包含出血区域的CT图像数。所述超体 素划分模块将=维矩阵划分为超体素。所述分割模块将超体素划分为前景（出血区域)和背 景。所述=维重建模块将属于前景的超体素在=维空间进行重建。
[0038] 进一步地，所述图像预处理模块包含W下子模块：
[0039] (1)转换图像格式模块: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，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。
[0040] (2)提取烦骨结构模块:通过标准的模糊C均值聚类方法(FCM)将CT图像OM中的像 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。
[0041] (3)提取烦内区域模块：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。
[0042 ] 进一步地，所述中屯、出血帖处理模块对中屯、出血帖中只含烦内区域的图像NM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C。W出血中屯、点C为中屯、点的L X L X QS维矩阵作为出血候选区域。
[0043] 进一步地，所述超体素划分模块应用S维简单线性迭代聚类算法(3DSLIC)对S维 矩阵进行分割，得到规则排列的超体素作为候选的出血区域。
[0044] 进一步地，所述分割模块W位于=维区域中屯、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=维区域八个角点的超体素及其相邻的超体 素内的体素灰度值建立背景的GMM混合模型;通过区域项和边界项建立能量函数，通过最小 化能量函数将超体素划分为前景（出血区域)和背景两部分。
[0045] 所述区域项R(T)的计算方法如下：
[0046] 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。
[0047]
[004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。
[0049]所述边界项B(T)的计算方法如下：
[(K)加]
[0051] 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。
[0052] 本发明的有益效果是：
[0053] 1、基于FCM，形态学运算和人体对称特性的预处理模块，可W消除烦骨等组织对出 血区域分割的干扰。
[0054] 2、通过预处理缩小出血区域可能出现的范围，从而只需要对检测到的候选区域进 行分割，节省了大量的时间。
[0055] 3、通过加入划分超体素模块，减小了孤立的噪声点对分割的影响，增强了算法的 鲁棒性同时大幅度降低了图割模块的计算复杂度。
[0056] 4、基于区域项和边界项的能量函数包含了超体素的多方面信息，使得分割结果更 加贴近真实边缘。
[0057] 5、本发明通过将CT图像从二维空间转换到S维空间，充分利用了CT图像之间的帖 间信息。
【附图说明】
[005引图1为本发明方法在一种实施方式中的流程图；
[0059] 图2为格式转换后得到的二维CT图像；
[0060] 图3为FCM聚类后得到的第一类，即烦骨结构；
[0061] 图4为FCM聚类后得到的第二类，即背景结构；
[0062] 图5为FCM聚类后得到的第S类，即烦骨结构；
[0063] 图6为根据烦骨结构进行水平扫描的示意图；
[0064] 图7为水平扫描后得到的烦内区域掩模；
[0065] 图8为经过预处理得到的烦内区域图像；
[0066] 图9为经过大津自适应阔值处理后得到的二值图像；
[0067] 图10为卷积后得到的亮度图；
[0068] 图11为框选出的候选区域的二维截图；
[0069] 图12为候选区域划分为超体素后截取的二维图像；
[0070] 图13为分割得到的出血区域的二维截图；
[0071] 图14为实例1中分割得到的出血区域的S维图像；
[0072] 图15为旋转后从另一个角度观察到的实例1出血区域图像。
[0073] 图16为实例2中分割得到的出血区域的S维图像；
[0074] 图17为旋转后从另一个角度观察到的实例2出血区域图像。
[0075] 图18为本发明系统在一种实施方式中的结构示意图；
[0076] 图19为本发明系统中图像预处理模块的结构示意图；
【具体实施方式】
[0077] 本发明适用于医学烦脑CT图像中的出血区域分割，是一种基于=维超体素的脑部 CT图像出血区域分割方法及系统。
[0078] 本发明方法流程图如图1，主要包括预处理阶段和分割阶段。
[0079] 其中CT图像预处理阶段包括W下步骤：
[0080] (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。图2为实例1中CT 图像转换格式后得到的图像。
[0081] (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，如图3、4、5,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=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。
[0082] (3)提取烦内结构:如图6, 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图7中的烦内区域的掩模MS。将掩 模MS和原图像OM进行乘运算，得到图8中所示只含有烦内区域的图像醒。
[0083] (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如图9的二值图像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。图10即为卷积后得到的亮度图，像素越亮表 示卷积得到的和越大。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。图11为候选区域的二维截图。
[0084] 所述出血区域分割阶段包括W下步骤：
[0085] (1)图像立维重建:将预处理得到的Q张 LXL大小的图像重建到立维区间，通过立 维滤波去除噪声，得到=维矩阵。
[0086] (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：
[0087] (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iV, =VWir。W化为步长在立个维度上均匀抽样，作为初始的聚类中屯、Ck=[阱，祉， yk，Zk] T，其中，gk为第k个聚类中屯、的灰度值，化，yk，Zk为第k个聚类中屯、的位置坐标。
[0088] (2.2)在W聚类中屯、点为中屯、的3 X 3 X 3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：
[008