改进的多模式脑肿瘤图像混合分割算法

童云飞 李 锵 关 欣

(天津大学微电子学院，天津 300072)

1 引言

脑肿瘤是一种高危疾病，仅在 2015 年美国确诊的新发脑肿瘤病例大约23000例[注]http:∥www.ucancer.org。目前有效的治疗方案是通过核磁共振成像(Magnetic Resonance Imaging，MRI)确定脑肿瘤位置和大小信息。鉴于脑肿瘤形状复杂，大小和位置具有随机性，类型差异大等因素，目前还没有很好的分割算法能够满足临床需要，不同专家手动分割脑肿瘤[1]图像的结果也有很大差异，而且人工成本较高。因此，研究准确的全自动脑肿瘤分割算法非常重要[2]。

脑肿瘤自动分割技术一直以来都是研究热门方向，尤其是多模式脑肿瘤图像分割[3-4]，脑肿瘤分割目的是检测肿瘤区域的位置和范围，在不同模式MRI图像中，这些肿瘤区域可以通过和正常区域比较识别出来。MRI包含多种模式图像，主要有FLAIR、T1C和T2等，如表1所示，在FLAIR模式中肿瘤与正常组织灰度差异明显，肿瘤呈高亮度，脑脊液呈低亮度。在T1C模式中，虽然部分肿瘤区域呈低亮度，与有些正常组织灰度差异不明显，但是边界纹理特征区别明显。而T2模式无论灰度及纹理特征都有一定的差异。3种模式图像可以为肿瘤分割提供部分不相关且互补的信息，为充分利用每个模式的图像信息，本文采用线性融合的方式来预处理不同模式的图像。

分割脑肿瘤的算法有很多，其中阈值算法、聚类算法和形变模型算法[5-7]是比较常用的算法。阈值算法最早用于脑肿瘤图像分割，其中OTSU[8]算法是一种自动适应阈值算法，能够有效避免固定阈值带来的误差，但是不适用于复杂的脑肿瘤图像；……