基于局部-全局自适应信息学习的脑肿瘤磁共振图像分割

针对脑肿瘤磁共振成像(MRI)勾画数据少、类别不平衡以及各个私有的数据库具有较大差异导致脑肿瘤MRI图像分割困难的问题,提出了一种基于局部—全局自适应信息学习(ALGIL)分割算法.该方法只需要少量的勾画数据,解决了传统监督学习中对勾画数据数量的依赖问题.通过融合图像的空间域信息和频域信息,利用小波变换将图像从空间域转换到频域,从低频和高频子带中分别提取统计特征和纹理特征,解决了传统单一领域特征提取的局限性;利用局部—全局自适应信息学习算法,首先通过随机森林算法得到特征权重对图像进行赋权并构造相似性矩阵,然后利用指数衰减函数自适应调整标注样本对算法的影响程度,解决了因勾画数据少导致分割不理想的问题.所提方法在公开数据集Brats2018上的实验结果显示,该方法与其他先进模型相比,各项评价指标均有所提升,并且减少了对勾画样本量的需求,大幅提高了图像分割的效率,为脑胶质瘤的自动精确分割提供了新的思路.