本發(fā)明涉及醫(yī)學(xué)影像處理技術(shù)領(lǐng)域，特別涉及一種CT影像體表提取方法及系統(tǒng)。

背景技術(shù)：

體表分割屬于圖像分割的范疇，常用的圖像分割方法主要包括以下幾類(lèi)：基于區(qū)域的方法，基于邊緣的方法，基于分類(lèi)器、聚類(lèi)、統(tǒng)計(jì)學(xué)的方法。依據(jù)待分割對(duì)象的不同特性，所采用或設(shè)計(jì)的分割方法也千差外別。針對(duì)體表的分割，在理想情況下使用邊界跟蹤或合理的閾值分割等方法就可以得到體表區(qū)域的邊緣。但是臨床的醫(yī)學(xué)影像中，由于人體內(nèi)外結(jié)構(gòu)的異質(zhì)性、CT成像過(guò)程的畸變或噪聲的影響及其它不確定干擾因素，使得實(shí)際處理的醫(yī)學(xué)影像體表往往邊緣模糊、信號(hào)強(qiáng)度不均勻甚至噪聲較大。另外，人體體表的結(jié)構(gòu)比較復(fù)雜而且個(gè)體外部形態(tài)和生理差異較大，這也給醫(yī)學(xué)影像的體表分割帶來(lái)了很大的困難。

Manning Wang和Zhijian Song在Pattern Recognition Letters提出了采用全自動(dòng)或手動(dòng)確定閾值的分割方法提取體表結(jié)構(gòu)。Giovanni Fattori等在IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING采用了基于Marching Cube分割的體表提取方法，主要選擇體表的信號(hào)強(qiáng)度值的上限和下限閾值作為體表分割的依據(jù)。中國(guó)發(fā)明專(zhuān)利201310232262.6中基于灰度閾值的體表皮膚分割方法，首先計(jì)算皮膚的灰度閾值，對(duì)圖像二值化處理；然后采用形態(tài)學(xué)方法處理二值圖像，得到皮膚的像素級(jí)三維網(wǎng)格，接著還原表面像素區(qū)域的灰度值，最后利用以移動(dòng)立方體算法對(duì)灰度圖像三維重建，從而得到精確的皮膚三維網(wǎng)格。

上述基于閾值分割或邊緣灰度分割方法的主要不足之處在于：(1)人體體表結(jié)構(gòu)的復(fù)雜性和形態(tài)的差異，CT成像過(guò)程中的信號(hào)衰減、噪聲、畸變等因素，都可以使體表成像的差異性較大，從而使精確閾值確定難度很大且很難獲得滿(mǎn)意的體表分割效果。(2)皮膚的分割結(jié)果如果存在孔洞或者包括皮膚以外的粘連組織結(jié)構(gòu)時(shí)，如何對(duì)體表進(jìn)行自動(dòng)精細(xì)修復(fù)及剔除體表外的雜質(zhì)，這是影響體表分割效果的重要因素，但是現(xiàn)有文獻(xiàn)和發(fā)明專(zhuān)利中并沒(méi)有考慮或陳述。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，有必要提供一種能夠?qū)崿F(xiàn)三維體表的快速、精確和魯棒性分割提取的CT影像體表提取方法。

為實(shí)現(xiàn)上述目的，本申請(qǐng)采用下述技術(shù)方案：

一種CT影像體表提取方法，包括下述步驟：

獲取三維CT影像；

對(duì)所述CT影像體表進(jìn)行體表粗分割；

對(duì)所述CT影像體表進(jìn)行體表細(xì)分割；

輸出經(jīng)細(xì)分割后的CT影像體表影像；

其中，體表粗分割包括下述步驟：

分別選取所述三維CT影像中體表的邊緣和外部的兩個(gè)種子點(diǎn)，分別記為第一種子點(diǎn)和第二種子點(diǎn)；

基于所述第一種子點(diǎn)和第二種子點(diǎn)采用孤立連接區(qū)域增長(zhǎng)的方法區(qū)分體表內(nèi)和體表外，獲取體表的三維二值圖像；

其中，體表細(xì)分割包括下述步驟：

采用邊緣跟蹤算法對(duì)所述三維二值圖像的軸位影像分別逐層追蹤最外邊緣的輪廓，獲得每一層切片的邊緣輪廓坐標(biāo)；

遍歷所述三維二值圖像所有層面的軸位影像進(jìn)行逐層輪廓跟蹤提取，獲得所有層面的輪廓坐標(biāo)集合。

優(yōu)選地，所述三維CT影像為胸腹部三維CT影像。

優(yōu)選地，其中，體表細(xì)分割中，邊緣跟蹤算法為8連通區(qū)域的輪廓跟蹤算法。

優(yōu)選地，所述8連通區(qū)域的輪廓跟蹤算法，包括下述步驟：

步驟S110：從上到下，從左到右的順序掃描所述三維二值圖像的軸位影像，尋找最外圍的第一個(gè)邊界起始點(diǎn)，記為A0，其中，A0是具有最小行或列值的邊緣點(diǎn)；

步驟S120：定義一個(gè)掃描方向變量dir,該變量用于記錄上一步中沿著前一個(gè)邊界點(diǎn)到當(dāng)前邊界點(diǎn)的移動(dòng)方向，8連通區(qū)域時(shí)其初始化時(shí)取值為dir＝7；

步驟S130：按逆時(shí)針?lè)较蛩阉鳟?dāng)前像素的3×3鄰域，其起始搜索方向設(shè)定如下：對(duì)8連通區(qū)域，若dir為奇數(shù)取(dir+7)取余8；若dir為偶數(shù)為(dir+6)取余8；

步驟S140：在3×3鄰域中搜索到的第一個(gè)與當(dāng)前像素值相同的像素便為新的邊界點(diǎn)An，同時(shí)更新變量dir為新的方向值；

步驟S150：如果An等于第二個(gè)邊界點(diǎn)A1且前一個(gè)邊界點(diǎn)An-1等于第一個(gè)邊界點(diǎn)A0，則停止搜索，結(jié)束跟蹤，否則重復(fù)步驟S130繼續(xù)搜索；

步驟S160：由邊界點(diǎn)A0、A1、A2、…、An-2構(gòu)成的邊界便為要跟蹤的邊界。

優(yōu)選地，體表細(xì)分割中，在完成獲得每一層切片的邊緣輪廓坐標(biāo)后，還包括下述步驟：

對(duì)每一層切片的邊緣輪廓進(jìn)行各向異性擴(kuò)散濾波處理。

另外，本發(fā)明還提供了一種CT影像體表提取系統(tǒng)，包括：

影像獲取模塊，用于獲取三維CT影像；

體表粗分割模塊，對(duì)所述CT影像體表進(jìn)行體表粗分割；

體表細(xì)分割模塊，對(duì)所述CT影像體表進(jìn)行體表細(xì)分割；

影像輸出模塊，輸出經(jīng)細(xì)分割后的CT影像體表影像；

其中，體表粗分割模塊包括：

分別選取所述三維CT影像中體表的邊緣和外部的兩個(gè)種子點(diǎn)，分別記為第一種子點(diǎn)和第二種子點(diǎn)；

基于所述第一種子點(diǎn)和第二種子點(diǎn)采用孤立連接區(qū)域增長(zhǎng)的方法區(qū)分體表內(nèi)和體表外，獲取體表的三維二值圖像；

其中，體表細(xì)分割模塊包括：

采用邊緣跟蹤算法對(duì)所述三維二值圖像的軸位影像分別逐層追蹤最外邊緣的輪廓，獲得每一層切片的邊緣輪廓坐標(biāo)；

遍歷所述三維二值圖像所有層面的軸位影像進(jìn)行逐層輪廓跟蹤提取，獲得所有層面的輪廓坐標(biāo)集合。

優(yōu)選地，所述三維CT影像為胸腹部三維CT影像。

優(yōu)選地，其中，體表細(xì)分割模塊中，邊緣跟蹤算法為8連通區(qū)域的輪廓跟蹤算法。

優(yōu)選地，還包括濾波處理模塊，用于對(duì)每一層切片的邊緣輪廓進(jìn)行各向異性擴(kuò)散濾波處理

本發(fā)明采用上述技術(shù)方案，其有益效果在于：

本發(fā)明提出了一種CT影像體表提取方法及系統(tǒng)，采用粗-精結(jié)合的體表分割方法，粗分割采用基于孤立連接的區(qū)域增長(zhǎng)區(qū)分體表內(nèi)和體表外，從而大致獲得體表結(jié)構(gòu)，細(xì)分割過(guò)程針對(duì)粗分割三維體表的軸位輪廓進(jìn)行修復(fù)和細(xì)節(jié)保持平滑處理，從而實(shí)現(xiàn)了三維體表的快速、精確和魯棒性分割提取。

附圖說(shuō)明

圖1為本發(fā)明提供的CT影像體表提取方法的步驟流程圖。

圖2為本申請(qǐng)實(shí)施例提供的輸入CT影像。

圖3為本申請(qǐng)實(shí)施例提供的種子點(diǎn)選擇和孤立連接區(qū)域增長(zhǎng)示意圖。

圖4(a)為二值化軸位影像，圖4(b)為邊緣增長(zhǎng)結(jié)果。

圖5為所述8連通區(qū)域的輪廓跟蹤算法步驟流程圖。

圖6為二維輪廓各向異性擴(kuò)散濾波處理示意圖。

圖7為體表分割結(jié)果示意圖。

圖8為本申請(qǐng)?zhí)峁┑囊环NCT影像體表提取系統(tǒng)示意圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類(lèi)似的標(biāo)號(hào)表示相同或類(lèi)似的元件或具有相同或類(lèi)似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

請(qǐng)參閱圖1，為本發(fā)明提供的CT影像體表提取方法100的步驟流程圖，包括下述步驟：

步驟S10：獲取三維CT影像；

優(yōu)選地，所述三維CT影像為胸腹部三維CT影像?？梢岳斫?，本申請(qǐng)中給出的三維CT影像還可以是其他部位。請(qǐng)參閱圖2，為本申請(qǐng)實(shí)施例提供的輸入CT影像。

步驟S20：對(duì)所述CT影像體表進(jìn)行體表粗分割；

其中，體表粗分割包括下述步驟：

分別選取所述三維CT影像中體表的邊緣和外部的兩個(gè)種子點(diǎn)，分別記為第一種子點(diǎn)和第二種子點(diǎn)；

基于所述第一種子點(diǎn)和第二種子點(diǎn)采用孤立連接區(qū)域增長(zhǎng)的方法區(qū)分體表內(nèi)和體表外，獲取體表的三維二值圖像；

可以理解，本申請(qǐng)?zhí)峁┑墓铝⑦B接區(qū)域增長(zhǎng)是一種改進(jìn)型的區(qū)域增長(zhǎng)法，通過(guò)分別設(shè)置一個(gè)在待分割區(qū)域(前景區(qū)域)的種子點(diǎn)和一個(gè)非待分割區(qū)域(背景區(qū)域)的種子點(diǎn)，并設(shè)定一個(gè)區(qū)域增長(zhǎng)的最低閾值，通過(guò)不斷區(qū)域增長(zhǎng)待分割區(qū)域的種子點(diǎn)而不包含非待分割區(qū)域(背景區(qū)域)的種子點(diǎn)增長(zhǎng)區(qū)域，從而獲得理想的分割結(jié)果。在體表分割中，由于體表及體表內(nèi)區(qū)域與體表外區(qū)域的灰度值相差很大，通過(guò)在體表及體表內(nèi)選擇第一個(gè)種子點(diǎn)而在體表外選擇第二個(gè)種子點(diǎn)，孤立連接區(qū)域增長(zhǎng)的分割結(jié)果可以盡可能的包含體表及體表內(nèi)區(qū)域而不包含體表外區(qū)域。請(qǐng)參閱圖3，為本申請(qǐng)實(shí)施例提供的種子點(diǎn)選擇和孤立連接區(qū)域增長(zhǎng)示意圖。

本申請(qǐng)采用孤立連接區(qū)域增長(zhǎng)做體表提取的粗分割主要有以下有點(diǎn)：(i)盡可能的在分割結(jié)果中包含體表及體表內(nèi)區(qū)域，避免體表提取的部分區(qū)域缺失。(ii)很好的去除體表外區(qū)域的干擾，濾除了體表外的噪聲或雜質(zhì)。需要注意的是，體表內(nèi)部的結(jié)構(gòu)是相當(dāng)復(fù)雜的，但是粗分割的目標(biāo)并不是針對(duì)體表內(nèi)部，而是在于區(qū)分體表外和體表內(nèi)，使體表及體表內(nèi)形成一個(gè)分割的整體。

步驟S30：對(duì)所述CT影像體表進(jìn)行體表細(xì)分割；

其中，體表細(xì)分割包括下述步驟：

采用邊緣跟蹤算法對(duì)所述三維二值圖像的軸位影像分別逐層追蹤最外邊緣的輪廓，獲得每一層切片的邊緣輪廓坐標(biāo)；

遍歷所述三維二值圖像所有層面的軸位影像進(jìn)行逐層輪廓跟蹤提取，獲得所有層面的輪廓坐標(biāo)集合。

可以理解，邊緣跟蹤是指通過(guò)順序找出目標(biāo)區(qū)域邊緣點(diǎn)從而實(shí)現(xiàn)感興趣區(qū)域的分割。體表粗分割后的影像是三維二值圖像，體表細(xì)分割過(guò)程就是從三維二值圖像中提取最外圍的邊緣。由于粗分割結(jié)果中包含的體表及體表內(nèi)區(qū)域?yàn)?，而體表外的背景區(qū)域?yàn)?，通過(guò)邊緣追蹤獲得粗分割結(jié)果最外圍的輪廓點(diǎn)集合，即可以獲得體表的信息。請(qǐng)參閱圖4(a)為二值化軸位影像，圖4(b)為邊緣增長(zhǎng)結(jié)果(白色輪廓線(xiàn)所示，采用黑色增強(qiáng)顯示效果)。

本發(fā)明通過(guò)對(duì)上述三維二值體數(shù)據(jù)的軸位影像分別逐層追蹤最外邊緣的輪廓，獲得每一層切片的邊緣輪廓坐標(biāo)，然后將所有層面的輪廓坐標(biāo)集合起來(lái)即獲得了三維體表的曲面坐標(biāo)。

優(yōu)選地，邊緣跟蹤算法為8連通區(qū)域的輪廓跟蹤算法。

請(qǐng)參閱圖5，所述8連通區(qū)域的輪廓跟蹤算法，包括下述步驟：

步驟S110：從上到下，從左到右的順序掃描所述三維二值圖像的軸位影像，尋找最外圍的第一個(gè)邊界起始點(diǎn)，記為A0，其中，A0是具有最小行或列值的邊緣點(diǎn)；

步驟S120：定義一個(gè)掃描方向變量dir,該變量用于記錄上一步中沿著前一個(gè)邊界點(diǎn)到當(dāng)前邊界點(diǎn)的移動(dòng)方向，8連通區(qū)域時(shí)其初始化時(shí)取值為dir＝7；

步驟S130：按逆時(shí)針?lè)较蛩阉鳟?dāng)前像素的3×3鄰域，其起始搜索方向設(shè)定如下：對(duì)8連通區(qū)域，若dir為奇數(shù)取(dir+7)取余8；若dir為偶數(shù)為(dir+6)取余8；

步驟S140：在3×3鄰域中搜索到的第一個(gè)與當(dāng)前像素值相同的像素便為新的邊界點(diǎn)An，同時(shí)更新變量dir為新的方向值；

步驟S150：如果An等于第二個(gè)邊界點(diǎn)A1且前一個(gè)邊界點(diǎn)An-1等于第一個(gè)邊界點(diǎn)A0，則停止搜索，結(jié)束跟蹤，否則重復(fù)步驟S130繼續(xù)搜索；

步驟S160：由邊界點(diǎn)A0、A1、A2、…、An-2構(gòu)成的邊界便為要跟蹤的邊界。

上述圖像輪廓跟蹤算法可以獲取任一層面軸位二值化影像的體表輪廓，對(duì)三維體數(shù)據(jù)的所有層面軸位二值化影像進(jìn)行逐層輪廓跟蹤提取，則可以獲得所有層面的輪廓坐標(biāo)集合。

優(yōu)選地，體表細(xì)分割中，在完成獲得每一層切片的邊緣輪廓坐標(biāo)后，還包括下述步驟：

對(duì)每一層切片的邊緣輪廓進(jìn)行各向異性擴(kuò)散濾波處理。

可以理解，在形態(tài)上，二值化影像的輪廓跟蹤結(jié)果普遍存在階梯狀或陡峭的變化，這與實(shí)際體表的平滑形態(tài)是有差別的。主要原因是上述邊緣跟蹤過(guò)程是基于二值化影像的輪廓進(jìn)行，容易受到影像數(shù)字離散化、噪聲等因素的影像。因此，對(duì)所獲得體表的平滑濾波處理顯得尤為關(guān)鍵，需要強(qiáng)調(diào)的是，體表的平滑處理不能改變體表輪廓的原有變化形態(tài)，即首先需要保持輪廓的形態(tài)細(xì)節(jié)特征不變，同時(shí)平滑濾波處理噪聲及離散化引起的不規(guī)則突變。

為此，本發(fā)明采用了對(duì)二維輪廓進(jìn)行各向異性擴(kuò)散濾波處理。在數(shù)字圖像處理中，各向異性擴(kuò)散濾波主要是用于進(jìn)行圖像平滑，各向異性擴(kuò)散在平滑圖像時(shí)可以盡可能保留圖像邊緣。請(qǐng)參閱圖6為二維輪廓各向異性擴(kuò)散濾波處理。

具體地，本發(fā)明并不是采用各向異性擴(kuò)散濾波對(duì)二維或三維圖像進(jìn)行處理，而是使用各向異性擴(kuò)散濾波對(duì)二維輪廓進(jìn)行各向異性擴(kuò)散濾波處理。這個(gè)處理過(guò)程，實(shí)質(zhì)上是針對(duì)二維輪廓點(diǎn)集合的X坐標(biāo)和Y坐標(biāo)分別進(jìn)行一維的各向異性擴(kuò)散濾波處理。假定二維輪廓邊緣離散點(diǎn)的坐標(biāo)為

{(x_i，y_i：i＝0，...，n-1)}，那么各向異性擴(kuò)散濾波處理就是分別針對(duì)輪廓離散點(diǎn)集合的{(x_i：i＝0，...，n-1)}和{(y：i＝0，...，n-1)}一維向量分別進(jìn)行各向異性擴(kuò)散濾波處理。

步驟S40：輸出經(jīng)細(xì)分割后的CT影像體表影像。

請(qǐng)參閱圖7，為體表分割結(jié)果示意圖。

請(qǐng)參閱圖8，本申請(qǐng)還提供了一種CT影像體表提取系統(tǒng)，包括：

影像獲取模塊110，用于獲取三維CT影像；

體表粗分割模塊120，對(duì)所述CT影像體表進(jìn)行體表粗分割；

體表細(xì)分割模塊130，對(duì)所述CT影像體表進(jìn)行體表細(xì)分割；

影像輸出模塊140，輸出經(jīng)細(xì)分割后的CT影像體表影像；

其中，體表粗分割模塊120包括：

分別選取所述三維CT影像中體表的邊緣和外部的兩個(gè)種子點(diǎn)，分別記為第一種子點(diǎn)和第二種子點(diǎn)；

基于所述第一種子點(diǎn)和第二種子點(diǎn)采用孤立連接區(qū)域增長(zhǎng)的方法區(qū)分體表內(nèi)和體表外，獲取體表的三維二值圖像；

其中，體表細(xì)分割模塊130包括：

采用邊緣跟蹤算法對(duì)所述三維二值圖像的軸位影像分別逐層追蹤最外邊緣的輪廓，獲得每一層切片的邊緣輪廓坐標(biāo)；

遍歷所述三維二值圖像所有層面的軸位影像進(jìn)行逐層輪廓跟蹤提取，獲得所有層面的輪廓坐標(biāo)集合。

還包括濾波處理模塊150，用于對(duì)每一層切片的邊緣輪廓進(jìn)行各向異性擴(kuò)散濾波處理。

本申請(qǐng)?zhí)峁┑腃T影像體表提取系統(tǒng)，其詳細(xì)的實(shí)現(xiàn)方式在上述已有詳細(xì)描述，這里不再贅述。

本發(fā)明提出了一種CT影像體表提取方法及系統(tǒng)，采用粗-精結(jié)合的體表分割方法，粗分割采用基于孤立連接的區(qū)域增長(zhǎng)區(qū)分體表內(nèi)和體表外，從而大致獲得體表結(jié)構(gòu)，細(xì)分割過(guò)程針對(duì)粗分割三維體表的軸位輪廓進(jìn)行修復(fù)和細(xì)節(jié)保持平滑處理，從而實(shí)現(xiàn)了三維體表的快速、精確和魯棒性分割提取。

雖然本發(fā)明參照當(dāng)前的較佳實(shí)施方式進(jìn)行了描述，但本領(lǐng)域的技術(shù)人員應(yīng)能理解，上述較佳實(shí)施方式僅用來(lái)說(shuō)明本發(fā)明，并非用來(lái)限定本發(fā)明的保護(hù)范圍，任何在本發(fā)明的精神和原則范圍之內(nèi)，所做的任何修飾、等效替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的權(quán)利保護(hù)范圍之內(nèi)。