科创中国

本发明适用于医学图像处理技术领域，提供了一种MR图像的分割方法及装置，包括：通过多模态的样本MR图像分别进行各个模态的字典学习；建立多模态联合稀疏表示模型；通过所述多模态联合稀疏表示模型，将测试MR图像在所述字典下联合稀疏表示为少数原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表示系数；根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个像素进行分类，获取图像分割结果。本发明提出的多模态联合稀疏表示模型，能够结合多模态MR图像所提供的信息进行多变量联合稀疏表示，大大地提高了图像分割的正确率。

1. 一种磁共振MR图像的分割方法，其特征在于，包括： 通过多模态的样本MR图像分别进行各个模态的字典学习；利用所述多模态的样本联合 训练多模态的各个分类字典，再将各个分类字典合成一个大字典； 建立多模态联合稀疏表不模型； 通过所述多模态联合稀疏表示模型，将测试MR图像在所述字典下联合稀疏表示为少数 原子的线性组合，通过稀疏编码获取所述测试MR图像的稀疏表示系数； 根据所述测试MR图像的稀疏表示系数，将所述测试MR图像的每个像素进行分类，获取 图像分割结果。 2. 如权利要求1所述的方法，其特征在于，所述通过多模态的样本MR图像分别进行各个 模态的字典学习包括： 将每个样本病人所对应的多模态MR图像进行配准； 在配准后的所述多模态MR图像中分别提取出不同状态的训练样本，所述不同状态包括 水肿状态、肿瘤状态和正常脑组织状态

磁共振(Magnetic Resonance，MR)成像技术具有较高的软组织分辨率和无损伤 性，可以对不同解剖部位进行断层成像，具有以不同参数实现影像对比度加权，获得高组织 分辨率、高清晰度和提供多种诊断信息的能力，目前已经被广泛应用于脑肿瘤诊断领域。为 了定量分析脑肿瘤的局部病变，需要对脑图像中的肿瘤进行分割，确定肿瘤的体积、大小和 位置。

稀疏表示是新近发展的一种机器学习方法，该方法通过对训练样本进行学习，训 练出该类样本相应的字典，并将图像在该字典空间下稀疏地表示为一系列少数原子的线性 组合。目前，稀疏表示已被成功地应用在各种视觉任务中，例如，基于稀疏表示的分类 (Sparse Representation based Classif ication，SRC)算法，然而，该算法其最初是用于 人脸识别的，人脸识别不需要考虑各个人脸之间的空间关系，而在图像分割中，每个像素都 不是孤立存在的，都会与周围空间的相邻像素存在着一定的联系，因此，将SRC算法直接用 于图像分割中，很难获得精确的分割结果。

中国科学院深圳先进技术研究院提升了粤港地区及我国先进制造业和现代服务业的自主创新能力，推动我国自主知识产权新工业的建立，成为国际一流的工业研究院。 深圳先进院目前已初步构建了以科研为主的集科研、教育、产业、资本为一体的微型协同创新生态系统，由九个研究平台，国科大深圳先进技术学院，多个特色产业育成基地、多支产业发展基金、多个具有独立法人资质的新型专业科研机构等组成。开展先进技术研究，促进科技发展。信息、电子、通讯技术研究新材料、新能源技术研究高性能计算、自动化、精密机械研究生物医学与医疗仪器研究相关学历教育、博士后培养与学术交流。

在本发明实施例中，采用联合稀疏表示框架来处理来自不同模态图像的特征维 数，使之表示为相同的空间稀疏系数，且联合稀疏表示能够对高维数的特征向量进行处理； 采用多个模态的联合稀疏表示，能够在字典学习中结合多模态MR图像所提供的多种特征诊 断信息，使得字典所含有的特征信息更加丰富，以此来提高像素分类的正确率;将图正则引 入到联合稀疏表示模型的优化中，并利用ADMM算法进行多个变量的交替优化，使得学习出 来的字典更具有判别性。

技术合作

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精 神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。