基于多元像素的多模态医学图像分割关键技术研究

To overcome the drawbacks of single-modality imaging, poor real-time performance and inaccurate segmentation results, multivariate pixels (pixel & superpixel)based segmentation technology for multimodal medical image using graph and variational theory is researched deeply. For the interference information of mixed-noises and intensity inhomogeneity, four novel models are constructed, including mixed denoising model, anisotropic nonlinear diffusion model, the level set curvature evolution model and local binary fitting energy model. Considering that plenty of redundant information exists in original image by traditional way of representation, the superpixel extraction technique taking full use of the intensity, texture and gradient information is studied; a local clustering algorithm fusing the multi-information and a geometric flow model without re-initialization and the local graph model based on energy minimization are proposed. To enhance segmentation efficiency, superpixels based graph is established, and the global optimal solution is obtained using the maximum flow/minimum cut algorithm. To improve the segmentation accuracy, narrow band based level set algorithm combining morphologic operation is used to achieve the final segmentation result. Segmentation accuracy rate is expected to reach up to 90%.

针对当前医学图像分割技术大多采用单模态成像方式、分割过程实时性较差、分割结果准确度不够理想等缺陷，本项目将以图论和变分理论为基础，拟对基于多元像素（像素&超像素）的多模态医学图像分割关键技术展开深入研究。针对混合噪声、灰度不均匀等干扰信息，本项目拟建立混合去噪模型、各向异性非线性扩散模型、水平集曲率演化模型以及局部二值拟合能量模型；针对传统以像素方式表示的图像存在大量冗余信息的问题，本项目拟充分挖掘图像固有的灰度、纹理以及梯度信息来进行超像素提取，拟提出多信息融合的局部聚类算法、建立无需重新初始化的几何流模型以及基于能量最小化的局部图模型；为提高分割效率，本项目拟利用超像素为节点建立图模型，并采用最大流最小割算法获取全局最优解；为提高分割精度，拟结合形态学操作，采用基于窄带模型的水平集演化进行像素级分割以获取最终分割结果。本项目的预期目标是分割准确率达到90%以上。

本项目着眼于医学图像的多模态特性，以图论和变分理论为基础，研究基于多元像素(像素&超像素)的多模态医学图像分割的关键技术。. (1) 在医学图像多模态融合与预处理方面. ① 从医学结构和功能图像融合的角度，提出了基于自适应图像分解的融合算法，在保留图像颜色、纹理信息的同时，提高了融合的时间效率。. ② 针对灰度医学图像与彩色医学图像，提出了多模医学图像融合方法。充分考虑了不同医学形态的图像特征，能够较好地处理边缘信息、更好地处理图像细节。. ③ 为了能够尽可能全面地获取目标信息，本项目结合深度学习理论，建立了金字塔池密集卷积神经网络(PDenseCNN)，来解决多焦点图像融合问题。. ④ 从提高图像预处理方案的通用性的角度，针对不同模态以及各种模态的不同时间序列，建立了改进的基于量子粒子群优化的脉冲耦合神经网络(IQPSO-PCNN)模型和两阶段卷积神经网络(CNN)模型。. (2) 在医学图像超像素分割方面. ① 为了提取医学图像中超像素级特征，提出了一种改进分水岭算法和空间混合度量的模糊C均值算法。. ② 为了在无预处理与后处理的情况下进一步提升聚类算法的分割精度及鲁棒性，提出了隶属度信息迁移模块以及相似性度量方法。. (3) 基于多元像素的医学图像分割技术研究. ① 为了对抗磁共振成像(MRI)数据中存在噪声和强度不均匀性(IIH)，提出基于空间信息的伽马校正条件FCM(GcsFCM)算法。. ② 脑肿瘤的结构不均匀且边界模糊，基于此，构建了一种强度和空间纹理共同约束的区域生长模型，以准确、自动地分割脑肿瘤图像。. ③ 为了更加精准地处理医学影像中的边缘、减少噪声敏感性，结合形态学运算提出了一种有效的混合聚类算法对脑肿瘤图像进行分割。. ④ 在偏微分方程理论的基础上，阐述了平面微分几何中的曲线表示方法，提出了图像分割算法。. 本项目的研究结果能够为多模态医学图像的分割提供理论和技术支持，同时也能够为相关技术的研究拓宽思路。