專利名稱：大鼠頭部磁共振圖像蒙特卡洛仿真模型的獲取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理方法，特別是大鼠頭部磁共振圖像的處理方法。
背景技術(shù)：
通過分析入射到生物組織內(nèi)部的光和由生物組織散射出的光，可以獲得生物組織 內(nèi)部的光學(xué)參數(shù)信息，其中迫切需要解決的問題就是研究光在復(fù)雜生物組織中的傳播和分 布規(guī)律。蒙特卡洛方法(以下簡稱MC)是廣泛用于研究光在生物組織中傳播和分布的隨機(jī) 統(tǒng)計(jì)方法。對于非均勻復(fù)雜組織中光的分布MC模擬，首先要根據(jù)不同的光學(xué)參數(shù)(主要是 吸收系數(shù)(absorption coefficient)、散射系數(shù)(scattering coefficient)、各向異性因 子(anisotropic factor))將生物組織分割成不同的區(qū)域，從而構(gòu)成多組織MC仿真模型， 然后進(jìn)行MC計(jì)算，獲得相應(yīng)的光場分布。在早期的研究中，仿真模型是由幾個(gè)簡單的幾何 模型組成，與真實(shí)組織相比非常不精確，從而導(dǎo)致仿真結(jié)果出現(xiàn)較大偏差。隨著醫(yī)學(xué)影像技 術(shù)的成熟，通過對MRI圖像進(jìn)行分割，從而獲得多組織MC仿真模型被證明是非常有效的。在 對于腦組織的研究中，根據(jù)光學(xué)參數(shù)的不同，比較公認(rèn)的是把腦組織分割成為5個(gè)部分，包 括頭皮、頭骨、腦脊液、腦灰質(zhì)和腦白質(zhì)。從MRI圖像如何準(zhǔn)確的分割出大腦的5種不同組 織，成為利用MC仿真方法獲得準(zhǔn)確結(jié)果的關(guān)鍵。針對人腦組織提出了許多圖像分割方法， 其中最具有代表性的方法包括閾值分割法、水平集分割法、模糊C均值聚類方法等。閾值分割法分為全局閾值法和局部閾值分割法，全局閾值分割方法在圖像處理中 應(yīng)用比較多，它在整幅圖像內(nèi)采用固定的閾值分割圖像。如果圖像中待分割組織的灰度信 息重疊較多的話，效果很差。水平集分割法的核心思想是把η維描述視為高一維(η+1)維的水平集，或者說是 把η維描述視為有η維變量的水平集函數(shù)f的水平集。這樣一來就把求解η維描述的演化 過程轉(zhuǎn)化為求解關(guān)于有η維變量的水平集函數(shù)f的演化所導(dǎo)致的水平集的演化過程。K均值聚類本身是迭代的，且不能確保它收斂于最優(yōu)解。K均值算法的性能依賴于 聚類中心的初始位置。模糊C均值聚類方法，作為K均值聚類算法的一種改進(jìn)，是用隸屬度 確定每個(gè)數(shù)據(jù)點(diǎn)屬于某個(gè)聚類的程度的一種聚類算法。模糊C均值聚類是目前分割MRI圖 像最好的方法之一，它能很好的分割出顱腦圖像中的灰質(zhì)、白質(zhì)和腦脊液等組織。由于大鼠模型廣泛應(yīng)用于科學(xué)研究中，因此建立滿足MC仿真要求的大鼠大腦多 組織模型具有特別重要的意義。早期研究中，大鼠大腦多組織模型的建立方法，主要采用模 板匹配分割法。隨著高場強(qiáng)小動物磁共振的出現(xiàn)，通過分割MRI獲得大鼠大腦多組織MC仿 真模型，成為迫切的需要。大鼠大腦磁共振圖像序列中，頭皮組織的灰度分布范圍廣，與腦 組織(包括脂肪組織、腦脊液、腦白質(zhì)、腦灰質(zhì))有很大重疊。因而直接通過灰度信息，利用 閾值分割或模糊聚類并不能夠完成5中組織的分割；由于大鼠大腦體積小，顱骨很薄，利用 窄帶水平集同樣不能獲得理想的結(jié)果。因此單獨(dú)采用現(xiàn)有的分割方法都無法獲得滿足MC 仿真要求的多組織模型。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的局限性，提供一種快速、準(zhǔn)確的大鼠頭部磁共 振圖像蒙特卡洛仿真模型的獲取方法。本發(fā)明的思路是針對大鼠頭部磁共振圖像中各組織的特點(diǎn)，選用最合適的圖像分 割方法和相應(yīng)的參數(shù)，從整體上通過多種圖像分割方法的特定組合，將頭皮、顱骨、腦脊液、 腦灰質(zhì)、腦白質(zhì)這5種組織圖像準(zhǔn)確分割出來，從而實(shí)現(xiàn)快速、準(zhǔn)確的獲取蒙特卡洛仿真模型。具體的說，本發(fā)明是通過如下各步驟實(shí)現(xiàn)的A、首先將圖像分割為頭皮、顱骨、腦脊液、腦灰質(zhì)、腦白質(zhì)這5種組織以及圖像背 景共6部分圖像；B、然后將上述6部分圖像分別賦以不同的灰度值；C、最后將6部分圖像合并，得到蒙特卡洛仿真模型。其中步驟A采用了多種圖像分割方法的特定組合，具體包括下列各步驟Al、顱骨組織分割使用灰度閾值分割法對原始圖像序列中的任意一張圖像KO進(jìn) 行分割，并利用膨脹腐蝕算法獲得顱骨組織和不連續(xù)的噪聲部分；然后利用二值圖像最大 區(qū)域標(biāo)記法去除噪聲，即首先對圖像不連續(xù)區(qū)域灰度值進(jìn)行標(biāo)記，然后計(jì)算各個(gè)標(biāo)記區(qū)域 的面積，其中面積最大的連續(xù)區(qū)域即為需分割的組織，將其像素標(biāo)記為1，其他部分為噪聲 部分，其像素標(biāo)記為0，得到顱骨圖像Kl ；本步驟中的膨脹腐蝕算法是現(xiàn)有技術(shù)，具體內(nèi)容參見文獻(xiàn)(醫(yī)學(xué)圖像處理與分 析，羅述謙等編著，科學(xué)出版社，2003，第83-89頁)A2、頭皮組織分割首先對圖像Kl利用邊緣檢測方法得到顱骨上邊界的三維坐標(biāo) 集；根據(jù)得到的顱骨上邊界三維坐標(biāo)對原始圖像KO進(jìn)行二值化處理，其中顱骨外邊界上方 的區(qū)域像素賦為0，得到去除了部分頭皮的圖像K2 ；對圖像K2利用窄帶水平集方法提取包 含腦脊液、腦灰質(zhì)、腦白質(zhì)的腦組織部分的邊界，得到圖像K3;對圖像K3進(jìn)行二值化處理， 其中腦組織邊界上以及邊界內(nèi)區(qū)域像素值賦為1，其他部分像素值賦為0，將處理后的結(jié)果 與原始圖像KO相乘，得到圖像K4 ；利用算式K5 = K0-K4-K1得到新的圖像，并利用膨脹腐 蝕算法和二值圖像最大區(qū)域標(biāo)記法去除不連續(xù)的噪聲部分，得到頭皮圖像K5 ；本步驟中所述邊緣檢測方法有多種現(xiàn)有技術(shù)可供選擇，例如微分算子法等(醫(yī) 學(xué)圖像處理與分析，羅述謙等編著，科學(xué)出版社，2003，第68-75頁)等；本步驟中使用的二值圖像最大區(qū)域標(biāo)記法與步驟Al中相同。A3、將原始圖像KO去除顱骨部分和頭皮部分，利用模糊聚類算法對圖像進(jìn)行分 害I]，對分割出的腦脊液、腦灰質(zhì)、腦白質(zhì)這三部分分別賦以不同的灰度值，得到圖像K6;A4、對原始圖像序列中的所有圖像按照A1-A3步驟進(jìn)行處理。本發(fā)明由于針對各組織的特點(diǎn)，分別選擇了最適合的圖像分割方法，且通過一定 的二值化處理方式，大大簡化了圖像處理的復(fù)雜度，因此，相比現(xiàn)有技術(shù)，具有準(zhǔn)確、快速的 優(yōu)點(diǎn)，具有良好的實(shí)際應(yīng)用前景。


圖1為本發(fā)明方法的流程圖2為從原始大鼠頭部磁共振圖像序列中選取的第三層切片；圖3為本發(fā)明方法得到的蒙特卡洛仿真模型。
具體實(shí)施例方式下面結(jié)合附圖對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明如附圖1所示，本發(fā)明按照如下步驟執(zhí)行A、首先將圖像分割為頭皮、顱骨、腦脊液、腦灰質(zhì)、腦白質(zhì)這5種組織以及圖像背景共6部分圖像；Al、顱骨組織分割使用灰度閾值分割法對原始圖像序列中的任意一張圖像 KO (參見附圖2)進(jìn)行分割，并利用膨脹腐蝕算法獲得顱骨組織和不連續(xù)的噪聲部分；然后 利用二值圖像最大區(qū)域標(biāo)記法去除噪聲，即首先對圖像不連續(xù)區(qū)域灰度值進(jìn)行標(biāo)記，然后 計(jì)算各個(gè)標(biāo)記區(qū)域的面積，其中面積最大的連續(xù)區(qū)域即為需分割的組織，將其像素標(biāo)記為 1，其他部分為噪聲部分，其像素標(biāo)記為0，得到顱骨圖像Kl ；A101、任意選取原始圖像序列中的一張圖像，手工標(biāo)記出顱骨部分；A102、根據(jù)以下方程求取當(dāng)0. 8彡S彡0. 85時(shí)的灰度值I 其中Pi是顱骨部分圖像中灰度值為i的像素點(diǎn)個(gè)數(shù)，S為自定義的分割系數(shù)，Im 是顱骨部分圖像中最大的灰度值；A103、將步驟A102中求得的I值作為灰度閾值，利用灰度閾值分割法對所述圖像 KO進(jìn)行分割；A104、對步驟A103得到的圖像中所有像素點(diǎn)按照以下公式賦以不同的灰度值 M(i) 其中i是步驟A103得到的圖像中任意點(diǎn)的灰度值；A105、選用大小為LXL的矩形模板對步驟A104得到的圖像進(jìn)行膨脹運(yùn)算，其中L 取值為2-5 ；A106、對步驟A105得到的圖像進(jìn)行腐蝕運(yùn)算，腐蝕模板為(L_l) X (L-I)的矩形；A107、將步驟A106得到的圖像中各連續(xù)區(qū)域分別賦以不同灰度值，同一連續(xù)區(qū)域 中的所有像素點(diǎn)灰度值相同；包含像素點(diǎn)最多的灰度值所對應(yīng)的連續(xù)區(qū)域即為顱骨部分；A108、將顱骨部分中所有像素點(diǎn)灰度值設(shè)為1，其他部分像素點(diǎn)灰度值設(shè)為0，得 到顱骨圖像Kl。A2、頭皮組織分割首先對圖像Kl利用邊緣檢測方法得到顱骨上邊界的三維坐標(biāo) 集；根據(jù)得到的顱骨上邊界三維坐標(biāo)對原始圖像KO進(jìn)行二值化處理，其中顱骨外邊界上方 的區(qū)域像素賦為0，得到去除了部分頭皮的圖像K2 ；對圖像K2利用窄帶水平集方法提取包含腦脊液、腦灰質(zhì)、腦白質(zhì)的腦組織部分的邊界，得到圖像K3;對圖像K3進(jìn)行二值化處理， 其中腦組織邊界上以及邊界內(nèi)區(qū)域像素值賦為1，其他部分像素值賦為0，將處理后的結(jié)果 與原始圖像KO相乘，得到圖像Κ4 ；利用算式Κ5 = Κ0-Κ4-Κ1得到新的圖像，并利用膨脹腐 蝕算法和二值圖像最大區(qū)域標(biāo)記法去除不連續(xù)的噪聲部分，得到頭皮圖像Κ5 ； Α201、對步驟A得到的圖像Κ1，利用邊緣檢測算法求得顱骨的上邊界三維坐標(biāo)集 (Χ，Υ，Ζ)，其中圖像序列中第1幅圖像的左上角為原點(diǎn)，X軸正方向指向右側(cè)，Y軸正方向指 向下側(cè)，坐標(biāo)系為右手坐標(biāo)系；Α202、根據(jù)下式將原始圖像KO中坐標(biāo)為(x，y，z)的像素點(diǎn)賦以相應(yīng)的灰度值M(x， 7，2)，得到圖像1(2: A203、對圖像K2利用下式定義的水平集算法提取腦組織，得到包含腦脊液、腦灰 質(zhì)、腦白質(zhì)的腦組織邊界的圖像K3 上式 由文獻(xiàn)(Level Set Evolution Without Re-initialization :A NewVariational Formulation)獲得，為水平集進(jìn)化函數(shù)。上式可通過文獻(xiàn)(Fast DistancePreserving Level Set Evolution for Medical Image Segmentation)中窄帶
方法快速計(jì)算。其中，Φ為水平集，t為時(shí)間，
為邊界指示函數(shù)，G0是標(biāo)準(zhǔn)
差為σ的高斯核，λ為水平集曲線長度的權(quán)重，μ為內(nèi)部能量權(quán)重，ν為收斂驅(qū)動力權(quán)重， μ，λ，ν的取值需要根據(jù)實(shí)際需要確定，本實(shí)施方案中，μ = 0.04, λ = 1. 21，ν = 12, τ = 5，迭代次數(shù)至少為50次；Α204、根據(jù)下式將圖像Κ3中坐標(biāo)為(x，y，ζ)的像素點(diǎn)賦以相應(yīng)的灰度值M(x，y, ζ)，并將得到的結(jié)果與原始圖像KO相乘，得到圖像Κ4 ； Α205、根據(jù)算式Κ5 = Κ0-Κ4-Κ1得到新的圖像；Α206、選用大小為LXL的矩形模板對步驟Α205得到的圖像進(jìn)行膨脹運(yùn)算，其中L 取值為2-5 ；Α207、對步驟Α206得到的圖像進(jìn)行腐蝕運(yùn)算，腐蝕模板為(L_l) X (L-I)的矩形；A208、將步驟A207得到的圖像中各連續(xù)區(qū)域分別賦以不同灰度值，同一連續(xù)區(qū)域 中的所有像素點(diǎn)灰度值相同；提取包含像素點(diǎn)最多的灰度值所對應(yīng)的連續(xù)區(qū)域，即得到頭 皮圖像K5。A3、將原始圖像KO去除顱骨部分和頭皮部分，利用模糊聚類算法對圖像進(jìn)行分 害I]，對分割出的腦脊液、腦灰質(zhì)、腦白質(zhì)這三部分分別賦以不同的灰度值，得到圖像K6;A4、對原始圖像序列中的所有圖像按照A1-A3步驟進(jìn)行處理。
B、將上述6部分圖像分別賦以不同的灰度值；本實(shí)施方案中將圖像ΚΙ、K5、K6中的頭皮、顱骨、腦脊液、腦灰質(zhì)和腦白質(zhì)灰度值分別賦為1、2、3、4、5，背景為0 ；當(dāng)然，也可取其他的灰度值，只要各部分組織及背景的灰度 不同即可。C、最后將6部分圖像合并，得到蒙特卡洛仿真模型，如附圖3所示。本發(fā)明可結(jié)合計(jì)算機(jī)系統(tǒng)并利用現(xiàn)有的圖像處理軟件完成。
權(quán)利要求
大鼠頭部磁共振圖像蒙特卡洛仿真模型的獲取方法，包括下述步驟A、首先將圖像分割為頭皮、顱骨、腦脊液、腦灰質(zhì)、腦白質(zhì)這5種組織以及圖像背景共6部分圖像；B、然后將上述6部分圖像分別賦以不同的灰度值；C、最后將6部分圖像合并，得到蒙特卡洛仿真模型；其特征在于所述步驟A具體包括以下步驟A1、顱骨組織分割使用灰度閾值分割法對原始圖像序列中的任意一張圖像K0進(jìn)行分割，并利用膨脹腐蝕算法獲得顱骨組織和不連續(xù)的噪聲部分；然后利用二值圖像最大區(qū)域標(biāo)記法去除噪聲，即首先對圖像不連續(xù)區(qū)域灰度值進(jìn)行標(biāo)記，然后計(jì)算各個(gè)標(biāo)記區(qū)域的面積，其中面積最大的連續(xù)區(qū)域即為需分割的組織，將其像素標(biāo)記為1，其他部分為噪聲部分，其像素標(biāo)記為0，得到顱骨圖像K1；A2、頭皮組織分割首先對顱骨圖像K1利用邊緣檢測方法得到顱骨上邊界的三維坐標(biāo)集；根據(jù)得到的顱骨上邊界三維坐標(biāo)對原始圖像K0進(jìn)行二值化處理，其中顱骨外邊界上方的區(qū)域像素賦為0，得到去除了部分頭皮的圖像K2；對圖像K2利用窄帶水平集方法提取包含腦脊液、腦灰質(zhì)、腦白質(zhì)的腦組織部分的邊界，得到圖像K3；對圖像K3進(jìn)行二值化處理，其中腦組織邊界上以及邊界內(nèi)區(qū)域像素值賦為1，其他部分像素值賦為0，將處理后的結(jié)果與原始圖像K0相乘，得到圖像K4；利用算式K5＝K0-K4-K1得到新的圖像，并利用膨脹腐蝕算法和二值圖像最大區(qū)域標(biāo)記法去除不連續(xù)的噪聲部分，得到頭皮圖像K5；A3、將原始圖像K0去除顱骨部分和頭皮部分，利用模糊聚類算法對圖像進(jìn)行分割，對分割出的腦脊液、腦灰質(zhì)、腦白質(zhì)這三部分分別賦以不同的灰度值，得到圖像K6；A4、對原始圖像序列中的所有圖像按照A1-A3步驟進(jìn)行處理。
2.如權(quán)利要求1所述大鼠頭部磁共振圖像蒙特卡洛仿真模型的獲取方法，其特征在 于所述步驟Al包含以下步驟A101、任意選取原始圖像序列中的一張圖像，手工標(biāo)記出顱骨部分；A102、根據(jù)以下方程求取當(dāng)0. 8 < S < 0. 85時(shí)的灰度值I : 其中Pi是顱骨部分圖像中灰度值為i的像素點(diǎn)個(gè)數(shù)，S為自定義的分割系數(shù)，Im是顱 骨部分圖像中最大的灰度值；A103、將步驟A102中求得的I值作為灰度閾值，利用灰度閾值分割法對所述圖像KO進(jìn) 行分割；A104、對步驟A103得到的圖像中所有像素點(diǎn)按照以下公式賦以不同的灰度值M(i) 其中i是步驟A103得到的圖像中任意點(diǎn)的灰度值；A105、選用大小為LXL的矩形模板對步驟A104得到的圖像進(jìn)行膨脹運(yùn)算，其中L取值 為 2-5 ；A106、對步驟A105得到的圖像進(jìn)行腐蝕運(yùn)算，腐蝕模板為(L-I)X(L-I)的矩形；A107、將步驟A106得到的圖像中各連續(xù)區(qū)域分別賦以不同灰度值，同一連續(xù)區(qū)域中的所有像素點(diǎn)灰度值相同；包含像素點(diǎn)最多的灰度值所對應(yīng)的連續(xù)區(qū)域即為顱骨部分；A108、將顱骨部分中所有像素點(diǎn)灰度值設(shè)為1，其他部分像素點(diǎn)灰度值設(shè)為0，得到顱 骨圖像K1。
3.如權(quán)利要求1所述大鼠頭部磁共振圖像蒙特卡洛仿真模型的獲取方法，其特征在 于所述步驟A2包括以下各步驟A201、對步驟A得到的顱骨圖像K1，利用邊緣檢測算法求得顱骨的上邊界三維坐標(biāo)集 (X，Y，Z)，其中圖像序列中第1幅圖像的左上角為原點(diǎn)，X軸正方向指向右側(cè)，Y軸正方向指 向下側(cè)，坐標(biāo)系為右手坐標(biāo)系；A202、根據(jù)下式將原始圖像KO中坐標(biāo)為(X，y，ζ)的像素點(diǎn)賦以相應(yīng)的灰度值M(x，y, z)，得到圖像K2: 其他A203、對圖像K2利用下式定義的水平集算法提取腦組織，得到包含腦脊液、腦灰質(zhì)、腦 白質(zhì)的腦組織邊界的圖像K3 其中，Φ為水平集，t為時(shí)間， 為邊界指示函數(shù)，G。是標(biāo)準(zhǔn)差為σ的高斯核；λ為水平集曲線長度的權(quán)重，μ為內(nèi)部能量權(quán)重，ν為收斂驅(qū)動力權(quán)重；Α204、根據(jù)下式將圖像Κ3中坐標(biāo)為(x，y，z)的像素點(diǎn)賦以相應(yīng)的灰度值M(x，y，ζ)，并 將得到的結(jié)果與原始圖像KO相乘，得到圖像Κ4 ； Α205、根據(jù)算式Κ5 = Κ0-Κ4-Κ1得到新的圖像；Α206、選用大小為LXL的矩形模板對步驟Α205得到的圖像進(jìn)行膨脹運(yùn)算，其中L取值 為 2-5 ；Α207、對步驟Α206得到的圖像進(jìn)行腐蝕運(yùn)算，腐蝕模板為(L-I)X(L-I)的矩形； Α208、將步驟Α207得到的圖像中各連續(xù)區(qū)域分別賦以不同灰度值，同一連續(xù)區(qū)域中的 所有像素點(diǎn)灰度值相同；提取包含像素點(diǎn)最多的灰度值所對應(yīng)的連續(xù)區(qū)域，即得到頭皮圖 像Κ5。
全文摘要
本發(fā)明公開了一種大鼠頭部磁共振圖像蒙特卡洛仿真模型的獲取方法，屬于組織光學(xué)技術(shù)領(lǐng)域。本發(fā)明基于多種圖像分割方法的特定組合，首先通過分析確定灰度閾值，采用閾值分割、腐蝕和膨脹算法、二值圖像最大區(qū)域標(biāo)記法分割出顱骨組織；然后去除原始圖像中顱骨上部所有的組織，采用特殊參數(shù)的窄帶水平集分割出頭皮組織；之后在去除頭皮和顱骨的圖像中，采用快速模糊聚類分割出腦脊液、腦灰質(zhì)和腦白質(zhì)；最后將分割出的5種組織以及背景部分，分別賦予不同的灰度值，獲得多組織模型。本發(fā)明可以克服單一圖像分割方法的局限性，快速、準(zhǔn)確的獲取大鼠頭部磁共振圖像蒙特卡洛仿真模型，具有良好的實(shí)際應(yīng)用前景。
文檔編號G06T7/00GK101847261SQ20101016748
公開日2010年9月29日 申請日期2010年5月10日 優(yōu)先權(quán)日2010年5月10日
發(fā)明者李韙韜, 王新增, 王雪娜, 錢志余 申請人:南京航空航天大學(xué)