三维影像分割系统及其分割方法与流程

本发明属于影像处理
技术领域：
，具体地讲，涉及一种三维影像分割系统及其分割方法。
背景技术：
：医学影像分割是医学影像处理的一个重要组成部分，分割结果对临床诊断和治疗起着至关重要的作用。医学影像分割的目的是从医学影像中分离出感兴趣的解剖结构或者定位出病源的位置和形状，它直接决定着后续分析的准确性。目前影像分割算法有很多，但并没有一种算法可以适用于各种医学影像，而且很多算法应用到三维医学影像上分割的准确率比较低，程序运行时间比较长，无法满足三维医学影像的实时性分析需求。目前常用的影像分割方法具有以下缺点：(1)基于区域的分割方法具有对噪声和灰度多样性敏感，过分依赖于种子点的选择，计算量大等缺点。(2)边缘检测法主要有串行和并行两种方法：串行方法分割结果比较依赖初始边缘点，不合适的初始边缘点可能导致错误的边缘；并行方法对噪声敏感，且当边缘的象素值变化较小时，可能会得到不连续或虚假边界。(3)活动轮廓模型存在难以捕捉目标凹陷边界及对初始轮廓线敏感等不足；模糊C均值算法中各像素点的数据是相互独立的，没有利用影像的空间信息；遗传算法善于全局搜索，局部搜索能力不足，对噪声敏感。技术实现要素：为了解决上述现有技术中存在的问题，本发明的目的在于提供一种。本发明提供了一种三维影像分割方法，所述三维影像分割方法包括：对影像进行框选，以得到包含目标对象的目标影像；根据所述目标影像分别建立前景模型和背景模型；计算得到前景和背景的无向连通图和无向加权图；对所述无向连通图赋权值，以得到加权无向连通图；计算得到所述无向加权图的最小割集；根据所述最小割集对所述加权无向连通图进行分割，以得到两个不连通的子图，从而实现目标影像前景和背景的分割。进一步地，将所述无向连通图映射形成加权无向连通图，所述加权无向连通图被构造为：G＝(V,E,W)，其中，V为节点集，用于表示原影像中所有像素点的集合；E为边集，用于表示连接两个邻接顶点的边的集合；W为所有边权值的集合，所述边权值用于表示该边的两个顶点的差异或相似度。进一步地，通过建立能量函数指导所述无向连通图加权寻优。进一步地，所述能量函数被构造为：E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)，θ＝{π(α,k),μ(α,k),∑(α,k),α＝0,1,k＝1...K}，其中，U为区域能量项，V为边界能量项，π为每一个高斯分量的权重，μ为每个高斯分量的均值向量，∑为协方差矩阵。进一步地，采用最大流/最小割算法求得所述最小割集。本发明还提供了一种三维影像分割系统，所述三维影像分割系统包括：交互模块，被构造为对影像进行框选，以得到包含目标对象的目标影像；建模模块，被构造为根据所述目标影像分别建立前景模型和背景模型；运算模块，被构造为计算得到目标影像的无向连通图和无向加权图；计算得到所述无向加权图的最小割集；加权模块，被构造为对所述无向连通图赋权值，以得到加权无向无向连通图；分割模块，被构造为根据所述最小割集对所述加权无向连通图进行分割，以得到两个不连通的子图，从而实现目标影像的前景和背景的分割。进一步地，所述加权模块被构造为：将所述无向连通图映射形成加权无向连通图，所述加权无向连通图被构造为：G＝(V,E,W)，其中，V为节点集，用于表示原影像中所有像素点的集合；E为边集，用于表示连接两个邻接顶点的边的集合；W为所有边权值的集合，所述边权值用于表示该边的两个顶点的差异或相似度。进一步地，所述加权模块被构造为：通过建立能量函数指导所述无向连通图加权寻优。进一步地，所述能量函数被构造为：E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)，θ＝{π(α,k),μ(α,k),∑(α,k),α＝0,1,k＝1...K}，其中，U为区域能量项，V为边界能量项，π为每一个高斯分量的权重，μ为每个高斯分量的均值向量，∑为协方差矩阵。进一步地，所述运算模块被配置为采用最大流/最小割算法求得所述最小割集。本发明的有益效果：本发明的三维影像分割系统及其分割方法可直接对三维医学影像数据进行分割，相对于手动分割和传统的分割方法而言其分割所用时间短、分割精度高、分割结果鲁棒性好，不会出现空洞现象。另外，三维影像分割系统及其分割方法的可视化效果好，可有效地消除影像噪声，分割后的影像边缘比较平滑。附图说明通过结合附图进行的以下描述，本发明的实施例的上述和其它方面、特点和优点将变得更加清楚，附图中：图1是本发明较佳实施例的三维影像分割系统的模块图；图2是本发明较佳实施例的三维影像分割方法的流程图；图3是本发明较佳实施例的三维影像分割方法中得到的无向流通图；图4(a)是原始的三维医学影像；图4(b)是原始三维医学影像第25层的示意图；图4(c)是利用本发明较佳实施例的三维影像分割方法对三维医学影像分割的结果图；图4(d)是利用本发明较佳实施例的三维影像分割方法对三维医学影像分割的结果图第25层的示意图；图5是本发明较佳实施例的23组大脑三维医学影像数据的分割精度散点图。具体实施方式以下，将参照附图来详细描述本发明的实施例。然而，可以以许多不同的形式来实施本发明，并且本发明不应该被解释为限制于这里阐述的具体实施例。相反，提供这些实施例是为了解释本发明的原理及其实际应用，从而本领域的其他技术人员能够理解本发明的各种实施例和适合于特定预期应用的各种修改。相同的标号在整个说明书和附图中可用来表示相同的元件。图1是本发明较佳实施例的三维影像分割系统的模块图。参照图1，根据本发明实施例的三维医学影像分割系统包括：交互模块11、建模模块12、运算模块13、加权模块14、分割模块15。交互模块11被构造为对影像进行框选，以得到包含目标对象的目标影像。建模模块12被构造为根据所述目标影像分别建立前景模型和背景模型。运算模块13被构造为计算得到前景和背景的无向连通图和无向加权图；计算得到所述无向加权图的最小割集。具体地，采用最大流/最小割算法求得所述无向加权图的最小边割集。加权模块14被构造为对所述无向连通图赋权值，以得到加权无向无向连通图。具体地，所述加权模块14被构造为：通过建立所述最小割集对应的能量函数对所述无向连通图寻优；计算所述无向连通图每条边的权值，并对所述无向连通图的每条边赋权值。更具体地，将所述无向连通图映射形成加权无向连通图，所述加权无向连通图被构造为：G＝(V,E,W)，其中，V为节点集，用于表示原影像中所有像素点的集合；E为边集，用于表示连接两个邻接顶点的边的集合；W为所有边权值的集合，所述边权值用于表示该边的两个顶点的差异或相似度。所述能量函数被构造为：E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)，θ＝{π(α,k),μ(α,k),∑(α,k),α＝0,1,k＝1...K}，其中，U为区域能量项，V为边界能量项，π为每一个高斯分量的权重，μ为每个高斯分量的均值向量，∑为协方差矩阵。分割模块15被构造为根据所述最小割集对所述加权无向连通图进行分割，以得到两个不连通的子图，从而实现目标影像的前景和背景的分割。本发明还提供了一种三维影像分割方法，上述的三维影像分割系统用该三维影像分割方法进行医学影像分割。图2是本发明较佳实施例的三维影像分割方法的流程图。参照图2，所述三维影像分割方法具体包括以下操作：在操作210中，对影像进行框选，以得到包含目标对象的目标影像。在这里，利用交互模块11对影像进行框选。具体地，所述影像为三维影像。但本发明并不限制于此。在本实施例中，为了提高框选目标影像的灵活性，本实施例可以对影像进行任意形状的框选，可例如是圆形、矩形、五边形、六边形、不规则形状等，本发明并不限制于此。对影像进行框选后，可认为在框外的像素全部为背景。在操作220中，根据所述目标影像分别建立前景模型和背景模型，用于将目标影像的前景和背景区别开。在这里，利用建模模块12建立前景模型和背景模型。前景指的是目标对象，所述背景是除了目标对象之外的影像区域。在操作230中，计算得到目标影像的无向连通图和无向加权图。在这里，利用运算模块13计算得到目标影像的无向连通图和无向加权图。通过算法将三维影像转化成无向连通图的处理方案相对于手动分割和传统的分割方法而言，其分割所用时间短、分割精度高、分割结果鲁棒性好，不会出现空洞现象。图3是本发明较佳实施例的三维影像对应的无向流通图(s-t图)。参照图3，无向连通图G＝(V,E)被配置为待分割的对象。其中V是顶点(vertex)的集合，E是边(edge)的集合。普通的图由顶点和边构成，边是有方向的图被称为有向图，否则为无向图。且边是有权值的，不同的边可以有不同的权值，不同的权值分别代表不同的物理意义。具体地，边的加权值实际为统计该边属于哪类(背景还是前景)的概率值。本发明实施例的无向连通图包括第一顶点、第二顶点、第三顶点。该无向连通图是在普通图的基础上多了2个顶点，这2个顶点分别用符号“s(source：源点，取源头之意)”和“t(sink：汇点，取汇聚之意)”表示。其中，“s”具体为第一顶点21，也是前景点，“t”具体为第二顶点22，也是背景点。图3中其它的顶点、也就是第三顶点23都必须和所述第一顶点21、第二顶点22相连以形成边集合中的一部分。所述第三顶点23一一对应于影像中的每个像素。无向连通图还包括第一类边31、第二类边32。第一类边31也叫n-links，是每两个邻域的第三顶点23(对应于影像中每两个邻域像素)连接形成的边(如图3中的实线所示)。第二类边32也叫t-links，是每个第三顶点23和第一顶点21、第二顶点22连接形成的边(如图3中的虚线所示)，每条第二类边32都有一个非负的权值。请继续参照图3，每个像素对应图中的一个相应顶点(第三顶点23)，另外还有s(第一顶点21)和t(第二顶点22)两个顶点。在前后景分割中，子集S一般用于表示前景，子集T一般用于表示背景。在操作240中，对所述无向连通图赋权值，以得到加权无向连通图。在这里，利用加权模块14对所述无向连通图赋权值。具体地，将所述无向连通图映射形成加权无向连通图被构造为：G＝(V,E,W)，其中，V为节点集，用于表示原影像中所有像素点的集合；E为边集，用于表示连接两个邻接顶点的边的集合；W为所有边权值的集合，所述边权值用于表示该边的两个顶点的差异或相似度。具体地，计算所述无向连通图每条边的权值，并对所述无向连通图赋权值。在加权赋权值的过程中，通过建立能量函数指导所述无向连通图加权寻优。所述能量函数被构造为：E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)，θ＝{π(α,k),μ(α,k),∑(α,k),α＝0,1,k＝1...K}，其中，U为区域能量项，V为边界能量项，π为每一个高斯分量的权重，μ为每个高斯分量的均值向量，∑为协方差矩阵。在操作250中，计算得到所述无向加权图的最小割集。在这里，利用运算模块13计算得到所述无向加权图的最小割集。具体地，一个cut(割集)就是图中边集合E的一个子集C，那这个割集的cost(表示为|C|)就是边子集C的所有边的权值的总和。很显然，割集重的边集合包括所述第一类边31和第二类边32，该集合中所有边的断开会导致“S”子集和“T”子集的分开，因此该子集就称为“割集”。如果一个割集，它的边的所有权值之和最小，那么就称这个割集为最小割集。也就是说，边的权值决定了最小割集和最后的分割结果。具体地，由Boykov和Kolmogorov发明的max-flow/min-cut算法计算得到所述无量加权图的最小割集。但本发明并不限制于此。在操作260中，根据所述最小割集对所述加权无向连通图进行分割，以得到两个不连通的子图，从而实现目标影像的前景和背景的分割。在这里，利用分割模块15根据所述最小割集对所述加权无向连通图进行分割。所述最小割集把加权无向连通图的第三顶点23的集合划分为两个不相交的子集S和T，从而实现了影像的分割。其中s∈S，t∈T和S∪T＝V。其中，S对应于影像的前景像素集，T对应于影像的背景像素集。本发明实施例的分割方法的软件实现为VisualStudio2010，OpenCV和ITK。实验机器为8核Cores(TM)，主频3.6GHz，内存8G。在本实施例中，经过23组临床三维大脑医学影像数据(分辨率为[512,512]，平均断层影像个数为90)进行该分割算法的试验。以下从分割结果、分割时间和分割精度三个方面对本发明实施例分割方法进行了分析比较。图4(a)是原始的三维医学影像。图4(b)是原始三维医学影像第25层的示意图。图4(c)是利用本发明较佳实施例的三维影像分割方法对三维医学影像分割的结果图。图4(d)是利用本发明较佳实施例的三维影像分割方法对三维医学影像分割的结果图第25层的示意图。由图4(a)-图4(d)可知，本发明实施例分割方法未出现过分割和空洞现象，所分割目标区域边缘光滑，分割结果可视化效果比较好。进一步地，每个断层影像的平均消耗时间公式如下：其中，ci为第i个断层影像分割所需要的时间。表1示出了手动分割、区域分割和本发明实施例提供的三维影像分割方法这三种方式对三维影像数据的分割时间表。表1不同方式对三维影像数据的分割时间表方式手动分割区域分割本发明实施例大脑影像(秒/层)43.268.793.12通过分析表1的数据可知，本发明实施例的方法能在3.12秒内对单张分辨率为[512,512]的影像进行分割。本发明实施例提供的方法分割该影像的时间仅占手动分割时间的7.2％，仅占区域分割方法的35.5％。由此可见，本发明实施例大幅度提升了分割速度，能够满足实时性要求。图5是本发明较佳实施例的23组大脑三维医学影像数据的分割精度散点图。更进一步地，影像分割准确率参数计算公式如下：其中，|G∩S|用来统计三维数据内的点个数，G为手动分割的金标准，而S为分割结果。23组大脑三维医学影像数据的分割精度如图5所示：由图5可知，对23组大脑三维医学影像数据的平均精度达到98.5％，且每一例数据的分割精度均超过了98％，其中有2例分割精度超过了99％。由此可见，本发明实施例提出的三维影像分割方法具有极高的分割精度。综合以上实验结果可知，本发明实施例的三维影像分割方法可以满足实时性和高精度的要求。综上所述，根据本发明实施例的三维影像分割系统及其分割方法可直接对三维医学影像数据进行分割，相对于手动分割和传统的分割方法而言其分割所用时间短、分割精度高、分割结果鲁棒性好，不会出现空洞现象。另外，三维影像分割系统及其分割方法的可视化效果好，可有效地消除影像噪声，分割后的影像边缘比较平滑。虽然已经参照特定实施例示出并描述了本发明，但是本领域的技术人员将理解：在不脱离由权利要求及其等同物限定的本发明的精神和范围的情况下，可在此进行形式和细节上的各种变化。当前第1页1 2 3