弥散加权成像图像中脑缺血区域的分割方法及装置制造方法及图纸

本发明专利技术提供一种弥散加权成像图像中脑缺血区域的分割方法及装置，包括：将多个超急性缺血性脑卒中患者的弥散加权成像图像分成测试图像和训练图像；根据训练图像训练随机森林模型、学习字典和支持向量机模型；根据测试图像中体素的灰度特征，利用已训练的随机森林模型进行脑缺血区域初始分割；基于已训练的学习字典，确定连通区域内每个体素的局部图像块特征向量的稀疏编码矩阵；根据连通区域中每个连通区域的包特征，利用已训练的线性支持向量机模型对每个连通区域进行分类，将非缺血组织所在的连通区域从第一初始分割图像中删除，得到优化分割图像。该方案可以解决超急性期脑缺血区域的自动识别与分割，提高对缺血区域的分割精度。

【技术实现步骤摘要】
弥散加权成像图像中脑缺血区域的分割方法及装置
本专利技术涉及图像处理
，特别涉及一种弥散加权成像图像中脑缺血区域的分割方法及装置。
技术介绍
脑血管病已经成为我国疾病致死的第一死亡原因。脑血管病中60％以上为缺血性脑卒中，被证实的唯一有效的干预方法是超急性期的溶栓。缺血性脑卒中主要通过磁共振影像学手段进行诊断，其中最为灵敏的是弥散加权成像图像，弥散加权成像图像包括T2加权图像，弥散加权图像(Diffusionweightedimage，DWI)和计算的表观弥散系数图像(Apparentdiffusioncoefficient，ADC)。关于脑缺血区域分割的方法主要有基于模糊均值的脑缺血区域分割方法、基于灰度直方图散度的脑缺血区域分割方法、基于ADC和DWI灰度约束的脑缺血区域分割方法。基于模糊均值聚类的脑缺血区域分割方法：将DWI和ADC图像灰度归一化，利用DW图像中最高频灰度值Ipeak作为阈值，删除DWI灰度值低于该阈值的体素；将剩余的体素利用模糊均值聚类算法聚为50类，并删除DWI平均灰度低于Ipeak+0.2的聚类包含的体素；对剩余的聚类进行区域连通分析，分析每个区域中的Canny边缘强度，利用区域边缘强度以及ADC灰度约束删除假阳性区域。基于灰度直方图散度测度的脑缺血区域分割方法：该方法步骤分为三步，1)确定DWI中有脑缺血的切片，计算DWI直方图与每个切片灰度直方图的散度测度，取其中位数作为阈值，将大于该阈值的切片作为存在脑缺血的切片；2)确定发生脑缺血的半球。计算大脑中矢状面并计算左右半球的直方图，通过散度测度判断脑缺血的位置(左右半球)；3)根据左右半球的直方图差异得到阈值。在缺血的脑半球切片上使用阈值法进行分割实现脑缺血区域分割。基于ADC和DWI灰度约束的脑缺血区域分割方法：统计ADC图像中频率最高的灰度ADCref，并基于阈值法获取脑部区域中ADC灰度值不大于0.75*ADCref的体素，在每个切片上进行连通性分析得到连通区域集合；计算每个连通区域的DWI平均灰度、该连通区域所在切片的DWI平均灰度和标准差，保留DWI平均灰度大于切片DWI平均灰度与标准差之和的区域组成区域集合R1；提取ADC灰度值在(0.75*ADCref，0.85*ADCref)之间的体素，并进行连通性分析。如果得到的任一区域的有一个以上的邻域体素在R1中，则将该区域添加至R1。遍历完所有的区域后，得到最终的脑缺血区域分割结果R1。目前脑缺血区域分割方法多是针对于非急性期脑缺血的患者数据。由于超急性期的脑缺血处于进展状态，弥散加权成像图像呈现复杂的变化，比如，当脑缺血区域的边缘比较模糊时，如果采用基于模糊均值聚类的脑缺血区域分割方法进行区域分割，由于该方法依赖于脑缺血区域的边缘强度，因此可能会遗漏缺血区域；当脑缺血区域中灰度分布不均质，与周围组织的对比度低时，采用基于直方图散度测度的脑缺血区域分割方法和基于ADC和DWI灰度约束的脑缺血区域分割方法则不能有效的分割该类区域。对于发病10天的非超急性期的梗死，采用上述任何一种方法对脑缺血区域的分割精度可达0.899±0.065，而对于超急性期的梗死，采用上述任何一种方法对脑缺血区域的分割量化精度只有0.6。
技术实现思路
本专利技术实施例提供了一种弥散加权成像图像中脑缺血区域的分割方法，可以解决超急性期脑缺血区域的自动识别与分割，提高对缺血区域的分割精度。该方法包括：将多个超急性缺血性脑卒中患者的弥散加权成像图像分成测试图像和训练图像；所述弥散加权成像图像包括T2加权图像、弥散加权图像DWI和表观弥散系数图像ADC；根据训练图像训练随机森林模型、学习字典和支持向量机模型，获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型；提取测试图像中每个体素的灰度特征；根据测试图像中每个体素的灰度特征，利用已训练的随机森林模型对测试数据中的弥散加权成像图像进行脑缺血区域初始分割，获得第一初始分割图像；提取第一初始分割图像中每个连通区域内的每个体素的局部图像块，确定第一初始分割图像中每个连通区域内的局部图像块特征向量；基于已训练的学习字典，对第一初始分割图像中每个连通区域内的局部图像块特征向量进行稀疏表示，确定第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵；根据第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵，确定第一初始分割图像中每个连通区域的包特征；利用已训练的线性支持向量机模型，根据每个连通区域的包特征，对第一初始分割图像中的连通区域进行分类，将非缺血组织所在的连通区域从第一初始分割图像中删除，得到优化分割图像。本专利技术实施例还提供了一种弥散加权成像图像中脑缺血区域的分割装置，可以解决超急性期脑缺血区域的自动识别与分割，提高对缺血区域的分割精度。该装置包括：划分模块，用于将多个超急性缺血性脑卒中患者的弥散加权成像图像分成测试图像和训练图像；所述弥散加权成像图像包括T2加权图像、弥散加权图像DWI和表观弥散系数图像ADC；训练模块，用于根据训练图像训练随机森林模型、学习字典和支持向量机模型，获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型；灰度特征提取模块，用于提取测试图像中每个体素的灰度特征；第一初始分割图像获得模块，用于根据测试图像中每个体素的灰度特征，利用已训练的随机森林模型对测试数据中的弥散加权成像图像进行脑缺血区域初始分割，获得第一初始分割图像；特征向量确定模块，用于提取第一初始分割图像中每个连通区域内的每个体素的局部图像块，确定第一初始分割图像中每个连通区域内的局部图像块特征向量；稀疏编码矩阵确定模块，用于基于已训练的学习字典，对第一初始分割图像中每个连通区域内的局部图像块特征向量进行稀疏表示，确定第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵；包特征确定模块，用于根据第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵，确定第一初始分割图像中每个连通区域的包特征；分类模块，用于利用已训练的线性支持向量机模型，根据第一初始分割图像中每个连通区域的包特征，对第一初始分割图像中的连通区域进行分类，将非缺血组织所在的连通区域从第一初始分割图像中删除，得到优化分割图像。在本专利技术实施例中，是基于已训练的随机森林模型、已训练的学习字典和已训练的线性支持向量机模型对超急性缺血性脑卒中患者的弥散加权成像图像进行脑缺血区域分割，相比现有的脑缺血区域分割方法，可以解决超急性期脑缺血区域的自动识别与分割，提高对缺血区域的分割精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种弥散加权成像图像中脑缺血区域的分割方法流程图；图2是本专利技术实施例提供的一种弥散加权成像图像中脑缺血区域的分割方法流程示意图一；图3a)是本专利技术实施例提供的一种T2图像的灰度直方图；图3b)是本专利技术实施例提供的一种DWI图像的灰度直方图；图3c)是本专利技术实施例提供本文档来自技高网...

【技术保护点】
一种弥散加权成像图像中脑缺血区域的分割方法，其特征在于，包括：将多个超急性缺血性脑卒中患者的弥散加权成像图像分成测试图像和训练图像；所述弥散加权成像图像包括T2加权图像、弥散加权图像DWI和表观弥散系数图像ADC；根据训练图像训练随机森林模型、学习字典和支持向量机模型，获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型；提取测试图像中每个体素的灰度特征；根据测试图像中每个体素的灰度特征，利用已训练的随机森林模型对测试数据中的弥散加权成像图像进行脑缺血区域初始分割，获得第一初始分割图像；提取第一初始分割图像中每个连通区域内的每个体素的局部图像块，确定第一初始分割图像中每个连通区域内的局部图像块特征向量；基于已训练的学习字典，对第一初始分割图像中每个连通区域内的局部图像块特征向量进行稀疏表示，确定第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵；根据第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵，确定第一初始分割图像中每个连通区域的包特征；利用已训练的线性支持向量机模型，根据第一初始分割图像中每个连通区域的包特征，对第一初始分割图像中的连通区域进行分类，将非缺血组织所在的连通区域从第一初始分割图像中删除，得到优化分割图像。...

【技术特征摘要】
1.一种弥散加权成像图像中脑缺血区域的分割方法，其特征在于，包括：将多个超急性缺血性脑卒中患者的弥散加权成像图像分成测试图像和训练图像；所述弥散加权成像图像包括T2加权图像、弥散加权图像DWI和表观弥散系数图像ADC；根据训练图像训练随机森林模型、学习字典和支持向量机模型，获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型；提取测试图像中每个体素的灰度特征；根据测试图像中每个体素的灰度特征，利用已训练的随机森林模型对测试数据中的弥散加权成像图像进行脑缺血区域初始分割，获得第一初始分割图像；提取第一初始分割图像中每个连通区域内的每个体素的局部图像块，确定第一初始分割图像中每个连通区域内的局部图像块特征向量；基于已训练的学习字典，对第一初始分割图像中每个连通区域内的局部图像块特征向量进行稀疏表示，确定第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵；根据第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵，确定第一初始分割图像中每个连通区域的包特征；利用已训练的线性支持向量机模型，根据第一初始分割图像中每个连通区域的包特征，对第一初始分割图像中的连通区域进行分类，将非缺血组织所在的连通区域从第一初始分割图像中删除，得到优化分割图像。2.如权利要求1所述的弥散加权成像图像中脑缺血区域的分割方法，其特征在于，在提取测试图像中每个体素的灰度特征之前，还包括：按如下方式对测试图像进行预处理：提取测试图像中的脑部区域，生成脑部模板图像；确定脑部模板图像中脑部区域的灰度直方图；确定灰度直方图中出现次数最多的灰度值；根据灰度直方图中出现次数最多的灰度值，确定脑部模板图像中每个体素的相对灰度值；按如下公式确定灰度直方图中出现次数最多的灰度值：按如下公式确定脑部模板图像中每个体素的相对灰度值：Gi(x,y,z)＝Gi(x,y,z)′/gmax；其中，gmax为出现次数最多的灰度值；s为灰度值；Hi(s)为灰度值出现的频率；Gi(x,y,z)′为i图像中每个体素的灰度值；Gi(x,y,z)为每个体素的相对灰度值；i∈{T2,DWI,ADC}。3.如权利要求2所述的弥散加权成像图像中脑缺血区域的分割方法，其特征在于，按如下方式提取测试图像中每个体素的灰度特征：提取T2图像中每个体素的相对灰度值GT2(x,y,z)、DWI图像中每个体素的相对灰度值GDWI(x,y,z)、ADC图像中每个体素的相对灰度值GADC(x,y,z)、T2图像与DWI图像中每个体素的相对灰度值的差GT2-DWI(x,y,z)，T2图像与ADC图像中每个体素的的相对灰度值的差GT2-ADC(x,y,z)，DWI图像与ADC图像中每个体素的的相对灰度值的差GDWI-ADC(x,y,z)；基于T2图像确定大脑中矢状面，在T2图像上确定体素关于大脑中矢状面的非对称特征ASYM(x,y,z)：其中，(x0,y0)为(x,y)在轴向切片z上关于中矢状线的对称点，所述中矢状线为中矢状面与轴向切片的交线；Ns(x0,y0)为(x0,y0)的局部邻域；分别提取边长为2、4、6的正方形邻域的图像块PT2(x,y,z),PDWI(x,y,z),PADC(x,y,z)以及两种图像的相对灰度差对应的图像块PT2-DWI(x,y,z)，PT2-ADC(x,y,z)，PDWI-ADC(x,y,z)，确定每个图像块的相对灰度均值、最小相对灰度、最大相对灰度、相对灰度中值、相对灰度标准差。4.如权利要求3所述的弥散加权成像图像中脑缺血区域的分割方法，其特征在于，提取第一初始分割图像中每个连通区域内的每个体素的局部图像块，确定第一初始分割图像中每个连通区域内的局部图像块特征向量，包括：提取第一初始分割图像中每个连通区域内的每个体素的局部图像块PT2(x,y,z)′，PDWI(x,y,z)′，PADC(x,y,z)′，图像块为正方形，边长为2*rp；将三个图像块展开并组合为一个列向量x∈Rd×1：x＝[PT2(x,y,z)′，PDWI(x,y,z)′，PADC(x,y,z)′]T；其中，d＝3*(2rp+1)2为特征向量维数；第一初始分割图像中每个连通区域表示为其内部体素的局部图像块特征向量集合：其中，表示连通区域内部的体素个数。5.如权利要求4所述的弥散加权成像图像中脑缺血区域的分割方法，其特征在于，基于已训练的学习字典，对第一初始分割图像中每个连通区域内的局部图像块特征向量进行稀疏表示，确定第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵，包括：基于已训练的学习字典D∈Rd×2K，对第一初始分割图像中每个连通区域内的局部图像块特征进行稀疏表示，确定稀疏编码α*∈R2K×1：α*中非零值对应字典D中原子的响应值；对于连通区域基于稀疏表示确定其内部所有体素的局部图像块向量的稀疏编码矩阵其每一列αj表示第j个体素局部图像块向量的稀疏编码，表示连通区域内的体素个数。6.如权利要求5所述的弥散加权成像图像中脑缺血区域的分割方法，其特征在于，根据第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵，按如下公式确定第一初始分割图像中每个连通区域的包特征：其中，表示局部图像块特征向量中的第k个元素，表示第j个稀疏编码向量的第k个元素；为每个连通区域的包特征。7.如权利要求6所述的弥散加权成像图像中脑缺血区域的分割方法，其特征在于，根据训练图像训练随机森林模型、学习字典和支持向量机模型，获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型，包括：提取训练图像中每个体素的灰度特征；利用训练图像中每个体素的灰度特征训练随机森林模型，获得已训练的随机森林模型；根据训练图像中每个体素的灰度特征，利用已训练的随机森林模型对训练图像进行脑缺血区域初始分割，获得第二初始分割图像；选择训练图像中金标准图像的连通区域作为连通区域正样本，选择第二初始分割图像中与连通区域正样本中的连通区域无交集的连通区域作为连通区域负样本，所述连通区域正样本和连通区域负样本统称连通区域样本，其中，所述金标准图像为将每个体素标注为缺血体素或非缺血体素的DWI图像或ADC图像；提取连通区域样本中每个连通区域内的每个体素的局部图像块，根据每个体素的局部图像块确定连通区域样本中每个连通区域内的局部图像块特征向量；根据连通区域样本中所有连通区域内的局部图像块特征向量训练学习字典，获得已训练的学习字典；基于已训练的学习字典，对连通区域样本每个连通区域内的局部图像块特征向量进行稀疏表示，确定连通区域样本每个连通区域内的局部图像块特征向量的稀疏编码矩阵；根据连通区域样本中每个连通区域内的局部图像块特征向量的稀疏编码矩阵，确定连通区域样本中每个连通区域的包特征；根据连通区域样本中每个连通区域的包特征得到训练集合，根据训练集合训练线性支持向量机模型，获得已训练的线性支持向量机模型。8.如权利要求7所述的弥散加权成像图像中脑缺血区域的分割方法，其特征在于，利用训练图像中每个体素的灰度特征训练随机森林模型，获得已训练的随机森林模型，包括：从训练图像中选择训练样本；提取训练样本的体素特征集合，所述体素特征集合包括体素的灰度特征和对体素的灰度特征的标记；所述体素特征集合按照如下方式表示：其中为体素的灰度特征的标记，0表示正常组织样本，1表示脑缺血样本，Nv为训练样本的个数；用训练样本的体素特征集合训练随机森林模型，获得已训练的随机森林模型；按照如下方式从训练图像中选择训练样本：将训练图像的金标准图像中缺血区域内的所有体素作为正样本，负样本中的体素个数与正样本中的体素个数相同，其中一部分负样本中的体素选自正样本的近邻区域，剩余部分的负样本中的体素从剩余的脑区域中随机采样；所述正样本的近邻区域为逐次对正样本区域进行3*3结构元的膨胀，将膨胀区域...

【专利技术属性】
技术研发人员：张晓东，胡庆茂，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东,44