专利名称：基于迁移活动轮廓模型的胃部ct序列图像分割方法
技术领域：
本发明属于图像处理技术领域，涉及对医学图像的处理，特别是一种对胃部CT序列图像的分割。
背景技术：
随着医学成像技术的飞速发展，大量高分辨率图像纷纷涌现，比如磁共振造影MRI、计算机断层扫描CT、脑磁图MEG、三维超声成像，解正电子发射断层照相PET、单光子发射计算机断层SPECT、漫射加权成像DWI、功能磁共振FMRI等，这些成像技术各有特点，它们分别能在不同的时空分辨率下给人们提供各种解剖信息和功能信息。但仅仅依靠这些设备所提供的信息远远达不到人们的要求，必须进一步通过图像处理手段来对图像进行分析和解译。医学图像处理技术包括图像恢复、图像增强，图像分割和图像重建等，其中，将感兴趣的目标从图像中分离出来具有特别的复杂性和重要的研究价值。医学图像分割是正常组织和病变组织的三维重建、定量分析等后续操作的基础，也是临床医学应用的瓶颈。分割的准确性对医生判断疾病的准确性以及做出合理的治疗方案至关重要。活动轮廓模型，即形变模型是比较常用的医学图像分割方法，按其不同轮廓曲线的表达形式，可分为参数活动轮廓模型和几何活动轮廓模型两种。参数活动轮廓模型在变形过程中以显示参数的形式表达曲线或曲面，允许与模型直接交互，这样有利于模型快速实时的实现，但该模型无法应对复杂的拓扑结构变化。几何活动轮廓模型是基于曲线演化理论和水平集方法.水平集方法的特点就是通过一个高维函数曲面来表达低维的轮廓曲线，即将轮廓曲线表达为高维函数曲面的零水平集，并将轮廓曲线的运动方程转化为高维水平集函数的偏微分方程。几何活动轮廓模型主要分为基于区域的模型和基于边缘的模型，前者只考虑图像的区域信息，能较好的检测图像的弱边缘，而后者能自动的处理轮廓线的拓扑结构变化。现有的基于活动轮廓模型的序列图像分割方法是将序列中的第一幅图像用活动轮廓模型进行分割，然后将分割结果的轮廓作为下一幅图像的初始轮廓继续用活动轮廓模型进行分割，即得到当前图像的分割结果。这种方法的优势是迭代次数少，对于那些背景单一、目标边缘对比度强的图像分割效果较好。但对于待分割的目标是胃部CT序列图中胃壁周围5cm的淋巴结所在区域，则该方法的分割效果较差。因为这些目标区域形状不规则，变化比较大，目标区域内有噪声、血管等干扰点，而已有的活动轮廓模型方法对目标区域的局部一致性和其边缘的复杂拓扑变化考虑较少，因此分割这种目标区域需要很多次的迭代，导致分割速度慢，同时容易造成边缘泄露现象。
发明内容
本发明的目的在于针对上述CT序列图像分割的缺陷，提出一种基于迁移活动轮廓模型的胃部CT序列图像分割方法，以加快分割速度和提高分割的准确性。为实现上述目的，本发明包括如下步骤
(I)输入胃部CT序列图像Ii, i = 1，. . .，k，k为大于I的整数；(2)手动的划线圈出CT序列图像中的第一幅图I1的目标区域，得到一幅二值图D，用D的边缘表示I1的目标区域的初始轮廓曲线Ctl ；(3)利用结合区域和边缘的活动轮廓模型GLCV，使轮廓曲线Ctl不断的迭代收缩，直至到达目标边缘后停止收缩，得到CT序列中第一幅图像I1的目标轮廓C1 ；(4)将C1进行区域 生长后迁移到CT序列的下一幅图像I2中作为其初始轮廓，再用GLCV模型进行分割，得到当前图像I2的目标轮廓C2 ；(5)利用GLCV模型分割CT序列中剩余的图像从CT序列图像中的第i幅图像Ii开始，i = 2，. . .，k，依次将当前分割好的图像的目标轮廓Ci进行区域生长后，迁移到CT序列图像中的与其相邻的下一幅图像，作为该图像的初始轮廓，再用GLCV模型进行分割。(6)判断CT序列中的所有图像是否分割完成，若已分割完成，则停止分割，否则转步骤5，继续将当前分割得到的目标轮廓迁移到CT序列中的下一幅图像作为其初始轮廓，再用GLCV模型分割，直到所有图像都分割完成。本发明与现有的技术相比具有以下优点I、对于同一个人的CT序列图像，基于序列中相邻图像之间的相似性，则只需给定一幅图像的目标区域的初始轮廓，便可完成序列中所有图像的初始化操作，使得所有图像都能达到较理想的分割效果；2、 本发明针对胃部CT序列图像自身的特点，同时考虑了目标区域灰度的一致性和弱边缘的复杂拓扑变化，与传统的主动轮廓模型相比，通过减少迭代次数使分割速度加快，同时提高了分割的准确性；3、本发明针对胃部CT序列中相邻图像之间的相似性，将CT序列中前一幅图像最终的目标轮廓进行区域生长后迁移到下一幅图像中，作为其初始轮廓，克服了边缘泄露的问题。
图I是本发明的总流程图；图2是本发明所使用的胃部CT序列的第I幅图像；图3是本发明中对图2手动划线圈出的目标区域；图4是用本发明对图2进行分割后的结果图像；图5是本发明所使用的胃部CT序列的第30幅图像；图6是本发明对图5进行分割后的结果图像。
具体实施例方式参照图1，本发明基于迁移活动轮廓模型的胃部CT序列分割方法包括如下步骤步骤I:输入CT序列图像Ii, i = 1，...，30，这30幅图像来源于同一个人的胃部CT序列，大小均为512X512，我们胃部CT序列的第一幅图像I1，如图2所示。步骤2:，手动在I1的目标区域周围划线圈出待分割区域，得到一幅二值图D，如图3所示,用D的边缘表示I1的目标区域的初始轮廓曲线Q。
步骤3:利用结合区域和边缘的活动轮廓模型GLCVj^ CT序列中的第I幅图像I1进行分割。3a)设GLCV模型中的水平集函数为U，并定义u的初始值为一个符号距离函数sign (U)，由于Sign(U)满足方程= I，▽为求梯度运算，则须将曲线C。内部的值都变成-1，曲线Ctl外部的值都变为I ;3b)根据水平集函数u通过公式计算图像的总能量函数E(U)= ZjJH{ujfixdy + cJJ[l - H(")]喊φ· + ygS(u) + "Jj+(!▽" -1|/ dxdy ,
OQΩ
该总能量函数E(U)分为外部能量和内部能量两部分，2IN▽丑(伞办+ aJJ [^-H(u)]gdxdy + rgS⑷表示的是外部能量，其中4i g\VH ( 办
ωaa
的作用是使初始轮廓曲线Ctl不断向目标边缘处收缩，最终停止在目标边缘处，5III1-^(H)^dxdy + rgS⑷的作用是加快曲线C。收缩的速度，"JJ去(|% — 1I)2 表示的是
QO ^
内部能量，其作用是使水平集函数U在收缩的过程中无限接近符号距离函数Sign(U)；式中，Ω为图像域，S(U)表示曲线围成的面积，H为Heaviside函数，通过对H求
I
导得到函数g，g为Dirac函数，g定义为^=!+|V(.叫"，P彡L I表示当前图像，X，I为
I中像素点的坐标，G。为标准差为σ的高斯函数，λ表示弧长项的系数，3表示基于边缘的面积项的系数，Y表示基于区域的面积项的系数，μ表示内部能量项的系数；3c)极小化步骤3b)中的总能量函数E(U)，得到水平集函数u的梯度下降流方程，^ = XdT(u)-div g^^ + [ddT+Yd}g +μ Au-div 尚’
一、i + cosi—I其中，div表不求散度，^ ￡· J u| ^ ε ,S ε = I. 5,
τ — 2ε ，"令2+H2)，
Au表示u的变化量，在内部能量的作用下避免了重新初始化水平集函数U，节省了时间；3d)引入步长τ对步骤(3c)中的水平集函数U的梯度下降流进行离散网格化，得
ma^iiL=L(uk),
T利用该公式，经过k+Ι次迭代后得到水平集函数uk+1 = Uk+ τ · L(Uk)，每迭代一次，水平集函数u就向目标边缘处收缩一次；3e)经过η次迭代后，η = 10，水平集函数u到达CT序列的第一幅图像I1的目标区域边缘，得到其分割结果C1，如图4所示。步骤4:将CT序列图像的第一幅图像I1的目标区域轮廓C1进行区域生长后，迁移到CT序列图像I2中，作为I2的初始轮廓。首先，将图像I1目标轮廓C1上的所有点作为种子点，对这些种子点依次判断它的8邻域像素是否与其相似，若相似则生长得到新的种子点，不相似则继续判断，直到整幅图像所有种子点都生长完；
然后，将所有种子点一起作为当前图像I2的初始轮廓，利用GLCV模型进行分割，得到图像I2的目标轮廓C2。步骤5:分割CT序列中的剩余的27幅图像从CT序列图像中的第i幅图像Ii开始，i = 3，. . .，k，依次将当前分割好的图像的目标轮廓C^1按照步骤4所述的方法进行区域生长，然后将生长后的轮廓迁移到Ii,作为该图像的初始轮廓，再用GLCV模型进行分割。步骤6 :)判断CT序列中的所有图像是否分割完成，CT序列中的最后一幅图像13(1，如图5所示，若I3tl已分割完成，则停止分割，否则转步骤5，继续将当前分割得到的目标轮廓Ci迁移到CT序列中相邻的下一幅图像Ii+1作为其初始轮廓，再用GLCV模型分割，直到CT序列中的第30幅图像分割完成得到其目标轮廓，如图6所示。综上所述，本发明针对同一个人的胃部CT序列中的30幅图像，只要给定一幅图像目标区域的初始轮廓，用结合区域和边缘的主动轮廓模型GLCV进行分割得到该幅图像的目标区域轮廓，再将这个轮廓进行区域生长后迁移到序列中相邻的下一幅图像中作为其初始轮廓，继续用GLCV模型进行分割，依次得到剩余98幅图像的分割结果。从这30幅图像的分割结果可以看出，本发明只须给定表示CT序列中一幅图像目标区域的初始轮廓，接下来就可自动的获得30幅图像中胃部淋巴结可能出现的目标区域，分割结果均比较理想。
权利要求
1.一种基于迁移活动轮廓模型的胃部CT序列图像分割方法，包括如下步骤 (1)输入胃部CT序列图像Ii,i = l，...，k，k为大于I的整数； (2)手动的划线圈出CT序列图像中的第一幅图I1的目标区域，得到一幅二值图D，用D的边缘表示I1的目标区域的初始轮廓曲线Cci ； (3)利用结合区域和边缘的活动轮廓模型GLCV，使轮廓曲线Ctl不断的迭代收缩，直至到达目标边缘后停止收缩，得到CT序列中第一幅图像I1的目标轮廓C1 ； (4)将C1进行区域生长后迁移到CT序列的下一幅图像I2中作为其初始轮廓，再用GLCV模型进行分割，得到当前图像I2的目标轮廓C2 ； (5)利用GLCV模型分割CT序列中剩余的图像 从CT序列图像中的第i幅图像Ii开始，i = 2，. . .，k，依次将当前分割好的图像的目标轮廓Ci进行区域生长后，迁移到CT序列图像中的与其相邻的下一幅图像，作为该图像的初始轮廓，再用GLCV模型进行分割。
(6)判断CT序列中的所有图像是否分割完成，若已分割完成，则停止分割，否则转步骤5，继续将当前分割得到的目标轮廓迁移到CT序列中的下一幅图像作为其初始轮廓，再用GLCV模型分割，直到所有图像都分割完成。
2.根据权利要求I所述的方法，其中步骤(3)所述的利用结合区域和边缘的活动轮廓模型GLCV，使轮廓曲线Ctl不断的迭代收缩，按如下步骤进行 (3a)设GLCV模型的水平集函数为u，并定义u的初始值为一个符号距离函数sign (u)，其满足方程|ν〃| = ι V力求梯度运算； (3b)根据水干集函数U，计算图像的总能量函数E (U)
3.根据权利要求I所述的方法，其中步骤(4)所述的将CT序列中第一幅图像I1的目标轮廓进行区域生长后迁移到CT序列的下一幅图像I2中作为其初始轮廓，是将I1目标轮廓上的所有点作为种子点，依次判断这些种子点的8邻域像素是否与其相似，若相似则生长得到新的种子点，不相似则继续判断，直到整幅图像所有种子点都生长完。
全文摘要
本发明公开了一种基于迁移的活动轮廓模型用于胃部CT序列分割方法。主要解决现有技术对于CT序列图像分割速度慢，容易出现边缘泄露的不足。其实现步骤是先手动划线圈出第一幅图像待分割目标区域的初始轮廓，用结合区域和边缘的活动轮廓模型进行分割，得到当前图像的目标轮廓；然后重复的将已分割好的图像的目标轮廓迁移到与其相邻的下一幅图像中，作为其初始轮廓，再用GLCV模型进行分割，直到整个序列中的图像都分割完毕。本发明与传统的主动轮廓模型相比，具有速度快、效果好等优点，可用于胃部CT序列图像的分割，对于胃部淋巴结可能出现的目标区域，都能较好的分割出来。
文档编号G06T7/00GK102903103SQ20121033497
公开日2013年1月30日 申请日期2012年9月11日 优先权日2012年9月11日
发明者缑水平, 王云利, 王之龙, 张晓鹏, 唐磊, 刘芳, 周治国 申请人:西安电子科技大学