專(zhuān)利名稱(chēng)：基于遷移活動(dòng)輪廓模型的胃部ct序列圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及對(duì)醫(yī)學(xué)圖像的處理，特別是一種對(duì)胃部CT序列圖像的分割。
背景技術(shù)：
隨著醫(yī)學(xué)成像技術(shù)的飛速發(fā)展，大量高分辨率圖像紛紛涌現(xiàn)，比如磁共振造影MRI、計(jì)算機(jī)斷層掃描CT、腦磁圖MEG、三維超聲成像，解正電子發(fā)射斷層照相PET、單光子發(fā)射計(jì)算機(jī)斷層SPECT、漫射加權(quán)成像DWI、功能磁共振FMRI等，這些成像技術(shù)各有特點(diǎn)，它們分別能在不同的時(shí)空分辨率下給人們提供各種解剖信息和功能信息。但僅僅依靠這些設(shè)備所提供的信息遠(yuǎn)遠(yuǎn)達(dá)不到人們的要求，必須進(jìn)一步通過(guò)圖像處理手段來(lái)對(duì)圖像進(jìn)行分析和解譯。醫(yī)學(xué)圖像處理技術(shù)包括圖像恢復(fù)、圖像增強(qiáng)，圖像分割和圖像重建等，其中，將感興趣的目標(biāo)從圖像中分離出來(lái)具有特別的復(fù)雜性和重要的研究?jī)r(jià)值。醫(yī)學(xué)圖像分割是正常組織和病變組織的三維重建、定量分析等后續(xù)操作的基礎(chǔ)，也是臨床醫(yī)學(xué)應(yīng)用的瓶頸。分割的準(zhǔn)確性對(duì)醫(yī)生判斷疾病的準(zhǔn)確性以及做出合理的治療方案至關(guān)重要?；顒?dòng)輪廓模型，即形變模型是比較常用的醫(yī)學(xué)圖像分割方法，按其不同輪廓曲線的表達(dá)形式，可分為參數(shù)活動(dòng)輪廓模型和幾何活動(dòng)輪廓模型兩種。參數(shù)活動(dòng)輪廓模型在變形過(guò)程中以顯示參數(shù)的形式表達(dá)曲線或曲面，允許與模型直接交互，這樣有利于模型快速實(shí)時(shí)的實(shí)現(xiàn)，但該模型無(wú)法應(yīng)對(duì)復(fù)雜的拓?fù)浣Y(jié)構(gòu)變化。幾何活動(dòng)輪廓模型是基于曲線演化理論和水平集方法.水平集方法的特點(diǎn)就是通過(guò)一個(gè)高維函數(shù)曲面來(lái)表達(dá)低維的輪廓曲線，即將輪廓曲線表達(dá)為高維函數(shù)曲面的零水平集，并將輪廓曲線的運(yùn)動(dòng)方程轉(zhuǎn)化為高維水平集函數(shù)的偏微分方程。幾何活動(dòng)輪廓模型主要分為基于區(qū)域的模型和基于邊緣的模型，前者只考慮圖像的區(qū)域信息，能較好的檢測(cè)圖像的弱邊緣，而后者能自動(dòng)的處理輪廓線的拓?fù)浣Y(jié)構(gòu)變化。現(xiàn)有的基于活動(dòng)輪廓模型的序列圖像分割方法是將序列中的第一幅圖像用活動(dòng)輪廓模型進(jìn)行分割，然后將分割結(jié)果的輪廓作為下一幅圖像的初始輪廓繼續(xù)用活動(dòng)輪廓模型進(jìn)行分割，即得到當(dāng)前圖像的分割結(jié)果。這種方法的優(yōu)勢(shì)是迭代次數(shù)少，對(duì)于那些背景單一、目標(biāo)邊緣對(duì)比度強(qiáng)的圖像分割效果較好。但對(duì)于待分割的目標(biāo)是胃部CT序列圖中胃壁周?chē)?cm的淋巴結(jié)所在區(qū)域，則該方法的分割效果較差。因?yàn)檫@些目標(biāo)區(qū)域形狀不規(guī)則，變化比較大，目標(biāo)區(qū)域內(nèi)有噪聲、血管等干擾點(diǎn)，而已有的活動(dòng)輪廓模型方法對(duì)目標(biāo)區(qū)域的局部一致性和其邊緣的復(fù)雜拓?fù)渥兓紤]較少，因此分割這種目標(biāo)區(qū)域需要很多次的迭代，導(dǎo)致分割速度慢，同時(shí)容易造成邊緣泄露現(xiàn)象。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)上述CT序列圖像分割的缺陷，提出一種基于遷移活動(dòng)輪廓模型的胃部CT序列圖像分割方法，以加快分割速度和提高分割的準(zhǔn)確性。為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟
(I)輸入胃部CT序列圖像Ii, i = 1，. . .，k，k為大于I的整數(shù)；(2)手動(dòng)的劃線圈出CT序列圖像中的第一幅圖I1的目標(biāo)區(qū)域，得到一幅二值圖D，用D的邊緣表示I1的目標(biāo)區(qū)域的初始輪廓曲線Ctl ；(3)利用結(jié)合區(qū)域和邊緣的活動(dòng)輪廓模型GLCV，使輪廓曲線Ctl不斷的迭代收縮，直至到達(dá)目標(biāo)邊緣后停止收縮，得到CT序列中第一幅圖像I1的目標(biāo)輪廓C1 ；(4)將C1進(jìn)行區(qū)域 生長(zhǎng)后遷移到CT序列的下一幅圖像I2中作為其初始輪廓，再用GLCV模型進(jìn)行分割，得到當(dāng)前圖像I2的目標(biāo)輪廓C2 ；(5)利用GLCV模型分割CT序列中剩余的圖像從CT序列圖像中的第i幅圖像Ii開(kāi)始，i = 2，. . .，k，依次將當(dāng)前分割好的圖像的目標(biāo)輪廓Ci進(jìn)行區(qū)域生長(zhǎng)后，遷移到CT序列圖像中的與其相鄰的下一幅圖像，作為該圖像的初始輪廓，再用GLCV模型進(jìn)行分割。(6)判斷CT序列中的所有圖像是否分割完成，若已分割完成，則停止分割，否則轉(zhuǎn)步驟5，繼續(xù)將當(dāng)前分割得到的目標(biāo)輪廓遷移到CT序列中的下一幅圖像作為其初始輪廓，再用GLCV模型分割，直到所有圖像都分割完成。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)I、對(duì)于同一個(gè)人的CT序列圖像，基于序列中相鄰圖像之間的相似性，則只需給定一幅圖像的目標(biāo)區(qū)域的初始輪廓，便可完成序列中所有圖像的初始化操作，使得所有圖像都能達(dá)到較理想的分割效果；2、 本發(fā)明針對(duì)胃部CT序列圖像自身的特點(diǎn)，同時(shí)考慮了目標(biāo)區(qū)域灰度的一致性和弱邊緣的復(fù)雜拓?fù)渥兓c傳統(tǒng)的主動(dòng)輪廓模型相比，通過(guò)減少迭代次數(shù)使分割速度加快，同時(shí)提高了分割的準(zhǔn)確性；3、本發(fā)明針對(duì)胃部CT序列中相鄰圖像之間的相似性，將CT序列中前一幅圖像最終的目標(biāo)輪廓進(jìn)行區(qū)域生長(zhǎng)后遷移到下一幅圖像中，作為其初始輪廓，克服了邊緣泄露的問(wèn)題。


圖I是本發(fā)明的總流程圖；圖2是本發(fā)明所使用的胃部CT序列的第I幅圖像；圖3是本發(fā)明中對(duì)圖2手動(dòng)劃線圈出的目標(biāo)區(qū)域；圖4是用本發(fā)明對(duì)圖2進(jìn)行分割后的結(jié)果圖像；圖5是本發(fā)明所使用的胃部CT序列的第30幅圖像；圖6是本發(fā)明對(duì)圖5進(jìn)行分割后的結(jié)果圖像。
具體實(shí)施例方式參照?qǐng)D1，本發(fā)明基于遷移活動(dòng)輪廓模型的胃部CT序列分割方法包括如下步驟步驟I:輸入CT序列圖像Ii, i = 1，...，30，這30幅圖像來(lái)源于同一個(gè)人的胃部CT序列，大小均為512X512，我們胃部CT序列的第一幅圖像I1，如圖2所示。步驟2:，手動(dòng)在I1的目標(biāo)區(qū)域周?chē)鷦澗€圈出待分割區(qū)域，得到一幅二值圖D，如圖3所示,用D的邊緣表示I1的目標(biāo)區(qū)域的初始輪廓曲線Q。
步驟3:利用結(jié)合區(qū)域和邊緣的活動(dòng)輪廓模型GLCVj^ CT序列中的第I幅圖像I1進(jìn)行分割。3a)設(shè)GLCV模型中的水平集函數(shù)為U，并定義u的初始值為一個(gè)符號(hào)距離函數(shù)sign (U)，由于Sign(U)滿足方程= I，▽為求梯度運(yùn)算，則須將曲線C。內(nèi)部的值都變成-1，曲線Ctl外部的值都變?yōu)镮 ;3b)根據(jù)水平集函數(shù)u通過(guò)公式計(jì)算圖像的總能量函數(shù)E(U)= ZjJH{ujfixdy + cJJ[l - H(")]喊φ· + ygS(u) + "Jj+(!▽" -1|/ dxdy ,
OQΩ
該總能量函數(shù)E(U)分為外部能量和內(nèi)部能量?jī)刹糠郑?IN▽丑(傘辦+ aJJ [^-H(u)]gdxdy + rgS⑷表示的是外部能量，其中4i g\VH ( 辦
ωaa
的作用是使初始輪廓曲線Ctl不斷向目標(biāo)邊緣處收縮，最終停止在目標(biāo)邊緣處，5III1-^(H)^dxdy + rgS⑷的作用是加快曲線C。收縮的速度，"JJ去(|% — 1I)2 表示的是
QO ^
內(nèi)部能量，其作用是使水平集函數(shù)U在收縮的過(guò)程中無(wú)限接近符號(hào)距離函數(shù)Sign(U)；式中，Ω為圖像域，S(U)表示曲線圍成的面積，H為Heaviside函數(shù)，通過(guò)對(duì)H求
I
導(dǎo)得到函數(shù)g，g為Dirac函數(shù)，g定義為^=!+|V(.叫"，P彡L I表示當(dāng)前圖像，X，I為
I中像素點(diǎn)的坐標(biāo)，G。為標(biāo)準(zhǔn)差為σ的高斯函數(shù)，λ表示弧長(zhǎng)項(xiàng)的系數(shù)，3表示基于邊緣的面積項(xiàng)的系數(shù)，Y表示基于區(qū)域的面積項(xiàng)的系數(shù)，μ表示內(nèi)部能量項(xiàng)的系數(shù)；3c)極小化步驟3b)中的總能量函數(shù)E(U)，得到水平集函數(shù)u的梯度下降流方程，^ = XdT(u)-div g^^ + [ddT+Yd}g +μ Au-div 尚’
一、i + cosi—I其中，div表不求散度，^ ￡· J u| ^ ε ,S ε = I. 5,
τ — 2ε ，"令2+H2)，
Au表示u的變化量，在內(nèi)部能量的作用下避免了重新初始化水平集函數(shù)U，節(jié)省了時(shí)間；3d)引入步長(zhǎng)τ對(duì)步驟(3c)中的水平集函數(shù)U的梯度下降流進(jìn)行離散網(wǎng)格化，得
ma^iiL=L(uk),
T利用該公式，經(jīng)過(guò)k+Ι次迭代后得到水平集函數(shù)uk+1 = Uk+ τ · L(Uk)，每迭代一次，水平集函數(shù)u就向目標(biāo)邊緣處收縮一次；3e)經(jīng)過(guò)η次迭代后，η = 10，水平集函數(shù)u到達(dá)CT序列的第一幅圖像I1的目標(biāo)區(qū)域邊緣，得到其分割結(jié)果C1，如圖4所示。步驟4:將CT序列圖像的第一幅圖像I1的目標(biāo)區(qū)域輪廓C1進(jìn)行區(qū)域生長(zhǎng)后，遷移到CT序列圖像I2中，作為I2的初始輪廓。首先，將圖像I1目標(biāo)輪廓C1上的所有點(diǎn)作為種子點(diǎn)，對(duì)這些種子點(diǎn)依次判斷它的8鄰域像素是否與其相似，若相似則生長(zhǎng)得到新的種子點(diǎn)，不相似則繼續(xù)判斷，直到整幅圖像所有種子點(diǎn)都生長(zhǎng)完；
然后，將所有種子點(diǎn)一起作為當(dāng)前圖像I2的初始輪廓，利用GLCV模型進(jìn)行分割，得到圖像I2的目標(biāo)輪廓C2。步驟5:分割CT序列中的剩余的27幅圖像從CT序列圖像中的第i幅圖像Ii開(kāi)始，i = 3，. . .，k，依次將當(dāng)前分割好的圖像的目標(biāo)輪廓C^1按照步驟4所述的方法進(jìn)行區(qū)域生長(zhǎng)，然后將生長(zhǎng)后的輪廓遷移到Ii,作為該圖像的初始輪廓，再用GLCV模型進(jìn)行分割。步驟6 :)判斷CT序列中的所有圖像是否分割完成，CT序列中的最后一幅圖像13(1，如圖5所示，若I3tl已分割完成，則停止分割，否則轉(zhuǎn)步驟5，繼續(xù)將當(dāng)前分割得到的目標(biāo)輪廓Ci遷移到CT序列中相鄰的下一幅圖像Ii+1作為其初始輪廓，再用GLCV模型分割，直到CT序列中的第30幅圖像分割完成得到其目標(biāo)輪廓，如圖6所示。綜上所述，本發(fā)明針對(duì)同一個(gè)人的胃部CT序列中的30幅圖像，只要給定一幅圖像目標(biāo)區(qū)域的初始輪廓，用結(jié)合區(qū)域和邊緣的主動(dòng)輪廓模型GLCV進(jìn)行分割得到該幅圖像的目標(biāo)區(qū)域輪廓，再將這個(gè)輪廓進(jìn)行區(qū)域生長(zhǎng)后遷移到序列中相鄰的下一幅圖像中作為其初始輪廓，繼續(xù)用GLCV模型進(jìn)行分割，依次得到剩余98幅圖像的分割結(jié)果。從這30幅圖像的分割結(jié)果可以看出，本發(fā)明只須給定表示CT序列中一幅圖像目標(biāo)區(qū)域的初始輪廓，接下來(lái)就可自動(dòng)的獲得30幅圖像中胃部淋巴結(jié)可能出現(xiàn)的目標(biāo)區(qū)域，分割結(jié)果均比較理想。
權(quán)利要求
1.一種基于遷移活動(dòng)輪廓模型的胃部CT序列圖像分割方法，包括如下步驟 (1)輸入胃部CT序列圖像Ii,i = l，...，k，k為大于I的整數(shù)； (2)手動(dòng)的劃線圈出CT序列圖像中的第一幅圖I1的目標(biāo)區(qū)域，得到一幅二值圖D，用D的邊緣表示I1的目標(biāo)區(qū)域的初始輪廓曲線Cci ； (3)利用結(jié)合區(qū)域和邊緣的活動(dòng)輪廓模型GLCV，使輪廓曲線Ctl不斷的迭代收縮，直至到達(dá)目標(biāo)邊緣后停止收縮，得到CT序列中第一幅圖像I1的目標(biāo)輪廓C1 ； (4)將C1進(jìn)行區(qū)域生長(zhǎng)后遷移到CT序列的下一幅圖像I2中作為其初始輪廓，再用GLCV模型進(jìn)行分割，得到當(dāng)前圖像I2的目標(biāo)輪廓C2 ； (5)利用GLCV模型分割CT序列中剩余的圖像 從CT序列圖像中的第i幅圖像Ii開(kāi)始，i = 2，. . .，k，依次將當(dāng)前分割好的圖像的目標(biāo)輪廓Ci進(jìn)行區(qū)域生長(zhǎng)后，遷移到CT序列圖像中的與其相鄰的下一幅圖像，作為該圖像的初始輪廓，再用GLCV模型進(jìn)行分割。
(6)判斷CT序列中的所有圖像是否分割完成，若已分割完成，則停止分割，否則轉(zhuǎn)步驟5，繼續(xù)將當(dāng)前分割得到的目標(biāo)輪廓遷移到CT序列中的下一幅圖像作為其初始輪廓，再用GLCV模型分割，直到所有圖像都分割完成。
2.根據(jù)權(quán)利要求I所述的方法，其中步驟(3)所述的利用結(jié)合區(qū)域和邊緣的活動(dòng)輪廓模型GLCV，使輪廓曲線Ctl不斷的迭代收縮，按如下步驟進(jìn)行 (3a)設(shè)GLCV模型的水平集函數(shù)為u，并定義u的初始值為一個(gè)符號(hào)距離函數(shù)sign (u)，其滿足方程|ν〃| = ι V力求梯度運(yùn)算； (3b)根據(jù)水干集函數(shù)U，計(jì)算圖像的總能量函數(shù)E (U)
3.根據(jù)權(quán)利要求I所述的方法，其中步驟(4)所述的將CT序列中第一幅圖像I1的目標(biāo)輪廓進(jìn)行區(qū)域生長(zhǎng)后遷移到CT序列的下一幅圖像I2中作為其初始輪廓，是將I1目標(biāo)輪廓上的所有點(diǎn)作為種子點(diǎn)，依次判斷這些種子點(diǎn)的8鄰域像素是否與其相似，若相似則生長(zhǎng)得到新的種子點(diǎn)，不相似則繼續(xù)判斷，直到整幅圖像所有種子點(diǎn)都生長(zhǎng)完。
全文摘要
本發(fā)明公開(kāi)了一種基于遷移的活動(dòng)輪廓模型用于胃部CT序列分割方法。主要解決現(xiàn)有技術(shù)對(duì)于CT序列圖像分割速度慢，容易出現(xiàn)邊緣泄露的不足。其實(shí)現(xiàn)步驟是先手動(dòng)劃線圈出第一幅圖像待分割目標(biāo)區(qū)域的初始輪廓，用結(jié)合區(qū)域和邊緣的活動(dòng)輪廓模型進(jìn)行分割，得到當(dāng)前圖像的目標(biāo)輪廓；然后重復(fù)的將已分割好的圖像的目標(biāo)輪廓遷移到與其相鄰的下一幅圖像中，作為其初始輪廓，再用GLCV模型進(jìn)行分割，直到整個(gè)序列中的圖像都分割完畢。本發(fā)明與傳統(tǒng)的主動(dòng)輪廓模型相比，具有速度快、效果好等優(yōu)點(diǎn)，可用于胃部CT序列圖像的分割，對(duì)于胃部淋巴結(jié)可能出現(xiàn)的目標(biāo)區(qū)域，都能較好的分割出來(lái)。
文檔編號(hào)G06T7/00GK102903103SQ20121033497
公開(kāi)日2013年1月30日 申請(qǐng)日期2012年9月11日 優(yōu)先權(quán)日2012年9月11日
發(fā)明者緱水平, 王云利, 王之龍, 張曉鵬, 唐磊, 劉芳, 周治國(guó) 申請(qǐng)人:西安電子科技大學(xué)