自动腹内肌肉和脂肪图像分割方法与流程

本发明提出一种自动腹内肌肉和脂肪图像分割方法。

背景技术：

人体身体脂肪与肌肉组织的成分比例有助于预测许多疾病，尤其是因肥胖引起的相关疾病。

目前市场上一般软件分割肌肉和脂肪多为二维方法，且为半自动分割，依赖于医生的专业经验，同时需要在每一层切片上去标记不同组织，耗时太大，实用性有待提升。

而目前已有自动分割算法被提出，比如使用ffd配准算法来分割肌肉组织，图割法，阈值法等。这些方法也有着各自的缺陷，ffd配准是基于二维图片分割，每一张图片需要重新计算，耗费大量时间，阈值和图割法依赖肌肉和组织的像素先验值信息，增加了出现错误的几率。

技术实现要素：

本发明提出了一种自动腹内肌肉和脂肪图像分割方法，以解决上述问题的至少一个方面。

本发明的目的可以通过以下技术方案来实现：

一种自动腹内肌肉和脂肪图像分割方法，用于同时分割得到腹部肌肉组织、内脏脂肪组织以及皮下脂肪组织像素信息，本方法包含以下部分：

1)像素分类，使用icm(条件迭代模型分割算法)将像素值进行分类，得到肌肉组织和脂肪组织的像素值范围；

2)在步骤1)的基础上，去除体外像素值；

3)在步骤1)的结果上，提取肌肉组织像素区域；

4)由步骤1)得到的脂肪组织像素区域，被步骤3)得到的肌肉组织分隔成2部分；在肌肉组织内部的为内脏脂肪部分，在肌肉脂肪外部的为皮下组织部分；

所述步骤1)具体为：

11)肌肉组织ct值082323hu范围为[-29,150]，脂肪组织ct值范围为[-190,-30]，以此作为icm(条件迭代模型分割算法)分类算法中脂肪和肌肉组织类别的初始值，分类类别数为4；背景部分分为低亮背景和高亮背景；

12)计算每个类别的像素均值；

13)定义图像能量公式，包括图像灰度能量值和标签能量值；并计算每个像素点在不同类别下的能量值；

14)选择最大能量值类别作为像素点新的分类结果；

15)迭代计算(11-14),直到结果收敛或迭代次数达到最大值。

所述步骤2)具体为：

21)将1)的分类结果中非低亮背景部分作为新的分割结果；

22)将21)的结果按层填充内部空洞；

23)将22)的结果选取最大连通区域，即得到腹部组织部分的像素区域；

所述步骤3)具体为：

31)根据1)的分类结果，根据levelset(水平集算法)、形态学、以及空洞填充处理方法，得到由肌肉外轮廓封闭的区域；

32)将31)得到的外轮廓向内收缩25mm，并利用肌肉ct值，得到初步的内轮廓区域；

33)使用双阈值提取骨骼组织的像素区域；首先利用较大的阈值(400)提取部分骨骼组织，然后在提取得到的骨骼组织周围，利用低阈值(150)继续提取骨骼组织；

34)将33)得到的结果，进行形态学、空洞填充处理后，取最大连通区域，得到靠近脊柱的骨骼组织，去除肋骨部分；

35)在矢状面上，计算骨骼的x方向的质心点，并在靠近质心点一定范围内，提取出每行的质心点(若某行没有骨骼点，不提取)；

36)在35)得到的质心点的基础上，做曲线拟合，得到连续曲线，以及连续的骨骼x轴的宽度值；

37)按照36)得到质心曲线和宽度值得到脊柱附近的内轮廓线；进一步更正32)的内轮廓线；

38)根据得到的内外轮廓线得到肌肉组织部分的像素区域。

所述步骤4)具体为：

41)将步骤3)得到的肌肉组织区域填充；

42)步骤1)得到的脂肪区域如若也在步骤41)填充区域内，则属于内脏组织区域；

43)步骤1)得到脂肪区域不在步骤41)填充区域内，则属于皮下组织区域。

本发明的有益效果是：与现有技术相比，本发明一次性分割出所有切片的肌肉组织和脂肪组织，正确率高以及全自动分割等优点。

附图说明

图1为本发明的方法流程图。

图2为本发明一种实施例的分割结果彩图。

具体实施方式

下面结合附图和具体实施方案对本发明进行详细说明。

如图1所示，本发明提供了一种自动腹内肌肉和脂肪图像分割方法，具体包括下列步骤：

1)腹部像素分类。初步计算肌肉组织和脂肪组织的像素值范围。icm模型原理为概率论模型，其方案是，一个像素值的分类不仅依赖于其本身的像素值大小，更依赖于邻域像素分类。因此，定义了一个能量值，该能量值由图像灰度值和邻域像素所属分类计算得到。整个图像能量最小值或能量值不在变化时得到的分类结果即为最终的分类结果。因为icm模型考虑了邻近像素点分类，因此icm得到的分类结果聚类效果比较好，即一个类别区域内比较少的出现异类。

具体方法如下：

设置icm初始值。根据经验，肌肉组织ct值大致范围为[-29,150]，脂肪组织ct值大致范围为[-190,-30]，以此作为icm分类算法中脂肪和肌肉组织类别的初始值，分类类别数为4。分类类别分别为：低亮度背景组织，高亮度背景组织，肌肉组织和脂肪组织。

计算每个类别的像素均值。

定义图像能量公式,包括图像灰度能量值和标签能量值。并计算每个像素点在不同类别下的能量值。一个像素的类别不仅和其自身像素值有关，还和邻域像素类别相关，使用此能量公式，可以比较好的避免噪声的干扰。

选择最大能量值类别作为像素点新的分类结果。

迭代计算，直到结果收敛或迭代次数达到最大值。

在步骤1)的基础上，去除体外像素值。分割腹部肌肉和脂肪的过程中，体外像素值(比如床体部分)可能对分割结果造成干扰，所以此处先去除。

具体方法如下：

将1)的分类结果中非低亮背景部分作为新的分割结果。

按层填充内部空洞。使用按层填充空洞是为了在将肺部组织包含在内，避免将肺部组织未分割进去。

选取最大连通区域，即得到腹部组织部分。

3)在步骤1的结果上，提取肌肉组织。步骤1得到的前景图像部分，包括两个类别，肌肉和脂肪，但是脂肪并未区分皮下脂肪和内脏脂肪部分。两者同属于脂肪，只能通过位置进行判定。内脏脂肪包裹在肌肉内部，皮下脂肪在肌肉外部。所以要区分二者，需要先提取出肌肉部分。

具体方法如下：

根据1)的分类结果，根据levelset、形态学以及空洞填充处理方法，得到由肌肉外轮廓封闭的区域。levelset(水平集算法)初始轮廓初始化线位于腹内以及肌肉外部，根据能量公式迭代计算各像素点的能量值(图像灰度值作为内部能量，曲率以及梯度值作为外部能量)。收敛后得到外轮廓部分。但水平集算法得到的区域可能不封闭，此处可利用形态学和空洞填充方法，得到封闭区域。

将上一步得到的外轮廓向内收缩一定距离，并利用肌肉像素值范围，得到初步的内轮廓区域。除了靠近脊柱部分，其他肌肉组织的厚度范围基本保持一致。所以在外轮廓上向内收缩后，再利用像素值，可初步得到内轮廓部分。但对于脊柱部分的肌肉组织，会有部分肌肉组织未分割出。此部分后面接着处理。

使用双阈值提取骨骼组织。首先利用较大的阈值(400)提取部分骨骼组织，然后在提取得到的骨骼组织周围，利用低阈值(150)继续提取骨骼组织。

将上一步得到的结果，进行形态学、空洞填充处理后，取最大连通区域，得到靠近脊柱的骨骼组织，去除肋骨部分。

矢状面上，计算骨骼的x方向的质心点，并在靠近质心点一定范围内，提取出每行的质心点(若某行没有骨骼点，不提取)。因为在矢状面上，脊柱的位置比较好确定，因此此步在矢状面上分割。

在上一步得到的质心点的基础上，做曲线拟合，得到连续曲线，以及连续的骨骼x轴的宽度值。

按照上一步得到质心曲线和宽度值得到脊柱附近的内轮廓线，进一步更正内轮廓区域的内轮廓线。

跟据得到的内外轮廓线得到肌肉组织部分。

4)由步骤1得到的脂肪组织，被步骤3得到的肌肉组织分隔成2部分。在肌肉组织内部的为内脏脂肪部分，在肌肉脂肪外部的为皮下组织部分。

具体方法如下：

将步骤3)得到的肌肉组织区域进行空洞填充。

步骤1)得到的脂肪区域如若也在步骤41)填充区域内，则属于内脏组织区域，否则属于皮下组织区域。

根据上述步骤，对多个病人的腹内肌肉和脂肪切片进行了处理，分割结果如图2所示(红色为皮下组织，蓝色为肌肉组织，绿色为内脏组织部分)。

从图2结果中可以看出，该方法可以一次性分割所有切片的肌肉和脂肪部分，且保证了较高的准确率。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。