肺部CT影像病变组织的自动分割方法

摘要

本发明提供的肺部CT影像病变组织的自动分割方法，包括：从肺实质CT影像中通过滑降算法搜索各点邻域梯度最小值，根据邻域梯度最小值获取肺部病变初始生长点的区域，根据肺部病变初始生长点的区域确定初始生长种子点；根据初始生长种子点获取像素灰度约束和生长距离约束，并从像素灰度约束和生长距离约束中由区域生长方法确定肺部病变区域；根据肺部病变区域得到各层肺部病变区域的边界，各层肺部病变区域的边界在中心点根据预设的方向得到所述肺部病变区域中相邻层的边界像素点，通过所述相邻层的边界像素点和所述肺部病变区域的中心点得到平均距离差值，并将超过所述平均距离差值的像素点进行平滑得到肺部病变组织的分割图像。

说明书

技术领域

本发明涉及图像分割技术，特别是涉及一种肺部CT影像病变组织 的自动分割方法。

背景技术

肺部CT影像病变组织的自动分割是计算机辅助诊断领域研究的一个 重要问题，它可以完成肺部病变组织的自动获取，缩短临床诊断时的等待 时间，在计算机辅助诊断领域有重要的应用价值。

肺部CT影像病变组织按照病变位置分类可以分为孤立类型、与血管 粘连类型以及与胸膜粘连等类型；按照病变种类可以分为磨玻璃影、肺结 节和肺肿瘤等类型。其中，磨玻璃影类型是肺部病变中最难以分割的。现 有的基于区域生长的肺部病变组织分割算法都需要人工手动获取初始生 长种子点，从而造成了不准确性。

发明内容

本发明提供的肺部CT影像病变组织的自动分割方法，可以准确地得 到肺部病变组织的分割图像。

根据本发明的一方面，提供一种肺部CT影像病变组织的自动分割方 法，包括：

从肺实质CT影像中通过滑降算法搜索各点邻域梯度最小值，根据所 述邻域梯度最小值获取肺部病变初始生长点的区域，并且根据所述肺部病 变初始生长点的区域确定初始生长种子点；根据所述初始生长种子点获取 像素灰度约束和生长距离约束，并从所述像素灰度约束和生长距离约束中 确定肺部病变区域；根据所述肺部病变区域通过区域生长方法得到各层肺 部病变区域的边界，所述各层肺部病变区域的边界在中心点根据预设的方 向得到所述肺部病变区域中相邻层的边界像素点，通过所述相邻层的边界 像素点和所述肺部病变区域的中心点得到平均距离差值，并将超过所述平 均距离差值的像素点进行平滑得到肺部病变组织的分割图像。

本发明实施例提供的肺部CT影像病变组织的自动分割方法，通过根 据初始生长种子点获取像素灰度约束和生长距离约束，并从像素灰度约束 和生长距离约束中确定肺部病变区域，并对肺部病变区域进行平滑处理， 从而准确地得到肺部病变组织的分割图像。

附图说明

图1为本发明实施例提供的肺部CT影像病变组织的自动分割方法流 程图；

图2为本发明实施例提供的实性结节类型和磨玻璃类型的肺部病变组 织示意图；

图3为本发明实施例提供的同一个孤立肺结节的不同分割结果示意 图；

图4为本发明实施例提供的同一个磨玻璃病变的不同分割结果示意 图；

图5为本发明实施例提供的肺部病变分割完成时的人工交互次数结果 示意图；

图6为本发明实施例提供的不同选取条件下的初始生长种子点的分割 结果示意图。

具体实施方式

本发明的总体构思是，通过根据初始生长种子点获取像素灰度约束和 生长距离约束，并从像素灰度约束和生长距离约束中通过区域生长方法确 定肺部病变区域，并对肺部病变区域进行平滑处理，从而准确地得到肺部 病变组织的分割图像。

下面结合附图对肺部CT影像病变组织的自动分割方法进行详细描述。

图1为本发明实施例提供的肺部CT影像病变组织的自动分割方法流 程图。

参照图1，在步骤S101，从肺实质CT影像中通过滑降算法搜索各点 邻域梯度最小值，根据所述邻域梯度最小值获取肺部病变初始生长点的区 域，并且根据所述肺部病变初始生长点的区域确定初始生长种子点。

这里，初始生长点的区域可以为滑降标记图像的高亮部分。

步骤S101具体过程如下：首先对于肺实质CT影像的每个像素逐一进 行邻域最小梯度值计算，搜索其邻域内梯度最小值，并在预先构造梯度栈 内按序存储每一个肺实质像素点得到的梯度最小值；其次，对之后每一个 像素点得到的最小梯度值，遍历梯度栈与已存储的各梯度最小值相比，得 到与其最相似的梯度值作为该点在标记图像上的标记值的一项，并由公式 (1)计算其标记图像上的像素标记值：

L_Source(i,j)＝G_Source(i,j)*p+[SMax(ToboStack,G_ToboMin(i,j))]²*q   (1)

G_Source(i,j)为进行搜索的源像素点(i,j)，ToboStack为构造的梯度栈， G_ToboMin(i,j)为搜索得到的邻域最小梯度值，SMax(ToboStack,G_ToboMin(i,j))函数 表示在梯度栈里搜索与G_ToboMin(i,j)里最接近的梯度值。L_Source(i,j)表示搜索 源像素点(i,j)在滑降标记图像里的像素标记值。p、q表示权重用于确定源 像素梯度值和梯度栈内计算得到的梯度值在计算L_Source(i,j)的比重。

在步骤S102，根据所述初始生长种子点获取像素灰度约束和生长距离 约束，并从所述像素灰度约束和生长距离约束通过区域生长方法确定肺部 病变区域。

在步骤S103，根据所述肺部病变区域得到各层肺部病变区域的边界， 所述各层肺部病变区域的边界在中心点根据预设的方向得到所述肺部病 变区域中相邻层的边界像素点，通过所述相邻层的边界像素点和所述肺部 病变区域的中心点得到平均距离差值，并将超过所述平均距离差值的像素 点进行平滑得到肺部病变组织的分割图像。

这里，根据预设的方向可以每隔2°取一个方向，计算各个方向上每 两个相邻层的病变区域边界与图像中心点的距离差值，最后将超过平均差 值的像素点通过公式(2)进行平滑。

进一步地，所述根据所述初始生长种子点获取像素灰度约束和生长距 离约束包括：

根据所述初始生长种子点的灰度值确定病变组织像素值的阈值，并根 据所述病变组织的阈值得到所述像素灰度约束，以及

根据所述肺部病变初始生长点的区域确定所述生长距离约束。

进一步地，从所述像素灰度约束和生长距离约束中通过区域生长方法 确定肺部病变区域包括：

从所述像素灰度约束和生长距离约束中通过区域生长方法得到肺病 变区域像素点；

对所述肺病变区域的各像素点赋予相应的代数标记；

根据所述代数标记确定所述肺部病变区域。

进一步地，所述方法还包括：

如果所述肺部病变区域生长过程中第一代的像素点的数值与相邻代 的肺部病变区域的像素点的数值的差值大于预设的阈值，则将超过所述预 设的阈值的肺部病变区域的像素点取消标记。

这里，第一代的像素点是从肺部病变区域生长过程中选取任意一代的 像素点。并且将超过所述预设的阈值的肺部病变区域的像素点取消标记 后，需要重新获取像素灰度约束和生长距离约束。

进一步地，所述并将超过所述平均距离差值的像素点进行平滑得到肺 部病变组织的分割图像包括：

根据公式(2)计算所述肺部病变组织的分割图像：

Dis(b_i″)＝Dis(b_i')-(Dis(b_i')-Avg)*p   (2)

其中，Dis(b_i″)为所述肺部病变组织的分割图像的距离，Dis(b_i')为超过 所述平均距离差值的像素点的距离，Avg为平均距离差值，p为超过所述平 均距离差值的像素点占所有边界点的比重。

这里，Dis(b_i″)具体为经过平滑后的超过所述平均距离差值的像素点与 图像中心点的距离。

图2为本发明实施例提供的实性结节类型和磨玻璃类型的肺部病变组 织示意图。

参照图2，滑降算法可以从肺实质梯度图像上准确得到肺部病变组织 的位置以及形状，其中高亮部分就是肺结节区域。

图3为本发明实施例提供的同一个孤立肺结节的不同分割结果示意 图。

参照图3，(a)是通过本发明采用的方法得到的分割结果；(b)是医生 A的手动分割结果；(c)是医生B的手动分割结果；(d)是采用水平集算法 得到的分割结果；(e)是采用骨架割算法得到的分割结果。

由图3可知，(a)得到的分割结果与(b)、(c)提供的手动分割结果的 相似度高于(d)和(e)，在第97层图像上，(d)和(e)都将病变组织上方的 血管错误的认为是病变组织。

图4为本发明实施例提供的同一个磨玻璃病变的不同分割结果示意 图。

参照图4，(a)是通过本发明采用的方法得到的分割结果；(b)是医生 A的手动分割结果；(c)是医生B的手动分割结果；(d)是采用水平集算法 得到的分割结果；(e)是采用骨架割算法得到的分割结果。

由图4可知，(a)得到的分割结果与(b)、(c)提供的手动分割结果的 相似度高于(d)和(e)，从第159层图像到第160层图像，(d)和(e)都将病 下方的血管错误的认为是病变组织。

图5为本发明实施例提供的肺部病变分割完成时的人工交互次数结果 示意图。

参照图5，1表示骨架割算法所用的人工参与次数，2表示单点击共生 分割算法的人机交互次数，3表示水平集方法的人机交互次数，4表示本 发明所用的人工交互次数。

由图5可知，本发明采用的方法所需要手动参与次数为0，而骨架割 方法所需要的人机交互次数为3，单点击共生分割方法与水平集算法所需 要的人机交互次数为1，由此可知，本发明采用的方法实现了全自动的肺 部病变组织的分割。

图6为本发明实施例提供的不同选取条件下的初始生长种子点的分割 结果示意图。

通过自动选择的种子点得到的分割结果(TBGA)与通过手动给定的种 子点得到的分割结果(MBGA)进行逐像素对比，黑色表示第一次测试得到的 分割相似度，灰色表示第二次测试得到分割相似度。

由图6可知，通过自动选择的种子点得到的分割结果(TBGA)与通过手 动给定的种子点得到的分割结果(MBGA)平均相似度达到了92.50％，由此可 知，本发明采用的方法具有很高的实用价值。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局 限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可 轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明 的保护范围应以所述权利要求的保护范围为准。