一种非均一性医学图像的分割方法

摘要

本发明涉及一种非均一性医学图像的分割方法，该方法由以下步骤组成：先在待分割图像上选择前景种子点和背景种子点；然后，根据选择的种子点集的灰度信息，估计出各个灰度归属于待分割图像中前景或背景的概率，并映射到图像的各个象素点，得到对应的概率密度分布图；然后再分别以选择的前景种子点和背景种子点为生长种子点，在对应的概率密度分布图上以一个概率阈值为生长条件，执行区域生长算法，得到自动生长后的前景种子点群和背景种子点群；最后，用得到的自动生长后的种子点群作为随机游走算法的种子点，执行随机游走算法，得到最后的分割结果。本发明所述方法可降低对初始种子点的数量和位置敏感度，显著提高非均一性医学图像的分割精度。

主权项

1.一种非均一性医学图像的分割方法，该方法包括以下步骤：（1）用户在待分割图像上的目标区域内选取前景种子点，目标区域外选取背景种子点，并获取前景种子点和背景种子点的灰度信息；（2）根据步骤（1）所得到的灰度信息，分别让前景种子点和背景种子点按以下方法进行自动生长：（A）采用下式（I）和（II）所示的概率密度估计的方法，估计每一灰度值的象素点的分布概率P(I_i/g^s)，$P(I_i/g^s)={\frac{1}{Z^s}}_{t_{q·}{g}^s}{e}^{-\frac{{(I_i-t_q)}^2}{s}}---\left(I\right)$$Z^s=\begin{array}{c}\mathrm{MaxI}\\ {p=0}_{t_{q·}{g}^s}\end{array}{e}^{-\frac{{(p-t_q)}^2}{s}}---\left(\mathrm{II}\right)$式（I）和（II）中，I_i表示象素点的灰度值；s表示种子点的类别，即前景类种子点或背景类种子点，g^s表示种子点集的类别，即前景类种子点集或背景类种子点集；t_q为种子点集g^s中的第q个种子点；s为概率密度估计方差，s=0.5·D_I，其中D_I为前景类种子点集与背景类种子点集之间的灰度差的平均值；MaxI为待分割图像的最大灰度值，MaxI=maxmax(I_i-I_j),"i,j；p为灰度值，Z^s为概率密度估计运算中的归一化参数；（B）根据下式（III）所示的贝叶斯条件概率公式以及步骤（A）求得的分布概率P(I_i/g^s)，先令，并将下式（III）变换为下式（IV），再将P(I_i/g^s)代入下式（IV），求解待分割图像中每一灰度值归属于前景类或背景类中一类的分布概率，并由待分割图像的每一个象素点的灰度值映射得到待分割图像对应该类的概率密度分布图，然后，根据前景类与背景类概率密度分布图的互补关系求得另一类的概率密度分布图，$P(g^s/I_i)=\frac{P(I_i/g^s)P\left(g^s\right)}{P(I_i/g^1)P\left(g^1\right)+P(I_i/g^2)P\left(g^2\right)}---\left(\mathrm{III}\right)$$P(g^s/I_i)=\frac{P(I_i/g^s)}{P(I_i/g^1)+P(I_i/g^2)}---\left(\mathrm{IV}\right)$上式（III）和（IV）中g¹表示前景类种子点集，g²表示背景类种子点集；（C）以种子点集g^s作为区域生长方法的种子点，在0.5～1内取阈值参数以大于该阈值参数作为生长条件，在概率密度分布图P^s上进行区域生长，得到前景种子点群和背景种子点群；（3）将步骤（2）所得到的前景种子点群和背景种子点群进行处理：分别将前景种子点群和背景种子点群进行降采样，或者，只将背景种子点群进行重构而前景种子点群不变；其中，所述背景种子点群的重构方法为：先计算前景种子点群的几何中心，再计算包含该前景种子点群的圆形区域，该圆形区域边缘上的点即为重构后的背景种子点群；（4）然后，将经步骤（3）处理的前景种子点群和背景种子点群作为随机游走的前景种子点和背景种子点，采用随机游走方法对待割图像进行分割，得到分割结果。