一种股骨头CT影像的分割方法技术

本发明专利技术提供一种股骨头CT影像的分割方法，涉及医学图像处理技术领域。该方法使用三维最大类间方差法进行预分割，然后基于图割和形状约束相结合进行自动股骨头精确分割，构建图后，基于Graph cuts模型优化分割结果，基于分层Hough变换检测影像中圆形区，使用SVM对Graph cuts的分割结果进行重新预测、分类，提取邻域梯度特征，分离股骨头和髋臼，以检测出的圆心为种子节点，使用区域生长算法生成股骨头，得到最终的股骨头分割图像。本发明专利技术不仅能够有效剔除影像噪声，为Graph cuts模型提供硬约束条件，鲁棒性较好，实现全自动分割股骨头CT影像，还能大大缩短Graph cuts模型的收敛时间，分割出的股骨头边缘完整、细节清晰，分割准确率达到92％。

A segmentation method of CT image of femoral head

【技术实现步骤摘要】
一种股骨头CT影像的分割方法
本专利技术涉及医学图像处理
，尤其涉及一种股骨头CT影像的分割方法。
技术介绍
影像分割在医学影像的定量、定性分析中均扮演着十分重要的角色，它直接影响到计算机辅助诊断系统的后续分析和处理工作。正确分割股骨头的影像，不仅可以通过股骨头的形状来确定患者坏死的程度，还可以通过分割结果近似地求出患者股骨头内部的缺血体积，为股骨头坏死的辅助诊断和分期判断做好准备。目前，股骨头CT影像的分割方法主要包括专家手工分割、计算机交互式分割和全自动分割。手工分割和计算机交互式分割对专家知识和经验要求很高，而且存在不可避免人为误差，同时对海量CT数据进行手工处理是一件耗时的事情，因此，股骨头CT影像的全自动分割具有极大的研究意义和价值。目前常用的全自动股骨头分割方法主要有阈值法、分水岭法、水平集法和图谱法。其中阈值法单纯依赖图像像素信息进行分割，存在忽略图像噪声和边界处低对比度的缺点，在分割股骨头CT影像时会出现股骨头轮廓不完整、内部存在较大空洞和噪声亮斑过多等问题；分水岭法会受到CT图像中细节纹理和噪声的影响，出现过分割现象，影响分割效果，误分割率高；水平集法对于初始本文档来自技高网...

【技术保护点】
1.一种股骨头CT影像的分割方法，其特征在于：包括基于三维类间方差的股骨头预分割方法和基于图割和形状约束相结合的自动股骨头精确分割方法；基于三维类间方差的股骨头预分割方法中，使用三维最大类间方差法进行预分割，根据分割结果，取出骨像素集合中灰度值最高的10％像素和非骨像素集合中灰度值最低的10％非零像素，作为Graph cuts模型的硬约束条件；基于图割和形状约束相结合的自动股骨头精确分割方法包括以下步骤：步骤2.1：构建图；首先把待处理影像转化为符合Graph cuts模型的图网络，具体方法为：设置两个目标节点α和

【技术特征摘要】
1.一种股骨头CT影像的分割方法，其特征在于：包括基于三维类间方差的股骨头预分割方法和基于图割和形状约束相结合的自动股骨头精确分割方法；基于三维类间方差的股骨头预分割方法中，使用三维最大类间方差法进行预分割，根据分割结果，取出骨像素集合中灰度值最高的10％像素和非骨像素集合中灰度值最低的10％非零像素，作为Graphcuts模型的硬约束条件；基于图割和形状约束相结合的自动股骨头精确分割方法包括以下步骤：步骤2.1：构建图；首先把待处理影像转化为符合Graphcuts模型的图网络，具体方法为：设置两个目标节点α和α值为所有类别为α的像素灰度值的均值，的值为所有类别不是α的像素灰度值的均值；再将所有像素和两个目标节点α和分别连接起来，目标节点与像素之间的连线称为t-link；对于所有四相邻的像素对，若经过预分割后像素标签相同，则连接像素，连线称为n-link，若经过预分割后像素标签不同，则在两个像素之间添加辅助节点a，并连接辅助节点和两个像素，再连接辅助节点与如此完成构图，把一个图像转化为图网络；然后给图网络中所有的边赋予权值，在图中有四种边，像素之间的连线n-link、目标节点与像素的连线t-link、像素与辅助节点的连线e{p，a}和辅助节点与的连线其中p表示像素点；n-link的权值的大小描述像素属于同一标签的概率，使用训练好的PixelsPair_Category树来预测；t-link的权值描述像素属于α和两类的概率，使用Pixel_Category树预测；e{p，a}的权值等于像素p和a属于同一类的概率，用PixelsPair_Category树预测；的权值等于辅助节点两端像素的相似性，用PixelsPair_Category树预测；步骤2.2：基于Graphcuts模型优化分割结果，得到大部分像素分类正确、股骨头的圆形轮廓容易辨认的分割结果；步骤2.2.1：进行初始化；利用属于标号集合T0、T1的像素形成训练集：dataset1＝{l1，l2，...，ln}，labelset＝{0，1}；其中，li表示像素灰度值，n表示像素总个数，labelset表示标签集，方法如下：训练随机森林模型，得到Pixel_Category树；然后用Pixel_Category树对整个图像进行预测，得到整幅图像的标号矩阵initf；然后通过标号集T0、T1及其包含的像素，组成像素对(p，q)，如果像素对(p，q)属于同一标号集合，则设定标签为0，否则，如果像素对(p，q)属于不同标号集合，则设定标签为1，最终得到训练集：data＝{(l1，l2)，(l2，l3)，...，(ln-1，ln)}，label＝{o，1}；其中，li表示像素灰度值，n表示像素总个数，label表示标签集；使用该训练集来训练随机森林模型得到PixelsPair_Category树，该树用于衡量像素对属于同一标签和不同标签的概率，即度量像素对中两个像素的相似性；步骤2.2.2：使用α-expansion算法进行迭代；步骤2.2.2.1：设置迭代的标志“continue”为False；步骤2.2.2.2：对于每个目标节点标号α，在初始标签initf的基础上实施一次α-expansion操作，得到新的标号矩阵f′；在所有的标号矩阵f′中找到总能量最小的矩阵，即：当新的标号矩阵f′的总能量E(f′)小于初始标号矩阵initf的总能量E(initf)时，将f′赋值给initf，并且把迭代的标志“continue”修改为True；然后根据新的结果，更新训练集，修正Pixel_Category树；步骤2.2.2.3：如果continue＝Tru...

【专利技术属性】
技术研发人员：栗伟，于鲲，冯朝路，王东杰，覃文军，赵大哲，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21