[发明专利]基于最大相似性区域合并的胃部CT图像交互式分割方法

说明书

技术领域

本发明属于图像处理技术领域，特别是医学图像的处理，主要可用于胃部CT图像的交互式分割。

背景技术

由于成像技术的不同，医学图像可分为计算机断层扫描(CT)、正电子放射层析成像技术(PET)、单光子辐射断层摄像(SPECT)、MR(磁共振成像)、Ultrasound(超声)及其它医学影像设备所获得的图像等。医学图像分割是正常组织和病变组织的三维重建、定量分析等后续操作的基础，也是临床应用的瓶颈，同时也是可视化实现的预处理步骤和前提。分割后的图像被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导技术。分割的准确性对医生判断疾病的真实情况并作出准确的诊断计划至关重要。

医学图像分割技术的发展是一个从人工分割到半自动分割再到自动分割逐步发展的过程。虽然人工分割的精度极高，但该方法费时、费力，其分割结果的优劣完全取决于操作者的经验知识，且分割结果难以重现。半自动分割是通过人机交互的形式完成图像分割的全过程。半自动方法与人工分割相比，分割速度明显提高，但分割结果很大程度上仍然依赖于操作者的经验知识。自动分割则完全脱离了人为干涉，但其算法复杂，运算量较大，有些情况下仍需要人工干预。因此，交互式分割方法是近年来图像分割研究的热点。目前主要的交互式分割方法主要有Live wire方法、基于几何形变模型方法、基于活动轮廓模型的方法等，其中，Live wire是一种通过边缘提取来进行图像分割的方法，它基于动态规划图搜索算法，合理的构造代价函数和选择目标点和起始点，在全图范围内寻找给定两点间的最优路径，用于提取物体的边缘。这个方法的缺点是对于每一个给定边界点，都要进行全局搜索找出到这个点的最短路径的点，这样运行速度非常慢，而且分割结果对代价函数和参数的依赖性比较强，每次分割之前都需要训练来选择代价函数和参数，使得操作很复杂；几何形变模型方法是以曲线演化为理论基础，而用水平集方法实现曲线的演化，它用高维符号距离函数演化代替了参数曲线演化，具有很好的拓扑变化能力，此方法的不足是在演化过程中须非周期性的重新初始化水平集函数为一符号距离函数，这样既增加了计算量也影响了分割的速度，重新初始化的好坏也会影响图像分割的效果；活动轮廓模型是在图像中定义一个曲线，使其在曲线本身决定的内能和由图像数据决定的外能的推动下向物体边缘靠近，这种方法对初始曲线的位置比较敏感，而且它不能收敛到凹性边缘。

综上，现有的交互式分割方法都要求对待分割的目标有一个初始化的逼近，无论是Live wire中的代价函数还是活动轮廓模型和几何形变模型中的初始曲线，都在无形中为图像分割的效果埋下了隐患，而且这些基于像素的方法运行速度不满足医学图像实时性处理的要求。

发明内容

本发明的目的在于克服上述医学图像分割存在的缺陷，提出一种基于最大相似性区域合并的胃部CT图像交互式分割方法，以避免繁冗的代价函数和初始曲线的选择，提高医学图像分割的有效性和准确性。

为实现上述目的，本发明包括如下步骤：

(1)输入胃部CT原始图像，并用分水岭方法进行初始分割，得到初分割图；

(2)由用户在初分割图上划不同的线段分别对目标和背景进行标记，例如用实线段标记目标区域，记为M_B，用虚线段标记背景区域，记为M_O，剩余的未标记区域，记为N。

(3)统计初分割图中所有区域的数目，计算每一个区域的灰度梯度共生矩阵作为其区域特征；

(4)设定区域间的最大相似性准则，即对于不同的两个区域R1和R2，且R2为R1的邻域，如果R1的区域特征和R2的区域特征的乘积在R2与其邻域的区域特征的乘积中是最大的，则认为R1与R2相似；

(5)基于最大相似性准则进行如下两次区域合并：

5a)第一次区域合并：对于背景M_B中每一个区域B，设B的8邻域为A_i，i＝1，…8，分别计算A_i与A_i的8邻域的相似性，如果B与A_i的相似性大于A_i与其8邻域中任意一个的相似性，则将背景B的邻域A_i合并到M_B中；