基于多模态MRI数据的脑瘤术后空间域分割方法技术

本发明专利技术公开了一种基于多模态MRI数据的脑瘤术后空间域分割方法，其特征在于，包括以下步骤：(1)获得脑瘤手术后的MRI数据，对数据进行预处理，(2)将步骤(1)的数据映射到空间域上进行分割处理，所述空间域分割处理包括以下步骤：①构建正常人脑不同组织对称性模板，②提取Haar结构特征，③将结构随机森林方法结合AdaBoost框架获得初步的概率结果，④利用相似性区域增长算法增长标签，获得空间域分割结果。本发明专利技术基于AdaBoost框架重采样结合结构随机森林算法，提高了采样的效率；利用四维Haar特征更能保证图像的全局和局部特征，利用优化的相似性准则进行区域增长，从而提高局部区域的准确性。

Spatial domain segmentation method for brain tumor surgery based on multimodal MRI data

The invention discloses a multi-mode MRI data based on spatial domain after brain tumor segmentation method, characterized by comprising the following steps: (1) to obtain data of MRI brain tumor after surgery, the data pretreatment, (2) the step (1) of the data is mapped to the space domain segmentation processing. The spatial domain segmentation process includes the following steps: 1. Construct a normal brain tissue with different symmetry template, the extraction of Haar structure, the structure of random forest method combined with the AdaBoost framework to obtain the preliminary results of the probability, using the similarity of regional growth algorithm growth label, spatial domain segmentation results obtained. The invention of AdaBoost frame structure with resampling algorithm based on random forest, improves the sampling efficiency; using four-dimensional Haar features to ensure the image of global and local features, using the optimized similarity criterion for regional growth, so as to improve the accuracy of local area.

【技术实现步骤摘要】
基于多模态MRI数据的脑瘤术后空间域分割方法
本专利技术属于图像处理与生物医学结合的
，尤其是一种基于多模态MRI数据的脑瘤术后空间域分割方法。
技术介绍
脑肿瘤(脑瘤)严重威胁人类健康。磁共振图像(MRI)分割是脑瘤手术放射治疗计划制定、长期纵向研究的一个重要前提。本方法基于多模态MRI数据的脑瘤术后分割，具有重要意义。脑肿瘤是指生长在颅腔内的癌性物质，包括脑实质发生病变引起的原发性肿瘤，也有由身体其他部位转移侵入颅内的继发性肿瘤。在人群中发病率很高，已经成为危害人民生命健康的重要肿瘤之一。而且不论其性质是良性还是恶性，一旦在颅内占据一定空间，势必压迫脑组织，造成颅内压升高、中枢神经损害，危及患者的生命。全球每年发生原发性脑瘤的人数约为250,000人，2013年最新的肿瘤流行病学调查研究结果表明，脑肿瘤发病率占全身肿瘤发病率的1.4％，而死亡比例超过2.4％。2011年中国肿瘤登记地区脑瘤新发病例数为87220例，发病率为6.47/10万，年因脑瘤死亡病例数为50777例。世界卫生组织根据脑肿瘤的恶性程度将其分成四级：I级为良性，II级为低度恶性，II和IV为高度恶性。I级和II级的脑瘤有着比较好的预后，手术的紧迫性没有高度恶性的肿瘤高，有时仅作观察随访即可。具有高度恶性的胶质母细胞瘤，可以发生时即为胶质母细胞瘤，也可从良性的星形细胞瘤恶变而来。目前在临床工作中，手术加术后放疗已成为脑瘤的常规治疗模式，已被公认是一种有效治疗手段。针对磁共振成像(MRI)进行脑肿瘤区域分割是脑瘤手术放射治疗计划制定、长期纵向研究的一个重要前提。在各种医学影像学技术中，磁共振成像(MRI)对软组织有着很强的分辨力，所以据此界定肿瘤边界更为准确。MRI图像脑肿瘤分割在诊断、病理分析、治疗以及科学研究等方面具有重要意义。临床上一般由有经验的医生根据解剖知识，利用计算机辅助软件手工勾画分割肿瘤区域。但是，人工分割的主观性很强，不同的医生对同一病人的磁共振图像会有不同的判断结果，同一个医生在不同的时期对同一病人的图像判断结果也存在差异，而且医学图像成像过程中很容易因为噪声、场偏移效应、组织运动和局部体积效应的影响，造成图像本身存在模糊、灰度不均匀等现象。因此人工分割速度慢、实时性差、可重复性差，难以胜任大量图像数据的分割处理工作。为了减轻医生们的工作强度，同时提高分割的正确率，特别是降低病变部位的漏过率，在脑瘤图像的分割的过程中采用计算机软件辅助操作。一般情况下磁共振图像中的脑肿瘤有如下特性：大小和位置各异；在不同模态的MRI上的外观各异；密度可能和正常组织相交叠；可能有占空效应(新组织挤走了正常组织)或渗透效应(改变现有组织的特性)；内部结构的复杂性，存在血管或出现钙化等；周围可能伴随着水肿等。这些对分割方法的选择提出了更高的要求。自动分析脑肿瘤的图像对提高诊断率、治疗计划的制定、病人的随访有着潜在的巨大价值。发展脑肿瘤的自动分割技术是一个非常大的挑战，为了面对这个挑战，已经提出了很多方法。对脑肿瘤的分割配准的研究最早可以追溯到20余年前，近些年各种方法大量地被提出。世界上顶级的医学图像会议MedicalImageComputingandComputerAssistedInterventions(MICCAI)2012年、2013、2014、2015连续四年进行脑肿瘤分割的挑战比赛。使用FLAIR(T2-weightedMRIwithfluid-attenuatedinversionrecovery)、T1(T1-weighting)、T2(T2-weighted)、T1c(T1-weightingwithcontrast-enhanced)、PD(ProtonDensity)等模态的方法占了大多数。对于分割脑肿瘤中不同子类(坏死Necrosis、水肿Edema、增强肿瘤Enhancingtumor、非增强肿瘤Non-enhancingtumor)来说，单一模态的MRI是不够的。MRI的不同模态图像能提供不同的纹理边界信息，由于个体差异，不同病人同一模态所表现的信息也大不相同。不同模态的MRI提供了不同肿瘤区域的信息：T1用来查看健康组织的结构信息，T1c用来查看坏死(necrosis)和活跃的肿瘤(enhancingtumor)部分，T2用来查看水肿(edema)的部分，FLAIR是一种特殊的模态用来帮助分离水肿和脑脊液(CSF)。基于像素的MRI脑肿瘤分割方法一直以来是研究的一大热点。研究内容主要针对特征提取、特征选择和分类器设计，好的特征提取能使得分类器的工作变得简单。特征提取按方法主要分为统计方法、模型方法和信号处理方法，其各有优势和不足。统计方法简单，易于实现，对小图像具有一定的优势，但其对全局信息的利用不足，与人类视觉模型脱节；模型方法能够兼顾纹理局部的随机性和整体上的规律性，具有很大的灵活性，不足是模型系数难以求解，参数调节不方便；信号处理方法善于捕捉纹理的细节信息，能同时在空间和频域上表现纹理特征，然而小波往往忽视高频信息，不善于提取非规则纹理特征。由上可见，没有一种特征提取方法适合所有脑肿瘤的MRI图像分割。Haar小波变换作为一种简单有效的信号处理方法，是基于像素的脑肿瘤分割中的首选特征提取方法，此外利用对称性模板(将正常人群的四个模态MRI做成图谱经高斯平滑后，弹性变形分别配准到脑肿瘤病人相应的四个模态上形成不对称特征。将病人的图像和不对称特征做差值，形成脑肿瘤病人的不对称特征图像。)也是一种很好的全局上下文敏感的特征提取方法。然而，现有技术大都针对手术前肿瘤进行分割，很少有对手术后、肿瘤复发的图像进行分割；缺乏对多个来源的分割结果进行相互参考的研究；此外，还缺乏对样本点结构信息的合理利用。很多方法虽然能根据术前训练图像数据将缺血部分与增强部分区别开来且不需要实现配准，但实际上基于术后残留的肿瘤部分与手术前相同的假设，没有考虑实际空洞的形成对边上组织的影响。
技术实现思路
为了克服现有技术的不足，本专利技术提供了一种基于多模态MRI数据的脑瘤术后空间域分割方法，该分割方法基于AdaBoost重采样的结构随机森林算法提高了采样的效率；建立人脑不同组织的对称性模板，并利用四维Haar特征更能保证图像的全局和局部特征，利用优化的相似性准则进行区域增长，从而提高局部区域的准确性。为了实现上述目的，本专利技术采用的技术方案是：一种基于多模态MRI数据的脑瘤术后空间域分割方法，其特征在于，包括以下步骤：(1)获得手术后的脑瘤MRI数据，对数据进行预处理，(2)将步骤(1)的数据映射到空间域上进行分割处理，所述空间域分割处理包括以下步骤：①构建正常人脑不同组织对称性模板，②提取Haar结构特征，③将结构随机森林方法结合AdaBoost框架，以图像中的像素点为样本，结构随机森林方法输入时以块为单位输入标签，经步骤③获得初步的概率结果后，④利用相似性区域增长算法增长标签，获得空间域分割结果。进一步的，所述相似性区域增长算法如下所示，同时其中，g是体素的相似性度量值，l是标签，t为迭代点，x是体素的特征(如亮度)，两个体素间的不同如下所示，其中，β是一个调整参数；ρ(xi，xj)表示xi，xj两点之间特征的欧式距离；本文档来自技高网...

【技术保护点】
一种基于多模态MRI数据的脑瘤术后空间域分割方法，其特征在于，包括以下步骤：(1)获得脑瘤手术后的MRI数据，对数据进行预处理，(2)将步骤(1)的数据映射到空间域上进行分割处理，所述空间域分割处理包括以下步骤：①构建正常人脑不同组织对称性模板，②提取Haar结构特征，③将结构随机森林方法结合AdaBoost框架，以图像中的像素点为样本，结构随机森林方法输入时以块为单位输入标签，经步骤③获得初步的概率结果后，④利用相似性区域增长算法增长标签，获得空间域分割结果。

【技术特征摘要】
1.一种基于多模态MRI数据的脑瘤术后空间域分割方法，其特征在于，包括以下步骤：(1)获得脑瘤手术后的MRI数据，对数据进行预处理，(2)将步骤(1)的数据映射到空间域上进行分割处理，所述空间域分割处理包括以下步骤：①构建正常人脑不同组织对称性模板，②提取Haar结构特征，③将结构随机森林方法结合AdaBoost框架，以图像中的像素点为样本，结构随机森林方法输入时以块为单位输入标签，经步骤③获得初步的概率结果后，④利用相似性...

【专利技术属性】
技术研发人员：潘志方，陈峰，叶夏，应一凡，王贤川，
申请(专利权)人：温州医科大学，
类型：发明
国别省市：浙江,33