一种基于改进树状部分模型的医学图像自动分割方法技术

本发明专利技术请求保护一种基于改进树状部分模型的医学图像分割方法，涉及医学图像分割领域，所述方法主要包括以下步骤：对输入图像进行预处理；对预处理之后的图像获得特征点；然后利用凹凸点(Convex Concave Point)算法获得最能表现器官特征的关键点；最后利用树状部分模型训练出器官的模型，利用此模型进行分割。本发明专利技术通过CCP算法对医学图像进行分割，能够准确、自动的提取肝脏轮廓，将分割结果显示出来为医学辅助诊断提供参考。

【技术实现步骤摘要】

本专利技术属于医学图像分割领域，特别设计一种基于改进的树状部分模型的医学图 像自动分割方法。
技术介绍
医学图像处理是实现计算机辅助诊断（CAD)的基础研究和治疗，尤其是肿瘤放射 治疗(0RT)与研究成像指南手术(IGS)。器官分割是医学图像处理领域的一个重要课题。随 着成像技术，如磁共振成像(MRI)、计算机断层扫描(CT)和正电子发射断层扫描(PET)，医生 和物理学家完成相关的工作中都会使用计算机辅助方法。例如，当拟定一项行动计划，他们 需要画出轮廓的解剖结构和其它感兴趣的领域。快速、准确的器官分割在诊断、分类、手术 计划的制定具有重要的作用。目前，临床常使用手动分割得到医疗机关区域。但这种方式的 缺点是耗费时间和技能的人员。因此，研究自动分割和半自动技术有助于减少临床医生工 作，减少主观因素，以提高诊断的准确率分割错误。 器官的分割已经吸引了越来越多人的研究关注。然而，由于以下的事实，肝脏的分 割是仍被视为具有挑战性的任务。第一，人类的器官和组织结构复杂，不同个体之间有着天 壤之别。同时，由于临床医学成像范围的限制，实现医学图像目标器官或组织的准确分割是 困难的。第二，医学图像所呈现的效果是：高噪声、低对比度和模糊的边缘，尤其是低剂量 卷。解剖学的精度、任何人机交互和处理的所有可能情况的能力是临床使用很大代价。用于 高精度的医学图像分割，模型在处理复杂的可能的情况下更有利。对于临床的最终用户，好 的设计的算法与没有交互式的软件很有必要，所以本方法专注于自动分割模型。 到现在，有很多的研究致力于使用模型进行医学图像分割。根据模型的不同模式， 可分为全局模式和局部模式。全局模式是通过调节参数来达到分割的目的，例如阈值分割、 区域增长、边缘检测。Sezgin Mehmet利用阈值信息结合直方图形状、测量空间聚类以及空 间相关性信息来进行分割。Ma Yang使用超复杂边缘检测算子，并应用于树维CT的肝血管分 割。Xiaoqi Lu提出了改进的区域生长法，主要利用Quasi-Monte Carlo方法来选取种子点。 但通过这种方法得到的肝轮廓并不顺利。全局模式主要从宏观上进行分割，会忽略掉局部 的精细的信息。局部模式包含了图像的局部详细信息，如蛇模型、主动轮廓模型。主动轮廓 模型是主要用于肝脏分割最受欢迎的方法，其分为参数活动轮廓模型和几何活动轮廓模 型。这种轮廓模型的缺点是都需要好的初始估计。和全局模式相反的是，局部模式也只是考 虑了局部信息，也忽略了重要的宏观信息。
技术实现思路
本专利技术的目的是为了解决现有技术在医学图像分割过程中过多的依靠人为的操 作，或者半人为的操作问题，专利技术了一种高效的基于改进树状部分模型的医学图像自动分 割方法。。本专利技术的技术方案如下：， 其包括以下步骤： 101、获取医学图像后，首先对医学图像进行预处理，获得多种彩色图像； 102、利用特征点提取算法对预处理后的医学图像提取多个特征点，特征点与特征 点的距离1大于等于最小距离11且小于等于最大距离L2; 103、使用凹凸点算法对步骤102提取的多个特征点筛选出若干个最能表示医学图 像特征的关键特征点； 104、然后利用树状部分模型训练针对医学图像的模型；最后利用此模型找到器 官。 进一步的，步骤101对医学图像进行预处理，获得多种彩色图像包括步骤:输入灰 度的医学图像，将灰度图像的单通道颜色对应到red，green，blue三个通道上，并将三个通 道的颜色值合成为需要伪彩色的RGB颜色值;获得多种彩色图像即为，将RGB图像转化为HSI 和HSV图像，将RGB对应通道的颜色值转换为HSI和HSV对应通道的颜色值。 进一步的，步骤102特征点提取算法包括以下步骤:对RGB图像、HSI图像和HSV图像 分别提取特征点，每幅图像手工标定等间距的η个特征点，这η个特征点描述的图像的边界 轮廓，然后保存每一个点的坐标，完成特征点的提取。 进一步的，完成特征点提取后，采用CCP算法筛选出若干个最能表示医学图像特征 的关键特征点的步骤具体为： Α1、获取特征点的上一个点坐标，当前点坐标及下一个点的坐标，计算上一个点与 当前点长度e，，当前点与下一个点的长度f，及上一个点与下一个点长度g. A2、当前点与上一个点之间连线为ml，当前点与下一个点之间的连线为m2,使用余 弦定理卜算ml与m2所成的角度β;如果β大于取定的阈值，及Θ， 保存这个点为关键点，重复获得的关键点序列。 进一步的，步骤104利用树状部分模型训练针对医学图像的模型具体为:使用获得 的特征点和医学图像进行模型的训练，其公式如下： 其中，等式左边表示得分函数，I表示输入的图像，Ρ表示输入的特征点。等式右边 第一项表示表观模型，wn表示每个Ρ η的位置，α表示特征向量，等式右边第二项表示形状模 型，表示了相邻两个特征点的位置，可扩展为如下：其中，a，b，c，d表示系数，dx和dy分别表示相邻两个坐标点坐标之间的差值。进一步的，使用训练出来的模型进行医学图像的分割。将模型与待分割图像作为 输入，首先计算待分割图像的特征金字塔，在特征金字塔中找到最合适与模型最为匹配的 特征，确定模型所在位置，最后完成分割过程。本专利技术的优点及有益效果如下：本专利技术提出一种(基于改进树状部分模型的医学图像自动分割方法。由于本方法 是通过训练模型从而达到分割效果，故本方法是一种全自动的分割方式，图5为自动分割的 结果显示。进一步的，本模型能够达到很好的分割效果以及很好的精确度，分割精确度如图 8所示。【附图说明】图1是本专利技术提供优选实施例基于改进树状部分模型的医学图像自动分割方法工 作流程；图2是转换后的RGB、HSV、HSI图像； 图3计算当前点所在的角度； 图4模型训练结果； 图5树状部分模型与改进树状部分模型分割结果的比较；图6三种颜色空间分割结果的手动分割结果的比较；图7手动分割结果的比较。 图8分割结果的精确度比较【具体实施方式】 以下结合附图，对本专利技术作进一步说明： 如图1所示，本专利技术利用基于一种基于改进树状部分模型的医学图像当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于改进树状部分模型的医学图像自动分割方法，其特征在于，包括以下步骤：101、获取医学图像后，首先对医学图像进行预处理，获得多种彩色图像；102、利用特征点提取算法对预处理后的医学图像提取多个特征点，特征点与特征点的距离l大于等于最小距离l1且小于等于最大距离L2；103、使用凹凸点算法对步骤102提取的多个特征点筛选出若干个最能表示医学图像特征的关键特征点；104、然后利用树状部分模型训练针对医学图像的模型；最后利用此模型找到器官。

【技术特征摘要】

【专利技术属性】
技术研发人员：周丽芳，张琪，李伟生，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85