本發(fā)明涉及醫(yī)學(xué)腦影像分割領(lǐng)域，尤其涉及一種基于局部子空間學(xué)習(xí)的mr圖像海馬體分割算法。

背景技術(shù)：

海馬體，又名海馬回，是人類(lèi)大腦神經(jīng)系統(tǒng)的重要組成部分，主要負(fù)責(zé)記憶、學(xué)習(xí)及空間定位。研究表明，海馬體體積和形態(tài)的變化與阿爾茲海默綜合癥、精神分裂癥、顳葉癲癇、重度抑郁癥等多種神經(jīng)性疾病有著緊密的聯(lián)系。在臨床應(yīng)用中，通過(guò)適當(dāng)?shù)乃惴▽?duì)海馬體進(jìn)行精確的分割，從而分析其體積、形態(tài)的變化，可以為上述疾病提供診斷依據(jù)。然而，由于海馬體具有形狀不規(guī)則、體積小、容易有部分容積效應(yīng)、邊緣無(wú)明顯界限、個(gè)體差異大等特點(diǎn)，使得對(duì)海馬體進(jìn)行精確分割成為一項(xiàng)極具挑戰(zhàn)性的任務(wù)。此外，由于不同圖像之間灰度、紋理、邊緣信息的多樣性和復(fù)雜性以及不同圖像分割要求的差異性，至今仍沒(méi)有一種統(tǒng)一的方法對(duì)所有待分割的圖像都行之有效。傳統(tǒng)的海馬體分割方法種類(lèi)繁多，較為常見(jiàn)的有閾值法、區(qū)域生長(zhǎng)法、聚類(lèi)法、基于邊緣的分割方法、馬爾可夫隨機(jī)場(chǎng)模型、基于小波變換的分割方法等。

自海馬體的機(jī)理、對(duì)人腦記憶和空間定位功能的影響及其與阿爾茲海默綜合癥等精神性疾病間的緊密聯(lián)系為研究者發(fā)現(xiàn)以來(lái)，海馬體分割技術(shù)經(jīng)歷了手動(dòng)分割、半自動(dòng)分割、自動(dòng)分割三個(gè)階段。由于技術(shù)手段的落后，早期的研究者通常采用閾值法、區(qū)域生長(zhǎng)法對(duì)海馬體進(jìn)行分割。而隨著科技的進(jìn)步，近年來(lái)基于圖譜配準(zhǔn)的海馬體分割方法也引起了研究者們極大的關(guān)注?；趫D譜配準(zhǔn)的分割方法使用圖像配準(zhǔn)作為重要的一步，建立起預(yù)先標(biāo)記的圖譜圖像和目標(biāo)圖像之間的對(duì)應(yīng)關(guān)系。隨后使用得到的形變場(chǎng)，將圖譜中的標(biāo)簽傳播到目標(biāo)圖像空間，得到一個(gè)目標(biāo)圖像的最終分割結(jié)果?；趫D譜配準(zhǔn)的分割方法可以分為基于單一圖譜、基于平均形狀圖譜以及基于多個(gè)圖譜三種。

基于單一圖譜的分割方法用單一的圖譜與目標(biāo)圖像進(jìn)行配準(zhǔn)，因此難以適應(yīng)不同個(gè)體間的差異性，從而很難獲得理想的分割結(jié)果。

在基于單一圖譜的分割方法的基礎(chǔ)上研究者們提出基于平均形狀圖譜的分割方法，該方法采用多個(gè)圖譜以及一定的手段，獲取所有圖譜的信息，生成一個(gè)具有多個(gè)頻譜平均形狀的合成圖譜，再將該合成圖譜與目標(biāo)圖像配準(zhǔn)以實(shí)現(xiàn)最終的分割。

與基于平均形狀圖譜分割方法類(lèi)似，基于多個(gè)圖譜配準(zhǔn)的分割方法同樣使用多個(gè)圖譜。該方法將多個(gè)圖譜分別與目標(biāo)圖像進(jìn)行配準(zhǔn)，得到多組形變參數(shù)，分別對(duì)各圖譜對(duì)應(yīng)的標(biāo)記圖像進(jìn)行形變，將對(duì)應(yīng)的圖譜標(biāo)簽傳播到目標(biāo)圖像空間中，再融合所有傳播的圖譜標(biāo)簽并產(chǎn)生一個(gè)目標(biāo)圖像的最終分割結(jié)果。

與傳統(tǒng)的海馬體分割方法相比，基于圖譜配準(zhǔn)的海馬體分割方法的分割性能有了較大的提升。以其中分割性能最佳的基于多譜圖配準(zhǔn)的分割方法為例，通過(guò)融合目標(biāo)圖像空間中的多圖譜的傳播標(biāo)簽，該方法可以獲得魯棒性、準(zhǔn)確度更高的分割結(jié)果。然而，基于多圖譜配準(zhǔn)的分割方法的性能依賴(lài)于配準(zhǔn)的精度以及標(biāo)簽傳播的效率，因此無(wú)法得到穩(wěn)定的分割結(jié)果。

因此，如何解決現(xiàn)有海馬體方法的分割性能依賴(lài)于配準(zhǔn)精度和標(biāo)簽傳播的效率的問(wèn)題，是目前醫(yī)學(xué)腦影像分割領(lǐng)域亟需解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)之不足，本發(fā)明提出一種基于局部子空間學(xué)習(xí)的mr圖像海馬體分割算法，包括以下步驟：

步驟1：將已標(biāo)記圖譜配準(zhǔn)到目標(biāo)海馬體mr圖像上得到n個(gè)已配準(zhǔn)圖譜，所述已配準(zhǔn)圖譜中的正樣本為標(biāo)記為+1的海馬體，所述已配準(zhǔn)圖譜中的負(fù)樣本為標(biāo)記為-1的非海馬體；

步驟2：分別在n個(gè)已配準(zhǔn)圖譜中以目標(biāo)體素為中心選擇大小為w×w×w的鄰域體素，并獲得n×w×w×w個(gè)候選訓(xùn)練樣本，從所述候選訓(xùn)練樣本的正、負(fù)樣本中分別選取q1+q2個(gè)樣本構(gòu)建正、負(fù)訓(xùn)練樣本集，其中，正訓(xùn)練樣本集和負(fù)訓(xùn)練樣本集構(gòu)成訓(xùn)練樣本集，所述訓(xùn)練樣本集包括2(q1+q2)個(gè)訓(xùn)練樣本；

步驟3：從訓(xùn)練樣本集中提取至少包括紋理及圖像灰度值的特征信息構(gòu)成原始特征空間；

步驟4：對(duì)所述原始特征空間進(jìn)行基于邊際fisher分析的子空間學(xué)習(xí)；

步驟4.1：將訓(xùn)練樣本的類(lèi)型標(biāo)簽拓展為以該訓(xùn)練樣本為中心t×t×t大小的鄰域內(nèi)所有訓(xùn)練樣本的結(jié)構(gòu)類(lèi)型標(biāo)簽塊，所述訓(xùn)練樣本集中的所有訓(xùn)練樣本對(duì)應(yīng)的結(jié)構(gòu)類(lèi)型標(biāo)簽塊構(gòu)成結(jié)構(gòu)類(lèi)型標(biāo)簽集；

步驟4.2：將k均值聚類(lèi)方法應(yīng)用于所述結(jié)構(gòu)類(lèi)型標(biāo)簽集上，得到與所述結(jié)構(gòu)類(lèi)型標(biāo)簽集對(duì)應(yīng)的子類(lèi)型標(biāo)簽集，用所述子類(lèi)型標(biāo)簽集替換所述結(jié)構(gòu)類(lèi)型標(biāo)簽集并將該子類(lèi)型標(biāo)簽集與對(duì)應(yīng)的訓(xùn)練樣本集結(jié)合得到新的帶標(biāo)簽的訓(xùn)練樣本集；

步驟4.3：構(gòu)建本征圖gi和懲罰圖gp；

步驟4.4：定義所述本征圖gi的相似矩陣sⁱ及所述懲罰圖gp的相似矩陣s^p；

步驟4.5：定義所述本征圖gi的對(duì)角矩陣dⁱ和拉普拉斯矩陣lⁱ以及所述懲罰圖gp的對(duì)角矩陣d^p和拉普拉斯矩陣l^p；

步驟4.6：計(jì)算子空間映射矩陣，將訓(xùn)練樣本集中用特征信息表征的體素映射到已學(xué)習(xí)子空間中；

步驟5：標(biāo)簽傳播；

步驟6：輸入目標(biāo)海馬體mr圖像；

步驟7：提取所述目標(biāo)海馬體mr圖像中的每個(gè)測(cè)試樣本體素的特征信息；

步驟8：將所述目標(biāo)海馬體mr圖像中的以特征信息表征的測(cè)試樣本體素投影到所述已學(xué)習(xí)子空間中；

步驟9：在所述已學(xué)習(xí)子空間中采用基于k近鄰分類(lèi)器對(duì)所述目標(biāo)海馬體mr圖像的各個(gè)測(cè)試樣本體素的類(lèi)別進(jìn)行判別并得到最終分割結(jié)果。

本發(fā)明的有益效果在于：

現(xiàn)有的分割方法的分割性能過(guò)于依賴(lài)配準(zhǔn)的精度及所提取特征的豐富性，本發(fā)明提出的分割方法，通過(guò)對(duì)特征空間進(jìn)行基于mfa的子空間學(xué)習(xí)，能夠有效的提高體素特征的識(shí)別度，使分割性能獲得較大的提升，分割性能更加穩(wěn)定，適用范圍更廣。

附圖說(shuō)明

圖1是本發(fā)明分割算法的方法流程圖；

圖2是通過(guò)高斯濾波器構(gòu)建一個(gè)多尺度圖像塊的示意圖；和

圖3是本發(fā)明的本征圖和懲罰圖的鄰接關(guān)系示意圖。

具體實(shí)施方式

下面結(jié)合附圖進(jìn)行詳細(xì)說(shuō)明。

本發(fā)明中的體素是指：體素即體積元素，是數(shù)據(jù)與三維空間分割上的最小單位。

本發(fā)明中的目標(biāo)體素是指：指目標(biāo)海馬體mr圖像中待確定類(lèi)別的體素。

本發(fā)明中的標(biāo)簽是指：本發(fā)明中標(biāo)簽即為樣本體素對(duì)應(yīng)的標(biāo)記，其中正樣本為標(biāo)記為+1的海馬體，負(fù)樣本為標(biāo)記為-1的非海馬體。

針對(duì)現(xiàn)有技術(shù)對(duì)海馬體分割存在的不足，本發(fā)明提出一種基于局部子空間學(xué)習(xí)的mr圖像海馬體分割算法。圖1是發(fā)明分割算法的方法流程圖?，F(xiàn)結(jié)合附圖，詳細(xì)說(shuō)明本發(fā)明的一種基于局部子空間學(xué)習(xí)的mr圖像海馬體分割算法，本發(fā)明提出的海馬體分割算法包括以下步驟：

步驟1：輸入已標(biāo)記圖譜，對(duì)這些已標(biāo)記圖譜進(jìn)行空間變換，如仿射變換、分段仿射變換或非線(xiàn)性變換，將其映射到目標(biāo)海馬體mr圖像上，得到n個(gè)已配準(zhǔn)mr圖譜。

步驟2：對(duì)n個(gè)已配準(zhǔn)圖譜圖像以目標(biāo)體素為中心選擇大小為w×w×w的鄰域體素，獲得n×w×w×w個(gè)候選訓(xùn)練樣本。從候選訓(xùn)練樣本的正、負(fù)樣本中分別選擇q1+q2個(gè)樣本構(gòu)建訓(xùn)練樣本集，訓(xùn)練樣本集包括正訓(xùn)練樣本集和負(fù)訓(xùn)練樣本集。

一種具體的實(shí)施方式，對(duì)于給定目標(biāo)海馬體mr圖像上的一個(gè)體素x，所有已配準(zhǔn)圖譜中與體素x對(duì)應(yīng)的鄰域體素v(x)中的所有體素都被用于生成訓(xùn)練樣本集，鄰域體素v(x)大小為w×w×w。因此，從n個(gè)已配準(zhǔn)圖譜中可得到n×w×w×w個(gè)訓(xùn)練樣本構(gòu)造候選訓(xùn)練樣本集，其中為取自第i個(gè)圖譜上的第j個(gè)樣本體素，li，j∈{+1，-1}為每個(gè)候選訓(xùn)練樣本的類(lèi)型標(biāo)簽。

候選訓(xùn)練樣本集中包含有與目標(biāo)圖像中待判別類(lèi)型的體素樣本x不同相似程度的樣本。為了使子空間學(xué)習(xí)時(shí)訓(xùn)練樣本集中正、負(fù)樣本數(shù)達(dá)到平衡，從候選訓(xùn)練樣本的正、負(fù)樣本中分別選取q1+q2個(gè)樣本構(gòu)建正負(fù)訓(xùn)練樣本集。具體的，對(duì)于正訓(xùn)練樣本，選擇q1個(gè)與目標(biāo)體素樣本x相似度最高的樣本，并在其余的正訓(xùn)練樣本中隨機(jī)抽取q2個(gè)正樣本構(gòu)成正訓(xùn)練樣本集。類(lèi)似地，對(duì)于負(fù)訓(xùn)練樣本，也選擇選擇q1個(gè)與目標(biāo)體素樣本x相似度最高的樣本，并在其余的負(fù)訓(xùn)練樣本中隨機(jī)抽取q2個(gè)負(fù)樣本構(gòu)成負(fù)訓(xùn)練樣本集。正訓(xùn)練樣本集和負(fù)訓(xùn)練樣本集結(jié)合即得到訓(xùn)練樣本集。

相似性是由以下結(jié)構(gòu)相似度計(jì)算公式(1)計(jì)算得出：

其中μ和σ分別為中心在體素x和j的大小為w×w×w的鄰域的均值和標(biāo)準(zhǔn)差。

步驟3：提取至少包括紋理和圖像灰度值的特征信息用于構(gòu)造原始特征空間。該原始特征空間后續(xù)將被用于子空間的訓(xùn)練以提高用特征信息表征的體素在目標(biāo)圖像中的區(qū)分度。

步驟31：本算法提取的紋理特征信息包括：

一階差分濾波器(fods)輸出，如公式(2)

{h(z+u)-h(z-u)，u＝(rcosθsinφ，rsinθsinφ，rcosφ)}(2)

二階差分濾波器(sods)輸出，如公式(3)

{h(z+u)+h(z-u)-2h(z)，u＝(rcosθsinφ，rsinθsinφ，rcosφ)}(3)

三維超平面濾波器輸出，如公式(4)

3d-sobel濾波器輸出如公式(5)

拉普拉斯濾波器輸出，如公式(6)

灰度范圍濾波器輸出，如公式(7)

其中，ca，b，c(z)表示一個(gè)中心點(diǎn)在z體積為a×b×c的矩形區(qū)域，u是偏移向量，r是u的長(zhǎng)度，θ和φ是u的兩個(gè)旋轉(zhuǎn)角，ψ為濾波算子，h為對(duì)應(yīng)的濾波函數(shù)，op(z)表示z的p鄰域中的體素，*表示卷積運(yùn)算。在紋理信息中，fods和sods用于檢測(cè)一條分割線(xiàn)上強(qiáng)度的變化情況。

這里，令r∈{1，2，3}，θ∈{0，π/4，π/2，3π/4}，φ∈{0，π/4，π/2}。三維超平面濾波器和3d-sobel濾波器是該平面上對(duì)fods以及sods的擴(kuò)展。另外，還使用其他兩種濾波器，即拉普拉斯濾波器和灰度范圍濾波器。拉普拉斯濾波器是各向同性的，用于檢測(cè)二級(jí)強(qiáng)度變化?；叶确秶鸀V波器則用于計(jì)算給定鄰域中每個(gè)體素最小與最大值間的灰度差。本發(fā)明的技術(shù)方案中，將p鄰域的大小設(shè)置為p∈{7，19，27}。

步驟32：提取圖像灰度值特征信息的步驟如下：

首先將圖像劃分為相互不重疊的圖像塊。本發(fā)明中，使用不同的高斯濾波器來(lái)將原始強(qiáng)度信息替換為卷積后的強(qiáng)度信息。

圖2是通過(guò)高斯濾波器構(gòu)建一個(gè)多尺度圖像塊的示意圖。如圖2所示，由于分割的最終目的是確定目標(biāo)圖像體素的類(lèi)型標(biāo)簽，在一個(gè)適當(dāng)?shù)姆秶?如圖2中右邊的子圖)內(nèi)捕獲體素塊的中心信息(如圖2中的內(nèi)層區(qū)域)，并逐漸擴(kuò)大這個(gè)區(qū)域，隨著與圖像塊中心距離的增加獲得粗略的多尺度強(qiáng)度信息。

步驟4：為在分割時(shí)保存mr影像的解剖結(jié)構(gòu)信息，將訓(xùn)練樣本的類(lèi)型標(biāo)簽拓展為結(jié)構(gòu)類(lèi)型標(biāo)簽塊，隨后基于k均值聚類(lèi)得到與所述結(jié)構(gòu)類(lèi)型標(biāo)簽集對(duì)應(yīng)的子類(lèi)型標(biāo)簽集并以此構(gòu)造新的訓(xùn)練樣本集，再對(duì)原始特征空間進(jìn)行邊際fisher分析(marginfisheranalysis,mfa)子空間學(xué)習(xí)：

步驟4.1：將訓(xùn)練樣本的類(lèi)型標(biāo)簽拓展為以該訓(xùn)練樣本為中心的t×t×t大小鄰域內(nèi)所有訓(xùn)練樣本的結(jié)構(gòu)類(lèi)型標(biāo)簽塊，訓(xùn)練樣本集中的所有訓(xùn)練樣本對(duì)應(yīng)的結(jié)構(gòu)類(lèi)型標(biāo)簽塊構(gòu)成結(jié)構(gòu)類(lèi)型標(biāo)簽集。

具體的，用u＝[u1，u2，...，um]表示訓(xùn)練樣本集，表示訓(xùn)練樣本，y＝[y1，y2，...，ym]表示體素樣本類(lèi)型標(biāo)簽集，yi∈{+1，-1}表示與ui對(duì)應(yīng)的體素樣本的類(lèi)型標(biāo)簽，正樣本也即屬于海馬體的樣本類(lèi)型標(biāo)簽為+1，負(fù)樣本也即非海馬體樣本的類(lèi)型標(biāo)簽為-1。m＝2(q1+q2)為訓(xùn)練樣本集中訓(xùn)練樣本的數(shù)量，d為樣本特征維數(shù)。將每個(gè)訓(xùn)練樣本的類(lèi)型標(biāo)簽拓展為以訓(xùn)練樣本為中心t×t×t大小鄰域內(nèi)所有訓(xùn)練樣本的結(jié)構(gòu)類(lèi)型標(biāo)簽塊其中t×t×t表示標(biāo)簽塊的體積。

步驟4.2：對(duì)于訓(xùn)練樣本集u和其對(duì)應(yīng)的結(jié)構(gòu)類(lèi)型標(biāo)簽集每個(gè)訓(xùn)練樣本ui被分配了一個(gè)結(jié)構(gòu)類(lèi)型標(biāo)簽塊由于mfa不能直接用于訓(xùn)練子空間，因此對(duì)采用k均值聚類(lèi)方法，在無(wú)監(jiān)督條件下得到與結(jié)構(gòu)類(lèi)型標(biāo)簽集對(duì)應(yīng)的子類(lèi)型標(biāo)簽集{y′1，...，y′m}，y′i∈{+1，-1}表示子類(lèi)型標(biāo)簽，將子類(lèi)型標(biāo)簽集替換結(jié)構(gòu)類(lèi)型標(biāo)簽集，并與訓(xùn)練樣本集結(jié)合生成新的訓(xùn)練樣本集，用于后續(xù)的mfa子空間學(xué)習(xí)。具體的，用所述子類(lèi)型標(biāo)簽集替換所述結(jié)構(gòu)類(lèi)型標(biāo)簽集并將該子類(lèi)型標(biāo)簽集與對(duì)應(yīng)的訓(xùn)練樣本集結(jié)合得到新的帶標(biāo)簽的訓(xùn)練樣本集。

步驟4.3：構(gòu)建本征圖gⁱ和懲罰圖g^p；

根據(jù)圖形嵌入理論構(gòu)建兩個(gè)無(wú)向圖，即本征圖gⁱ＝{u，sⁱ}和懲罰圖g^p＝{u，s^p}，用于描繪不同類(lèi)型的類(lèi)中流形結(jié)構(gòu)及流形邊界，其中，u表示候選訓(xùn)練集，為gⁱ及g^p對(duì)應(yīng)的相似度矩陣；

步驟4.4：定義本征圖相似度矩陣sⁱ及懲罰圖相似度矩陣s^p；

為了描繪類(lèi)內(nèi)樣本的緊致性，本征圖gⁱ對(duì)應(yīng)的相似矩陣sⁱ可由下式(8)定義：

其中表示同一個(gè)類(lèi)中uj的k1最近鄰的索引集。

另外，mfa定義了懲罰圖g^p的相似度矩陣s^p用于刻畫(huà)類(lèi)間樣本的離散情況，其定義如式(9)所示：

其中是集合{(i，j)，yi＝y(tǒng)，yj≠y}中k2最近的一個(gè)數(shù)據(jù)集。

圖3為本征圖和懲罰的鄰接關(guān)系圖。對(duì)于mfa，本征圖和懲罰圖的鄰接關(guān)系可由圖3得出。

步驟4.5：通過(guò)本征圖相似度矩陣sⁱ定義本征圖的對(duì)角矩陣dⁱ和拉普拉斯矩陣lⁱ，并通過(guò)懲罰圖相似度矩陣s^p定義懲罰圖的對(duì)角矩陣d^p和拉普拉斯矩陣l^p。

具體的，本征圖對(duì)應(yīng)的對(duì)角矩陣dⁱ和拉普拉斯矩陣lⁱ可由下式(10)定義得出：

懲罰圖g^p對(duì)應(yīng)的拉普拉斯矩陣l^p可用與公式(10)類(lèi)似的方法進(jìn)行定義。

步驟4.6：通過(guò)步驟4.5得到的lⁱ和l^p計(jì)算子空間映射矩陣，通過(guò)子空間映射矩陣將訓(xùn)練樣本集中用特征信息表征的體素映射到已學(xué)習(xí)子空間中。

具體的，根據(jù)圖形嵌入框架，子空間映射矩陣(其中p為子空間維度)可通過(guò)求解目標(biāo)函數(shù)(11)計(jì)算得出：

其中tr(·)為矩陣的跡，映射矩陣φmfa包括矩陣前若干個(gè)較大特征值對(duì)應(yīng)的特征向量。

得到子空間映射矩陣后，訓(xùn)練樣本集中用特征信息表征的訓(xùn)練樣本ui∈u，i＝1，2，...，m都以式(12)的形式映射到已學(xué)習(xí)子空間中，式(12)如下：

在已學(xué)習(xí)子空間中，具有相似標(biāo)簽的樣本間距離被壓縮，而具有不同標(biāo)簽的樣本間距離被擴(kuò)大，有效地提升了用特征信息表征的圖像體素的識(shí)別度。

步驟5：標(biāo)簽傳播。標(biāo)簽傳播的基本思路是：用已標(biāo)記樣本的標(biāo)簽信息去預(yù)測(cè)未標(biāo)記樣本的標(biāo)簽信息，每個(gè)樣本的標(biāo)簽按相似度傳播給相鄰節(jié)點(diǎn)。標(biāo)簽傳播具有簡(jiǎn)單、高效、快捷的優(yōu)點(diǎn)。

步驟6：輸入目標(biāo)海馬體mr圖像。

步驟7：提取目標(biāo)海馬體mr圖像中的每個(gè)測(cè)試樣本體素的特征信息，對(duì)目標(biāo)海馬體mr圖像中的每個(gè)測(cè)試樣本體素按照與訓(xùn)練樣本一致的方法提取特征信息，即在原始特征空間中進(jìn)行表征。

步驟8：將目標(biāo)海馬體mr圖像中的以特征信息表征的測(cè)試樣本體素投影到步驟4.6中已學(xué)習(xí)的子空間中；

步驟9：在步驟4.6得到的已學(xué)習(xí)子空間中采用基于k近鄰分類(lèi)器對(duì)目標(biāo)海馬體mr圖像的測(cè)試樣本體素的類(lèi)別進(jìn)行判別，得到最終分割結(jié)果。k近鄰分類(lèi)方法的基本思路是：如果一個(gè)樣本在特征空間中的k個(gè)最相似的樣本中的大多數(shù)屬于某一個(gè)類(lèi)別，則該樣本也屬于這個(gè)類(lèi)別。即判斷測(cè)試樣本體素是海馬體還是非海馬體。

將本發(fā)明與兩種傳統(tǒng)的基于多圖譜的分割算法，即非局部分塊標(biāo)簽傳播算法與稀疏分塊標(biāo)簽傳播算法相比可知，本發(fā)明提出的算法通過(guò)采用mfa子空間學(xué)習(xí)對(duì)已標(biāo)記圖譜的標(biāo)簽進(jìn)行傳播，并在習(xí)得的子空間中進(jìn)行k近鄰分類(lèi)的方法，可以將mr腦部圖像中的海馬體結(jié)構(gòu)與其他腦組織結(jié)構(gòu)較好的區(qū)分出來(lái)。大量的實(shí)驗(yàn)結(jié)果表明，本發(fā)明最終的到的分割結(jié)果在dice系數(shù)、jaccard系數(shù)，pi、ri以及hausdroff距離等評(píng)價(jià)指標(biāo)上均優(yōu)于上述兩種分割算法。本發(fā)明的技術(shù)方案不依賴(lài)于配準(zhǔn)的精度和標(biāo)簽傳播的效率，使得分割性能更穩(wěn)定，算法適用范圍更廣。

需要注意的是，上述具體實(shí)施例是示例性的，本領(lǐng)域技術(shù)人員可以在本發(fā)明公開(kāi)內(nèi)容的啟發(fā)下想出各種解決方案，而這些解決方案也都屬于本發(fā)明的公開(kāi)范圍并落入本發(fā)明的保護(hù)范圍之內(nèi)。本領(lǐng)域技術(shù)人員應(yīng)該明白，本發(fā)明說(shuō)明書(shū)及其附圖均為說(shuō)明性而并非構(gòu)成對(duì)權(quán)利要求的限制。本發(fā)明的保護(hù)范圍由權(quán)利要求及其等同物限定。