[发明专利]一种基于异常点检测的前列腺超声图像分割方法及装置

说明书

本发明公开了一种基于异常点检测的前列腺超声图像分割方法及装置，方法包括获取表征前列腺形状的平均轮廓；对所述平均轮廓进行变形处理，以使变形处理后的轮廓与所述前列腺超声图像上的前列腺真实边界初步吻合；通过法向量对比度边界算法将变形处理后的轮廓上的各个点调整到所述前列腺超声图像上的灰度值突变处，得到粗分割轮廓；检测并剔除所述粗分割轮廓上的位置异常点；将剔除位置异常点后的粗分割轮廓上的各个点依次连接，得到最终的前列腺超声图像分割轮廓。本发明的有益效果是：通过平均轮廓对前列腺轮廓进行了初步框定，大大降低了后续轮廓修正所需要的计算量，同时，采用异常点检测算法识别位置异常点，可进一步降低计算量。

技术领域

本发明涉及前列腺超声图像处理技术领域，尤其是涉及一种基于异常点检测的前列腺超声图像分割方法及装置。

背景技术

前列腺是男性特有的最大的附属性腺，其形态呈栗子状，前后稍扁，位于人体盆腔深处。前列腺属于尿道的一部分，前列腺分泌的前列腺液是精液的重要组成部分，因此前列腺对人体的控尿、生殖、性功能有着重要作用。前列腺疾病的症状通常轻则表现为尿频、尿急、阴部肿痛不适等，重则影响男性生殖甚至生命健康。每年我国的前列腺发病率数据也并不乐观，因此对前列腺疾病的相关治疗对改善我国男性健康水平有着非凡的意义。临床实践中，为了方便观察病变部分并进行定量分析，医师往往要对前列腺进行分割，目前前列腺超声图的分割主要由经验丰富的医师完成，但这种方式存在效率低下、分割效果因人而异的弊端，因此，一种自动化且快速精确的分割方式在临床应用中是非常有必要的。

目前前列腺的超声图像分割方法分为两大类，一类是传统的根据具体问题提出的边界算子提取图像边缘信息如Sobel、Robert等，另一种是近年来流行的端到端的深度学习方法，以U-net结构为典型代表的网络模型以及其衍生方式。然而前者检测效果容易受图像本身伪影因素的影响，后者往往需要大量数据集支持迭代训练，计算效率较低，在计算时间和算力上不太划算。

发明内容

有鉴于此，有必要提供一种基于异常点检测的前列腺超声图像分割方法及装置，用以解决现有的前列腺的超声图像分割方法受伪影因素影响较大和/或计算效率较低的技术问题。

为了实现上述目的，本发明提供了一种基于异常点检测的前列腺超声图像分割方法，包括如下步骤：

S1、获取表征前列腺形状的平均轮廓；

S2、获取待分割的前列腺超声图像，将所述前列腺超声图像与所述平均轮廓在同一个平面上进行显示，再对所述平均轮廓进行变形处理，以使变形处理后的轮廓与所述前列腺超声图像上的前列腺真实边界初步吻合；

S3、通过法向量对比度边界算法将变形处理后的轮廓上的各个点调整到所述前列腺超声图像上的灰度值突变处，得到粗分割轮廓；

S4、检测并剔除所述粗分割轮廓上的位置异常点；

S5、将剔除位置异常点后的粗分割轮廓上的各个点依次连接，得到最终的前列腺超声图像分割轮廓。

在一些实施例中，所述步骤S1中，获取表征前列腺形状的平均轮廓，具体包括如下步骤：

S11、选定一定数量的人工勾勒的典型前列腺边界轮廓；

S12、按一定顺序对各个所述边界轮廓进行等间隔采样，得到若干个边界轮廓点集，根据各个边界轮廓点集，得到表征前列腺形状的平均轮廓。

在一些实施例中，所述步骤S12中，按一定顺序对各个所述边界轮廓进行等间隔采样，得到若干个边界轮廓点集，根据各个边界轮廓点集，得到表征前列腺形状的平均轮廓，具体包括：

S121、对各个边界轮廓，以边界轮廓的中点正上方的轮廓点作为起始点，按逆时针方向等间距选取预设数量的边界轮廓点，得到若干个边界轮廓点集，设第i个边界轮廓上第j个点的坐标为(x_ij，y_ij)；