低分辨率磁共振脑图像的多图谱分割方法

Due to the high segmentation accuracy and robustness, the Multi-Atlas based Image Segmentation method (MAIS) is currently a hot topic. It consists of two main components which are the image registration and the label fusion. The most of current MAIS methods consider the situation that the atlas images and the target image have the same resolution. But, we will always obtain the low-resolution target images because of the restriction on the acquisition time and collecting equipment. On the other hand, the atlases are generated before the target images, and we often use high-resolution images to obtain high-resolution atlases. Since the registration from high-resolution atlases to the low-resolution target image and the label fusion may not obtain the exact results, the accuracy of the MAIS methods will be reduced when applied to segment the low-resolution target images. In order to solve the problem mentioned above, in this project, we will propose a new image registration method by combining the advantage of the image super-resolution methods. Also, we will propose a unified dictionary learning model to optimize both the image super-resolution and label fusion. Finally, we will present an accurate and robust MAIS method for low-resolution target images.

基于多图谱的图像分割方法因其分割精度高和鲁棒性强，在磁共振脑图像分割领域被广泛研究，主要包含图像配准和标签融合两个步骤。目前对多图谱分割方法的研究通常都是在图谱图像和待分割目标图像具有相同分辨率的情况下展开的。在实际应用中，由于受图像采集时间、采集设备等影响，很多时候会得到低分辨率的待分割图像；而图谱是预先构造的，往往用高分辨图像构造得到高分辨图谱。但是，高分辨图谱到低分辨率待分割图像的配准，以及标签融合都无法得到精确的结果，从而导致多图谱分割方法分割精度降低。因此，项目将重点从以下两个方面来研究用高分辨率图谱分割低分辨率目标图像的多图谱分割方法：（1）结合图像超分辨率恢复方法，提出图谱图像到目标图像的精确配准方法；（2）提出一个联合字典学习模型同时对目标图像的超分辨率恢复和多图谱标签融合进行优化。通过以上两个方面的研究，项目拟提出精确、鲁棒的低分辨率磁共振脑图像的多图谱分割方法。

基于多图谱的图像分割方法在磁共振脑图像分割领域被广泛研究，主要包含图像配准和标签融合两个步骤。然而，大部分对多图谱分割方法的研究都是在图谱图像和待分割目标图像具有相同分辨率（图像质量）的情况下展开的。在实际应用中，由于受图像采集时间、采集设备等影响，很多时候会得到低分辨率或者低质量的待分割图像。为提高低分辨率或低质量磁共振图像的分割精度，我们提出了一些新的图像分割方法，主要包括（1）结合超分辨率恢复方法提出了低分辨率医学图像的多图谱分割方法，该方法能够显著提高低分辨率图像的分割精度；（2）提出了一种基于监督度量模型的多谱图标签融合方法，将标签信息融入度量模型学习，使得学习得到的度量模型具有更强的判别能力；（3）提出了基于随机局部二值模式特征提取的局部标签学习方法，在多图谱图像分割框架下，将配准的图谱作为训练数据，建立基于随机局部二值模式特征的线性回归模型进行标签融合；（4）提出了一种基于低秩约束的联合编码标签融合方法，在基于加权标签融合方法的通用框架下进行多图谱图像分割，该方法可以利用相邻体素对目标体素的编码进行自动修正，对图像噪音比较稳定，因此对低质量图像分割时优势比较明显；（5）通过在U型网络中嵌入扩张稠密网络，提出了一种新的适合婴儿海马体子域分割的全卷积网络，提升了U型网络在婴儿海马体子域分割中的性能；（6）提出了基于深度学习分割标签校正的多图谱分割方法，结合深度学习方法和多谱图分割方法的优势提出了更加精确、稳定的分割方法。从实验结果来看，我们提出的这些方法对低分辨率磁共振图像、低质量婴儿磁共振图像能够取得比较理想的分割精度。目前研究者们提出的医学图像分割方法大部分都是在质量较高的图像上进行的，很少有专门针对低质量医学图像的分割问题设计算法，项目提出的这些方法在一定程度上弥补了这方面的空缺。