医学图像分割方法和装置的制造方法
【技术领域】
[0001]本发明主要涉及医学图像的处理，尤其涉及一种医学图像分割方法和装置。
【背景技术】
[0002]医学图像是指为了医疗或医学研宄，对人或动物的整体或某部分，以非侵入方式取得的内部组织的图像。其中，计算机断层扫描技术(Computerized Tomography，简称CT)是一种基于不同物质对于射线具有不同的衰减性质的放射诊断技术。CT用放射线从各方向照射被测物体，测量穿过物体的射线强度，并通过一定的重建算法计算出物体内部各点物质对于射线的线性衰减系数，从而得到被测物体的断层图像的放射诊断技术。CT重建的断层图像具有无影像重叠、密度和空间分辨率高等优势，因而一出现便作为医疗无损害诊断技术而备受关注。
[0003]CT技术可以针对脑部、胸、腹、脊柱及四肢等人体部位进行扫描，其扫描图像用于疾病的辅助分析。例如肺结节作为肺癌在CT图像中的早期主要表现形式之一，其准确的分割结果能够有效的反映出结节的病理和形态特征，进而帮助医生对病灶进行诊断分析。肺结节中，磨玻璃样结节(ground-glass nodule, GGN 或 ground-glass opacity, GGO)作为一种恶性可能性最大的一类结节，由于其在CT图像中呈现模糊稀薄影，且纹理形态多变，在CT中的HU(Hounsfield Unit，亨氏单位)值分布广泛使其形态分割的问题成为一大挑战。
[0004]目前现有的肺结节的分割方法按照是否使用带有金标准数据样本进行训练的方式，可以大致分为两类:非监督分割方法和有监督学习的分割方法。
[0005]非监督分割方法是根据肺结节与背景在特征空间中的特征差别为依据的一种无先验类别标准的分割方法。基于统计学信息的分割方法是非监督分割方法中较为常见的一类分割方法。例如，一种已知的分割方法基于马尔科夫随机场的方法来分割目标区域内的磨玻璃样结节，后续利用高强度阈值及紧致性分析过程从分割后的区域内识别出血管并剔除，得到结节的分割结果。另一种是基于直方图模型和局部对比分析的磨玻璃样结节自动分割方法，其利用混合高斯模型构建结节目标区域的直方图模型，后续通过分析局部对比度的方法修整结节边缘完成分割。以上两种基于统计学信息的分割方法，具有较强的抗干扰能力，但是对迭代的初始参数选择较为依赖，容易陷入局部最优。
[0006]在非监督分割方法中还有一类较为常用的分割方法为基于可变模型的分割方法，该类分割方法将待分割的目标结节轮廓看做为一封闭高维的曲面，其根据动力学方程移动闭合的高维曲面以达到最佳边界。所以该类方法分割效果边缘轮廓平滑、分割出来的视觉效果较好，但对复杂的不规则磨玻璃样结节形态分割算法收敛性较差。
[0007]基于有监督学习的方法能够充分的利用医生标记出的金标准信息进行分类器的训练，随着有效的训练样本的增多使得分类器具有较好的鲁棒性和抗干扰能力。例如一种基于纹理特征概率图的软分割方法，该分割方法首先对目标区域进行滤波特征提取，形成目标区域的特征向量图，利用决策树对向量图逐点分类分割，最后形成一种软分割的决策树分类器。另外一种多等级的磨玻璃结节检测和分割算法，在结节分割时同样的采用像素级分类器在感兴趣区域内进行逐点分类标号分割，其感兴趣区域由多等级的大津阈值获取，在对目标区域内进行多重滤波后，其采用线性判别分析(Linear DiscriminantAnalysis, LDA)与高斯混合模型结合的方法进行结节分割，利用线性判别分析算法将高维的特征向量映射到LDA投影空间获得低维可分性好的特征向量，进而通过最大期望算法对高斯混合模型进行训练获得分割所需分类器。但是由于该类的分割方法大多是基于逐点分类标号的分割方式，所以无法保证分割出的目标前景形状轮廓，影响分割的精确度。而且此类分割方法在滤波时均采用固定滤波窗口且分类器参数固定，在磨玻璃样结节个体差异性较大时适应性较差。
【发明内容】
[0008]本发明要解决的技术问题是提供一种医学图像分割方法和装置，以提高磨玻璃样结节分割的精确度。
[0009]为解决上述技术问题，本发明提供了一种医学图像分割方法，包括以下步骤:对肺部CT图像进行初始分割，得到一目标区域，该目标区域具有中央区域和围绕该中央区域的周边区域，该中央区域为确定的磨玻璃结节病灶区域，该周边区域为疑似磨玻璃结节病灶区域，该目标区域外部为确定的非结节病灶区域；对该周边区域利用分类器进行逐点分类标号分割，获得一分割区域，该分割区域包括部分该周边区域；将该分割区域与该目标区域相融合，形成融合分割结果。
[0010]可选地，该周边区域为环形区域。
[0011]可选地，该初始分割使用区域增长算法、模糊C均值聚类算法、高斯混合模型以及变分期望最大化算法中的一种。
[0012]可选地，该区域增长算法包括以下步骤:接收用户在该肺部CT图像的磨玻璃样结节最大截面上划定的长轴；根据该长轴形成感兴趣区域；在该感兴趣区域内进行图像均值滤波，得到均值滤波图像；在该均值滤波图像上进行基于距离场的区域增长，得到动态分割区域；在该感兴趣区域内求取灰度直方图，得到直方图向量图像；在该直方图向量图像上进行基于距离场的区域增长，得到静态分割区域；将该动态分割区域与该静态分割区域融合形成该目标区域，其中动态分割区域与该静态分割区域重叠的区域为该中央区域，该动态分割区域中该静态分割区域以外的区域为该环形区域。
[0013]可选地，上述的均值滤波与上述的灰度直方图求取的窗口与该长轴的大小是成正比。
[0014]可选地，在该均值滤波图像上进行基于距离场的区域增长的步骤包括:al.将用户给定的长轴点选取为种子点，同时给定一个严格限制条件的初始阈值进行区域增长；bl.判断基于均值滤波图像增长出的分割区域覆盖给定长轴的长度的覆盖率是否满足条件，不满足则放宽一定阈值条件并返回步骤al，若满足则进行带阈值限制的膨胀操作，得到该动态分割区域。
[0015]可选地，在该直方图向量图像上进行基于距离场的区域增长的步骤包括:a2.将用户给定的长轴点选取为种子点，同时给定一个严格限制条件的初始阈值进行区域增长；b2.判断基于直方图向量图像增长出的分割区域覆盖给定长轴的长度的覆盖率是否满足条件，不满足则放宽一定阈值条件并返回步骤a2，若满足则停止生长，得到该静态分割区域。
[0016]可选地，对该环形区域利用分类器进行逐点分类标号分割的步骤包括:a3.获得一感兴趣区域，该感兴趣区域是由用户在该肺部CT图像的磨玻璃样结节最大截面上划定的长轴形成；b3.对该感兴趣区域内的图像进行滤波，形成特征向量图像；C3.利用离线训练好的特征向量权重与该特征向量图像相结合，得到LDA概率场图像；d3.在该LDA概率场图像上进行基于LDA概率场的区域增长，得到带分类器标号的分割区域。
[0017]可选地，该步骤b3