一种非均一性医学图像的分割方法技术

本发明专利技术涉及一种非均一性医学图像的分割方法，该方法由以下步骤组成：先在待分割图像上选择前景种子点和背景种子点；然后，根据选择的种子点集的灰度信息，估计出各个灰度归属于待分割图像中前景或背景的概率，并映射到图像的各个象素点，得到对应的概率密度分布图；然后再分别以选择的前景种子点和背景种子点为生长种子点，在对应的概率密度分布图上以一个概率阈值为生长条件，执行区域生长算法，得到自动生长后的前景种子点群和背景种子点群；最后，用得到的自动生长后的种子点群作为随机游走算法的种子点，执行随机游走算法，得到最后的分割结果。本发明专利技术所述方法可降低对初始种子点的数量和位置敏感度，显著提高非均一性医学图像的分割精度。

【技术实现步骤摘要】
一种非均一性医学图像的分割方法
本专利技术涉及图像分析，具体涉及医学图像的分割方法。
技术介绍
随着影像医学的迅速发展，医学图像的分割对于临床的诊断和治疗都具有重要的意义。目前的图像分割算法主要分为手动分割、交互式分割和全自动分割三类。手动分割比较耗时，且要求分割者具有丰富的经验。全自动分割无需人工干预，通常比较适用于简单均匀的图像的分割，但是对于复杂多样的医学图像的分割，通常分割的精度达不到临床的需求。而交互式分割只需加入少量的人工干预，就能自动分割出较好的结果。为了满足复杂的图像的分割要求，通常交互式分割的使用较为广泛。基于图论的图像分割算法是目前使用最广泛的交互式图像分割算法之一，其中包括随机游走算法(Randomwalker)，图切分算法(Graphcut)和最短路径算法(Shortestpaths)等。此类算法的特点就是需要通过用户在图像上选择几类种子点，然后根据种子点提供的图像信息，将图像中所有像素点归类到用户选定的各类种子点，实现图像的最终分割。此类算法有效地提高了图像分割的精度，但此类方法对待分割图像中目标内部的灰度差很敏感，目标的灰度差会导致目标中不同灰度的像素可能错误分割为不同的类别。非均一性图像则正好存在这样的灰度特征，从而导致该方法对非均一性的目标分割效果差。虽然该问题可以通过大量增加用户选定的种子点数目来改善，但是此类方法在种子点很少的情况下不仅无法得到精确的分割结果，且分割结果的变化随着初始种子点的变化非常严重，所以这必然导致分割的效率下降。尤其是非均一性三维目标的分割，将需要用户在目标的每一个层面均选定种子点，这是很不现实的。事实上，非均一性图像是临床上的常见图像，比如，许多人体结构多种组织构成，肿瘤不同区域在图像中呈现不同的灰度信息等，这些都导致待分割图像的目标呈现非均一性的特点。通常此类算法在非均一性图像的分割中无法得到满意的结果。穆克等人于2012年公布的一种基于MeanShift和随机游走的图像分割算法[穆克与程伟等(2012)."基于MeanShift和随机游走的图像分割算法."辽宁工业大学学报:自然科学版32(1):27-30.]，该方法由以下步骤组成：(1)选择前景种子点和背景种子点；(2)采用MeanShift算法对图像进行预处理，将图像划分成一些同质区域，用同质区域作为节点进行随机游走；(3)然后，利用马氏距离定义区域之间的权值，对种子点进行改进，增加了辅助种子点；(4)利用辅助种子点和用户标记的种子点进行随机游走，进行同质区域的合并，实现图像的最终分割。以上方法在一定程度上抑制了噪声的干扰，削弱了用户标记种子点的位置以及个数对随机游走分割结果的影响，是用户得到满意的分割结果。但是该方法只是将同质区域作为节点，辅助种子点的生成也依赖于同质区域，所以在待分割目标为非均一性时，对目标区域的非同质区域仍不能实现很好的分割，仍然无法实现准确的分割。
技术实现思路
本专利技术所要解决的技术问题是提供一种非均一性医学图像的分割方法，该方法可显著提高非均一性医学图像的分割精度。本专利技术解决上述问题的技术解决方案是：一种非均一性医学图像的分割方法，该方法包括以下步骤：(1)用户在待分割图像上的目标区域内选取前景种子点，目标区域外选取背景种子点，并获取前景种子点和背景种子点的灰度信息；(2)根据步骤(1)所得到的灰度信息，分别让前景种子点和背景种子点按以下方法进行自动生长：(A)采用下式(I)和(II)所示的概率密度估计的方法，估计每一灰度值的象素点的分布概率P(Ii/gs)，式(I)和(II)中，Ii表示象素点的灰度值；s表示种子点的类别，即前景类种子点或背景类种子点，gs表示种子点集的类别，即前景类种子点集或背景类种子点集；tq为种子点集gs中的第q个种子点；σ为概率密度估计方差，σ＝0.5×DI，其中DI为前景类种子点集与背景类种子点集之间的灰度差的平均值；MaxI为待分割图像的最大灰度值，p为灰度值，Zs为概率密度估计运算中的归一化参数；(B)根据下式(III)所示的贝叶斯条件概率公式以及步骤(A)求得的分布概率P(Ii/gs)，先令，并将下式(III)变换为下式(IV)，再将P(Ii/gs)代入下式(IV)，求解待分割图像中每一灰度值归属于前景类或背景类中一类的分布概率，并由待分割图像的每一个象素点的灰度值映射得到待分割图像对应该类的概率密度分布图，然后，根据前景类与背景类概率密度分布图的互补关系求得另一类的概率密度分布图，上式(III)和(IV)中g1表示前景类种子点集，g2表示背景类种子点集；(C)以种子点集gs作为区域生长方法的种子点，在0.5～1内取阈值参数以大于该阈值参数作为生长条件，在概率密度分布图Ps上进行区域生长，得到前景种子点群和背景种子点群；(3)将步骤(2)所得到的前景种子点群和背景种子点群进行处理：分别将前景种子点群和背景种子点群进行降采样，或者，只将背景种子点群进行重构而前景种子点群不变；其中，所述背景种子点群的重构方法为：先计算前景种子点群的几何中心，再计算包含该前景种子点群的圆形区域，该圆形区域边缘上的点即为重构后的背景种子点群；(4)然后，将经步骤(3)处理的前景种子点群和背景种子点群作为随机游走的前景种子点和背景种子点，采用随机游走方法对待割图像进行分割，得到分割结果。上述步骤(3)中所述的前景种子点群和背景种子点群进行降采样和背景种子点群进行重构为了使前景种子点群和背景种子点群稀疏化，以加快分割速度。上述步骤(4)中所述的随机游走算法是一种经典的交互式分割算法，由LeoGrady首次提出(Grady,L.,RandomWalksforImageSegmentation.PatternAnalysisandMachineIntelligence,IEEETransactionson,2006.28(11):p.1768-1783.)，该方法将一幅图像当成一幅无向图，该图由顶点和边组成，每一个顶点对应原图像中的每一个象素点，每一条边上的权值代表两个顶点间相互到达的概率大小，所述权值由两顶点对应的两个象素点之间的强度差决定。然后用户通过标记初始种子点，求解图像中剩余象素点对应顶点初次到达标记种子的概率，将每一个象素点归类于初次到达概率最大的种子点类别，从而对图像实现分割。上述算法具有较强的弱边界分割能力和抗噪能力。本专利技术具有以下有益效果：(1)通过概率密度估计方法将目标灰度的非均一性转化为概率的均一性，并将具有相似概率的像素点自动生长为种子点，从而很好地实现了对非均一性目标的精确分割。(2)本专利技术巧妙地利用用户标记的前景种子点和背景种子点的灰度信息，估计出图像中每一个灰度值归属于前景的概率，并使图像各类别中差异很大灰度在各个类别中所占的概率变得接近，从而将图像的灰度非均一性转化为概率的均一性，并以所得的相接近的概率作为限制条件，对前景种子点和背景种子点的位置和数目进行了拓展，从而降低了对于种子点的依赖性。(3)本专利技术所述的方法对均一性的目标和非对均一性的目标均能实现精确的分割。附图说明：图1：待分割腰椎骨的腹部CT图像。图2：标记种子点集的待分割腰椎骨的肺部CT图像。图3：待分割腰椎骨的腹部CT图像对应的前景概率密度分布图。图4：自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非均一性医学图像的分割方法，该方法包括以下步骤：(1)用户在待分割图像上的目标区域内选取前景种子点，目标区域外选取背景种子点，并获取前景种子点和背景种子点的灰度信息；(2)根据步骤(1)所得到的灰度信息，分别让前景种子点和背景种子点按以下方法进行自动生长：(A)采用下式(I)和(II)所示的概率密度估计的方法，估计每一灰度值的像素点的分布概率P(Ii/gs)，式(I)和(II)中，Ii表示像素点的灰度值；s表示种子点的类别，即前景类种子点或背景类种子点，gs表示种子点集的类别，即前景类种子点集或背景类种子点集；tq为种子点集gs中的第q个种子点；σ为概率密度估计方差，σ＝0.5×DI，其中DI为前景类种子点集与背景类种子点集之间的灰度差的平均值；MaxI为待分割图像的最大灰度值，p为灰度值，Zs为概率密度估计运算中的归一化参数；(B)根据下式(III)所示的贝叶斯条件概率公式以及步骤(A)求得的分布概率P(Ii/gs)，先令，并将下式(III)变换为下式(IV)，再将P(Ii/gs)代入下式(IV)，求解待分割...

【专利技术属性】
技术研发人员：陈海斌，周凌宏，甄鑫，王琳婧，肖阳，胡洁，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：