一种用于肾皮质定位的非均匀图搜索分割算法的制作方法

本发明属于医疗影像算法领域，具体涉及一种用于肾皮质定位的非均匀图搜索分割算法。

背景技术：

肾皮质是肾脏的重要组成部分，大概有1.9％的成年人被诊断患有脏的疾病，其中相当一部分的人死于肾炎，肾病综合症、肾变病等这些和肾皮质相关的病，因此关于肾皮质的诊断研究在肾病的研究中具有非常重要的意义。

现有的医疗影像技术可以对肾皮质的识别定位做得不好，主要原因在于：肾脏不同于肝脏等其他器官，肾脏的解剖结构比较复杂。肾脏有四个解剖结构，其中肾皮质和肾柱是相连的，并且肾皮质和肾柱对光有着类似的反射强度，因此在医疗造影时比较难于分辨。加之肾脏和相邻的器官，比如说肝脏、脾脏在影像中经常会重叠在一起，因此在医疗造影时比较难以精确建模。图像分割算法是肾皮质定位的关键，如果没有好的图像分割算法，肾皮质的定位不会精确。现有的对于肾皮质图像分割算法识别率较低，分割效果较差。

技术实现要素：

本发明目的是：提供一种分割准确性高，速度快的用于肾皮质定位的非均匀图搜索分割算法。

本发明的技术方案是：一种用于肾皮质定位的非均匀图搜索分割算法，其特征

在于，包括以下步骤：

(1)在分割开始时定义多尺度边界函数，以实现非均匀地采样结点；

(2)在分割时根据肾皮质的特点，定义不同的权重，并使用最大流/最小割算法，检测最优表面进行分割。

进一步的，所述步骤(1)具体为：

(1)分割前，对选取ct数据集中的每一个三维ct图像的肾脏进行人工标记l1，l2，使用marchingcube算法将l1、l2标记区域的二值数据对应转化成表面数据m1、m2，使用quadricerrormetric算法将表面数据m1、m2中的顶点简化为同样数目no，并计算表面数据m1、m2的质心；

(2)在分割开始时，首先对待分割图像使用阈值分割算法对初始分割肾脏ib，并计算其有符号欧氏距离场γt，用户手动选取肾脏的质心，根据计算得到的数据m1、m2的质心，将表面数据m1、m2平移到用户手动选取的质心；

(3)计算多尺度边界函数：

(4)对平移表面数据m1、m2按照同样方式建立图。

进一步的，所述步骤(2)具体为：

(1)构建有向赋权图g＝{v,e,ω}，v表示图的结点；e表示图的边；ω表示图中边的权值；

(2)计算表面数据m1对应结点的权重

(3)计算表面数据m2对应结点的权重

(4)将图g中的列内边集合e^intra和列间边集合e^inter中所有的边的权重都设为无穷大；使用最大流/最小割算法即可找到表面数据m1、m2最优表面；

(5)将表面数据m2、m1的最优表面包含的区域相减，然后联合原始图像使用阈值算法和形态学运算做后处理，即可得到肾皮质。

本发明的优点是：

(1)定义多尺度边界函数，以实现非均匀地采样结点。

(2)根据肾皮质的特点，定义不同的权重，并使用最大流/最小割算法，检测最优表面，以提高分割准确性。

(3)分割速度快，分割准确性高。

附图说明

下面结合附图及实施例对本发明作进一步描述：

图1为腹部ct的一个切片图像。

图2为腹部ct的一个的局部图像。

图3为在分割开始时，肾皮质的表面数据m1、m2平移到用户手动选取的质心的初始三维显示效果。

图4为建立图中的有向赋权图的示意图，其中球表示图结点，指向球的深色箭头表示列间边，指向球的淡色箭头表示列内边。

图5为最终分割得到的肾皮质外表面和内表面的三维显示效果。

具体实施方式

实施例：本发明的用于肾皮质定位的非均匀图搜索分割算法是基于图搜索的图像分割算法，意在充分合理运用图像局部信息和图搜索算法最优化特性进行图像分割。下面以ct图像的肾皮质分割为例。具体如下：

1、分割前，对选取ct数据集中的每一个三维ct图像的肾脏进行人工标记。如图1为腹部ct的一个切片图像，图2为局部图像。将肾脏中的肾柱、肾髓质等结构标记为同一类l1，如图2中的内圈包含的区域，将整个肾脏标记为另外一类l2，如图2中的外圈包含的区域。使用marchingcube算法将l1、l2标记区域的二值数据对应转化成表面数据m1、m2。使用quadricerrormetric算法将表面数据m1、m2中的顶点简化为同样数目no，并计算表面数据m1、m2的质心。如图3所示。

2、在分割开始时，首先对待分割图像使用阈值分割算法对初始分割肾脏ib，并计算其有符号欧氏距离场γt，用户手动选取肾脏的质心，根据计算得到的数据m1、m2的质心，将表面数据m1、m2平移到用户手动选取的质心。

3、计算多尺度边界函数：

其中，σs为尺度也是高斯函数的标准差；σmin、σmax为最小、最大尺度；γ为尺度调整因子；(x,y,z)表示体素坐标；||·||表示幅值；表示高斯梯度：

其中，i(x,y,z)表示待分割图像坐标为(x,y,z)体素值；*表示卷积运算；表示标准差为σs高斯函数的x方向偏导；表示标准差为σs高斯函数的y方向偏导；表示标准差为σs高斯函数的z方向偏导。

4、对平移表面数据m1、m2按照同样方式建立图。下面以m1为例。遍历表面数据m1上每一个顶点采样出该顶点对应的图中一列采样点：

其中，表示表面数据m1上第k个顶点的坐标；表示从出发沿着有符号欧氏距离场γt梯度方向采样的第i个采样点坐标；表示从出发沿着有符号欧氏距离场γt梯度方向采样的第i-1个采样点坐标；nu表示正向采样点数；表示从出发沿着有符号欧氏距离场γt梯度方向采样的第j个采样点坐标；表示从出发沿着有符号欧氏距离场γt梯度方向采样的第j-1个采样点坐标；nb表示逆向采样点数；采样步长定义为

其中，fd表示采样函数；dmin,dmax分别表示最小、最大采样步长；bmin、bmax分别表示表示最小、最大边界函数值。

5、构建有向赋权图g＝{v,e,ω}，v表示图的结点；e表示图的边；ω表示图中边的权值。表面数据m1上每一个顶点的采样点列对应v中的一列结点，共nu+nb+1个结点。再添加两个虚拟节点源结点s和汇结点t进v。图的边集合e包含三类有向边集合e^intra,e^inter,e^terminal。列内边集合e^intra是连接列内结点之间的边的集合：

其中，表示顶点一列采样点对应的图中第k列结点的第lv个结点。列间边集合e^inter是连接列间结点之间的边的集合：

其中，表示相邻列第k'列结点的第lv-μ个结点，μ表示列间光滑约束。e^terminal终端边集合：

其中，表示结点的权重。如图4所示。

6、本实施例中，对于表面数据m1对应结点的权重可以按照如下方式计算：

其中，表示内表面第k列结点的第lv个结点对应在图像中的对标处图像的灰度值；表示内表面第k列结点的第lv-1个结点对应在图像中的对标处图像的灰度值。

7、本实施例中，对于表面数据m2对应结点的权重可以按照如下方式计算：

其中，表示内表面第k列结点的第lv个结点对应在图像中的对标处图像的多尺度边界函数值；表示内表面第k列结点的第lv-1个结点对应在图像中的对标处图像的多尺度边界函数值。

8、本实施例中，对于图g中的列内边集合e^intra和列间边集合e^inter中所有的边的权重都设为无穷大。最后，使用最大流/最小割算法即可找到表面数据m1、m2最优表面。

9、本实施例中，将表面数据m2、m1的最优表面包含的区域相减，然后联合原始图像使用阈值算法和形态学运算做后处理，即可得到肾皮质。如图5所示。

本发明所采用58个三维ct图像作为分析此发明方法分割结果准确性和鲁棒性的比较，通过平均对称表面距离(averagesymmetricsurfacedistance(inmm)，assd),平均对称均方根表面距离(averagesymmetricrootmeansquaresurfacedistance(inmm)，asrmssd),有符号相对体积差(signedrelativevolumedifference(％),srvd),体重叠误差(volumeoverlaperror(％),voe),真阳性分数(truepositivefraction(％),tpf),假阳性分数(falsepositivefraction(％),fpf),相似性系数(dicesimilaritycoefficient(％)，dsc)来评价分割结果与手工分割的重合度。并于jin等人、chen等人和li等人算法进行了比较，表1给出了本发明与这些方法分割肾皮质结果的定量比较(均值±标准差)，nugs表中代表本发明方法。

表1

从表1中可以清楚的看到，由于本方法定义了多尺度边界函数，从而实现非均匀地采样结点。还有就是根据肾皮质的特点，定义不同的权重，并使用最大流/最小割算法，检测最优表面，提高了分割准确性。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。