[发明专利]一种基于能量约束的区域增长超声图像自动分割方法

说明书

技术领域

本发明涉及超声图像处理的技术领域，特别涉及一种基于能量约束的区域增长超声图像自动分割方法。

背景技术

在超声计算机辅助诊断系统中，需要首先实现的是从超声图像复杂的背景中提取出占位性病变区域，才能进一步对病灶进行分析、监控和治疗，图像分割就是实现这一功能的关键步骤。而目前关于超声图像占位性病变区域自动分割的研究极少，大多研究直接跳过这些步骤，依靠手工勾勒边缘，耗时耗力，远没有达到计算机辅助诊断的要求。因此有效的超声图像自动分割技术不仅对于后期处理及诊断具有重要意义，而且可以提高超声计算机辅助诊断系统自动化程度。

由于超声图像具有大量斑点噪声和低对比度的特点，将病灶的边缘或者轮廓分割出来仍然是一个巨大的挑战。活动轮廓模型(ACM)也叫snake方法由Kass等[Kass M,Witkin A,Terzopoulos D,“Snakes:Active contour models”,International journal of computer vision,pp.321-331,1988]提出，它利用最小化能量函数模型使初始轮廓不断收敛到目标轮廓，目前广泛运用在乳癌、心脏、颈动脉等超声图像分割中。但这种方法需要提供一个尽可能靠近目标物体边缘的初始轮廓，受超声图像成像原理的限制，很难自动地提供这样的一个轮廓，往往需要人工画出，导致自动化程度受限。

此外，基于区域增长的分割方法也被运用在超声图像方面。如Huang等人[Huang Q H,Lee S Y,Liu L Z,et al.“Arobust graph-based segmentation method for breast tumors in ultrasound images,”Ultrasonics,52(2),pp.266-275,2012]对有效率的基于图论的分割算法(Effective Graph-based，EGB)进行改进，提出了稳健的基于图论的方法(Robust-graph-based method，RGB)，该方法将区域增长与区域融合相结合对超声图像进行过分割，实现对乳癌超声图像的分割。但是，这种方法需要设置两个关键的参数，如果参数设置不当可能会出现过分割或欠分割的情况。此外，常用的聚类分割方法，如K-均值聚类算法(K-means)、模糊C均值算法(FCM)等也可以将图像分成几个区域。但是，这些都是半自动的方法，需要人工指定哪个区域是病灶区域。

目前我国在该领域相关专利有：基于主动轮廓模型的超声图像分割中获取初始轮廓的方法(专利号201410141568.5)。该方法在包含肿瘤的ROI区域图像中，采用广义梯度矢量流(generalized gradient vector flow，GGVF)Snake模型进行肝脏肿瘤的自动分割，分割的初始轮廓采用线性判别分析(Linear Discriminant Analysis,LDA)分类算法获得，可以取得较好的分割效果。但该方法事先需要对肿瘤和非肿瘤区域进行有监督的训练才能获得初始轮廓。

综上所述，现有的超声图像分割算法大多需要人工参与，自动化程度不高。

发明内容

为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于能量约束的区域增长超声图像自动分割方法，得到的分割结果精确，分割过程无需人工参与，真正实现了全自动超声图像分割，有利于后续诸如病灶区域特征提取等处理。

本发明的目的通过以下技术方案实现：

一种基于能量约束的区域增长超声图像自动分割方法，包括以下步骤：

(1)对原始超声图像进行预处理，生成超像素；

(2)对预处理后的超声图像进行种子点自动选取，具体为：

(2-1)用一个22维的特征向量y_v表示超像素v，v∈V(V为图像的超像素集合)，y_v＝{T_a,T_d,T_h}，其中，T_a为超像素的平均亮度、T_d为超像素的亮度方差、T_h为超像素的亮度分布；T_a为一维向量，T_d为一维向量，T_h为20维向量；

(2-2)构造背景字典：选择图像边缘四周的超像素作为背景候选超像素，并将背景候选超像素中亮度最大的10％和最小的10％超像素去掉，余下的背景候选超像素作为背景超像素，以背景超像素的特征y_b作为列向量组合成背景字典矩阵D，即D＝[y_b1,y_b2,…,y_bm],m为背景超像素个数；