一种基于混合现实技术的医学影像自动分割算法

1.本发明涉及影像处理技术领域，具体为一种基于混合现实技术的医学影像自动分割算法。


背景技术：

2.医学影像处理包括对获得的影像进行亮度、对比度、边缘增强、放大、剪接等处理，使影像达到最佳质量的调节过程，学图像是反映人体内部结构的图像，是现代医疗诊断的主要依据之一。目前，医学图像处理任务主要集中在图像检测、图像分割、图像配准及图像融合四个方面。
3.医学图像数据具有可获得、质量高、体量大、标准统一等特点，使人工智能在其中的应用较为成熟。利用图像处理技术对图像进行分析和处理，实现对人体器官、软组织和病变体的位置检测、分割提取、三维重建和三维显示，可以对感兴趣区域(region of interest,roi)进行定性甚至定量的分析，从而大大提高临床诊断的效率、准确性和可靠性，在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。所以就需要一种基于混合现实技术的医学影像自动分割算法。


技术实现要素：

4.本发明的目的在于提供一种基于混合现实技术的医学影像自动分割算法；
5.本发明是这样实现的，本发明提供一种基于混合现实技术的医学影像自动分割算法；
6.s1:首先进行数据预处理，具体包括图像校正和图像配准，再进行图像确定性纤维追踪和概率性纤维追踪，用于提取图像结构和连接信息；
7.s2:进行图像分割，基于图像特征得到感兴趣区每个体素点到全脑之间的连接；利用矩阵对算法对连接值进行提取的结果进行下采样表示，构建感兴趣分割脑区在个体空间水平上的连接矩阵，并基于连接信息进行相关性分析，结果作为聚类分割算法的特征输入；
8.s3:通过pca算法重构映射，通过l2范数最小化原始输入x和重构向量之间的距离，最终求解映射w；
9.s4:通过sc算法进行模型建立和训练；
10.s5:输入特征图像，进行图像分割；
11.s6:进行结果对比验证。
12.进一步，在步骤s1中，基于变换规则实现图像之间的相互映射，如式(1)；
[0013][0014]
其中，ii和ij表示给定的图像；f(.)表示图像的映射函数；m表示变换的相似度测量；配准的目标是通过优化算法在实现m()最大的基础上找到映射变换函数。
[0015]
进一步，在步骤s6中，结果对比验证具体包括将图像分割结果配准到标准空间，计算组水平上的图像最大概率分割结果，估算图像分割结果的分割模式一致性，并和scn方法
的结果进行对比评估；如式(2)；
[0016][0017]
其中，q表示被试数量，通过反向配准将个体弥散空间的分割结果转换到得到标准空间的被试mq的分割结果areai，i表示第i类图像分区。
[0018]
进一步，在进行图像校正时，首先，基于磁共振图像提取出未施加扩散梯度脉冲的参考图像(b0像)，然后以b0像为标准，基于高斯过程对扩散信号建模，通过涡流校正对图像切片的扭曲和运动失真信号进行调整纠正，最后计算体素的扩散张量模型，得到不同方向上的特征值和每一个体素的张量估计和弥散属性分布。
[0019]
进一步，在图像标准化的处理过程中，具体采用图像标准化工具ants，基于均方差、互相关和交互信息可以实现多模态条件下的图像配准。
[0020]
进一步，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被主控制器执行时实现如上述中任一项所述的方法
[0021]
与现有技术相比，本发明的有益效果是：
[0022]
本发明通过提取图像的生物特征信息，利用谱聚类算法实现图像区域分割。通过实验表明，该算法不仅使图像分割更高效，而且分割结果和其他方法相比具有较好的一致性，具有良好的分割效果。
附图说明
[0023]
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0024]
图1是本发明的方法过程示意图。
具体实施方式
[0025]
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式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方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
[0026]
请参阅图1，一种基于混合现实技术的医学影像自动分割算法，s1:首先进行数据预处理，具体包括图像校正和图像配准，再进行图像确定性纤维追踪和概率性纤维追踪，用于提取图像结构和连接信息；
[0027]
s2:进行图像分割，基于图像特征得到感兴趣区每个体素点到全脑之间的连接；利用矩阵对算法对连接值进行提取的结果进行下采样表示，构建感兴趣分割脑区在个体空间水平上的连接矩阵，并基于连接信息进行相关性分析，结果作为聚类分割算法的特征输入；
[0028]
s3:通过pca算法重构映射，通过l2范数最小化原始输入x和重构向量之间的距离，最终求解映射w；
[0029]
s4:通过sc算法进行模型建立和训练；
[0030]
s5:输入特征图像，进行图像分割；
[0031]
s6:进行结果对比验证。
[0032]
本实施例中，在步骤s1中，基于变换规则实现图像之间的相互映射，如式(1)；
[0033][0034]
其中，ii和ij表示给定的图像；f(.)表示图像的映射函数；m表示变换的相似度测量；配准的目标是通过优化算法在实现m()最大的基础上找到映射变换函数。
[0035]
本实施例中，在步骤s6中，结果对比验证具体包括将图像分割结果配准到标准空间，计算组水平上的图像最大概率分割结果，估算图像分割结果的分割模式一致性，并和scn方法的结果进行对比评估；如式(2)；
[0036][0037]
其中，q表示被试数量，通过反向配准将个体弥散空间的分割结果转换到得到标准空间的被试mq的分割结果areai，i表示第i类图像分区。
[0038]
本实施例中，在进行图像校正时，首先，基于磁共振图像提取出未施加扩散梯度脉冲的参考图像(b0像)，然后以b0像为标准，基于高斯过程对扩散信号建模，通过涡流校正对图像切片的扭曲和运动失真信号进行调整纠正，最后计算体素的扩散张量模型，得到不同方向上的特征值和每一个体素的张量估计和弥散属性分布。
[0039]
本实施例中，在图像标准化的处理过程中，具体采用图像标准化工具ants，基于均方差、互相关和交互信息可以实现多模态条件下的图像配准。
[0040]
本实施例中，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被主控制器执行时实现如上述中任一项所述的方法
[0041]
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。