论文部分内容阅读
由于脑部磁共振成像(Magnetic Resonance Imaging,MRI)技术具有非介入性、高处理速度、高分辨率、对受试者无电离损伤等特点,已得到研究人员以及放射科影像医生的广泛关注,是临床诊断与研究的重要技术手段。脑部磁共振图像分割是计算机辅助医疗诊断的重要步骤,它可以提供有关脑部健康组织结构以及病变区域的形状、位置和统计信息,不仅为脑部病变的量化研究提供帮助,还可以动态诊断分析大脑组织结构的变化以及病变的发展过程,在大脑疾病预测、治疗以及预后诊断分析等方面起着至关重要的作用。多发性硬化症(Multiple Sclerosis lesion,MS lesion)的病理学特征是脱髓鞘、轴突脱落以及神经胶质细胞增多。病灶发病与年龄的相关性表明,疾病的发病年龄越小,多发性硬化症病变和脑萎缩就越严重。多发性硬化症病灶多位于脑室周围,尤其是在靠近脑室体部和侧脑室角部的室管膜下静脉处。病灶在磁共振(Magnetic Resonance,MR)图像的不同模态显示为不同的亮度信号,在Tl-w显示为中信号,在T2-w显示为高信号,在FLAIR显示为高信号。临床专家通常根据MS lesion的病理解剖特点以及在MRI中的成像特征,在许多脑部核磁共振图像切片上人工描绘病灶边界,根据描绘的边界来考虑病变与周围组织的空间关系进而确定患者的治疗计划。然而影像学专家手动分割耗时耗力、过程繁琐、易受专家本身的专业技能和经验等因素影响,因此,如何在核磁共振图像中有效地自动分割MS lesion 已经是近年来专家学者的一个重要的研究课题。本文提出一种基于模糊C均值和概率标签融合的MS lesion分割算法,该算法可以有效地分割MR图像中的MS lesion。选取MICCAI 2008 MS lesion分割挑战赛20个公开的数据集,数据集中每一个MR图像都包含T1-w,T2-w和FLAIR三个模态,每个模态的各向同性分辨率为0.5mm,尺寸为512*512*512。算法的主要步骤为:(1)使用Medical Image Processing,Analysis and Visualization(MIPAV)软件对数据集预处理,预处理操作包括下采样、去脑壳和灰度归一化,最后得到尺寸为256*256*256、只含有大脑颅内空间并且灰度偏差减小的MR图像;(2)将改进的SLIC超像素算法用于MR图像分割预处理步骤中,得到含有K个超像素的MR图像。该算法可以有效地抑制噪声对MR图像分割的影响,超像素保留了图像分割的有效信息,以超像素代替像素作为图像处理的基本单元可以减少数据处理的复杂度,增加图像分割的精确性;(3)在MR图像不同模态MS lesion分割步骤中采用基于超像素的模糊C均值算法以解决MR图像灰度不均匀、边界模糊的问题,通过引入超像素的邻域信息约束提高了多发性硬化症分割的精度;(4)在多模态MR图像融合步骤中采用概率标签融合算法可以动态结合各模态分割的优势,该算法基于局部加权投票策略,使用同一病人已配准的不同模态MR图像分割的结果作为输入,把通过计算得到的目标图像与给定的模态图像之间的最大似然函数作为每个模态唯一的权重系数,经过融合输出最终的MS lesion分割结果;(5)通过对比自动分割结果与专家分割结果得到本文算法的评估指标 DSC(Dice Similarity Coefficient)、PPV(Positive Predictive Value)和 TPR(True Positive Rate)。本文算法的分割结果要优于其他分割算法,这证明了本文算法对于提高MR图像中病灶的分割精度具有显著的效果。