一种基于多级阈值分割的多模态医学图像处理方法
【技术领域】
[0001] 本发明涉及医学图像处理领域，特别涉及一种基于多级阈值分割的多模态医学图 像处理方法。
【背景技术】
[0002] 作为各种医学图像处理技术如配准、融合等的基础，同时鉴于在当前的临床医学 应用如临床辅助诊断、图像引导的外科手术以及放射治疗中，医学图像分割技术显示出越 来越重要的临床价值。医学图像分割技术是医学图像处理的研究基础，如多模态医学图像 配准、多模态医学图像融合等，其分割质量的好坏将直接决定后续配准、融合等操作能否有 效的进行。在当前的临床医学研究及应用如临床辅助诊断、图像引导的外科手术和放射治 疗中，医学图像分割技术发挥着极其重要的临床研究及应用价值。更为重要的是，随着医学 成像技术的快速发展，医学影像已成为医护工作者们的第三只眼睛，为临床医生们提供了 有效的诊断线索。当前，各种成像模式如核磁共振成像（MRI)、计算机断层成像（CT)、超声 成像（US)、正电子发射计算机断层成像（PET)等已在临床医学中得到了广泛应用，因此对 多模态医学图像分割技术的研究已成必然趋势。而与现有的分割技术如基于偏微分方程的 分割技术、基于图论的分割技术等相比，阈值分割技术具有计算简单、高效等特点，满足临 床医学中的实时性要求。
【发明内容】
[0003] 本发明的目的是提供一种基于多级阈值分割的多模态医学图像处理方法，对多级 阈值进行分割，使阈值搜素范围减少从而提高医学图像分割效率，以获得更准确的医学图 像分割结果。
[0004] 本发明提供的技术方案为：
[0005] -种基于多级阈值分割的多模态医学图像处理方法，包括如下步骤：
[0006] 步骤一：获取相应的医学图像灰度图像数据；
[0007] 步骤二：构建高斯尺度空间模型来完成去噪处理；
[0008] 步骤三：采用各向异性非线性扩散和0范式梯度最小化模型对步骤二处理后的医 学图像的平滑处理；
[0009] 步骤四：缩小0TSU图像分割算法中最佳阈值的搜算范围；
[0010] 步骤五：利用空间位置信息来提取完整的分割区域，从而得出更好的分割效果。 [0011] 优选的是，步骤二包括如下分步骤：
[0012] a、采用高斯函数与图像灰度函数的卷积得到高斯尺度空间模型：
[0013] L(x，y，〇 ) =G(x，y，〇 )*I(x，y)
[0014] 其中，*表示卷积操作，σ为尺度因子，G(x，y，σ)为高斯函数，I(x，y)为所处理 的灰度图像，X，y分别为相应像素点医学图像的横坐标和纵坐标位置；
[0015]b、计算第i层高斯尺度空间信息
[0016]Q(x，y，〇J=G(x，y，〇J*1(X，y)，
[0017]σi+1=k〇pk> 1，i= 1，2, 3.· ·
[0018]其中，〇。为初始尺度因子，σi为第i层尺度因子；k为平滑系控制参数；
[0019]c、将高斯尺度空间模型作为背景信息，采用背景差方法，获取第i层目标图像信 息：
[0020] D； (x,y) = 11 (x,y) -L； (x,y, 〇
[0021] d、对各层目标图像信息采用加权平均方式来获取最终目标图像信息：
[0022]
[0023]其中为第i层目标图像信息所占权重，η为高斯尺度空间中图像总层数。
[0024] 优选的是，步骤d中，所述第i层目标图像信息所占权重ωι满足：
[0025]
[0026] 优选的是，步骤三中，采用各向异性非线性扩散模型进行图像的平滑处理采用的 模型满足：
[0027]
[0028] 其中，It为平滑后图像灰度函数，t为平滑次数，￥为梯度算子，Δ表示拉普拉斯算 子，div( ·)表示散度算子，c(X，y，t)为扩散系数。
[0029] 优选的是，所述扩散系数c(X，y，t)满足：
[0030]
[0031]
[0032]
[0033] K为控制参数。
[0034] 优选的是，步骤三中，使用0范式梯度最小化模型时引入一个约束项C(S)来避免 弱边缘泄露现象，所述约束项c(s)满足：
[0035] C(S)^#{p\\ dxsp \+1 a μ〇}
[0036]S为平滑后图像，％为χ方向梯度，t为y方向梯度，Sp为概率为ρ时的图像，ρ为 对应像素点出现的概率。
[0037] 优选的是，步骤四中，多级最佳阀值丨?,...乂}满足：
[0038]
[0039] 其中，
9区域Ck概率总和，
〃为区域(；内的一阶矩总和，？1为 灰度图像中灰度值为i的像素点出现的概率，1为最佳阈值个数，L为灰度级。
[0040] 优选的是，步骤五中，采用漫水法进行连通区域查找，同时将零碎小区域合并到周 围与其最相似的大区域中，采用区域信息和边界相结合的计算策略，从而最终形成相似信 息的分割区域。
[0041] 本发明的有益效果是：本发明提供了一种基于多级阈值分割的多模态医学图像处 理方法，在图像预处理去噪阶段建立多尺度高斯模型，由于在多尺度下图像各项信息相互 结合，为图像去噪和非均匀光照矫正均提供了保证，具有相比单一尺度模型下更好地去噪 效果。在采用多阈值0TSU分割方法这一阶段，对0TSU图像分割算法做出改进，缩小了算法 阈值搜素范围，从而提高分割算法运行效率，使分割结果成像的实时性变得更好。本发明通 过对多机阈值分割后的结果进行空间位置信息分析与处理，从而确定有效的分割联通域， 进而获取更好的分割效果。因此本发明具有实时性好，分割效果准确这两大优点。
【附图说明】
[0042] 图1为本发明所述的基于多级阈值分割的多模态医学图像处理方法流程图。
【具体实施方式】
[0043] 下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文 字能够据以实施。
[0044] 如图1所示，本发明提供了一种基于多级阈值分割的多模态医学图像处理方法， 通过对医学图像建立多尺度高斯模型，采用各向异性非线性扩散和0范式梯度最小化模型 进行去噪和平滑等预处理，并对多级阈值分割0TSU算法进行改进，使阈值搜素范围减少从 而提高医学图像分割效率，并对分割后的图像进行空间位置信息分析与处理来获得更准确 的医学图像分割结果。具体步骤如下：
[0045] 步骤一：获取相应的医学图像灰度图像数据。
[0046] 通过核磁共振成像（MRI)、计算机断层成像（CT)、超声成像（US)、正电子发射计算 机断层成像（PET)等方式得到医学图像，读取原始图像各像素点灰度值，归一化为0-255， 并以I(x，y)表示相应灰度图像，x，y分别为相应像素点医学图像的横坐标和纵坐标位置。 即I(X，y)表示在数据矩阵中第X行第y列的像素灰度值。
[0047] 步骤二S120 :构建高斯尺度空间并进行去噪处理。
[0048] 鉴于现有的非均匀光照矫正和去噪通常仅限于单一尺度下进行，并且分开进行， 带来的问题不仅是去噪效果不够理想，而且非均匀光照信息也没有得到有效矫正。为了弥 补该缺陷，本发明提出了一种高斯多尺度背景模型。
[0049] 高斯函数在计算机视觉以及模式识别领域中有着十分广泛的应用，其定义见下式 所示：
[0050]
[0051] 其中，σ为尺度因子。
[0052] 对于灰度函数为I(x，y)的医学图像，采用高斯函数与该图像灰度函数的卷积来 表示该医学图像对应的高斯尺度空间L(x，y，〇):
[0053] L(X，y，〇 ) =G(X，y，〇 ) *1 (X，y)
[0054] 其中，*表示卷积操作。
[0055] 记初始尺度因子为〇。，第i层尺度因子为〇1，通过上述尺度空间的定义，则第i 层尺度信息Q(X，y,σ;)计算如下：
[0056] Q(x，y，〇J=G(x，y，〇J*1 (X，y)
[0057] σi+1=k〇pk> 1，i= 1，2, 3. · ·
[0058] 其中，k为平滑系控制参数，用来控制平滑速率。
[0059] 通过将高斯尺度空间视作背景信息，则每层尺度信息QUy，〇)所对应的目标信 息Di(X，y)可采用背景差方法获取，如下式所示：
[0060]D； (x,y) = 11 (x,y) -L； (x,y,〇
[0061] 为了能够得到一个更加准确的目标图像，并且保留更多的目标细节信息，对各层 得到的目标图像采用加权平均方式来获取高斯滤波图像计算过程如下：
[0062]
[0063] 其中ωι为各层目标图像所占权重，η为高斯尺度空间中图像总层数。由于随着尺 度因子σi不断增大提取出的目标图像也更加准确，则它所占权重也将越大，因此采用下式 计算各层目标图像的权重值：
[0064]
[0065] 在尺度空间建立过程中，本发明将根据差值图像的变化来控制尺度空间是否停止 创建，另外，拟通过γ增强操作来突出目标图像中的目标信息。由于在各尺度上均进行了 高斯模糊，从而为图像去噪提供了基础。由于多尺度信息的相互结合，为图像去噪和非均匀 光照矫正均提供了保证。
[0066]步骤三S130 :采用各向异性非线性扩散和0范式梯度最小化模型进行医学图像的 平滑处理。
[0067] 经过高斯滤波后的图像D(x，y)视为原始数据，再经t次平滑后的图像数据记为 If
[0068]D(x,y) =u(x,y,0)
[0069]It=u(x,y,t)
[0070] 其中，t为平滑次数。
[0071]
[0072] 其中，▽为梯度算子，△表示拉普拉斯算子，div(·)表示散度算子。
[0073]记
[0074]
[0075]则
[0076]
[0077] 其中，（i,j)为像素点坐标位置，λ为控制参数。
[0078]由于对于每个像素点都具有相同的处理方式，通常该模型被称为各向同性线性扩 散模型。但该方法通常会造成边缘被过度平滑，理想的滤波器应该是使得区域内部尽量平 滑而保持边缘信息尽可能不变，为此本发明拟采用各向异性非线性扩散模型来提高局部区 域内部的平滑度，该模型定义如下：
[0079] ^ ^ ^
^ ^
[0080]其中，c(X，y,t)扩散系数，=g(||V/(x,jV) ||)，式中g函数通常有两种选取 方式：
[0081]
[0082]
[0083] 其中K为控制参数。
[0084] 在弱边缘区域，各向异性非线性扩散模型容易造成边缘泄露，为此需要引入一个 约束项c(s)来避免弱边缘泄露现象。其中S为平滑后图像。本约束项是通过限制平滑后 图像中的梯度数量来达到平滑并保持边缘效果，定义如下：
[0085]
[0086]s为平滑后图像，.?为X方向梯度，％为y方向梯度，Sp为概率为p时的图像，p为 对应像素点出现的概率。
[0087] 最终能量公式定义为：
[0088]
[0089] 其中，p为对应像素点出现的概率，λ表示