一种基于三维超体素的颅内出血区域分割方法及系统

摘要

本发明公开了一种基于三维超体素的颅内出血区域分割方法及系统，所述方法包含CT图像预处理阶段和基于三维超体素的出血区域分割阶段；CT图像预处理阶段是对二维CT图像序列进行格式转换，提取颅骨结构，找出颅内区域；出血区域分割阶段包括将二维局部CT图像重建到三维空间，然后利用超体素算法将三维图像划分成大小相近的超体素，最后通过图割算法将超体素分割为前景和背景两部分。本发明通过预处理提取颅内结构，逐步细化分割，以超体素代替像素进行运算等途径有效地提高了出血区域检测的准确性。本发明方法及系统能够有效的检测出不同原因，不同位置，不同大小的出血区域，对促进计算机辅助医疗在临床上的应用有着重要作用。

主权项

一种基于三维超体素的脑部CT图像出血区域分割方法，其特征在于，包含CT图像预处理阶段和基于三维超体素的出血区域分割阶段；所述CT图像预处理阶段包括以下步骤：(1)转换CT图像格式：从计算机断层扫描设备或者数据库中获取包含出血区域的CT图像序列，截取像素值的有效区间，转换成常用的计算机图像处理格式。(2)提取颅骨结构：通过标准的模糊C均值聚类方法(FCM)分别将序列中的每张CT图像OM的像素聚类成3类，其中亮度最高的一类M1为颅骨区域，亮度最低的一类M2为脑部以外的黑色背景区域，第三类M3是由颅骨包围起来的颅内组织以及包围着颅骨的大脑外皮层组织的总和。(3)提取颅内结构：以只包含颅骨结构的图像M1为模板，根据颅骨结构的对称性，通过从上到下，左右对称的逐行水平扫描方法得到颅内区域的掩模MS，再将掩模MS和原图像OM进行乘运算，得到只含有颅内区域的图像NM。(4)找出出血区域：选取包含出血区域的CT图像序列中最中心的一张图像，使用大津自适应阈值算法得到二值图像MB，然后通过卷积的方式，算出二值图像MB中的每个位置周围一个正方形邻域中的像素值的和，选择邻域像素值和最大的一点作为出血区域的中心点，最后选取围绕中心点的L×L×Q的邻域作为进一步细分割的候选区域，其中L为候选区域的宽度，Q为包含出血区域的CT图像数。所述出血区域分割阶段包括以下步骤：(1)图像三维重建：将预处理得到的Q张L×L大小的图像重建到三维区间，通过三维滤波去除噪声，得到三维矩阵。(2)超体素分割：对重建得到的三维矩阵，应用三维简单线性迭代聚类算法(3DSLIC)对其进行分割，得到规则排列的超体素。该步骤包括以下子步骤：(2.1)计算三维矩阵中的体素总数N，确定要划分的超体素个数K，计算超体素的初始边长以N_s为步长在三个维度上均匀抽样，作为初始的聚类中心C_k＝[g_k,x_k,y_k,z_k]^T，其中，g_k为第k个聚类中心的灰度值，x_k,y_k,z_k为第k个聚类中心的位置坐标。(2.2)在以聚类中心点为中心的3×3×3邻域范围内，选取梯度最小点作为新的聚类中心点，梯度G_(x,y,z)计算方法如下：G_(x,y,z)＝[g_(x+1,y,z)‑g_(x‑1,y,z)]²+[g_(x,y+1,z)‑g_(x,y‑1,z)]²+[g_(x,y,z+1)‑g_(x,y,z‑1)]²(2.3)初始化体素标签l(i)＝‑1，体素到聚类中心的距离d(i)＝+∞，相邻的两次聚类中心的差异阈值为threshold；(2.4)以每个聚类中心点C_k为中心，在2N_s×2N_s×2N_s的邻域范围内计算每个体素i到聚类中心C_k的距离D(i,C_k)，如果D(i,C_k)≤d(i)，令体素的标签l(i)＝k，体素到聚类中心的距离d(i)＝D(i,C_k)。(2.5)对每个聚类中心点的邻域都计算完距离后，根据体素标签计算新的聚类中心点C_k(new)：$C_{k\left(new\right)}=\frac{1}{N_k}\underset{l\left(i\right)=k}{\Sigma }\{g_i,x_i,y_i,z_i\}$其中，N_k表示属于第k个聚类中心的体素的总个数。(2.6)计算新聚类中心和原聚类中心之间的差异E：$E=\frac{1}{K}\underset{k=1}{\overset{K}{\Sigma }}\left|\right|C_k-C_{k\left(new\right)}\left|\right|$更新聚类中心C_k＝C_k(new)，如果差异E≤threshold，结束循环，反之，重复步骤(2.4)到(2.6)，直到差异E≤threshold。(3)超体素划分：得到超体素后，以超体素为基本运算单元，通过图割算法将超体素划分为前景(出血区域)和背景两部分。该步骤包括以下子步骤：(3.1)建立GMM模型：以位于三维矩阵中心点的超体素及其相邻的超体素内的体素灰度值建立前景的GMM混合模型，以位于三维矩阵八个角点的超体素以及相邻的超体素内的体素灰度值建立背景的GMM混合模型。(3.2)计算区域项R(T)：为每个超体素i建立一个二值的标签t_i，T＝{t₁,t₁,…,t_K}是所有超体素标签的集合，t_i＝1时表示第i个超体素属于前景(出血区域)，t_i＝0时表示第i个超体素属于背景。R_k(0)＝‑logP(V_k|'背景')R_k(1)＝‑logP(V_k|'前景')其中V_k表示第k个超体素的平均灰度值，P(V_k|'背景')和P(V_k|'前景')分别表示第k个超体素属于背景和属于前景的概率。(3.3)计算边界项B(T)：$\begin{array}{ccc}B\left(T\right)=\frac{1}{M}{\underset{(V_1,V_2}{\Sigma }}_{)}B(V_1,V_2)·\delta (t_1,t_2)& B(V_1,V_2)=\exp \{-\frac{{(V_1-V_2)}^2}{2{\sigma }_1{\sigma }_2}\}& \delta (t_1,t_2)=\left\{\begin{array}{ccc}0& if& t_1=t_2\\ 1& if& t_1\ne t_2\end{array}\right.\end{array}$其中(V₁,V₂)表示所有相邻的超体素对，M表示相邻的超体素的总对数，σ₁、σ₂分别为两个相邻超体素的灰度直方图的均方误差。(3.4)建立能量函数E(T)：E(T)＝αR(T)+(1‑α)B(T)其中α是一个平衡区域项和边界项的权重因子。(3.5)求解能量函数：最小化能量函数得到超体素的最终标签。(4)三维重建：将所有t_i＝1的超体素在三维空间进行重建，通过去噪，平滑等处理得到出血区域的三维显示，实现脑部CT图像出血区域的分割。