态分害眍域以外的区域(黑色区域)不是目标区域的范围，这是认定的非结节病灶区域。
[0050]在上述的步骤303中，均值滤波与灰度直方图求取的窗口可以与长轴X的大小成正比。这样可根据目标结节体积的大小自动的调整滤波的尺度，使其能够很好的适应不同结节之间的体积差异，避免了本就呈现模糊稀薄影的结节图像在归一化时出现失真的现象。
[0051]在上述的步骤304中，在均值滤波图像上进行基于距离场的区域增长的步骤可进一步包括:1)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；2)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I)，若满足则进行带阈值限制的膨胀操作，得到动态分割区域。
[0052]类似地，在上述的步骤306中，在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:1)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；2)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I)，若满足则停止生长，得到静态分割区域。
[0053]图4是本发明一实施例的逐点分类标号分割流程。下面将参考图4并结合图7描述逐点分类标号分割的步骤。
[0054]在步骤401，获得一感兴趣区域。
[0055]如前所述，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。如果初始分割已经形成了感兴趣区域，则此处可以直接获得并使用此感兴趣区域；否则，此处可以按照步骤201，202类似的方式形成感兴趣区域。
[0056]在步骤402，对感兴趣区域内的图像进行滤波，形成特征向量图像，如图7(g)所不O
[0057]举例来说，滤波可以选用基于灰度(如均值，最大值，最小值，标准差)，伽柏滤波器，海森滤波器，梯度滤波器，Volterra滤波器，巴特沃思滤波器，基于直方图的滤波器等滤波器进行滤波。
[0058]在步骤403，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 (Linear Discriminant Analysis，线性判别分析)概率场图像，如图7(h)所示。
[0059]在步骤404，在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，如图7 (i)所示，其中灰色的环形区域72为由初始分割确定的待分类器分割的区域，在此环形区域72中利用分类器分割得到了白色的分割区域73。
[0060]在上述的步骤402中，滤波求取的窗口与该长轴的大小成正比。
[0061]在上述的步骤403中，在LDA概率场图像上进行基于LDA概率场的区域增长的步骤包括:1)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；2)判断基于LDA概率场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I)，若满足则进行带阈值限制的膨胀操作，得到带分类器标号的分割区域。借此，可以动态地根据当前分割出的区域对目标前景区域内的覆盖率进行自适应的迭代选取，使得分类器对拓扑结构复杂、CT值多变的磨玻璃结节具有高度的自适应和鲁棒性。
[0062]在得到分割区域73后，可以进行图2所示的步骤203。在步骤203，将带分类器标号的分割区域73与目标区域70相融合，形成融合分割结果。在此过程中，通过分类器的标号结果确定了待分割的环形区域72的分割结果。
[0063]较佳地，在步骤203后还对融合后的分割结果进行形态学平滑，得到最终的结节分割结果74，如图7 (j)。
[0064]图5是本发明一实施例的分割方法的对象处理过程示意图，图中示出上述的各处理步骤对于中间结果的影响。
[0065]图6是本发明一实施例的医学图像分割装置框图。参考图6所示，本装置可以在图1的计算机辅助图像处理设备120中实施，并包括初始分割单元121、逐点分类标号分割单元122和融合单元123。初始分割单元121对肺部CT图像进行初始分割，得到一目标区域。此目标区域具有中央区域和环绕该中央区域的周边区域，中央区域为确定的结节病灶区域；周边区域为疑似结节病灶区域，目标区域外部为确定的非结节病灶区域。逐点分类标号分割单元122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。分割区域包括部分周边区域。融合单元123将带分类器标号的分割区域与目标区域相融合，形成融合分割结果。在一实施例中，可以通过诸如逻辑电路的硬件来实现上述单元的部分或全部。在另一实施例中，也可以通过组合硬件和软件来实现上述单元的部分或全部。
[0066]为了验证本本发明实施例的有效性，实验数据从公开的LIDC(Lung ImageDatabase Consortium)数据库(参考 Armato SG III et al.:The Lung ImageDatabase Consortium (LIDC) and Image Database Resource Initiative (IDRI): Acompleted reference database of lung nodules on CT scans.MedicalPhysics, 38:915—931,2011.)中选取了 195例磨玻璃结节用于实验，其中随机选取90例磨玻璃结节数据用于算法的训练，余下105例结节用于算法分割结果测试，该数据库中提供了由医生手动分割结节后标记的金标准结果用于测试算法的性能。本次实验采用算法分割结果与金标准间的重叠率(Overlapping)作为算法分割性能的评价指标，105例磨玻璃结节算法分割结果与金标准之间的平均重叠率为54.80%，实验证明了算法在大数据量下的有效性和鲁棒性。图8中展示了部分磨玻璃结节的分割结果实例。其中图8(a)为金标准横断面，图8 (b)为算法分割结果横断面，图8 (c)为金标准矢状面，图8 (d)算法分割结果矢状面。
[0067]本发明上述实施例所提出的磨玻璃样结节分割方法，利用初始分割时得到的目标区域有效的缓解了分类器在分割识别时的压力，并保证了磨玻璃样结节分割时的初始形态；其次，对图像中的周边区域利用分类器进行逐点分类标号分割，提升了分割算法的抗噪声干扰能力；再者，在滤波和分类的过程中采用了自适应的动态滤波尺度和阈值很好的解决了磨玻璃样结节纹理形态变化大、CT值分布广使其难以精确分割的问题，有效的提高了算法分割的准确性和鲁棒性。
[0068]本发明上述实施例的医学图像分割方法可以在例如计算机软件、硬件或计算机软件与硬件的组合的计算机可读取介质中加以实施。对于硬件实施而言，本发明中所描述的实施例可在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件