本发明涉及医学图像处理技术领域，特别涉及 对多模态磁共振脑图像 进行脑肿瘤自动分割的方法。 背景技术

在医学影像诊断中，对磁共振脑图像中的肿瘤 区域进行检测和分割具 有重要的意义。可靠、精确地分割脑肿瘤区域 不仅能够为手术计划的制定 和治疗效果的评估提供有用的信息，而且可以 用来对病变组织进行建模以 及构建带有病变的脑图谱为科学研究所利用。 然而， 当前在临床活动中往 往是临床专家对肿瘤区域进行手动分割， 这不仅费时、 费力， 而且不同时 间点、 由不同专家分割的结果经常存在较大的差异。 因此， 全自动的脑肿 瘤图像分割算法实施起来具有一定的优势。 尽管研究人员为了开发高效、 准确、可重复的脑肿瘤分割算法已经付出了巨 大的努力， 但是由于病人个 体间脑肿瘤的形状、 大小、位置之间存在很大差异， 开发鲁棒的自动分割 算法仍然是个很大的挑战。

近年来， 基于图的图像分割方法越来越多地被应用于医 学图像分割， 如图割、随机行走等。 图割的方法基于图像的区域信息和边界信息对 图像 进行分割， 区域信息通过计算图像像素隶属于某一区域的 概率进行度量， 边界信息通过计算图像像素之间的相似性进行 度量，包含像素之间灰度的 相似性以及空间位置的邻近性。 在已有的工作中， Wels (Wels et al. , "Method and System for Brain Tumor Segmentation in 3D Magneti c Resonance Images "， United States Patent Appl ication Publication, Pub. No.： US 2010/0027865 )，提出利用基于 PBT(probabi listic boosting tree)的分类器和图割的方法进行脑肿瘤分割。� ��中， 使用在训练图像集 上训练得到的 PBT分类器为待分割图像中的体素进行区域信息 的度量；边 界信息通过相邻图像体素间的灰度相似性度量 。基于有监督学习的 PBT分 类器的分类表现依赖于训练图像集中图像灰度 信息和待分割图像灰度信 息的一致性， 对于磁共振图像， 由于采集过程中的噪声、 偏差场以及病人 个体之间的差异， 个体图像之间往往存在较大的灰度差异， 因此， 完全依 赖于训练统计信息得到的区域信息度量并不完 全可靠，部分不可靠的信息 度量将会影响后续的图割结果。此外， 边界信息的度量只考虑直接相邻体 素之间的联系， 导致最终的图割结果对于图像噪声不鲁棒， 即使少量的噪 声都会对图的最小割结果产生较大的影响， 进而影响最终的图像分割边 界。 发明内容

本方法的目的是提供一种对多模态三维磁共振 图像进行脑肿瘤自动 分割的方法。

为了实现上述目的，一种对多模态三维磁共振 图像进行脑肿瘤自动分 割的方法， 包括步骤：

对输入的多模态三维磁共振图像进行预处理；

对预处理后的待分割图像中的每个体素进行分 类并计算其隶属于脑 肿瘤区域的概率， 根据分类概率确定图像分割的初始标签信息；

对预处理后的待分割的图像建立图的表示；

根据初始标签信息和图的表示求得肿瘤区域分 割结果。

本发明通过发掘待分割图像自身灰度信息局部 和全局的一致性，进而 实现肿瘤区域的分割。这种实施方式能够在一 定程度上减少病人个体图像 间灰度差异和训练统计信息不充分对分割结果 造成的影响。 附图说明

图 1是包含肿瘤的多模态磁共振脑图像；

图 2是本方法一种实施方式的流程图；

图 3是对图 1 中脑肿瘤图像进行分割的结果。 具体实施方式

下面结合附图详细说明本发明技术方案中所涉 及的各个细节问题。应 指出的是， 所描述的实施例仅旨在便于对于本发明的理解 ， 而不起任何限 定作用。 动分割。 多模态三维磁共振图像包括 Tl加权像， T2加权像以及对比度增 强的 T1加权像。 如图 1所示， 图像 102， 104， 106分别展示了一层不同 模态磁共振图像的轴状位视图， 其中， 102 为 T1加权像， 104为 T2加权 像， 106为对比度增强的 T1加权像； 图像 108给出了肿瘤区域标准分割 的结果。

本方法综合利用统计判别方法和基于图的标签 传播方法进行肿瘤区 域的分割。基于支持向量机的分类器利用各体 素的图像上下文信息进行分 类判别， 进而用来初始化肿瘤区域的分割； 基于图的标签传播方法依据图 像体素之间的灰度相似性、空间结构邻近性以 及多模态图像边缘信息， 通 过优化相应的目标函数求得最终的分割结果。

图 2 展示了使用本方法进行多模态磁共振图像脑肿 瘤分割的流程。 在步骤 202中， 获取多模态三维磁共振图像， 其中包括 T1加权像， T2加权像， 对比度增强的 T1加权像。 因此， 多模态图像中的每个体素包 含三个灰度值， 对应于各个脉冲序列的图像。

在步骤 204中， 对多模态三维磁共振图像进行预处理， 主要包括： 1) 多模态图像间的图像配准以消除可能存在的头 动影响； 2) 去除多模态图 像中的非脑组织； 3) 图像偏差场校正以减轻图像的灰度不均匀性； 4) 不 同病人个体图像间的灰度标准化。具体实施方 法可参阅文献： Smith et al . , "Advances in Functional and Structural MR image Analysis and Implementation as FSL"， Neurolmage 23 (2004) , pgs. 208 219， Smi th, " Fast robust Automated Brain Extraction "， Human Brain Mapping 17 (2002) , pgs. 143-155, Sled et al. , "A Nonpar ame trie Method for Automatic Correction of Intensi ty Non-uniformity in MR I Data"， IEEE Trans. Med. Imaging 17 (1998) , pgs. 87 97。

在步骤 206中，使用在训练图像集上训练得到的基于支 持向量机的分 类器对待分割图像中每个体素进行分类并计算 其属于肿瘤区域的概率。基 于支持向量机的分类器能够结合多种图像特征 ，并在特征空间中寻找最优 超平面， 使分类结果具有最大的分类边界以及最小的分 类误差。对于每个 体素，本方法使用其空间邻域内所有节点的多 模态图像灰度信息构成特征 向量， 作为支持向量机的输入。训练支持向量机所使 用的相关参数通过交 叉验证的方法确定。支持向量机将每个体素分 类为肿瘤区域或正常组织并 输出相应的分类概率， 这个概率表示了分类结果的可靠性。根据由支 持向 量机得到的分类概率确定图像分割的初始标签 信息：分类概率高于一定阈 值的体素被标记为初始标记的体素。

在步骤 210中， 为待分割的磁共振图像建立图的表示。基于图 的分割 方法将待分割图像建模为一个加权图 GO''. £)，其中 1''中的每个节点对应图像 中的每个体素， £中的每条边对应一对节点并且被赋予权重以� ��述两端节 点特征的相似性。在图的表示下， 肿瘤区域分割问题转化为对图中每个节 点赋予前景或背景的标签值， 分别表示肿瘤区域和正常组织区域。 由聚类 假设可知，邻近的节点或者处于相同特征结构 上的节点可能具有相同的标 签值。 因此， 给定部分标记节点的标签信息， 未标记节点的标签值可以根 据节点间的特征一致性由标记节点的标签信息 推测获得。此标记问题可以 通过求解下列目标函数获得：

Q(F) = F ^T (J― 5}F + ii(F - h^ (J― (1) 其中 /为单位矩阵， 5为规整化的相似性矩阵， f为最终标签信息， 为初 始的标签信息。式中的第一项是邻近节点具有 相似的标签信息的局部一致 性约束条件， 第二项是最终标记结果和初始标签信息的一致 性的约束条 件， 两者通过参数权衡以求得满足局部和全局一致 性的标记结果。

由于未标记节点基于边的权重吸收来自其他节 点的标签信息，所以部 分初始可靠标记的节点以及定义合理的边权重 对于成功地进行图像分割 具有重要影响。 在本方法中， 初始标签信息^ _t .由基于支持向量机的分类 器提供。在计算图中边权重的过程中， 本方法全面地考虑了多模态图像灰 度信息的相似性、空间解剖结构的邻近性以及 多模态图像的边缘信息， 边 权重定义如下：

其中 和 . 分别度量多模态图像灰度信息的相似性和空间 结构邻近 性， 4 是和多模态图像边缘信息有关的数据项， 和 J'为图中不同的节点。 和 计算如下： - h l< r ， （4) rwise 其中 为节点 A的多模态图像灰度向量， k.为节点 的空间位置， 和 控制相应核函数的尺度。多模态图像边缘信息 被嵌入到一个 "边界停止" 函数中， 该函数可以为任意对图像噪声鲁棒的单调递减 函数。 本实现中， 度量图像边缘信息的数据项计算如下：

!/ G _{;i ≤ ¾} , ， (5) i 0 otherwise

其中 为图像中沿节点 i j方向上 i-J'之间的最大图像梯度幅值， _¾ 为控 制函数尺度的参数。 此数据项用来指示节点间是否存在图像边缘， 值 比较小意味着节点 和 j处于相同区域的概率比较低， 从而应该限制两 者之间的标签信息传播。 的值可以通过鲁棒统计的技巧来估计。

在步骤 212中，基于在步骤 208中的初始标签信息和在步骤 210中建 立的图， 优化式（1)中的目标函数， 从而求得最终的肿瘤区域分割结果。

Q(F) 的极小化问题可以通过迭代的方式求得， 计算过程如下：

F" ^t+1 = (1 ~ }SF ^m + aL, _t , (6) 其中 ^为第 A次迭代更新得到的标签信息， F。和 i _:fU 相同， 0 < 《1是和《相 关的参数， 用来平衡来自其他节点的信息以及节点自身的 初始信息。此迭 代过程可以看作标签信息传播的过程： 在每次迭代中， 每个节点吸收来自 其他节点的信息， 并保持部分自身的初始信息。 当迭代过程收敛时， 每 个未标记的节点被标记为其吸收最多标签信息 的类别，从而得到相应的二 值掩膜图像。

关于图的建立及目标函数优化过程可参阅文献 ： Zhou et al.，

"Learning with local and global consistency"， Advances in Neural Information Processing Systems (2004) , pgs. 321 328 在步骤 214中， 输出分割得到的脑肿瘤区域： 分割的脑肿瘤区域可以 通过将二值掩膜图像覆盖到多模态磁共振图像 上得到。

图 3给出了使用本方法对图 1中所示磁共振脑图像进行肿瘤分割得到 的结果。其中， 图像 302 为原始的对比度增强的 T1加权像（和图 1中 106 相同）； 图像 304为单独使用基于支持向量机的分类器进行肿 瘤分割得到 的结果； 图像 306为对肿瘤和正常组织进行分割标记初始化的 结果 (红色 为肿瘤， 蓝色为正常组织）； 图像 308为使用本方法得到的最终肿瘤分割 结果。通过图像 308和图 1中的 108相比较可以看出， 本方法能够准确地 对脑肿瘤区域进行分割。

不同于目前常用的脑肿瘤图像分割方法，本发 明利用由支持向量机提 供的鲁棒统计信息指导基于图论的标签传播方 法进行分割，其特色和创新 主要在于： 1) 使用在训练图像集中得到的统计判别模型以提 供可靠的统 计肿瘤信息； 2) 使用基于图理论的半监督学习方法将可靠的统 计肿瘤信 息根据待分割图像局部和全局的一致性传播到 整个图像空间； 3) 使用鲁 棒的 "边界停止"函数加强对图中边权重的描述， 以限制图像不同属性区 域节点之间的信息传播。

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披露的技术范 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。