一种mr图像的分割方法及装置制造方法
【专利摘要】本发明适用于医学图像处理【技术领域】，提供了一种MR图像的分割方法及装置，包括：通过多模态的样本MR图像分别进行各个模态的字典学习；建立多模态联合稀疏表示模型；通过所述多模态联合稀疏表示模型，将测试MR图像在所述字典下联合稀疏表示为少数原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表示系数；根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个像素进行分类，获取图像分割结果。本发明提出的多模态联合稀疏表示模型，能够结合多模态MR图像所提供的信息进行多变量联合稀疏表示，大大地提高了图像分割的正确率。
【专利说明】一种MR图像的分割方法及装置
【技术领域】
[0001] 本发明属于医学图像处理【技术领域】，尤其涉及一种MR图像的分割方法及装置。
【背景技术】
[0002] 磁共振（MagneticResonance，MR)成像技术具有较高的软组织分辨率和无损伤 性，可以对不同解剖部位进行断层成像，具有以不同参数实现影像对比度加权，获得高组织 分辨率、高清晰度和提供多种诊断信息的能力，目前已经被广泛应用于脑肿瘤诊断领域。为 了定量分析脑肿瘤的局部病变，需要对脑图像中的肿瘤进行分割，确定肿瘤的体积、大小和 位置。
[0003] 稀疏表示是新近发展的一种机器学习方法，该方法通过对训练样本进行学习，训 练出该类样本相应的字典，并将图像在该字典空间下稀疏地表示为一系列少数原子的线 性组合。目前，稀疏表示已被成功地应用在各种视觉任务中，例如，基于稀疏表示的分类 (SparseRepresentationbasedClassification，SRC)算法，然而，该算法其最初是用于 人脸识别的，人脸识别不需要考虑各个人脸之间的空间关系，而在图像分割中，每个像素都 不是孤立存在的，都会与周围空间的相邻像素存在着一定的联系，因此，将SRC算法直接用 于图像分割中，很难获得精确的分割结果。
【发明内容】
[0004] 本发明实施例的目的在于提供一种MR图像的分割方法，旨在解决现有技术将基 于稀疏表示的算法直接应用于图像分割中，导致图像分割的精确率不佳的问题。
[0005] 本发明实施例是这样实现的，一种MR图像的分割方法，包括：
[0006] 通过多模态的样本MR图像分别进行各个模态的字典学习；
[0007] 建立多模态联合稀疏表示模型；
[0008] 通过所述多模态联合稀疏表示模型，将测试MR图像在所述字典下联合稀疏表示 为少数原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表示系数；
[0009] 根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个像素进行分类， 获取图像分割结果。
[0010] 本发明实施例的另一目的在于提供一种磁共振MR图像的分割装置，包括：
[0011] 训练单元，用于通过多模态的样本MR图像分别进行各个模态的字典学习；
[0012] 联合稀疏表示单元，用于建立多模态联合稀疏表示模型；
[0013] 稀疏编码单元，用于通过所述多模态联合稀疏表示模型，将测试MR图像在所述字 典下联合稀疏表示为少数原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表 示系数；
[0014] 分割单元，用于根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个 像素进行分类，获取图像分割结果。
[0015] 本发明实施例提出的多模态联合稀疏表示模型，能够结合多模态MR图像所提供 的信息进行多变量联合稀疏表示，大大地提高了图像分割的正确率。
【专利附图】
【附图说明】
[0016] 图1是本发明实施例提供的MR图像的分割方法的实现流程图；
[0017] 图2是本发明实施例提供的MR图像的分割方法SlOl的具体实现流程图；
[0018] 图3是本发明实施例提供的MR图像的分割方法的流程示意图；
[0019] 图4是本发明实施例提供的MR图像的分割装置的结构框图。
【具体实施方式】
[0020] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。
[0021] 图1示出了本发明实施例提供的MR图像的分割方法的实现流程，详述如下：
[0022] 在SlOl中，通过多模态的样本MR图像分别进行各个模态的字典学习。
[0023] 在对测试MR图像进行分割之前，首先用多模态训练图像的训练样本分别训练图 像分割所需的每个模态下的不同状态的字典，该字典的训练过程是一个联合稀疏优化的过 程，利用多个模态的样本联合训练多模态的各个分类字典，再将各个分类字典合成一个大 字典。
[0024] 如图2所示，SlOl具体为：
[0025] 在S201中，将每个样本病人所对应的多模态MR图像进行配准。
[0026] 所述多模态MR图像，包括1\加权像、T2加权像、T1C增强像、以及Flair像，所述配 准，就是将不同的图像通过空间变换映射到同一坐标系中，使相应器官的影像在空间中的 位置一致。在配准后的多模态MR图像中，不同模态图像处于同一位置的像素所对应的脑组 织成份是同一种成份。
[0027] 在S202中，在配准后的所述多模态MR图像中分别提取出不同状态的训练样本，所 述不同状态包括水肿状态（即本发明实施例中所述的状态E)、肿瘤状态（即本发明实施例 中所述的状态T)和正常脑组织状态（即本发明实施例中所述的状态N)。
[0028] 在本实施例中，训练样本的提取是根据训练数据所提供的groundtruth标签 来进行的。具体地，对于第i模态的MR图像，分别在水肿状态、肿瘤状态和正常脑组 织状态的训练数据中随机提取Hi1个、m2个、mJnXnXn大小的立体图像块，且这些 图像块是可以重叠的。将提取到的每个图像块表示成列向量，则每个图像块所表示的 向量为，因此，对于第i模态的MR图像，第c种状态的训练样本为一个矩阵 二GiT3%，其中，m。是第i模态的第c种状态的训练样本的个数。
[0029] 在S203中，分别对提取出的第i模态的第j类状态的训练样本进行学习，生成第 i模态的联合字典Z)'=[ζ)'γ.，ζ)?.,ζ)?:.]，其中，所述Z)；表示第i模态的第j类状态的子字典， 所述i= 1，2,……，所述j= 1，2,3e{N，T，E}，所述N表示所述正常脑组织状态，所述T表示所述肿瘤状态，所述E表示所述水肿状态。
[0030] 假定字典的尺寸大小为K，那么，将第i模态的字典表示为 灯=[戌，杯，，这里1?表示第i模态的第j类状态的子字典， j= 1，2,3e{N，T，E}。对于每个子字典D;，是通过对第i模态的第j类样本 JTj=[xK_2,··.,]进行学习后得到的。对于第i模态的训练样本Xi,可以稀疏地表示 为少数原子的一个线性结合
【权利要求】
1. 一种磁共振MR图像的分割方法，其特征在于，包括： 通过多模态的样本MR图像分别进行各个模态的字典学习； 建立多模态联合稀疏表不模型； 通过所述多模态联合稀疏表示模型，将测试MR图像在所述字典下联合稀疏表示为少 数原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表示系数； 根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个像素进行分类，获取 图像分割结果。
2. 如权利要求1所述的方法，其特征在于，所述通过多模态的样本MR图像分别进行各 个模态的字典学习包括： 将每个样本病人所对应的多模态MR图像进行配准； 在配准后的所述多模态MR图像中分别提取出不同状态的训练样本，所述不同状态包 括水肿状态、肿瘤状态和正常脑组织状态； 分别对提取出的第i模态的第j类状态的训练样本进行学习，生成第i模态的联合 字典zy=tD'Y，D;.,z：g，其中，所述g表示第i模态的第j类状态的子字典，所述i= 1,2,……，所述j= 1，2, 3e{N，T，E}，所述N表示所述正常脑组织状态，所述T表示所述肿 瘤状态，所述E表示所述水肿状态。
3. 如权利要求1所述的方法，其特征在于，所述建立多模态联合稀疏表示模型包括： 在所述预设的多模态联合稀疏表示模型中引入图正则方法，并通过lu联合稀疏优化 的方法对多模态进行稀疏表示。
4. 如权利要求1所述的方法，其特征在于，所述方法还包括： 利用交替方向乘子ADMM法优化所述稀疏表示系数。
5. 如权利要求1所述的方法，其特征在于，所述将所述测试MR图像的每个像素进行分 类，获取图像分割结果包括： 利用最小稀疏重建误差来对所述测试MR图像的每个像素进行分类，获取图像分割结 果。
6. -种磁共振MR图像的分割装置，其特征在于，包括： 训练单元，用于通过多模态的样本MR图像分别进行各个模态的字典学习； 联合稀疏表示单元，用于建立多模态联合稀疏表示模型； 稀疏编码单元，用于通过所述多模态联合稀疏表示模型，将测试MR图像在所述字典下 联合稀疏表示为少数原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表示系 数； 分割单元，用于根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个像素 进行分类，获取图像分割结果。
7. 如权利要求6所述的装置，其特征在于，所述训练单元包括： 配准子单元，用于将每个样本病人所对应的多模态MR图像进行配准； 样本提取子单元，用于在配准后的所述多模态MR图像中分别提取出不同状态的训练 样本，所述不同状态包括水肿状态、肿瘤状态和正常脑组织状态； 字典训练子单元，用于分别对提取出的第i模态的第j类状态的训练样本进行学习，生 成第i模态的联合字典，其中，所述表示第i模态的第j类状态的子 字典，所述i= 1，2,……，所述j= 1，2,3e{N，T，E}，所述N表示所述正常脑组织状态，所 述T表示所述肿瘤状态，所述E表示所述水肿状态。
8. 如权利要求6所述的装置，其特征在于，所述联合稀疏表示单元具体用于： 在所述预设的多模态联合稀疏表示模型中引入图正则方法，并通过lu联合稀疏优化 的方法对多模态进行稀疏表示。
9. 如权利要求6所述的装置，其特征在于，所述装置还包括： 优化单元，用于利用交替方向乘子ADMM法优化所述稀疏表示系数。
10. 如权利要求6所述的装置，其特征在于，所述分割单元具体用于： 利用最小稀疏重建误差来对所述测试MR图像的每个像素进行分类，获取图像分割结 果。
【文档编号】G06T7/00GK104484886SQ201410856328
【公开日】2015年4月1日 申请日期:2014年12月31日 优先权日:2014年12月31日
【发明者】李玉红, 秦璟, 贾富仓, 王琼, 王平安 申请人:深圳先进技术研究院