CN102289811A - 一种半自动序列图像分割方法及系统 - Google Patents

Abstract

本发明公开了一种半自动医学序列图像的分割方法和系统，所述分割方法包括步骤有：在医学序列图像中，选择包含待分割目标的初始切片图像；根据用户指令生成所述初始切片图像的目标区域；将所述目标区域作为相邻切片图像的初始输入图像，使用水平集算法迭代分割后续切片图像，直至后续切片图像中不包括所述待分割目标，进而获得待分割目标区域的分割结果。借此，本发明能够在医学序列图像中快速而又准确地分割出待分割目标区域。

Description

一种半自动序列图像分割方法及系统

技术领域

本发明涉及医学图像分割领域，尤其涉及一种半自动序列图像分割方法及系统。

背景技术

在医学领域中，三维医学图像分割用于对三维医学图像中的感兴趣区域或者病变区域进行分割，用于观察和分析感兴趣区域或病变区域的形态、特征和其他病理情况，以及进行三维医学图像的重构和融合等。一般来说，大多数的医学图像分割方法都是基于CT(Computed Tomography，计算机断层成像)序列图像或者MRI(Magnetic Resonance Imaging，磁共振成像)序列图像来进行，目前的医学图像分割方法主要包括有：

基于阈值的医学图像分割方法，其基本特点是通过人工自适应的方法来确定一个或一系列图像灰度阈值，再对医学图像进行基于灰度阈值的二值化变换。其缺点是：精确的阈值确定难度大；多区域的灰度阶数大致相同的情况下，不能准确判别出不同区域的特点。

基于区域生长法定医学图像分割方法，其基本特点是能通过交互式设置区域生长种子点，从种子点出发，迭代搜素图像，将种子点像素相邻的相似像素合并到种子像素所在区域。其缺点是：只能对单一区域或者不具有连通性的多区域进行分割；在图像灰度不均匀，差异较大的情况下，会造成图像分割和提取不准确现象。

基于主动轮廓模型的医学图像序列分割方法，其是参数形变方法的一种，通过定义内能量与外能量来模拟无论的力学原理，用能量最小化作为框架，达到对学历图像的分割。其缺点是：能量特性容易陷入局部极小化，对医学序列图像中感兴趣区域的形状有分离或合并时，无法准确跟踪，分割和提取。

水平集方法，其是一种简单有效的计算和分析二维或三维空间中曲线和曲面运动的方法，主要是思想是将曲线曲面和图像演化为更高维多超平面水平集，演化速度即是曲率函数。基于水平集的医学图像分割算法有一定的优势，是处理封闭运动界面随时间演过过程中几何拓扑变化的有效方法。

但目前的医学图像分割方法都包括有自动分割算法结果的不准确；手动分割速度太慢的缺点。

综上可知，现有医学图像分割方法在实际使用上，显然存在不便与缺陷，所以有必要加以改进。

发明内容

针对上述的缺陷，本发明的目的在于提供一种半自动序列图像分割方法及系统，其能够在医学序列图像中快速而又准确地分割出待分割目标区域。

为了实现上述目的，本发明提供一种半自动医学序列图像的分割方法，包括步骤如下：

在医学序列图像中，选择包含待分割目标的初始切片图像；

根据用户指令生成所述初始切片图像的目标区域；

将所述目标区域作为相邻切片图像的初始输入图像，使用水平集算法迭代分割后续切片图像，直至后续切片图像中不包括所述待分割目标，进而获得待分割目标区域的分割结果。

根据本发明所述的分割方法，所述根据用户指令生成所述初始切片图像的目标区域的步骤包括：

根据用户的目标区域轮廓绘制指令，生成所述初始切片图像的目标区域。

根据本发明所述的分割方法，所述根据用户指令生成所述初始切片图像的目标区域的步骤包括：

接收用户的种子点选取指令，在所述初始切片图像中选取种子点，通过迭代将与所述种子点具有相似属性的像素点合并生成所述目标区域。

根据本发明所述的分割方法，所述直至后续切片图像中不包括所述待分割目标的步骤包括：

根据用户的终止指令判定后续切片图像中不包括所述待分割目标。

根据本发明所述的分割方法，所述将目标区域作为相邻切片图像的初始输入图像，使用水平集算法迭代分割后续切片图像，直至后续切片图像中不包括所述待分割目标，进而获得待分割目标区域的分割结果的步骤包括：

A、将所述初始切片图像的目标区域作为相邻切片图像的初始输入图像；

B、将所述初始输入图像作为水平集算法的零水平集输入；

C、根据边缘停止函数获得所述相邻切片图像的边缘图像，所述边缘停止函数如下式：

$g\left(I\right)=\frac{1}{1+{|\▿G_{\mathrm{\σ}}*I|}^P}$

其中G_σ表示方差为σ的高斯函数，p为正整数，I表示所述相邻切片图像；

D、根据所述零水平集输入和所述边缘图像，输入最大迭代次数，并结合水平集速度函数和所述边缘图像进行水平集函数演化更新速度函数；

E、当一个方向的后续切片图像中不包括所述待分割目标时，返回步骤A中目标区域分割另一个方向的后续切片图像，直至另一个方向的后续切片图像中也不包括所述待分割目标，进而获得待分割目标区域的分割结果。

根据本发明所述的分割方法，所述步骤C和步骤D之间还包括边缘检测步骤：

对于切片图像中梯度大的区域通过边缘检测算法直接检测出来；

对于切片图像中梯度小的区域，首先估计相邻两张切片图像之间位移的大小d，然后根据已经计算出的初始轮廓，在轮廓曲线法向量方向分别向内和向外收缩和扩展d个像素大小的区域，在限定区域内计算真实的边界，在限定区域外部取值为无穷大。

根据本发明所述的分割方法，所述边缘检测步骤之后还包括边缘停止函数重新定义步骤：

将边缘停止函数重新定义如下：

$g\left(I\right)=\frac{1}{1+{|\▿\hat{I}|}^P}$

$|\▿\hat{I}|=\left\{\begin{array}{cc}\▿G_{\mathrm{\σ}}*I& G_{\mathrm{contract}}\mathrm{\Λ}{C}_{\mathrm{exp\; and}}=1\\ +\∞& C_{\mathrm{contract}}\mathrm{\Λ}{C}_{\mathrm{exp\; and}}=0\end{array}\right.$

其中，C_contract指相邻切片图像轮廓收缩d个大小后的切片图像，轮廓内的像素点取值为1，轮廓外的像素点取值为0，C_exp and指相邻切片图像轮廓扩展d个大小后的切片图像，轮廓内的像素点取值为1，轮廓外的像素点取值为0，Λ表示异或操作。

根据本发明所述的分割方法，所述步骤D还包括：

根据所述边缘停止函数的定义在梯度较大的区域趋近于零，而在梯度小的区域趋近于1，曲线将向g(I)→0的地方演化，达到最大迭代次数或者最小误差时，水平集停止演化。

根据本发明所述的分割方法，所述步骤D和步骤E之间还包括图像分割审核步骤：

若收到用户的图像分割合格指令，则执行步骤E；若收到用户的图像分割不合格指令，则对所述图片进行修正后返回步骤A。

本发明还提供一种实现所述分割方法的半自动医学序列图像的分割系统，包括：

图像选择模块，用于在医学序列图像中，选择包含待分割目标的初始切片图像；

目标区域生成模块，用于根据用户指令生成所述初始切片图像的目标区域；

图像分割模块，用于将所述目标区域作为相邻切片图像的初始输入图像，使用水平集算法迭代分割后续切片图像，直至后续切片图像中不包括所述待分割目标，进而获得待分割目标区域的分割结果。

本发明在医学序列图像的二维自动分割算法基础上，通过用户指令生成初始切片图像的目标区域，优选通过在初始切片图像上采用区域增长算法或者人工画出目标区域轮廓的方法生成目标区域，再将目标区域作为相邻切片图像的初始输入图像，使用水平集算法迭代分割后续切片图像。从而本发明能够结合医生的经验，在医学序列图像中快速而又准确地分割出待分割目标区域，并可通过对分割结果的面重建，对医学诊断和后期治疗有很大的帮助。

附图说明

图1是本发明半自动医学序列图像的分割系统的结构示意图；

图2是本发明半自动医学序列图像的分割方法的流程图；

图3是本发明优选的图像分割步骤的流程图；以及

图4是本发明优选实施例中半自动医学序列图像的分割方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1是本发明半自动医学序列图像的分割系统的结构示意图，所述分割系统100包括图像选择模块10、目标区域生成模块20以及图像分割模块30，其中：

图像选择模块10，用于在医学序列图像中，选择包含待分割目标的一张初始切片图像。所述医学序列图像可以是CT(Computed Tomography，计算机断层成像)序列图像或者MRI(Magnetic Resonance Imaging，磁共振成像)序列图像，所述待分割目标可以是感兴趣区域或者病变区域。

目标区域生成模块20，用于根据用户指令生成初始切片图像的目标区域。例如在初始切片图像上采用区域增长算法或者人工画出目标区域轮廓的方法，得到初始切片图像上的目标区域。具体的是，目标区域生成模块20根据用户的目标区域轮廓绘制指令，生成初始切片图像的目标区域；或者，目标区域生成模块20接收用户的种子点选取指令，在初始切片图像中选取种子点(含种子点集合)，通过迭代将与所述种子点具有相似属性的像素点合并生成目标区域，所述属性可包括像素点的强度、灰度、纹理等。

图像分割模块30，用于将目标区域作为相邻切片图像的初始输入图像，使用水平集算法迭代分割后续切片图像，直至后续切片图像中不包括待分割目标，进而获得待分割目标区域的分割结果。优选的是，图像分割模块30根据用户的终止指令判定后续切片图像中不包括待分割目标。所述水平集算法优选采用主动轮廓水平集算法。需强调的是，在后续的切片图像分割中，始终是将已分割切片图像的目标区域(也是由用户指定)作为相邻切片图像的初始输入图像，而不是始终以所述初始切片图像的目标区域作为后续切片图像的初始输入图像。所述相邻切片图像可以是沿初始输入图像序号增大的方向的下一张图像或者沿初始输入图像序号减小方向的下一张图像。

本发明在医学序列图像的二维自动分割算法基础上，通过用户指令生成初始切片图像的目标区域，从而能够结合医生的经验，在医学序列图像中快速而又准确地分割出待分割目标区域，有利于观察和分析感兴趣区域或病变区域的形态、特征和其他病理情况，以及进行三维医学图像的重构和融合等。本发明在分割结果的准确率和手动分割一样的条件下，分割速度是手动分割的五六倍。

图2是本发明半自动医学序列图像的分割方法的流程图，所述分割方法可由如图1所示的分割系统100实现，包括步骤如下：

步骤S201为图像选择步骤，在医学序列图像中，选择包含待分割目标的初始切片图像，本步骤可由图像选择模块10实现。所述医学序列图像可以是CT序列图像或者MRI序列图像。

步骤S202为目标区域生成步骤，根据用户指令生成初始切片图像的目标区域，本步骤可由目标区域生成模块20实现。

优选的，根据用户的目标区域轮廓绘制指令，生成初始切片图像的目标区域。仅在一张切片图像上画出感兴趣区域的轮廓，复杂度不高，准确性比较高，可以为后面的操作提供准确的目标区域。

或者，接收用户的种子点选取指令，在初始切片图像中选取种子点(含种子点集合)，通过迭代将与种子点具有相似属性的像素点合并生成目标区域，所述目标区域将作为水平集算法增长过程中生长区域，并且所述属性可包括像素点的强度、灰度、纹理等属性。

步骤S203为图像分割步骤，将目标区域作为相邻切片图像的初始输入图像，使用水平集算法迭代分割后续切片图像，直至后续切片图像中不包括待分割目标，进而获得待分割目标区域的分割结果，本步骤可由图像分割模块30实现。优选的是，根据用户的终止指令判定后续切片图像中不包括待分割目标。所述水平集算法优选采用主动轮廓水平集算法。需强调的是，在后续的切片图像分割中，始终是将已分割切片图像的目标区域(也是由用户指定)作为相邻切片图像的初始输入图像，而不是始终以所述初始切片图像的目标区域作为后续切片图像的初始输入图像。

如图3所示，所述图像分割步骤(步骤S203)进一步可包括：

步骤S301，将初始切片图像的目标区域作为相邻切片图像的初始输入图像，这里所指的相邻切片图像是指沿初始输入图像序号增大的方向的下一张图像。

步骤S302，将初始输入图像作为水平集算法的零水平集输入。

步骤S303，根据边缘停止函数获得相邻切片图像的边缘图像，边缘停止函数如下式：

$g\left(I\right)=\frac{1}{1+{|\▿G_{\mathrm{\σ}}*I|}^P}$

其中G_σ表示方差为σ的高斯函数，p为正整数，I表示所述相邻切片图像。

步骤S304，根据零水平集输入和边缘图像，输入最大迭代次数，并结合水平集速度函数和边缘图像进行水平集函数演化更新速度函数。优选的是，根据边缘停止函数的定义在梯度较大的区域趋近于零，而在梯度小的区域趋近于1，曲线将向g(I)→0的地方演化，达到最大迭代次数或者最小误差时，水平集停止演化。

步骤S305，当一个方向的后续切片图像中不包括待分割目标时，返回步骤S301中目标区域分割另一个方向的后续切片图像，直至另一个方向的后续切片图像中也不包括待分割目标，进而获得待分割目标区域的分割结果。

优选的是，所述步骤S303和步骤S304之间还包括边缘检测步骤：

对于切片图像中梯度大的区域通过边缘检测算法直接检测出来；

对于切片图像中梯度小的区域或者在切片图像中目标区域与周围区域的灰度相近，根据序列图像中相邻两张图像之间灰度变化具有连续性的特点，边缘检测算法无法检测出边缘的情况，首先估计相邻两张切片图像之间位移的大小d，然后根据已经计算出的初始轮廓，在轮廓曲线法向量方向分别向内和向外收缩和扩展d个像素大小的区域，在限定区域内计算真实的边界，在限定区域外部取值为无穷大，这样可以避免梯度小的区域在水平集演化时泄露。

所述边缘检测步骤之后还包括边缘停止函数重新定义步骤：

将边缘停止函数重新定义如下：

$g\left(I\right)=\frac{1}{1+{|\▿\hat{I}|}^P}$

$|\▿\hat{I}|=\left\{\begin{array}{cc}\▿G_{\mathrm{\σ}}*I& G_{\mathrm{contract}}\mathrm{\Λ}{C}_{\mathrm{exp\; and}}=1\\ +\∞& C_{\mathrm{contract}}\mathrm{\Λ}{C}_{\mathrm{exp\; and}}=0\end{array}\right.$

其中，C_contract指相邻切片图像轮廓收缩d个大小后的切片图像，轮廓内的像素点取值为1，轮廓外的像素点取值为0，C_exp and指相邻切片图像轮廓扩展d个大小后的切片图像，轮廓内的像素点取值为1，轮廓外的像素点取值为0，Λ表示异或操作。

优选的是，所述步骤S304和步骤S305之间还包括图像分割审核步骤：

若收到用户的图像分割合格指令，则执行步骤S305；若收到用户的图像分割不合格指令，则对图片进行修正后返回步骤S301。这样可根据医生经验确定结果，如果符合要求则返回继续计算相邻切片图像，否则对图像进行适当修正并返回继续计算。

图4是本发明优选实施例中半自动医学序列图像的分割方法的流程图，其可通过如图1所示的分割系统100实现，具体包括步骤如下：

参数说明：inital表示人为选择的初始切片序号；i表示初始切片的下一张切片，Flag标记选择切片的顺序，例如：Flag＝1表示沿图像序号增大的方向，Flag＝0表示沿图像序号减小的方向；num标记算法是否结束，num＝1时算法结束。

步骤S401，输入三维医学序列图像，所述三维医学序列图像可以是CT序列图像或者MRI序列图像。

步骤S402，选择第i-1张切片图像并获得目标区域R，i-1＝inital，Flag＝1，num＝0。

步骤S403，将目标区域R作为第i张切片图像的零水平集输入。

步骤S404，计算第i张切片图像的边缘图像，具体根据边缘停止函数获得相邻切片图像的边缘图像，边缘停止函数如下式：

$g\left(I\right)=\frac{1}{1+{|\▿G_{\mathrm{\σ}}*I|}^P}$

其中G_σ表示方差为σ的高斯函数，p为正整数，I表示所述相邻切片图像。

步骤S405，演化水平集函数。具体而言，根据零水平集输入和边缘图像，输入最大迭代次数，并结合水平集速度函数和边缘图像进行水平集函数演化更新速度函数。

步骤S406，判断是否停止演化，若是则执行步骤S407，否则返回步骤S405。优选的是，根据边缘停止函数的定义在梯度较大的区域趋近于零，而在梯度小的区域趋近于1，曲线将向g(I)→0的地方演化，达到最大迭代次数或者最小误差时，水平集停止演化。

步骤S407，得到第i张的分割结果。

步骤S408，修正结果目标区域R。

步骤S409，判断结果区域的面积是否为0，若是则执行步骤S410，否则执行步骤S412。优选的是，判断结果区域的面积是否为0是由人工判断，如果该方向的下张图像中不包含待分割目标，就可以认为下张切片图像的面积为零。

步骤S410，判断是否num＜1，若是则执行步骤S411，否则结束流程。

步骤S411，将i＝intal，flag＝0，num＝num+1。

步骤S412，判断是否flag＝1，若是则执行步骤S413，否则执行步骤S414。

步骤S413，将i＝i+1。

步骤S414，将i＝i-1。

本发明在医学序列图像的二维自动分割算法基础上，通过用户指令生成初始切片图像的目标区域，优选通过在初始切片图像上采用区域增长算法或者人工画出目标区域轮廓的方法生成目标区域，再将目标区域作为相邻切片图像的初始输入图像，使用水平集算法迭代分割后续切片图像。从而本发明能够结合医生的经验，在医学序列图像中快速而又准确地分割出待分割目标区域，并可通过对分割结果的面重建，对医学诊断和后期治疗有很大的帮助。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种半自动医学序列图像的分割方法，其特征在于，所述分割方法包括步骤如下：

在医学序列图像中，选择包含待分割目标的初始切片图像；

根据用户指令生成所述初始切片图像的目标区域；

将所述目标区域作为相邻切片图像的初始输入图像，使用水平集算法迭代分割后续切片图像，直至后续切片图像中不包括所述待分割目标，进而获得待分割目标区域的分割结果。

2.根据权利要求1所述的分割方法，其特征在于，所述根据用户指令生成所述初始切片图像的目标区域的步骤包括：

根据用户的目标区域轮廓绘制指令，生成所述初始切片图像的目标区域。

3.根据权利要求1所述的分割方法，其特征在于，所述根据用户指令生成所述初始切片图像的目标区域的步骤包括：

接收用户的种子点选取指令，在所述初始切片图像中选取种子点，通过迭代将与所述种子点具有相似属性的像素点合并生成所述目标区域。

4.根据权利要求1所述的分割方法，其特征在于，所述直至后续切片图像中不包括所述待分割目标的步骤包括：

根据用户的终止指令判定后续切片图像中不包括所述待分割目标。

5.根据权利要求1所述的分割方法，其特征在于，所述将目标区域作为相邻切片图像的初始输入图像，使用水平集算法迭代分割后续切片图像，直至后续切片图像中不包括所述待分割目标，进而获得待分割目标区域的分割结果的步骤包括：

A、将所述初始切片图像的目标区域作为相邻切片图像的初始输入图像；

B、将所述初始输入图像作为水平集算法的零水平集输入；

C、根据边缘停止函数获得所述相邻切片图像的边缘图像，所述边缘停止函数如下式：

$g\left(I\right)=\frac{1}{1+{|\▿G_{\mathrm{\σ}}*I|}^P}$

其中G_σ表示方差为σ的高斯函数，p为正整数，I表示所述相邻切片图像；

D、根据所述零水平集输入和所述边缘图像，输入最大迭代次数，并结合水平集速度函数和所述边缘图像进行水平集函数演化更新速度函数；

E、当一个方向的后续切片图像中不包括所述待分割目标时，返回步骤A中目标区域分割另一个方向的后续切片图像，直至另一个方向的后续切片图像中也不包括所述待分割目标，进而获得待分割目标区域的分割结果。

6.根据权利要求5所述的分割方法，其特征在于，所述步骤C和步骤D之间还包括边缘检测步骤：

对于切片图像中梯度大的区域通过边缘检测算法直接检测出来；

对于切片图像中梯度小的区域或者在所述切片图像中目标区域与周围区域的灰度相近，首先估计相邻两张切片图像之间位移的大小d，然后根据已经计算出的初始轮廓，在轮廓曲线法向量方向分别向内和向外收缩和扩展d个像素大小的区域，在限定区域内计算真实的边界，在限定区域外部取值为无穷大。

7.根据权利要求5所述的分割方法，其特征在于，所述边缘检测步骤之后还包括边缘停止函数重新定义步骤：

将边缘停止函数重新定义如下：

$g\left(I\right)=\frac{1}{1+{|\▿\hat{I}|}^P}$

$|\▿\hat{I}|=\left\{\begin{array}{cc}\▿G_{\mathrm{\σ}}*I& G_{\mathrm{contract}}\mathrm{\Λ}{C}_{\mathrm{exp\; and}}=1\\ +\∞& C_{\mathrm{contract}}\mathrm{\Λ}{C}_{\mathrm{exp\; and}}=0\end{array}\right.$

其中，C_contract指相邻切片图像轮廓收缩d个大小后的切片图像，轮廓内的像素点取值为1，轮廓外的像素点取值为0，C_exp and指相邻切片图像轮廓扩展d个大小后的切片图像，轮廓内的像素点取值为1，轮廓外的像素点取值为0，Λ表示异或操作。

8.根据权利要求5所述的分割方法，其特征在于，所述步骤D还包括：

根据所述边缘停止函数的定义在梯度较大的区域趋近于零，而在梯度小的区域趋近于1，曲线将向g(I)→0的地方演化，达到最大迭代次数或者最小误差时，水平集停止演化。

9.根据权利要求5所述的分割方法，其特征在于，所述步骤D和步骤E之间还包括图像分割审核步骤：

若收到用户的图像分割合格指令，则执行步骤E；若收到用户的图像分割不合格指令，则对所述图片进行修正后返回步骤A。

10.一种实现如权利要求1～9任一项所述分割方法的半自动医学序列图像的分割系统，其特征在于，包括：

图像选择模块，用于在医学序列图像中，选择包含待分割目标的初始切片图像；

目标区域生成模块，用于根据用户指令生成所述初始切片图像的目标区域；

图像分割模块，用于将所述目标区域作为相邻切片图像的初始输入图像，使用水平集算法迭代分割后续切片图像，直至后续切片图像中不包括所述待分割目标，进而获得待分割目标区域的分割结果。

Images