深度特征学习与空间特征联合约束的脑胶质瘤低秩分割方法

The accurate segmentation of brain glioma using multi-modality magnetic resonance images is a hot topic in the research field of medical image analysis. After preprocessing, the multi-modality brain magnetic resonance image usually contains three regions: brain tissue, edema and glioma. However, these regions always contain some significant different subregions which make it is difficult to precisely and integrally segment the brain glioma. Aiming to solve this problem, our project which using multi-modality magnetic resonance image, will study the glioma low rank segmentation algorithm constrained by feature deep learning and joint spatial-feature information. By using deep feature learning, a well-performing multilabel dictionary can be provided for low rank representation based glioma segmentation. Also, the accuracy of glioma segmentation can be significantly improved by introducing the spatial-feature context information into the low rank segmentation model. The main content of our project includes the following parts: a coupling model of intensity inhomogeneity field correction and topology preserved image registration is studied for multimodality magnetic resonance image fusion; the layered feature deep learning mechanism from the subclasses to the whole image is constructed to provide a well-performing dictionary for glioma segmentation; and the spatial-feature joint driven glioma segmentation model and algorithm based on low rank representation and spatial-feature context information. Our project will provide an automatic and effective glioma segmentation method for multi-modality magnetic resonance images, and provide more accurate glioma segmentation results for precisely analyzing the brain glioma in the clinical research.

融合多序列核磁共振图像对脑胶质瘤进行分割是目前医学图像分析领域的研究热点。经过预处理的多序列核磁共振图像包含脑组织、水肿和胶质瘤三个区域，而每个区域又包含很多差异性明显的子区域，这使得整体分割脑胶质瘤存在一定的困难。本项目基于多序列融合的核磁共振图像，研究深度特征学习与空间特征联合约束的脑胶质瘤低秩分割理论与算法，通过深度特征学习为低秩表示分割提供性能优越的多类别字典并在低秩表示分割模型中增加空间特征联合上下文信息以提高脑胶质瘤的分割精度。主要内容包括：研究联合灰度不均匀场矫正和拓扑保持配准的耦合建模为多序列图像的融合提供保障；研究从局部到整体的分层深度特征学习机制为低秩表示分割提供性能优越的多类别字典；在低秩表示理论下，联合空间特征上下文信息，研究空间维与特征维联合驱动的脑胶质瘤低秩表示的分割建模与算法。项目形成一套新的脑胶质瘤自动分割方法，为脑胶质瘤的临床定量分析奠定基础。

脑胶质瘤自动分割是医学图像处理领域的研究热点。由于核磁共振成像的空间分辨率限制、灰度分布不均匀以及病人个体差异等问题，对脑胶质瘤分割和定量化分析的精度产生了很大影响。本项目主要针对多序列核磁共振图像的特点，研究脑胶质瘤的自动检测和分割方法。首先基于深度学习理论和临床先验，提出基于深度置信网络和图先验的脑胶质瘤提取方法。该方法利用图像不同组织以及脑胶质瘤在多序列核磁共振图像中的灰度差异构建鉴别性特征，然后训练一个深度置信网络，并用该分类器对测试样本进行分类，最后根据病理先验知识对提取结果进行修正，从而得到最终的脑胶质瘤提取结果，有效提升了脑胶质瘤的分割精度。其次，基于稀疏表示和低秩表示理论，联合空间维和特征维信息深入分析多序列核磁共振图像的稀疏和低秩先验，提出了空间特征联合约束的脑胶质瘤核稀疏表示分类方法和基于邻域核低秩表示的脑胶质瘤分割方法。该类方法首先构建各个类别的子字典，再用邻域滤波核稀疏表示和低秩表示方法对多序列脑核磁共振图像进行分类，通过邻域滤波核有效地将灰度特征与空间结构有机结合，提升脑胶质瘤分割的准确性。最后，针对小样本问题，研究基于多分类器协同训练和超像素图空间约束的脑胶质瘤分割方法。该方法将多分类器协同和空间先验约束相结合共同指导脑胶质瘤分割。其协同训练是在迭代框架下以多分类器交叉训练的方式提升单个样本的分类精度。此外，根据图像邻近像素类别相似的先验，利用超像素图和临床先验构建图像的空间约束进一步提升分割精度。该方法有效解决了训练样本较少时脑胶质瘤的分割精度问题。项目最终形成了一套深度特征学习与空间特征联合约束的脑胶质瘤低秩分割方法，并利用公开数据集进行实验验证了项目研究成果的有效性。相关成果在临床诊断和定量分析上具有广阔的应用前景。