【医疗影像处理】使用GMM分割3D T1得到wm/gm/csf/background

Purpose

使用无监督方法—GMM对一个T1样本进行分割，得到分割结果：

• wm 白质
• gm 灰质
• csf 脑脊液
• 背景

Data T1

只是展示了其中的一层：

从图上可以看到，白质的信号明显高于灰质的信号，灰质的信号高于脑脊液（和背景）的信号。

T1 Histogram

绘制T1的直方图不可以包含背景部分，背景为0，占比极高；此处的直方图分布使用的非零像素（前景像素）。

在T1上明显的可以看到有4个峰，其实可以使用4个中心来拟合它。不过我们使用了3个中心来拟合，只拟合白质/灰质/脑脊液，在信号上相对的：

• 高信号——白质
• 中信号——灰质
• 低信号——脑脊液

Sklearn GMM

Read the Image

imageT1 = ...
image = sitk.ReadImage(imageT1)
image_data = sitk.GetArrayFromImage(image)

Train

train_data = image_data
gmm = mixture.GaussianMixture(n_components=3, covariance_type='diag', tol=0.01, max_iter=100, n_init=1, init_params='kmeans')
flatData = train_data.flatten()
gmm.fit(flatData[:,np.newaxis]) 
label_data = gmm.predict(flatData[:,np.newaxis]).reshape(train_data.shape) 

OUT

---

1. https://scikit-learn.org/stable/modules/generated/sklearn.mixture.GaussianMixture.html