[发明专利]一种基于自适应阈值和模板匹配的自动胰腺分割方法

说明书

基于自适应阈值和模板匹配的自动胰腺分割方法，目的在于克服现有技术计算复杂、准确度不高、鲁棒性不强以及自动化程度较低等不足，公开一种新的胰腺图像分割方法，该方法使用基于灰度最大类间方差的自适应阈值法得到初分割结果，分离出腹腔中的器官组织，并去除组织黏连后得到待选区域。具体的方法过程表征为：(1)建立胰腺图像模板，(2)基于最大类间方差的自适应阈值分割，(3)基于形状与位置信息的区域匹配。该方法容易实现，计算复杂度较低。胰腺模板分胰头、胰体和胰尾的组织方式，大大降低不同病例以及病例不同切片图像之间在胰腺形状和位置上的差异性。

技术领域

本发明涉及计算机辅助医疗领域。

背景技术

胰腺自动分割在胰腺疾病的辅助诊断和治疗中发挥着十分关键的作用。SuzukiTakenobu,Takizawa Hotaka,Kudo Hiroyuki,Okada Toshiyuki 2015年在3rd KESInternational Conference on Innovation in Medicine and Healthcare(InMed)上发表题为Interactive Segmentation of Pancreases from Abdominal CT Images by Useof the Graph Cut Technique with Probabilistic Atlases的文章，提出了一种基于医学解剖知识和胰酶统计信息的交互式胰腺分割方法。该方法由两个阶段组成：训练和测试，该方法需手动修正且仅限于CT图像。Erdt Marius,Kirschner Matthias,DrechslerKlaus,Wesarg Stefan,Hammon Matthias,Cavallaro Alexander 2011年在8th IEEEInternational Symposium on Biomedical Imaging(ISBI)-From Nano to Macro上发表题为Automatic Pancreas Segmentation in Contrast Enhanced CT Data UsingLearned Spatial Anatomy and Texture Descriptors的文章，提出从增强CT图像中提取胰腺的算法。该方法使用鉴别学习用于构建胰腺组织分类器，它整合了胰腺和周围器官和血管之间的空间关系。此外，用离散的余弦和小波变换来构建计算成本低廉但有意义的纹理特征，以描述局部组织的外观。然后，建立带约束的统计模型用于对数据进行分类，其分割准确度在很大程度上依赖于构建的胰腺组织分类器。Tran Duc Tam,Nguyen Thanh Binh2015年在Nature of Computation and Communication 的144卷发表题为EfficientPancreas Segmentation in Computed Tomography Based on Region-Growing的文章，提出了一种利用计算机断层扫描图像提取胰腺的方法，利用直方图均衡法来增强计算机断层扫描图像的对比度，再应用区域生长技术对胰腺区域进行标记，并返回分割结果，该方法不能完全处理组织黏连，准确度和鲁棒性较低。Roth Holger R.,Farag Amal,Lu Le,TurkbeyEvrim B.,Summers Ronald M 2015年在Conference on Medical Imaging-ImageProcessing发表题为Deep Convolutional Networks for Pancreas Segmentation in CTImaging的文章，提出一种基于对局部图像区域(超像素)的自动胰腺分割方法。该方法利用简单的线性迭代聚类(SLIC)从腹部提取超像素，利用两级级联的分类器，生成初始概率响应图。该方法的准确率较低，约为68％(±10％)。Karasawa Kenichi,Oda Masahiro,Hayashi Yuichiro,Nimura Yukitaka,Kitasaka Takayuki,Misawa Kazunari,FujiwaraMichitaka,Rueckert Daniel,Mori Kensaku 2015年在Conference on Medical Imaging-Image Processing发表题为Pancreas Segmentation from 3D Abdominal CT ImagesUsing Patient-Specific Weighted-Subspatial Probabilistic Atlases的文章，提出利用基于病例的加权子空间概率集方法对胰脏进行分割。该方法的准确率较低，约为58.9％左右。Jiang Huiyan,Wang Xin,Shi Shuo 2013年在Journal of Pure and AppliedMicrobiology的卷7发表题为Pancreas Segmentation Using Level-Set Method Basedon Statistical Shape Model的文章，该方法利用统计形状模型获得形状信息，并将其加入到水平集模型中，以获取CT图像的胰腺分割结果。Jain Suchi,Gupta Savita,GulatiAjay 2015年在International Conference on Signal Processing,Computing andControl(ISPCC)发表题为An Adaptive Hybrid Technique for PancreasSegmentationusing CT Image Sequences的文章，该方法使用FMM方法得到粗分割的结果，再采用距离正则化水平集法(DRLSM)对单张CT图像进行胰腺分割，因此该方法在计算过程中耗时较长。Roth Holger R.,Lu Le,Farag Amal,Shin Hoo-Chang,Liu Jiamin,TurkbeyEvrim B.,Summers Ronald M.2015年在18th International Conference on MedicalImage Computing and Computer-Assisted Intervention(MICCAI)发表题为DeepOrgan:Multi-level Deep Convolutional Networks for Automated Pancreas Segmentation的文章，提出了一种利用多层卷积神经网络进行胰腺CT图像的分割方法。该方法准确率约为71.8％(±10.7％)。