基于稀疏表示的醫(yī)學ct圖像腎上腺腫瘤分割方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理技術領域，具體涉及稀疏表示的醫(yī)學CT圖像腎上腺腫瘤分 割方法。
【背景技術】
[0002] 腎上腺位于腹膜后，其下外側則與兩側腎的上內側緊密貼近。它能夠分泌腎上腺 素、皮質激素等多種調節(jié)人體生理功能的重要激素，是體內重要的內分泌器官。一旦腎上腺 的某一部位發(fā)生腫瘤，相應部位分泌的激素就會失調，引發(fā)一些心血管疾病，嚴重時會威脅 生命。
[0003] 因為腎上腺腫瘤引發(fā)的病癥與其它腎上腺疾病（如腎上腺皮質增生）相似，但是 兩者的治療方案不同。因此，其診斷需要借助于醫(yī)學影像技術。CT圖像由于其高密度分辨 率，在成像診斷中有著廣泛的應用。但是由于腫瘤病灶組織與周圍組織在CT圖像中很接 近，使得它們之間的邊界難于區(qū)分。
[0004] 水平集的方法在醫(yī)學CT圖像分割的問題上有很好的性能[1]-[3]，它具有靈活的 約束條件且對（腫瘤）拓撲結構的適應性強。但是水平集的方法對于初始輪廓的要求很高， 往往需要人工勾畫，較差的初始輪廓容易導致分割結果進入局部極小值。
[0005] 針對上述問題，本發(fā)明利用稀疏表示以及圖像塊處理的方法，通過區(qū)域生長法自 動獲取腫瘤初始輪廓，該初始輪廓已十分接近于腫瘤的輪廓，用它作為基于局部信息水平 集分割方法的初始輪廓，提高了分割的自動化水平，降低了后續(xù)水平集分割的難度，獲取的 最終分割結果更加準確。

【發(fā)明內容】

[0006] 本發(fā)明的目的是提出一種可以有效提高分割準確率與自動化水平的的醫(yī)學CT圖 像腎上腺腫瘤分割方法。
[0007] 本發(fā)明提出的醫(yī)學CT圖像中腎上腺腫瘤的分割方法，具體步驟為： (1) 獲取一系列包含腫瘤邊界圖像子塊作為訓練樣本，用K均值聚類奇異值分解 (KSVD)的方法，訓練出一個對邊界敏感的過完備字典； (2) 利用步驟（1)得到的字典，把CT圖像上的感興趣區(qū)域（ROI)的每一個圖像子塊做 稀疏表示，獲得第一個稀疏系數(shù)的絕對值；選取適當?shù)拈撝?，區(qū)分第一個系數(shù)值，把圖像子 塊分成同質區(qū)和邊界區(qū)兩類，從而把原圖像映射成一個二值圖像； (3) 用區(qū)域生長的方法，從步驟（2)中的二值圖像中心點開始，往外生長得到感興趣區(qū) 域內腫瘤的粗糙輪廓； (4) 以步驟（3)得到的粗糙輪廓作為水平集分割方法的初始輪廓，用基于局部信息的水 平集分割方法獲得最終的精確輪廓。
[0008] 下面就本發(fā)明方法的各個步驟涉及的相關技術細節(jié)作進一步的具體描述。
[0009] 關于步驟1，獲取一系列包含腫瘤邊界圖像子塊的 做法為：首先，對已知腫瘤邊界的訓練圖像/進行分塊，利用I X = S)的滑動窗口，從左 到右，從上到下，遍歷整幅圖像，依次提取圖像子塊；把#包含腫瘤邊界的圖像塊保留下 來，作為訓練樣本，并將其展開為M X ]的列向量，貨25。其余圖像塊舍棄。
[0010] 感興趣區(qū)域是在圖1(a)的紅框內，圖1(b)為放大后的感興趣區(qū)域。
[0011] 圖2是所選取訓練樣本的示例，紅色輪廓為已知的腫瘤輪廓，藍色框為所選取的 訓練樣本。
[0012] 所述用K均值聚類奇異值分解（KSVD)的方法，訓練出一個對邊界敏感的過完備字 典，具體做法如下： 設包含腫瘤邊界的圖像塊集合為F 浪900。冗余字典妙J Z個25維原子的集 合（Ζ=100)，經(jīng)過稀疏分解后的系數(shù)為Ζ，則包含腫瘤邊界的圖像塊集合推]稀疏表示為：
【主權項】
1. 基于稀疏表示的醫(yī)學CT圖像腎上腺腫瘤分割方法，其特征在于具體步驟為： (1) 獲取一系列包含腫瘤邊界圖像子塊作為訓練樣本，用K均值聚類奇異值分解 (KSVD)的方法，訓練出一個對邊界敏感的過完備字典； (2) 利用步驟（1)得到的字典，把CT圖像上的感興趣區(qū)域（ROI)的每一個圖像子塊做 稀疏表示，獲得第一個稀疏系數(shù)的絕對值；選取適當?shù)拈撝?，區(qū)分第一個系數(shù)值，把圖像子 塊分成同質區(qū)和邊界區(qū)兩類，從而把原圖像映射成一個二值圖像； (3) 用區(qū)域生長的方法，從步驟（2)中的二值圖像中心點開始，往外生長得到感興趣區(qū) 域內腫瘤的粗糙輪廓； (4) 以步驟（3)得到的粗糙輪廓作為水平集分割方法的初始輪廓，用基于局部信息的水 平集分割方法獲得最終的精確輪廓。
2. 根據(jù)權利要求1所述的基于稀疏表示的醫(yī)學CT圖像腎上腺腫瘤分割方法，其特征在 于步驟（1)中，所述獲取一系列包含腫瘤邊界圖像子塊的做法為： 首先，對已知腫瘤邊界的訓練圖像/進行分塊，利用I X I?的滑動窗口，從左到右，從上 到下，遍歷整幅圖像，依次提取圖像子塊；把包含腫瘤邊界的Λ個圖像塊保留下來，作為訓 練樣本，并將其展開為M X ]的列向量，M = &2,其余圖像塊舍棄； 所述用K均值聚類奇異值分解（KSVD)的方法，訓練出一個對邊界敏感的過完備字典， 具體做法如下： 設包含腫瘤邊界的圖像塊集合為y GiTwx'Λ為訓練樣本數(shù)，冗余字典妙J Z個妨隹 原子的集合，經(jīng)過稀疏分解后的系數(shù)為X，則包含腫瘤邊界的圖像塊集合推]稀疏表示為： minJlY-DXi22 s.t. |J|!0<TC (I) 其中分別為l2_范數(shù)與lCI_范數(shù)，前者為向量^各個元素平方和的I次方， 后者為向量5中非0元素的個數(shù)，re為稀疏度；式（1)表示，在約束條件IWIe ^ G下，從稀 疏分解后的系數(shù)_找到一系列合適的列向量*，使得最終的席纟讓IlF - 取到最小 值； 以此字典對包含邊界的圖像塊做稀疏表示； 首先，包含腫瘤邊界的圖像塊樣本的稀疏表示為：
其中δ為以離散余弦變換基元取的初始化字典；系數(shù)矩陣f G ，其第i列A表示 第?個訓練樣本$的稀疏分解系數(shù)； 接著固定字典Λ采用正交匹配跟蹤算法找到最優(yōu)系數(shù)屈勺近似解；然后，利用奇異值 分解（SVD)不斷更新0原子，求得最終的目標字典；設^為0的第/列，為經(jīng)過第打欠迭 代后觀]第I行，假定更新第k個原子，將矩陣相乘的方式從行乘列求和改寫為列乘行求和， 則式⑵變?yōu)椋?br>令^記錄C3^中使用原子^的訓練樣本，即：
定義矩陣1?為￡ X |6)k|,在處為1，其余全為0,令# = = FiJk ,則式 (3)改為：
對Ej進行奇異值分解:=￡/ΔΙ#，利用矩陣?的第一列更新原子4 ;經(jīng)過多次迭代 后，對所有原子進行更新，則得到最終的冗余字典々； 重復上述稀疏分解與字典更新過程，直至式（2)收斂，獲得對邊界敏感的字典從
3.根據(jù)權利要求1所述的基于稀疏表示的醫(yī)學CT圖像腎上腺腫瘤分割方法，其特征在 于步驟（2)中，所述把原圖像映射成一個二值圖像的具體過程為： 首先，對CT圖像進行感興趣區(qū)域5的人工提取，得到包括腫瘤的矩形區(qū)域，設 為S GITxe ;利用h X I的滑動窗口，從左到右，從上到下遍歷整幅圖像，依次提取 圖像子塊，并將其展開為F Xi的列向量；這樣，CT圖像分成了 Z個圖像子塊&， Z = (r - ?> + 1〕X (c - ?> + I) , Z個圖像子塊的稀疏表示為：
其中妙7訓練后的字典；系數(shù)矩陣5 e ，其第?列&表示第I個圖像子塊s:的稀疏 分解系數(shù)； i?是基于腫瘤邊界訓練得到的字典，對邊界敏感；將其對CT圖像進行稀疏分解，得到的 同質區(qū)和邊界區(qū)的分解系數(shù)有很大的不同，特別是第一個系數(shù)值的絕對值，差距很大；故比 較系數(shù)矩陣5ψ每個分解系數(shù)Si的第一個值的絕對值，選取適當閾值，判斷該圖像子塊是否 是邊界子塊：若5:的第一個值的絕對值大于閾值，則說明其為邊界子塊，用邏輯值1代替原 圖像子塊的中心像素值；若sE的第一個值的絕對值小于閾值，則說明其為同質區(qū)子塊，用邏 輯值〇代替原圖像子塊的中心像素值；在比較了所有子塊之后，即獲得原圖像的二值圖像 映射。
4. 根據(jù)權利要求1所述的基于稀疏表示的醫(yī)學CT圖像腎上腺腫瘤分割方法，其特征在 于步驟（3)中，使用區(qū)域生長的方法，從步驟（2)中獲得的二值圖像里提取出腫瘤的初始輪 廓，具體過程為： 在保證腫瘤大致位于感興趣區(qū)域中心的前提下，選取感興趣區(qū)域的中心點為初始生長 點，以"十"字形的模板向四周生長；若生長點上下左右四鄰域內的點值為〇,則生長至此 點，并將此點作為下一輪生長的種子點之一；若生長點上下左右四鄰域內的點值為1，則不 生長至此點，中心處的原種子點則不在下一輪繼續(xù)生長； 通過生長的方法獲得一個腫瘤的粗略輪廓，需要一個終止條件； 對于一個類圓形的腫瘤，其感興趣區(qū)域的二值映射也是一個類圓形的二值圖像，生長 過程從1個點開始，第二輪變?yōu)?個點，第三輪變?yōu)?個點，隨后逐漸增加，到達邊界后生長 點個數(shù)開始逐漸下降；若二值圖像是閉合的，生長點個數(shù)最終下降為〇 ;若二值圖像不是閉 合的，則生長點個數(shù)會在下降到極小值后有再上升的趨勢；因此，利用每輪生長點個數(shù)的變 化作為生長是否終止的判斷，當生長點個數(shù)達到第一個極小值時，便停止生長； 然后，用梯度算子，獲得腫瘤的粗略輪廓。
5. 根據(jù)權利要求1所述的基于稀疏表示的醫(yī)學CT圖像腎上腺腫瘤分割方法，其特征在 于步驟（4)中，所述以步驟（3)得到的粗糙輪廓作為水平集分割方法的初始輪廓，用基于局 部信息的水平集分割方法獲得最終的精確輪廓，具體過程為： 假設初始閉合輪廓為G再定義圖像上的點y到初始輪廓的有符號距離為輪廓 內的點與輪廓的距離為負，輪廓外的點與輪廓的距離為正；那么輪廓內的點用平滑后的 Heaviside函數(shù)表示為：
其中f是個很小的常數(shù)； 顯然，輪廓外的點則表示成d-Jfi丨;再定義局部區(qū)域為：
其中*為輪廓上的點,y為除*外的其它點,I丨X -y|丨表示兩者間歐氏距離； 對于輪廓上某一個點，定義局部區(qū)域能量為： Fi:lix>vx^(y^)= 0(y) ~ux)2h(Hv)) + 0(y) ~ ^)2(i- h(^6t))) Ο) 其中/(y)表示圖像/中，點y的亮度，與·^分別為輪廓內與輪廓外局部區(qū)域的亮度 均值：
0 這里，局部區(qū)域的能量表示成： % ·?? Κ. > ·? Jl
引入輪廓曲率的懲罰項后，水平集能量函數(shù)為：
其中』為權重系數(shù)輪廓曲率的懲罰項權重系數(shù)，F(xiàn)為梯度算子； 由能量函數(shù)得到最終的輪廓迭代方程：
其中表示散度； 由式（15)的迭代方程與初始輪廓，最終獲得分割后的最終輪廓。
【專利摘要】本發(fā)明屬于圖像處理技術領域，具體為基于稀疏表示的醫(yī)學CT圖像中腎上腺腫瘤的分割方法。本發(fā)明使用訓練所得對邊界敏感的過完備字典，將二維CT圖像的感興趣區(qū)域分解成圖像子塊并作稀疏表示；對于圖像同質區(qū)與非同質區(qū)兩者稀疏分解的第一個系數(shù)的絕對值差異明顯，選取合適閾值區(qū)分該系數(shù)，得到對應的圖像邊界子塊，并獲得一個二值圖像；利用區(qū)域生長法在此二值圖像上生長出腫瘤的粗糙輪廓，將其作為水平集分割方法的初始輪廓，通過多次迭代，獲取腫瘤最終邊界。本發(fā)明可以大大提高圖像中腎上腺腫瘤圖像分割的自動化程度，同時降低了水平集分割方法對初始輪廓的依賴程度，使得分割結果更加準確。
【IPC分類】G06T7-00
【公開號】CN104637056
【申請?zhí)枴緾N201510052403
【發(fā)明人】郭翌, 柴漢超, 汪源源
【申請人】復旦大學
【公開日】2015年5月20日
【申請日】2015年2月2日