本发明专利技术公开一种基于自动上下文模型的CT图像肝脏分割方法及系统，能有效提高CT图像中肝脏的分割精度。所述方法包括：读取训练图像集和待分割图像；提取所述图像中每一像素的纹理特征；利用分类器对待分割图像每个像素的特征进行分类，得到初始肝脏概率图；提取所述图像中每一像素的上下文特征；将上下文特征与纹理特征结合，通过迭代学习一系列的分类器直至收敛，获得肝脏概率图；以肝脏概率图为先验信息，作为先验约束条件，加入随机游走的目标函数中，获得基于上下文约束的随机游走模型，实现肝脏的分割；在所述待分割图像的二维切片上逐层实现三维CT图像的肝脏分割，实现肝脏边界不连续区域的插值与补全，从而得到平滑连续的肝脏表面。
【技术实现步骤摘要】
本专利技术涉及机器学习
，具体涉及一种基于自动上下文模型的CT图像肝脏分割方法及系统。
技术介绍
医学图像分割辅助医生识别病人的内部组织器官及病灶区域，在计算机辅助治疗及手术规划中发挥至关重要的作用。所以，肝脏的自动分割是医生诊治如肝硬化、肝脏肿瘤、肝移植等肝脏疾病的基础。在腹部CT图像中，肝脏与邻近器官的灰度值差异较小，肝脏本身灰度不均匀且其形状各异，自动、精确的分割出肝脏难度较大。所以，临床医生迫切需要一种简单、快速、准确的肝脏分割方法。现有的随机游走分割方法具有快速简单等优点，但它对CT图像中对比度低的区域分割效果较差，特别是肝脏与大血管、胃等邻近器官的连接处，单纯地依赖灰度值难以有效地实现肝脏的分割。
技术实现思路
有鉴于此，本专利技术实施例提供一种基于自动上下文模型的CT图像肝脏分割方法及系统，能够有效提高CT图像中肝脏的分割精度。一方面，本专利技术实施例提出一种基于自动上下文模型的CT图像肝脏分割方法，包括：S101、读取训练图像集和待分割图像，其中，所述训练图像集中的训练图像和待分割图像为肝脏的CT图像；S102、提取所述训练图像和待分割图像中每一像素的纹理特征；S103、利用分类器对待分割图像每个像素的特征进行分类，得到初始肝脏概率图；S104、提取所述训练图像和待分割图像中每一像素的上下文特征；S105、将上下文特征与纹理特征结合，再次学习获得新的分类器，再次得到肝脏概率图，再次提取所述训练图像和待分割图像中每一像素的上下文特征，重复上述算法，学习一系列的分类器直至收敛，得到像素点属于肝脏区域的概率，进而获得肝脏概率图；S106、以肝脏概率图为先验信息，作为先验约束条件，加入随机游走的目标函数中，获得基于上下文约束的随机游走模型，实现肝脏的分割；S107、在所述待分割图像的二维切片上逐层实现三维CT图像的肝脏分割，实现肝脏边界不连续区域的插值与补全，从而得到平滑连续的肝脏表面。另一方面，本专利技术实施例提出一种基于自动上下文模型的CT图像肝脏分割系统，包括：读取模块，用于读取训练图像集和待分割图像，其中，所述训练图像集中的训练图像和待分割图像为肝脏的CT图像；第一提取模块，用于提取所述训练图像和待分割图像中每一像素的纹理特征；分类模块，用于利用分类器对待分割图像每个像素的特征进行分类，得到初始肝脏概率图；第二提取模块，用于提取所述训练图像和待分割图像中每一像素的上下文特征；迭代模块，用于将上下文特征与纹理特征结合，再次学习获得新的分类器，再次得到肝脏概率图，再次提取所述训练图像和待分割图像中每一像素的上下文特征，重复上述算法，学习一系列的分类器直至收敛，得到像素点属于肝脏区域的概率，进而获得肝脏概率图；分割模块，用于以肝脏概率图为先验信息，作为先验约束条件，加入随机游走的目标函数中，获得基于上下文约束的随机游走模型，实现肝脏的分割；填充模块，用于在所述待分割图像的二维切片上逐层实现三维CT图像的肝脏分割，实现肝脏边界不连续区域的插值与补全，从而得到平滑连续的肝脏表面。本专利技术实施例提供的基于自动上下文模型的CT图像肝脏分割方法及系统，在纹理特征分类的基础上，利用上下文信息作为新的特征并迭代分类，获得肝脏的先验模型，利用此模型作为先验约束，改进随机游走算法的能量函数，获得最终的肝脏分割结果，本专利技术对灰度对比度不明显的区域，分割结果有较大的改善，有效地提高了CT图像中肝脏的分割精度。附图说明图1为本专利技术基于自动上下文模型的CT图像肝脏分割方法一实施例的流程示意图；图2为本专利技术基于自动上下文模型的CT图像肝脏分割系统一实施例的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，本实施例公开一种基于自动上下文模型的CT图像肝脏分割方法，包括：S101、读取训练图像集和待分割图像，其中，所述训练图像集
中的训练图像和待分割图像为肝脏的CT图像；S102、提取所述训练图像和待分割图像中每一像素的纹理特征；S103、利用分类器对待分割图像每个像素的特征进行分类，得到初始肝脏概率图；S104、提取所述训练图像和待分割图像中每一像素的上下文特征；S105、将上下文特征与纹理特征结合，再次学习获得新的分类器，再次得到肝脏概率图，再次提取所述训练图像和待分割图像中每一像素的上下文特征，重复上述算法，学习一系列的分类器直至收敛，得到像素点属于肝脏区域的概率，进而获得肝脏概率图；S106、以肝脏概率图为先验信息，作为先验约束条件，加入随机游走的目标函数中，获得基于上下文约束的随机游走模型，实现肝脏的分割；S107、在所述待分割图像的二维切片上逐层实现三维CT图像的肝脏分割，实现肝脏边界不连续区域的插值与补全，从而得到平滑连续的肝脏表面。本实施例提供的基于自动上下文模型的CT图像肝脏分割方法，在纹理特征分类的基础上，利用上下文信息作为新的特征并迭代分类，获得肝脏的先验模型，利用此模型作为先验约束，改进随机游走算法的能量函数，获得最终的肝脏分割结果，本专利技术对灰度对比度不明显的区域，分割结果有较大的改善，有效地提高了CT图像中肝脏的分割精度。可选地，在本专利技术基于自动上下文模型的CT图像肝脏分割方法的另一实施例中，所述S102提取的纹理特征可以为Haar特征、局部二进制模式特征、方向梯度直方图特征或者共生矩阵特征，且不限于上述四种特征。可选地，在本专利技术基于自动上下文模型的CT图像肝脏分割方
法的另一实施例中，所述S103中分类器为支持向量机作为弱分类器的AdaBoost分类器、支持向量机分类器、决策树分类器、人工神经网络分类器、朴素贝叶斯分类器或者随机森林分类器。可选地，在本专利技术基于自动上下文模型的CT图像肝脏分割方法的另一实施例中，所述S103具体为：定义训练图像集为Vi,i＝1,2…n，其对应的分割金标准图像为Vsi,i＝1,2…n，在训练图像集中选取训练样本点集，提取点集的纹理特征，则训练点集信息可表示为：S0＝{(yt,f0(Nt)),t＝1,2…T本文档来自技高网...
【技术保护点】
一种基于自动上下文模型的CT图像肝脏分割方法，其特征在于，包括：S101、读取训练图像集和待分割图像，其中，所述训练图像集中的训练图像和待分割图像为肝脏的CT图像；S102、提取所述训练图像和待分割图像中每一像素的纹理特征；S103、利用分类器对待分割图像每个像素的特征进行分类，得到初始肝脏概率图；S104、提取所述训练图像和待分割图像中每一像素的上下文特征；S105、将上下文特征与纹理特征结合，再次学习获得新的分类器，再次得到肝脏概率图，再次提取所述训练图像和待分割图像中每一像素的上下文特征，重复上述算法，学习一系列的分类器直至收敛，得到像素点属于肝脏区域的概率，进而获得肝脏概率图；S106、以肝脏概率图为先验信息，作为先验约束条件，加入随机游走的目标函数中，获得基于上下文约束的随机游走模型，实现肝脏的分割；S107、在所述待分割图像的二维切片上逐层实现三维CT图像的肝脏分割，实现肝脏边界不连续区域的插值与补全，从而得到平滑连续的肝脏表面。
【技术特征摘要】
1.一种基于自动上下文模型的CT图像肝脏分割方法，其特征在于，包括：S101、读取训练图像集和待分割图像，其中，所述训练图像集中的训练图像和待分割图像为肝脏的CT图像；S102、提取所述训练图像和待分割图像中每一像素的纹理特征；S103、利用分类器对待分割图像每个像素的特征进行分类，得到初始肝脏概率图；S104、提取所述训练图像和待分割图像中每一像素的上下文特征；S105、将上下文特征与纹理特征结合，再次学习获得新的分类器，再次得到肝脏概率图，再次提取所述训练图像和待分割图像中每一像素的上下文特征，重复上述算法，学习一系列的分类器直至收敛，得到像素点属于肝脏区域的概率，进而获得肝脏概率图；S106、以肝脏概率图为先验信息，作为先验约束条件，加入随机游走的目标函数中，获得基于上下文约束的随机游走模型，实现肝脏的分割；S107、在所述待分割图像的二维切片上逐层实现三维CT图像的肝...
【专利技术属性】
技术研发人员：艾丹妮，杨健，王涌天，丛伟建，付天宇，张盼，王泽宇，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。