本發(fā)明屬于圖像處理與生物醫(yī)學結(jié)合的技術(shù)領(lǐng)域，尤其是一種基于多模態(tài)MRI數(shù)據(jù)的腦瘤術(shù)后空間域分割方法。

背景技術(shù)：

腦腫瘤(腦瘤)嚴重威脅人類健康。磁共振圖像(MRI)分割是腦瘤手術(shù)放射治療計劃制定、長期縱向研究的一個重要前提。本方法基于多模態(tài)MRI數(shù)據(jù)的腦瘤術(shù)后分割，具有重要意義。腦腫瘤是指生長在顱腔內(nèi)的癌性物質(zhì)，包括腦實質(zhì)發(fā)生病變引起的原發(fā)性腫瘤，也有由身體其他部位轉(zhuǎn)移侵入顱內(nèi)的繼發(fā)性腫瘤。在人群中發(fā)病率很高，已經(jīng)成為危害人民生命健康的重要腫瘤之一。而且不論其性質(zhì)是良性還是惡性，一旦在顱內(nèi)占據(jù)一定空間，勢必壓迫腦組織，造成顱內(nèi)壓升高、中樞神經(jīng)損害，危及患者的生命。全球每年發(fā)生原發(fā)性腦瘤的人數(shù)約為250,000人，2013年最新的腫瘤流行病學調(diào)查研究結(jié)果表明，腦腫瘤發(fā)病率占全身腫瘤發(fā)病率的1.4％，而死亡比例超過2.4％。2011年中國腫瘤登記地區(qū)腦瘤新發(fā)病例數(shù)為87 220例，發(fā)病率為6.47/10萬，年因腦瘤死亡病例數(shù)為50777例。

世界衛(wèi)生組織根據(jù)腦腫瘤的惡性程度將其分成四級：I級為良性，II級為低度惡性，II和IV為高度惡性。I級和II級的腦瘤有著比較好的預后，手術(shù)的緊迫性沒有高度惡性的腫瘤高，有時僅作觀察隨訪即可。具有高度惡性的膠質(zhì)母細胞瘤，可以發(fā)生時即為膠質(zhì)母細胞瘤，也可從良性的星形細胞瘤惡變而來。目前在臨床工作中，手術(shù)加術(shù)后放療已成為腦瘤的常規(guī)治療模式，已被公認是一種有效治療手段。

針對磁共振成像(MRI)進行腦腫瘤區(qū)域分割是腦瘤手術(shù)放射治療計劃制定、長期縱向研究的一個重要前提。在各種醫(yī)學影像學技術(shù)中，磁共振成像(MRI)對軟組織有著很強的分辨力，所以據(jù)此界定腫瘤邊界更為準確。MRI圖像腦腫瘤分割在診斷、病理分析、治療以及科學研究等方面具有重要意義。臨床上一般由有經(jīng)驗的醫(yī)生根據(jù)解剖知識，利用計算機輔助軟件手工勾畫分割腫瘤區(qū)域。但是，人工分割的主觀性很強，不同的醫(yī)生對同一病人的磁共振圖像會有不同的判斷結(jié)果，同一個醫(yī)生在不同的時期對同一病人的圖像判斷結(jié)果也存在差異，而且醫(yī)學圖像成像過程中很容易因為噪聲、場偏移效應(yīng)、組織運動和局部體積效應(yīng)的影響，造成圖像本身存在模糊、灰度不均勻等現(xiàn)象。因此人工分割速度慢、實時性差、可重復性差，難以勝任大量圖像數(shù)據(jù)的分割處理工作。為了減輕醫(yī)生們的工作強度，同時提高分割的正確率，特別是降低病變部位的漏過率，在腦瘤圖像的分割的過程中采用計算機軟件輔助操作。一般情況下磁共振圖像中的腦腫瘤有如下特性：大小和位置各異；在不同模態(tài)的MRI上的外觀各異；密度可能和正常組織相交疊；可能有占空效應(yīng)(新組織擠走了正常組織)或滲透效應(yīng)(改變現(xiàn)有組織的特性)；內(nèi)部結(jié)構(gòu)的復雜性，存在血管或出現(xiàn)鈣化等；周圍可能伴隨著水腫等。這些對分割方法的選擇提出了更高的要求。

自動分析腦腫瘤的圖像對提高診斷率、治療計劃的制定、病人的隨訪有著潛在的巨大價值。發(fā)展腦腫瘤的自動分割技術(shù)是一個非常大的挑戰(zhàn)，為了面對這個挑戰(zhàn)，已經(jīng)提出了很多方法。對腦腫瘤的分割配準的研究最早可以追溯到20余年前，近些年各種方法大量地被提出。世界上頂級的醫(yī)學圖像會議Medical Image Computing and Computer Assisted Interventions(MICCAI)2012年、2013、2014、2015連續(xù)四年進行腦腫瘤分割的挑戰(zhàn)比賽。使用FLAIR(T2-weighted MRI with fluid-attenuated inversion recovery)、T1(T1-weighting)、T2(T2-weighted)、T1c(T1-weighting with contrast-enhanced)、PD(Proton Density)等模態(tài)的方法占了大多數(shù)。對于分割腦腫瘤中不同子類(壞死Necrosis、水腫Edema、增強腫瘤Enhancing tumor、非增強腫瘤Non-enhancing tumor)來說，單一模態(tài)的MRI是不夠的。MRI的不同模態(tài)圖像能提供不同的紋理邊界信息，由于個體差異，不同病人同一模態(tài)所表現(xiàn)的信息也大不相同。不同模態(tài)的MRI提供了不同腫瘤區(qū)域的信息：T1用來查看健康組織的結(jié)構(gòu)信息，T1c用來查看壞死(necrosis)和活躍的腫瘤(enhancing tumor)部分，T2用來查看水腫(edema)的部分，F(xiàn)LAIR是一種特殊的模態(tài)用來幫助分離水腫和腦脊液(CSF)。

基于像素的MRI腦腫瘤分割方法一直以來是研究的一大熱點。研究內(nèi)容主要針對特征提取、特征選擇和分類器設(shè)計，好的特征提取能使得分類器的工作變得簡單。特征提取按方法主要分為統(tǒng)計方法、模型方法和信號處理方法，其各有優(yōu)勢和不足。統(tǒng)計方法簡單，易于實現(xiàn)，對小圖像具有一定的優(yōu)勢，但其對全局信息的利用不足，與人類視覺模型脫節(jié)；模型方法能夠兼顧紋理局部的隨機性和整體上的規(guī)律性，具有很大的靈活性，不足是模型系數(shù)難以求解，參數(shù)調(diào)節(jié)不方便；信號處理方法善于捕捉紋理的細節(jié)信息，能同時在空間和頻域上表現(xiàn)紋理特征，然而小波往往忽視高頻信息，不善于提取非規(guī)則紋理特征。由上可見，沒有一種特征提取方法適合所有腦腫瘤的MRI圖像分割。Haar小波變換作為一種簡單有效的信號處理方法，是基于像素的腦腫瘤分割中的首選特征提取方法，此外利用對稱性模板(將正常人群的四個模態(tài)MRI做成圖譜經(jīng)高斯平滑后，彈性變形分別配準到腦腫瘤病人相應(yīng)的四個模態(tài)上形成不對稱特征。將病人的圖像和不對稱特征做差值，形成腦腫瘤病人的不對稱特征圖像。)也是一種很好的全局上下文敏感的特征提取方法。

然而，現(xiàn)有技術(shù)大都針對手術(shù)前腫瘤進行分割，很少有對手術(shù)后、腫瘤復發(fā)的圖像進行分割；缺乏對多個來源的分割結(jié)果進行相互參考的研究；此外，還缺乏對樣本點結(jié)構(gòu)信息的合理利用。很多方法雖然能根據(jù)術(shù)前訓練圖像數(shù)據(jù)將缺血部分與增強部分區(qū)別開來且不需要實現(xiàn)配準，但實際上基于術(shù)后殘留的腫瘤部分與手術(shù)前相同的假設(shè)，沒有考慮實際空洞的形成對邊上組織的影響。

技術(shù)實現(xiàn)要素：

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于多模態(tài)MRI數(shù)據(jù)的腦瘤術(shù)后空間域分割方法，該分割方法基于AdaBoost重采樣的結(jié)構(gòu)隨機森林算法提高了采樣的效率；建立人腦不同組織的對稱性模板，并利用四維Haar特征更能保證圖像的全局和局部特征，利用優(yōu)化的相似性準則進行區(qū)域增長，從而提高局部區(qū)域的準確性。

為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種基于多模態(tài)MRI數(shù)據(jù)的腦瘤術(shù)后空間域分割方法，其特征在于，包括以下步驟：(1)獲得手術(shù)后的腦瘤MRI數(shù)據(jù)，對數(shù)據(jù)進行預處理，(2)將步驟(1)的數(shù)據(jù)映射到空間域上進行分割處理，所述空間域分割處理包括以下步驟：①構(gòu)建正常人腦不同組織對稱性模板，②提取Haar結(jié)構(gòu)特征，③將結(jié)構(gòu)隨機森林方法結(jié)合AdaBoost框架，以圖像中的像素點為樣本，結(jié)構(gòu)隨機森林方法輸入時以塊為單位輸入標簽，經(jīng)步驟③獲得初步的概率結(jié)果后，④利用相似性區(qū)域增長算法增長標簽，獲得空間域分割結(jié)果。

進一步的，所述相似性區(qū)域增長算法如下所示，同時

其中，g是體素的相似性度量值，l是標簽，t為迭代點，x是體素的特征(如亮度)，

兩個體素間的不同如下所示，

其中，β是一個調(diào)整參數(shù)；ρ(x_i，x_j)表示x_i，x_j兩點之間特征的歐式距離；

mean(ρ(x_i，N_i))是x_i和其每一個鄰接結(jié)點特征的歐式距離的平均，μ是經(jīng)驗值。

采用上述方案，本發(fā)明針對腦瘤圖像分割中存在的腫瘤邊緣不清、采樣不完全造成分割結(jié)果偏小的情形，提出基于AdaBoost重采樣的結(jié)構(gòu)隨機森林算法提高了采樣的效率；建立人腦不同組織的對稱性模板，并利用四維Haar特征更能保證圖像的全局和局部特征，利用優(yōu)化的相似性準則進行區(qū)域增長，從而提高局部區(qū)域的準確性。

下面結(jié)合附圖對本發(fā)明作進一步描述。

附圖說明

附圖1為本發(fā)明具體實施例技術(shù)路線圖。

具體實施方式

本發(fā)明的具體實施例如圖1所示是基于多模態(tài)MRI數(shù)據(jù)的腦瘤術(shù)后空間域分割方法，其包括以下步驟：(1)獲得腦瘤手術(shù)后的腦瘤MRI數(shù)據(jù)，對數(shù)據(jù)進行預處理，(2)將步驟(1)的數(shù)據(jù)映射到空間域上進行分割處理，空間域分割處理包括以下步驟：①構(gòu)建正常人腦不同組織對稱性模板，②提取Haar結(jié)構(gòu)特征，③將結(jié)構(gòu)隨機森林方法結(jié)合AdaBoost框架，以圖像中的像素點為樣本，結(jié)構(gòu)隨機森林方法輸入時以塊為單位輸入標簽，經(jīng)步驟③獲得初步的概率結(jié)果后，④利用相似性區(qū)域增長算法增長標簽，獲得空間域分割結(jié)果。

分割時按照以下步驟進行操作：首先分割出整個腫瘤區(qū)域，分割時按照步驟(1)-(2)操作；然后從整個腫瘤區(qū)域中再分割出壞死(Necrosis)、增強腫瘤(Enhancing tumor)、非增強腫瘤(Non-enhancing tumor)的合成區(qū)域，將水腫(Edema)區(qū)排除，分割時按照步驟(1)-(2)操作；再從合成區(qū)域中分割增強腫瘤(Enhancing tumor)區(qū)，分割時按照步驟(1)-(2)操作；合成區(qū)域分割出增強腫瘤(Enhancing tumor)區(qū)后，再繼續(xù)分割出壞死(Necrosis)區(qū)，剩下區(qū)域獲得非增強腫瘤(Non-enhancing tumor)區(qū)，分割時按照步驟(1)-(2)操作。

我們將空間域的分割算法轉(zhuǎn)換為像素的分類算法。分割問題看作是一個分類問題：在訓練集上獲得一個有關(guān)體素類別的推斷h，然后對測試集上的每一個體素進行分類，即有h(x⁽ⁱ⁾：⁽ⁱ⁾→y⁽ⁱ⁾。

AdaBoost算法的優(yōu)勢在于可以用各種方法構(gòu)建子分類器，AdaBoost算法提供的是框架，而且提高精度的同時，無過擬合現(xiàn)象；但AdaBoost算法較難處理數(shù)據(jù)不均衡問題，而且，AdaBoost算法訓練所需樣本量大，訓練時間長。因此，作為最終的決策分類器AdaBoost算法在醫(yī)學圖像方面的應(yīng)用不多，尤其是腦部MRI腫瘤分割方面。為了解決上述問題，我們將結(jié)構(gòu)隨機森林方法應(yīng)用到AdaBoost框架中去。由于我們是將分割問題看做是分類問題，以圖像中的像素點作為樣本，這樣的話所需樣本量和不均衡數(shù)據(jù)的問題就得到了解決。結(jié)構(gòu)隨機森林輸入時以塊為單位來輸入標簽，這塊標簽在一定程度上就帶有了這塊內(nèi)的上下文信息，隨機森林的結(jié)點分離函數(shù)也考慮了結(jié)構(gòu)信息，與傳統(tǒng)的隨機森林相比，對圖像的結(jié)構(gòu)把握得更好。

在利用結(jié)構(gòu)隨機森林獲得初步的概率結(jié)果后，由于某些數(shù)據(jù)點并沒有被計算概率，將利用如下公式對所獲得的空間進行元胞自動機增長，其中的參數(shù)由已做好標簽的數(shù)據(jù)訓練獲得。

同時

這里g是體素的相似性度量值，l是標簽，t為迭代點，x是體素的特征(如亮度)?？紤]到我們是以結(jié)構(gòu)隨機森林對腫瘤整體的分割結(jié)果自動作為種子，為了增長算法不至于在necrosis部分和enhancing tumor交界處發(fā)生阻滯，我們用如下準則來進行表示兩個體素間的不同。

這里，β是一個調(diào)整參數(shù)，由訓練獲得；ρ(x_i，x_j)表示x_i，x_j兩點之間特征的歐式距離，由于我們采用了對稱性模板，所以這里的兩點的特征已經(jīng)是原始四個模態(tài)的MRI與對稱性模板共同產(chǎn)生。這里

mean(ρ(x_i，N_i))是x_i和其每一個鄰接結(jié)點特征的歐式距離的平均，μ是經(jīng)驗值，可以通過訓練得到。

本發(fā)明在空間域上，為精確進行腦腫瘤的分割，以圖像像素為樣本進行大量采樣提取特征，結(jié)構(gòu)隨機森林輸入時以塊為單位來輸入標簽，這塊標簽在一定程度上帶有了這塊內(nèi)的上下文信息，隨機森林的結(jié)點分離函數(shù)也考慮了結(jié)構(gòu)信息，與傳統(tǒng)的隨機森林相比，對圖像的結(jié)構(gòu)把握得更好；本發(fā)明采用正常人腦不同組織對稱性模板，基于AdaBoost框架使用結(jié)構(gòu)隨機森林，提高采樣的效率；并采用相似度算法在已有初步分割結(jié)果的基礎(chǔ)上，進行區(qū)域增長。

本發(fā)明不局限于上述具體實施方式，本領(lǐng)域一般技術(shù)人員根據(jù)本發(fā)明公開的內(nèi)容，可以采用其他多種具體實施方式實施本發(fā)明的，或者凡是采用本發(fā)明的設(shè)計結(jié)構(gòu)和思路，做簡單變化或更改的，都落入本發(fā)明的保護范圍。