一种基于三维超体素的颅内出血区域分割方法及系统的制作方法
【技术领域】
[0001] 本发明设及图像处理领域，尤其设及一种基于=维超体素的烦内出血区域分割方 法及系统。
【背景技术】
[0002] 烦内出血（ICH)是最严重的急性脑血管疾病中的一种，同时也是急性神经素乱疾 病，如偏擁等的重要发病诱因。因此，对于临床治疗来说，烦内出血的早期诊断具有重要意 义。同临床表现相比，可W进行无创伤检测的计算机断层(CT)扫描和磁共振成像(MRI)扫描 可W更直接、更准确地反映烦内出血的严重程度和演化趋势。同时又因为CT检测的费用要 比MRI检测的费用少得多，所W大多数人患者会选择CT检测的方式。在CT图像中新鲜血肿通 常显示为边界模糊的高亮度区域。通常情况下，血肿的形状为肾形，圆形或不规则形，并常 常被低密度水肿包围。
[0003] 现在的出血区域检测方法主要集中于模糊C均值聚类(FCM)或W规则为基础的区 域分类等算法。然而，运些方法有两个缺点。首先，运些方法中的大多数使用了非常简单的 分割算法，诸如聚类和阔值等，虽然运些方法可能在自然图像处理过程中表现良好，但在复 杂的情况下，如出血区域与脑组织重叠或出血的边缘没有足够的辨别度时，运些方法的效 果并不好。其次，现有的算法大多仅适用于处理二维图像。但CT成像是一个S维的过程，因 此会产生一系列的平行扫描图像帖，而2维分割算法会忽略掉一些重要的帖间信息。但使用 3D分割算法会更好的利用运些在2D方法中被忽视了的帖间信息。
【发明内容】
[0004] 针对目前医学图像分割领域内现有技术的不足，本发明提出了一种新的=维烦内 出血分割方法并构建了对应的系统。本发明方法及系统运行效率高，对CT图像中的噪声、伪 影有较强的鲁棒性，分割得到的结果准确率高。
[0005] 为实现上述技术目的，本发明采用的技术方案如下：一种基于=维超体素的脑部 CT图像出血区域分割方法，包含CT图像预处理阶段和基于S维超体素的出血区域分割阶 段；
[0006] 所述CT图像预处理阶段包括W下步骤：
[0007] (1)转换CT图像格式:从计算机断层扫描设备或者数据库中获取包含出血区域的 CT图像序列，截取像素值的有效区间，转换成常用的计算机图像处理格式。（2)提取烦骨结 构:通过标准的模糊C均值聚类方法(FCM)分别将序列中的每张 CT图像OM的像素聚类成3类， 其中亮度最高的一类Ml为烦骨区域，亮度最低的一类M2为脑部W外的黑色背景区域，第S 类M3是由烦骨包围起来的烦内组织W及包围着烦骨的大脑外皮层组织的总和。
[000引（3)提取烦内结构：W只包含烦骨结构的图像Ml为模板，根据烦骨结构的对称性， 通过从上到下，左右对称的逐行水平扫描方法得到烦内区域的掩模MS，再将掩模MS和原图 像OM进行乘运算，得到只含有烦内区域的图像醒。
[0009] (4)找出出血区域:选取包含出血区域的CT图像序列中最中屯、的一张图像，使用大 津自适应阔值算法得到二值图像MB，然后通过卷积的方式，算出二值图像MB中的每个位置 周围一个正方形邻域中的像素值的和，选择邻域像素值和最大的一点作为出血区域的中屯、 点，最后选取围绕中屯、点的LXLXQ的邻域作为进一步细分割的候选区域，其中L为候选区 域的宽度，Q为包含出血区域的CT图像数。
[0010] 所述出血区域分割阶段包括W下步骤：
[0011] (1)图像S维重建:将预处理得到的Q张 LXL大小的图像重建到S维区间，通过S 维滤波去除噪声，得到=维矩阵。
[0012] (2)超体素分割：对重建得到的=维矩阵，应用=维简单线性迭代聚类算法 (3DSLIC)对其进行分割，得到规则排列的超体素。该步骤包括W下子步骤：
[0013] (2.1)计算=维矩阵中的体素总数N，确定要划分的超体素个数K，计算超体素的初 始边长W化为步长在S个维度上均匀抽样，作为初始的聚类中屯、Ck= [gk，xk, yk，zk]T，其中，gk为第k个聚类中屯、的灰度值，xk，yk，zk为第k个聚类中屯、的位置坐标。
[0014] (2.2)在W聚类中屯、点为中屯、的3X3X3邻域范围内，选取梯度最小点作为新的聚 类中屯、点，梯度Gu,y,z)计算方法如下：
[0015] G(x,y,z)=[g(x+l,y,z)-g(x-l,y,z)]^+[g(x,y+l,z)-g(x,y-l,z)]^+[g(x,y,z+l)-g(x,y,z-l)]^
[0016] (2.3)初始化体素标签1(1)=-1，体素到聚类中屯、的距离(1(1)=+^，相邻的两次 聚类中屯、的差异阔值为thresho Id;
[0017] (2.4) W每个聚类中屯、点Ck为中屯、，在2化X 2化X 2化的邻域范围内计算每个体素 i 到聚类中屯、Ck的距离D(i，Ck)，如果0(1，〔〇<(1。），令体素的标签1(1)=4，体素到聚类中屯、 的距罔 d(i)=D(i,Ck)。
[0018] (2.5)对每个聚类中屯、点的邻域都计算完距离后，根据体素标签计算新的聚类中 心点Ck(new):
[0019]
[0020] 其中，Nk表示属于第k个聚类中屯、的体素的总个数。
[0021] (2.6)计算新聚类中屯、和原聚类中屯、之间的差异E:
[0022]
[0023] 更新聚类中屯、Ck = Ck(new)，如果差异￡ < threshold，结束循环，反之，重复步骤 (2.4)到（2.6)，直到差异E < threshold。
[0024] (3)超体素划分:得到超体素后，W超体素为基本运算单元，通过图割算法将超体 素划分为前景（出血区域)和背景两部分。该步骤包括W下子步骤：
[0025] (3.1)建立GMM模型：W位于S维矩阵中屯、点的超体素及其相邻的超体素内的体素 灰度值建立前景的GMM混合模型，W位于=维矩阵八个角点的超体素 W及相邻的超体素内 的体素灰度值建立背景的GMM混合模型。
[0026] (3.2)计算区域项R(T):为每个超体素 i建立一个二值的标签ti，T={ti，ti，…，td 是所有超体素标签的集合，ti=l时表示第i个超体素属于前景（出血区域），ti = 0时表示第i 个超体素属于背景。
[0027]
[002引其中Vk表示第k个超体素的平均灰度值，p(Vk| '背景'）和p(Vk| '前景'）分别表示第 k个超体素属于背景和属于前景的概率。
[0029] (3.3)计算边界项 B(T):
[0030]
[0031] 其中（Vi，V2)表示所有相邻的超体素对，M表示相邻的超体素的总对数，〇1、〇2分别 为两个相邻超体素的灰度直方图的均方误差。
[0032] (3.4)建立能量函数6(1'):6(1')=日1?(1') + (1-日)8(1')
[0033 ]其中a是一个平衡区域项和边界项的权重因子。
[0034] (3.5)求解能量函数:最小化能量函数得到超体素的最终标签。
[0035] (4)=维重建:将所有ti=l的超体素在=维空间进行重建，通过去噪，平滑等处理 得到出血区域的=维显示，实现脑部CT图像出血区域的分割。
[0036] 进一步地，所述步骤3.5中，通过a-e邱ansion算法最小化能量函数得到超体素的 最终标签。
[0037] 一种基于=维超体素的脑部CT图像出血区域分割系统，该系统包括图像预处理模 块，中屯、出血帖处理模块，超体素划分模块，分割模块和=维重建模块。所述图像预处理模 块对二维CT图像序列进行格式转换，提取烦骨结构，找出烦内区域。所述中屯、出血帖处理模 块在中屯、出血帖的烦内区域中找出出血中屯、点，将W出血中屯、点为中屯、点的L X L X QS维 矩阵作为出血候选区域，其中L为候选区域的宽度，Q为