一种腹部CT序列图像肝脏的快速鲁棒自动分割方法

摘要

本发明公开了一种腹部CT序列图像肝脏鲁棒自动分割方法，包括：数据输入步骤，输入待分割CT序列，并指定初始切片；模型构建步骤，根据输入序列的数据特征，建立肝脏亮度模型和外观模型，抑制复杂背景突出肝脏区域；自动分割步骤，结合亮度模型和外观模型运用图割算法对初始切片进行快速自动分割，并利用相邻切片之间的空间相关性，以初始分割切片为起点分别向上、向下迭代分割肝脏CT序列中所有的切片。本发明针对特定的CT序列建立相应的亮度和外观模型，能有效自动分割对比度低、边界模糊和形状不规则的肝脏。并且，本发明的腹部CT序列图像肝脏自动分割方法能够推广到其他腹部器官的自动分割中，如腹部CT序列图像脾脏和肾脏的分割。

主权项

一种腹部CT序列图像肝脏的快速鲁棒自动分割方法，其特征在于包括以下步骤：(1)根据肝脏区域的亮度概率分布特征，建立基于高斯曲线拟合的亮度模型，抑制复杂背景、突出肝脏区域，所述亮度模型建立方法为：首先由用户选取输入序列中任一切片的部分肝脏区域，然后采用高斯函数拟合其亮度分布，并根据高斯分布的置信区间获取该序列中肝脏的大致亮度范围[I_min,I_max]，最后运用公式$f_{\mathrm{int}ensity}\left(I\right)=\exp \left(k\frac{(I-I_{min})(I_{max}-I)}{{(I_{max}-I_{\min })}^2}\right)$构建肝脏亮度模型，其中k为0.5～5的正常数，I为图像亮度，I_min和I_max分别为获取的肝脏亮度的最小值和最大值；(2)利用图像局部信息，建立基于PCA，即主成分分析的肝脏外观模型，进一步增强肝脏边界，加大肝脏与背景的区分度，所述外观模型建立方法为：首先，以每个像素点为中心取大小为(2n+1)×(2n+1)的子图像，并以该子图像的亮度信息表示该中心像素点的特征，其中n为1～8的自然数；然后，对用户选定的部分肝脏区域所有像素点的邻域子图像进行主成分分析并计算其前N个成分的均值，由此得到肝脏的外观特征p_{PCA_average}；接着，采用距离函数作为外观相似性度量，计算整个CT序列中所有像素点邻域子图像的主成分特征与肝脏的外观特征之间的差异d(p)＝||p_PCA(p)‑p_{PCA_average}||，其中p_PCA(p)表示对像素点p的邻域子图像进行PCA特征提取，得到的一个由前N个成分组成的1×N维特征向量，N为1～(2n+1)×(2n+1)的自然数；最后，运用公式构建肝脏外观模型，其中mean_d_p表示对所有像素点p计算得到的d(p)的均值；(3)结合亮度和外观模型，首先构建初始切片的图割能量函数$E\left(f\right)=\underset{p\in P}{\Sigma }\left(\alpha ·F_{\mathrm{int}ensity}\left(f_p\right)+\beta ·F_{PCA}\left(f_p\right)\right)+\underset{p\in P,q\in N_p}{\Sigma }B(f_p,f_q),$采用最优化算法最小化该能量函数，实现初始切片的快速自动分割，其中，P表示图像f中的所有像素集；N_p表示像素点p的邻域像素集；F_intensity(f_p)和F_PCA(f_p)分别为亮度和外观惩罚项，分别由亮度模型和外观模型计算得到；α和β分别为控制亮度和外观惩罚项的权重，取值范围均为0～1之间的任意数，且满足α+β＝1；B(f_p,f_q)为边界惩罚项，由相邻像素之间的梯度计算得到，用来控制分割曲线的平滑度；然后采用最优化算法最小化该能量函数，得到分割结果,最后取其最大连通区域作为该序列初始切片的肝脏最终分割结果。(4)利用相邻切片的空间位置相关性，结合亮度模型和外观模型，构建图割能量函数$E\left(f\right)=\underset{p\in P}{\Sigma }\left(\right(\alpha ·F_{\mathrm{int}ensity}\left(f_p\right)+\beta ·F_{PCA}\left(f_p\right))·F_{location}(f_p)+\underset{p\in P,q\in N_p}{\Sigma }B(f_p,f_q),$采用迭代的方式以初始切片为起点分别向上和向下分割序列中所有切片，其中F_location(f_p)表示由上一片分割结果计算得到的位置惩罚项。