本发明属于图像处理领域， 具体涉及一种基于 T2加权的核磁共振成 像 T2-MRI和弥散加权的核磁共振成像 DW-MRI的宫颈癌图像自动分割方 法。 背景技术

宫颈癌是严重威胁女性生命健康的常见恶性肿 瘤之一。 宫颈癌的准确 分割， 对预防、 诊断和治疗宫颈癌有着重要的临床意义和应用 价值。

随着影像学技术的发展， 医学图像分割已经成为医学图像分析领域里 关键和具有挑战性的问题。而宫颈癌分割又由 于复杂的人体腹部组织结构 变得尤为复杂， 单一成像模式 T2-MRI不能完全显示宫颈癌的有效信息。 如图 1 (a)和（b)分别为宫颈癌病人腹部的 T2-MR图像和 DW-MR图像， 宫颈位于膀胱和直肠的中间。 从图 1 (a) 可以看出， T2-MR 图像具有较 高空间分辨率,肿瘤边界比较清晰， 但是宫颈的正常组织、肿瘤、膀胱壁和 直肠相互之间都有较严重的强度重叠； 从图 1 (b)可以看出在 DW-MR图 像中肿瘤具有明显较高的灰度值， 但是其分辨率低， 肿瘤边界较模糊。 因 此单一成像模式下的宫颈癌分割的自动实现是 相当困难的， 一些常规的方 法例如区域增长和阈值等都无法很好的分割肿 瘤。 发明内容

本发明的目的在于提供一种基于 T2-MRI和 DW-MRI的宫颈癌图像自 动分割框架以及利用联合最大后验概率 （CMAP) 精确分割宫颈癌肿瘤区 域的方法， 从而进行准确的宫颈癌分割。

为达到上述目的， 一种基于 T2加权的核磁共振成像 T2-MRI和弥散加 权的核磁共振成像 DW-MRI的宫颈癌图像自动分割方法， 包括：

步骤 1 : 利用非线性配准方法将 DW-MR图像配准到 T2-MR图像， 并对 配准后的 DW-MR图像进行分类；

步骤 2 : 采用非线性各向异性扩散滤波技术对 T2-MR图像进行滤波， 分割出膀胱和直肠， 并利用膀胱和直肠的分割结果将感兴趣区分割 出来； 步骤 3 : 对 T2-MR图像的感兴趣区和 DW-MR图像采用联合最大后验概 率 CMAP的方法进行肿瘤的精确分割。

本发明充分利用了 T2-MR图像和 DW-MR图像的有效信息， 可以有 效地克服 T2-MR图像中的噪声、 局部容积效应和强度重叠的影响， 是一 种精确有效的宫颈癌分割方法， 对预防、 诊断和治疗宫颈癌有着重要的临 床意义和应用价值。 附图说明

图 1是宫颈癌病人的解剖结构图， （a)是 T2-M 图像； （b)是 DW-MR 图像；

图 2是基于 T2-MRI和 DW-MRI的自动分割框架图；

图 3是最大后验概率方法 （CMAP) 的流程图；

图 4是基于 T2加权的核磁共振成像（T2-MRI) 和弥散加权的核磁共 振成像（DW-MRI) 的宫颈癌图像自动分割框架实验效果图， （a)是原图； (b)红色轮廓线内为包含肿瘤和正常组织的感兴 趣区； （c)配准到 T2-M 图像的 DW-MR图像； （d)只在 T2-MR图像上采用 MAP方法的宫颈癌分 割结果 （即 ^ = 0时）； (e) 在 T2-MR图像和 DW-M 图像上采用 CMAP 方法的宫颈癌分割结果 （即 ^ = 1时）； (0 专家手工分割结果。 具体实施方式

为使本发明的目的、 技术方案和优点更加清楚明白， 以下结合具体实 施例， 并参照附图， 对本发明进一步详细说明。

本发明的核心思想是一种基于 T2加权的核磁共振成像 （T2-MRI) 和 弥散加权的核磁共振成像 （DW-MRI) 的宫颈癌图像自动分割框架以及利 用联合最大后验概率 （CMAP) 精确分割宫颈癌肿瘤区域的方法， 具体步 骤包括： 首先， 利用非线性配准方法将 DW-MR图像配准到 T2-MR图像 (这里采用互信息配准方法作为示例）， 并对配准后的 DW-MR图像进行 分类；然后采用非线性各向异性扩散滤波技术 对 T2-MR图像进行滤波（这 里采用 P-M非线性各向异性扩散滤波作为示例），接着 分割出膀胱和直肠， 并利用膀胱和直肠的分割结果将感兴趣区（包 含正常组织和肿瘤）分割出 来； 最后对 T2-MR图像的感兴趣区和 DW-MR图像采用联合最大后验概 率 （CMAP) 的方法进行肿瘤的精确分割。

以下结合具体的实施例对根据本发明提供的这 种基于 T2加权的核磁 共振成像（T2-MRI)和弥散加权的核磁共振成像� �DW-MRI) 的宫颈癌图 像自动分割框架以及利用联合最大后验概率 （CMAP) 精确分割宫颈癌肿 瘤区域的方法进行详细描述。 如图 2所示为本发明提供的基于 T2加权的 核磁共振成像（T2-MRI)和弥散加权的核磁共振� �像（DW-MRI) 的宫颈 癌图像自动分割框架的流程图， 该方法包括以下步骤：

步骤 1 : 利用非线性配准方法 （如互信息配准方法、 Demons算法等） 将 DW-MR图像配准到 T2-MR图像， 并对配准后的 DW-MR图像进行分 步骤 2: 采用非线性各向异性扩散滤波技术对 T2-MR图像进行滤波， 接着分割出膀胱和直肠， 并利用膀胱和直肠的分割结果将感兴趣区（包 含 正常组织和肿瘤） 分割出来；

步骤 3 :对 T2-M 图像的感兴趣区和 DW-MR图像采用联合最大后验 概率 （CMAP) 的方法进行肿瘤的精确分割。 上述步骤 1包括以下两小步： 1 ) 利用非线性配准方法将 DW-MR图 像配准到 T2-MR图像， 这里采用互信息配准方法作为示例； 2)对配准后 的 DW-MR图像进行分类是采用的自动阈值分类方法� �� 实现肿瘤的初步分 割及定位。

上述步骤 2包括以下四步： 1 )采用非线性各向异性扩散滤波技术对 T2-M 图像进行滤波， 在去除噪声的同时保持边缘信息， 这里采用 P-M 非线性各向异性扩散滤波作为示例； 2) 膀胱分割； 3 ) 直肠分割； 4) 感 兴趣区分割。

上述第一小步中 P-M非线性扩散滤波器公式如下：

其中/。(0为图像在 z处的像素强度值， ζ·表示图像的位置信息为 是梯度算子， 代表时间， ·)是扩散系数， 两种形式为：

II V/ II ²

c(V/) = exp (-- ~ ^-)

其中 是梯度门限。

上述第二小步中膀胱分割采用的方法是主动轮 廓模型。该模型的建立 是基于我们巳有的先验知识——膀胱是腹腔 T2-M 图像中灰度值最高的 较均匀的整块区域。

上述第三小步中直肠分割利用了直肠位于宫颈 的下方这一先验知识 和步骤 1 中的肿瘤初步分割结果， 在去除膀胱的 T2-MR图像上采用了模 糊 C均值的算法， 得到直肠分割结果。

上述第四小步中感兴趣区分割， 在去除膀胱和直肠的 T2-MR图像上， 利用步骤 1中肿瘤的初步分割结果， 采用模糊 C均值的算法， 分割出包含 肿瘤和正常组织的感兴趣区， 结果如图 4 (b)。

上述步骤 3为对 T2-MR图像的感兴趣区和 DW-MR图像采用联合最 大后验概率 （CMAP) 的方法进行肿瘤的精确分割， 结果如图 4 (e)。

下面具体介绍上述联合最大后验概率 （CMAP) 方法具体实施过程。 设; F表示图像， y = , "N， 表示图像在 _; 处的灰度值， W表示图像的 像素的总个数。假定图像要被分为 ^类， 以 = 1,2,… 代表像素 _; 被归 为第 类。 联合最大后验概率 （CMAP) 方法的流程图如图 3所示， 其具 体步骤如下： 1)计算 T2-M 图像的能量函数^ ₂ ； 2)计算 DW-M 图 像的能量函数 t/ (x) ; 3)计算 T2-MR图像和 DW-MR图像的联合能量函 数^ ₂ ( + ^/ ( ； 4)判断是否满足终止条件， 若满足， 根据能量最小原 则判定肿瘤和正常组织的类别， 从而输出精确分割的肿瘤区域； 若不满足 终止条件返回步骤 1 )。每一小步中对应的计算公式在如下的讲述� �会展示 出。

传统的 MAP 分割算法是求取分割结果 L^， 使得后验概率 ^x| _y)最 大。 即：

Λ

X = arg max (x | y) 根据贝叶斯公式， P(x| y;i可以表示为- P(x\y)= ^P{y [ ^X ^ ^{x) ∞P(y\x)P(x) 从上式可以看出， 图像分割的目标转化为并求取分割结果 X， 使得 Ρ(_ν| Ρ( )最大， 即：

Λ

X = arg max ( | x)P(x)} 其中 <y|x)和 P ( 分别为在给定分割 χ条件下的概率密度和先验概率。 下面计算 ty|x)和 ^)。

假定图像中噪声是高斯白噪声， 则图像模型为： 其中， μ _Λ 是第 类组织在像素 处的灰度均值， n _ik 第 类组织在像素 Z处 对应的高斯白噪声， 它的分布服从正态分布 W(0， σΐ 故 P(y|x)可以表示 为:

P{y I =

由吉布斯分布表示为：

其中， a 一化常数， f/ (x)为能量函数:

其中， 为第位置的邻域， t^x^为势函数， δ为常数。

最终将后验概率公式转化为：

P(x I y) cxp -U(x)} 分割目标进一步转化为求取分割结果 X， 使得能量函数最小， 即

arg min U (x)

上述第一小步中的 T2-M 图像的能量函数 f/ ₂ (x)可以根据 f/(x)的计算 公式计算出。

上述第二小步中的 DW-MR图像的能量函数 ί/ (χ)可以根据 [/(X)的计 算公式计算出。

由于 T2-MR图像的后验概率 P ₇₂ (x|y _T2 )和 DW-MR图像的后验概率 ^ Wy^)是独立的， 因此 CMAP的分割方法就是求取分割结果 L^， 使 = arg max (P _T1 (x | y _T1 )P _DW (x \ y _DW )) 根据 MAP算法中转化为能量函数的公式， 将上式转化为

P _T1 I y _T 2 ) ^P DW ( ^X y _DW ) ^{∞ eX} p{" i ^U T2 ( ^X ) + β ^ϋ DW ( ^χ ))}

其中 ?是权重系数，用来平衡 T2-MR图像和 DW-MR图像对分割结果的 影响程度。最后 CMAP分割算法的问题就转化为了求取能量函数� �小问题:

arg min(?7 _r2 (x) + βϋ _DW (χ)) 上述第三小步的 T2-MR 图像和 DW-MR 图像的联合能量函数 f^W + ^^ x)就可以根据上述 [/ _f2 (x)和 [/^ (χ)的公式计算出来。

当 ^ = 0时， CMAP方法就成为了 MAP方法， 此时的实验分割结果如 图 4 (d); 当 取不同的值时， T2-MR图像和 DW-MR图像对分割结果的 影响程度也就不同。

为了验证本发明方法， 我们采用手动分割宫颈癌作为标准参考。

图 4给出了本发明给出的这种基于 T2加权的核磁共振成像 (T2-MRI) 和弥散加权的核磁共振成像 （DW-MRI) 的宫颈癌图像自动分割框架实验 效果图。 （a)原图； （b)红色轮廓线内为包含肿瘤和正常组织的感� ��趣区； (c) 配准到 T2-M 图像的 DW-M 图像； （d) 只在 T2-M 图像上采用 MAP方法的宫颈癌分割结果（即 = 0时）； （ e )在 T2-MR图像和 DW-MR 图像上采用 CMAP方法的宫颈癌分割结果 （即 ^ = 1时）； (f) 专家手工分 割结果。

实验表明，本发明方法一一种基于 T2加权的核磁共振成像（T2-MRI) 和弥散加权的核磁共振成像 （DW-MRI) 的宫颈癌图像自动分割框架以及 利用联合最大后验概率 （CMAP) 精确分割宫颈癌肿瘤区域的方法一准确 的分割出了宫颈癌图像的肿瘤区域， 达到了分割肿瘤的目的。

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揭露的技术范 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。