CN101404085A - 交互式三维体分割序列图像的分割方法及其应用 - Google Patents

Abstract

本发明是一种交互式三维体分割序列图像的分割方法及其应用。是基于三维体素和置信区间的相对模糊连通度分割方法，是将具有某种特定相似性质的像素集合起来构成相似性区域。本发明种子点的选取是在三维图像上进行，能准确判断是否属于目标分割对象的点。本发明不需人工参与过多，执行速度快，在较短时间内即可有结果，且参数不需根据经验确定。本发明交互式三维体分割序列图像的分割方法的应用是用于肝脏序列图像分割。本发明在分析了腹部肝脏CT图像的特点基础之上，结合空间体素和CT序列图像的像素之间的相似性，使用一种基于三维体素和置信区间的相对模糊连通度方法把肝脏精确地提取出来，为后续肝脏三维重建提供准确的数据。

Description

交互式三维体分割序列图像的分割方法及其应用

技术领域

本发明是一种交互式三维体分割序列图像的分割方法及其应用，属于交互式三维体分割序列图像的分割方法及其应用的改造技术。

背景技术

图像分割是CT断层数据进行三维重建的关键步骤之一。将图像中具有特殊含义互相不交叉的不同区域分开来，使得每一个区域都满足特定区域的一致性。图像分割在医学应用中具有特殊的重要意义，医学图像分割是病变区域提取、特定组织测量以及实现三维重建的基础。随着影像医学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用。由于人体解剖结构复杂、组织器官形状不规则及不同个体间存在差异，再加上医学图像在形成时受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，这些因素造成了医学图像的复杂性和多样性，从而大大增加了图像分割的难度，所以至今没有一个通用的医学图像的分割方法。因此，多年来一直得到人们的高度重视，至今已提出了上千种各种类型的分割算法，主要集中以下几种类型：

(1)基于像素的方法。这种方法仅仅考虑图像中像素本身，而没有利用图像中其它信息，比如空间位置信息、纹理信息等，因此这种方法一般用于图像的前期预处理。

(2)基于区域的方法。这类方法除了利用像素本身信息外，还同时考虑到像素之间的空间位置关系，分割结果是连通的，是一种局部的分割方法。

(3)基于边界的方法。此类方法可以说是最早的研究方法，主要是利用边缘上的像素灰度值的变化往往比较剧烈这一特点来试图解决图像分割的问题。

(4)基于模型与地图集的方法。这类方法是目前该领域研究的一个热点问题。主要是利用人工参与或者先验知识来指导图像的分割。

(5)多种算法相结合。把各种算法的优点结合起来以达到对图像比较准确的分割。

把肝脏从腹部CT图像中提取出来，是肝脏虚拟手术系统实现的一个基本前提。以往对腹部肝脏CT序列中的每一幅图像是通过手工方法将肝脏提取出来，这样既耗时费力，而且精确度也不高，对一个实用的虚拟手术系统来说手工提取基本没什么价值。因此，研究肝脏及其内部管道的计算机提取技术就成为一个迫切的问题。

现有对图象的分割方法有如下几种：

1)相对模糊连通度算法：模糊连通度算法的基本思想是将具有某种特定相似性质的像素集合起来构成相似性区域。其主要过程是：先由用户在图像中选取一些种子点作为目标对象和背景对象的起点；然后计算每个像素(4邻域或6邻域)与这些种子点的模糊相似度。接着，搜索每个像素到各个种子点的所有路径，取其中强度最大的路径为某像素到相应个种子点的最优路径，这个强度即为该像素到某种子点的模糊连通度；最后，将每个像素的各个模糊连通度进行相互比较，将该像素归为模糊连通度值最大的种子像素点所属的对象。为此，该方法需要解决的问题主要有两个：其一是种子点的选取；其二是算法执行所需要的参数。

2)序列化图像分割模型：实现序列化分割，要充分利用基于模型分割方法的优点，目前常用的主要有三种方案：

(1)将前面图像的分割结果作为其后续图像的先验知识，即轮廓初值。

(2)将序列图像分成若干组，每组共用一个人工的初始化轮廓。

(3)三维空间分割，把序列图像看成是体素的集合，充分利用它们之间的相似性。

现有的基于模糊连通度的FCM分割方法，该方法的具体步骤如下：

①定义最小目标函数，模糊对象的区域越接近真是对象，目标函数值越小；

②优化目标函数，得到最优聚类；

③初始化C划分矩阵U和各个聚类中心；

④迭代计算：其过程是先确定目标函数值，再更新每个数据的隶属度和聚类中心，当目标函数值变化很小时停止；

上述方法的缺点是：1.种子点的选取是在二维图像上进行的，不能准确判断是否属于目标分割对象的点；2.人工参与过多；3.方法执行速度很慢，需等待较长时间才有结果；4.参数确定需要根据经验确定。

现有的基于模糊连接度的图像分割及算法。其主要思想是在模糊连接度分割的基础上增加了最优路径(即与种子点的所有路径中连通度最大的路径)上各点相对于种子点的属性相似度的检验，使之能在待分割对象边界比较模糊的情况下取得理想的分割结果.同时还提出了一种基于图像扫描机制的算法，它以种子点为中心，逐个计算邻居点相对于种子点的模糊相似度，该算法充分利用模糊连通度和属性相似度的性质，能简单、快速地找到两点间的最优路径。

上述方法的缺点是：该算法种子点的选取也是在二维图像上的进行的，因此种子点的不正确选取容易导致应用到复杂背景下多目标的序列图像分割时分割结果的精度不够高甚至出现错误分割，而且运行速度比较慢，需要用户等待较长的时间。同时也存在需要设置很多要靠经验得到的参数，用户参与量过大。

发明内容

本发明的目的在于考虑上述问题而提供一种种子点的选取是在三维图像上进行，能准确判断是否属于目标分割对象的点的交互式三维体分割序列图像的分割方法。本发明不需人工参与过多，执行速度块，在较短时间内即可有结果，且参数不需根据经验确定。

本发明的另一目的在于提供一种交互式三维体分割序列图像分割方法的应用。本发明在分析了腹部肝脏CT图像的特点基础之上，结合空间体素和CT序列图像的像素之间的相似性，使用一种基于三维体素和置信区间的相对模糊连通度方法把肝脏精确地提取出来，为后续肝脏三维重建提供准确的数据。

本发明的技术方案是：本发明交互式三维体分割序列图像的分割方法，其是基于三维体素和置信区间的相对模糊连通度分割方法，是将具有某种特定相似性质的像素集合起来构成相似性区域，其包括如下过程：

1)先由用户在重建后的目标对象和背景对象中选取种子体素作为目标对象的起点和背景对象的起点，同时这些体素通过计算被映射到序列图像中的某些图像的某些像素点，被称为种子像素点；

2)计算所有序列图像里每个像素与这些种子像素点的模糊连通度；

3)搜索某像素P到每个种子像素点的所有路径，取其中强度最大的路径为最优路径，这个强度即为P到某种子像素点的模糊连通度；在该过程中，通过置信区间的方法为模糊连通度算法提供准确的均值与标准差参数；

4)将每个像素与各个种子像素点的多个模糊连通度进行相互比较，取最大的模糊连通度作为该像素的最终模糊连通度并将该像素归为该模糊连通度的种子像素点所属的对象。

上述计算每个像素与各个种子像素点的模糊相似度的公式如下：

${\mathrm{\μ}}_k(c,d)={\mathrm{\μ}}_{\mathrm{\α}}(c,d)[{\mathrm{\ω}}_1{e}^{\frac{1}{2}{\left(\frac{(f\left(c\right)+f\left(d\right))/2-{\mathrm{\μ}}_1}{{\mathrm{\δ}}_1}\right)}^2}+{\mathrm{\ω}}_2{e}^{\frac{1}{2}{\left(\frac{f\left(c\right)-f\left(d\right)-{\mathrm{\μ}}_2}{{\mathrm{\δ}}_2}\right)}^2}]---\left(1\right)$

其中ω₁+ω₂＝1，μ₁，δ₁，μ₂，δ₂分别为一块区域A里全部像素点属性值的均值，标准差及其该区域梯度幅度值的均值，标准差。而区域A是用户选定的需要分割出来的目标对象区域。以上的μ₁，δ₁，μ₂，δ₂各值可以通过计算以下的置信区间来提供，不需要人工设值。

I(X)∈[m-fσ，m+fσ](2)

其中m和σ是分割区阈内像素强度值的均值和标准差。f则是一个由用户定义的的因子。I()是图像，X是特定的像素。它将被查看是否属于分割区域。当邻近像素的强度值落在(2)式的范围内时，将被认为是属于分割区域的像素。当没有更多的邻近像素满足该条件时，该方法就完成了第一次迭代过程。这时，先前计算出来的均值和标准差需要根据分割区域当前所包含的所有像素来重新计算出新的均值和标准差。新的均值与标准差定义出一个新的强度值范围，然后再判断当前区域的邻近像素的强度值是否落在新的范围内。迭代过程一直重复，直到没有更多的像素被包含进来或者达到了迭代的最大次数。

上述计算每个像素与某个种子点的模糊连通度的公式如下：

${\mathrm{\μ}}_{\mathrm{\ξ}}(c,d)=\underset{p(c,d)\∈P(c,d)}{\max }\left[\begin{array}{c}\min ({\mathrm{\μ}}_k(p_c,p_2),{\mathrm{\μ}}_k(p_1,p_3),...,)\\ {\mathrm{\μ}}_k(p_{m-1},p_d))\end{array}\right]---\left(3\right)$

其中ξ是有限子集C的一个模糊关系；

最后通过下面的比较，得出每个像素最终的所属对象：

$\mathrm{\ξ}\left(p\right)=\frac{\underset{i=1}{\overset{N}{\max }}\left[{\mathrm{\μ}}_{\mathrm{\ξ}}(p,s_{o_i})\right]}{\underset{j=1}{\overset{M}{\max }}\left[{\mathrm{\μ}}_{\mathrm{\ξ}}(p,s_{b_j})\right]}\left\{\begin{array}{cc}>1& p\∈O\\ \≤1& p\∈B\end{array}\right.---\left(4\right)$

其中O是表示分割对象的点集合，而B是其它非分割对象的点集合。

本发明交互式三维体分割序列图像的分割方法的应用，其用于肝脏序列图像分割，具体步骤为：

(1)从重建后的三维立体的肝脏器官中选取相应的种子点并在其它一些相近的器官(如：胰腺)也选取相应的种子点作为背景目标；

(2)将以上的种子点映射为相应的二维图像上的像素种子点；由于三维重建后的数据集是一个立方体数据，所以是可以通过立体数据上点找到它所对应的序列图像上的点；

(3)利用本发明提出的基于三维体素和置信区间的相对模糊连通度分割算法根据这些种子点对所有序列图像里的像素进行模糊连通度计算；

(4)当遍历完所有像素后得出最终包含每个体素模糊连通度值的三维空间，最后只显示贴有肝脏分割标签的体素，算法结束。

本发明由于采用首先在重建的肝脏中选取一些体素种子点，然后将相应的体素种子点映射成序列图像上的某些像素种子点的方法。这样可以更精确地提供序列图像分割所需要的种子点。因此要更好的指导序列图像的分割，就要充分利用相邻切片之间的相似性特征。本发明是三维空间分割，把序列图像看成是体素的集合，所以分割是在三维上进行的。而且三维空间的种子点选取非常准确，不会存在像二维图像上选取种子点那样出现误选的结果。从而使用本发明的方法可以把肝脏从序列图像中快速、准确地分割出来，本发明的参数几乎不需要人工参与设置，真正实现肝序列图像的自动化分割，为肝脏的三维重建提供正确的数据。本发明是一种方便实用的交互式三维体分割序列图像的分割方法。

附图说明

图1为本发明的原理图。

具体实施方式

实施例：

本发明的结构示意图如图1、2、3、4所示，本发明的技术方案是：本发明交互式三维体分割序列图像的分割方法，其是基于三维体素和置信区间的相对模糊连通度分割方法，是将具有某种特定相似性质的像素集合起来构成相似性区域，其包括如下过程：

1)先由用户在重建后的目标对象和背景对象中选取种子体素作为目标对象的起点和背景对象的起点，同时这些体素通过计算被映射到序列图像中的某些图像的某些像素点，被称为种子像素点；

2)计算所有序列图像里每个像素与这些种子像素点的模糊连通度；

3)搜索某像素P到每个种子像素点的所有路径，取其中强度最大的路径为最优路径，这个强度即为P到某种子像素点的模糊连通度；在该过程中，通过置信区间的方法为模糊连通度算法提供准确的均值与标准差参数；

4)将每个像素与各个种子像素点的多个模糊连通度进行相互比较，取最大的模糊连通度作为该像素的最终模糊连通度并将该像素归为该模糊连通度的种子像素点所属的对象。

上述计算每个像素与各个种子像素点的模糊相似度的公式如下：

${\mathrm{\μ}}_k(c,d)={\mathrm{\μ}}_{\mathrm{\α}}(c,d)[{\mathrm{\ω}}_1{e}^{\frac{1}{2}{\left(\frac{(f\left(c\right)+f\left(d\right))/2-{\mathrm{\μ}}_1}{{\mathrm{\δ}}_1}\right)}^2}+{\mathrm{\ω}}_2{e}^{\frac{1}{2}{\left(\frac{f\left(c\right)-f\left(d\right)-{\mathrm{\μ}}_2}{{\mathrm{\δ}}_2}\right)}^2}]---\left(1\right)$

其中ω₁+ω₂＝1，μ₁，δ₁，μ₂，δ₂分别为一块区域A里全部像素点属性值的均值，标准差及其该区域梯度幅度值的均值，标准差。而区域A是用户选定的需要分割出来的目标对象区域。以上的μ₁，δ₁，μ₂，δ₂各值可以通过计算以下的置信区间来提供，不需要人工设值。

I(X)∈[mfσ，m+fσ](2)

其中m和σ是分割区阈内像素强度值的均值和标准差。f则是一个由用户定义的的因子。I()是图像，X是特定的像素。它将被查看是否属于分割区域。当邻近像素的强度值落在(2)式的范围内时，将被认为是属于分割区域的像素。当没有更多的邻近像素满足该条件时，该方法就完成了第一次迭代过程。这时，先前计算出来的均值和标准差需要根据分割区域当前所包含的所有像素来重新计算出新的均值和标准差。新的均值与标准差定义出一个新的强度值范围，然后再判断当前区域的邻近像素的强度值是否落在新的范围内。迭代过程一直重复，直到没有更多的像素被包含进来或者达到了迭代的最大次数。

上述计算每个像素与某个种子点的模糊连通度的公式如下：

${\mathrm{\μ}}_{\mathrm{\ξ}}(c,d)=\underset{p(c,d)\∈P(c,d)}{\max }\left[\begin{array}{c}\min ({\mathrm{\μ}}_k(p_c,p_2),{\mathrm{\μ}}_k(p_1,p_3),...,\\ {\mathrm{\μ}}_k(p_{m-1},p_d))\end{array}\right]---\left(3\right)$

其中ξ是有限子集C的一个模糊关系；

最后通过下面的比较，得出每个像素最终的所属对象：

$\mathrm{\ξ}\left(p\right)=\frac{\underset{i=1}{\overset{N}{\max }}\left[{\mathrm{\μ}}_{\mathrm{\ξ}}(p,s_{o_i})\right]}{\underset{j=1}{\overset{M}{\max }}\left[{\mathrm{\μ}}_{\mathrm{\ξ}}(p,s_{b_j})\right]}\left\{\begin{array}{cc}>1& p\∈O\\ \≤1& p\∈B\end{array}\right.---\left(4\right)$

其中O是表示分割对象的点集合，而B是其它非分割对象的点集合。

本发明交互式三维体分割序列图像的分割方法的应用，其用于肝脏序列图像分割，具体步骤为：

(1)从重建后的三维立体的肝脏器官中选取相应的种子点并在其它一些相近的器官(如：胰腺)也选取相应的种子点作为背景目标；

(2)将以上的种子点映射为相应的二维图像上的像素种子点；由于三维重建后的数据集是一个立方体数据，所以是可以通过立体数据上点找到它所对应的序列图像上的点；

(3)利用本发明提出的基于三维体素和置信区间的相对模糊连通度分割算法根据这些种子点对所有序列图像里的像素进行模糊连通度计算；

(4)当遍历完所有像素后得出最终包含每个体素模糊连通度值的三维空间，最后只显示贴有肝脏分割标签的体素，算法结束。

本实施例中，

本发明解决了如下问题：

(1)种子点的选取

绝大多数的分割技术都是基于一张图像上的一些种子点来进行的。也就是说，分割算法的初始种子点集都是二维图像上的像素点，这样所取得的种子点并不十分精确，不一定是属于目标分割对象的点集。因为我们在二维图像上观察到的点不一定能很准确地反映出它就是目标分割对象的点，二维图像上的对象可能会包含其他对象，如肝脏还包含肿瘤和血管，而且和胰腺极其接近和相似。尽管我们可以通过放大来观察图像上的像素点和对象，但放大倍数太高反而会使像素点和对象变得模糊更不能区分出该像素点所属的对象，从而可能会因错选种子像素点而导致分割结果不精确或出现错误(分出的对象不是原来想要的结果。如在分割肝脏时，将胰腺也当作肝脏的一部分分割出来了)。但如果是在进行三维重建后，我们就可以在三维空间上清楚地区分出目标分割对象和背景对象。因为三维上观察到物体肯定比二维上观察到的要清晰和更具有真实感。如：我们在三维空间中可以清晰的看到哪些体素(三维空间的点)是肝脏的，哪些是血管，哪些是胰腺。从而在三维空间的某对象上所获取的体素就一定是属于该对象的点。这样就能为分割提供精确的种子点，从而使得最后的分割结果有非常大的提高。

因此，本发明采用选择三维重建后分割对象的多个体素，并映射到序列图像中某些图像的某些像素来作为初始种子点，这样可以适当避免二维图像种子点的误选和噪声的影响，从而比较好地解决了这种误选的情况，大大提高后续分割的准确性。

(2)参数的确定

第一：动态性，随着加入分割区域像素的不断增加和置信区间不断的迭代，模糊连通度所需要的均值和标准差值也跟着不断的变化。

第二：自适应性，模糊连通度算法中用到的均值和标准差值不需要人工设值，具有自适应性。

Claims (4)

1、一种交互式三维体分割序列图像的分割方法，其特征在于是基于三维体素和置信区间的相对模糊连通度分割方法，是将具有某种特定相似性质的像素集合起来构成相似性区域，其包括如下过程：

1)先由用户在重建后的目标对象和背景对象中选取种子体素作为目标对象的起点和背景对象的起点，同时这些体素通过计算被映射到序列图像中的某些图像的某些像素点，被称为种子像素点；

2)计算所有序列图像里每个像素与这些种子像素点的模糊连通度；

3)搜索某像素P到每个种子像素点的所有路径，取其中强度最大的路径为最优路径，这个强度即为P到某种子像素点的模糊连通度；在该过程中，通过置信区间的方法为模糊连通度算法提供准确的均值与标准差参数；

4)将每个像素与各个种子像素点的多个模糊连通度进行相互比较，取最大的模糊连通度作为该像素的最终模糊连通度并将该像素归为该模糊连通度的种子像素点所属的对象。

2、根据权利要求1所述的交互式三维体分割序列图像的分割方法，其特征在于上述计算每个像素与各个种子像素点的模糊相似度的公式如下：

${\mathrm{\μ}}_k(c,d)={\mathrm{\μ}}_{\mathrm{\α}}(c,d)[{\mathrm{\ω}}_1{e}^{\frac{1}{2}{\left(\frac{(f\left(c\right)+f\left(d\right)/2-{\mathrm{\μ}}_1)}{{\mathrm{\δ}}_1}\right)}^2}+{\mathrm{\ω}}_2{e}^{\frac{1}{2}{\left(\frac{f\left(c\right)-f\left(d\right)-{\mathrm{\μ}}_2}{{\mathrm{\δ}}_2}\right)}^2}]---\left(1\right)$

其中ω₁+ω₂＝1，μ₁，δ₁，μ₂，δ₂分别为一块区域A里全部像素点属性值的均值，标准差及其该区域梯度幅度值的均值，标准差。而区域A是用户选定的需要分割出来的目标对象区域。以上的μ₁，δ₁，μ₂，δ₂各值可以通过计算以下的置信区间来提供，不需要人工设值。

I(X)∈[m-fσ，m+fσ]    (2)

其中m和σ是分割区阈内像素强度值的均值和标准差。f则是一个由用户定义的的因子。I()是图像，X是特定的像素。它将被查看是否属于分割区域。当邻近像素的强度值落在(2)式的范围内时，将被认为是属于分割区域的像素。当没有更多的邻近像素满足该条件时，该方法就完成了第一次迭代过程。这时，先前计算出来的均值和标准差需要根据分割区域当前所包含的所有像素来重新计算出新的均值和标准差。新的均值与标准差定义出一个新的强度值范围，然后再判断当前区域的邻近像素的强度值是否落在新的范围内。迭代过程一直重复，直到没有更多的像素被包含进来或者达到了迭代的最大次数。

3、根据权利要求1所述的交互式三维体分割序列图像的分割方法，其特征在于上述计算每个像素与某个种子点的模糊连通度的公式如下：

${\mathrm{\μ}}_{\mathrm{\ξ}}(c,d)=\underset{p(c,d)\∈(c,d)}{\max }\left[\begin{array}{c}\min ({\mathrm{\μ}}_k(p_c,p_2),{\mathrm{\μ}}_k(p_2,p_3),...,\\ {\mathrm{\μ}}_k(p_{m-1},p_d))\end{array}\right]---\left(3\right)$

其中ξ是有限子集C的一个模糊关系；

最后通过下面的比较，得出每个像素最终的所属对象：

$\mathrm{\ξ}\left(p\right)=\frac{\underset{i=1}{\overset{N}{\max }}\left[{\mathrm{\μ}}_{\mathrm{\ξ}}(p,s_{o_i})\right]}{\underset{j=1}{\overset{M}{\max }}\left[{\mathrm{\μ}}_{\mathrm{\ξ}}(p,s_{b_j})\right]}\left\{\begin{array}{c}>1p\∈0\\ \≤1p\∈B\end{array}\right.---\left(4\right)$

其中O是表示分割对象的点集合，而B是其它非分割对象的点集合。

4、一种根据权利要求1所述的交互式三维体分割序列图像的分割方法的应用，其特征在于用于肝脏序列图像分割，其具体步骤为：

(1)从重建后的三维立体的肝脏器官中选取相应的种子点并在其它一些相近的器官也选取相应的种子点作为背景目标；

(2)将以上的种子点映射为相应的二维图像上的像素种子点；由于三维重建后的数据集是一个立方体数据，所以是可以通过立体数据上点找到它所对应的序列图像上的点；

(3)利用本发明提出的基于三维体素和置信区间的相对模糊连通度分割算法根据这些种子点对所有序列图像里的像素进行模糊连通度计算；

(4)当遍历完所有像素后得出最终包含每个体素模糊连通度值的三维空间，最后只显示贴有肝脏分割标签的体素，算法结束。

Images