基于形状信息和结果反馈的多图谱图像分割方法

Due to the high segmentation accuracy and robustness, the Multi-Atlas based image Segmentation method (MAS) is currently a hot topic. It consists of three main components which are the atlas selection, the image registration, and the label fusion. These three main components execute one after another. The atlases coming from the atlas selection part are registered with the target image in the image registration part, and then the registered atlases are sent to the label fusion part where the final segmentation result of the target image is produced. Since a lot of generalized image registration methods are available, in MAS very few research focus on the image registration part. Moreover, as there is no feedback strategy applied in current MAS, when one of the three components has error, then it will lower the performance of subsequent components. In order to solve the problem mentioned above, in this project, a new image registration method for MAS will be proposed where information contained in MAS is utilized in the registration method to enhance the registration accuracy. Furthermore, a feedback strategy will be added into MAS to eliminate the problem caused by error in each component of MAS, which cannot be removed and is accumulated in the subsequent component.

基于多图谱的图像分割方法（MAS）因其分割精度高和鲁棒性强在图像分割领域被广泛研究，其主要包含图谱选择，图像配准和标签融合三个部分，该三个部分依次顺序执行完成对目标图像的分割，即图像配准部分将图谱选择部分产生的图谱与目标图像进行配准，配准后的图谱通过标签融合得到目标图像的分割结果。目前大部分MAS的研究重点主要放在图谱选择和标签融合部分，缺乏针对MAS的图像配准方法的研究。另外传统MAS方法中包含的三个部分，由于缺乏结果反馈，任一部分存在误差都会造成后续部分误差增大，最终导致图像分割质量下降。因此本项目的研究重点主要包含两个方面:(1)基于MAS包含的信息特点提出适合MAS的图像配准算法；（2）通过加入结果反馈机制解决由于MAS流程中各部分误差导致的误差累计和误差放大的问题。项目拟通过以上两方面的改进，使得拟提出的方法较传统MAS方法达到更加精确的图像配准进而得到更高质量的图像分割。

本项目的主要研究领域是基于多图谱的脑图像分割。主要思路是通过改进配准算法，提高其配准的精度和鲁棒性，最终达到精确分割脑图像的目的。在项目初期，我们把研究重点放在提高配准精度上。我们提出了一种新的图像相似度测量方法，用于定义基于图的图像集配准中图像节点间的距离。较传统方法（如欧式距离），基于我们提出的图像相似度测量方法，图像配准精度得到了提升，图像配准的收敛速度明显提高，图像配准形变场的总形变量也有显著降低。在项目的中期和后期，我们把主要研究精力放在了提高图像配准的鲁棒性上面。因为实际医疗诊断中大量存在的是有病变区域的脑图像，如脑肿瘤图像，而绝大多数已有配准方法都没有针对病变脑图像进行优化，无法得到高精度的配准结果。我们提出了一系列图像配准算法和框架用于解决带有病变区域脑图像的配准。我们首先针对脑肿瘤图像提出了基于低秩约束的图像集配准方法，基本思路是通过低秩分解消除脑肿瘤图像中的肿瘤区域，从而解决肿瘤区域对配准的影响。由于医院实际采集的脑肿瘤图像为多模态图像，而传统基于多图谱的脑图像分割使用的为单模态正常脑图谱，我们又提出了一种新的使用单模态脑图谱精确配准到多模态脑肿瘤图像，从而达到精确分割的算法框架。理论上，基于该框架，我们可以使用传统单模态脑图像精确配准和分割包含任意多模态的脑病变图像。

内容获取失败，请点击重试