一种基于改进树状部分模型的医学图像自动分割方法

摘要

本发明请求保护一种基于改进树状部分模型的医学图像分割方法，涉及医学图像分割领域，所述方法主要包括以下步骤：对输入图像进行预处理；对预处理之后的图像获得特征点；然后利用凹凸点(Convex？Concave？Point)算法获得最能表现器官特征的关键点；最后利用树状部分模型训练出器官的模型，利用此模型进行分割。本发明通过CCP算法对医学图像进行分割，能够准确、自动的提取肝脏轮廓，将分割结果显示出来为医学辅助诊断提供参考。

说明书

技术领域

本发明属于医学图像分割领域，特别设计一种基于改进的树状部分模型的医学图 像自动分割方法。

背景技术

医学图像处理是实现计算机辅助诊断(CAD)的基础研究和治疗，尤其是肿瘤放射 治疗(ORT)与研究成像指南手术(IGS)。器官分割是医学图像处理领域的一个重要课题。随 着成像技术，如磁共振成像(MRI)、计算机断层扫描(CT)和正电子发射断层扫描(PET)，医生 和物理学家完成相关的工作中都会使用计算机辅助方法。例如，当拟定一项行动计划，他们 需要画出轮廓的解剖结构和其它感兴趣的领域。快速、准确的器官分割在诊断、分类、手术 计划的制定具有重要的作用。目前，临床常使用手动分割得到医疗机关区域。但这种方式的 缺点是耗费时间和技能的人员。因此，研究自动分割和半自动技术有助于减少临床医生工 作，减少主观因素，以提高诊断的准确率分割错误。

器官的分割已经吸引了越来越多人的研究关注。然而，由于以下的事实，肝脏的分 割是仍被视为具有挑战性的任务。第一，人类的器官和组织结构复杂，不同个体之间有着天 壤之别。同时，由于临床医学成像范围的限制，实现医学图像目标器官或组织的准确分割是 困难的。第二，医学图像所呈现的效果是：高噪声、低对比度和模糊的边缘，尤其是低剂量 卷。解剖学的精度、任何人机交互和处理的所有可能情况的能力是临床使用很大代价。用于 高精度的医学图像分割，模型在处理复杂的可能的情况下更有利。对于临床的最终用户，好 的设计的算法与没有交互式的软件很有必要，所以本方法专注于自动分割模型。

到现在，有很多的研究致力于使用模型进行医学图像分割。根据模型的不同模式， 可分为全局模式和局部模式。全局模式是通过调节参数来达到分割的目的，例如阈值分割、 区域增长、边缘检测。SezginMehmet利用阈值信息结合直方图形状、测量空间聚类以及空 间相关性信息来进行分割。MaYang使用超复杂边缘检测算子，并应用于树维CT的肝血管分 割。XiaoqiLu提出了改进的区域生长法，主要利用Quasi-MonteCarlo方法来选取种子点。 但通过这种方法得到的肝轮廓并不顺利。全局模式主要从宏观上进行分割，会忽略掉局部 的精细的信息。局部模式包含了图像的局部详细信息，如蛇模型、主动轮廓模型。主动轮廓 模型是主要用于肝脏分割最受欢迎的方法，其分为参数活动轮廓模型和几何活动轮廓模 型。这种轮廓模型的缺点是都需要好的初始估计。和全局模式相反的是，局部模式也只是考 虑了局部信息，也忽略了重要的宏观信息。

发明内容

本发明的目的是为了解决现有技术在医学图像分割过程中过多的依靠人为的操 作，或者半人为的操作问题，发明了一种高效的基于改进树状部分模型的医学图像自动分 割方法。。本发明的技术方案如下：一种基于改进树状部分模型的医学图像自动分割方法， 其包括以下步骤：

101、获取医学图像后，首先对医学图像进行预处理，获得多种彩色图像；

102、利用特征点提取算法对预处理后的医学图像提取多个特征点，特征点与特征 点的距离l大于等于最小距离l1且小于等于最大距离L2；

103、使用凹凸点算法对步骤102提取的多个特征点筛选出若干个最能表示医学图 像特征的关键特征点；

104、然后利用树状部分模型训练针对医学图像的模型；最后利用此模型找到器 官。

进一步的，步骤101对医学图像进行预处理，获得多种彩色图像包括步骤：输入灰 度的医学图像，将灰度图像的单通道颜色对应到red，green，blue三个通道上，并将三个通 道的颜色值合成为需要伪彩色的RGB颜色值；获得多种彩色图像即为，将RGB图像转化为HSI 和HSV图像，将RGB对应通道的颜色值转换为HSI和HSV对应通道的颜色值。

进一步的，步骤102特征点提取算法包括以下步骤：对RGB图像、HSI图像和HSV图像 分别提取特征点，每幅图像手工标定等间距的n个特征点，这n个特征点描述的图像的边界 轮廓，然后保存每一个点的坐标，完成特征点的提取。

进一步的，完成特征点提取后，采用CCP算法筛选出若干个最能表示医学图像特征 的关键特征点的步骤具体为：

A1、获取特征点的上一个点坐标,当前点坐标及下一个点的坐标，计算上一个点与 当前点长度e,，当前点与下一个点的长度f,及上一个点与下一个点长度g.

A2、当前点与上一个点之间连线为m1，当前点与下一个点之间的连线为m2，使用余 弦定理计算m1与m2所成的角度β；如果β大于取定的阈值，及β≥θ, 保存这个点为关键点，重复获得的关键点序列。

进一步的，步骤104利用树状部分模型训练针对医学图像的模型具体为：使用获得 的特征点和医学图像进行模型的训练，其公式如下：

$SF(I,P)=\underset{n=1}{\overset{N}{\Sigma }}{w}_n*\alpha (I,P_n)+\underset{m\in E}{\Sigma }\beta (p_m,p_{m+1})$

其中，等式左边表示得分函数，I表示输入的图像，P表示输入的特征点。等式右边 第一项表示表观模型，w_n表示每个P_n的位置，α表示特征向量，等式右边第二项表示形状模 型，表示了相邻两个特征点的位置，可扩展为如下：

$\underset{m\in E}{\Sigma }{a}_{m\left(m+1\right)}{\mathrm{dx}}^2+b_{m\left(m+1\right)}dx+c_{m\left(m+1\right)}{\mathrm{dy}}^2+d_{m\left(m+1\right)}dy$

其中，a，b，c，d表示系数，d_x和d_y分别表示相邻两个坐标点坐标之间的差值。

进一步的，使用训练出来的模型进行医学图像的分割。将模型与待分割图像作为 输入，首先计算待分割图像的特征金字塔，在特征金字塔中找到最合适与模型最为匹配的 特征，确定模型所在位置，最后完成分割过程。

本发明的优点及有益效果如下：

本发明提出一种(基于改进树状部分模型的医学图像自动分割方法。由于本方法 是通过训练模型从而达到分割效果，故本方法是一种全自动的分割方式，图5为自动分割的 结果显示。进一步的，本模型能够达到很好的分割效果以及很好的精确度，分割精确度如图 8所示。

附图说明

图1是本发明提供优选实施例基于改进树状部分模型的医学图像自动分割方法工 作流程；

图2是转换后的RGB、HSV、HSI图像；

图3计算当前点所在的角度；

图4模型训练结果；

图5树状部分模型与改进树状部分模型分割结果的比较；

图6三种颜色空间分割结果的手动分割结果的比较；

图7手动分割结果的比较。

图8分割结果的精确度比较

具体实施方式

以下结合附图，对本发明作进一步说明：

如图1所示，本发明利用基于一种基于改进树状部分模型的医学图像自动分割方 法，该发明的流程图如图1所示。该方法具体实施步骤如下：

输入灰度的医学图像，将灰度图像的单通道颜色对应到red，green，blue三个通道 上，最后将三个通道的颜色值合成为需要伪彩色的RGB颜色值。由于要加入其它颜色空间信 息，将RGB图像转化为HSI和HSV图像，将RGB对应通道的颜色值转换为HSI和HSV对应通道的 颜色值。图为转换后的RGB，HSI和HSV图像

对三种转换后的图像分别提取特征点，每幅图像手工标定等间距的n个特征点，这 n个特征点描述的图像的边界轮廓，然后保存每一个点的坐标。为了能够更加清晰的显示被 分割肝脏的关键信息，本发明采用了CCP算法提取关键的特征，算法流程如下：

图3显示了上一个点，当前点，和下一个点，以及当前一个点上一个点和下一个点 所成的角β。在获得了关键特征之后，还需对这些特征点坐标进行重新排序。

接下来使用获得的特征点和医学图像进行模型的训练。其公式如下：

$SF(I,P)=\underset{n=1}{\overset{N}{\Sigma }}{w}_n*\alpha (I,P_n)+\underset{m\in E}{\Sigma }\beta (p_m,p_{m+1})$

其中，等式左边表示得分函数，I表示输入的图像，P表示输入的特征点。等式右边 第一项表示表观模型，w_n表示每个P_n的位置，α表示特征向量。等式右边第二项表示形状模 型，表示了相邻两个特征点的位置，可扩展为如下：

$\underset{m\in E}{\Sigma }{a}_{m\left(m+1\right)}{\mathrm{dx}}^2+b_{m\left(m+1\right)}dx+c_{m\left(m+1\right)}{\mathrm{dy}}^2+d_{m\left(m+1\right)}dy$

其中，a，b，c，d表示系数，d_x和d_y分别表示相邻两个坐标点坐标之间的差值。由于训 练出来的模型有多个，从中选择最合适图4显示训练出来的树状部分模型。

最后，使用训练出来的模型进行医学图像的分割。将模型与待分割图像作为输入， 首先计算待分割图像的特征金字塔，这里提取的特征金字塔是HOG特征金字塔。要计算HOG 特征金字塔，先要计算每个图像的每个颜色通道的梯度，然后从每个像素中选择最大的梯 度值。在特征金字塔中找到最合适与模型最为匹配的特征，确定模型所在位置，最后完成分 割过程。

实验数据库是使用的第三军医大学的医学图像，实验平台用的MATLAB。一共做了3 组实验，实验结果如图5，图6，图7所示。图5显示的是，树状部分模型与改进的树状部分模型 对比结果。从图中可以看出，两种方法都能够取得很好的分割结果，改进的树状模型能够更 好的体现被分割器官的关键信息。图6和图7分别显示的是加了不同颜色空间信息的模型分 割效果和手动分割效果。从图中可以看出，两种分割方式都能够很好的完成分割，但是手动 分割方式需要消耗更多的时间，以及要受专业的限制。图8显示了分割结果的精确度比较， 使用三种不同的颜色空间都能够取得很好的精确度。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在 阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变 化和修饰同样落入本发明权利要求所限定的范围。