零样本的MRI脑肿瘤图像生成方法

技术领域

本发明涉及医学图像处理技术领域，设计一种零样本的MRI脑肿瘤图像生成方法，属于图像生成领域。

背景技术

在医学成像领域，尤其是MRI脑肿瘤成像方面，获取高质量数据的难度较大，主要因为这一过程通常需要昂贵的设备和专业操作，限制了数据的数量和多样性。此外，医学图像的精确标注过程不仅耗时且成本高昂，需要经验丰富的医生或放射科专家来识别图像中的病理特征。特别是对于罕见或难以诊断的病例，这些图像在数据库中可能极为稀缺，对基于图像的研究和分析构成了显著挑战。这些因素共同导致了医学图像数据的稀缺性，限制了使用这些数据进行深入研究和开发的可能性。

深度学习技术在医学图像分割领域，尤其是脑肿瘤分割上，已展现出显著的潜力。利用卷积神经网络(CNNs)等先进机器学习技术，可以准确识别和分割肿瘤区域，为诊断、治疗规划和病理研究提供支持。Soheila Saeedi、Sorayya Rezayi等人使用卷积神经网络(CNN)来分类胶质瘤、脑膜瘤和垂体瘤。然而，医学图像数据获取难度、高昂的标注成本以及标注数据的稀缺性，都限制了深度学习技术在这一领域的发展，尤其是在实际临床中的应用和普及。

鉴于这些限制，零样本MRI脑肿瘤图像生成技术的重要性日益凸显。这种技术能在无脑肿瘤样本情况下生成特定类型的脑肿瘤图像。它不仅降低了数据标注的需求和成本，而且加速了医学研究进程，为疾病特征的深入了解提供了更多样化的数据。在临床应用中，这些生成的图像可以辅助诊断和治疗规划，特别是在处理不常见的脑肿瘤案例时。

在使用深度学习方法，尤其是使用基于生成对抗网络进行脑肿瘤图像生成上已经有了一定的成果，例如Debadyuti Mukherkjee等人提出名为AGGrGAN的新型聚合方法，该方法结合了来自不同GAN模型的合成图像，同时该研究还采用了风格迁移技术，以捕捉源图像的本地化信息。实验表明，这种方法在脑肿瘤数据集上取得了不错的效果。

相较于传统依赖深度学习的方法，本发明采用的独特脑肿瘤图像生成方法，不依赖深度神经网络，而是使用传统图像处理算法，且无需任何脑肿瘤样本。这种方法在生成脑肿瘤图像时提供了更高的可控性，允许精确调整图像中的特定特征，如肿瘤大小、形状和位置。此外，与基于生成对抗网络(GAN)的方法相比，本方法在生成图像的多样性方面具有明显优势，能够覆盖更广泛的肿瘤类型和特征。综上，这种传统图像处理技术不仅提供了高度的可控性，还拓宽了图像生成的多样性范围，使其在特定应用场景中优于基于深度学习的方法。

发明内容

针对现有技术中的缺陷，本发明提供了一种零样本的MRI脑肿瘤图像生成方法，该方法能够在不使用具有脑肿瘤病灶的数据集去完成MRI脑肿瘤图像的生，本发明的具体方案如下：

零样本的MRI脑肿瘤图像生成方法，包括以下步骤：

S1：无脑肿瘤样本的数据获取与预处理；

S2：构建脑肿瘤形状生成方法；

S3：构建脑肿瘤纹理生成方法；

S4：构建模拟肿瘤质量效应和包膜效应的方法；

S5：根据上述构建脑肿瘤形状生成方法、纹理生成方法和模拟质量效应与包膜效应的方法进行零样本的MRI脑肿瘤图像生成。

进一步，在步骤S1的实验中，使用了IXI数据集，它是由英国的HammersmithHospital、Guy's Hospital和Institute ofPsychiatry等医学影像研究中心联合创建的。该数据集主要包含了广泛年龄和性别覆盖的正常志愿者的大脑磁共振成像(MRI)图像，且不包含脑肿瘤病灶样本。对此数据集的预处理包括从数据中提取脑部组织，考虑到肿瘤在灰质和白质中生长速度的差异，因此需要对白质和灰质进行分割。这一处理方法的目的是为了在没有脑肿瘤样本的情况下，完成零样本的MRI脑肿瘤图像生成。

进一步，步骤S2构建脑肿瘤形状生成方法，具体为：

S21、脑肿瘤在灰质和白质中扩散，首先需要对肿瘤的初始点进行随机取样，在脑部的灰质和白质中随机选取一个初始点，得到初始坐标；

S22、构建一个数学公式来模拟脑肿瘤的扩散，具体如下：

构建模拟脑肿瘤扩散的数学模型中，D(x,y,z)表示在坐标(x,y,z)的像素点变成肿瘤细胞的概率。p

S23、根据S21得到的初始坐标开始模拟扩散，分别将该坐标在x、y、z轴上的左右像素点，如下：

(x-1,y,z),(x+1,y,z),(x,y-1,z),(x,y+1,z),(x,y,z-1),(x,y,z+1)

在脑肿瘤模拟的S22阶段，初始坐标被输入到数学模型中，用以计算该位置肿瘤细胞出现的概率。基于这一概率，采用轮盘赌策略来决定该像素点是否变异为肿瘤细胞。每一轮肿瘤扩散后，新增的肿瘤细胞被视为新的肿瘤边界。在随后的迭代中，这些肿瘤边界的像素点作为扩散的起始坐标。为了平滑肿瘤边缘，防止其过于锐化，最终阶段会使用高斯滤波器对肿瘤边界进行一次滤波处理，以实现更自然的视觉效果。

进一步，所述步骤S3中构建脑肿瘤纹理生成方法，在步骤S2中，首先生成的肿瘤形状中所包含的像素点使用平均像素值进行填充。随后，为了模拟肿瘤的纹理，生成了3D高斯噪声。为了增强纹理的实际感，采用了三次样条插值法沿x、y、z轴对高斯噪声进行细致插值。这种插值不仅增强了纹理的连续性和自然度，而且也提高了模拟纹理的保真度。最后，为了避免生成肿瘤纹理的过度锐化，对肿瘤区域应用了一次高斯滤波处理。这种高斯滤波旨在平滑肿瘤纹理，减少不自然的锐化效果，从而使肿瘤的模拟更加真实和自然。

进一步，所述步骤S4中构建模拟肿瘤质量效应和包膜效应的方法，具体如下：

S41、模拟肿瘤质量效应，肿瘤的质量效应指的是肿瘤生长导致周围脑组织被压迫和位移。使用局部缩放扭曲法来实现肿瘤的质量效应，如下所示：

上式中γ为原本肿瘤像素点对肿瘤中心的距离，γ′为缩放后肿瘤像素点对肿瘤中心的距离，γ

S42、模拟肿瘤包膜效应，肿瘤的包膜效应是指肿瘤周围形成的一层相对密集的组织层，这层组织层使得肿瘤与周围正常组织之间的边界变得更加清晰。对肿瘤边缘进行高亮处理，模拟肿瘤的包膜效应。对肿瘤边缘像素点提高HU强度，然后在使用高斯滤波器对肿瘤边缘进行高斯滤波。

附图说明

图1算法流程示意图

图2脑肿瘤生成示意图

具体实施方式

S1：无脑肿瘤样本的数据获取与预处理；

S11、数据获取阶段：

在本发明的实验中，使用了IXI数据集作为实验数据集的基础。该数据集包含了多种模态的影像数据，包括T1和T2序列的MRI图像。本研究主要关注于利用T1和T2模态的图像数据，其中每个图像的分辨率为256×256×150，这些数据图像均是没有病灶的正常大脑图像，为无肿瘤病灶的健康脑部图像。

S12、数据预处理阶段：

在对IXI数据集进行数据预处理时，由于数据集包含完整头部扫描，其中包括非脑组织，而本实验的重点是在脑部区域应用算法。因此，首先采用了FSL(FMRIB SoftwareLibrary)工具中的BET(Brain Extraction Tool)功能来提取数据集中的脑部。BET的原理是基于形态学的方法，利用边缘检测技术和形状模型来识别并分割脑部组织，从而有效地从完整的头部扫描图像中分离出脑组织；考虑到脑肿瘤在灰质和白质中的生长速度差异，对这两种脑组织进行精确分割是至关重要，在本实验中，使用了FSL工具中的FAST(FMRIB'sAutomated Segmentation Tool)功能来进行白质和灰质的分割。FAST的原理是基于贝叶斯概率框架，结合了形态学和统计方法。它通过对MRI图像中的不同组织类型的信号强度进行建模，能够自动识别并分割出白质、灰质以及脑脊液等不同组织。这种方法最终生成了组织的概率图和分割图，为肿瘤的生长模拟提供了必要的基础数据。

S2、构建脑肿瘤形状生成方法

S21、在模拟脑肿瘤扩散的过程中，对肿瘤起始点的选择至关重要。这一步骤涉及在大脑的灰质和白质区域中，采用随机抽样方法来确定肿瘤的初始点。通过这种方式，可以从灰质和白质中随机选取一个点，并获得其初始坐标；

S22、构建一个数学公式来模拟脑肿瘤的扩散，具体如下：

其中：在构建用于模拟脑肿瘤扩散的数学模型时，我们定义函数D(x,y,z)来代表在像素坐标(x,y,z)处形成肿瘤细胞的概率。此概率是基于该点在白质和灰质中的位置所占的比重p

S23、根据S21得到的初始坐标开始模拟扩散，分别将该坐标在x、y、z轴上的左右像素点，如下：

(x-1,y,z),(x+1,y,z),(x,y-1,z),(x,y+1,z),(x,y,z-1),(x,y,z+1)

将S21阶段中得到的初始坐标输入到S22阶段建立的数学模型中，用以计算该位置被发展为肿瘤细的概率。基于这一概率，采用轮盘赌策略来决定该位置像素点是否发展成肿瘤细胞。每一轮肿瘤扩散后，新增的肿瘤细胞被视为新的肿瘤边界。在随后的迭代中，这些肿瘤边界的像素点作为扩散的起始坐标。扩散分为三个阶段，首先形成坏死肿瘤核心区，然后形成增强肿瘤区，最后形成水肿区。每阶段结束，记录像素点以生成相应区域掩膜，用作下一阶段扩散的起点。为避免边缘锐化，最终对肿瘤边界应用高斯滤波，以平滑边缘并提升视觉自然度。此模型考虑了肿瘤生长的动态性，以及不同生物学特性在图像上的表现，可以通过迭代达到精细化肿瘤形态的模拟。

S3、构建脑肿瘤纹理生成方法。在步骤S2中，生成的肿瘤形状中的像素点被填充以匹配平均像素值，从而模拟肿瘤的基础结构。随后，为了模拟肿瘤的纹理，生成了3D高斯噪声。为了增强纹理的实际感，采用了三次样条插值法沿x、y、z轴对高斯噪声进行细致插值。这种插值不仅增强了纹理的连续性和自然度，而且也提高了模拟纹理的详细程度。最后，为了避免生成肿瘤纹理的过度锐化，对肿瘤区域应用了一次高斯滤波处理。这种高斯滤波旨在平滑肿瘤纹理，减少不自然的锐化效果，从而使肿瘤的模拟更加真实和自然。

S4、构建模拟肿瘤质量效应和包膜效应的方法。

S41、模拟肿瘤质量效应，肿瘤的质量效应指的是肿瘤生长导致周围脑组织被压迫和位移。使用局部缩放扭曲法来实现肿瘤的质量效应，如下所示：

上式中γ为原本肿瘤像素点对肿瘤中心的距离，γ′为缩放后肿瘤像素点对肿瘤中心的距离，γ

S42、模拟肿瘤包膜效应，肿瘤的包膜效应是指肿瘤周围形成的一层相对密集的组织层，这层组织层使得肿瘤与周围正常组织之间的边界变得更加清晰。对肿瘤边缘进行高亮处理，模拟肿瘤的包膜效应。对肿瘤边缘像素点提高HU强度，然后在使用高斯滤波器对肿瘤边缘进行高斯滤波。