专利名称：一种基于图论的三维医学图像的分割方法
技术领域：
本发明涉及计算机入住医学图像处理技术领域，特别涉及一种基于图论的三维医学图像的分割方法。
背景技术：
医学图像处理和分析是医学影像的关键组成部分，对医学科研及临床实践的作用影响日益增大，其结果使临床医生对人体内部病变部位的观察更直接、更清晰，确诊率也更高。从图像中将感兴趣区域分离出来是图像分析和识别是首先需要解决的问题，其制约着图像处理中其它相关技术的发展和应用，针对这个问题，人们提出了图像分割技术。它是指根据图像的像素特征把图像划分成为一系列彼此互不交叠的匀质区域，并提取出感兴趣目标区域的技术和过程。三维医学图像分割技术是三维医学图像处理和分析中的重要技术，由于人体组织回声的特性各异，医学图像中不可避免地存在噪声和弱、假边界问题，图像质 量可能不高，因此三维医学图像分割是超声图像处理领域的经典难题。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种可有效解决过分割和欠分割的三维医学图像的分割方法。为了达到上述目的，本发明采用以下技术方案本发明一种基于图论的三维医学图像的分割方法，包括下述步骤(I)、使用双边滤波模型，去除医学图像中的斑点噪声；(2)、建立三维图像到三维图的映射，统计顶点之间的邻接关系以及计算连接两个顶点的边的权重；(3)、对图中各个边的权重进行非递增的排序，保证最后生成的每一棵树都是最小生成树；(4)、定义区域对比较准则，用以统计两个区域的体素灰度的统计信息差异和两个区域内部各自的内部体素灰度差异统计信息；(5)、对图中排序后的所有边进行遍历，以区域对比较准则作为判断准则，符合的话进行融合，每个区域对应一棵最小生成树，最后形成一个森林。优选的，步骤(2)具体为，建立图像到图G= (V，E)的映射，其中G代表图，V代表顶点集，E代表边集，统计顶点之间的邻接关系以及计算连接两个顶点的边的权重，此处将每个体素看成图像中的一个顶点，将每个体素与其26邻域相连接，得到图的边，边的权值是相应的两个体素点Vi和\的体素值差异，即灰度差，用I (Vi)表示顶点Vi的强度，即此处的灰度，灰度差的表达式如下所示Wij=Il(Vi)-I(Vj)U优选的，步骤(4)中，定义区域对比准则具体为用以对两个区域的相似程度进行评估，根据各体素点灰度的统计信息差异与两个区域内部各自的内部体素灰度差异统计信息进行比较，决定是否融合这两个区域，在图G中，会定义区域间差异、区域内部差异和区域对最内部差异；首先，区域间差异对与任意两个区域GGeF,它们之间的区域差是它们灰度
均值的差值，表达式如下Dif(C11C2) = I μ (C1)-U (C2)其次，区域内部差异对与任意区域feK，其内部方差被定义为它的最小生成树的标准方差，表达式为Int(C) = O (C)最后，区域对最小内部差异 Mint (C1, C2) =min (Int (C1) + τ (C1), Int (C2) + τ (C2))其中τ (.)是门限函数，定义如下
,-a k r η)-7—τ' I H--
\( I V α)其中k和α是两个正参数，I C|表示区域C的大小，即该区域所含的体素总数，可通过调整k、α调整图像的分割程度。优选的，所述区域间差异、区域内部差异以及区域对最小内部差异可得到区域对比较准则，用于判断分割过程中相邻的两个区域C1和C2是否融合，其中ClsC2 G F，定义如下
,，、( true.!)((^(,)^ \. ;1 ■
— false.other当区域间差异大于区域对最小内部差异即D (C1, C2)为真时，区域C1和C2不融合，反之则将这两个区域合并。优选的，步骤(5)中，在融合之前，将每个顶点看作为一个独立的子图，接着遍历所有排序后的边集，若当前遍历的边属于两个不同的区域，则根据判断准则决定是否融合这两个区域，若融合，则形成一个较大的区域，依次类推，直到遍历完所有的边，最终原来的图形成一个森林，其中每棵树对应图中的一个子图，也代表图像中的一个区域。本发明相对于现有技术具有如下的优点及效果I、本发明使用了结构简单且具有丰富的理论支持的图论技术，提出了基于图论的三维医学图像分割方法首先选用一种双边滤波模型，对超声图像进行去噪；接着建立三维图像到三维图的映射，统计顶点之间的邻接关系以及计算连接两个顶点的边的权重；再对图中各个边的权重进行非递增的排序，排序是为了保证最后生成的每一棵树都是最小生成树；之后定义区域对比较准则，用以统计两个区域的体素灰度的统计信息差异与两个区域内部各自的内部体素灰度差异统计信息；然后对图中排序后的所有边进行遍历，以区域对比较准则作为判断准则，符合的话进行融合，每个区域对应一棵最小生成树，最后形成一个森林；在图像分割过程中，适当地调整其中的可调参数，可有效地解决过分割和欠分割现象，能够较准确地对三维图像进行分割，得到理想的分割效果。本方法对三维医学图像中固有的斑点噪声和弱边界有鲁棒性。
图I是本发明的流程图；图2 Ca)是本实施例六邻域建图模块的示意图；图2 (b)是本实施例十二邻域建图模块的示意图；图3 Ca) 一图3 Cf)是本实施例图论涉及到的最小生成树的构造过程图；图4 (a)、5 (a)、6 (a) 一图4(f)、5 (f)、6 (f)本实施例的分割方法与现有的snakes方法和FCM的分割方法对胎儿体模进行分割的效果图； 图4 (g)、图5 (g)、图6 (g)是本实施例图4 (f)、图5 (f)、图6 Cf)中将感兴趣区域单独显示的结果示意图。
具体实施例方式下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。实施本技术方案需要医学设备采集到的医学图像，本实施例在此阶段运用了超声设备仪采集到的B型超声图像，用计算机从B型超声图像中提取出图像数据重建成三维医学图像进而进行三维分割，用纯平型显示器显示用户图形界面，可采用C和C++语言编制各类处理程序，便能较好地实施本发明。本发明的系统结果如图I所示,主要包括建图和融合两个阶段；本实施例基于图论的三维医学图像的分割方法，包括下述步骤(I)、使用双边滤波模型，去除医学图像中的斑点噪声；(2)、建立三维图像到三维图的映射，统计顶点之间的邻接关系以及计算连接两个顶点的边的权重；(3)、对图中各个边的权重进行非递增的排序，保证最后生成的每一棵树都是最小生成树；(4)、定义区域对比较准则，用以统计两个区域的体素灰度的统计信息差异和两个区域内部各自的内部体素灰度差异统计信息；(5)、对图中排序后的所有边进行遍历，以区域对比较准则作为判断准则，符合的话进行融合，每个区域对应一棵最小生成树，最后形成一个森林。建图阶段是建立图像到图的映射，主要是统计顶点之间的邻接关系以及计算边权；融合阶段是根据判定准则决定两个相邻区域是否融合，用到的判定准则是区域对比较准则，其中定义了区域内部比较准则、区域间比较准则和区域对最小内部准则，根据上述三个概念定义区域对比较准则。本实施例中的建图阶段即建立图像到图G= (V，E)的映射(其中G代表图，V代表顶点集，E代表边集)，主要是统计顶点之间的邻接关系以及计算连接两个顶点的边的权重。每个顶点对应三维医学图像中的一个体素点，每条边连接着两个体素点。由于三维医学图像中每个顶点(体素点)有二十六个邻域点，所以邻接关系的种类较多。以A为参考顶点，可以考虑它的三个邻接方向(即上下、左右、前后六邻域)、六个邻接方向(即十二邻域)或者十三个邻接方向(二十六邻域)，等等。如图2(a)和图2(b)所示，列举出了六邻域跟十二邻域这两个建图模板，用以对图像进行遍历，其他的模板与此类似。边的权值是边所连接的两个体素点Vi和 ' 的灰度差(用I (Vi)表示顶点Vi的强度即此处的灰度)，表达式如下所示Wij = I I (Vi) -I (Vj)边的权值反映了顶点之间的相似或者差异程度，即顶点之间的强度差异此处反映的是顶点之间的灰度差异。此处边的权值的定义只是目前用到的方案，当然还可在今后的研究与实现中选取更合适的权值定义，以便得到更好的分割结果。本实施例中的对图中各个边的权重以非递增的顺序进行排序，排序是为了保证最后生成的每一棵树都是最小生成树。最小生成树的权重之和即所属这棵树的每个顶点(体素点)的灰度和是所有生成树中最小的，因此可保证每棵最小生成树所对应的区域内部各体素的相似度最高，而不同树之间的差异最大。图3是最小生成树的构造过程，图3 (a)最 初的顶点跟边权，含6个顶点，10个边，使所有边无效(将边权按非递减顺序排列);图3 (b)选择最小边权开始构造最小生成树，将这两个顶点纳入生成树范围，使边有效；图3 (C)选择剩余顶点中与生成树距离最近的顶点V5，纳入生成树，使对应的边有效；图3 (d)选择剩余顶点中与生成树距离最近的顶点V4，纳入生成树，使对应的边有效；图3 (e)选择剩余顶点中与生成树距离最近的顶点V2，纳入生成树，使对应的边有效；图3 Ce)选择剩余顶点中与生成树距离最近的顶点V2，纳入生成树，使对应的边有效。最小生成树构造完毕。图3 (a)给出了原始的顶点和存在的边及边权，对边权进行非递减的排序，并使所有边无效(6个顶点、10条可能的边)；图3 (b)选择最小的边权，连接该边所连接的两个顶点，使该边有效,并使这两个顶点纳入生成树中；图3 (c)、3 (d)、3 (e)、3 (f)每次在剩余顶点中选择一个不在生成树中的顶点，该顶点与生成树中的顶点的边权在剩余无效边中具有最小的边权，将选中的的顶点纳入生成树范围，并使得所连接的边有效。最终的生成树具有最小的边权总和，因此称为最小生成树。本实施例中的定义区域对比较准则，用以对两个区域之间的体素灰度的统计信息差异与两个区域内部各自的内部体素灰度差异统计信息进行比较，由比较结果判定是否融合这两个区域。在此判定准则中，需要定义下面几个概念首先是区域内部差异对与任意区域其内部方差被定义为它的最小生成树的标准方差σ (C)(每个区域对应一棵最小生成树)，表达式为Int(C) = O (C)区域内部差异体现了体素灰度的离散程度，方差越小，区域内部体素的灰度分布越集中，则区域内部越平滑；反之，方差越大，区域内部体素的灰度分布越分散，那么区域的内部就越平滑。其次是区域间差异对与任意两个区域它们之间的区域差是它们灰度
均值的差值(灰度均值即同一个区域所有体素的灰度的均值)，表达式如下Dif(C11C2) = I μ (C1)-U (C2)其中μ (C)是区域C的灰度均值。然后是区域对最小内部差异它对两个区域的区域内部差异与各自的门限函数的和进行对比，其中较小的值就表示此区域对(即区域C1和C2)的最小内部差异，而直接简单地取两个区域的内部差异较小者，表达式如下所示
Mint (C1, C2) =min (Int (C1) + τ (C1)，Int (C2) + τ (C2))其中τ ( ·)是门限函数，定义如下
(I— k fi+ I)n j =两I +:J其中k和α是两个正参数，|C|表示区域C的大小，即该区域所含的体素总数；可通过调整k、α调整图像的分割程度。区域间差异、区域内部差异以及门限函数的定义公式是本专利目前用到的方案， 在往后的研究与实现当中会不断改进以期得到更合适的比较准则。例如区域间差异也可定义为每个区域的标准方差的差异、门限函数可以是现定义的门限函数成指数或者成线性比例关系等。最后，应用以上三个概念可得到区域对比较准则，用于判断分割过程中相邻的两个区域C1和C2 (其中(.',C2 C F )是否融合，定义如下
V, w" /”/.((:，(、)> Mini((;,(;)
1 - [false,other当区域间差异大于区域对最小内部差异即D (C1, C2)为真时，区域C1和C2不融合，反之则将这两个区域合并。参数α通过调节区域信噪比对门限函数的调整，从微观上调整结果的分割精度。当区域大小|C|和k 一定时，α越小，门限函数τ (C)和区域对最小内部差异MInt(CpC2)就越大，融合的可能性随之增大；反之亦然。类似得，k从宏观上结果的分割程度进行调整，当区域大小|C|和α —定时，k越小，门限函数τ (C)和区域对最小内部差异MInt(CpC2)就越小，融合的可能性随之减小；反之亦然。本发实施例的融合阶段，在融合之初，每个顶点(即体素点)可看做成一个独立的子图即独立的区域，对图中以非递增顺序排序后所以边进行便利。当两个区域是相邻区域，当它们具有相似的灰度均值并且符合区域对比较准则这个判定定理时，则将这两个区域融合成一个大的区域，比较继续进行，直到遍历完所有的边，最终原来的图形成了一个森林，其中每棵树对应图中的一个子图，也代表图像中的一个区域。下面的实验是采用本发明所述的方法前后的三维医学图像分割效果，用于验证本发明方法的有效性。为了测量本发明方法的分割准确度，我们对10幅从胎儿体模、分辨率体模和人体组织采集得到的三维B超图进行了分割实验，并与其他的分割算法得到的结果进行对比，如图
4、5、6展示其中一幅三维超声图像运用几种不同的方法分割产生的对比效果图。图4 (a)、5(a)、6 (a)是原始三维数据简称原图；图4 (b)、5 (b)、6 (b)是使用双边滤波模型对原始数据进行处理得到的滤波结果；图4 (c)、5 (c)、6 (c)是用snakes方法得到的感兴趣区域的轮廓，此轮廓明显与最初轮廓有一定的差异，特别是双脚附近；图4 (d)、5 (d)、6 (d)是用本发明算法分割得到的结果，每个区域对应一种不同的颜色，可以很快识别出不同的区域；图4(e)、5(e)、6 Ce)是从(d)中将感兴趣区域单独显示的结果，此图的感兴趣区域即为胎儿的身体；图4 (f)、5 (f)、6 (f)是用模糊C均值算法分割得到的结果，此实验取类别数为三种，每类对应一种颜色；图4 (g)、5(g)、6 (g)是从(f)中将感兴趣区域单独显示的结果。图4(e)、5 (e)、6 (e)、(g)分别是本发明方法和FCM聚类方法的分割结果中的感兴趣区域，聚类方法分割中的感兴趣区域即胎儿身体部分被过分割即分为不同的类别，而周围胎儿身体外的部分区域又与胎儿身体分成一类，很明显本发明的分割效果要比FCM聚类的分割效果好。综上可知，本发明的分割效果，明显优于snakes方法和FCM聚类方法。如下表I所示，用本发明方法及其他两种较经典的方法，对8幅从分辨率体模上采集的三维数据进行分割，显示各种不同方法进行三维分割产生的正确率测量结果。从该表可以看出，使用本发明方法进行分割的正确率要比传统的snakes方法和经典的模糊c聚类方法即FCM的方法所分割的效果要好，正确率提高了很多。表I
权利要求
1.一种基于图论的三维医学图像的分割方法，其特征在于，包括下述步骤 (1)、使用双边滤波模型，去除医学图像中的斑点噪声； (2)、建立三维图像到三维图的映射，统计顶点之间的邻接关系以及计算连接两个顶点的边的权重； (3)、对图中各个边的权重进行非递增的排序，保证最后生成的每一棵树都是最小生成树； (4)、定义区域对比较准则，用以统计两个区域的体素灰度的统计信息差异和两个区域内部各自的内部体素灰度差异统计信息； (5)、对图中排序后的所有边进行遍历，以区域对比较准则作为判断准则，符合的话进行融合，每个区域对应一棵最小生成树，最后形成一个森林。
2.根据权利要求I所述的基于图论的三维医学图像的分割方法，其特征在于，步骤(2)具体为，建立图像到图G= (V，E)的映射，其中G代表图，V代表顶点集，E代表边集，统计顶点之间的邻接关系以及计算连接两个顶点的边的权重，此处将每个体素看成图像中的一个顶点，将每个体素与其26邻域相连接，得到图的边，边的权值是相应的两个体素点Vi和Vj.的体素值差异，即灰度差，用I(Vi)表示顶点Vi的强度，即此处的灰度，灰度差的表达式如下所示 Wij= I I (Vi) -I (Vj) I。
3.根据权利要求I所述的基于图论的三维医学图像的分割方法，其特征在于，步骤(4)中，定义区域对比准则具体为用以对两个区域的相似程度进行评估，根据各体素点灰度的统计信息差异与两个区域内部各自的内部体素灰度差异统计信息进行比较，决定是否融合这两个区域，在图G中，会定义区域间差异、区域内部差异和区域对最内部差异； 首先，区域间差异:对与任意两个区域，它们之间的区域差是它们灰度均值的差值，表达式如下Dif(C11C2) = I u (C1)-U (C2) 其次，区域内部差异对与任意区域CgF,其内部方差被定义为它的最小生成树的标准方差，表达式为 Int(C) = O (C) 最后，区域对最小内部差异 Mint (C1, C2) =min (Int (C1) + x (C1)，Int (C2) + x (C2)) 其中T ( )是门限函数，定义如下 T) = w....... -|(1 I a) 其中k和a是两个正参数，C|表示区域C的大小，即该区域所含的体素总数，可通过调整k、a调整图像的分割程度。
4.根据权利要求3所述的基于图论的三维医学图像的分割方法，其特征在于，所述区域间差异、区域内部差异以及区域对最小内部差异可得到区域对比较准则，用于判断分割过程中相邻的两个区域C1和C2是否融合，其中，定义如下
5.根据权利要求I所述的基于图论的三维医学图像的分割方法，其特征在于，步骤(5)中，在融合之前，将每个顶点看作为一个独立的子图，接着遍历所有排序后的边集，若当前遍历的边属于两个不同的区域，则根据判断准则决定是否融合这两个区域，若融合，则形成一个较大的区域，依次类推，直到遍历完所有的边，最终原来的图形成一个森林，其中每棵树对应图中的一个子图，也代表图像中的一个区域。
全文摘要
本发明公开了一种基于图论的三维医学图像的分割方法，其特征在于，包括下述步骤(1)、使用双边滤波模型，去除三维医学图像中的斑点噪声；(2)、建立三维图像到三维图的映射，统计顶点之间的邻接关系以及计算连接两个顶点的边的权重；(3)、对图中各个边的权重进行非递增的排序，保证最后生成的每一棵树都是最小生成树；(4)、定义区域对比较准则，用以统计两个区域的体素灰度的统计信息差异和两个区域内部各自的内部体素灰度差异统计信息；(5)、对图中排序后的所有边进行遍历，以区域对比较准则作为判断准则，符合的话进行融合，每个区域对应一棵最小生成树，最后形成一个森林。本发明提高了三维医学图像分割中提取的感兴趣区域的准确性，同时对图像中固有的斑点噪声和弱边界有鲁棒性。
文档编号G06T19/20GK102968822SQ20121030181
公开日2013年3月13日 申请日期2012年8月23日 优先权日2012年8月23日
发明者黄庆华, 郑丽芳, 林春漪, 韦岗 申请人:华南理工大学