1.基于模糊C均值和概率标签融合的图像分割方法,其特征是,包括:利用以超像素为聚类中心的模糊C均值算法,对获取的大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;具体步骤包括:(1)对大脑核磁共振图像进行图像分割处理,得到含有超像素的大脑核磁共振图像;具体步骤包括:利用大脑核磁共振图像像素点的密度产生初始聚类中心;
赋值阶段,在灰度距离和空间距离度量的基础上,引入像素梯度信息度量为脑核磁共振图像中的像素点分配类标签;
更新阶段,使用与上一次聚类中心的灰度差值小于或等于图像灰度标准差的像素点进行新的聚类中心的计算,得到含有若干个超像素的大脑核磁共振图像;
(2)使用以超像素为聚类中心的模糊C均值算法,对大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;具体步骤包括:设置聚类中心数目,初始化隶属度函数,计算各个聚类中心;
基于超像素的邻域信息约束,计算隶属度矩阵,迭代过程中不断更新图像的聚类中心和超像素的聚类隶属度;
根据最大隶属度法则,对图像去模糊化处理,根据模糊隶属度得到核磁共振图像各个模态的初始病灶分割结果;
基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行概率标签融合,得到最终的病灶分割结果;
基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行融合,得到最终的病灶分割结果;具体步骤包括:对于同一个病人已经配准的核磁共振图像不同模态分割结果,计算第n个标签图和最终目标标签图之间的先验概率,作为融合投票能力的度量;
利用高斯分布估计目标模态图像与给定的模态图像之间的最大似然概率,作为各个模态图像的权重系数;
基于投票能力和各个模态图像的权重系数,得到核磁共振目标模态图像中的体素属于病变区域的概率,融合三种模态输出最终的图像分割结果。
2.如权利要求1所述的方法,其特征是,利用以超像素为聚类中心的模糊C均值算法对大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果步骤之前,还包括:获取原始大脑核磁共振图像,对原始大脑核磁共振图像进行预处理,得到尺寸一致、只含有大脑颅内空间和灰度偏差小于设定阈值的大脑核磁共振图像。
3.如权利要求2所述的方法,其特征是,所述对原始大脑核磁共振图像进行预处理;具体步骤包括:对原始大脑核磁共振图像进行下采样处理;
对下采样处理后的图像进行颅骨剥离处理,得到去除非脑体素的核磁共振图像;
对去除非脑体素的核磁共振图像进行灰度归一化处理,得到预处理后的大脑核磁共振图像。
4.基于模糊C均值和概率标签融合的图像分割系统,其特征是,包括:初始分割模块,其被配置为:利用以超像素为聚类中心的模糊C均值算法,对获取的大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;具体步骤包括:(1)对大脑核磁共振图像进行图像分割处理,得到含有超像素的大脑核磁共振图像;具体步骤包括:利用大脑核磁共振图像像素点的密度产生初始聚类中心;
赋值阶段,在灰度距离和空间距离度量的基础上,引入像素梯度信息度量为脑核磁共振图像中的像素点分配类标签;
更新阶段,使用与上一次聚类中心的灰度差值小于或等于图像灰度标准差的像素点进行新的聚类中心的计算,得到含有若干个超像素的大脑核磁共振图像;
(2)使用以超像素为聚类中心的模糊C均值算法,对大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;具体步骤包括:设置聚类中心数目,初始化隶属度函数,计算各个聚类中心;
基于超像素的邻域信息约束,计算隶属度矩阵,迭代过程中不断更新图像的聚类中心和超像素的聚类隶属度;
根据最大隶属度法则,对图像去模糊化处理,根据模糊隶属度得到核磁共振图像各个模态的初始病灶分割结果;
概率标签融合模块,其被配置为:基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行概率标签融合,得到最终的病灶分割结果;
基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行融合,得到最终的病灶分割结果;具体步骤包括:对于同一个病人已经配准的核磁共振图像不同模态分割结果,计算第n个标签图和最终目标标签图之间的先验概率,作为融合投票能力的度量;
利用高斯分布估计目标模态图像与给定的模态图像之间的最大似然概率,作为各个模态图像的权重系数;
基于投票能力和各个模态图像的权重系数,得到核磁共振目标模态图像中的体素属于病变区域的概率,融合三种模态输出最终的图像分割结果。
5.一种电子设备,其特征是,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述权利要求1‑3任一项所述的方法。
6.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1‑3任一项所述的方法。