千兆电子计算机断层扫描的前列腺三维图像分割方法技术

本发明专利技术公开了一种前列腺KVCT图像前列腺区域的3D分割方法，主要解决现有技术不能在KVCT图像上进行前列腺分割的问题。其实现步骤为：1)输入待分割前列腺KVCT三维图像，将三维图像生成超像素；2)计算超像素的15维纹理特征；3)对超像素进行一次聚类得到初始分割结果；4)对初始分割结果进行第二次聚类得到两次聚类结果；5)对两次聚类结果进行三维形态学处理得到去黏连结果；6)对序列图顶部黏连严重的图像使用配准进行分割，然后将配准分割得到的这部分序列图替换掉去黏连结果中对应的序列图，从而得到最终的分割结果。

【技术实现步骤摘要】
千兆电子计算机断层扫描的前列腺三维图像分割方法
本专利技术属于图像处理
，涉及医学CT图像处理方法，可用于前列腺KVCT图像的分割。
技术介绍
前列腺是男性最大的附属性腺，亦属人体外分泌腺之一，位于膀胱与原生殖膈之间。而前列腺癌是出自前列腺的恶性肿瘤，细胞的基因突变导致增殖失控，成为癌症。恶性细胞除了体积扩大或侵犯邻近器官，也可能转移到身体其他部位，尤其是骨头和淋巴结。前列腺癌可能造成疼痛、排尿困难、勃起功能不全等症状。在西方国家，前列腺癌是男性第二常见的癌症，因而丧生的人数仅次于肺癌。而对于前列腺病变区域的提取一般都是在完整前列腺的基础上进行的。目前，对前列腺的医学图像分析，主要是针对前列腺部位进行分割，在CT和MRI图像上提取出完整的前列腺组织，如：MJCosta在2007年提出一种耦合3维可变模型的方法来自动分割膀胱和前列腺。它是利用统计得到的形状数据，初始化前列腺-膀胱的可变模型，对前列腺和膀胱进行整体分割。QFeng在2010年提出一种使用群体和放疗病人统计信息分割前列腺。它利用群体和放疗病人的前列腺形状统计信息，可以精确分割出病人前列腺。YShi在2013年提出一种空间约束的方法分割前列腺。它是一种半自动分割方法，首先在第一个切片和最后一个切片上人工标记前列腺的位置；然后，使用空间约束对中间的每个切片进行分割；最后，根据统计得到的前列腺形状信息生成最后的前列腺形状。由于前列腺组织和正常组织的相似度很高，针对前列腺组织分割难度很大，在低对比度的CT图像中，利用已有的图像分割方法很难对其进行有效检测。前列腺的成像一般采用MR图像或B超图像，其中：MR是利用原子核自旋运动的特点，在外加磁场内，经射频脉冲激后产生信号，用探测器检测并输入计算机，经过计算机处理转换后在屏幕上显示图像。虽然MR图像中的前列腺组织对比分辨率高，但是成像时间较长，对病人体动敏感，易造成伪影，导致某些病人的前列腺区域特征和正常区域特征不能被分开，病变组织不能被及时检测出来。B超是利用超声在人体内传播，由于人体各种组织有声学的特性差异，超声波在两种不同组织界面处产生反射、折射、散射、绕射、衰减以及声源与接收器相对运动产生多普勒频移等物理特性，通过接收这些反射、散射信号，显示组织的形态。B超图像的成像质量不高，即图像的清晰度和分辨率比较低，前列腺区域特征不明显，因此对前列腺组织不能进行有效地检测。KVCT是根据人体不同组织对X线的吸收与透过率的不同，应用灵敏度极高的仪器对人体进行测量，然后将测量所获取的数据输入电子计算机，电子计算机对数据进行处理后，就可摄下人体被检查部位的断面或立体的图像。KVCT扫描速度快，成像清晰，具有较高的空间分辨率和密度分辨率，软组织显像清晰。KVCT图像的以上优点使其能很好地被应用于前列腺的分割。
技术实现思路
本专利技术的目的在于针对已有技术的不足，提出一种前列腺KVCT图像的3D分割方法。为实现上述目的，本专利技术包括如下步骤：(1)输入待分割的前列腺KVCT三维图像D；(2)将前列腺KVCT三维图像D使用SLIC超像素生成算法生成三维超像素组成的三维矩阵S；(3)以能将三维超像素包含内的最小立方体块儿的特征代表每个三维超像素的特征，统计每个最小立方体块儿的灰度-梯度共生矩阵Hz，进而计算每个最小立方体块儿的15维纹理特征Tz，1≤z≤Np，Np为总像素块数，这15维纹理特征Tz包括：小梯度优势T1、大梯度优势T2、灰度分布不均匀性T3、梯度分布不均匀性T4、能量T5、灰度均值T6、梯度均值T7、灰度标准差T8、梯度标准差T9、相关性T10、灰度熵T11、梯度熵T12、混合熵T13、差分矩T14和逆差分矩T15；(4)使用密度峰值聚类算法对超像素进行第一次聚类得到初始分割结果D1；(5)使用密度峰值聚类算法对初始分割结果D1进行第二次聚类得到两次聚类结果D2；(6)对两次聚类的结果D2使用三维形态学的腐蚀和膨胀进行去除黏连和平滑得到结果D3；(7)对输入三维图像D的顶端1/8的二维截面图使用配准的方法进行分割，然后将配准分割得到的二维截面图替换掉D3中对应的二维截面图，从而得到最终的三维结果D4。本专利技术与现有的技术相比具有以下优点：1.本专利技术采用灰度-梯度共生矩阵纹理分析方法，利用了图像的灰度和梯度的综合信息提取纹理特征，对图像有更准确地描述。2.本专利技术使用了超像素的方法对前列腺序列图像进行描述，并使用了基于密度峰值的聚类算法，避免了聚类过程当中的迭代现象，大大减小了时间复杂度。3.本专利技术使用配准的方法解决了序列图顶端的黏连现象，效果突出。附图说明图1是本专利技术的实现流程图；图2是前列腺KVCT序列图像中的典型图像；图3是与图2对应的红色线勾画的前列腺图像；图4是经过两次聚类和三维形态学处理后的前列腺三维结果图；图5是配准分割示意图；图6是配准分割改进后的前列腺三维效果图。具体实施方法参照图1，本专利技术的实现步骤如下：步骤1.输入待分割的前列腺KVCT三维图像D，如图2所示为KVCT三维图中选取的典型截面图。步骤2.将前列腺KVCT三维图像D使用SLIC超像素生成算法生成三维超像素组成的三维矩阵S。2a)初始化三维矩阵S使其和D有相同的大小；2b)每个超像素初始化大小为5×5×5，共125个像素点。如果D内共有N个像素点，则设置D要被分割成的超像素个数为n＝N/125；2c)对D进行SLIC运算得到最终的S，S中存储的是对应超像素的标记，每个超像素所包含的像素点用同一个数字标记；步骤3.计算每个超像素块的15维纹理特征。3a)将S中属于每个超像素的标记使用一个能包含他们的最小长方体包围住，求出长方体包含的坐标，并在D中找出对应像素点组成的长方体V；3b)计算V中所有像素点的梯度，得到最大灰度值Nh，最大梯度值Ng，并统计V中灰度值为i、梯度值为j的像素点Hz(i,j)，得到灰度-梯度共生矩阵Hz，1≤i≤Nh，1≤j≤Ng，1≤z≤Np，Np为总像素块数；3c)计算V的15维纹理特征Tz，这15维纹理特征Tz包括：小梯度优势T1、大梯度优势T2、灰度分布不均匀性T3、梯度分布不均匀性T4、能量T5、灰度均值T6、梯度均值T7、灰度标准差T8、梯度标准差T9、相关性T10、灰度熵T11、梯度熵T12、混合熵T13、差分矩T14和逆差分矩T15；其具体公式如下：小梯度优势：大梯度优势：灰度分布不均匀性：梯度分布不均匀性：能量：灰度均值：梯度均值：灰度标准差：梯度标准差：相关性：灰度熵：梯度熵：混合熵：差分矩：逆差分矩：其中，1≤i≤Nh，1≤j≤Ng，i为灰度值，j为梯度值，Nh为最大灰度值，Ng为最大梯度值，H(i,j)是灰度共生矩阵Hz中的元素，其代表灰度值为i、梯度值为j的像素点，P(i,j)为以像素块的总像素点数归一化后的概率，P(i,j)＝H(i,j)/N，N为V中的总像素点数；3d)重复步骤3a)-3c)，直至处理完所有超像素。步骤4.对超像素进行第一次聚类得到初始分割结果。4a)以步骤3中的特征表示每个超像素的特征；4b)使用密度峰值聚类算法对超像素进行聚类，聚类数目为5或者6，聚类结果组成的超像素集合为S1。步骤5.对初始分割结果的超像素集合S1进行第二次聚类。5a)以步骤3中的特征表本文档来自技高网...

【技术保护点】
千兆电子计算机断层扫描的前列腺三维图像分割方法，包括如下步骤：(1)输入待分割的前列腺KVCT三维图像D；(2)将前列腺KVCT三维图像D使用SLIC超像素生成算法生成三维超像素组成的三维矩阵S；(3)以能将三维超像素包含内的最小立方体块儿的特征代表每个三维超像素的特征，统计每个最小立方体块儿的灰度‑梯度共生矩阵Hz，进而计算每个最小立方体块儿的15维纹理特征Tz，1≤z≤Np，Np为总像素块数，这15维纹理特征Tz包括：小梯度优势T1、大梯度优势T2、灰度分布不均匀性T3、梯度分布不均匀性T4、能量T5、灰度均值T6、梯度均值T7、灰度标准差T8、梯度标准差T9、相关性T10、灰度熵T11、梯度熵T12、混合熵T13、差分矩T14和逆差分矩T15；(4)使用密度峰值聚类算法对超像素进行第一次聚类得到初始分割结果D1；(5)使用密度峰值聚类算法对初始分割结果D1进行第二次聚类得到两次聚类结果D2；(6)对两次聚类的结果D2使用三维形态学的腐蚀和膨胀进行去除黏连和平滑得到结果D3；(7)对输入三维图像D的顶端1/8的二维截面图使用配准的方法进行分割，然后将配准分割得到的二维截面图替换掉D3中对应的二维截面图，从而得到最终的三维结果D4。...

【技术特征摘要】
1.千兆电子计算机断层扫描的前列腺三维图像分割方法，包括如下步骤：(1)输入待分割的前列腺KVCT三维图像D；(2)将前列腺KVCT三维图像D使用SLIC超像素生成算法生成三维超像素组成的三维矩阵S；(3)以能将三维超像素包含在内的最小立方体块儿的特征代表每个三维超像素的特征，统计每个最小立方体块儿的灰度-梯度共生矩阵Hz，进而计算每个最小立方体块儿的15维纹理特征Tz，1≤z≤Np，Np为总像素块数，这15维纹理特征Tz包括：小梯度优势T1、大梯度优势T2、灰度分布不均匀性T3、梯度分布不均匀性T4、能量T5、灰度均值T6、梯度均值T7、灰度标准差T8、梯度标准差T9、相关性T10、灰度熵T11、梯度熵T12、混合熵T13、差分矩T14和逆差分矩T15，其中：小梯度优势：大梯度优势：式中，i为灰度值，j为梯度值，Nh为最大灰度值，Ng为最大梯度值，H(i,j)是灰度共生矩阵...

【专利技术属性】
技术研发人员：姚瑶，杨光，缑水平，
申请(专利权)人：杭州职业技术学院，西安电子科技大学，
类型：发明
国别省市：浙江;33