9] G(x,y,z)= [g(x+l,y,z)-g(x-l,y,z)]2+[g(x,y+l,z)-g(x,y-l,z)]2+[g(x,y,z+l)-g(x,y,z-l)]2
[0090] (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threshold;
[0091] (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D(i，Ck) <d(i)，令体素的标签l(i)=k，体素到聚类中屯、 的距离d(i) =D(i ,Ck)。
[0092] (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):
[0093]
[0094] 其中，Nk表示属于第k个聚类中屯、的体素的总个数。
[00巧](2.6)计算新聚类中屯、巧原聚类中屯、之间的差异E:
[0096]
[0097] 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。
[0098] 图12为划分为超体素后的二维截图。
[0099] (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：
[0100] (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。
[0101] (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。
[0102]
[0103] 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。
[0104] (3.3)计算边界项 B(T):
[0105]
[0106] 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，Oi、〇2分别 为两个相邻超体素的灰度直方图的均方误差。
[0107] (3.4)建立能量函数6(1'):6(1')=日1?(1') + (1-日)8(1')
[0108] 其中a是一个平衡区域项和边界项的权重因子。经过实验验证，a = 〇. 5为最优选 择。
[0109] (3.5)求解能量函数: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。
[0110] 图13为分割后得到结果的二维截图。
[0111] (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S维显示，实现脑部CT图像出血区域的分割。图14、15为从不同角度观察得 到的实例1=维分割结果，图16、17为从不同角度观察得到的实例2=维分割结果。
[0112] 本发明系统模块结构图如图18,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。其中，图像预处理模块包括对二维CT图像序列进行 格式转换，提取烦骨结构，找出烦内区域。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LXLXQ^维矩阵作为出血候选区域，其中L 为候选区域的宽度，Q为包含出血区域的CT图像数。超体素划分模块将=维矩阵划分为超体 素。分割模块将超体素划分为前景（出血区域)和背景。=维重建模块将属于前景的超体素 在=维空间进行重建。
[0113] 如图19，图像预处理模块包含W下子模块：
[0114] (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。
[0115] (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。
[0116] (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。
[0117] 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醒使用大津自适应阔 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CdW出血中 屯、点C为中屯、点的LXLXQ^维矩阵作为出血候选区域。
[0118] 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。
[0119] 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。
[0120] 区域项R(T)的计算方法如下：
[0121] 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。
[0122]
[0123] 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。
[0124] 边界项B(T)的计算方法如下：
[0126]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，Oi、分别 为两个相邻超体素的灰度直方图的均方误差。
【主权项】
1. 一种基于三维超体素的脑部CT图像出血区域分割方法，其特征在于，包含CT图像预 处理阶段和基于三维超体素的出血区域分割阶段； 所述CT图像预处理阶段包括以下步骤： (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) 提取颅骨结构: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 0M的像素聚类成3类，其中亮度最高的一类Ml为颅骨区域，亮度最低的一类M2为脑部以外的 黑色背景区域，第三类M3是由颅骨包围起来的颅内组织以及包围着颅骨的大脑外皮层组织 的总和。 (3) 提取颅内结构：以只包含颅骨结构的图像Ml为模板，根据颅骨结构的对称性，通过 从上到下，左右对称的逐行水平扫描方法得到颅内区域的掩模MS，再将掩模MS和原图像0M 进行乘运算，得到只含有颅内区域的图像匪。 (4) 找出出血区域:选取包含出血区域的CT图像序列中最中心的一张图像，使用大津自 适应阈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心点， 最后选取围绕中心点的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。 所述出血