方式进行：
[0056] (1)利用大律法（0TSU)求得CT图像最优阈值作为终止条件，并利用四角置点区域 生长法得到背景区域，进而连通域标记合并小面积区域去除背景。
[0057] 具体流程如下：
[0058] a.阈值以上文得到的最优阈值作为迭代终止条件；
[0059] b.分别从图像的四个角点(作为种子点）向中心区域扫描，若扫描的像素值小于阈 值即认为是背景区域并将像素值置为〇 (黑色)，不断扫描直至所有背景像素点合并完毕；
[0060] c.生长过程：从种子点开始遍历其邻域像素，若像素灰度值小于阈值，则标记为 背景，若大于阈值且其四邻域有小于阈值的像素，则标记为边界；
[0061] d?将标记为背景的像素置为白色。
[0062] (2)以步骤（1)的阈值分割，并将分割的图像取反，然后进行闭运算使肺部气管与 肺实质连成一体，得到粗略的肺实质模板。
[0063] (3)采用区域生长法生成肺实质掩膜。
[0064] 具体步骤为：在分割后肺实质模板的每一个区域内，选取图像的中心点为种子点， 生长准则为像素的相似性，在种子点的四邻域范围内按照顺时针方向进行搜索，与种子点 像素一致的四邻域点被纳入生长区域内，同时作为新的种子点，直到没有满足条件的四邻 域点被纳入生长区域内的时候，生长结束。
[0065] 依据上述方法生长出肺实质掩膜是基于原来CT图像上去除了周围器官、支气管、 血管等不期望得到的图像，得到分割后的肺实质图像。
[0066] (4)采用边缘检测法提取肺实质边缘点集，并将提取的边缘点集连接为线，得到肺 实质轮廓曲线。
[0067] 此处采用的边缘检测法可使用canny边缘算子，算法步骤可参考期刊IEEETransactionsonPatternAnalysisandMachineIntelligence于 1986 年第 6 期第 679-698页报道的文献名称为"Acomputationalapproachtoedgedetection"中所记载 的内容。具体的算法步骤可简述为：
[0068]st印1:用高斯滤波器平滑图像；
[0069]step2:用一阶偏导的有限差分来计算梯度的幅值和方向；
[0070]st印3:对梯度幅值进行非极大值抑制；
[0071]st印4:用双阈值算法检测和连接边缘。
[0072] 进而，本发明步骤（I)中获取肺实质边缘曲线后，根据曲率和惯性规律填补肺实 质边缘曲线上的凹陷部分，以修正肺实质边缘曲线，可以按照以下方式进行：
[0073] ( 1)根据式①求得肺结节边界曲线和与其相交的肺实质边界曲线的曲率K，并提取 曲率方向改变的点(例如，提取4-6个点）；
[0075] (2)根据式②定义的曲率半径P判断曲线各个部分的凹凸性；
[0077] 式①、②中，Ix，Iy，Ixx，Iyy分别为曲线的坐标x，y对参变量的一阶、二阶导数，M是 经验系数；
[0078] (3)求得肺实质边界曲线和肺结节边界曲线相交时的拐点，将曲率小的曲线段去 掉；
[0079] (4)利用曲率方向改变的点，结合曲线延伸的惯性规律，曲线拟合法修正曲线边 缘，得到包含肺结节在内的肺实质轮廓。
[0080] 以下以图2 (a)为例具体说明上述对肺实质边缘曲线的修正过程。
[0081] 图2 (a)为肺部图像的某一帧，图2 (b)通过两次区域增长的方法获得肺实质部 分，从图像中可以看出在图像的左侧肺实质底部有一个肺结节，由于跟胸膜壁灰度相似，在 进行肺实质提出时将其分出了肺实质区域，图2 (c)为2 (b)的边缘图像。我们将感兴趣 区域放到被提出的肺结节边缘上，如图2 (d)所示，图2 (e)上的点本文中通过曲率获得的 曲率改变方向的点，通过这几个点的确定，将原来的边缘图像进行修正，通过惯性规律获得 大范围图像的曲率来修补肺实质边缘，图2 (f)为修补后的肺实质边缘图像，可以看出将肺 结节充分的包含在肺实质内部，完成了肺实质的提取。
[0082] 进一步地，在本发明的步骤（II)中，可以采用边缘检测法(算法步骤可参考期刊 IEEETransactionsonPatternAnalysisandMachineIntelligence在 1986 年第 6 期 第 679-698 页报道的文献名称为"Acomputationalapproachtoedgedetection" 中所 记载的内容。）进行自动分割，以获取肺实质中肺结节的初始轮廓。具体的实现过程如下：
[0083] st印1:用高斯滤波器平滑图像；
[0084] step2:用一阶偏导的有限差分来计算梯度的幅值和方向；
[0085] st印3:对梯度幅值进行非极大值抑制；
[0086] step4:用双阈值算法检测和连接边缘。
[0087] 进而，本发明的步骤（II)中获取肺结节初始轮廓后，采用基于混合高斯模型的内 核图割法(算法步骤可参考期刊IEEETransactionsonImageProcessing在2011年第20 卷第 2 期第 545-557 页报道的文献名称为"SalahMB，MiticheA,AyedIB.Multiregion imagesegmentationbyparametrickernelgraphcuts" 中所记载的内容）对得到的肺 结节进行自动的初始分割，以获取初始肺结节内轮廓。
[0088] 图3给出了 5组分割比较困难的肺结节，如图3 (a)_图3 (e)所示，大部分肺结 节为与血管相连或者与胸膜壁相连，肺结节周围的边界比较模糊，肺结节的特征多为毛刺 或不规则形状等特征而造成分割结果不理想。本发明首先采用自动分割，获得肺结节初始 轮廓，然后采用基于混合高斯模型的内核图割分割法对肺结节进行初始分割，获得初始肺 结节内轮廓。后续通过该初始肺结节内轮廓来获得肺结节的初始标记点。
[0089] 本发明在步骤(III)中提供了一种图割法的标记点(种子点）的提取方法，这是本发 明的主要创新点。以下以图4为例，具体说明本发明步骤(III)中提取肺结节标记点的具体 实现方法：
[0090] 如图4所示，图4 (a)为采用基于混合高斯模型的内核图割分割法分割的初始肺 结节内轮廓，从中可以看出，血管部分被图割分割到肺结节区域。在初始肺结节内轮廓上均 匀取若干点作为初始标记点，然后自每一个初始标记点起分别向肺结节中心处提取目标点 (如图4 (e)中位于肺结节内部的标记点)，向内轮廓外围提取背景点(如图4 (e)中肺结节 外部的标记点)，并使目标点和背景点到相应初始标记点的距离相等，且所有目标点和背景 点的连线相交于肺结节内部一点（图4 (b)中的C点）。由于在提取初始标记点时,有些标 记点因含有一些凸起或者血管区域，导致产生的标记点之间的距离远远大于其他相邻标记 点距离，此时可参考该组初始标记点的平均距离对距离大的标记点之间进行插点操作，图4 (d)中的点I即为新添加的标记点。通过标记点的精确确定，就可以通过下面的图割方法对 图像进行更精细的分割。
[0091] 本发明步骤(IV)中采用基于最大流算法的图割法分割肺结节时，可参考期刊IEEE TransactionsonPatternAnalysisandMachineIntelligence在 2001 年第 23 卷第 11 期第 1222-1239 页报道的文献名称为"Fastapproximateenergyminimizationvia graphcuts"所记载的方法步骤。
[0092] 在本发明的一种实施方式中，步骤(IV)中采用基于最大流算法的Graphcuts法分 割肺结节的具体实现过程如下：
[0093] (1)以步骤(III)中标记的一组背景点所构成的曲线作为当前轮廓线；
[0094] (2)构造s_t网络：使当前轮廓线对应s_t网络的源点s，使步骤(III)中标记的一 组目标点所形成的内边界对应s_t网络的汇点t，其余每一个像素对应s_t网络中的一个结 点，相邻结点间以8邻域方式带权值连接；
[0095] (3)最大流最小代价切割：计算式③中Gibbs能量函数E的区域项和边界项，用最 大流算法对s_t网络进行最小代价切割，得到一条新当前轮廓线；
[0098] 式③中：V为图像中像素点集合；N表示图像中所有邻接像素对{i，j} ;1^是一个二 进制标记，Q=1时，像素点i标记为前景标记，LfO时，像素点i标记为背景标记；而入表 示区域项R(i，LJ和边界项B(i，j)之间的权重；
[0099] 区域项R(i，印定义如式④所示：
[0100] R(i,Li)=-lnP(Ii|Li) ④；
[010