[发明专利]基于混合活动轮廓模型的医学图像分割方法

说明书

本发明公开了一种基于混合活动轮廓模型的医学图像分割方法，结合了图像全局信息和局部信息。全局信息使得模型对于图像具有较强的抗噪性，对图像边缘具有较强的捕捉能力；局部信息使得在异质区域分割更加精确，上述二者结合能够处理背景及其内部结构复杂的图像。实验结果证明了本发明可以分割对比度低、结构复杂的医学图像，而且对于包含噪声、弱边缘和异质区域的图像也能获得很好的分割效果。

技术领域

本发明涉及医学图像处理领域，尤其是一种基于混合活动轮廓模型的医学图像分割方法。

背景技术

在临床医疗的检测中，医生需要通过图像中精确的病灶位置及其形状对病情进行诊断。由于受到医学成像设备、不均匀关照以及射线能量散射等外界因素的影响，在获取医学数字图像的过程中常常会出现噪声、弱边缘以及灰度分布不均匀的异质现象，给图像分割带来了一定的难度。近年来，基于活动轮廓模型的图像分割方法被广泛地应用到医学图像的处理中，其中主要包括：基于全局信息和基于局部信息的活动轮廓模型。基于全局信息的活动轮廓模型能够有效地处理图像的噪声和弱边缘，但对图像的异质区域通常不能很好地进行处理。基于局部信息的模型可以很好地处理上述问题，但该模型对噪声和弱边缘比较敏感。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种基于混合活动轮廓模型的医学图像分割方法。

本发明的技术解决方案是：一种基于混合活动轮廓模型的医学图像分割方法，其特征在于按照如下步骤进行：

步骤1：初始化水平集函数以及待分割图像，其中为图像的像素坐标点；

步骤2：计算图像像素点的权值信息：

（1）

其中，，表示不同像素点所对应的位置；

步骤3：计算全局信息和局部信息，相应的表达式为：

和 （2）

其中，为水平集函数的Heaviside函数；

步骤4：计算图像的全局能量值和局部能量值：

（3）

步骤5: 利用有限差分法，更新水平集函数：

（4）

其中，为水平集函数的Dirac函数，和分别为水平集函数的散度和梯度算子，设置迭代步长，为水平集函数在演化过程中的迭代次数；

步骤6. 检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤2。

本发明结合了图像全局信息和局部信息。全局信息使得模型对于图像具有较强的抗噪性，对图像边缘具有较强的捕捉能力；局部信息使得在异质区域分割更加精确，上述二者结合能够处理背景及其内部结构复杂的图像。实验结果证明了本发明可以分割对比度低、结构复杂的医学图像，而且对于包含噪声、弱边缘和异质区域的图像也能获得很好的分割效果。

附图说明

图1 为本发明实施例进行合成和医学图像分割的结果图。

图2 为本发明实施例与其它方法的图像分割结果比较图。

图3为本发明实施例与其它方法的性能比较示意图。

图4 为本发明实施例使用不同的局部区域进行图像分割的结果比较图。

图5为本发明实施例使用不同初始化方法进行图像分割的结果比较图。

具体实施例

本发明实例所提供的基于全局和局部区域信息相结合的医学超声图像分割模型，按照如下步骤进行；