一种基于鲁棒特征统计的三维区域自适应分割方法
【技术领域】
[0001] 本发明涉及自适应分割技术领域，特别涉及一种基于鲁棒特征统计的三维区域自 适应分割方法。
【背景技术】
[0002] RG分割能够较好解决三维图像处理软件中感兴趣区域（R0I)的适形确定问题，且 显著改善了传统手动分割方法的效率，但仍然需要大量的人下操作，理想的R0I分割方法 是无需太多主观干预的，完全自动或半自动的自适应算法，仅仅需要操作者对输出结果进 行修正和确认。
[0003] 目前，基于三维图像的半自动分割算法研究很多，例如基于灰度层次的方法、水平 集方法、图切割算法和统计学分割方法等。以上算法针对的三维R0I分割场景各不相同，由 于三维图像在成像或重构时会受到噪声、偏移场效应、局部体效应或组织运动等的影响，往 往具有局部不均匀性或模糊性等质量缺陷，因此在进行R0I分割时易产生分割不足或泄漏 现象。
【发明内容】
[0004] 本发明的目的在于针对现有技术的缺陷和不足，提供一种分割效果好的基于鲁棒 特征统计的三维区域自适应分割方法，它基于体素信息的半自动分割方法，有效防止噪声 干扰，减少医生的干预操作，得到较好的分割结果。
[0005] 为实现上述目的，本发明采用的技术方案是：
[0006] 本发明所述的一种基于鲁棒特征统讣的三维区域自适应分割方法，包括如下步 骤：
[0007] A.采用LARFS分割方法，分别借鉴RG分割算法与RSS分割算法的原理并结合应 用；
[0008] B.在三维数据空间中选取种子点，进行三维影像几何特征自适应建模；
[0009] C.根据LARFS分割方法，基于水平集的RSS快速分割算法对图像生长特征进行建 模；
[0010]D.采用水平集方法对特征区域轮廓进行演化。
[0011] 进一步地，所述的步骤A，在图像轮廓演变过程，基于统计学的方法抽取更多的图 像局部稳健特征信息。
[0012] 进一步地，所述的步骤A，是先人工选取单颗种子点作为输入信息，利用RG分割算 法根据种子点及邻域属性进行图像特征建模，并在三维数据场中进行区域自适应生长；此 后将适应结果点集作为输入特征标签进行图像区域特征统计和建模；然后使用水平集算法 对特征区域的轮廓进行演化；最终得到分割结果。
[0013] 进一步地，所述RG算法为一种半自动分割方法，进行RG算法前，操作者需要对图 像中的目标R0I区域标记种子信息，算法开始时，系统将自动检查种子点所行相邻体素的 特征值，并根据其与种子的相似程度来决定是否将该相邻体素加入分割结果中。
[0014] 进一步地，所述RSS算法综合应用图像位置信息和像素信息对特征图像建模，然 后通过几何主动轮廓模型进行轮廓演化。
[0015] 进一步地，所述的步骤B，是先根据种子点及其相邻26个空间点的灰度值计算出 一个阈值区间；然后一种子点为基准向外生长，将图像区域灰度值在阈值区间内的点分割 出来，作为新的种子点；此后重复上述过程，直至生长范围不在扩大或迭代次数达到预先设 定值位置；最终得到种子点集合，即为几何特征自适应结果。
[0016] 进一步地，所述的步骤C，是先提取图像局部位置信息和像素信息；然后根据每一 时刻特征区域的初始范围通过几何主动轮廓模型进行轮廓演化。
[0017] 进一步地，所述的步骤D，通过将二维曲线嵌入至三维平面中，实现闭合分割轮廓 曲线的分裂与合并。
[0018] 采用上述结构后，本发明有益效果为：本发明所述的一种基于鲁棒特征统计的三 维区域自适应分割方法，将传统的区域增长算法与统计学方法结合应用，充分利用图像的 区域信息，表示局部分割特征并驱动轮廓演化，采用LARFS方法，能够有效防止噪声干扰， 减少使用者的干预操作，得到较好的分割效果。
【附图说明】
[0019] 图1为本发明中LARFS分割方法流程图；
[0020] 图2为本发明中阈值区间计算公式。
[0021] 图3为本发明中水平集方法的几何主动轮廓演化流程图。
[0022] 图4为本发明中单个体素改变量计算公式。
【具体实施方式】
[0023] 下面结合附图对本发明作进一步的说明。
[0024] 如图1至图4所示，本发明所述的一种基于鲁棒特征统计的三维区域自适应分割 方法，包括如下步骤：
[0025] A.采用LARFS分割方法，分别借鉴RG分割算法与RSS分割算法的原理并结合应 用；
[0026] B.在三维数据空间中选取种子点，进行三维影像几何特征自适应建模；
[0027] C.根据LARFS分割方法，基于水平集的RFS快速分割算法对图像生长特征进行建 模；
[0028] D.采用水平集方法对特征区域轮廓进行演化。。
[0029] 所述的步骤A，在图像轮廓演变过程，基于统计学的方法抽取更多的图像局部稳健 特征信息。
[0030] 所述的步骤A，是先人工选取单颗种子点作为输入信息，利用RG分割算法根据种 子点及邻域属性进行图像特征建模，并在三维数据场中进行区域自适应生长；此后将适应 结果点集作为输入特征标签进行图像区域特征统计和建模；然后使用水平集算法对特征区 域的轮廓进行演化；最终得到分割结果。
[0031] 所述RG算法为一种半自动分割方法，进行RG算法前，使用者需要在图像中的R0I 区域标记种子信息，算法开始时，系统将自动检查种子点所有相邻体素的特征值，并根据其 与种子的相似程度来决定是否将该相邻体素加入分割结果中。
[0032] 所述RSS算法综合应用图像位置信息和像素信息对特征图像建模，然后通过几何 主动轮廓模型进行轮廓演化。
[0033] 所述的步骤B，是先根据种子点及其相邻26个空间点的灰度值计算出一个阈值 区间；然后一种子点为基准向外生长，将图像区域灰度值在阈值区间内的点分割出来，作为 新的种子点；此后重复上述过程，直至生长范围不在扩大或迭代次数达到预先设定值位置； 最终得到种子点集合，即为几何特征自适应结果。
[0034] 所述的步骤C，是先提取图像局部位置信息和像素信息；然后根据每一时刻特征 区域的初始范围通过几何主动轮廓模型进行轮廓演化。
[0035] 所述的步骤D，通过将二维曲线嵌入至三维平面中，实现闭合分割轮廓曲线的分裂 与合并。
[0036] 如图1所示，本发明中LARFS分割方法的系统流程如下：
[0037] (1)三维图像序列获取；
[0038] (2)体绘制可视化渲染；
[0039] (3)种子点标记；
[0040] (4)三维区域增长分割；
[0041](5)输出区域数据信息；
[0042](6)区域特征向量统计；
[0043] (7)数值轮廓演变；
[0044] (8)输出三维数据场；
[0045] (9)分割结果表面重构；
[0046] 步骤（9)后再次进行步骤（2)体绘制可视化渲染，产生叠加显示。
[0047] 本发明中计算阈值区间的方法，选取种子点集的领域灰度平均值MEAN和标准方 差VARIANCE计算底N次迭代的置信区间ΩΝ，计算过程公式如图2中公式（3-24)、（3-25) 和（3-26)所示；
[0048] 其中，Seeds表示种子点数量，VoxelSize代表种子点集领域内样本体素数量，0是 生长因子；
[0049] 计算上述领域灰度平均值MEAN、标准方差VARIANCE和置信区间Ω,后，再计算单 颗种子点的领域灰度平均值mean和平方和seedsqr，计算过程公式如图2中公式（3-27)和 (3-28)所示；
[0050] 其中，voxel表示种子点i的灰度值。以上方法利用了概率论中对置信区间的估 计，生长因子的取值会直接影响整体方法的分割效果，分割区域范围与Θ的取值大小成正 比，对于满足正态分布的像素样本，Θ取2. 5即可满足99%的置信度。
[0051] 本发明将中算法在运行前需要输入靶区的种子点集