基于活动轮廓模型的医学计算机断层扫描图像分割方法与流程

本发明涉及图像处理领域，尤其是一种收敛速度快、对初始轮廓曲线位置和噪声的鲁棒性高的基于活动轮廓模型的医学计算机断层扫描图像分割方法。

背景技术：

图像分割是图像处理领域最基本、也是最重要的问题之一。虽然众多研究人员已提出了多种图像分割方法，如基于形态学分水岭的分割方法、基于灰度阈值的分割方法、基于边缘检测的分割方法、基于偏微分方程的分割方法等，但是目前尚未出现一种适用于所有应用场合的图像分割方法。

随着医学影像设备和检查技术的不断创新与发展，数字化成像使得计算机辅助检测和计算机辅助诊断成为可能，并且影像学检查在临床疾病诊断中的应用愈加广泛，尤其在肿瘤“精准医疗”计划中显现出越来越重要的作用。为了对病人的病情做出准确判断，医生需要对医学图像中包含的病灶部位进行有效分割。医学图像分割是对提取突变区域、测量特定组织以及实现重建三维的基础，是进行病灶区域辨别及勾画的重要步骤，也是精准医疗的基础和关键，其分割质量的高低直接影响到临床医生对患者病情的诊断与否。然而，根据影像科医生介绍，一方面，由于受到病患生理、体位运动及采集系统等诸多因素的影响，有时采集到的医学图像质量不高；另一方面，由于欲分割的组织各异、成像机理不同，分割方法往往不一致。为此，医生在临床治疗实施时仍需通过手工操作分割出病人的病灶和周边组织，费时费事，影响临床医生的诊断效率。而且，虽然计算机断层扫描(computedtomography,ct)图像的分辨率高，定位病灶区域比较准确，但是在有肿瘤浸润的组织与正常组织的密度无明显差别时，医生对肿瘤位置及边界的判断存在一定难度。故此，迫切需要针对特定医学图像的、切实可行的分割方法。

jehan-besson等人提出了基于极限学习机的医学图像分割方法，减少了分割时间，但是精度偏低。王瑜等人提出了基于一维otsu的多阈值医学图像分割算法，尽管在一定程度上提高了分割精度高，可是对深度凸陷区域的分割效果较差。鉴于医学图像具有的灰度分布不均匀、边缘模糊、噪声强度大等特性，近年来变分模型显示出越来越大的应用潜力。变分模型是一种依靠“内力”约束、“外力”驱动的模型，对医学图像有很好的分割效果。d.mumford和j.shah首先提出了mumford-shah变分模型，率先将基于图像恢复的偏微分模型扩展到了图像分割领域。chan等人简化了mumford-shah模型，进而提出了cv模型，其优点是分割结果与初始轮廓位置无关，可以准确提取出图像的边界，并且对噪声的鲁棒性高。但是，由于引入了水平集函数，cv模型的计算量较高，还需要重新初始化水平集函数，梯度下降容易陷入局部极小值。另外，由于cv模型是基于全局灰度拟合的，并不适用于灰度分布不均匀的医学图像分割。为此，li等人提出了包含区域可扩展能量项的rsf(regionscalablefitting,rsf)模型，能够分割灰度不均一图像，但对活动轮廓的初始位置和噪声较为敏感。zhang等人进一步将cv模型的全局信息引入到gac(geodesicactivecontours)模型中，提出了基于区域的水平集分割模型sbgfrls(selectiveandfilteringregularizedlevelsetgaussian)模型，兼顾考虑了图像的区域信息和边缘信息，降低了模型对初始轮廓位置的敏感性，但是无法有效分割诸如医学图像等灰度不均匀的异质图像。

技术实现要素：

本发明是为了解决现有技术所存在的上述技术问题，提供一种收敛速度快、对初始轮廓曲线位置和噪声的鲁棒性高的基于活动轮廓模型的医学计算机断层扫描图像分割方法。

本发明的技术解决方案是：一种基于活动轮廓模型的医学计算机断层扫描图像分割方法，其特征在于按如下步骤进行：

步骤1.建立医学计算机断层扫描图像的活动轮廓分割模型，其水平集演化方程的定义由公式(1)给出：

(1)

所述表示用于控制曲线演化方向的符号压力函数，表示图像在坐标处的像素值，表示水平集函数，表示梯度算子，表示关于初始输入图像的权函数，表示期望为0、标准差为的高斯核函数，表示散度算子，表示归一化的hausdorff距离，和均为比例因子，其中，权函数的定义由公式(2)给出：

(2)

所述表示期望为0、标准差为的高斯核函数，“”表示卷积操作，归一化的hausdorff距离的定义由公式(3)给出：

(3)

所述表示活动轮廓曲线内、外局部区域中灰度信息间的hausdorff距离，其定义由公式(4)给出：

(4)

所述表示两个离散点集和的距离，其定义由公式(5)给出：

(5)

所述表示活动轮廓曲线内部区域的像素集合，表示活动轮廓曲线外部区域的像素集合，坐标处的像素值由公式(6)-公式(7)给出：

(6)

(7)

所述表示heaviside函数，其定义由公式(8)给出：

(8)

步骤2.输入待分割的医学计算机断层扫描图像，设置相关高斯核函数，并利用公式(2)计算权函数；

步骤3.若为ct图像或mri图像，则转入步骤3.1；若为pet图像，转入步骤3.2；

步骤3.1利用公式(9)计算函数的值：

(9)

所述和分别表示活动轮廓内部和外部区域的平均像素值，其定义分别由公式(10)和公式(11)给出：

(10)

(11)

转入步骤4；

步骤3.2利用公式(12)计算函数的值：

(12)

所述表示判断肿瘤区域的灰度阈值，其定义由公式(13)给出：

(13)

所述表示weibull概率分布函数的导函数，其定义由公式(14)给出：

(14)

所述为概率分布函数的形状参数，为概率分布函数的尺度参数；

步骤4.初始化水平集函数，并令，；

步骤5.利用公式(3)计算活动轮廓内部和外部区域的像素值的归一化hausdorff距离计算；

步骤6.利用有限差分法和公式(1)更新水平集函数；

步骤7.检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代，算法结束；否则，转入步骤3。

本发明与现有的技术相比具有如下优点：第一，利用归一化的hausdorff距离提高了分割的收敛速度；第二，引进高斯滤波简化了水平集的演化过程；第三，采用权函数提高了零水平集检验物体多层轮廓的能力，同时也提高了对计算机断层扫描图像中深度凸陷区域与多目标物体边缘的捕获能力。

附图说明

图1为本发明实施例与其他方法对ct或mri图像的分割结果对比图。

图2为本发明实施例与其他方法对pet图像的分割结果对比图。

具体实施方式

本发明的基于活动轮廓模型的医学计算机断层扫描图像分割方法，按照如下步骤进行：

步骤1.建立医学计算机断层扫描图像的活动轮廓分割模型，其水平集演化方程的定义由公式(1)给出：

(1)

所述表示用于控制曲线演化方向的符号压力函数，表示图像在坐标处的像素值，表示水平集函数，表示梯度算子，表示关于初始输入图像的权函数，表示期望为0、标准差为的高斯核函数，表示散度算子，表示归一化的hausdorff距离，和均为比例因子，其中，权函数的定义由公式(2)给出：

(2)

所述表示期望为0、标准差为的高斯核函数，“”表示卷积操作，归一化的hausdorff距离的定义由公式(3)给出：

(3)

所述表示活动轮廓曲线内、外局部区域中灰度信息间的hausdorff距离，其定义由公式(4)给出：

(4)

所述表示两个离散点集和的距离，其定义由公式(5)给出：

(5)

所述表示活动轮廓曲线内部区域的像素集合，表示活动轮廓曲线外部区域的像素集合，坐标处的像素值由公式(6)-公式(7)给出：

(6)

(7)

所述表示heaviside函数，其定义由公式(8)给出：

(8)

步骤2.输入待分割的医学计算机断层扫描图像，设置相关高斯核函数，并利用公式(2)计算权函数；

步骤3.若为ct图像或mri图像，则转入步骤3.1；若为pet图像，转入步骤3.2；

步骤3.1利用公式(9)计算函数的值：

(9)

所述和分别表示活动轮廓内部和外部区域的平均像素值，其定义分别由公式(10)和公式(11)给出：

(10)

(11)

转入步骤4；

步骤3.2利用公式(12)计算函数的值：

(12)

所述表示判断肿瘤区域的灰度阈值，其定义由公式(13)给出：

(13)

所述表示weibull概率分布函数的导函数，其定义由公式(14)给出：

(14)

所述为概率分布函数的形状参数，为概率分布函数的尺度参数；

步骤4.初始化水平集函数，并令，；

步骤5.利用公式(3)计算活动轮廓内部和外部区域的像素值的归一化hausdorff距离计算；

步骤6.利用有限差分法和公式(1)更新水平集函数；

步骤7.检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代，算法结束；否则，转入步骤3。

本发明实施例与其他方法对ct或mri图像的分割结果比较如图1所示：从左至右分别为(a)原始图像；(b)本发明实施例分割结果；(c)jehan-besson提出的基于极限学习机的分割结果；(c)王瑜提出的基于一维otsu的多阈值分割结果。

本发明实施例与其他方法对pet图像的分割结果比较如图2所示：从左至右分别为(a)原始图像；(b)本发明实施例分割结果；(c)jehan-besson提出的基于极限学习机的分割结果；(c)王瑜提出的基于一维otsu的多阈值分割结果。

本发明实施例与其他方法分割3幅ct或mri图像（图1）所需的迭代次数与时间对比如表1所示。

本发明实施例与其他方法分割3幅ct或mri图像（图1）的错误率对比如表2所示。

本发明实施例与其他方法分割3幅pet图像（图2）所需的迭代次数与时间对比如表3所示。

本发明实施例与其他方法分割3幅pet图像（图2）的错误率对比如表4所示。

表1图1中3幅图像的迭代次数与时间对比（单位：秒）

表2图1中3幅图像的分割错误率对比

表3图2中3幅图像的迭代次数与时间对比（单位：秒）

表4图2中3幅图像的分割错误率对比

。

对比结果表明：本发明可以在短时间内更加准确地分割对比度低、灰度不均匀的异质医学计算机断层扫描图像。