一像素點為中心，取其鄰域內一定大小的圖像塊為單位，通過設定選擇標準，在圖像庫中搜索與目標圖像塊最相似的一系列圖像塊，因為圖像庫中圖像的標記都是已知的，通過標籤融合算法計算搜索到的最相似圖像塊的融合標籤，並將此標籤分配給目標像素點，從而得到目標圖像腦組織的提取。BEaST算法是目前腦組織提取效果最好的方法之一。
[0006]MAPS算法的主要不足是彈性配準的時間過長，通常一副序列大約需要19小時以上，且腦組織提取結果嚴重依賴於彈性配準的精度。BEaST算法由於需要在整個圖像庫中進行搜索，因而對設備性能的要求較高，如果電腦內存較小會嚴重影響算法的效率。
[0007]因此，針對現有技術不足，提供一種可以高效、精確地進行腦組織提取的方法以克服現有技術不足甚為必要。

【發明內容】

[0008]本發明提供一種腦組織提取方法，該方法能夠高效、準確地提取腦組織圖像。
[0009]本發明的上述目的通過如下技術手段實現。
[0010]一種腦組織提取方法，依次包括如下步驟:(1)對訓練集圖像和測試集圖像進行預處理；
(2)提取訓練集圖像的圖像特徵，將所提取的訓練集圖像的圖像特徵連同預先標記好的標籤組成訓練集，提取測試集圖像的圖像特徵組成測試集；
(3)由訓練集構建字典；
(4)依據字典和訓練集計算訓練集中每個樣本由字典中單詞線性組合的權重係數向
量;
(5)依據字典和測試集計算測試集中每個樣本由字典中單詞線性組合的權重係數向
量;
(6)依據訓練集和步驟(4)得到的訓練集樣本的線性組合權重係數向量計算字典中每個單詞的分類評分；
(7)根據步驟(6)得到的單詞的分類評分及步驟(5)得到測試集樣本的線性組合權重係數向量，通過局部線性表示計算測試樣本的分類評分，完成對測試樣本的分類，得到初步分割結果；
(8)對初步分割結果進行後處理，得到分割處理後的腦組織圖片。
[0011]上述步驟(1)中，預處理操作具體包括:使用N3算法進行去偏移場操作、使用兩步法進行灰度歸一化操作和通過線性配準將圖像配準到標準模板空間進行空間歸一化操作。
[0012]上述步驟(2)中的圖像特徵由灰度圖像塊特徵及體素的坐標兩部分共同構成，標籤由代表腦組織的標記和代表非腦組織的標記兩部分構成。
[0013]上述步驟(3)中，構建字典的方法具體是使用K均值聚類方法對訓練樣本進行聚類，選擇聚類中心作為字典元素構建字典，每個字典元素稱為一個單詞。
[0014]上述步驟(4)、(5)中使用局部錨嵌入LAE方法計算單詞的線性組合權重係數向量;
依據LAE方法,一個樣本X通過如下方式表不:.V
【權利要求】
1.一種腦組織提取方法，其特徵在於:依次包括如下步驟， (1)對訓練集圖像和測試集圖像進行預處理； (2)提取訓練集圖像的圖像特徵，將所提取的訓練集圖像的圖像特徵連同預先標記好的標籤組成訓練集，提取測試集圖像的圖像特徵組成測試集； (3)由訓練集構建字典； (4)依據字典和訓練集計算訓練集中每個樣本由字典中單詞線性組合的權重係數向量; (5)依據字典和測試集計算測試集中每個樣本由字典中單詞線性組合的權重係數向量; (6)依據訓練集和步驟(4)得到的訓練集樣本的線性組合權重係數向量計算字典中每個單詞的分類評分； (7)根據步驟(6)得到的單詞的分類評分及步驟(5)得到測試集樣本的線性組合權重係數向量，通過局部線性表示計算測試樣本的分類評分，完成對測試樣本的分類，得到初步分割結果； (8)對初步分割結果進行後處理，得到分割處理後的腦組織圖片。
2.根據權利要求1所述的腦組織提取方法，其特徵在於: 所述步驟(1)中，預處理操作具體包括:使用N3算法進行去偏移場操作、使用兩步法進行灰度歸一化操作和通過線性配準將圖像配準到標準模板空間進行空間歸一化操作。
3.根據權利要求2所述的腦組織提取方法，其特徵在於: 所述步驟(2)中的圖像特徵包括灰度圖像塊特徵及體素的坐標，標籤由代表腦組織的標記和代表非腦組織的標記兩部分構成。
4.根據權利要求3所述的腦組織提取方法，其特徵在於: 所述步驟(3)中，建字典的方法具體是使用K均值聚類方法對訓練樣本進行聚類，選擇聚類中心作為字典元素構建字典,每個字典元素稱為一個單詞。
5.根據權利要求4所述的腦組織提取方法，其特徵在於: 所述步驟(4)、步驟(5)中使用局部錨嵌入LAE方法計算單詞的線性組合權重係數向量; 依據LAE方法,一個樣本X通過如下方式表不:

6.根據權利要求5所述的腦組織提取方法，其特徵在於: 所述步驟(6)中，分類評分的計算是通過求解分類代價函數得到的。
7.根據權利要求6所述的腦組織提取方法，其特徵在於: 所述步驟(6)具體是通過置信空間法求解分類代價函數得到分類評分； 所採用的代價函數的形式為
8.根據權利要求7所述的腦組織提取方法，其特徵在於: 所述步驟(7)中，測試樣本由其最鄰近測試樣本線性組合表示，構建測試樣本分類函數H為:
9.根據權利要求8所述的腦組織提取方法，其特徵在於: 所述步驟(8)中，後處理操作具體是將標準模板空間上的分割結果利用線性配準的逆變換映射回原始的圖像空間，得到分割處理後的腦組織圖片。
【文檔編號】G06K9/66GK103745473SQ201410019012
【公開日】2014年4月23日 申請日期:2014年1月16日 優先權日:2014年1月16日
【發明者】馮前進, 黃美燕, 陽維, 趙建奇 申請人:南方醫科大學