一种基于改进的阈值分割算法实现对脑实质的分割的制作方法
【专利摘要】本发明通过改进的阈值分割算法实现对脑图像灰质白质的分割，以利于对病人脑萎缩的辅助诊断。该方法首先利用自适应滤波器处理原始图像，减少原图像的噪音并增强图像的对比度。然后对处理过的图像再利用区域生长算法对图像进行脑剥离，剔除非脑实质部分。然后利用迭代阈值法求取阈值，再利用利用临近加权值算法对图像进行二值化分割，得到的结果便是脑白质的分割结果。最后在上一步的结果上再进行一次分割，得到的结果便是脑灰质的分割结果。
【专利说明】
一种基于改进的阈值分割算法实现对脑实质的分割
技术领域
[0002]本发明属于计算机医学图像处理领域，更为具体地讲，涉及一种基于改进的阈值分割对脑实质的分割方法，用以辅助对病人脑萎缩的诊断。
【背景技术】
[0003]脑萎缩严重影响着中老年人的身体健康和生活质量。统计资料显示，现在的各类脑萎缩疾病的死亡率越来越高。因此对脑萎缩的诊断治疗变得越来越重要。而对脑实质的分割是对医生诊断病人的脑萎缩病情有着非常重要的参考意义的。然而，医学图像本身存在许多严重影响分割的噪音，而脑白质和脑灰质本身的灰度值差别不是很大等等这些原因导致脑实质的分割变得十分困难，目前没有一个好的分割算法能很好的分割所有医学图像中的脑实质。所以临床大多以人工分割为主，但是人工分割费时费力，加重了医务人员的工作负担。如何准确的自动分割出脑实质，是计算机医学图像处理领域一个非常重要的研究课题。
[0004]临床的脑实质分割以人工分割为主，但是人工分割虽然准确，却过于费事，所以用计算机自动分割来代替人工分割变得非常有意义。目前针对于医学图像分割的方法非常多，主要有阈值分割、区域生长、模糊分割、特征提取分类分割等等。每种方法都有各自的优点和缺陷，这导致没有一种好的分割算法能很准确的分割所有医学图像，并且也没有一个标准去评判分割结果的好坏。在阈值分割中，分割的难点在于阈值的选取，事实证明，阈值的选择的恰当与否对分割的效果起着决定性的作用。常见的阈值分割方法有双峰发、迭代法、大津法(0TSU法)、Kirsh算子等等，这些算法的根本区别在于对阈值选取的方法不同。双峰法的原理及其简单:它认为图像由前景和背景组成，在灰度直方图上，前后二景都形成高峰，在双峰之间的最低谷处就是图像的阈值所在。从分割的效果来看，当前后景的对比较为强烈时，分割效果较好;否则基本无效。迭代法是基于逼近的思想，迭代计算。迭代所得的阈值分割的图象效果良好。基于迭代的阈值能区分出图像的前景和背景的主要区域所在，但在图像的细微处还没有很好的区分度。但令人惊讶的是，对某些特定图象，微小数据的变化却会引起分割效果的巨大改变，两者的数据只是稍有变化，但分割效果却反差极大。大津法由大津于1979年提出，对图像Image，记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为uO;背景点数占图像比例为wl，平均灰度为ul。图像的总平均灰度为:u=w0*uO+wl*ul。从最小灰度值到最大灰度值遍历t，当t使得值g = w0*(u0-u)2+wl*(ul-u)2最大时t即为分割的最佳阈值。对大津法可作如下理解:该式实际上就是类间方差值，阈值t分割出的前景和背景两部分构成了整幅图像，而前景取值uO，概率为wO，背景取值Ul，概率为wl，总均值为U，根据方差的定义即得该式。因方差是灰度分布均匀性的一种度量，方差值越大，说明构成图像的两部分差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此使类间方差最大的分割意味着错分概率最小。Kirsh算子其思想为:对数字图像的每个像素i，考虑它的八个邻点的灰度值，以其中三个相邻点的加权和减去剩下五个邻点的加权和得到差值，令三个邻点绕该像素点不断移位，取此八个差值的最大值作为Kirsh算子。即:设Si为三邻点之和，Ti为五邻点之和，则Kirsh算子定义为K( i) =max{I ,max〔 5S1-3Ti〕}如取阈值THk，则当K( i)>THk时，像素i为阶跃边缘点。
【发明内容】
[0006]本发明的目的在于设计一种能够较好的分割出医学图像中的脑实质包括灰质和白质的方法。在利用阈值进行分割的过程中，处理每一个像素点时考虑该像素点及其周围的像素点的灰度值与阈值的大小进行比较，只有大于或者等于阈值才认为该像素点属于待分割部分，否则认为该像素点属于背景部分，灰度值置零。
[0007]为较好的实现上述分割目的，需要对图像进行预处理，主要包括以下内容:首先利用自适应滤波器对图像进行预处理，主要是去除医学脑图像中存在的噪音，并增强图像的对比度，以利于后前的阈值分割。然后利用区域生长算法对图像进行脑剥离，去除例如皮肤、骨头等非脑实质部分。再然后利用阈值分割算法对图像进行脑白质的分割，最后再次利用阈值分割算法对图像进行脑灰质的分割。
[0008]技术原理如图1所示，具体技术流程如下:
[0009]步骤一:首先利用自适应滤波器处理原始图像，减少原图像的噪音并增强图像的对比度；
[0010]步骤二:对步骤一处理过的图像再利用区域生长算法对图像进行脑剥离，剔除非脑实质部分；
[0011]步骤三:利用迭代阈值法求取阈值，然后利用临近加权值算法对图像进行二值化分割，得到的结果便是脑白质的分割结果；
[0012]步骤四:在步骤三的结果上再进行一次分割，得到的结果便是脑灰质的分割结果；
【附图说明】
[0014]图1是本发明基于改进的阈值分割算法实现对脑实质的分割方法的技术方案图。
【具体实施方式】
[0016]下面结合附图对本发明的【具体实施方式】进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，可能淡化和忽略与本发明有关的已知功能和设计的内容介绍。
[0017]在本实施方案中，本发明对脑实质分割方法主要包括以下环节:1.图像预处理、2.脑图像剥离、3.求取阈值、4.阈值分割。
[0018]图像预处理采用自适应滤波器，脑图像剥离采用区域生长算法，阈值的求取采用迭代法求取，其步骤如下:I求出图象的最大灰度值和最小灰度值，分别记为ZMAX和ZMIN，令初始阈值TO = (ZMAX+ZMIN) /2; 2根据阈值TK将图象分割为前景和背景，分别求出两者的平均灰度值ZO和ZB; 3求出新阈值TK+1 = (Z0+ZB)/2; 4若TK = TK+1，则所得即为阈值；否则转2，迭代计算。
[0019]阈值分割的过程则采用创新的临近加权值算法下面将对临近加权值算法进行解释。一般的阈值分割算法在分割的过程中，在对每一个像素点进行分割的时候，是将该点的灰度值的大小与阈值的大小直接进行比较，根据比较的结果来确定是否属于待分割部分或者是属于背景部分。这样分割的结果抗噪音的效果会非常的差，因为在对每一个像素点进行分割的时候只是单纯的考虑该点的灰度值大小，而并不去管它是否是噪点。基于这个原因，临近加权值算法对分割的过程进行一些改进，在对某个像素点记为A(i，j)进行分割的时候对其进行一个函数处理
[0020]BPF(i,j) = (3fi(i,j)+2f2(i,j)+f3(i,j)+p(i,j))/16
[0021]其中fKi’j)表示像素点(i，j)的第一层部分像素点灰度值的和即
I，j)+P(i+l，j+l)+P(i，j+1)，同理f2(i，j)表示第二层部分像素点灰度值的和，f3(i，j)表示第三层部分像素点灰度值的和。
[0022]将得到的结果F(i，j)与阈值TK的大小进行比较如果F (i，j) > = TK则判断A点为脑白质部分，将其灰度值设为100。否则则判断A点为背景(灰质)部分，将其灰度值设为O。将所有的像素点二值化处理完毕后，得到的结果就是脑白质分割的分割结果。脑灰质的分割完全一样，就是将其判断条件取反即可(注意灰度值要大于零。因为图像背景灰度值为零)。因为脑剥离后，脑图像只有灰质、白质部分，白质的补集即为灰质。
[0023]本发明一种基于改进的阈值分割算法实现对脑实质的分割方法具有以下特点:
[0024]本发明提出一套新的对脑实质进行分割方法，可以准确的对脑实质进行分割。创新的临近加权值算法对分割的过程进行一些改进可以有效的减少噪音对分割结果产生的影响。脑实质分割的结果可以辅助医生对病人脑萎缩病情的诊断。
[0025]尽管上面对本发明说明性的【具体实施方式】进行了描述，以便于本技术领的技术人员理解本发明，但应该清楚，本发明不限于【具体实施方式】的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
【主权项】
1.本发明是一种基于阈值分割算法实现对脑实质的分割方法，主要包括以下内容:首先对图像进行预处理，然后利用一种改进的阈值分割算法实现对脑实质的分割(包括灰质、白质)。 技术方案如下: 步骤一:首先利用自适应滤波器对图像进行处理，以消除图像中存在的影响分割的噪音，并且增强灰质、白质的对比度，有利于提高分割的准确度。 步骤二:利用步骤一处理好的图片进行脑图像剥离，去除脑实质以外的部分，如皮肤，骨头等等。脑图像剥离算法采用区域生长算法。 步骤三:利用迭代法选取阈值，根据阈值并结合每个像素点周围的像素点的灰度值对图像进行分割，分割的结果为脑白质。 步骤四:重新利用迭代法选取阈值，根据阈值并结合每个像素点周围的像素点的灰度值对图像进行分割，此次分割的结果为脑灰质。2.根据权利要求1所述的一种基于阈值分割算法实现对脑实质的分割方法，其特征在于使用阈值分割的过程中，在对每一个像素点进行处理时，并不是单纯的与阈值进行比较，而是结合自身的灰度值和其周边的像素点的灰度值再进行比较。 本发明的主要特点在于对脑实质进行分割的过程进行一些改进。以提高分割的准确性和抗干扰性。主要包括:(I)利用自适应滤波器对图像进行预处理，(2)利用区域生长算法对滤波后的图像进行脑剥离。(3)利用迭代法选取阈值，分别进行脑灰质和脑白质的分割。 利用迭代法选取取阈值，其步骤如下:. 1.求出图象的最大灰度值和最小灰度值，分别记为ZMAX和ZMIN，令初始阈值TO= (ZMAX+ZMIN)/2；. 2.根据阈值TK将图象分割为前景和背景，分别求出两者的平均灰度值ZO和ZB;. 3.求出新阈值TK+1 = (Ζ0+ΖΒ )/2；. 4.若TK= TK+1，则所得即为阈值;否则转2，迭代计算。 在利用区域生长算法对图像进行脑剥离时，在脑实质中选取一个种子点，选取一个灰度值非常小的阈值，利用区域生长算法的特点便可以很容易的分割出脑实质部分。 在最后脑实质的分割过程中，当处理到某个像素点时(i，j)，我们用F(i，j)进行处理，F(i , j)=F(i , j) = (3fi(i, j)+2f2(i, j)+f3(i , j)+p(i , j))/16 其中&(1，」)表示像素点(1」)的第一层部分像素点灰度值的和即&(1，」)=口(1+1，」_) +p(i+l，j+l)+p(i，j+l)，同理f2(i，j)表示第二层部分像素点灰度值的和，f3(i，j)表示第三层部分像素点灰度值的和。 当？(1，」)> =11(时令？(1，」)=100，否则？(1，」)=0。其中？(1，」)为像素点(1，」)的灰度值，TK为阈值。
【文档编号】G06T7/00GK105844617SQ201610154185
【公开日】2016年8月10日
【申请日】2016年3月17日
【发明人】丁熠, 杨晓明, 秦志光, 蓝天, 王飞, 于跃, 陈浩, 肖哲, 陈圆, 董荣凤
【申请人】电子科技大学