基于超体素匹配的脑组织分割方法.pdf

《基于超体素匹配的脑组织分割方法.pdf》由会员分享，可在线阅读，更多相关《基于超体素匹配的脑组织分割方法.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910931927.X (22)申请日 2019.09.29 (71)申请人 东南大学 地址 210000 江苏省南京市玄武区四牌楼2 号 (72)发明人 孔佑勇周彬章品正杨冠羽 舒华忠 (74)专利代理机构 南京经纬专利商标代理有限 公司 32200 代理人 许方 (51)Int.Cl. G06T 7/13(2017.01) G06T 7/11(2017.01) G06K 9/62(2006.01) (54)发明名称 一种基于超体素匹配的脑组织分割方法 (57)摘要 本发。

2、明公开了一种基于超体素匹配的脑组 织分割方法， 步骤如下： S1： 所有的磁共振图像通 过SLIC算法均生成超体素数据； S2： 预处理所有 的磁共振图像； S3： 获取得到每个磁共振图像的 超体素特征； S4： 计算每个超体素和相邻超体素 之间的特征梯度， 并获取特征梯度之和； S5： 确定 模板图像中每个超体素对应的标签； S6： 将每个 磁共振图像的超体素特征、 特征梯度之和串联为 一个向量， 根据向量计算待匹配磁共振图像和模 板图像中每个超体素的相似度； S7： 将待匹配磁 共振图像和模板图像进行匹配， 确定出每个待匹 配磁共振图像的分割结果。 本发明在匹配的过程 中考虑超体素自身特征。

3、的同时， 也能够考虑相邻 超体素之间的关系， 进而能够得到有效的匹配结 果。 权利要求书3页 说明书8页 附图2页 CN 110751664 A 2020.02.04 CN 110751664 A 1.一种基于超体素匹配的脑组织分割方法， 其特征在于， 所述脑组织分割方法具体包 括如下步骤： S1： 根据三维的SLIC算法， 所有的磁共振图像均生成超体素数据， 所述所有磁共振图像 包括所有待匹配的磁共振图像和模板图像； S2： 对所述所有磁共振图像均进行预处理； S3： 将所述所有磁共振图像基于三维的SLIC算法得到的分割边界， 叠加在所述预处理 后的所有磁共振图像中， 获取得到每个所述磁共振。

4、图像的超体素特征； S4： 根据每个所述磁共振图像的超体素特征， 计算每个所述超体素和相邻超体素之间 的特征梯度， 并获取特征梯度之和； S5： 确定出所述模板图像中每个超体素对应的标签； S6： 将每个所述磁共振图像的超体素特征、 特征梯度之和串联为一个向量， 根据所述向 量计算待匹配磁共振图像和模板图像中每个超体素的相似度； S7： 根据所述待匹配磁共振图像和模板图像中每个超体素的相似度， 将所述待匹配磁 共振图像和模板图像进行匹配， 确定出每个所述待匹配磁共振图像的分割结果。 2.根据权利要求1所述的一种基于超体素匹配的脑组织分割方法， 其特征在于， 在所述 步骤S1中， 所有的所述磁共。

5、振图像均生成超体素数据， 具体如下： S1.1： 设置聚类中心， 并在所有的所述磁共振图像中分别均匀分布聚类中心， 同时在每 个所述磁共振图像中对所有聚类中心进行排序标号； S1.2： 计算所述聚类中心和所述聚类中心领域内的每个体素之间的距离， 所述领域大 小和距离大小， 具体为： 其中： Ri为第i个磁共振图像中的聚类中心周围一定范围的领域， Di为聚类中心和其领域内的 第i个体素之间的距离， Si为第i个磁共振图像中相邻种子点之间的距离， dic为聚类中心和 其领域内的第i个体素在灰度空间中的距离， dis为聚类中心和其领域内的第i个体素之间的 空间距离， vj为当前体素的灰度值， vk为。

6、聚类中心的灰度值， xj为当前体素在三维空间中的x 轴坐标， yj为当前体素在三维空间中的y轴坐标， zj为当前体素在三维空间中的z轴坐标， xk 为聚类中心在三维空间中的x轴坐标， yk为聚类中心在三维空间中的y轴坐标， zk为聚类中心 在三维空间中的z轴坐标， S为聚类中心所在的磁共振图像中相邻种子点之间的距离， m为调 节灰度空间距离与空间距离之间权重的参数； S1.3： 根据所述聚类中心和领域内的每个体素之间的距离， 将每个所述体素对应的所 有距离进行比较， 选出最小距离， 所述最小距离对应的聚类中心即为体素所属的聚类中心， 所述最小距离对应的聚类中心的标号即为体素的标签； S1.4：。

7、 根据每个所述体素的标签， 将所述聚类中心的空间位置， 更新至所述聚类中心领 权利要求书 1/3 页 2 CN 110751664 A 2 域内所有体素的几何中心处； S1.5： 根据所述更新后的聚类中心的空间位置， 重复步骤S1.2-步骤S1.4， 直至所有所 述聚类中心的空间位置不再发生变化。 3.根据权利要求2所述的一种基于超体素匹配的脑组织分割方法， 其特征在于， 在所述 步骤S1.1中， 每个所述磁共振图像中超体素的大小、 相邻聚类中心之间的距离， 具体为： 其中： Li为第i个磁共振图像中超体素的大小， Si为第i个磁共振图像中相邻种子点之间 的距离， Ni为第i个磁共振图像中体素。

8、的个数， Ki为第i个磁共振图像中超体素的个数。 4.根据权利要求1或2所述的一种基于超体素匹配的脑组织分割方法， 其特征在于， 在 所述步骤S2中， 对所述所有磁共振图像均进行预处理， 具体为： 模板图像： 将所述模板图像的灰度值归一化到0至1之间， 在通过直方图均衡算法进行 处理； 待匹配的磁共振图像： 将所述待匹配的磁共振图像的灰度值归一化到0至1之间， 根据 所述预处理后的模板图像， 通过所述直方图均衡算法进行处理。 5.根据权利要求4所述的一种基于超体素匹配的脑组织分割方法， 其特征在于， 在所述 步骤S4中， 每个所述超体素和相邻超体素之间的特征梯度、 所述特征梯度之和， 具体为：。

9、 其中： Hi为当前超体素与相邻的第i个超体素之间的特征梯度， Ha为当前超体素的灰 度直方图特征， Hi为相邻的第i个超体素的灰度直方图特征， gradsuma为当前超体素与所有 相邻超体素的特征梯度之和， n为相邻超体素的个数。 6.根据权利要求5所述的一种基于超体素匹配的脑组织分割方法， 其特征在于， 在所述 步骤S5中， 确定出所述模板图像中每个超体素对应的标签， 具体为： 根据所述模板图像中标注好的分割标签， 统计每个所述超体素在分割标签对应的区域 内属于各个类别的像素个数， 从中选出最大的像素个数， 所述最大像素个数对应的类别即 为所述超体素的标签。 7.根据权利要求6所述的一种基。

10、于超体素匹配的脑组织分割方法， 其特征在于， 在所述 步骤S6中， 将每个所述磁共振图像的超体素特征、 特征梯度之和串联为一个向量， 串联原则 具体为： 根据预设的权值W， 将所述特征梯度之和和权值W相乘后， 再与每个所述超体素自身灰 度特征的灰度直方图特征向量进行串联。 8.根据权利要求6所述的一种基于超体素匹配的脑组织分割方法， 其特征在于， 在所述 步骤S6中， 根据所述向量计算待匹配磁共振图像和模板图像中每个超体素的相似度， 具体 为： 计算所述待匹配磁共振图像中串联得到的向量、 模板图像中串联得到的向量之间的欧 权利要求书 2/3 页 3 CN 110751664 A 3 式距离， 。

11、所述欧式距离越小则表示两个超体素越相似， 所述欧式距离的计算公式具体为： 其中： D(Ai,Bj)为待匹配磁共振图像中第i个超体素和模板图像中第j个超体素之间的 欧氏距离， 为待匹配磁共振图像中超体素最终特征向量中的第k维向量， 为模板图像 中超体素最终特征向量中的第k维向量。 9.根据权利要求8所述的一种基于超体素匹配的脑组织分割方法， 其特征在于， 在所述 步骤S7中， 确定出每个所述待匹配磁共振图像的分割结果， 具体为： S7.1： 在所述模板图像中寻找N个与待匹配磁共振图像中的超体素距离最小的超体素， 并从所述N个超体素中统计出占比最大的标签， 同时将所述占比最大的标签赋予待匹配磁 共。

12、振图像中当前的超体； S7.2： 将所述待匹配磁共振图像中的每个超体素均重复步骤S7.1， 获取每个所述超体 素对应的标签， 通过每个所述超体素对应的标签， 确定出每个所述待匹配磁共振图像的分 割结果。 权利要求书 3/3 页 4 CN 110751664 A 4 一种基于超体素匹配的脑组织分割方法 技术领域 0001 本发明涉及图像处理技术领域， 尤其涉及一种基于超体素匹配的脑组织分割方 法。 背景技术 0002 核磁共图像的脑组织分割的目标是将大脑分为白质(WM)、 灰质(GM)以及脑脊液 (CSF)， 大脑组织的准确分割对于疾病的诊断和治疗是一个很重要的部分， 通过测量大脑中 感兴趣区域。

13、的组织结构的变化， 可以用来评估某些疾病的严重程度以及大脑的进化。 0003 特征匹配是进行图像分割的常用手段， 使用一个有标签的图像作为模板， 将其划 分为若干区域， 对于待分割的图像， 也将其划分为若干区域， 对于待分割图像中的每个区 域， 到模板图像中寻找与自己特征最接近的区域， 也就是与自己最匹配的区域， 对于待分割 图像中的每个区域， 将它的标签设置成与其最匹配的模板区域的标签。 这里的区域可以是 规则的图像块， 但是为了使得更加相似的像素聚集在一起， 通常采用超像素(三维图像中为 超体素)算法生成图像的超像素， 实现超像素之间的匹配。 发明内容 0004 发明目的： 针对传统图像匹。

14、配中只考虑图像区域自身的特征， 忽略超体素之间关 系的问题， 本发明提出一种基于超体素匹配的脑组织分割方法。 0005 技术方案： 为实现本发明的目的， 本发明所采用的技术方案是： 0006 一种基于超体素匹配的脑组织分割方法， 所述脑组织分割方法具体包括如下步 骤： 0007 S1： 根据三维的SLIC算法， 所有的磁共振图像均生成超体素数据， 所述所有磁共振 图像包括所有待匹配的磁共振图像和模板图像； 0008 S2： 对所述所有磁共振图像均进行预处理； 0009 S3： 将所述所有磁共振图像基于三维的SLIC算法得到的分割边界， 叠加在所述预 处理后的所有磁共振图像中， 获取得到每个所述。

15、磁共振图像的超体素特征； 0010 S4： 根据每个所述磁共振图像的超体素特征， 计算每个所述超体素和相邻超体素 之间的特征梯度， 并获取特征梯度之和； 0011 S5： 确定出所述模板图像中每个超体素对应的标签； 0012 S6： 将每个所述磁共振图像的超体素特征、 特征梯度之和串联为一个向量， 根据所 述向量计算待匹配磁共振图像和模板图像中每个超体素的相似度； 0013 S7： 根据所述待匹配磁共振图像和模板图像中每个超体素的相似度， 将所述待匹 配磁共振图像和模板图像进行匹配， 确定出每个所述待匹配磁共振图像的分割结果。 0014 进一步地讲， 在所述步骤S1中， 所有的所述磁共振图像均。

16、生成超体素数据， 具体如 下： 0015 S1.1： 设置聚类中心， 并在所有的所述磁共振图像中分别均匀分布聚类中心， 同时 说明书 1/8 页 5 CN 110751664 A 5 在每个所述磁共振图像中对所有聚类中心进行排序标号； 0016 S1.2： 计算所述聚类中心和所述聚类中心领域内的每个体素之间的距离， 所述领 域大小和距离大小， 具体为： 0017 0018其中： 0019 Ri为第i个磁共振图像中的聚类中心周围一定范围的领域， Di为聚类中心和其领域 内的第i个体素之间的距离， Si为第i个磁共振图像中相邻种子点之间的距离， dic为聚类中 心和其领域内的第i个体素在灰度空间中。

17、的距离， dis为聚类中心和其领域内的第i个体素之 间的空间距离， vj为当前体素的灰度值， vk为聚类中心的灰度值， xj为当前体素在三维空间 中的x轴坐标， yj为当前体素在三维空间中的y轴坐标， zj为当前体素在三维空间中的z轴坐 标， xk为聚类中心在三维空间中的x轴坐标， yk为聚类中心在三维空间中的y轴坐标， zk为聚 类中心在三维空间中的z轴坐标， S为聚类中心所在的磁共振图像中相邻种子点之间的距 离， m为调节灰度空间距离与空间距离之间权重的参数； 0020 S1.3： 根据所述聚类中心和领域内的每个体素之间的距离， 将每个所述体素对应 的所有距离进行比较， 选出最小距离， 所。

18、述最小距离对应的聚类中心即为体素所属的聚类 中心， 所述最小距离对应的聚类中心的标号即为体素的标签； 0021 S1.4： 根据每个所述体素的标签， 将所述聚类中心的空间位置， 更新至所述聚类中 心领域内所有体素的几何中心处； 0022 S1.5： 根据所述更新后的聚类中心的空间位置， 重复步骤S1.2-步骤S1.4， 直至所 有所述聚类中心的空间位置不再发生变化。 0023 进一步地讲， 在所述步骤S1.1中， 每个所述磁共振图像中超体素的大小、 相邻聚类 中心之间的距离， 具体为： 0024 0025 其中： Li为第i个磁共振图像中超体素的大小， Si为第i个磁共振图像中相邻种子点 之间。

19、的距离， Ni为第i个磁共振图像中体素的个数， Ki为第i个磁共振图像中超体素的个数。 0026 进一步地讲， 在所述步骤S2中， 对所述所有磁共振图像均进行预处理， 具体为： 0027 模板图像： 将所述模板图像的灰度值归一化到0至1之间， 在通过直方图均衡算法 进行处理； 0028 待匹配的磁共振图像： 将所述待匹配的磁共振图像的灰度值归一化到0至1之间， 根据所述预处理后的模板图像， 通过所述直方图均衡算法进行处理。 0029 进一步地讲， 在所述步骤S4中， 每个所述超体素和相邻超体素之间的特征梯度、 所 说明书 2/8 页 6 CN 110751664 A 6 述特征梯度之和， 具体。

20、为： 0030 0031 其中： Hi为当前超体素与相邻的第i个超体素之间的特征梯度， Ha为当前超体素 的灰度直方图特征， Hi为相邻的第i个超体素的灰度直方图特征， gradsuma为当前超体素与 所有相邻超体素的特征梯度之和， n为相邻超体素的个数。 0032 进一步地讲， 在所述步骤S5中， 确定出所述模板图像中每个超体素对应的标签， 具 体为： 0033 根据所述模板图像中标注好的分割标签， 统计每个所述超体素在分割标签对应的 区域内属于各个类别的像素个数， 从中选出最大的像素个数， 所述最大像素个数对应的类 别即为所述超体素的标签。 0034 进一步地讲， 在所述步骤S6中， 将每。

21、个所述磁共振图像的超体素特征、 特征梯度之 和串联为一个向量， 串联原则具体为： 0035 根据预设的权值W， 将所述特征梯度之和和权值W相乘后， 再与每个所述超体素自 身灰度特征的灰度直方图特征向量进行串联。 0036 进一步地讲， 在所述步骤S6中， 根据所述向量计算待匹配磁共振图像和模板图像 中每个超体素的相似度， 具体为： 0037 计算所述待匹配磁共振图像中串联得到的向量、 模板图像中串联得到的向量之间 的欧式距离， 所述欧式距离越小则表示两个超体素越相似， 所述欧式距离的计算公式具体 为： 0038 0039 其中： D(Ai,Bj)为待匹配磁共振图像中第i个超体素和模板图像中第j。

22、个超体素之 间的欧氏距离，为待匹配磁共振图像中超体素最终特征向量中的第k维向量， 为模板 图像中超体素最终特征向量中的第k维向量。 0040 进一步地讲， 在所述步骤S7中， 确定出每个所述待匹配磁共振图像的分割结果， 具 体为： 0041 S7.1： 在所述模板图像中寻找N个与待匹配磁共振图像中的超体素距离最小的超 体素， 并从所述N个超体素中统计出占比最大的标签， 同时将所述占比最大的标签赋予待匹 配磁共振图像中当前的超体； 0042 S7.2： 将所述待匹配磁共振图像中的每个超体素均重复步骤S7.1， 获取每个所述 超体素对应的标签， 通过每个所述超体素对应的标签， 确定出每个所述待匹配。

23、磁共振图像 的分割结果。 0043 有益效果： 与现有技术相比， 本发明的技术方案具有以下有益技术效果： 0044 本发明的脑组织分割方法先提取超体素的特征， 且这些特征只能描述超体素本 身， 其次计算每个超体素与邻域超体素的梯度特征， 之后进行超体素匹配， 最后将超体素类 别结果映射回到体素， 获得组织分割结果， 从而能在匹配的过程中， 考虑超体素自身特征的 说明书 3/8 页 7 CN 110751664 A 7 同时， 也能够考虑相邻超体素之间的关系， 进而得到有效的匹配结果。 附图说明 0045 图1是本发明的脑组织分割方法的流程示意图； 0046 图2是大脑磁共振图像； 0047 图。

24、3是大脑磁共振图像对应的标签图像； 0048 图4是大脑磁共振图像上生成的超体素图像； 0049 图5是不使用本发明的脑组织分割方法匹配得到的结果图； 0050 图6是使用本发明的脑组织分割方法匹配得到的结果图。 具体实施方式 0051 为使本发明实施例的目的、 技术方案和优点更加清楚， 下面将结合本发明实施例 中的附图， 对本发明实施例中的技术方案进行清楚、 完整地描述。 其中， 所描述的实施例是 本发明一部分实施例， 而不是全部的实施例。 因此， 以下对在附图中提供的本发明的实施例 的详细描述并非旨在限制要求保护的本发明的范围， 而是仅仅表示本发明的选定实施例。 0052 实施例1 005。

25、3 参考图1， 本实施例提供了一种基于超体素匹配的脑组织分割方法， 具体包括如下 步骤： 0054 步骤S1： 对所有的磁共振图像运用三维的SLIC算法均生成超体素数据， 其中所有 的磁共振图像包括所有待匹配的磁共振图像和模板图像， 具体如下： 0055 步骤S1.1： 将初始化种子点作为聚类中心， 同时按照预先设置的超体素个数， 将种 子点在每个磁共振图像中均匀分配， 也就是说聚类中心的数目由预先设置的超体素个数所 决定， 且每个磁共振图像中的聚类中心在各个磁共振图像中是均匀分布的。 并且将每个磁 共振图像中所有的聚类中心均按照顺序进行排序标号。 0056 值得注意的是， 超体素个数的设置并。

26、没有具体的要求， 可以根据用户的需求进行 适当选择。 0057 在本实施例中， 每个磁共振图像中超体素的大小具体为： 0058 LiNi/Ki 0059 其中： Li为第i个磁共振图像中超体素的大小， Ni为第i个磁共振图像中体素的个 数， Ki为第i个磁共振图像中超体素的个数。 0060 在每个磁共振图像中相邻种子点之间的距离， 即相邻聚类中心之间的距离， 具体 为： 0061 0062 其中： Si为第i个磁共振图像中相邻种子点之间的距离， Ni为第i个磁共振图像中体 素的个数， Ki为第i个磁共振图像中超体素的个数。 0063 步骤S1.2： 在每个种子点即聚类中心周围一定范围的领域内，。

27、 计算聚类中心和该 领域内的每个体素之间的距离， 具体地讲， 每个磁共振图像中的聚类中心周围一定范围的 领域， 具体为： 说明书 4/8 页 8 CN 110751664 A 8 0064 Ri(2Si)3。 0065 其中： Ri为第i个磁共振图像中的聚类中心周围一定范围的领域， Si为第i个磁共振 图像中相邻种子点之间的距离。 0066 同时聚类中心和其领域内的每个体素之间的距离， 具体为： 0067 0068其中： 0069 Di为聚类中心和其领域内的第i个体素之间的距离， dic为聚类中心和其领域内的 第i个体素在灰度空间中的距离， dis为聚类中心和其领域内的第i个体素之间的空间距离。

28、， vj为当前体素的灰度值， vk为聚类中心的灰度值， xj为当前体素在三维空间中的x轴坐标， yj 为当前体素在三维空间中的y轴坐标， zj为当前体素在三维空间中的z轴坐标， xk为聚类中心 在三维空间中的x轴坐标， yk为聚类中心在三维空间中的y轴坐标， zk为聚类中心在三维空间 中的z轴坐标， S为聚类中心所在的磁共振图像中相邻种子点之间的距离， m为调节灰度空间 距离与空间距离之间权重的参数。 0070 步骤S1.3： 根据聚类中心和该领域内的每个体素之间的距离， 确定出每个体素所 属的聚类中心， 从而为每个体素分配标签， 其中标签为体素所在领域对应的聚类中心的标 号。 具体地讲， 将。

29、每个体素计算得到的所有距离进行比较， 从中选出最小距离， 该最小距离 对应的聚类中心即为该体素所属的聚类中心， 同时该体素的标签即为该最小距离对应的聚 类中心的标号。 0071 步骤S1.4： 根据每个体素设置的标签， 更新聚类中心的空间位置， 即根据相同领域 内所有体素的分布， 将该领域对应的聚类中心的空间位置， 更新至相同领域内所有体素的 几何中心处。 0072 步骤S1.5： 根据更新后的聚类中心的空间位置， 重复步骤S1.2-步骤S1.4， 直至所 有的聚类中心的空间位置不再发生变化。 0073 步骤S2： 对待匹配的磁共振图像和模板图像均进行预处理， 从而确保各样本之间 的灰度特征分。

30、布相近， 尤其是保证待匹配的磁共振图像的灰度特征和模板图像的灰度特征 分布相近， 进而提高匹配的准确性。 具体为： 0074 对于模板图像而言， 需要先将其灰度值归一化到0至1之间， 之后在运用直方图均 衡算法对其进行处理， 从而提高模板图像的对比度。 0075 对于待匹配的磁共振图像而言， 先将其灰度值归一化到0至1之间， 再根据预处理 后的模板图像， 运用直方图均衡算法对其进行处理， 从而使得待匹配的磁共振图像与模板 图像的灰度值分布更加接近。 0076 步骤S3： 对于预处理后的待匹配磁共振图像和模板图像， 获取每个磁共振图像的 超体素特征， 也就是说， 将待匹配磁共振图像和模板图像基于。

31、三维的SLIC算法得到的分割 边界， 叠加在步骤S2中预处理后的待匹配磁共振图像和模板图像中， 并划分为不同区域。 0077 同时在本实施例中， 采用灰度直方图特征， 即将整个图像的灰度值范围均匀划分 说明书 5/8 页 9 CN 110751664 A 9 为16个区间， 并且计算每个超体素中灰度值在各个区间中的体素个数， 从而得到一个16维 的向量， 该向量即为每个超体素的灰度直方图特征， 且该向量能够表示超体素的灰度分布 情况。 0078 步骤S4： 根据每个超体素的灰度直方图特征， 计算每个超体素与其每个相邻超体 素之间的特征梯度， 并获取特征梯度之和， 具体为： 0079 0080 。

32、其中： Hi为当前超体素与相邻的第i个超体素之间的特征梯度， Ha为当前超体素 的灰度直方图特征， Hi为相邻的第i个超体素的灰度直方图特征， gradsuma为当前超体素与 所有相邻超体素的特征梯度之和， n为相邻超体素的个数。 0081 步骤S5： 确定出模板图像中每个超体素对应的标签。 对于模板图像而言， 该图像中 有专家手工标注好的分割标签， 根据该分割标签可以生成该图像中每个超体素的标签， 具 体为： 0082 统计每个超体素在分割标签对应的区域内属于各个类别的像素个数， 并从中选出 最大的像素个数， 该最大像素个数对应的类别即为该超体素的标签。 0083 步骤S6： 将每个超体素自。

33、身灰度特征的灰度直方图特征向量、 每个超体素与所有 相邻超体素的特征梯度之和串联为一个向量， 并将该向量作为每个超体素的最终特征向 量， 用于匹配。 该串联原则具体为： 0084 先给每个超体素与所有相邻超体素的特征梯度之和向量设置一个权值W， 将特征 梯度之和和权值W相乘后， 再与每个超体素自身灰度特征的灰度直方图特征向量进行串联。 其中权值W的设置由具体数据集进行决定。 0085 同时还可以根据该向量计算待匹配的磁共振图像和模板图像中每个超体素的相 似度， 其中相似度可以通过欧式距离进行比较， 具体为： 0086 在待匹配磁共振图像和模板图像中， 每个超体素的灰度直方图特征向量、 每个超 。

34、体素与所有相邻超体素的特征梯度之和均为16维向量， 将其串联为一个向量后， 将得到一 个32维的向量。 在待匹配的磁共振图像中， 每个超体素的32维的向量， 即为每个超体素的最 终特征向量， 并标记为： Fa， 在模板图像中， 每个超体素的32维的向量， 即为每个超体素的最 终特征向量， 并标记为： Fb。 0087 根据待匹配磁共振图像中每个超体素的最终特征向量Fa、 模板图像中每个超体素 的最终特征向量Fb， 计算两者之间的欧式距离， 该欧式距离越小则表示两个超体素越相似， 该欧式距离的计算公式具体为： 0088 0089 其中： D(Ai,Bj)为待匹配磁共振图像中第i个超体素和模板图像。

35、中第j个超体素之 间的欧氏距离， 为待匹配磁共振图像中超体素最终特征向量中的第k维向量，为模板 图像中超体素最终特征向量中的第k维向量。 0090 步骤S7： 根据步骤S6中的欧式距离， 将所有待匹配的磁共振图像和模板图像进行 说明书 6/8 页 10 CN 110751664 A 10 匹配， 确定出每个待匹配磁共振图像的分割结果， 匹配过程采用投票方式进行。 具体如下： 0091 步骤S7.1： 对于待匹配磁共振图像中的超体素， 在模板图像中寻找与它距离最小 的N个超体素， 由于在步骤S5中为模板图像的每个超体素均赋予了标签， 从而在N个超体素 中统计出占比最大的标签， 并将该占比最大的标。

36、签赋予待匹配磁共振图像中当前的超体 素。 0092 在本实施例中， 具体地讲， 在模板图像中寻找10个距离最接近的超体素， 也就是 说， N10， 其中N为在模板图像中寻找的距离最接近的超体素个数。 0093 步骤S7.2： 对待匹配磁共振图像中的每个超体素， 均执行步骤S7.1， 从而对每个超 体素均赋予标签， 进而得到待匹配磁共振图像的分割结果。 0094 将上述所设计的基于超体素匹配的脑组织分割方法， 用于实际应用过程中， 在本 实施例中以IBSR18数据集数据为例， 来验证本发明设计应用对于大脑磁共振图像脑组织提 取的实施。 0095 实验条件： 现选取一台计算机进行实验， 64位操作。

37、系统， 编程语言用的是Matlab和 Python， 其中Matlab为R2014a版本， Python为3.5版本。 0096 实验数据为IBSR18数据集的大脑磁共振图像。 互联网脑分割库提供手动引导的专 家分割结果以及磁共振脑图像数据。 IBSR18数据集包含18个健康受试者的T1-Weighted模 态的磁共振图像， 每个磁共振图像是256256128的三维数据， 数据集中含有专家标注的 标签， 分别有灰质、 白质和脊液， 标签中0代表该像素属于非脑组织， 也就是背景区域， 1表示 像素属于脊液， 2表示灰质， 3表示白质。 参考图2和图3， IBSR18数据集中的MRI图像及其对应 。

38、的语义分割标签如图所示。 按照上述的设计方法进行超体素匹配实现脑组织的分割， 参考 图4， 该图所示是对大脑磁共振图像生成的超体素结果， 参考图6， 该图所示是执行整个流程 后得到的分割结果。 参考图5， 作为对比， 该图所示是未使用上述的设计方法， 仅使用灰度直 方图特征匹配得到的结果。 0097 实验中， 将第一个样本作为模板图像， 剩下的17个样本作为待匹配图像， 按照本发 明的步骤进行实验。 0098 为了检验本发明对脑部磁共振图像的分割精度， 采用Dice系数作为评价指标， Dice系数的获取公式， 具体为： 0099 0100 其中： TP为分割出的脑组织区域与专家手工分割模板的重。

39、叠区域， FP为分割出的 脑组织但不属于专家手工分割模板的区域， FN为在专家手工分割模板中为脑组织但没有分 割出来的区域。 0101 Dice系数是一种集合相似度度量函数， 通常用于计算两个样本的相似度。 这里用 来度量本方法提取的脑组织区域与真实结果之间的相似程度。 0102 在IBSR18数据集上， 采用了本发明方法与不采用本发明方法对应Dice指标， 如下 表1所示， 具体为： 0103 表1 说明书 7/8 页 11 CN 110751664 A 11 0104 0105 基于表1所示， 可以证明本发明的设计方法相比于仅使用超体素本身特征进行匹 配， 加入特征梯度之和能够获得更好的匹。

40、配结果。 同时在匹配的过程中考虑相邻超体素之 间的关系能够提升分割的准确度。 0106 以上示意性的对本发明及其实施方式进行了描述， 该描述没有限制性， 附图中所 示的也只是本发明的实施方式之一， 实际的结构和方法并不局限于此。 所以， 如果本领域的 普通技术人员受其启示， 在不脱离本发明创造宗旨的情况下， 不经创造性的设计出与该技 术方案相似的结构方式及实施例， 均属于本发明的保护范围。 说明书 8/8 页 12 CN 110751664 A 12 图1 图2 图3 图4 说明书附图 1/2 页 13 CN 110751664 A 13 图5 图6 说明书附图 2/2 页 14 CN 110751664 A 14 。