果，可以看到肝脏区域的 亮度概率能很好地符合高斯分布。根据高斯分布的概率理论，[ a-b，a+b]、[a_2b，a+2b]和 [a-3b，a+3b]的亮度范围分别能覆盖肝脏区域68%、95%、99%的像素。由于肝脏与其毗邻 组织间极可能存在亮度重叠，因此，为了最大程度抑制复杂背景，本方案优选肝脏亮度范围 为[a-b，a+b]。图4为采用本实施例得到的亮度模型结果，其中第一行为来自不同CT序列 的原始图像，第二行为采用本实施例方法得到的肝脏亮度模型。
[0053] 2.肝脏外观模型建立。具体实现步骤如下：
[0054] (1)以每个像素点为中心取9X9的子图像，并以该子图像的亮度信息表示该中心 像素点的特征；
[0055] (2)运用PCA对用户指定的部分肝脏区域所有像素点的邻域子图像进行主成分分 析并计算其前6个主成分的均值，由此得到一个I X6维的特征向量prcA avCT_，即肝脏的外 观特征；
[0056] (3)采用欧式距离作为外观相似性度量，计算整个序列中所有像素点与肝脏的外 观特征差异：
[0057]
[0058] 其中，pPCA(p)表示对像素点p的子图像进行PCA特征提取得到的前6个特征，d(p) 表示主成分特征P pm(P)与PrcA avCT_之间的欧氏距离；
[0059] (4)构建基于PCA的肝脏外观模型：
[0060]
[0061] 其中，mean_dp表示对所有像素点p计算得到的距离d(p)的均值。f PeA(p)的取值 范围为0~1，fpeA(p)越大表示该像素点P属于肝脏的概率越大。
[0062] 图5为采用本实施例得到的外观模型结果，其中第一行为来自不同CT序列的原始 图像，第二行为采用本实施例方法得到的肝脏外观模型。
[0063] 3.初始切片分割。具体实现步骤如下：
[0065]
[0064] 采用上述具体实施方法得到肝脏亮度和外观模型之后，构建初始切片的图割能量 函数：
[0066] 其中，P表示图像f中的所有像素集；Np表示像素点p的邻域像素集；α和β分 另IJ为控制惩罚项F intenslty (fp)和Fpca(fp)的权重，满足α+β = 1，本实施例优选α =0.8， β = 0. 2 ;Fintenslty(fp)，FrcA(fp)和B(f p，fq)分别为亮度、外观和边界惩罚项，且分别定义如 下：
[0067]
[0068]
[0069]
[0070]
[0071]
[0072] Ip为像素 p的亮度值，d(p，q)为像素 p和q之间的欧式距离，Nump为像素集P中 像素点的数目。然后采用最大流最小割算法最小化该能量函数，得到分割结果。最后取其 最大连通区域作为该序列初始切片的肝脏最终分割结果。
[0073] 4.序列切片分割。具体实现步骤如下：
[0074] 采用上述具体实施方法分割初始切片之后，再用迭代的方式以初始分割切片为起 点分别向上和向下分割序列中的其他所有切片。在该迭代分割过程中，利用上一切片分割 结果作为肝脏位置惩罚项增加分割的准确性。此时，图割能量函数可表示为：
[0075]
[0076]
[0077]
[0078] μ为0~0. 5之间的正常数，本实施例优选0. 1，Dis(P)为上一切片分割结果的 距离变换。图6为采用本实施例得到的部分CT图像肝脏分割结果，其中第一行为来自不同 CT序列的原始图像，第二行为采用本实施例方法得到的肝脏分割结果。
[0079] 实施例2
[0080] 采用实施例1的方法对XHCSU14数据库提供的10个肝脏CT序列进行测试， 并采用五个误差指标对测试结果进行评价，包括：体积重叠误差（Volumetric Overlap Error, VOE)，相对体积差（RelativeVolumeDifference, RVD)，平均对称表面距离 (Average Symmetric SurfaceDistance, ASD)，均方根对称表面距离（Root Mean Square Symmetric SurfaceDistance, RMSD)，以及最大对称表面距离（Maximum Symmetric SurfaceDistance, MSD)〇
[0081] XHCSU14数据库的10个测试序列均来源于Philipsbrilliance 64排多层螺旋 CT机，由中南大学湘雅医院提供，切片平面像素数目为512X512,平面像素间距范围为 0· 53-0. 74mm，层间距为 1.0 mm。采用 VOE、RVD、ASD、RMSD 和 MSD 五个误差指标对 XHCSU14 数据库的分割结果进行评价，得到的结果如表1所示。可以看到，对于10个不同病人的CT 序列，本发明分割误差的均值和标准差均较小，表明本发明方法能准确有效地分割腹部CT 序列中的肝脏区域，且具有较强的鲁棒性。
[0082] 表 1
[0083]
[0084] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精 神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
【主权项】
1. 一种腹部CT序列图像肝脏的快速鲁棒自动分割方法，其特征在于包括以下步骤： (1) 根据肝脏区域的亮度概率分布特征，建立基于高斯曲线拟合的亮度模型，抑制复杂 背景、突出肝脏区域，所述亮度模型建立方法为：首先由用户选取输入序列中任一切片的部 分肝脏区域，然后采用高斯函数拟合其亮度分布，并根据高斯分布的置信区间获取该序列 中肝脏的大致亮度范围[1_，1_]，最后运用公式建肝脏亮度模型，其中k为0. 5~5的正常数，I为图像亮度，1_和I _分别为获取的肝脏 亮度的最小值和最大值； (2) 利用图像局部信息，建立基于PCA，即主成分分析的肝脏外观模型，进一步增强肝 脏边界，加大肝脏与背景的区分度，所述外观模型建立方法为：首先，以每个像素点为中心 取大小为（2n+l) X (2n+l)的子图像，并以该子图像的亮度信息表示该中心像素点的特征， 其中n为1~8的自然数；然后，对用户选定的部分肝脏区域所有像素点的邻域子图像进行 主成分分析并计算其前N个成分的均值，由此得到肝脏的外观特征p rcA_avCTay接着，采用距 离函数作为外观相似性度量，计算整个CT序列中所有像素点邻域子图像的主成分特征与 肝脏的外观特征之间的差异d(p) = I |ppeA(p)-ppeA_avCTagfJ I，其中Ppm(P)表示对像素点p的 邻域子图像进行PCA特征提取，得到的一个由前N个成分组成的IXN维特征向量，N为1~ (2n+l) X (2n+l)的自然数；最后构建肝脏外观模型，其 中mean_dp表示对所有像素点p计算得到的d(p)的均值； (3) 结合亮度和外观模型，首先构建初始切片的图割能量函数采用最优化算法最小化该能量函数，实 现初始切片的快速自动分割，其中，P表示图像f?中的所有像素集；Np表示像素点p的邻域 像素集；Fint_lty(fp)和FPeA(f p)分别为亮度和外观惩罚项，分别由亮度模型和外观模型计算 得到；a和0分别为控制亮度和外观惩罚项的权重，取值范围均为〇~1之间的任意数， 且满足a +0 = I ;B(fp，fq)为边界惩罚项，由相邻像素之间的梯度计算得到，用来控制分割 曲线的平滑度；然后采用最优化算法最小化该能量函数，得到分割结果，最后取其最大连 通区域作为该序列初始切片的肝脏最终分割结果。 (4) 利用相邻切片的空间位置相关性，结合亮度模型和外观模型，构建图割能量函数'采用迭代的方式以初始切 片为起点分别向上和向下分割序列中所有切片，其中Flcratlcin(fp)表示由上一片分割结果计 算得到的位置惩罚项。2. 如权利要求1所述的腹部CT序列图像肝脏快速鲁棒自动分割方法，其特征在于：所 述k优选1~2之间的任意常数，n优选3~6之间的自然数，N优选4~8之间的自然数， a优选0. 6~0. 8之间的任意常数。3. 如权利要求1所述的腹部CT序列图像肝脏快速鲁棒自动分割方法，其特征在于： 所述的第（3)步中，选取肝脏区域相对较大且只包含一个肝脏连通区域的切片作为初始切 片，位于整个CT序列从上至下三分之一位置处的切片满足该要求。
【专利摘要】本发明公开了一种腹部CT序列图像肝脏鲁棒自动分割方法，包括：数据输入步骤，输入待分割CT序列，并指定初始切片；模型构建步骤，根据输入序列的数据特征，建立肝脏亮度模型和外观模型，抑制复杂背景突出肝脏区域；自动分割步骤，结合亮度模型和外观模型运用图割算法对初始切片进行快速自动分割，并利用相邻切片之间的空间相关性，以初始分割切片为起点分别向上、向下迭代分割肝脏CT序列中所有的切片。本发明针对特定的CT序列建立相应的亮度和外观模型，能有效自动分割对比度低、边界模糊和形状不规则的肝脏。并且，本发明的腹部CT序列图像肝脏自动分割方法能够推广到其他腹部器官的自动分割中，如腹部CT序列图像脾脏和肾脏的分割。
【IPC分类】G06T7/00
【公开号】CN105139377
【申请号】CN201510444164
【发明人】赵于前, 廖苗
【申请人】中南大学
【公开日】2015年12月9日
【申请日】2015年7月24日