CN103098090B - 多参数三维磁共振图像脑肿瘤分割方法 - Google Patents

Abstract

对多参数三维磁共振图像进行脑肿瘤自动分割的方法，对图像中每个体素进行分类并获取其属于脑肿瘤区域的概率；提取图像的多尺度结构信息；基于初始脑肿瘤概率图像和图像的多尺度结构信息构建多尺度的脑肿瘤概率图像；基于多尺度的脑肿瘤概率图像确定显著的肿瘤区域；基于初始图像的肿瘤概率信息和显著肿瘤区域获取鲁棒的肿瘤分割初始标签；使用基于图论的标签传播方法分割脑肿瘤区域。本发明获取统计上可靠的、空间上紧凑的且具有足够体素数目的鲁棒肿瘤分割初始标签信息，有利于肿瘤分割结果的准确性和可靠性。基于标签传播的分割方法在一定程度上降低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，提高了肿瘤分割的稳定性。

Description

多参数三维磁共振图像脑肿瘤分割方法

技术领域

本发明涉及医学图像处理技术领域，特别涉及对多参数三维磁共振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脑肿瘤区域进行分割具有重要的意义。准确的脑肿瘤区域分割能够为临床诊断、手术计划的制定和治疗效果的评估提供重要的信息。在当前的临床应用中往往由专家对肿瘤区域进行手工分割，不仅费时、费力，而且分割结果容易受到专家知识水平、临床经验以及其他一些主观因素的影响。因此，开发准确、可重复的脑肿瘤自动分割算法具有重要的实际意义。

近年来，研究人员提出多种肿瘤的自动分割方法，如基于统计分类的方法、基于聚类的方法、基于动态轮廓模型的方法。包含空间限制的统计分类方法取得了较好的分割结果，但待分割图像和训练图像的之间的不一致性会显著降低这类方法的效果；而基于聚类或动态轮廓模型的方法往往需要合理的初始化参数以得到可靠的分割结果。为了降低个体图像间的不一致性造成的影响并提高算法的辨别能力，基于图的交互式分割算法越来越多的被应用到医学图像分割中，如图割、随机行走等。这类方法首先从用户输入的目标区域和背景区域提取对应的统计模型，然后利用基于模型的数据项和基于空间限制的平滑项计算最终的分割结果。因此，目标区域和背景区域选取的位置、大小对分割的结果具有重要的影响。然而，在三维图像中初始区域的手工选择也是一个耗时的过程，其稳定性也会受到图像质量的影响，尤其是在目标区域边界比较模糊的情况下。

相关研究人员也提出了自动的目标区域和背景区域的初始化方法。这些方法一般使用统计分类方法对图像进行预分割，然后对预分割的结果使用阈值、形态学操作进行后处理，进而得到初始的目标区域和背景区域，如文献Li et al.，“Segmentation of Brain Tumorsin Multi-parametric MR Images via Robust Statistic InformationPropagation”，ACCV 2010，pgs.606-617；Wang et al.，“FullAutomatic Brain Tumor Segmentation Using A Normalized GaussianBayesian Classifier and 3D Fluid Vector Flow”，ICIP 2010，pgs.2553-2556。然而，对于不同的图像，后处理过程中的相关参数往往差异比较大，影响初始化的结果，从而降低最终分割结果的准确性。

发明内容

本发明提供一种对多参数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，一种对多参数三维磁共振图像进行脑肿瘤自动分割的方法，包括步骤：

对图像中每个体素进行分类并获取其属于脑肿瘤区域的概率；

提取图像的多尺度结构信息；

基于初始脑肿瘤概率图像和图像的多尺度结构信息构建多尺度的脑肿瘤概率图像；

基于多尺度的脑肿瘤概率图像确定显著的肿瘤区域；

基于初始图像的肿瘤概率信息和显著肿瘤区域获取鲁棒的肿瘤分割初始标签；

使用基于图论的标签传播方法分割脑肿瘤区域。

本发明能够获取统计上可靠的、空间上紧凑的且具有足够体素数目的鲁棒肿瘤分割初始标签信息，有利于提高肿瘤分割结果的准确性和可靠性。基于标签传播的分割方法能够在一定程度上降低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，提高肿瘤分割的稳定性。

附图说明

图1是包含肿瘤的多参数磁共振脑图像；

图2是本发明一种实施方式的流程图；

图3是多尺度磁共振图像和肿瘤概率图像的示意图；

图4是边界尺度检测过程的示意图；

图5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本发明的理解，而不起任何限定作用。

本发明的实施目的是对多参数三维磁共振图像进行脑肿瘤区域的自动分割。使用的多参数三维磁共振图像包括T1加权像，T2加权像以及FLAIR加权像。如图1所示，图像102、104、106分别展示了一层不同参数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FLAIR加权像；图像108展示了由专家手工分割的脑肿瘤区域。

本发明综合利用由训练图像得到的统计肿瘤信息和待分割图像自身的多尺度结构信息确定鲁棒的肿瘤分割初始标签，进而使用基于图的标签传播方法进行肿瘤区域的精确分割。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以提供统计肿瘤信息；基于体素间图像特征相似性的聚合方法递归地对图像进行粗化以提取多尺度的图像结构信息；基于统计肿瘤信息和多尺度图像结构构建多尺度的统计肿瘤信息，并根据多尺度统计肿瘤信息的变化趋势使用感知显著点检测的方法确定显著的肿瘤区域；结合统计肿瘤信息和显著肿瘤区域确定鲁棒的肿瘤分割初始标签；最后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，通过优化相应的目标函数获得最终的分割结果。

图2展示了使用本方法进行多参数磁共振图像脑肿瘤自动分割的流程。

在步骤202中，读取多参数三维磁共振图像，其中包括T1加权像，T2加权像，FLAIR加权像；因此，多参数图像中的每个体素包含三个灰度值，对应于三个脉冲序列的图像。

在步骤204中，对多参数三维磁共振图像进行预处理，其步骤主要包括：1)多参数图像间的图像配准以消除可能存在的头动影响；2)去除图像中的非脑组织；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 MRimage Analysis and Implementation as FSL”，NeuroImage 23(2004)，pgs.208-219；Smith，“Fast robust Automated BrainExtraction”，Human Brain Mapping 17(2002)，pgs.143155；Sledet al.，“A Nonparametric Method for Automatic Correction ofIntensity Non-uniformity in MRI 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，从而得到初始肿瘤概率图像。对于每个体素，本实施方法中使用其空间邻域内所有节点的多参数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或非肿瘤并输出相应的分类概率。由于利用传统的支持向量机进行分类没有考虑分割结果的空间限制，往往会产生一些错分的孤立的假阳性肿瘤区域，如图5的504所示。

在步骤208中，根据体素之间图像特征的相似性通过聚合的方式提取图像自身的多尺度结构信息。多尺度的图像信息能够为目标区域的检测提供更为鲁棒和丰富的信息，本实施方法中采用了高效的SWA方法提取多尺度的图像信息，具体实施方式可参阅文献：E.Sharon，et al，“Fast multiscale image segmentation”，CVPR 2000，pgs.70-77。SWA方法递归地粗化初始图像：根据体素之间图像特征的相似性将性质相似的体素聚合成为体元并计算其统计图像特征，进而递归地根据体元间统计图像特征的相似性进一步聚合，直至整个图像聚合成为唯一一个体元，从而生成多尺度的图像层级结构。这个图像层级结构包含了不同尺度上的图像表示：在层级结构的底部，不同的体素/体元表示不同的脑组织结构，如灰质、白质、脑脊液、水肿区域、肿瘤区域、肿瘤坏死区域等；随着层级的升高，不同的体元表示更为概略的信息，如非肿瘤区域、肿瘤区域等；在层级结构的顶部，非肿瘤区域和肿瘤区域聚合成混合区域。

在步骤212中，基于由步骤206得到的初始肿瘤概率图像和由步骤208得到的多尺度图像结构信息构建多尺度的肿瘤概率图像，即将初始脑肿瘤概率图像作为初始图像，使用基于多参数图像得到的层级结构对其进行聚合。这个过程等价于基于图像结构的自适应的图像平滑过程，能够自适应的去除由于传统统计分类过程中缺少空间限制而导致的离散的肿瘤概率值较高的区域。多尺度的磁共振图像和肿瘤概率图像如图3所示，其中图302至图310为不同尺度的FLAIR图像，图312至图320为不同尺度的肿瘤概率图像。

在步骤214中，基于多尺度的肿瘤概率图像确定显著的肿瘤区域。原始SWA算法中并没有包含目标区域检测的方法，本实施方法中利用感知显著点检测的方法从多尺度的肿瘤概率图像中确定显著的肿瘤区域，具体实施方式可参阅参考文献：F.L.Chung，et al，“Anevolutionary approach to pattern-based time seriessegmentation”，IEEE Transactions on Evolutionary Computation8(2004)，pgs.471-489。由多尺度的图像层级结构生成过程可以预见，肿瘤概率图像的多尺度聚合过程可以分为两个阶段：在第一阶段，非肿瘤区域的体素、肿瘤区域的体素分别聚合成较大尺度上的体元；在第二阶段，当尺度超过一定的阈值时，非肿瘤区域和肿瘤区域聚合成混合区域。对于单个体素来讲，随着聚合的尺度不断增加，其对应的统计肿瘤概率值会发生相应的变化，本方法中将这个变化过程记作该体素的统计肿瘤概率变化轨迹。由于在聚合的第一阶段，一般都是具有相同性质的体素/体元间的聚合，可以预见其统计肿瘤概率不会发生剧烈的变化；在聚合进行到第二阶段时，不同性质的体元聚合成混合区域，其统计肿瘤概率将会发生剧烈的变化，本方法中将此时的尺度记作边界尺度。本方法使用每个体素统计肿瘤概率变化轨迹的第一个感知显著点来确定其边界尺度，其计算方法如下：

$\underset{s}{\max }|{\mathrm{Tp}}_0+({\mathrm{Tp}}_e-{\mathrm{Tp}}_0)\×\frac{s}{e}-{\mathrm{Tp}}_s|,---\left(1\right)$

其中Tp_s为该体素在尺度s的肿瘤概率，Tp₀和Tp_e分别是在第一个和最后一个尺度上的肿瘤概率值。第一个感知显著点的检测过程如图4的402所示。在确定了所有体素的边界尺度之后，整个图像的边界尺度由投票策略确定，体素边界尺度发生次数最多的尺度即为图像的边界尺度，其过程如图4的404所示。显著肿瘤区域在图像边界尺度的肿瘤概率图像中通过以下方法确定：首先计算边界尺度的概率图像中所有体元的肿瘤概率的均值和标准差；然后肿瘤概率值大于均值超过一个标准差的体元被认为是显著的肿瘤区域。这种检测方法能够处理包含多个肿瘤区域的图像。

在步骤216中，根据原始图像的肿瘤概率信息和显著肿瘤区域确定肿瘤分割的初始标签：区域SVM_t∩Cand_t中的体素标记为初始肿瘤区域，区域(SVM_t∪Cand_t)\(SVM_t∩Cand_t)中的体素记为未标记区域，其余的体素记为非肿瘤区域，其中SVM_t为由初始肿瘤概率确定的肿瘤区域，Cand_t为步骤214中确定的显著肿瘤区域。由此过程确定的分割初始标签能够同时保持统计的可靠性和空间分布的紧凑性，仅对可靠分类的体素进行标签初始化，以减少由于个体图像差异对分割造成的不良影响。

在步骤210和218中，为待分割图像建立图的表示并基于步骤216中得到的鲁棒分割初始估计使用基于标签传播的方法获得最终分割结果。基于图的分割方法将待分割图像看作一个加权图G(V，E)，其中V中的每个节点对应图像中的每个体素，E中的每条边对应一对节点之间的关系，并被赋予权重以度量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非肿瘤区域。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。关于图的建立及目标函数优化过程、在肿瘤图像分割中的应用过程可参阅文献：Zhou etal.，“Learning with local and global consistency”，Advancesin Neural Information Processing Systems(2004)，pgs.321-328；Li et al.，“Segmentation of Brain Tumors in Multi-parametricMR Images via Robust Statistic Information Propagation”，ACCV2010，pgs.606-617。

在步骤220中，输出分割的脑肿瘤区域：分割的肿瘤区域可以通过将二值掩膜图像覆盖到多参数磁共振图像上得到。

图5给出了使用本方法对图1中所示磁共振图像进行脑肿瘤分割得到的结果。其中，图502为FLAIR加权像(和图1中106相同)；图504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506为单独基于初始肿瘤概率图像通过阈值、形态学操作确定的标签初始化的结果(蓝色为肿瘤，红色为非肿瘤)；图510为基于多尺度肿瘤概率图像和SWA方法得到的显著肿瘤区域；图像512为本方法得到的鲁棒的初始化标签；图像508为本方法得到的最终分割结果。通过图像506和512相比较可以看出，综合利用统计分类器的结果以及图像自身的多尺度结构能够提取到统计上可靠、空间分布紧凑的初始化标签，有助于提高最终分割结果的准确性；通过图508和图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。

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。

Claims (9)

1.一种对多参数三维磁共振图像进行脑肿瘤自动分割的方法，包括步骤：

对图像中每个体素进行分类并获取其属于脑肿瘤区域的概率；

提取图像的多尺度结构信息；

基于初始脑肿瘤概率图像和图像的多尺度结构信息构建多尺度的脑肿瘤概率图像；

基于多尺度的脑肿瘤概率图像确定显著的肿瘤区域；

基于初始图像的肿瘤概率信息和显著肿瘤区域获取鲁棒的肿瘤分割初始标签；

使用基于图论的标签传播方法分割脑肿瘤区域；

所述提取图像的多尺度结构信息包括：基于体素间图像特征相似性的聚合方法提取图像的多尺度结构，其中根据体素间图像特征的相似性，将性质相似的体素聚合成体元并计算其对应的肿瘤概率，进而递归地根据体元间图像特征的相似性进行聚合，直至将整幅图像聚合成一个体元，从而得到多尺度的图像结构，在图像递归聚合的同时得到肿瘤概率的多尺度概率图。

2.按权利要求1所述的方法，其特征在于还包括图像预处理步骤：

多参数图像间的图像配准以实现多参数图像的空间一致性；

去除图像中的非脑组织；

图像偏差场校正以减轻图像的灰度不均匀性；

不同个体图像间的灰度标准化。

3.按权利要求1所述的方法，其特征在于所述对图像中每个体素进行分类并获取其属于肿瘤区域的概率包括：

使用基于支持向量机的分类器进行分类并获取所述概率。

4.按权利要求3所述的方法，其特征在于对于多参数磁共振图像中的每一个体素，根据其一空间邻域内所有体素的多参数灰度信息构建特征向量，进而使用支持向量机进行分类并获取其属于肿瘤区域的概率。

5.按权利要求1所述的方法，其特征在于所述确定显著的肿瘤区域包括

计算边界尺度的概率图像中所有体元的肿瘤概率的均值和标准差；

肿瘤概率值大于均值且肿瘤概率值与均值的差值超过一个标准差的体元被认为是显著的肿瘤区域。

6.按权利要求1所述的方法，其特征在于所述基于图论的标签传播方法包括：

基于图像信息构建相应的图结构；

初始化图结构的标签信息；

迭代地求解基于图的能量函数。

7.按权利要求6所述的方法，其特征在于所述基于图像信息构建相应的图结构包括：

构建无向加权图，其中每个节点对应于多参数磁共振图像中的一个体素，每条边的权重对应于所连接两节点的特征相似性度量。

8.按权利要求6所述的方法，其特征在于所述初始化图结构的标签信息包括：

图中各节点具有一个标签值，根据各节点对应的初始肿瘤概率以及检测得到的显著肿瘤区域确定节点初始标签。

9.按权利要求6所述的方法，其特征在于所述基于图的能量函数包括最终标记结果、初始标记一致性的度量、以及节点之间标记一致性的度量。