一种基于CT影像肝脏肿瘤病灶的分割方法

摘要

本发明适用于医学图像处理领域，提供了一种基于CT影像肝脏肿瘤病灶的分割方法，包括以下步骤：对初始CT影像图像进行预处理；针对预处理后的CT影像图像，通过交互式方式完成疑似病灶的ROI选择；基于CT值对ROI进行纹理描述，并通过纹理描述子加权计算获得ROI的概率谱；构建大数据先验知识库，确定病灶区概率谱阈值，并基于所述阈值对疑似病灶进行分割；对病灶完成容积统计与量化输出。该方法基于稳定且具有可比性的CT值计算得到多个纹理描述子概率谱，同时，基于先验知识库通过手动分割计算得到纹理描述子概率谱的阈值，可实现CT影像中多区域肝脏肿瘤病灶分割的准确性和时效性。

说明书

技术领域

本发明属于医学图像处理领域，尤其涉及一种基于CT影像肝脏肿瘤病灶 的分割方法。

背景技术

肝脏是人体内最大的化工厂，承担着消化、解毒、分泌等重要功能。而中 国人的肝脏所承受的疾病负担是全世界最重的。原发性肝癌是临床上最常见的 恶性肿瘤之一。当下，肝癌在全球的发病率都呈上升趋势。根据世界卫生组织 发表的《全球癌症报告2014》显示，中国新增癌症病例高居世界第一位，其中 肝癌的新增病例和死亡人数均居世界首位。目前，我国肝癌的发病率约为 25.7/10万，成为死亡率仅次于胃癌、肺癌的第三大恶性肿瘤。肝癌的早期诊断 已是目前肝癌治疗的重中之重

许多医学成像方法已被应用于肝脏肿瘤病灶的检测中，例如CT、超声、核 磁共振、选择性腹腔动脉或肝动脉造影检查、放射性核素肝扫描等。在所有影 像检查方式中，CT图像因其具有较高的分辨率而被广泛采用。一般CT图像可 检出直径1.0cm左右的微小癌灶，应用动态增强扫描可提高分辨率并有助于鉴 别血管瘤，应用CT动态扫描与动脉造影相结合的CT血管造影，可提高小肝癌 的检出率。同时CT图像对肝癌手术的方案设计有一定的帮助。

针对肝脏病灶的分割现有多种算法尝试实现，包括在人体肺部分割有效但 肝脏分割效果较差的自适应体素生长算法；需要先将肝脏整体进行分割才能完 成肿瘤病灶分割的混合假设概率的方法与基于最优阈值的分割方法；会较大地 破坏原始图像信息,造成分割结果的失的对比度增强的肝脏肿瘤识别的方法；只 能处理简单目标背景图像的Chan-Vese模型水平集分割方法，以上方法均需要 部分交互式操作，且不能处理多病灶肿瘤的分割。

发明内容

本发明的目的在于提供一种基于CT影像肝脏肿瘤病灶的分割方法，旨在 解决不能准确、快速地实现多病灶肝脏肿瘤分割的问题。

本发明是这样实现的，一种基于CT影像肝脏肿瘤病灶的分割方法，包括 以下步骤：

对初始CT影像图像进行预处理；

针对预处理后的CT影像图像，通过交互式方式完成疑似病灶的ROI选择；

基于CT值对ROI进行纹理描述，并通过纹理描述子加权计算获得ROI的 概率谱；

构建大数据先验知识库，确定病灶区概率谱阈值，并基于所述阈值对疑似 病灶进行分割；

对病灶完成容积统计与量化输出。

本发明提供的基于CT影像肝脏肿瘤病灶的分割方法，基于稳定CT值的方 法计算概率谱，基于大数据先验知识库确定病灶区概率谱阈值，并依据获得的 所述阈值对疑似病灶进行分割，具有下述优势：

首先，基于稳定且具有可比性的CT值计算得到多个纹理描述子概率谱， 提升了CT影像中肝脏肿瘤病灶分割的准确性。同时，所述概率谱的构建，不 仅融合了所有特征描述子，且权值可调，更具灵活性，从而显著提高了CT影 像肝脏肿瘤病灶分割的时效性，避免了现有聚类分割方法中初始随机化引起失 败的风险。

其次，本发明基于CT影像肝脏肿瘤病灶的分割方法，基于先验知识库肝 脏肿瘤患者的数据通过手动分割计算得到概率谱的阈值，基于先验知识的阈值 分割更有效于已有算法。

此外，本发明算法允许选择多个ROI，可并行化完成分割，使多目标区域 分割成为可能。

具体实施方式

为了使本发明要解决的技术问题、技术方案及有益效果更加清楚明白，以 下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体 实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供了一种基于CT影像肝脏肿瘤病灶的分割方法，包括以 下步骤：

S01.对初始CT影像图像进行预处理；

S02.针对预处理后的CT影像图像，通过交互式方式完成疑似病灶的ROI 选择；

S03.基于CT值对ROI进行纹理描述，并通过纹理描述子加权计算获得 ROI的概率谱；

S04.构建大数据先验知识库，确定病灶区概率谱阈值，并基于所述阈值对 疑似病灶进行分割；

S05.对病灶完成容积统计与量化输出。

具体的，上述步骤S01中，为了提高本发明实施例肝脏肿瘤病灶分割的准 确性，在对所述CT影像图像进行分割之前，需要对图像进行相应的预处理以 提高分割精度。作为优选实施例，对初始CT影像图像进行预处理，包括图像 去噪处理和图像增强处理。

作为进一步优选实施例，采用基于空间域滤波技术的算术均值滤波器实现 所述去噪处理。作为具体优选实施例，所述去噪处理的操作方法为：基于空间 域滤波技术的算术均值滤波器，令S_xyz表示中心在点(x,y,z)处、大小为m×n×p的矩 形子图像窗口的一组坐标，所述算术均值滤波器在S_xyz定义的区域中计算原始图 像g(x,y,z)的平均值为：

$f(x,y,z)=\frac{1}{\mathrm{mnp}}\underset{(r,\mathrm{st})\in S_{\mathrm{xyz}}}{\Sigma }g(r,s,t),$

式中，所述f(x,y,z)为去噪后图像在点(x,y,z)处去噪后的值，所述r、s、t分 别表示领域里的某个体素的索引，即它在x、y、z的坐标。

上述优选去噪操作处理，可以使用大小为m×n×p的一个空间滤波器来实现， 其所有的系数均优选为1/mnp时，可有效降低噪声。作为本发明一个具体优选实 施例，其中，所述m、n、p的取值为m＝n＝p＝3。

本发明实施例，所述CT影像数据采集可选用常规设备、设置常规参数获 得。进一步的，优选使用西门子SOMATOMSensationCT扫描仪；管电压， 100kV；管电流，60-120mAs；层厚，10mm；重建间隔，10mm；视场(FieldofView, FOV)，512×512mm.。

上述步骤S02中，为了提高ROI选择的准确性，本发明实施例针对预处理 后的CT影像图像、通过交互式方式完成疑似病灶的ROI选择，可通过手动勾 画方式完成ROI的选择，在本发明实施例中，可以勾选多个ROI同时完成后续 图像处理。

上述步骤S03中，在CT影像图像中，由于体素的灰度信息会因显示器与 后处理方法(如图像增强)而改变，基于灰度值的处理方法具有不可移植性。 因此，在本发明实施例中，采用基于CT值的处理方法。

CT值是医学标准格式图像DICOM图像的头文件信息，是一个恒量，不随 后续处理方法的影响而改变。但是，只依靠CT值信号并不能完成复杂的肿瘤 病灶如肝脏肿瘤的分割。纹理是一种反映图像中同质现象的视觉特征，体现了 物体表面共有的内在属性，包含了物体表面结构组织排列的重要信息以及它们 与周围环境的联系。而所述肝脏肿瘤病灶区域在CT影像上多表现为粗糙、不 均匀、密度较低，与正常组织的细腻质感存在较大差异。有鉴于此，本发明实 施例将在CT值的基础上，对ROI的各个纹理算子进行描述并计算概率谱。由 于描绘所述肝脏肿瘤病灶区域纹理内容的描绘子可以提供诸如平滑度、粗糙度 和规律性等特性的度量。因此，本发明实施例基于CT值对ROI进行纹理描述， 优选通过CT值、二阶矩、平滑度度量、一致性度量和平均熵度量五个描述子 实现对ROI内体素进行纹理描述。

具体的，作为优选实施例，通过CT值、二阶矩对ROI内体素进行纹理描 述的公式为：

$m=\underset{i=1}{\overset{L-1}{\Sigma }}{z}_{i}p\left(z_i\right),$

m是z的平均CT值，式中，所述z表示CT值的一个随机变量，所述z_i代表不 同的CT值，所述p(zi)为相应的直方图，其中，i＝0,1,2…,L-1，L不同于CT值的数 量级L不同于CT值的数量级。本发明实施例所述p(z_i)表示的是某一特定的CT 值一共有多少个体素，是数量信息。

关于CT值均值的z的第二阶矩为：

${\mu }_2\left(z\right)=\underset{i=0}{\overset{L-1}{\Sigma }}{(z_i-m)}^{2}p\left(z_i\right).$

二阶矩在纹理描述中特别重要，它是CT值对比度的度量，利用所述二阶 矩可以建立相对平滑度的描绘子。作为另一个优选实施例，通过相对平滑度对 ROI内体素进行纹理描述的公式为：

其中，R值的大小能够反映所述ROI区域的相对平滑度。具体的，对于较 为光滑的区域，所述R值越接近0，表示所述ROI区域的相对平滑度越高；所 述R值越接近于1，表示所述ROI区域越粗糙。

作为又一个优选实施例，基于CT值的基础上，通过一致性度量对ROI内 体素进行纹理描述的公式为：本发明实施例所述一致性度量U 对所有CT值级都相等的图像有最大值(极大一致性)，并从最大值开始降低。

作为再一个优选实施例，基于CT值的基础上，通过平均熵度量对ROI内 体素进行纹理描述的公式为：所述平均熵度量是可变性的 度量，对恒定图像其为零。

通过基于稳定CT值，可以进一步计算获得二阶矩、平滑度度量、一致性度 量和平均熵度量描述子的概率谱。

进一步的，本发明实施例可以通过所述纹理描述子加权得到ROI的概率谱。 具体的，通过纹理描述子加权计算获得ROI的概率谱的方法为：

对描述子进行归一化到区间[0-1]，通过下述加权得到RIO的概率谱图像：

M(z_i)＝w_II(z_i)+w_RR(z_i)+w_UU(z_i)+w_ee(z_i)，

式中，所述M(zi)表示所得到的概率谱图像，所述I(z_i)、R(z_i)、U(z_i)、e(z_i) 分别表示二阶矩、相对平滑度、一致性度量和平均熵度量的描述子，所述w_I、 w_R、w_U、w_e为权值。作为优选实施例，为了更加准确、全面地表达所述肝脏肿 瘤区域的纹理信息，所述w_I＝0.15，所述w_R＝0.35，所述w_U＝0.25，所述w_e＝0.25。

本发明实施例基于稳定且具有可比性的CT值计算得到多个纹理描述子概 率谱，使得多个稳定描述子同时描述所述肝脏肿瘤病灶的纹理，从而有效提升 了CT影像中肝脏肿瘤病灶分割的准确性。同时，所述概率谱的构建，不仅融 合了所有特征描述子，且权值可调，更具灵活性，从而显著提高了CT影像肝 脏肿瘤病灶分割的时效性，避免了现有聚类分割方法中初始随机化引起失败的 风险。

上述步骤S04中，作为优选实施例，所述基于大数据先验知识库，确定病 灶区概率谱阈值，并基于所述阈值对疑似病灶进行分割的方法，包括如下步骤：

S041.提供一个CT影像先验知识库，所述先知数据库的CT影像数据≥200 例，完成所述CT影像中病灶的手动分割，并对所述病灶进行提取；

S042.对所述先验知识库中已分割病灶区域，基于CT值对病灶区域进行 纹理描述，并通过纹理描述子计算获得不同区域的概率谱；

S043.对先验知识库中获得的概率谱通过加权平均得到阈值T；

S044.对通过纹理描述子计算获得的所述ROI的概率谱进行阈值分割，得 到分割图像，其中，所述Seg(z_i)为分割后的二值图像，所述z 表示CT值的一个随机变量，所述T为阈值，所述M为概率谱值。

具体的，上述步骤S041中，在所述CT影像图像中，所述CT值为恒量， 其可比性不受个体差异限制，在不同个体间均具有可比性。因此，本发明实施 例为提高CT影像肝脏肿瘤病灶分割的准确性，提供一个CT影像先验知识库。 为了进一步提高本发明实施例所述CT影像肝脏肿瘤病灶分割的准确性，所述 先知数据库的CT影像数据≥200例。作为具体优选实施例，所述先验知识库中 包含有肝脏血管瘤、转移瘤、肝癌患者的数据。为了获得准确数据，所述先验 知识库的获得采用手动分割实现，进一步优选由经验丰富的影像科医生完成全 部病灶的手动分割，并对病灶进行提取。

上述步骤S042中，为了获得准确的所述纹理描述子数据，对所述先验知识 库中已分割病灶区域，需要基于CT值对病灶区域进行纹理描述，并通过纹理 描述子计算获得不同区域的概率谱。对于基于CT值对病灶区域进行纹理描述， 并通过纹理描述子计算获得不同区域的概率谱的方法，在上述步骤S03中已陈 述，在此不再赘述。

上述步骤S043中，对先验知识库中的概率谱通过加权平均得到阈值T。对 于对先验知识库中的概率谱通过加权平均得到阈值T的方法，在上述步骤S03 中已陈述，在此不再赘述。本发明优选实施例中，所述T＝0.64。

上述步骤S044中，对经过步骤S043处理后得到的ROI的概率谱图像进行 阈值分割，可以得到分割图像，

其中，Seg(z_i)为分割后二值图像，所述T为阈值，所述M为概率谱值。当 待分割图像ROI的概率谱≥阈值时，则表明为肿瘤，那么所述CT值置1；当 待分割图像ROI的概率谱≤阈值时，则表明不是肿瘤，那么所述CT值置0。 通过所述阈值分割，计算所述CT值为1的体素，可以更好地统计下一步肿瘤 区域的体素。

本发明实施例基于CT影像肝脏肿瘤病灶的分割方法，基于先验知识库肝 脏肿瘤患者的数据通过手动分割计算得到概率谱的阈值，基于先验知识的阈值 分割更有效于已有算法，且进一步提高了CT影像肝脏肿瘤病灶分割的准确性。

上述步骤S05中，所述肝脏肿瘤病灶容积作为量化参量，对肝脏疾病严重 性的评估具有重要意义。在得到肝脏病灶分割结果后，可统计二值图像上值为 1的体素个数，并通过算法自动提取体素的大小，二者相乘，得到肝脏病灶容 积大小。

本发明所述实施例可通过MATLAB编程实现。本领域普通技术人员可以 理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的 硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括： 只读存储器(ROM，ReadOnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。

本发明实施例提供的基于CT影像肝脏肿瘤病灶的分割方法，基于稳定CT 值的方法计算概率谱，基于大数据先验知识库确定病灶区概率谱阈值，并依据 获得的所述阈值对疑似病灶进行分割，具有下述优势：

首先，基于稳定且具有可比性的CT值计算得到多个纹理描述子概率谱， 使得多个稳定描述子同时描述所述肝脏肿瘤病灶的纹理，从而有效提升了CT 影像中肝脏肿瘤病灶分割的准确性。同时，所述概率谱的构建，不仅融合了所 有特征描述子，且权值可调，更具灵活性，从而显著提高了CT影像肝脏肿瘤 病灶分割的时效性，避免了现有聚类分割方法中初始随机化引起失败的风险。

其次，本发明基于CT影像肝脏肿瘤病灶的分割方法，基于先验知识库肝 脏肿瘤患者的数据通过手动分割计算得到概率谱的阈值，基于先验知识的阈值 分割更有效于已有算法，且进一步提高了对所述肝脏肿瘤病灶进行分割的准确 性。

此外，本发明实施例提供的算法，可以同时选择多个ROI，可并行化完成 分割，使多目标区域分割成为可能，从而进一步提高了对所述肝脏肿瘤病灶进 行分割的时效性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明 的保护范围之内。