一种肝脏影像分割方法及系统与流程

本发明涉及影像处理领域，尤其涉及一种肝脏影像分割方法及系统。

背景技术：

影像分割是影像处理和计算机视觉领域的基础。分割结果直接影响着后续任务的有效性和效率。影像分割的目的就是把目标从背景中提取出，分割过程主要基于影像的固有特征，如灰度、纹理、对比度、亮度、彩色特征等将影像分成具有各自特性的同质区域。医学影像分割就是把影像分成多个特定的，具有相同或类似特征的区域，提取出感兴趣的组织或者将它与其它的组织明显分开，以便医生进行分析和诊断。比如，通过分割，可以把肝脏病变组织和健康组织分开，把脑部切片的白质和灰质分开。它不仅是实现可视化的前提和预处理步骤，也是提取医学影像中特殊组织的定量信息的关键。分割后的影像被应用在各种场合，如病变组织的定位，组织容积的诊断，制定手术方案和手术导航等。

脊波(ridgelet)是一种非自适应的高维函数表示方法，具有方向选择和识别能力，可以更有效地表示信号中具有方向性的奇异特征。脊波变换首先对影像进行radon变换，即把影像中的一维奇异性比如影像中的直线映射成randon域的一个点，然后用一维小波进行奇异性的检测，从而有效地解决了小波变换在处理二维影像时的问题。脊波变换对于具有直线奇异的多变量函数有良好的逼近性能，也就是说对于纹理(线奇异性)丰富的影像，ridgelet可以获得比小波更加稀疏的表示。同时，脊波具有多分辨率分析(或多尺度分析)结构，可对影像进行分辨率从低到高的连续逼近小波变换在一系列宏观大尺度和微观小尺度上均可表达影像内容，对时长不等的信号进行细致分析。传统的k-均值聚类算法不适合进行医学影像分割，因为在算法中，像素只属于某一聚类，与其他聚类无关，无法取得良好的分割效果。模糊聚类算法通过最小化像素到聚类中心的加权距离来完成影像分割，已成功应用于机器学习、模式识别等领域。

中国专利(申请号：cn201611039544.4，公开号：cn106558057a)公开了一种医学图像分割方法,该方法涉及医学图像处理技术领域。该方法包括获取初始分割结果获取对初始分割结果的编辑操作确定待修复区域根据能量方程计算的最优割集得到所述待修复区域的再次分割结果将再次分割结果更新至所述初始分割结果中。该方法采取传统方法对三维医学图像进行初始分割，对图像的噪声敏感性较强，图像分割准确率有待提高。

中国专利(申请号：cn201510577907.9，公开号：cn105261006a)公开了一种基于傅里叶变换的医学图像分割算法,采用傅里叶变换算法对灰度图像进行分析,获得感兴趣的灰度图像区域,并将感兴趣的灰度图像区域划分为互不重叠的子块,采用区域生长法对当前灰度图像进行分割。该方法采用傅里叶变换能够处理受噪声污染的医学图像，跟传统的图像分割精度相比有一定的提高，同时也存在计算量大，处理速度慢的问题。

综上所述，现有的技术大多是采用模糊聚类或区域生长等传统方法进行图像的分割，传统方法存在以下缺陷：对图像内容不能进行细致的分析，且对图像的质量要求高；对图像噪声敏感，不能获得理想的图像分割效果。

技术实现要素：

本发明为了解决上述技术问题提供一种肝脏影像分割方法。

本发明解决上述技术问题的技术方案如下：一种肝脏影像分割方法，包括以下几个步骤：

s1，获取原始图像，并对所述原始图像进行脊波变换得到粗尺度图像，所述粗尺度图像包括多个粗尺度像素点；

s2，将所述粗尺度图像经过模糊聚类算法处理后得到初始分割影像；

s3，对所述初始分割影像进行影像重构，得到重构图像，并计算出所述重构图像的多个聚类中心；所述重构图像包括多个细尺度像素点；

s4，调节每个所述细尺度像素点到各个所述聚类中心的距离，并调节所述细尺度像素点的隶属度；

s5，根据所述细尺度像素点计算得出像素相关性；

s6，根据所述像素相关性、所述隶属度和所述距离计算出目标函数，并建立约束条件，且将所述约束条件代入所述目标函数，得到改善目标函数；

s7，判断所述改善目标函数是否满足收敛条件，若满足，则完成所述重构图像的影像分割；若不满足，则重新执行s4至s7。

本发明的有益效果是，通过脊波变换将影像分解为不同分辨率的影像，得到粗尺度的影像，并通过模糊聚类得到初始分割结果；再将初始分割结果进行影像重构得到原始影像大小的图像；最后采用改进的模糊聚类算法得到精确的图像分割结果。相较于传统的fcm方法通过加设了约束条件，改善了目标函数，具有抗噪声能力强，复杂度低等特点，既能发挥脊波变换高效率表达影像的特点，又能体现fcm算法在医学影像分割中的优势，准确输出肝脏影像的分割结果，以便医生进行分析和诊断。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述s3的具体实现如下：建立各个所述粗尺度像素点的相似性函数，并根据所述相似性函数计算出所述细尺度像素xn与所述粗尺度像素的相似度，且根据所述相似度确定所述聚类中心，所述相似性函数如下：

其中，g(xn)为所述细尺度像素点的灰度值，xn为第n个所述细尺度像素点，μn-1为所述粗尺度像素点的灰度平均值；σn-1为所述粗尺度像素点标准差；k为所述粗尺度像素点的数量,所述sim(xn)为所述细尺度像素xn与所述粗尺度像素的相似度。

采用上述进一步方案的有益效果是，通过建立相似性函数，可将影像从粗尺度向细尺度转化，以便后续对影像进行精确分割。

进一步，所述s5的具体实现为：通过如下公式计算所述像素相关性；

其中，i为所述聚类中心的编号；j为所述细尺度像素点的编号；rkj为所述重构图像中邻域像素xk与中心像素xj的相关性；为所述重构图像的反应空间相关性；为所述重构图像的反应灰度相关性。

进一步，所述目标函数为：

其中，c是预设的聚类数目，n是所述重构影像中像素点的数目，uij为第j个像素隶属于第i类的隶属度，其中，0≤uij≤1；m为预设的模糊因子，其中，m＞1，dij＝||xj-vi||为第j个所述细尺度像素点到第i个所述聚类中心之间的距离，dik为第i个所述聚类中心与所述邻域像素xk之间的距离。

采用上述进一步方案的有益效果是，通过从隶属度、像素点到聚类中心距离和相关性等因素建立目标函数，增加了空间约束力，降低了噪声对影像的影响。

进一步，所述约束条件为：

本发明为了解决上述技术问题提供一种肝脏影像分割系统。

采用上述进一步方案的有益效果是，通过建立约束条件，进一步增加像素间的空间约束力，不仅具有更好的聚类效果，还可以降低噪声对影像的影响。

其技术方案如下：一种肝脏影像分割系统，包括：

脊波变换模块，用于获取原始图像，并对所述原始图像进行脊波变换得到粗尺度图像，所述粗尺度图像包括多个粗尺度像素点；

初始分割模块，用于将所述粗尺度图像经过模糊聚类算法处理后得到初始分割影像；

重构模块，用于对所述初始分割影像进行影像重构，得到重构图像，并计算出所述重构图像的多个聚类中心；所述重构图像包括多个细尺度像素点；

更新模块，用于调节每个所述细尺度像素点到各个所述聚类中心的距离，并调节所述细尺度像素点的隶属度；

相关性计算模块，用于根据所述细尺度像素点计算得出像素相关性；

目标函数计算模块，用于根据所述像素相关性、所述隶属度和所述距离计算出目标函数，并建立约束条件，且将所述约束条件代入所述目标函数，得到改善目标函数；

判断模块，用于判断所述改善目标函数是否满足收敛条件，若满足，则完成所述重构图像的影像分割；若不满足，则重新执行s4至s7。

进一步，所述重构模块具体用于：建立各个所述粗尺度像素点的相似性函数，并根据所述相似性函数计算出所述细尺度像素xn与所述粗尺度像素的相似度，且根据所述相似度确定所述聚类中心，所述相似性函数如下：

其中，g(xn)为所述细尺度像素点的灰度值，xn为第n个所述细尺度像素点，μn-1为所述粗尺度像素点的灰度平均值；σn-1为所述粗尺度像素点标准差；k为所述粗尺度像素点的数量,所述sim(xn)为所述细尺度像素xn与所述粗尺度像素的相似度。

进一步，所述相关性计算模块具体用于：通过如下公式计算所述像素相关性；

其中，i为第i个所述聚类中心；j为第j个所述细尺度像素点；rkj为所述重构图像中邻域像素xk与中心像素xj的相关性；为所述重构图像的反应空间相关性；为所述重构图像的反应灰度相关性。

进一步，所述目标函数为：

其中，c是预设的聚类数目，n是所述重构影像中像素点的数目，uij为第j个像素隶属于第i类的隶属度，其中，0≤uij≤1；m为预设的模糊因子，其中，m＞1，dij＝||xj-vi||为第j个所述细尺度像素点到第i个所述聚类中心之间的距离，dik为第i个所述聚类中心与所述邻域像素xk之间的距离。

进一步，所述约束条件为：

附图说明

图1为本发明实施例的肝脏影像分割方法的方法流程图；

图2为本发明实施例的肝脏影像分割系统的结构示意图。

图3为本发明实施例的肝脏影像分割系统的工作流程图；

图4为本发明实施例的原始影像图；

图5为本发明实施例的传统fcm算法分割结果示意图；

图6为通过本发明实施例的模糊聚类算法处理后得到初始分割影像图；

图7为通过本发明实施例的肝脏影像分割方法得到的精确分割结果图；

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，本发明实施例提供的一种肝脏影像分割方法，s1，获取原始图像，并对所述原始图像进行脊波变换得到粗尺度图像，所述粗尺度图像包括多个粗尺度像素点。

s2，将所述粗尺度图像经过模糊聚类算法处理后得到初始分割影像。

s3，对所述初始分割影像进行影像重构，得到重构图像，并计算出所述重构图像的多个聚类中心；所述重构图像包括多个细尺度像素点。

s4，调节每个所述细尺度像素点到各个所述聚类中心的距离，并调节所述细尺度像素点的隶属度。

s5，根据所述细尺度像素点计算得出像素相关性。

s6，根据所述像素相关性、所述隶属度和所述距离计算出目标函数，并建立约束条件，且将所述约束条件代入所述目标函数，得到改善目标函数。

s7，判断所述改善目标函数是否满足收敛条件，若满足，则完成所述重构图像的影像分割；若不满足，则重新执行s4至s7。

在实际应用场景中，首先，根据脊波变换的特点，将影像经过脊波变换后的粗尺度影像具有数据量小和对噪声不敏感的特点，首先对影像进行脊波变换，得到粗尺度影像，在利用模糊聚类方法对经过脊波变换后的粗尺度影像，进行聚类分析后为每个像素分配一个标签，完成对影像的初始分割，得到初始分割结果。

需要说明的是，这里的像素为粗尺度像素点，为每个像素点分配一个标签后，每个像素点都具有相应的序号标签，而后续重构后得到的像素点从粗尺度变为精尺度，但各像素点的标签始终不变，每个精尺度像素点也由对应的序号标签标记。

其次，进行影像重构，具体地，对通过执行步骤1得到的初始分割影像进行重构，以便后续通过执行步骤3进行影像的精确分割。基于脊波分解系数的持续性，可将影像从粗尺度向细尺度转化。考虑到邻域系数之间的关系，建立各像素点之间的相似性函数，具体的相似性函数如下：

其中，g(xn)为所述细尺度像素点的灰度值，xn为第n个细尺度像素点，即使标签为n的像素点，μn-1为所述粗尺度像素点的灰度平均值；σn-1为所述粗尺度像素点标准差；k为所述粗尺度像素点的数量,所述sim(xn)为所述细尺度像素xn与所述粗尺度像素的相似度。按照上述方法依次完成从粗尺度到细尺度的影像标记，并通过相似性函数计算出细尺度度像素xn与粗尺度像素的相似度，以便确定细尺度下的像素xn和粗尺度哪一片最相似，从而确定聚类中心，最后得到最精细尺度的影像标记和聚类中心。

然后，利用改进的模糊聚类方法，对经过执行步骤(2)得到影像进行精确分割。

具体地，模糊聚类算法是通过最小化像素到聚类中心的加权距离来完成影像分割。在fcm算法中，该加权距离被称为目标函数或者能量函数，形式如下：

其中c是预设的聚类中心的数目，n是影像中像素的数目，uij是第j个像素隶属于第i类的隶属度，满足0≤uij≤1并且m＞1为预设的模糊因子，dij＝||xj-vi||是第j个像素到第i个聚类中心之间的欧式距离。

需要说明的是，fcm算法为模糊c均值聚类算法，是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。

通过最小化目标函数，可以得到第j个像素隶属于不同聚类的隶属度uij(i＝1,2,…,c)，最终对影像进行分割时，像素j被划分为第k类，其中

为了最小化目标函数，隶属度满足约束条件基于拉格朗日算子对目标函数最小化，构造函数

基于可得

根据上式以及约束条件可得

将公式5带入公式4中得到

基于可得

反复应用公式6和公式7，对聚类中心的隶属度进行更新。

最终，当目标函数达到最小值，得到每个像素对不同聚类的隶属度uij完成影像的分割。

其中，本实施例中采用相邻像素的相关性作为模糊聚类算法中的影响因子，如果相邻像素与中心像素的相关性大，则在目标函数中考虑该像素的相关信息，否则不加入该像素的信息，改进的fcm算法目标函数定义如下：

其中rkj是邻域像素xk与中心像素xj的相关性。相关性rkj定义为

其中，反应空间相关性，反应灰度相关性。

如图2所示，本实施例提供一种肝脏影像分割系统，包括：

脊波变换模块，用于获取原始图像，并对所述原始图像进行脊波变换得到粗尺度图像，所述粗尺度图像包括多个粗尺度像素点。

初始分割模块，用于将所述粗尺度图像经过模糊聚类算法处理后得到初始分割影像。

重构模块，用于对所述初始分割影像进行影像重构，得到重构图像，并计算出所述重构图像的多个聚类中心；所述重构图像包括多个细尺度像素点。

更新模块，用于调节每个所述细尺度像素点到各个所述聚类中心的距离，并调节所述细尺度像素点的隶属度。

相关性计算模块，用于根据所述细尺度像素点计算得出像素相关性；

目标函数计算模块，用于根据所述像素相关性、所述隶属度和所述距离计算出目标函数，并建立约束条件，且将所述约束条件代入所述目标函数，得到改善目标函数。

判断模块，用于判断所述改善目标函数是否满足收敛条件，若满足，则完成所述重构图像的影像分割；若不满足，则重新执行s4至s7。

可选地，所述重构模块具体用于：建立各个所述粗尺度像素点的相似性函数，并根据所述相似性函数计算出所述细尺度像素xn与所述粗尺度像素的相似度，且根据所述相似度确定所述聚类中心，所述相似性函数如下：

其中，g(xn)为所述细尺度像素点的灰度值，xn为第n个所述细尺度像素点，μn-1为所述粗尺度像素点的灰度平均值；σn-1为所述粗尺度像素点标准差；k为所述粗尺度像素点的数量,所述sim(xn)为所述细尺度像素xn与所述粗尺度像素的相似度。

可选地，所述相关性计算模块具体用于：通过如下公式计算所述像素相关性。

其中，i为所述聚类中心的编号；j为所述细尺度像素点的编号；rkj为所述重构图像中邻域像素xk与中心像素xj的相关性；为所述重构图像的反应空间相关性；为所述重构图像的反应灰度相关性。

可选地，所述目标函数为：

其中，c是预设的聚类数目，n是所述重构影像中像素点的数目，uij为第j个像素隶属于第i类的隶属度，其中，0≤uij≤1；m为预设的模糊因子，其中，m＞1，dij＝||xj-vi||为第j个所述细尺度像素点到第i个所述聚类中心之间的距离，dik为第i个所述聚类中心与所述邻域像素xk之间的距离。

可选地，所述约束条件为：

在实际应用中，如图3所示，首先脊波变换模块将原始图像进行脊波变换得到低频图像；然后初始分割模块将低频图像通过fcm算法进行图像初始分割；再用重构模块将上一步中得到的初始分割影像根据脊波尺度内聚类和尺度间持久的特性将影像重构为原始影像大小，即得到重构图像，并计算原始图像的聚类中心；接下来更新模块用于更新重构图像中各个像素点到聚类中心的距离，并更新隶属度以及聚类中心；然后相关性计算模块计算像素相关性r；然后，目标函数计算模块再计算目标函数，最后判断模块判断目标函数是否满足收敛条件，若满足则完成图像分割，若不满足则回到更新模块，并重新开始执行更新模块以后的步骤。

在本实施例中还通过本实施例的肝脏分割方法进行肝脏影像分割试验，实验分为两部分：直接应用传统fcm算法进行影像分割和基于脊波变换和改进fcm算法的影像分割。将上述两种方法应用于肝脏影像的分割，对比结果如下：

进行实验的原始影像如图4所示，传统fcm算法分割结果如图5所示，由于传统fcm算法没有考虑到像素的邻域信息，不具有空间约束能力，对噪声敏感，得到的影像组织误分类现象的可能性比较大。如图6所示，经本实施例的模糊聚类算法处理后得到的初始分割结果像已经基本不受噪声的影响，因为噪声主要存在于高频影像中，低频影像受噪声影响较小。而且本实施例的方法考虑了像素间的空间约束力，具有更好的聚类效果。经本实施例的肝脏影像分割方法得到的精确分割结果图如图7所示，从图中可得知本实施例的影像分割方法明显优于传统的fcm分割方法，得到的图像更精确。

综上所述,本实施例的一种肝脏影像分割方法及系统，首先提出了利用脊波变换进行图像稀疏的方法，其次在改进的模糊聚类算法中加入了像素间的空间约束力进行图像的精确分割。具体通过脊波变换将影像分解为不同分辨率的影像，得到粗尺度的影像，并通过模糊聚类得到初始分割结果；再将初始分割结果进行影像重构得到原始影像大小的图像；最后采用改进的模糊聚类算法得到精确的图像分割结果。相较于传统的fcm方法通过加设了约束条件，改善了目标函数，具有抗噪声能力强，复杂度低等特点，既能发挥脊波变换高效率表达影像的特点，又能体现fcm算法在医学影像分割中的优势，准确输出肝脏影像的分割结果，以便医生进行分析和诊断。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。