一种胎儿头部超声影像的分割方法

：
1.本发明一种胎儿头部超声影像的分割方法属于医学、数字图像处理等应用领域。
技术背景：
2.相对于ct和mri技术来说，医学超声成像技术还具有成像速度快、所需费用低、避免静脉造影剂和电离辐射等不良因素的影响的优点，可以多次进行超声检查而不必担心放射线诱发其他病变，因此医学超声诊断技术被广泛应用在临床诊断中。传统超声成像技术只能显示病灶部位某一切面的二维图像，需要临床医生结合不同角度的超声影像以及自己的临床经验对待检查部位进行综合分析，但是这种综合分析的准确性并不高。因此，医学影像三维重建技术则能够将二维信息进行三维整合，代替了医生主观判断体内组织三维结构的过程。医学三维超声技术尤其是在产科的胎儿发育指标检测方面的诊断和治疗中占据着十分重要的地位。
3.然而，受超声成像技术机理的限制，医学超声影像容易受到斑点噪声的干扰，并且由于人体组织构造复杂，很难直接得到只含有目标组织的超声影像，这就需要对超声影像进行处理，以使得超声影像三维重建达到预期的效果。其中，作为超声图像预处理的重要一环，超声影像目标区域分割就显得尤为重要。


技术实现要素：

4.为了实现对产科的胎儿发育指标检测方面中获得的超声影像进行区域分割预处理，为进一步的超声影像三维重建完成前期图像预处理基础，本发明公开了一种胎儿头部超声影像的分割方法，包括以下步骤：
5.步骤a：根据获得的胎儿头部原始超声影像i，将胎儿头部原始超声影像i数字化，利用基于范数低差异性类别簇像素集合簇群估计方法，计算出医生期望获得的初步的胎儿头部低差异性类别簇像素集合簇群的合成影像，所取得的合成图像为图像i1，其具体实现包括以下子步骤:
6.步骤a1、初始化胎儿头部超声影像数字化目标函数参数：
7.将获得的胎儿头部超声影像i中每一个像素点数字化为影像点数字化数据集x，该影像点数字化数据集x包含n个l维度影像点数字化向量，每个影像点数字化向量表示一个影像点数字化样本，故x记为：将影像点数字化数据集x中的n个影像点数字化样本分成c个相互之间互不相交的影像点数字化数据低差异性类别簇族，利用低差异性分类估计因子f
ij
，
[0008][0009]
其中：nj表示影像点数字化样本xj的一组毗邻范围区域，d
jk
表示影像点数字化样本 xj与毗邻范围区域影像点数字化样本xk的euclidean距离，||x
j-vi||
p
表示用l
p
范数表示影像点数字化样本xj到低差异性类别簇中心ci的距离，a
ij
隶属度矩阵；
[0010]
步骤a2、求解隶属度矩阵a
ij
和低差异性类别簇中心ci：
[0011]
归属函数矩阵a
ij
与低差异性分类估计因子f
ij
的关系为：
[0012][0013]
第i个低差异性类别簇中心的第l次迭代的低差异性类别簇中心为：
[0014][0015]
其中，归属比重因子矩阵β
ij
[0016][0017]
步骤a3、计算建立的胎儿头部超声影像数字化目标函数获得胎儿头部低差异性类别簇像素集合簇群的合成影像i1：
[0018]
影像数字化目标函数tm为：
[0019][0020]
其中：c表示低差异性类别簇族的数量，n表示低差异性类别簇数据的影像点数字化样本数，a
ij
表示影像点数字化样本样本xj相对于低差异性类别簇中心ci的归属函数矩阵，m 是归属函数矩阵a
ij
的低差异性分类估计指数，||x
j-ci||
p
表示用l
p
范数表示影像点数字化样本xj到低差异性类别簇中心ci的离散程度。
[0021]
步骤b：根据获取到的胎儿头部低差异性类别簇像素集合簇群的合成影像i1，利用均匀化串联低差异性类别簇像素集合簇群像素密度过滤像素峰值密度的方法消除多余小区域重新映射轮廓拟合合成胎儿头部分割图像i2，其具体实现包括以下子步骤:
[0022]
步骤b1：获取低差异性类别簇像素集合簇群区域样本p的峰值m
p
，
[0023]
获得均匀化串联低差异性类别簇像素集合簇群像素密度过滤像素峰值密度的分类簇数
[0024][0025]
其中，αq表示低差异性类别簇像素集合簇群单独样本q所在独立区块的归一化串联密度集合峰值，σ表示以m
p
为中心的毗邻范围区域半径，||α
q-m
p
||是判断αq的值是否在 m
p
的毗邻范围区域内的范数评判标准；
[0026]
步骤b2：获取串联密度集合峰值串联分量s
p
，
[0027][0028]
其中，q表示图像i1在经过均匀化串联低差异性类别簇像素集合簇群像素密度过滤像素峰值密度后所包含的所有串联密度集合峰值分量的个数；
[0029]
步骤b3：利用串联密度集合峰值串联分量s
p
合成串联密度集合峰值串联分量联合映射结果eq：
[0030][0031]
步骤b4：依照叠加参数ω的数值，对串联密度集合峰值串联分量联合映射结果eq进行叠加次数等于叠加参数ω的数值的叠加，完成叠加轮廓拟合化描绘，合成出胎儿头部分割图像i2。
[0032]
作为优选，所述归属函数矩阵a
ij
满足条件以及条件0＜a
ij
＜1。
[0033]
作为优选，所述低差异性类别簇像素集合簇群区域样本p的峰值m
p
满足条件 0≤m
p
≤1。
[0034]
作为优选，所述叠加参数ω的数值在数值上等于经过均匀化串联低差异性类别簇像素集合簇群像素密度过滤像素峰值密度后所包含的所有串联密度集合峰值分量的个数q。
[0035]
有益效果：
[0036]
本发明一种胎儿头部超声影像的分割方法，与现有技术相比，本发明具有以下有益效果引入了一种基于范数低差异性类别簇像素集合簇群估计方法，计算出医生期望获得的初步的胎儿头部低差异性类别簇像素集合簇群的合成影像，利用均匀化串联低差异性类别簇像素集合簇群像素密度过滤像素峰值密度的方法，对图像中多余的小区域进行合并，以消除过分割带来的多余小区域的影响，并重新合成胎儿头部分割图像，因此能解决超声影像预处理中存在的过分割以及稳定性较差的问题，同时为后续产科医学三维超声影像构建奠定基础。
附图说明
[0037]
图1：本发明方法的流程图
[0038]
图2：未处理胎儿脑部正面超声原图
[0039]
图3：经过本发明方法的步骤a处理后的胎儿脑部正面影像
[0040]
图4：经过本发明方法的步骤b处理后的胎儿脑部正面影像
[0041]
图5：未处理胎儿脑部背面超声原图
[0042]
图6：经过本发明方法的步骤a处理后的胎儿脑部背面影像
[0043]
图7：经过本发明方法的步骤b处理后的胎儿脑部背面影像
具体实施方式
[0044]
下面对本发明的具体实施方式进行描述，以便本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0045]
如图1所示，一种胎儿头部超声影像的分割方法，包括以下步骤：
[0046]
步骤a：根据获得的胎儿头部原始超声影像i，将胎儿头部原始超声影像i数字化，利用基于范数低差异性类别簇像素集合簇群估计方法，计算出医生期望获得的初步的胎儿头部低差异性类别簇像素集合簇群的合成影像，所取得的合成图像为图像i1，其具体实现
包括以下子步骤:
[0047]
步骤a1、初始化胎儿头部超声影像数字化目标函数参数：
[0048]
将获得的胎儿头部超声影像i中每一个像素点数字化为影像点数字化数据集x，该影像点数字化数据集x包含n个l维度影像点数字化向量，每个影像点数字化向量表示一个影像点数字化样本，故x记为：将影像点数字化数据集x中的n个影像点数字化样本分成c个相互之间互不相交的影像点数字化数据低差异性类别簇族，利用低差异性分类估计因子f
ij
，
[0049][0050]
其中：nj表示影像点数字化样本xj的一组毗邻范围区域，d
jk
表示影像点数字化样本 xj与毗邻范围区域影像点数字化样本xk的euclidean距离，||x
j-vi||
p
表示用l
p
范数表示影像点数字化样本xj到低差异性类别簇中心ci的距离，a
ij
隶属度矩阵；
[0051]
步骤a2、求解隶属度矩阵a
ij
和低差异性类别簇中心ci：
[0052]
归属函数矩阵a
ij
与低差异性分类估计因子f
ij
的关系为：
[0053][0054]
第i个低差异性类别簇中心的第l次迭代的低差异性类别簇中心为：
[0055][0056]
其中，归属比重因子矩阵β
ij
[0057][0058]
步骤a3、计算建立的胎儿头部超声影像数字化目标函数获得胎儿头部低差异性类别簇像素集合簇群的合成影像i1：
[0059]
影像数字化目标函数tm为：
[0060][0061]
其中：c表示低差异性类别簇族的数量，n表示低差异性类别簇数据的影像点数字化样本数，a
ij
表示影像点数字化样本样本xj相对于低差异性类别簇中心ci的归属函数矩阵，m 是归属函数矩阵a
ij
的低差异性分类估计指数，||x
j-ci||
p
表示用l
p
范数表示影像点数字化样本xj到低差异性类别簇中心ci的离散程度。
[0062]
步骤b：根据获取到的胎儿头部低差异性类别簇像素集合簇群的合成影像i1，利用均匀化串联低差异性类别簇像素集合簇群像素密度过滤像素峰值密度的方法消除多余小区域重新映射轮廓拟合合成胎儿头部分割图像i2，其具体实现包括以下子步骤:
[0063]
步骤b1：获取低差异性类别簇像素集合簇群区域样本p的峰值m
p
，
[0064]
获得均匀化串联低差异性类别簇像素集合簇群像素密度过滤像素峰值密度的分类簇数
[0065][0066]
其中，αq表示低差异性类别簇像素集合簇群单独样本q所在独立区块的归一化串联密度集合峰值，σ表示以m
p
为中心的毗邻范围区域半径，||α
q-m
p
||是判断αq的值是否在 m
p
的毗邻范围区域内的范数评判标准；
[0067]
步骤b2：获取串联密度集合峰值串联分量s
p
，
[0068][0069]
其中，q表示图像i1在经过均匀化串联低差异性类别簇像素集合簇群像素密度过滤像素峰值密度后所包含的所有串联密度集合峰值分量的个数；
[0070]
步骤b3：利用串联密度集合峰值串联分量s
p
合成串联密度集合峰值串联分量联合映射结果eq：
[0071][0072]
步骤b4：依照叠加参数ω的数值，对串联密度集合峰值串联分量联合映射结果eq进行叠加次数等于叠加参数ω的数值的叠加，完成叠加轮廓拟合化描绘，合成出胎儿头部分割图像i2。
[0073]
作为优选，所述归属函数矩阵a
ij
满足条件以及条件0＜a
ij
＜1。
[0074]
作为优选，所述低差异性类别簇像素集合簇群区域样本p的峰值m
p
满足条件 0≤m
p
≤1。
[0075]
作为优选，所述叠加参数ω的数值在数值上等于经过均匀化串联低差异性类别簇像素集合簇群像素密度过滤像素峰值密度后所包含的所有串联密度集合峰值分量的个数q。
[0076]
如图2、图3、图4所示，其中图2为未处理胎儿脑部正面超声原图，将图2所示的未处理胎儿脑部正面超声原图经过上述本发明步骤a，即具体实施上述步骤a中全部子步骤，包含步骤a1、步骤a2、步骤a3后，得到图3所示的经过本发明方法的步骤a处理后的胎儿脑部正面影像，将图3所示的经过本发明方法的步骤a处理后的胎儿脑部正面影像经过上述本发明步骤a，即具体实施上述步骤b中全部子步骤，包含步骤b1、步骤b2、步骤b3、步骤b4后，得到得到图4所示的经过本发明方法的步骤b处理后的胎儿脑部正面影像，从而完成图像分割，如图4所示的图像可以看出来，经过本发明一种胎儿头部超声影像的分割方法所述的图像分割方法进行分割得到的结果，可以在保留主要目标区域的同时去除其他小目标区域。
[0077]
如图5、图6、图7所示，其中图5为未处理胎儿脑部背面超声原图，将图5所示的未处理胎儿脑部背面超声原图经过上述本发明步骤a，即具体实施上述步骤a中全部子步骤，包含步骤a1、步骤a2、步骤a3后，得到图3所示的经过本发明方法的步骤a处理后的胎儿脑部背面影像，将图3所示的经过本发明方法的步骤a处理后的胎儿脑部背面影像经过上述本发明步骤a，即具体实施上述步骤b中全部子步骤，包含步骤b1、步骤b2、步骤b3、步骤b4后，得到得到图7所示的经过本发明方法的步骤b处理后的胎儿脑部背面影像，从而完成图像分割，
如图7所示的图像可以看出来，经过本发明一种胎儿头部超声影像的分割方法所述的图像分割方法进行分割得到的结果，可以在保留主要目标区域的同时去除其他小目标区域。
[0078]
综上所述，本发明引入了一种基于范数低差异性类别簇像素集合簇群估计方法，计算出医生期望获得的初步的胎儿头部低差异性类别簇像素集合簇群的合成影像，利用均匀化串联低差异性类别簇像素集合簇群像素密度过滤像素峰值密度的方法，对图像中多余的小区域进行合并，以消除过分割带来的多余小区域的影响，并重新合成胎儿头部分割图像，因此能解决超声影像预处理中存在的过分割以及稳定性较差的问题，同时为后续产科医学三维超声影像构建奠定基础。
[0079]
上述实例用来解释和说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出任何的修改和改变，都落入本发明的保护范围。