CN102385751B - 基于分水岭变换及支持向量机分类的肝脏肿瘤区域分割方法 - Google Patents

Abstract

本发明涉及图像处理技术，特别涉及一种基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法。该方法包括：步骤1：肝脏肿瘤区域分割预处理；步骤2：对步骤1得到的预处理后的肝脏区域图像进行分水岭变换，将预处理后的肝脏区域图像划分为无数个集水盆；步骤3：计算分水岭变换产生的所有集水盆的四维特征向量，交互式标记肝脏区域图像中的肿瘤及正常肝组织，采用支持向量机方法对集水盆在特征空间进行分类；步骤4：采用连通区域检测来消除分类产生的假阳性肿瘤区域，应用形态学运算来填充空洞及平滑边缘。本发明在区域级进行分类并利用用户标记来训练分类器参数，有效提高了分割速度及精度。在肝外科手术规划等领域有重要的应用价值。

Description

基于分水岭变换及支持向量机分类的肝脏肿瘤区域分割方法

技术领域

本发明涉及图像处理、模式识别技术，特别涉及一种基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法。

背景技术

肝脏是人体最大的实质性脏器，在代谢、胆汁生成、解毒、凝血、免疫、热量产生及水电解质调节中都起着非常重要的作用，同时，肝脏也是容易产生肿瘤的器官之一。肝癌目前在人类常见的肿瘤当中，其发病率在全世界范围内排第六位，死亡率在全世界范围内排在第三位。而且全球一半左右的肝癌患者在中国，肝癌已上升为我国第二位癌症杀手，在城市仅次于肺癌，在农村则次于胃癌。在临床诊断治疗中，CT成像由于其扫描速度快及可以控制扫描期相的优势，可以进行动脉期、门脉期，或者双期甚至多期增强扫描，在肝脏检查中的优势非常明显。CT图像中肝脏肿瘤大小测量可以辅助外科医生确定肝癌阶段以及疗效评估。肝脏肿瘤大小检测在临床上有重要应用，包括肝癌转移检测、肝肿大、肝硬化评估以及肝脏切除手术规划和评估等。

肝脏肿瘤区域分割是肝脏肿瘤大小检测的前提，但其自动分割却是相当困难。由于肿瘤及正常肝组织的边界模糊，肝脏CT图像内伪影和噪声、不同个体的肝肿瘤在灰度和形状上差异较大，使得肝脏肿瘤区域分割成为一个挑战性问题。完全由图像底层数据驱动的分割方法难以获得精确的分割结果。图像的底层属性包括图像本身的视觉特征，例如灰度、纹理、形状等，完全由图像底层数据驱动的分割在肝脏肿瘤区域分割中的应用包括自适应阈值、数学形态学、区域生长以及无监督分类的方法等，这些方法由于没有结合高层的目标先验知识，难以获得精确的分割结果。在本发明中，融合了用户对于肿瘤区域的灰度及纹理先验知识来分割CT图像中肝脏肿瘤区域。

发明内容

现有技术难以准确地分割出CT图像中肝脏肿瘤区域，其原因在于不同个体的肝肿瘤在灰度和形状上差异较大，导致完全由图像底层数据驱动的分割方法应用于肝脏肿瘤区域分割失效。本发明的主要目的在于提供一种基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割，使得用户可以进行快速准确的肝脏肿瘤区域分割，以便于辅助外科医生进行诊断治疗及疗效评估。

基于上述目的和思想，本发明提供的基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法包括：步骤1：进行肝脏肿瘤区域分割预处理，得到预处理后的肝脏区域图像；步骤2：对步骤1得到的预处理后的肝脏区域图像采用浸水模拟策略进行分水岭变换，将预处理后的肝脏区域图像数据划分为无数个集水盆；步骤3：计算分水岭变换产生的所有集水盆的四维特征向量，交互式标记肝脏区域图像中的前景及背景种子点，采用支持向量机方法对集水盆在特征空间进行分类，其中，前景指的是肿瘤，背景指的是正常肝组织；步骤4：采用连通区域检测来消除分类中孤立的假阳性肿瘤区域，应用形态学运算来填充空洞及平滑边缘。

本发明提出了一种基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法，具有速度快，精度高，鲁棒性强的优点，实验结果表明，本算法可以在30s左右完成CT图像中肝脏肿瘤区域分割，体素重叠误差为29.60％，对于多种质量低下的腹部CT图像可以完成准确的分割，在临床治疗上有重大的实用价值。

附图说明

图1是本发明提供的肝脏肿瘤区域交互式分割方法的流程图。

图2是肝脏区域分割结果示意图。

图3是肝脏区域增强结果示意图。

图4是分水岭变换结果示意图。

图5是同一个肝脏CT数据中4个肿瘤区域的分割标记及结果示意图。

图6是为本发明提供的支持向量机方法应用于二分类问题的示意图。

图7是形态学运算效果示意图。

图8是两个肝脏CT数据中肿瘤区域的分割标记及结果示意图。

图9是图5与图8中肿瘤区域分割后的可视化效果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

参照图1，本发明的肝脏肿瘤区域交互式分割方法主要包括以下步骤：

步骤1：进行肝脏肿瘤区域分割预处理，得到预处理后的肝脏区域图像；

步骤2：对步骤1得到的预处理后的肝脏区域图像采用浸水模拟策略进行分水岭变换，将预处理后的肝脏区域图像数据划分为无数个集水盆；

步骤3：计算分水岭变换产生的所有集水盆的四维特征向量，交互式标记肝脏区域图像中的前景及背景种子点，采用支持向量机方法对集水盆在特征空间进行分类，其中，前景指的是肿瘤，背景指的是正常肝组织；

步骤4：采用连通区域检测来消除分类中孤立的假阳性肿瘤区域，应用形态学运算来填充空洞及平滑边缘。

具体地：

步骤1：进行肝脏肿瘤区域分割预处理，得到预处理后的肝脏区域图像，其中，所述预处理包括肝脏区域分割及肝脏区域对比度增强。

所述肝脏区域分割具体为：

采用一种联合统计形状模型及最优表面检测的方法分割出腹部CT图像中的肝脏区域，如图2所示。其中，图2(a)为原始腹部CT图像，图2(b)为采用联合统计形状模型及最优表面检测的方法分割出的肝脏区域三维正交切片。

所述肝脏区域对比度增强具体为：

对分割出的肝脏区域中的每个体素进行线性对比度拉伸：统计分割出的肝脏区域的体素灰度值的最大值I_max和最小值I_min，则增强后的CT图像为I_E(x，y，z)＝256＊(I(x，y，z)-I_min)/(I_max-I_min)，如图3所示。其中，图3(a)为分割出的原始的肝脏区域，图3(b)为采用线性对比度拉伸增强后的肝脏区域。

步骤2：对步骤1得到的预处理(包括肝脏区域分割及对比度增强)后的肝脏区域图像采用浸水模拟策略进行分水岭变换，将预处理后的肝脏区域图像数据划分为无数个集水盆。分水岭变换是一种基于拓扑理论的数学形态学的分割方法，其基本思想是将二维图像看成一个三维的地形表面，图像中每个像素点的灰度值表示该点的海拔高度。地形表面中存在许多局部极小值点，假设地形表面的每个像素点处都有一滴水，水滴在重力的作用下下落，水滴下落到同一局部极小值的所有像素点合并成一个集水盆区域，任意两个集水盆的边界即为分水岭。图像中每个集水盆被赋予一个标识值(1，2，3......)。

分水岭变换的计算是一个迭代标注过程，分为两个步骤，一个是排序过程，一个是浸没过程。首先对图像中每个体素的灰度级从低到高进行排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响区域采用先进先出(FIFO)结构进行判断及标注。经过分水岭变换生成的集水盆区域的数量是三维CT图像数据体素数量的1/18，由于分水岭变换能很好的定位边缘且生成的集水盆区域的数量与体素总数量相比少了一个数量级，所以分水岭变换在不影响分类精度的情况下能显著提高算法效率。

分水岭变换包含的步骤如下：

(1)体素排序。按图像各体素的灰度值进行升序排列，确定三维图像各个灰度级的分布。1)先遍历整个三维体数据I(x，y，z)，得到三维体数据灰度值的最小值为h_min，最大值为h_max。然后从低到高建立起排序数组：array[0]至array[h_max-h_min]，其中，array[0]对应最小值h_min，array[h_max-h_min]对应最大值h_max，排序数组每个元素array[h-h_min]存储三维体数据中所有灰度级为h的体素的坐标。2)再次遍历三维体数据，对于灰度级为h的体素，在排序数组中灰度值h对应的位置array[h-h_min]添加指向灰度级为h的体素的指针。从而能够从排序数组中直接读取给定灰度值为h的所有体素，用于下一步的浸没操作。

(2)浸没过程。浸没过程是一个迭代标注过程，从低到高实现浸没过程中，通过先进先出的队列结构来对每一层的灰度值进行宽度优先搜索。假设I(x，y，z)为输入的肝脏CT三维图像，在浸没过程中水位从h_min到h_max不断增加。假设现在已经浸没到灰度级为h的某层，通过上一步的体素排序过程，可以直接访问灰度级为h+1的体素点，并赋予这些体素点一个特殊的标记MASK(MASK＝-2)。在标记为MASK的体素中，如果其6邻域的体素已经在先前的浸没过程中被标记(已经赋予标识值，属于已有的一个集水盆)，则将这样的体素插入到先进先出的队列结构中。不断地从队列中取出位于队首的体素，将队首体素的6邻域且标记为MASK的体素标记为与队首体素相同的标识值。插入体素到队列与取出队首体素的过程循环进行，直到队列为空，这样集水盆就得到了扩展。当队列为空时，还剩下一些标记为MASK的体素，即图像中还有一些集水盆的最小值为h+1，标记为MASK的体素就是这些集水盆的灰度值最小的体素点，它们和已经标记的集水盆没有任何连接。然后再进行扫描，检测灰度值为h+1并且仍然标记为MASK的体素，给它们一个新的标记值，即新发现的集水盆地。浸没过程从h_min到h_max进行递归，直至所有的体素都被处理。从h_min到h_max的递归过程如下方程所表示：

$\left\{\begin{array}{cc}{X}_{h_{\min }}=\left\{(x,y,z)\right|I(x,y,z)=h_{\min }\}& \\ X_{h+1}={\mathrm{MIN}}_{h+1}\∪{\mathrm{IZ}}_{h+1}\left(X_h\right)& h\∈[h_{\min },h_{\max })\end{array}\right.$

其中，X_h表示浸没到灰度级h时所有集水盆的集合，MIN_h表示灰度级为h的所有局部最小值的体素的集合，IZ_h+1(X_h)表示当浸没到灰度级h+1时，X_h的影响区域IZ_h+1(X_h)(Influence Zones，IZ)，即灰度级h下的所有集水盆在浸没到h+1时的扩展。则浸没到灰度级h+1时所有集水盆的集合X_h+1为MIN_h+1与IZ_h+1(X_h)的并集。

分水岭变换结果示意图如图4所示，其中，图4(a)为图3(b)中的图像经分水岭变换后的结果，预处理后的肝脏区域图像被划分为无数个集水盆，每个集水盆被赋予一个标识值，图4(b)为分水岭变换后集水盆区域的伪彩图像。

步骤3：计算分水岭变换产生的所有集水盆的四维特征向量，用鼠标交互式标记肝脏区域CT图像中的前景(肿瘤)及背景(正常肝组织)，采用支持向量机方法对集水盆在特征空间进行分类。对于同一个CT数据中的每个肿瘤区域，都需要用前景画笔标记，以便在步骤4的连通区域检测处理中来消除分类产生的孤立的假阳性肿瘤区域。

步骤3包括如下步骤：

(1)计算由分水岭变换产生的m个集水盆区域R_i(i∈[1，m])像素灰度的均值I_mean、标准差I_std、最大值I_max及最小值I_min，对每个区域R_i构建4维特征向量x_i＝[x_i1，x_i2，x_i3，x_i4]＝[I_mean，I_std，I_max，I_min]；

(2)由于特征向量x的不同分量之间在数量级上的差别，大值特征分量比小值特征分量对特征分类结果的影响更大，但这并不能反映大值特征分量更重要，所以需要对特征分量进行数量级上的统一，即特征分量归一化。为了消除特征分量数量级上的差异性，将每个特征分量采用线性变换归一化到[0，1]之间。对于所有m个区域的特征向量的第j个分量x_ij，i∈[1，m]，计算其最小值

以及最大值

则归一化后的新的特征分量为 $x_{\mathrm{ij}}^{\′}=(x_{\mathrm{ij}}-x_{\mathrm{ij}}^{\min })/(x_{\mathrm{ij}}^{\max }-x_{\mathrm{ij}}^{\min }).$

(3)用鼠标交互式标记肝脏区域CT图像中的前景(肿瘤)及背景(正常肝组织)。为了使用户能在体数据中较好地区分肿瘤区域和正常肝组织区域，用户在步骤1得到的预处理(包括肝脏区域分割及对比度增强)后的图像上用鼠标进行标记，如图5中(a)和(b)所表示，其中，白色表示前景(肿瘤)种子点，黑色表示背景(正常肝组织)种子点。将标记图像覆盖在对应的分水岭变换图像上，即在分水岭变换后的集水盆区域进行同步标记，如图5中(c)和(d)所表示。鼠标交互式标记总共覆盖k个集水盆地，那么由交互式标记得到的训练集为{(x₁，y₁)，(x₂，y₂)，…(x_k，y_k)}，其中，x_i∈R⁴，y_i∈{-1，1}，其中，1表示肿瘤，-1表示正常肝组织。图6为支持向量机方法应用于此二分类问题的示意图，为了简化表示，以二维特征向量分类作为例子，圆点和方点表示训练集在特征空间的位置。假设该训练集可被超平面<ω，x>+b＝0划分，其中，x是特征向量，ω是超平面法向量，b是超平面偏移量。有无数个超平面可将训练数据划分，如图6中实线H1与H2表示的超平面。如果训练集中的两种特征向量能被某个超平面化分，并且与超平面距离最近的两种特征向量到超平面的距离之和最大，则该平面称为最优超平面，如图6中黑色实线H所代表的超平面所示，距离超平面距离最近的向量称为支持向量，如图6中位于与实线H平行的两条虚线上的特征向量所示。那么采用支持向量机求解二分类问题就转化为求解最优超平面问题。

根据超平面公式，以及支持向量之间的距离为2/||ω||，求解最优超平面即求

的问题就转化为求不等式约束的二次最优化问题：

$\left\{\begin{array}{cc}\min & \frac{1}{2}{\left|\right|\mathrm{\&omega;}\left|\right|}^2\\ s.t.& y_i[<\mathrm{\&omega;},x_i>+b]\&GreaterEqual;1,\end{array}\right.$ i＝1，…，k

其中，ω是超平面法向量，b是超平面偏移量，x₁，…x_k是由交互式标记得到的特征向量，y_i∈{-1，1}，k表示训练集的个数，即交互式标记总共覆盖k个集水盆地。

对于该优化问题的求解是典型的有约束二次规划问题，采用拉格朗日乘子方法求解，得到下列拉格朗日函数的鞍点：

$\left\{\begin{array}{c}{L}_P(\mathrm{\&omega;},b,\mathrm{\&alpha;})=\frac{1}{2}{\left|\right|\mathrm{\&omega;}\left|\right|}^2-\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\left(y_i\right[<\mathrm{\&omega;},x_i>+b]-1)\\ {\mathrm{\&alpha;}}_i\&GreaterEqual;0\end{array}\right.$

其中，α_i是每个训练样本对应的拉格朗日乘子。求拉格朗日函数LP相对于ω和b的最小化。通过对相应的ω和b求偏导，转化为其对偶问题如下：

$\underset{\mathrm{\&alpha;}}{\max }{L}_D\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_j<x_i,x_j>$

其中，L_D(α)是原优化问题的对偶形式，约束如下：

$\left\{\begin{array}{c}\begin{array}{cc}{\mathrm{\&alpha;}}_i\&GreaterEqual;0& i=1,...,k\end{array}\\ \underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_j{y}_j=0\end{array}\right.$

当训练数据在特征空间不能线性分开的情况下，引入松弛变量ξ_i，它允许在一定程度上违反超平面距离约束，加入松弛变量的最优化问题如下：

$\left\{\begin{array}{cc}\min & \frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i\\ s.t.& y_i[<w_i,x_i>+b]\&GreaterEqual;1-{\mathrm{\&xi;}}_i\\ {\mathrm{\&xi;}}_i\&GreaterEqual;0& \&ForAll;i\end{array}\right.$

其中，ξ_i为松弛变量，C是一个与约束条件相关给定值，则引入松弛变量的拉格朗日函数如下：

$\left\{\begin{array}{c}{L}_P(\mathrm{\&omega;},b,\mathrm{\&xi;},\mathrm{\&alpha;})=\frac{1}{2}{\left|\right|\mathrm{\&omega;}\left|\right|}^2+\frac{C}{2}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i^2-\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i\left(y_i\right[<w,x_i>+b]-1+{\mathrm{\&xi;}}_i)\\ {\mathrm{\&alpha;}}_i\&GreaterEqual;0\end{array}\right.$

相应的对偶形式可以通过对ω，b，ξ求偏导并置零得到。

最优超平面即决策函数由如下方程给出：

$f\left(x\right)=\mathrm{sign}(<\mathrm{\&omega;},x>+b)=\mathrm{sign}\{\underset{n\&Element;{\mathrm{SV}}_s}{\mathrm{\&Sigma;}}{\mathrm{\&alpha;}}_{n}K(x_n,x)+b\}$

其中，x_n(n∈SV_s)表示训练向量中的支持向量(Support Vectors)，α_n是支持向量相应的拉格朗日乘子，b是超平面偏移量，K(·)为核函数，这里采用线性核函数。

根据求得的超平面方程，对于没有用鼠标标记为前景或背景的集水盆区域，代入其特征向量x到决策函数f(x)可求得其分类标记。

步骤4：对于步骤3的支持向量机分类输出的二值图像，由以下两步操作来进行后处理提高分割精度：1.从每个肿瘤的前景标记出发，采用连通区域检测来消除分类所产生的孤立的假阳性肿瘤区域；2.运用球状结构元素对上一步的结果进行形态学开运算及闭运算来消除边缘突起及填充空洞。

半径为r的球状结构元素S(x，y，z)定义如下：

x，y，z∈[0，2r]

使用球状结构元素进行开运算和闭运算处理：

开运算：

闭运算： $\mathrm{TOC}=\mathrm{TO}\&CenterDot;S=(\mathrm{TO}\&CirclePlus;S)\mathrm{\&Theta;S}$

其中，

表示膨胀运算符号，Θ表示腐蚀运算符号，S表示半径为r的球状结构元素。T表示上一步通过连通区域检测消除假阳性肿瘤区域后的二值图像，TO表示采用结构元素S对二值图像T进行开运算后的结果，TOC表示采用结构元素S对二值图像TO进行闭运算后的结果。形态学开运算与闭运算效果示意图如图7所示，其中，图7(a)和图7(c)为形态学运算之前的肝脏肿瘤区域轮廓示意图，图7(b)和图7(d)为图7(a)和图7(c)对应的形态学运算之后的肝脏肿瘤区域轮廓示意图。

采用本发明方法对肝脏CT数据中肿瘤区域的分割标记及结果如图5和图8所示。

图5表示同一个肝脏CT数据中4个肿瘤区域的分割标记及结果。其中，(a)和(b)为CT图像中肝脏肿瘤区域及正常肝组织区域标记示意图，白色表示肿瘤区域，黑色表示正常肝组织区域；(c)和(d)为在分水岭变换后的集水盆区域的同步标记示意图；(e)和(f)为分割结果图，白色轮廓表示采用本发明提供的方法的分割结果，黑色轮廓表示由专家手工分割的参考结果。

图8表示两个肝脏CT数据中肿瘤区域的分割标记及结果。其中，(a)和(c)为同一个CT数据中3个肝脏肿瘤区域及正常肝组织区域的标记示意图，白色表示肿瘤区域，黑色表示正常肝组织区域；(b)和(d)分别为(a)和(c)对应的分割结果图，白色轮廓表示采用本方法的分割结果，黑色轮廓表示由专家手工分割的参考结果；(e)和(f)为CT数据中1个肝脏肿瘤及正常肝组织标记及对应的区域分割结果示意图。

经过上述四个步骤的处理，我们得到肿瘤区域分割结果，如图9所示。其中，(a)和(b)为图5中4个肿瘤区域分割结果的面绘制示意图；(b)为图8(a)-(d)对应的数据的3个肿瘤区域分割结果的面绘制示意图；(c)为图8(e)-(f)对应的数据的1个肿瘤区域分割结果的面绘制示意图。

运行结果：

为了验证本发明方法，我们在公认的肝脏CT图像数据库MICCAI2007Workshop on 3D liver segmentation(http://www.sliver07.org/)上进行了实验。这个数据库提供了专家手动分割的肝脏区域作为参考。

通过大量的实验，我们可以在30s左右完成一个肝脏图像中所有肿瘤区域的分割，体素重叠误差为29.60％，对于多种质量低下的腹部CT图像可以完成准确的分割，在临床治疗上有重大的实用价值。具体的肝脏分割结果如图5、图8及图9所示。实验表明，我们的方法能很好得满足临床治疗的需求，具有巨大的实用价值。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (9)

1.一种基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法，其特征在于，该方法包括以下步骤：

步骤1：进行肝脏肿瘤区域分割预处理，得到预处理后的肝脏区域图像；

步骤2：对步骤1得到的预处理后的肝脏区域图像采用浸水模拟策略进行分水岭变换，将预处理后的肝脏区域图像数据划分为m个集水盆；

步骤3：计算分水岭变换产生的所有集水盆的四维特征向量，交互式标记肝脏区域图像中的前景及背景种子点，采用支持向量机方法对集水盆在特征空间进行分类，其中，前景指的是肿瘤，背景指的是正常肝组织；所述步骤3具体包括以下步骤：

1）计算由分水岭变换产生的m个集水盆区域R_i像素灰度的均值I_mean、标准差I_std、最大值I_max及最小值I_min，对每个区域R_i构建4维特征向量x_i=[x_i1,x_i2,x_i3,x_i4]=[I_mean,I_std,I_max,I_min]，其中，i∈[1,m]；

2）为了消除特征向量的不同分量在数量级上的差异性，将每个特征分量采用线性变换归一化到[0，1]之间，即对于所有m个区域的特征向量的第j个分量xij,i∈[1,m]，计算其最小值

以及最大值

则归一化后的新的特征分量为 $x_{\mathrm{ij}}^{\&prime;}=(x_{\mathrm{ij}}-x_{\mathrm{ij}}^{\min })/(x_{\mathrm{ij}}^{\max }-x_{\mathrm{ij}}^{\min });$

3）用鼠标交互式标记肝脏区域图像中的前景及背景；

步骤4：采用连通区域检测来消除分类中孤立的假阳性肿瘤区域，应用形态学运算来填充空洞及平滑边缘。

2.根据权利要求1所述的基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法，其特征在于，所述步骤1中的肝脏肿瘤区域分割预处理包括肝脏区域分割和肝脏区域对比度增强。

3.根据权利要求2所述的基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法，其特征在于，所述肝脏区域分割具体为：

采用一种联合统计形状模型及最优表面检测的方法分割出腹部CT图像中的肝脏区域。

4.根据权利要求2所述的基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法，其特征在于，所述肝脏区域对比度增强具体为：

统计分割出的肝脏区域的体素灰度值的最大值和最小值，根据所述最大值和最小值，将分割出的肝脏区域中的每个体素进行线性对比度拉伸。

5.根据权利要求1所述的基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法，其特征在于，步骤2中的分水岭变换的计算依次分为排序过程和浸没过程；

其中，所述排序过程具体为：对每个体素的灰度值从低到高进行排序，得到三维图像各个灰度级的分布；

所述浸没过程具体为：在从低到高实现淹没过程中，对每一个局部极小值在灰度级为h的某层的影响区域采用先进先出FIFO的队列结构进行判断及标注。

6.根据权利要求1所述的基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法，其特征在于，在步骤3中的交互式标记肝脏区域图像中的前景及背景种子点中，对于同一个图像数据中的每个前景，都用前景画笔标记，以便在步骤4的连通区域检测处理中来消除分类中孤立的假阳性肿瘤区域。

7.根据权利要求1所述的基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法，其特征在于，步骤3中的步骤3）具体为：

鼠标交互式标记总共覆盖k个由分水岭变换产生的集水盆地，那么由交互式标记得到的训练集为{(x₁,y₁),(x₂,y₂),L(x_k,y_k)}，其中，x_t∈R⁴,t∈[1,k]，y_t∈{-1,1}，其中，1表示肿瘤，-1表示正常肝组织；

将采用支持向量机求解二分类问题转化为求解最优超平面方程问题，从而为没有用鼠标标记为前景或背景的集水盆区域求得其分类标记。

8.根据权利要求1所述的基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法，其特征在于，所述步骤4具体包括以下步骤：

1）从每个肿瘤的前景标记出发，采用连通区域检测来消除分类所产生的孤立的假阳性肿瘤区域；

2）运用球状结构元素对上一步的结果进行形态学开运算及闭运算来消除边缘突起及填充空洞。

9.根据权利要求8所述的基于分水岭变换及支持向量机分类的交互式肝脏肿瘤区域分割方法，其特征在于，所述步骤4中的步骤2）具体为：

定义半径为r的球状结构元素S(x,y,z)如下：

使用球状结构元素进行开运算和闭运算处理：

开运算：TO=ToS=(TΘS)⊕S

闭运算：TOC=TO·S=(TO⊕S)ΘS

其中，⊕表示膨胀运算符号，Θ表示腐蚀运算符号，T表示通过连通区域检测消除假阳性肿瘤区域后的二值图像，TO表示采用结构元素S对二值图像T进行开运算后的结果，TOC表示采用结构元素S对二值图像TO进行闭运算后的结果。

Images