图像分割方法及其系统与流程

本发明涉及医学图像处理领域，尤其涉及一种图像分割方法及其系统。

背景技术：

肺癌是全球死亡率最高的癌症。虽然医学诊断和治疗水平不断提高，肺癌的五年生存率也仅有15％左右，早期发现、早期治疗是提高肺癌治愈率的主要途径。肺结节是肺癌的早期表现形式。肺结节的准确分割结果能够有效的反映出结节的病理和形态特征，进而帮助用户对病灶进行诊断分析。实现肺结节自动分析与识别的关键技术是:肺结节分割、检测、诊断等一系列图像处理、分析和理解算法的研究和应用。

现有技术中采用水平集算法或者多尺度阈值方法进行结节分割，但是肺结节形态各异、大小各不相同、分布位置不定、易与其它组织链接，密度与肺部某些组织类似，例如肺结节具有实性结节、混合型磨玻璃结节、磨玻璃结节(ground-glass nodule,GGN)等各类形态，无法简单通过形态学方法准确识别肺结节，尤其是磨玻璃结节作为一种恶性可能性最大的一类结节，形态上边缘不规则，在CT图像中呈现模糊稀薄影，在CT中的HU(Hounsfield Unit，亨氏单位)值分布广泛且纹理形态多变，通过水平集算法(Level Set)等基于边缘算法难以精确识别肺结节。此外肺结节在CT图像中的灰度值不服从高斯分布，多阈值方法易造成泄露导致分割结果不准确。

因此，本发明提供一种图像分割方法，以提高结节分割的准确性。

技术实现要素：

本发明所要解决的技术问题是提供一种医学图像的分割方法及其系统，用于分割不同类型的肺结节，能够有效提高肺结节分割的准确性，进而利于用户对病灶的诊断和分析。

为解决上述技术问题，本发明提供一种医学图像的分割方法，包括如下步骤：

对医学图像进行初始定位，获取定位区域；

预处理所述定位区域，获取目标区域，所述目标区域包含结节区域和背景区域，所述结节区域由实性区域以及围绕所述实性区域的周围区域构成；

基于高斯混合模型处理所述目标区域，获取所述目标区域的概率图；

根据形态学模型处理所述概率图，以确定结节的实性区域和周围区域；

融合所述实性区域和周围区域，获得图像分割结果。

进一步的，对医学图像进行初始定位包括以下任一种方式：

手动确定所述定位区域；或者

确定贯穿所述定位区域的长轴线，在长轴线上选取种子点，采用区域增长方法确定所述定位区域；或者

基于预设程序确定所述定位区域。

进一步的，所述预处理所述定位区域包括：

对所述定位区域进行基于海森点增强的阈值分割，获取所述目标区域。

进一步的，所述根据形态学模型处理所述概率图，包括：

采用海森点增强模型处理所述概率图，获取海森点增强图；

基于所述概率图中的每个体素或像素，确定所述海森点增强图中的对应体素或像素；

若所述概率图中的所述任一体素或像素的值大于第一阈值，并且所述第海森点增强图中对应的体素或像素的值大于第二阈值，则所述体素或像素属于所述实性区域；

否则，所述体素或像素属于背景区域。

进一步的，所述第一阈值的取值范围为为(0,1)之间的常数，所述第二阈值的取值范围为(0,100)之间的常数。

进一步的，所述基于高斯混合模型处理所述目标区域，还包括：

采用海森线增强模型处理所述概率图，获取海森线增强图；

基于所述概率图中的每个体素或像素，确定所述海森线增强图中的对应体素或像素；

将所述概率图中的所述体素或像素的值与第一阈值比较；

将所述海森线增强图中的体素或像素的值与第三阈值比较；

若所述概率图中的所述任一体素或像素的值大于第一阈值，并且所述第海森线增强图中对应的体素或像素的值小于第三阈值，则所述体素或像素属于所述周围区域；

否则，所述体素或像素属于背景区域。

进一步的，所述第三阈值的取值范围为取值范围为(0,50)之间的常数。

进一步的，所述目标区域、所述概率图、所述海森点增强以及所述海森线增强图中任一体素或像素的空间位置是一一对应。

为解决上述技术特征，本发明还提供一种图像分割系统，包括:

输入单元，用于获取医学图像；

处理单元，用于处理所述医学图像，获取目标区域的分割结果，所述目标区域包含结节区域和背景区域，所述结节区域由实性区域以及围绕所述实性区域的周围区域构成；

以及输出单元和存储单元；

所述处理单元包括结节确定子单元，用于基于高斯混合模型处理所述目标区域，获取所述目标区域的概率图；根据形态学模型处理所述概率图，以确定结节的实性区域和周围区域。

进一步的，所述分割单元还包括：

定位子单元，用于对医学图像进行初始定位，获取定位区域；

预处理子单元，用于预处理所述定位区域，获取目标区域。

与现有技术相比，本发明利用初始定位和预处理获取目标区域，用以增强了结节实性区域的对比度，降低后续结节分割的计算量，提高分割速度；基于高斯混合模型处理所述目标区域，获取概率图，根据形态学模型处理所述概率图，使得有效分割并保护结节的实性区域，以及有效提取结节的周围区域并移除血管、气管和肺壁等结节分割的主要噪音。本发明提供图像分割方法通用性强、精度高，可以准确分割不同类型的结节，利于后续用户对病灶的诊断和分析。

【附图说明】

图1为本发明一实施例中图像分割方法的流程示意图；

图2为本发明又一实施例中图像分割方法的流程示意图；

图3a～3c为本发明一实施例中图像分割方法的结果示意图；

图4为本发明一实施例中图像分割的结构示意图；

图5为本发明一实施例中处理单元的结构示意图。

【具体实施方式】

在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。

本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实施例，其在此不应限制本发明保护的范围。

实施例1

为了解决现有技术中有效、准确分割不同类型的肺结节的技术问题，提高用户对病灶诊断、分析的准确性，本实施例中提供一种图像分割方法，如图1图像分割方法的流程示意图所示，所述方法包括如下步骤：

执行步骤S101：对医学图像进行初始定位，获取定位区域。所述医学图像医学包括但不限于通过各类模态的成像系统扫描采集获得三维或二维图像，也可以通过诸如存储系影像归档和通信系统(Picture Archiving and Communication S纵stems，PACS)等内部或外部存储系统传输获得。所述模态包括但不限于磁共振成像(MRI)、磁共振血管造影(MRA)、计算机断层扫描(CT)、正电子发射断层扫描(Positron Emission Tomograph纵，PET)等一种或多种的组合。所述医学图像的格式可以包括但不限于JPEG图像格式、TIFF图像格式、GIF图像格式、FPX图像格式、DICOM图像格式等。例如，本实施例中所涉及的肺部医学图像可以通过计算机断层扫描(CT)设备经对人体实施扫描后的CT图像。所述医学图像也可以是通过输入计算机图像处理设备中进行处理，基于阈值分割、聚类算法、直方图分割模型、最大类间方差分割模型等方法处理后的医学图像，例如通过分割处理获取的肺部CT图像，可以基于图像中的肺部区域进行后续的肺结节分割，以供用户观察和使用。计算机图像处理设备可以使用通用的计算机设备作为基础硬件。在一个实施例中，可以通过执行安装在计算机设备中的处理器上的图像处理程序来实现所需的图像处理。这时，可以通过预先将图像处理程序安装到计算机设备中或者通过将图像处理程序记录在磁盘、磁光盘、光盘、半导体存储器等中或在网络上发布图像处理程序并将图像处理程序安装到计算机设备中来实现计算机图像处理设备。在另一个实施例中，可以通过诸如逻辑电路的硬件来实现计算机图像诊断处理设备。在又一实施例中，也可以通过组合硬件和软件来实现计算机图像处理设备。

所述初始定位用于获取一个或多个定位区域，以减少后续分割处理的计算量，提高目标区域获取过程的处理效率。例如在肺部医学图像中初始定位目标区域，由于在肺部医学图像包括肺血管、支气管和肺壁以及肺结节、肺实质等组织结构，其中肺结节在空间形态上可以划分为实性区域和周围区域，实性区域大多呈类球体，在CT图像肺结节中呈高亮状态，可以通过肉眼辨识大致区域；周围区域一般为边缘模糊，类似毛刺状等不规则形态的区域，甚至边缘为不规则的曲线。因此，用户或者后台计算机处理设备可以根据结节的实性区域，采用初始定位获取定位区域。所述定位区域包含疑似结节区域，存在血管、肺实质等噪音，所述定位区域可以通过外接长方体框(计算机后处理设备平面显示为矩形框)在所述医学图像上显示定位区域，例如256*256*256肺部CT图像中，通过初始定位，获取70mm×70mm大小的外接矩形框显示的所述定位区域，所述外接矩形框的边长可以根据所需分割的对象进行预设，例如针对肺部CT医学图像中分割肺结节，由于结节的一般直径在3-30mm，设定外接长方体框70mm×70mm，可以满足完全包含结节的定位区域。本实施例中，所述初始定位可以是手动的，全自动的，或者是手动和自动方法互相补充。例如可以通过：用户根据经验值于所述肺部CT图像手动框出定位区域；或者用户根据经验给定贯穿疑似结节的实性区域的长轴线，根据所述长轴线选取种子点，基于阈值的区域增长获取所述定位区域；或者基于计算机处理器等硬件设备或者计算机图形处理设备等软硬件结合的预设程序获取所述定位区域，所述预设程序可以是前述硬件设备或软硬件结合设备根据特定算法执行的程序。

执行步骤S102：预处理所述定位区域，获取目标区域。所述目标区域包含结节区域和背景区域，所述结节区域为确定的结节区域，由实性区域以及围绕所述实性区域的周围区域构成。所述实性区域可以表示结节的主体形状区域，所述周围区域可以表示结节的边缘区域。通过预处理所述定位区域获取所述目标区域，可以进一步缩小后续分割的区域，提高后续分割的精度和速度。

本实施例中，所述预处理包括但不限于预处理增强、插值处理、形态学处理、图像分割、噪声去除、平滑处理等中的一种或几种的组合。增强处理可以包括但不限于海森点增强、海森线增强等中的一种或多种的组合。插值处理可以使感兴趣区域中体素大小均匀。形态学处理可以采用具有一定形态结构的元素去处理感兴趣区域中的形状以达到分析和识别目标的目的。形态学的处理方法可以包括但不限于膨胀、腐蚀、开运算、闭运算等中的一种或几种的组合。噪声去除可以去除感兴趣区域中由于机器噪声、目标运动等带来的干扰。噪声去除的方法可以包括但不限于均值滤波、维纳滤波、形态学滤波、中值滤波等中的一种或几种的组合。例如，可以通过基于海森点增强的阈值分割突出结节区域中的实性区域，以区别于肺部的气管和肺壁、血管等噪音，从而确定所述目标区域。在本实施例中，所述目标区域可以通过外接矩形框显示。

执行步骤S103:基于高斯混合模型处理所述目标区域，获取所述目标区域的概率图；高斯混合模型是一类非形态学的分割模型，各种形状的候选目标都可以通过高斯混合模型被较好的分割出来，适用于不同类型的结节分割。由于高斯混合模型需要对先验概率、均值、标准差等参数计算获取，需要计算的变量较少，使得运行速度较快。经过高斯混合模型处理所述目标区域，可以将图像中的像素或体素划分成两类或两类以上。

由于结节的体素或像素和背景的体素或像素服从于高斯分布，本实施例采用高斯混合模型处理所述目标区域，用以获取所述目标区域的概率图，用于判定目标区域中各个体素是否为结节。

如公式(1)所示，其中，π是高斯混合分布的先验概率；μ,Λ分别是均值和标准差。高斯混合模型的联合概率密度函数为公式1所示，通过EM算法可以迭代求解得到μ_k,π_k,Λ_k，继而求得p(x)，从而获得该体素或像素的概率值，最终得到所示目标区域中各个体素或像素的概率值。所述概率图中每一个体素或像素的值代表该体素或像素是否为结节的概率。

所述概率图中每一个体素或像素的空间位置一一对应于所述目标区域中体素或像素的位置，所述概率图中每一个体素的值或像素的值代表所述体素或像素是否为结节的概率。

执行步骤S104，根据形态学模型处理所述概率图，以确定结节的实性区域和周围区域。所述形态学分割模型可以包括海森点增强模型、海森线增强模型、多尺度高斯模板匹配模型、多尺度形态学滤波模型等。海森点增强模型可以用于增强图像中的诸如圆点图形或类圆点图形等区域。海森线增强模型可以用于增强图像中的线型区域。多尺度高斯模板匹配模型分割图像的过程可以基于处理对象的形态来考虑。以结节分割的过程为例，多尺度高斯模板匹配模型可以基于肺结节的类圆形形态考虑。多尺度形态学滤波模型可以采用各种数学形态学方法对图像进行滤波操作，以达到增强候选目标的目的。基于边缘算法的分割模型可以是水平集算法分割模型。

例如，为获取结节的实性区域，本实施例基于海森点增强处理所述概率图。基于所述概率图中的每个体素或像素，确定所述海森点增强图中的对应体素或像素。逐一选取所述概率图中任一体素或像素，若所述体素或像素的概率值大于第一阈值，并且，所述目标区域中对应位置的体素的值或像素的值大于第二阈值，则标记所述体素或像素属于实性区域，否则标记为背景区域。所述背景区域包括但不限于血管、气管和肺壁等噪音。所述第一阈值的取值范围为(0,1)的常数，例如，本实施例中选取第一阈值为0.5，设定所述第二阈值是为了突出显示类球形的实性区域以抑制血管等噪音，从而达到保护结节实性区域的目的，所述第二阈值的取值范围为(0，100)的常数，本实施例可以选取第二阈值为15。本实施例中，所述体素的值或像素的值可以表示图像中某个体素或像素的颜色值。对于黑白图像，体素的值或像素的值可以表示图像中某个像素或体素的灰度值。本实施例中，为获取实性区域的海森点增强所需要的参数值可以不同于前述预处理步骤中海森点增强所述目标区域的参数值。

为获取结节的周围区域，本实施例可以基于海森线增强处理所述概率图。基于所述概率图中的每个体素或像素，确定所述海森线增强图中的对应体素或像素。逐一选取前述步骤概率图中任一体素或像素，若所述体素的概率值大于第一阈值，并且，所述在海森线增强图像中对应位置体素或像素的值小于第三阈值，则标记所述体素或像素属于周围区域，否则标记为背景区域。本实施例中通过海森线增强可以增强图像中的线性形态结构。例如，对于分割肺结节的过程，通过海森线增强可以增强所述概率图中血管、气管和肺壁等管状结构，使得血管等主要噪音呈高亮状态。本实施例中所述第一阈值选取(0,1)，例如，本实施例中选取第一阈值为0.5，设定所述第三阈值可以移除血管、气管和肺壁等管状结构的噪音，提取形状不规则的非球状的结节，即周围区域。所述第三阈值的取值范围为(0，50)，本实施例可以选取第二阈值为5。本实施例中，所述体素的值或像素的值可以表示图像中某个体素的颜色值。对于黑白图像，体素的值或像素的值可以表示图像中某个像素或体素的灰度值。

本实施例中，所述目标区域、所述概率图、所述海森点增强以及所述海森线增强图中任一体素或像素的空间位置是一一对应。

执行步骤S105，融合所述实性区域和周围区域，获得图像分割结果。例如对肺部CT图像中分割结节，基于前述步骤获取的所述实性区域是类球形的结节分割结果，周围区域主要是形状不规则，边缘模糊的结节分割结果，根据标记为实性区域或周围区域的体素或像素的位置在肺部CT图像中定位该体素或像素，获取最终的结节分割结果，所述结节分割结果可以是二值化图像(掩膜图像)。

本实施例中，基于初始定位和预处理获取目标区域增强结节实性区域的对比度，降低后续结节分割的计算量，提高分割速度；基于高斯混合模型处理所述目标区域，获取包含不同形态结节的概率图；根据形态学模型处理所述概率图，不仅有效分割并保护结节的实性区域，同时有效提取结节的周围区域并移除血管、气管和肺壁等结节分割的主要噪音，提高结节分割结果的准确性。

实施例2

为使上述目的、特征和优点能够更加明显易懂，本实施例提供一种针对肺部CT三维图像的结节分割方法，以获取不同类型的肺结节，如图2方法流程图所示，包括如下步骤：

执行步骤S201：对医学图像进行初始定位，获取定位区域。本实施例中，所述医学图像为肺部医学图像，所述医学图像可以通过计算机断层扫描(CT)设备经对人体实施扫描后获取的原始CT图像，如图3a所示。或者是将所述原始CT图像输入计算机图像处理设备中进行处理，基于阈值分割、聚类算法等方法获取所需的肺部CT图像，如图3b所示。

所述初始定位用以获取定位区域，以减少后续分割处理的计算量，提高分割效率，具体初始定位方法如前所述，在此不再赘述。

执行步骤S202：对所述定位区域进行基于海森点增强的阈值分割，获取所述目标区域。所述肺部CT图像中，肺血管、支气管和肺壁和肺结节在灰度级分布上非常相似，因此使得临床上对于肺结节的判断容易产生误诊或漏诊。然而，血管、支气管和肺壁以及肺结节在空间形态上是有一定区别的，肺血管、支气管以及肺壁等往往呈现出管状结构，通过人体解剖学可知肺内血管和气管和肺壁根据连通性可以构造出完整的血管树、气管和肺壁树，而肺结节的形态如前所述可以划分为实性区域和周围区域。肺结节可以指发生在肺实质内单个或多个直径小于30mm的圆形或类圆形(在三维图像中可以是球形或类球形)肺内致密阴影，在医学图像上主要表现为肺内不透光影、有较为明确的边缘，如呈光滑、分叶状、棘状突起或者毛刺。肺结节的实性区域可以是肺结节的圆形或类圆形(在三维图像中可以是球形或类球形)区域，肺结节的周围区域可以是边缘模糊，类似毛刺状等不规则形态的区域，或边缘不规则的曲线。因此可以通过预处理有效增强结节的实性区域，在图像上呈高亮状态，增强与血管、气管和肺壁等噪音的对比度，同时进一步缩小后续分割的处理区域，提高后续分割的精度和速度。

本实施例中，行基于海森点增强的阈值分割包括：首先通过插值方法处理所述定位区域，归一化所述定位区域中各个体素在x、y和z方向上的分辨率(voxel spacing)，例如将任一体素x、y和z方向上的分辨率通过插值处理为1mm、1mm和1mm。接着，对各个体素在x、y和z方向上的值进行高斯平滑处理，以高亮显示类球体区域，所述高亮区域包括疑似结节区域，例如结节的类球形的实性区域。根据公式(2)计算前述处理的目标区域中各个体素的海森矩阵，其中，f_xx为任意体素在x方向上的二阶导，f_xy为在x方向一介倒数基础上，求y方向的第二阶导数；将一个点不同方向的二阶导构建成海森矩阵，求得特征值λ₁、λ₂和λ₃。将特征值λ₁、λ₂和λ₃代入公式(3)求得点增强的值Z_dot，即目标区域中对应体素的值。最后，将海森点增强值在在x、y和z方向上的分辨率逆插值回原分辨率，获取高亮显示类球形区域的海森点增强图像。

否则为0

基于获取的海森点增强图像进行阈值分割。由于通过海森点增强处理的目标区域中，类球形区域呈高亮状态，即海森点值较大，从而增强类球形区域与肺部的气管和肺壁、血管等噪音在图像中的对比度，提高结节分割的准确性。所述结节分割可以基于阈值分割获取，所述阈值可以取(0,100)范围内的常数，例如选取阈值为5。所述目标区域可以通过外接矩形框显示，所述目标区域的外接矩形框的面积可以小于所述定位区域的外接矩形框，使得所述目标区域的外接矩形框进一步贴合结节区域，有效提高后续结节分割的运行速度。

执行步骤S203：基于高斯混合模型处理所述外接矩形框中的目标区域，获取所述目标区域的概率图。前述步骤S103已详述所述概率图的获取方式，在此不再赘述。经过高斯混合模型处理所述目标区域，可以将图像中的体素划分成两类或两类以上。本实施例中，通过所述高斯混合模型判定目标区域中各个体素是否为结节。所述概率图中每一个体素的值代表所述体素是否为结节的概率。

执行步骤S204～S210：结节分割过程中，由于结节区域形态各异，包括肺结节的实性区域可以是肺结节的圆形或类圆形(在三维图像中可以是球形或类球形)区域，肺结节的周围区域可以是边缘模糊，类似毛刺状等不规则形态的区域，或边缘不规则的曲线。同时，由于肺壁、血管等区域在肺部CT图像中呈现高亮区域，通过前述步骤获取的概率图中可能包含部分血管、肺壁等组织，影响结节分割的准确性，因此需要根据形态学模型处理所述概率图，分别获取结节的实性区域和周围区域。

本实施例中，获取结节的实性区域包括：采用海森点增强模型处理所述概率图，获取海森点增强图。基于所述概率图中的每个体素，确定所述海森点增强图中的对应体素。逐一选取所述概率图中任一体素，若所述体素的概率值大于第一阈值，并且，所述目标区域中对应位置的体素的值大于第二阈值，则标记所述体素属于实性区域，否则标记为背景区域。所述背景区域包括但不限于血管、气管和肺壁等噪音。所述第一阈值的取值范围为(0,1)，例如，本实施例中选取第一阈值为0.5，设定所述第二阈值是为了突出显示类球形的实性区域以抑制血管等噪音，从而达到保护结节实性区域的目的，所述第二阈值的取值范围为(0，100)，本实施例可以选取第二阈值为15。本实施例中，为获取实性区域的海森点增强所需要的参数值可以不同于前述预处理步骤中海森点增强所述目标区域的参数值。

本实施例中，获取结节的周围区域包括；采用海森线增强模型处理所述概率图，获取海森线增强图。海森线增强图可以基于公式(4)获取。接着，基于所述概率图中的每个体素，确定所述海森线增强图中的对应体素。逐一选取前述步骤概率图中任一体素，若所述体素的概率值大于第一阈值，并且，所述在海森线增强图像中对应位置的体素小于第三阈值，则标记所述体素属于周围区域，否则标记所述体素属于背景区域。

ifλ₁<0,λ₂<0；否则为0 公式(4)

肺部CT图像中，肺血管、气管肺壁是肺结节假阳性的主要来源，造成后续肺结节检测的误诊和漏诊；肺血管、支气管和肺壁和肺结节在灰度级分布上非常相似，在空间形态，肺血管和支气管和肺壁等往往呈现出管状结构。本实施例中通过海森线增强可以增强所述概率图中血管、气管和肺壁等管状结构，使得血管等主要噪音呈高亮状态。本实施例中所述第一阈值选取(0,1)，例如，本实施例中选取第一阈值为0.5，设定所述第三阈值可以移除血管、气管和肺壁等管状结构的噪音，同时保留形状不规则的非球状的结节区域，即周围区域。所述第三阈值的取值范围为(0，50)，本实施例可以选取第二阈值为5。

本实施例中，所述目标区域、所述概率图、所述海森点增强以及所述海森线增强图中任一体素或像素的空间位置是一一对应。

执行步骤S311：基于前述步骤获取的所述实性区域是类球形的结节分割结果，周围区域主要是形状不规则，边缘模糊的结节分割结果，根据标记为实性区域或周围区域的体素或像素的位置在肺部CT图像中定位该体素或像素，获取最终的结节分割结果，如图3b所示。可以理解，图3所示的中间结果仅为示例，并不意味着本发明的各实施例的中间结果均为图3中的特定形态。

本实施例中，以分割肺部CT三维图像中的结节为例，基于初始定位和预处理获取目标区域，并且增强了结节实性区域的对比度，降低后续结节分割的计算量，提高分割速度；基于高斯混合模型处理所述目标区域，获取包含不同形态结节的概率图；根据形态学模型处理所述概率图，通过海森点增强处理所述概率图，有效效分割并保护结节的实性区域，通过海森线增强处理所述概率图，有效提取结节的周围区域并移除血管、气管和肺壁等结节分割的主要噪音，提高结节分割结果的准确性。

实施例3

为解决上述技术问题本实施例中提供图像分割系统。所述图像分割系统可以包括一个或多个处理单元、一个或多个存储单元、一个或多个输入单元、一个或多个输出单元，各个单元之间可以是分布式也可以是集中式的，可以是本地的也可以是远程的。

在一些实施例中，所述输入单元可以分别从成像设备、数据库、存储单元、或外接设备处接受各自发送的数据。此处的数据，可以是医学数据。所述医学数据可以是医学图像。所述医学图像可以包括但不限于X光图像、CT图像、PET图像、MRI图像、超声图像、心电图、脑电图等中的一种或几种的组合。所述医学图像可以是二维(2D，two-dimensional)图像，也可以是三维(3D，three-dimensional)图像。所述医学图像的格式可以包括但不限于Joint Photographic Experts Group(JPEG)图像格式、Tagged Image File Format(TIFF)图像格式、Graphics Interchange Format(GIF)图像格式、Kodak Flash PiX(FPX)图像格式、Digital Imaging and Communications in Medicine(DICOM)图像格式等。数据的输入方式可以是手写输入、手势输入、图像输入、语音输入、视频输入、电磁波输入等中的一种或几种的组合。所接收的信息，可以存储于数据库中，也可以存储在存储单元中，也可以由处理单元进行分析或处理。所述输入单元可以包括但不限于字符输入设备(例如，键盘)、光学阅读设备(例如，光学标记阅读机、光学字符阅读机)、图形输入设备(例如，鼠标器、操作杆、光笔)、图像输入设备(例如，摄像机、扫描仪、传真机)、模拟输入设备(例如，语言模数转换识别系统)等中的一种或几种的组合。

所述输出单元可以输出经过处理的数据。此处的数据，可以是图像分割的最终结果，也可以是图像分割过程中的中间数据。例如，在图像分割的过程中，处理单元可以对输入的医学图像进行处理、分析，此过程中，中间数据可以包括获取初始定位获取的定位区域，预处理获取的目标区域的分割结果等数据，最终结果为结节的分割结果。数据的形式可以包括但不限于文本、音频、视频、图片等中的一种或几种的组合。输出的数据可以发送给外接设备，也可以不发送。不发送的输出数据可以存储在存储单元中。所述输出单元可以包括但不限于显示设备、打印设备、绘图仪、影像输出系统、语音输出系统、磁记录设备等中的一种或几种的组合。在一些实施例中，有些外接设备可以同时起到输入和输出的作用，例如，台式电脑、笔记本、智能手机、平板电脑、个人数码助理(personal digital assistance，PDA)等。

所述存储单元可以存储来自处理单元、输入单元、输出单元的数据。所述存储单元可以是系统内部的，也可以是系统的外接设备。所述存储单元可以实际存在于系统中，也可以通过云计算平台完成相应功能。

所述处理单元可以处理相关数据。处理单元可以从输入单元或存储单元中获取数据。所述处理单元可以将处理后的数据保存至数据库或存储单元中，也可以发送至输出单元用于数据输出。在一些实施例中，处理单元中数据处理的方式可以包括但不限于对数据进行存储、分类、筛选、转换、计算、检索、预测、训练等中的一种或几种的组合。在一些实施例中，处理单元可以包括但不限于中央处理器(Central Processing Unit(CPU))、专门应用集成电路(Application Specific Integrated Circuit(ASIC))、专用指令处理器(Application Specific Instruction Set Processor(ASIP))、物理处理器(Physics Processing Unit(PPU))、数字信号处理器(Digital Processing Processor(DSP))、现场可编程逻辑门阵列(Field-Programmable Gate Array(FPGA))、可编程逻辑器件(Programmable Logic Device(PLD))、处理器、微处理器、控制器、微控制器等中的一种或几种的组合。

需要注意的是，上述处理单元可以实际存在于图像分割系统中，也可以通过云计算平台完成相应功能。其中，云计算平台包括但不限于存储数据为主的存储型云平台、以处理数据为主的计算型云平台以及兼顾数据存储和处理的综合云计算平台。系统所使用的云平台可以是公共云、私有云、社区云或混合云等。例如，根据实际需要，系统接收的一些医学图像，可以通过云平台进行计算和/或存储。另一些医学图像，可以通过本地诊断单元和/或系统数据库进行计算和/或存储。

根据本申请的一些实施例，如图4和图5所示是本发明一实施例中分割肺结节系统的结构示意图，所述系统包括：输入单元U100，存储单元U200，处理单元U300，和输出单元U400。

所述输入单元U100，用于获取医学图像。所述医学图像所述医学图像医学包括但不限于通过各类模态的成像系统扫描采集获得三维或二维图像，也可以通过诸如存储系影像归档和通信系统(Picture Archiving and Communication S纵stems，PACS)等内部或外部存储系统传输获得。所述模态包括但不限于磁共振成像(MRI)、磁共振血管造影(MRA)、计算机断层扫描(CT)、正电子发射断层扫描(Positron Emission Tomograph纵，PET)等一种或多种的组合。所述输入单元U100可以将医学图像发送至存储单元U200作存储处理，也可以传输至处理单元U300进行图像处理。

所述处理单元U300，用于处理所述医学图像，获取目标区域的分割结果，本实施例中，所述处理单元U300包括预定位子单元U301、预处理子单元U302，和结节确定子单元U303。

所述定位子单元U301，用于对医学图像进行初始定位，获取定位区域。所述初始定位用于获取一个或多个定位区域，以减少后续分割处理的计算量，提高目标区域获取过程的处理效率。

所述预处理子单元302用于预处理所述定位区域，获取目标区域。所述目标区域包含结节区域和背景区域，所述结节区域为确定的结节病灶区域，由实性区域以及围绕所述实性区域的周围区域构成。可以对原始数据和/或感兴趣区域进行预处理。在一些实施例中，所述预处理可以包括增强、插值处理、形态学处理、噪声去除等中的一种或几种的组合。初步定位的目的可以是在所述医学图像中或所述定位区域中确定疑似结节所在的大致区域以简化结节分割的过程以及为后续确定候选目标起到铺垫作用。初步定位可以是自动的，半自动的，手动的等。在一些实施例中，经过预处理的数据可以被发送至其他单元或子单元中进行进一步处理。例如，经过预处理的数据可以被发送至结节确定子单元，以确定结节的分割结果。通过预处理所述定位区域获取所述目标区域，可以进一步缩小后续分割的区域，提高后续分割的精度和速度。

所述结节确定子单元U303，用于基于高斯混合模型处理所述目标区域，获取所述目标区域的概率图；根据形态学模型处理所述概率图，以确定结节的实性区域和周围区域。基于高斯混合模型处理所述目标区域，获取包含不同形态结节的概率图；根据形态学模型处理所述概率图，不仅有效分割并保护结节的实性区域，同时有效提取结节的周围区域并移除血管、气管和肺壁等结节分割的主要噪音，提高结节分割结果的准确性。

所述存储单元U200可以为具有存储功能的设备。存储输入单元U100收集的数据(例如，成像设备拍摄的医学图像)和计处理单元U300工作中产生的各种数据。所述存储单元U200可以是本地的，也可以是远程的。所述存储单元U200可以将信息数字化后再以利用电、磁或光学等方式的存储设备加以存储。所述存储单元U200也可以用来存放各种信息例如程序和数据等。数据库120可以是利用电能方式存储信息的设备，例如各种存储器、随机存取存储器(Random Access Memory(RAM))、只读存储器(Read Only Memory(ROM))等。以上提及的存储设备只是列举了一些例子，图像分割系统工作环境中可以使用的存储设备并不局限于此。

在一些实施例中，输出单元U400可以向处理单元U300输入数据，也可以接收处理单元U300输出的数据，例如结节分割结果，并将输出的数据以数字、字符、图像、声音等形式表示出来。

需要注意的是，输入单元U100、存储单元U200、处理单元U300、输出单元U400之间的连接或通信可以是有线的，也可以是无线的。

以上对于分割系统系统的描述，仅为描述方便，并不能把本申请限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个单元进行任意组合，或者构成子系统与其他单元连接，对实施上述方法和系统的应用领域形式和细节上的各种修正和改变。例如，存储单元U200可以是具有数据存储功能的云计算平台，包括但不限于公用云、私有云、社区云和混合云等。诸如此类的变形，均在本申请的保护范围之内。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。