[发明专利]图像分割方法及其系统

说明书

【技术领域】

本发明涉及医学图像处理领域，尤其涉及一种图像分割方法及其系统。

【背景技术】

肺癌是全球死亡率最高的癌症。虽然医学诊断和治疗水平不断提高，肺癌的五年生存率也仅有15％左右，早期发现、早期治疗是提高肺癌治愈率的主要途径。肺结节是肺癌的早期表现形式。肺结节的准确分割结果能够有效的反映出结节的病理和形态特征，进而帮助用户对病灶进行诊断分析。实现肺结节自动分析与识别的关键技术是:肺结节分割、检测、诊断等一系列图像处理、分析和理解算法的研究和应用。

现有技术中采用水平集算法或者多尺度阈值方法进行结节分割，但是肺结节形态各异、大小各不相同、分布位置不定、易与其它组织链接，密度与肺部某些组织类似，例如肺结节具有实性结节、混合型磨玻璃结节、磨玻璃结节(ground-glass nodule,GGN)等各类形态，无法简单通过形态学方法准确识别肺结节，尤其是磨玻璃结节作为一种恶性可能性最大的一类结节，形态上边缘不规则，在CT图像中呈现模糊稀薄影，在CT中的HU(Hounsfield Unit，亨氏单位)值分布广泛且纹理形态多变，通过水平集算法(Level Set)等基于边缘算法难以精确识别肺结节。此外肺结节在CT图像中的灰度值不服从高斯分布，多阈值方法易造成泄露导致分割结果不准确。

因此，本发明提供一种图像分割方法，以提高结节分割的准确性。

【发明内容】

本发明所要解决的技术问题是提供一种医学图像的分割方法及其系统，用于分割不同类型的肺结节，能够有效提高肺结节分割的准确性，进而利于用户对病灶的诊断和分析。

为解决上述技术问题，本发明提供一种医学图像的分割方法，包括如下步骤：

对医学图像进行初始定位，获取定位区域；

预处理所述定位区域，获取目标区域，所述目标区域包含结节区域和背景区域，所述结节区域由实性区域以及围绕所述实性区域的周围区域构成；

基于高斯混合模型处理所述目标区域，获取所述目标区域的概率图；

根据形态学模型处理所述概率图，以确定结节的实性区域和周围区域；

融合所述实性区域和周围区域，获得图像分割结果。

进一步的，对医学图像进行初始定位包括以下任一种方式：

手动确定所述定位区域；或者

确定贯穿所述定位区域的长轴线，在长轴线上选取种子点，采用区域增长方法确定所述定位区域；或者

基于预设程序确定所述定位区域。

进一步的，所述预处理所述定位区域包括：

对所述定位区域进行基于海森点增强的阈值分割，获取所述目标区域。

进一步的，所述根据形态学模型处理所述概率图，包括：

采用海森点增强模型处理所述概率图，获取海森点增强图；

基于所述概率图中的每个体素或像素，确定所述海森点增强图中的对应体素或像素；

若所述概率图中的所述任一体素或像素的值大于第一阈值，并且所述第海森点增强图中对应的体素或像素的值大于第二阈值，则所述体素或像素属于所述实性区域；

否则，所述体素或像素属于背景区域。

进一步的，所述第一阈值的取值范围为为(0,1)之间的常数，所述第二阈值的取值范围为(0,100)之间的常数。

进一步的，所述基于高斯混合模型处理所述目标区域，还包括：

采用海森线增强模型处理所述概率图，获取海森线增强图；

基于所述概率图中的每个体素或像素，确定所述海森线增强图中的对应体素或像素；

将所述概率图中的所述体素或像素的值与第一阈值比较；

将所述海森线增强图中的体素或像素的值与第三阈值比较；

若所述概率图中的所述任一体素或像素的值大于第一阈值，并且所述第海森线增强图中对应的体素或像素的值小于第三阈值，则所述体素或像素属于所述周围区域；

否则，所述体素或像素属于背景区域。

进一步的，所述第三阈值的取值范围为取值范围为(0,50)之间的常数。

进一步的，所述目标区域、所述概率图、所述海森点增强以及所述海森线增强图中任一体素或像素的空间位置是一一对应。

为解决上述技术特征，本发明还提供一种图像分割系统，包括:

输入单元，用于获取医学图像；