专利名称：基于最大相似性区域合并的胃部ct图像交互式分割方法
技术领域：
本发明属于图像处理技术领域，特别是医学图像的处理，主要可用于胃部CT图像的交互式分割。
背景技术：
由于成像技术的不同，医学图像可分为计算机断层扫描(CT)、正电子放射层析成像技术(PET)、单光子辐射断层摄像(SPECT)、MR(磁共振成像)、Ultrasound(超声)及其它医学影像设备所获得的图像等。医学图像分割是正常组织和病变组织的三维重建、定量分析等后续操作的基础，也是临床应用的瓶颈，同时也是可视化实现的预处理步骤和前提。 分割后的图像被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导技术。分割的准确性对医生判断疾病的真实情况并作出准确的诊断计划至关重要。医学图像分割技术的发展是一个从人工分割到半自动分割再到自动分割逐步发展的过程。虽然人工分割的精度极高，但该方法费时、费力，其分割结果的优劣完全取决于操作者的经验知识，且分割结果难以重现。半自动分割是通过人机交互的形式完成图像分割的全过程。半自动方法与人工分割相比，分割速度明显提高，但分割结果很大程度上仍然依赖于操作者的经验知识。自动分割则完全脱离了人为干涉，但其算法复杂，运算量较大， 有些情况下仍需要人工干预。因此，交互式分割方法是近年来图像分割研究的热点。目前主要的交互式分割方法主要有Live wire方法、基于几何形变模型方法、基于活动轮廓模型的方法等，其中，Live wire是一种通过边缘提取来进行图像分割的方法，它基于动态规划图搜索算法，合理的构造代价函数和选择目标点和起始点，在全图范围内寻找给定两点间的最优路径，用于提取物体的边缘。这个方法的缺点是对于每一个给定边界点，都要进行全局搜索找出到这个点的最短路径的点，这样运行速度非常慢，而且分割结果对代价函数和参数的依赖性比较强，每次分割之前都需要训练来选择代价函数和参数，使得操作很复杂； 几何形变模型方法是以曲线演化为理论基础，而用水平集方法实现曲线的演化，它用高维符号距离函数演化代替了参数曲线演化，具有很好的拓扑变化能力，此方法的不足是在演化过程中须非周期性的重新初始化水平集函数为一符号距离函数，这样既增加了计算量也影响了分割的速度，重新初始化的好坏也会影响图像分割的效果；活动轮廓模型是在图像中定义一个曲线，使其在曲线本身决定的内能和由图像数据决定的外能的推动下向物体边缘靠近，这种方法对初始曲线的位置比较敏感，而且它不能收敛到凹性边缘。综上，现有的交互式分割方法都要求对待分割的目标有一个初始化的逼近，无论是Live wire中的代价函数还是活动轮廓模型和几何形变模型中的初始曲线，都在无形中为图像分割的效果埋下了隐患，而且这些基于像素的方法运行速度不满足医学图像实时性处理的要求。
发明内容
3
本发明的目的在于克服上述医学图像分割存在的缺陷，提出一种基于最大相似性区域合并的胃部CT图像交互式分割方法，以避免繁冗的代价函数和初始曲线的选择，提高医学图像分割的有效性和准确性。为实现上述目的，本发明包括如下步骤(1)输入胃部CT原始图像，并用分水岭方法进行初始分割，得到初分割图；(2)由用户在初分割图上划不同的线段分别对目标和背景进行标记，例如用实线段标记目标区域，记为Mb，用虚线段标记背景区域，记为Mtj，剩余的未标记区域，记为N。(3)统计初分割图中所有区域的数目，计算每一个区域的灰度梯度共生矩阵作为其区域特征；(4)设定区域间的最大相似性准则，即对于不同的两个区域Rl和R2，且R2为Rl 的邻域，如果Rl的区域特征和R2的区域特征的乘积在R2与其邻域的区域特征的乘积中是最大的，则认为Rl与R2相似；(5)基于最大相似性准则进行如下两次区域合并5a)第一次区域合并对于背景Mb中每一个区域B，设B的8邻域为Ai, i = 1，… 8，分别计算Ai与Ai的8邻域的相似性，如果B与Ai的相似性大于Ai与其8邻域中任意一个的相似性，则将背景B的邻域Ai合并到Mb中；5b)第二次区域合并对N中剩余的区域P，取P的8邻域之一 Hi,分别计算Hi与 Hi的8邻域的相似性，如果P与Hi的相似性大于Hi与Hi的8邻域中的任意一个相似性，则将Hi合并到P中；(6)上述两次合并完成后，输入图像的每个区域都已被标记为目标或背景，也就是将目标从背景中分割了出来，最后输出合并完成后的结果图像。本发明与现有的技术相比具有以下优点1、本发明中针对要分割的目标进行简单的划线操作来人机交互，与主动轮廓方法和几何形状模型方法中初始曲线相比，提高了初始化的准确度；2、本发明针对医学图像自身的特点，用统计的区域的灰度梯度共生矩阵作为区域特征，提高了分割效果；3、本发明采用基于块的区域合并的方法，与大多基于像素点的图像分割方法相比，大大提高了医学图像处理的速度。
图1是本发明的流程图；图2是本发明所使用的胃部CT原图；图3是用本发明对图2进行初始分割后的结果图像；图4是本发明对图3进行区域合并后的结果图像。
具体实施例方式参照图1，本发明基于最大相似性区域合并的胃部CT图像的交互式分割给出以下两种实施例实施例1，
步骤1 输入第一幅胃部CT原图，如图2a。步骤2 用分水岭算法对图2a进行初始分割得到图3a，所述的分水岭算法是参考自文献“王忠义，“分水岭变换在医学图像分割中的应用”，电脑知识与技术，Vol. 5，No. 12， April 2009，pp.3221-3223”。步骤3 针对要分割的目标在图3a上进行标记。3a)根据胃部淋巴结主要出现在胃壁周围5cm的位置，把胃壁周围5cm以内的区域作为要分割的目标；3b)由用户在图3a上划不同的线段分别对目标和背景进行标记，例如用实线段标记目标区域，记为Mb，用虚线段标记背景区域，记为Mtj，剩余的未标记区域，记为N。步骤4 统计图3a中的区域数目，对图2a基于16 X 16大小的像素块求每个像素点的灰度梯度共生矩阵，则每个像素点将得到15维特征，其中包括小梯度优势、大梯度优势、 灰度分布的不均勻性、梯度分布的不均勻性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、惯性、逆差矩。再将图3a各个区域中所有像素点的灰度梯度共生矩阵的均值作为这个区域的灰度梯度共生矩阵，并把它作为区域特征。其中灰度梯度共生矩阵的方法是参考自文献“洪继光，“灰度-梯度共生矩阵纹理分析方法” 自动化学报，vol. 10，no. 1，Jan.，1984” ；步骤5 对于不同的两个区域Rl和R2，且R2为Rl的8邻域之一，设定其区域间的最大相似性准则为如果Rl的区域特征与R2的区域特征的乘积在R2与R2的8个邻域的区域特征的乘积中是最大的，则认为Rl与R2相似，反之不相似。步骤6 基于最大相似性准则对图3a进行区域合并，合并过程主要分两步来完成第一次区域合并6a)对于背景Mb中的每一个区域B，设B的8邻域为Ai, i = 1，…8，分别计算& 与Ai的8邻域S」的相似性，j = 1，…，8，即用Ai的区域特征乘以S」的区域特征，如果B的区域特征与Ai的区域特征的乘积大于Ai与S」中任意一个的区域特征的乘积，则将Ai合并到Mb中；6b)重复执行6a)，每执行一次，Mb和N更新一次，直到Mb再也找不到新的合并区域。6c)上述完成之后，N中仍有一部分属于背景的区域未被标记，因为它们彼此间的相似性高于其与标记背景的相似性，接下来合并目标区域的同时也将合并这些区域。第二次区域合并6d)对N中剩余的每一个区域P，设P的8邻域为Hi, i = 1，…8，分别计算Hi与 Hi的8邻域Sk的相似性，k = 1，…，8，即用Hi的区域特征乘以Sk的区域特征，如果Hi的区域特征与P的区域特征的乘积大于Hi与Sk中任意一个的区域特征的乘积，则将Hi合并到P中；6e)重复执行6d)，直到未标记区域N中找不到新的合并区域为止，通过上述两次合并后，整幅图已被分成了目标和背景两部分，即分割出了目标，如图4a。步骤7 输出最终的分割结果图4a。实施例2，
步骤一输入另一幅胃部CT原图，如图2b。步骤二 用分水岭算法对图2b进行初始分割得到图北，所述的分水岭算法是参考自文献“王忠义，“分水岭变换在医学图像分割中的应用”，电脑知识与技术，Vol. 5，No. 12， April 2009，pp.3221-3223”。步骤三针对要分割的目标在图北上进行标记。3. 1)根据胃部淋巴结主要出现在胃壁周围5cm的位置，把胃壁周围5cm以内的区域作为要分割的目标；3. 2)由用户在图北上划不同的线段分别对目标和背景进行标记，例如用实线段标记目标区域，记为Mb，用虚线段标记背景区域，记为Mtj，剩余的未标记区域，记为N。步骤四统计图3a中的区域数目，对图加基于16X16大小的像素块求每个像素点的灰度梯度共生矩阵，则每个像素点将得到15维特征，其中包括小梯度优势、大梯度优势、灰度分布的不均勻性、梯度分布的不均勻性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、惯性、逆差矩。再将图3a各个区域中所有像素点的灰度梯度共生矩阵的均值作为这个区域的灰度梯度共生矩阵，并把它作为区域特征。 其中灰度梯度共生矩阵的方法是参考自文献“洪继光，“灰度-梯度共生矩阵纹理分析方法” 自动化学报，vol. 10，no. 1，Jan.，1984” ；步骤五对于不同的两个区域Rl和R2，且R2为Rl的8邻域之一，设定其区域间的最大相似性准则为如果Rl的区域特征与R2的区域特征的乘积在R2与R2的8个邻域的区域特征的乘积中是最大的，则认为Rl与R2相似，反之不相似。步骤六基于最大相似性准则对图北进行区域合并，合并过程主要分两步来完成第一次区域合并6. 1)对于背景Mb中的每一个区域B，设B的8邻域为Ai, i = 1，…8，分别计算Ai 与Ai的8邻域h的相似性，j = 1，…，8，即用Ai的区域特征乘以h的区域特征，如果B的区域特征与Ai的区域特征的乘积大于Ai与h中任意一个的区域特征的乘积，则将Ai合并到Mb中；6. 2)重复执行6. 1)，每执行一次，Mb和N更新一次，直到Mb再也找不到新的合并区域。6. 3)上述完成之后，N中仍有一部分属于背景的区域未被标记，因为它们彼此间的相似性高于其与标记背景的相似性，接下来合并目标区域的同时也将合并这些区域。第二次区域合并6. 4)对N中剩余的每一个区域P，设P的8邻域为Hi, i = 1，…8，分别计算Hi与 Hi的8邻域&的相似性，k = 1，…，8，即用Hi的区域特征乘以&的区域特征，如果Hi的区域特征与P的区域特征的乘积大于Hi与&中任意一个的区域特征的乘积，则将Hi合并到P中；6. 5)重复执行6. 4)，直到未标记区域N中找不到新的合并区域为止，通过上述两次合并后，整幅图已被分成了目标和背景两部分，即分割出了目标，如图4b。步骤七输出最终的分割结果图4b。从图如和图4b可以看出，用本发明最大相似性区域合并的方法能较好的将胃壁
6周围5cm以内的区域分割出来，对于不同人的胃部图像，只要用户能对目标区域进行准确的标记，然后通过本发明就能快速的得到比较好的分割结果。
权利要求
1.一种基于最大相似性区域合并的胃部CT图像交互式分割方法，包括如下步骤(1)输入胃部CT原始图像，并用分水岭方法进行初始分割，得到初分割图；(2)由用户在初分割图上划不同的线段分别对目标和背景进行标记，例如用实线段标记目标区域，记为Mb，用虚线段标记背景区域，记为Mtj，剩余的未标记区域，记为N。(3)统计初分割图中所有区域的数目，计算每一个区域的灰度梯度共生矩阵作为其区域特征；(4)设定区域间的最大相似性准则，即对于不同的两个区域Rl和R2，且R2为Rl的邻域，如果Rl的区域特征和R2的区域特征的乘积在R2与其邻域的区域特征的乘积中是最大的，则认为Rl与R2相似；(5)基于最大相似性准则进行如下两次区域合并5a)第一次区域合并对于背景Mb中每一个区域B，设B的8邻域为Ai;i = 1，…8，分别计算Ai与Ai的8邻域的相似性，如果B与Ai的相似性大于Ai与其8邻域中任意一个的相似性，则将背景B的邻域Ai合并到Mb中；5b)第二次区域合并对N中剩余的区域P，取P的8邻域之一 Hi,分别计算Hi与Hi的 8邻域的相似性，如果P与Hi的相似性大于Hi与Hi的8邻域中的任意一个相似性，则将Hi 合并到P中；(6)上述两次合并完成后，输入图像的每个区域都已被标记为目标或背景，也就是将目标从背景中分割了出来，最后输出合并完成后的结果图像。
2.根据权利要求书1所述的方法，其中步骤(1)所述的用分水岭方法进行初始分割，是先对每个像素的灰度级进行由低到高排序，再从低到高实现淹没，对每一个局部极小值在灰度级为h的高度的影响域采用先进先出FIFO进行判断及标注。
3.根据权利要求书1所述的方法，其中步骤C3)所述的计算每个区域的灰度梯度共生矩阵，按如下步骤计算3a)对原始的胃部CT图像基于大小为16X16的像素块求每个像素点的灰度梯度共生矩阵；3b)对于初分割图中的每个区域，将其中所有像素点的灰度梯度共生矩阵的均值作为这个区域的灰度梯度共生矩阵。
4.根据权利要求书1所述的方法，其中步骤5a)所述的计算Ai与Ai的8邻域的相似性，是用Ai的区域特征向量乘以Ai的邻域。的区域特征向量，i = 1，…8。
5.根据权利要求书1所述的方法，其中步骤5b)所述的计算Hi与Hi的8邻域的相似性，是Hi的区域特征向量乘以Hi的邻域&的区域特征向量，k = 1，…8。
全文摘要
本发明公开了一种基于最大相似性区域合并的胃部CT图像的交互式分割方法，主要解决了现有交互式分割方法分割速度慢，分割效果不理想的问题。其实现过程是输入胃部CT，并用分水岭方法进行初分割；然后由用户交互式的划不同线段标记目标和背景；计算每个区域的灰度梯度共生矩阵作为区域特征；设定区域间的最大相似性准则，再基于这个准则分两次进行区域合并第一次先合并大部分背景，第二次合并目标的同时再合并剩余的背景，直到整幅图像被分为目标和背景两部分为止，最后得到分割结果。本发明具有对医学图像分割效果好、实时性强等优点，对不同人的胃部CT图像，分割效果也比较理想。
文档编号G06T7/00GK102509296SQ20111035328
公开日2012年6月20日 申请日期2011年11月10日 优先权日2011年11月10日
发明者侯彪, 周治国, 唐磊, 张晓鹏, 王之龙, 王云利, 缑水平, 马丽敏 申请人:西安电子科技大学