一種圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像分割技術(shù)領(lǐng)域，尤其涉及一種基于計算機(jī)斷層掃描（Computed Tomography，CT)的腫瘤分割方法。
【背景技術(shù)】
[0002] 計算機(jī)斷層掃描（Computed Tomography，CT)已廣泛應(yīng)用于癌癥的研宄、預(yù)防、診 斷和治療中。為了確診病灶、并給病人提供有效的治療方案，醫(yī)生可能需要通過計算機(jī)斷層 掃描影像來了解腫瘤的體積大小。傳統(tǒng)方法下，醫(yī)師通常需要在CT圖像上逐層手工標(biāo)定腫 瘤區(qū)域的輪廓，然后統(tǒng)計得到腫瘤的體積大小。然而，這個過程較為枯燥且耗時。
[0003] 肝癌是全世界范圍內(nèi)最常見的癌癥之一，且致死率在所有癌癥中排第三位。CT圖 像中，肝腫瘤與其周圍正常肝組織的對比度很小，且圖像噪聲比較嚴(yán)重，腫瘤邊緣也比較模 糊，不同腫瘤的形狀大小也存在較大的差異，因此，通過傳統(tǒng)手工方法獲得的腫瘤體積大小 存在較大誤差。
[0004] 近些年來，研宄者們開發(fā)出不同的半自動和全自動的肝組織分割方法，包括全肝、 肝血管和肝腫瘤之間的分隔。Metaxas等人結(jié)合Markov隨機(jī)場（Markov Random Field) 和可變模型來分割出腫瘤（可參見文獻(xiàn)：Chen T, Metaxas D, A hybrid framework for 3D medical image segmentation. Med Image Anal 9:547 - 565,2005)。Peitgen 等 人提出了一種半自動區(qū)域增長的方法用于分割肝血管和腫瘤（可參見文獻(xiàn)=Bourquain H, Schenk A, Link F,Preim B,Prause G, Peitgen H, Hepavision2a software assistant for preoperative planning in living related liver transplantation and oncologic liver surgery. In:Proceedings of the 16th Conference on Computer Assisted Radiology and Surgery(CARS'02),pp341 - 346, 2002)。以上這兩種方法都需要在 CTA 圖像 上逐層手動選取大量的種子點(diǎn)，從而限制了它們在臨床上的應(yīng)用。Grady等人提出了一種基 于模糊連通和Random Walk結(jié)合的3D肝腫瘤分割方法，該方法只需要用戶提供一個腫瘤區(qū) 域內(nèi)的種子點(diǎn)即可（可參見文獻(xiàn)：J〇lly M-P, Grady L, 3D general lesion segmentation in CT. In:Proceedings of the 5th IEEE International Symposium on Biomedical Ima ging(ISBI'08), IEEE, pp796 - 799, 2008)。這種方法的不足之處在于，對于對比度較弱、邊緣 比較模糊的腫瘤，分割效果不理想。Freiman等人則提出了一種基于SVM分類的監(jiān)督學(xué)習(xí)方 法，主要包括肝分割、腫瘤和正常組織種子點(diǎn)選取、SVM分類及后處理，在SVM分類的過程中 利用到的特征是每個體素點(diǎn)5X5X5鄰域內(nèi)灰度平均值、標(biāo)準(zhǔn)差、最大值和最小值（可參見 文獻(xiàn)：Moti Freiman, Ofir Cooper, Liver tumors segmentation from CTA images using voxels classification and affinity constraint propagation. Int J CARS, 2010)〇 這 種方法的不足之處在于需要手動點(diǎn)選取腫瘤和正常組織的種子點(diǎn)，交互方式較為繁瑣，用 于訓(xùn)練的特征對噪聲較為敏感，而CT圖像中肝區(qū)域顆粒狀較為明顯，噪聲重。
[0005] 因此，亟需一種魯棒、方便、分割效果佳的電腦輔助的CT腫瘤分割方法。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于幫助用戶通過簡單的交互方式來準(zhǔn)確、快速地分割出CT圖像 腫瘤（例如：肝腫瘤），準(zhǔn)確地得到腫瘤的體積、輪廓、灰度等信息。
[0007] 在一個實(shí)施例中，本發(fā)明提供了一種圖像分割方法。該方法包括：
[0008] 在所述圖像上確定腫瘤所在的感興趣區(qū)域；
[0009] 利用基于特征分類的方法對圖像進(jìn)行腫瘤粗分割，并獲得粗分割結(jié)果；
[0010] 基于該粗分割結(jié)果，采用水平集方法對該圖像進(jìn)行精分割。在一個實(shí)施例中，所述 基于特征分類的方法對圖像進(jìn)行腫瘤粗分割包括：
[0011] 在所述感興趣區(qū)域內(nèi)，分別對腫瘤區(qū)域和非腫瘤區(qū)域采樣種子點(diǎn)；
[0012] 利用所述采樣種子點(diǎn)進(jìn)行分類訓(xùn)練；
[0013] 基于該分類訓(xùn)練結(jié)果，對所述圖像的各個體素點(diǎn)進(jìn)行分類以獲得粗分割結(jié)果。
[0014] 在一個實(shí)施例中，確定圖像上腫瘤區(qū)域所在的感興趣區(qū)域包括：
[0015] 在一腫瘤橫截面面積較大的一層劃定一條穿過該腫瘤的第一直線，該第一直線長 度為Cl 1，以該第一直線的中點(diǎn)為中心劃取邊長為(12的正方體，該正方體所包含的區(qū)域?yàn)樵?感興趣區(qū)域，其中d 2= d i · r,且l〈r〈2。
[0016] 在一個實(shí)施例中，對腫瘤區(qū)域和非腫瘤區(qū)域采樣種子點(diǎn)包括：
[0017] 以第一直線的中點(diǎn)為中心，在直徑小于d3的區(qū)域內(nèi)隨機(jī)采樣多個正樣本種子點(diǎn)， 其中d3= d /1，且1大于1 ;
[0018] 以第一直線的中點(diǎn)為中心，在以直徑大于Cl1 并小于Cl1 ·!的外圍區(qū)域內(nèi)隨機(jī)采 樣多個負(fù)樣本種子點(diǎn)，其中l(wèi)〈t〈r。
[0019] 在一個實(shí)施例中，該利用所述采樣種子點(diǎn)進(jìn)行分類訓(xùn)練包括：
[0020] 將該圖像灰度級歸一化為固定值S ;
[0021] 統(tǒng)計以每個種子點(diǎn)為中心、直徑為j個像素點(diǎn)的鄰域內(nèi)的歸一化的S維灰度直方 圖特征；
[0022] 將所述S維灰度直方圖特征用于訓(xùn)練和分類，以獲得分類器的參數(shù)。
[0023] 在一個實(shí)施例中，所述對圖像的各個體素點(diǎn)進(jìn)行分類以獲得粗分割結(jié)果包括：
[0024] 獲得所述圖像中的每個體素點(diǎn)的灰度直方圖特征；
[0025] 利用所述分類器對所述每個體素點(diǎn)進(jìn)行分類，初步判斷所述每個體素點(diǎn)是否屬于 腫瘤組織。
[0026] 在一個實(shí)施例中，所述采用水平集方法對該圖像進(jìn)行精分割包括：
[0027] 利用所述粗分割結(jié)果初始化距離場函數(shù)；
[0028] 對所述距離場函數(shù)進(jìn)行多次次迭代；
[0029] 獲得最終的腫瘤精分割結(jié)果。
[0030] 在一個實(shí)施例中，在對腫瘤區(qū)域和非腫瘤區(qū)域采樣種子點(diǎn)之前還包括：
[0031] 對該感興趣區(qū)域做預(yù)處理。
[0032] 在一個實(shí)施例中，所述預(yù)處理包括：
[0033] 將所述圖像的X軸、Y軸、Z軸方向上的分辨率進(jìn)行歸一化處理；
[0034] 增強(qiáng)所述圖像的對比度；
[0035] 對所述圖像進(jìn)行去噪處理。
[0036] 在一個實(shí)施例中，所述灰度直方圖特征包含結(jié)構(gòu)信息。
[0037] 在一個實(shí)施例中，所述腫瘤為肝腫瘤。
[0038] 在一個實(shí)施例中，所述圖像為基于計算機(jī)斷層掃描圖像。
【附圖說明】
[0039] 本發(fā)明的以上
【發(fā)明內(nèi)容】
以及下面的【具體實(shí)施方式】在結(jié)合附圖閱讀時會得到更好