CN103337074B - 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 - Google Patents

Abstract

一种基于主动轮廓模型分割乳腺DCE-MRI病灶的方法，属于医学图像分割领域，包括由MRI扫描设备获取乳腺DCE-MRI影像序列数据，人工选取感兴趣区域、自动获取减影后感兴趣体积、主动轮廓分割病灶和可视化显示病灶。本发明充分利用乳腺DCE-MRI影像背景统计分布一致病灶内部分布多样这一特点设计主动轮廓模型的边缘停止函数，实现了病灶的可靠分割，有效地避免了边界泄漏现象。模型演化过程中无需重新初始化符号距离函数，使系统的实时性更高。本发明的实施对人工操作要求低、智能化程度高、数据存储空间的需求量低、处理速度快，并且三维角度的分割可以有效获得病灶全面立体的空间信息，方便医生多角度观察分析病灶。

Description

一种基于主动轮廓模型分割乳腺DCE-MRI病灶的方法

技术领域

本发明涉及医学影像分割技术领域，特别涉及一种基于水平集理论的快速可靠分割乳腺动态对比增强磁共振影像序列中三维病灶的主动轮廓模型方法。

背景技术

近年来，乳腺DCE-MRI扫描已经成为一种检测乳腺疾病最具潜力的影像技术之一，在早期乳腺癌的临床诊断和医学研究中发挥着重要的作用。同时，基于DCE-MRI的计算机辅助诊断(computeraideddiagnosis,CAD)系统因其能够检出病灶继而生成有意义的诊断建议，能够辅助放射科医师提高诊断效率减轻诊断工作量，已被逐渐应用到临床实践中。精确可靠的病灶分割不仅标志着病灶的检出，而且制约其后形态学特征、纹理特征和血流动力学特征提取的精度进而影响诊断结论的正确性，因此病灶分割是CAD的基础环节。临床中，医师通常依据经验手工分割病灶，该过程繁琐、存在主观性、可重复性差，且不易实现三维分割也无法形成病灶完整的空间立体表示，所以实现高效的乳腺DCE-MRI三维病灶分割功能以提高CAD系统的可操作性及诊断性能势在必行。

由于主动轮廓模型对具有噪声和边界间隙的图像具有较强的鲁棒性，可得到光滑连续的目标边界，且边界表达能够达到亚像素级精度等特点被广泛应用于解决乳腺DCE-MRI病灶分割问题。其中，JiazhengShi等人在他们乳腺肿瘤治疗反馈估计的研究中，将模糊C聚类和水平集方法结合来分割病灶，模糊C聚类获得演化初始轮廓并作为一项外力来控制水平集演化。L.Bahreini等人利用梯度矢量流方法分割二维乳腺病灶，梯度矢量流是一种参数主动轮廓模型，分割过程需调节大量参数，因此若应用于临床，将对人工理论知识要求较高。ShannonC.Agner等人提出了一种混合主动轮廓模型方法分割二维病灶，该算法结合流形学方法将图像空间转换到谱空间以改善病灶在原始空间中边缘模糊的问题，由于计算谱空间中的张量梯度耗时长，会限制其处理复杂影像的实时性。此外，多数基于主动轮廓模型的方法中为了保证算法数值计算的稳定性，曲线或曲面演化过程中需要重复进行符号距离函数初始化工作，耗时长，这很大程度上限制了算法的实时性应用。

总结目前动态对比增强乳腺磁共振影像病灶的分割研究，可发现存在以下几个难点：(1)病灶与正常组织毗邻，且病灶边界存在模糊，若不能有效区分，分割容易引起边界泄漏现象；(2)病灶内部灰度分布多样，这是进行病灶分期及诊断的有效信息，不具有一致的统计特征，常规建模往往不能涵盖病灶的全面情况；(3)病灶形状多样，无法利用基于先验形状的方法对其进行分割；(4)为获得病灶全面立体的空间信息，三维角度分割十分必要，然而DCE-MRI影像数据量大，不合理的分割过程会造成分割运算的时间长效率低。因此在考虑病灶多样性分布并有效建模正常组织基础上，进行病灶三维快速自动分割系统的研究是非常必要的。

鉴于上述原因，本发明统计分析了影像中病灶周围正常组织的灰度分布和病灶内部的灰度分布，发现：病灶周围正常组织灰度分布具有一致性而病灶内部灰度分布多样。这一DCE-MRI影像表征的统计分析结果与病理学解释相吻合：乳腺癌DCE-MRI扫描的病理学基础研究指出，肿瘤的生长依赖于肿瘤内血管的生成，肿瘤内脉管系统往往比正常组织更具有渗透性，当对比剂进入静脉后，会因为不同性质的肿瘤间血管的生成、微血管密度、肿瘤内毛细血管的通透性和组织细胞外间隙的不同而在影像中反映出不同的灰度分布，而正常组织则不会具有这种多样的变化。在上述病理学研究的有力支持下，我们发明了一种基于乳腺DCE-MRI背景信息的主动轮廓模型方法分割乳腺三维病灶。

发明内容

本发明提供了一种基于主动轮廓模型分割乳腺DCE-MRI病灶的方法，所要解决的技术问题是，提供一种对操作者要求低、分割病灶性能可靠、基于水平集理论能够快速识别乳腺DCE-MRI病灶边界的主动轮廓模型方法。该方法只需操作者在病灶增强明显的断层影像中进行简单的框选操作，之后便可由系统自动快速分割出病灶，在二维断层影像上标记病灶和三维可视化显示病灶。

本发明的技术方案是：由MRI扫描设备获取乳腺DCE-MRI影像序列数据，影像预处理工作站对影像序列进行筛选，MRI影像存储服务器保存所有被检查者的影像序列，由MRI影像后处理工作站从影像存储服务器获取待处理的影像序列进行分析和计算得到病灶分割结果并显示在MRI影像后处理工作站的计算机显示屏上；在MRI影像后处理工作站中设置有人工选取感兴趣区域模块、自动获取减影后感兴趣体积模块、主动轮廓模型分割病灶模块和可视化显示病灶模块。

人工选取感兴趣区域模块，用于接收从MRI影像存储服务器传来的待分割乳腺DCE-MRI影像序列，操作者自由浏览该序列选择病灶增强明显的一帧断层影像框选包含病灶的感兴趣区域，并将所选断层影像和区域位置传送给自动获取减影后感兴趣体积模块。

自动获取减影后感兴趣体积模块，利用记录的人工选取的断层影像和感兴趣区域位置自动获取减影后的感兴趣体积，将感兴趣体积作为分割算法实际处理的体数据传送给主动轮廓模型分割病灶模块。

主动轮廓模型分割病灶模块，采用本发明提供的基于影像背景信息利用水平集理论设计的主动轮廓模型分割来自自动获取减影后感兴趣体积模块的体数据，并将分割结果传送给可视化显示病灶模块。

可视化显示病灶模块，用于将从主动轮廓模型分割模块获得的分割结果进行二维标记和三维可视化显示，并将结果显示在计算机屏幕上供放射科医师分析或存储到硬盘，供其它影像分析软件进行进一步分析。

具体方法如下：

步骤一、在人工选取感兴趣区域模块中，人工选取感兴趣区域模块接收从MRI影像存储服务器传来的待分割乳腺DCE-MRI影像序列，在可以自由浏览选择乳腺DCE-MRI影像序列的交互式环境下操作者在增强后的影像序列中选择病灶增强明显的一帧断层影像，利用可以调节大小的矩形窗选取包含目标病灶的感兴趣区域，由计算机自动记录所选断层影像在整个影像序列中的位置以及感兴趣区域在所选断层影像中的位置。

步骤二、在自动获取减影后感兴趣体积模块中，利用步骤一中记录的人工选取的断层影像位置，结合待分割乳腺DCE-MRI影像序列中每个时相的扫描层数自动确定在哪些断层影像序列上进行感兴趣区域的提取，然后，在所选的断层影像序列中，依据记录的感兴趣区域位置，自动获得感兴趣区域序列，获得感兴趣区域序列后，利用各时相增强后的感兴趣区域序列减增强前序列再取平均值得到减影后的感兴趣体积，即分割算法实际处理的体数据。

步骤三、在主动轮廓模型分割病灶模块中，对步骤二获得的减影后的感兴趣体积利用Gamma分布建模影像背景分布，采用水平集理论实现本发明提出的主动轮廓模型方法进行病灶分割，分割算法如下：

(1)本发明对初始轮廓的要求较低，采用二值水平集函数实现。初始轮廓面的位置可以根据减影后的感兴趣体积情况自适应调整，初始轮廓面形状可以任意选取。初始水平集函数为：

$\mathrm{\φ}(x,y,z,t=0)=\left\{\begin{array}{cc}-c& (x,y,z)\∈{\mathrm{\Ω}}_0-\∂{\mathrm{\Ω}}_0\\ 0& (x,y,z)\∈\∂{\mathrm{\Ω}}_0\\ c& (x,y,z)\∈\mathrm{\Ω}-{\mathrm{\Ω}}_0\end{array}\right.---\left(1\right)$

其中，c＞0是一个常数，通常为1,Ω表示影像区域，Ω₀表示影像区域Ω的子集，表示Ω₀的边界。

(2)考虑到影像背景的实际分布和乳腺癌DCE-MRI扫描的病理学基础，以及两个参数的分布如Gamma分布比一个参数的分布如Rayleigh分布或Poisson分布对来自不同设备的变化较大的影像数据有更好的适应性。本发明提出利用Gamma分布建模感兴趣体积背景的灰度分布。设计新的边缘停止阈值th_t的计算公式如下：

th_t＝F^-1(p|κ_t,θ_t)＝{th_t:F(th_t|κ_t,θ_t)＝p}(2)

其中 $p=F\left({\mathrm{th}}_t\right|k_t,{\mathrm{\θ}}_t)=\frac{1}{{\mathrm{\θ}}_t^{k_t}\mathrm{\Γ}\left({\mathrm{\θ}}_t\right)}{\∫}_0^{{\mathrm{th}}_t}{t}^{k_t-1}{e}^{-t/{\mathrm{\θ}}_t}dt$ 是Gamma累积分布函数，θ_t和κ_t分别是t时刻的是Gamma分布的尺度参数和形状参数，利用最大似然法结合Choi等人的理论估计Gamma分布的参数，得到的估计公式如下：

${\mathrm{\θ}}_t=\frac{1}{{\mathrm{Ak}}_t}{\mathrm{\Σ}}_{(x,y,z)\∈{\mathrm{\Ω}}_b}I(x,y,z)---\left(3\right)$

${\mathrm{\κ}}_t\≈-1/\left\{\frac{2}{A}\underset{\left(x,y\right)\∈{\mathrm{\Ω}}_{background}}{\Σ}\log \right(I\left(x,y,z\right))-2\log \left(\underset{\left(x,y\right)\∈{\mathrm{\Ω}}_{background}}{\Σ}I\right(x,y,z\left)\right)+2\log A\}---\left(4\right)$

其中，I(x,y,z)表示减影后感兴趣体积函数，Ω_b＝Ω_background表示感兴趣体积的背景区域，A为Ω_b区域内的体素个数。

(3)本发明提出的边缘停止函数bdspf_t(I)的设置公式如下：

bdspf_t(I)又可称为基于影像背景分布的符号压力函数(backgrounddistribution-basedsignedpressurefunction)，该函数利用影像区域信息满足归一化的要求，并且符号可正可负。

(4)本发明提出的曲面演化函数是在测地线活动轮廓模型(geometricactivecontour,GAC)框架下重新设计的，并结合KaihuaZhang等人的理论，通过将新的边缘停止函数取代GAC水平集演化式中的边缘停止函数形成新的演化式如下：

$\frac{\∂{\mathrm{\φ}}_t}{\∂t}={\mathrm{bdspf}}_t\left(I\right)\·\mathrm{\α}|\▿{\mathrm{\φ}}_t|---\left(6\right)$

其中，φ_t为t时刻的水平集函数，α为一常数用以加快演化速度。

本发明提出的主动轮廓模型算法可采用C语言或其它计算机编程语言实现，具体可按照如下步骤进行：

1)向计算机输入待分割体数据，初始水平集函数为二值函数φ₀如公式(1)所示，c通常设置为1；

2)设置迭代阈值ε即φ_t+1-φ_t＜ε，ε取很小的数，设置高斯核G_σ的参数，置初始迭代次数t＝0；t表示迭代时刻，t＝0则表示迭代时刻0，即初始迭代。

3)设置累积分布概率p，p的范围一般取0.95—1；

4)利用公式(3)估计Gamma分布的尺度参数θ_t和利用公式(4)估计Gamma分布的形状参数κ_t；

5)利用公式(2)，计算边缘停止阈值th_t；

6)利用公式(5)计算边缘停止函数bdspf_t(I)；

7)根据公式(6)，更新水平集函数；

8)判断是否满足收敛条件，如果满足则停止迭代，输出分割结果，否则转向步骤9)，若演化曲面越界则转向步骤3)重新设置累积分布概率；

9)重设水平集函数φ_t，如果φ_t＞0，φ_t＝c，否则φ_t＝-c；

10)使用高斯核G_σ光滑水平集函数φ_t，即G_σ*φ_t转向步骤4)。

步骤四、在可视化显示病灶模块中，利用步骤三得到的病灶分割结果在原始断层影像上标记病灶，利用表面绘制算法生成病灶的三维立体图像，并将二维和三维结果显示在计算机屏幕上供放射科医师分析、或存储到硬盘上供其它影像分析软件进行进一步分析。

本发明的有益效果是：

本发明充分考虑了病灶多样性分布并对正常组织进行有效建模，较好地解决了复杂、大数据量的乳腺DCE-MRI影像序列中三维病灶的分割问题。采用人工选取感兴趣区域的操作可以排除具有明显亮度变化的心脏等组织器官对后续病灶分割过程的影响，极大地降低计算机处理的数据量，加快计算机处理的速度。各时相影像序列间的减影操作可以简化影像，减弱有明显对比剂变化的大血管等结构的影响，使影像背景简单病灶目标明确，从而降低病灶分割的复杂度。本发明提供的主动轮廓模型采用水平集理论实现，水平集演化函数简单，轮廓演化过程中无需重复初始化符号距离函数降低了算法实现的难度，减少耗时，增加了算法的实时性。利用影像的背景信息设计驱动力可以排除由于病灶多样、内部分布不一致等因素造成的分割误差，进而使得本发明能够准确识别病灶模糊边界，避免边界泄漏现象的产生，分割可靠精度高。本发明的系统框架完整、分割过程合理，对所进行的每一步处理都充分考虑了计算的复杂性和对数据存储空间的需求量，使分割快速稳定。本发明要求的人工操作简单、智能化程度高。

附图说明

图1是本发明从获取影像数据到输出分割结果的流程图

图2是本发明乳腺三维病灶分割系统模块的流程图

图3是本发明主动轮廓模型算法实施的程序框图

图4是本发明用不同初始轮廓分割乳腺DCE-MRI病灶的分割效果图

图5是本发明用于乳腺DCE-MRI断层影像序列的分割效果图

图6是本发明用于乳腺DCE-MRI三维病灶分割过程中表面绘制效果图

具体实施方式

下面结合实例和附图对本发明的实现方法做进一步详细说明。

为实施本发明提出的乳腺DCE-MRI三维病灶分割方法需要按照如图1所示的过程，从MRI扫描设备获取被检查者的乳腺MRI影像序列数据经影像预处理工作站筛选，将筛选后的数据保存到用来保存所有被检查者影像序列的MRI影像存储服务器中，再由MRI影像后处理工作站从MRI影像存储服务器获取待处理的影像序列进行分析和计算。MRI影像后处理工作站中的乳腺三维病灶分割系统构建包括人工选取感兴趣区域模块、自动获取减影后感兴趣体积模块、主动轮廓模型分割病灶模块和可视化显示病灶模块。这些模块的工作需要按照如图2所示的步骤进行：

第1步，接收从MRI影像存储服务器中传来的某位被检查者的待分割的乳腺DCE-MRI影像序列，根据实际情况，获取的乳腺DCE-MRI三维影像序列的扫描时相数一般为7-9个时相，每个时相可能包含76-184幅断层影像。也就是说至少会有500张左右的断层影像需要处理。

第2步，考虑到待处理影像巨大的数据量，以及存在大量的冗余信息，并且为了简化操作，降低处理对象的复杂度，采用人工选取感兴趣区域的方式。在交互式操作环境下，操作者浏览增强后的影像序列，选择病灶动态增强明显的断层影像，在此断层影像中框选出包含病灶的感兴趣区域。矩形窗大小可根据具体情况调节。在实例分割中我们选择80×80像素(该尺寸远大于病灶的大小)固定大小的矩形窗。计算机自动记录该断层影像在整个序列中的位置和人工选取的感兴趣区域在断层影像中的位置，如被选取的感兴趣区域位于第4增强时相第100帧影像从左上角坐标(301，301)到右下角坐标(380，380)，在此采用图像坐标。

第3步，考虑到早期乳腺癌病灶比较小、MRI存在容积效应，使得病灶在同一时相仅可见于几幅断层影像，例如图5第二行良性病灶仅可见于6帧断层影像。计算机根据每个时相扫描的层数以及人工选取感兴趣区域影像所在的位置自动确定对哪些断层影像进行分割。计算机根据记录感兴趣区域位置，自动计算出所选断层影像序列所有该位置的感兴趣区域序列。对获得感兴趣序列进行减影操作。所采用的方式是将各时相增强影像序列取平均，再减去增强前影像序列，得到减影序列，即包含病灶的感兴趣体积。

第4步，利用主动轮廓模型算法分割包含病灶的感兴趣体积提取病灶，程序流程如图3所示。

第5步，在断层影像序列中标记病灶，可视化显示三维病灶，以供医师进行分析，或将最终分割的结果存储到硬盘中，供其它影像分析软件进行进一步处理。

本发明采用1.5T或3.0T的MRI扫描设备获取的DCE-MRI影像序列数据实验。被检查者采取俯卧位，双侧乳腺充分暴露，自然垂入扫描床中的专用线圈内。采用乳腺容积扫描成像序列进行轴位扫描，3.0T设备上的重复时间(TR)为4.0ms，回波时间(TE)为2.1ms，1.5T设备上的TR为4.2ms，TE为2.0ms，层扫无间隔，帧影像矩阵大小为512×512，层厚为2mm或2.2mm。对比剂采用钆喷酸葡胺(Gd-DTPA)。对比剂注入57秒后开始不间断增强扫描。扫描层数从76-184不等。为了泛化本发明中影像特征研究的意义，不限制DCE-MRI的时相数，如：病例数据可以是7时相、8时相或9时相的影像序列。因此，一个病例的总影像数据量为扫描层数与时相序列数的乘积。

人工选取感兴趣区域模块、自动获取减影后感兴趣体积模块、主动轮廓模型分割病灶模块和可视化显示病灶模块所在的MRI影像后处理工作站要求的最低配置为：硬件：CPU:inteli3530,主频2.93G，双核心四线程，DMI总线2.5GT/s，二级缓存2×256K，三级缓存4M，倍频22倍，外频133M，主板：英特尔H55芯片组，内存：2G，DDR3,1333MHz，硬盘：500GB以上，5400-7200转/分，SATA接口，数据传输率300M/秒，显卡：核心频率750MHz，GDDR3显存512M，位宽128bit以上，显示器：19.1英寸，分辨率1440×900，软件：WindowsXP或Windows7操作系统。

图4为本发明用不同初始轮廓分割乳腺DCE-MRI病灶的分割效果图，图中分别利用了不同初始轮廓来分割良恶性病灶。取p＝0.98，ε＝10^-8，初始轮廓位于目标影像的不同位置，经过若干次迭代后均收敛到病灶边缘。前三列为恶性病灶，后三列为良性病灶。由图可见，采用本发明提出的主动轮廓模型进行分割时，初始轮廓的选择更加灵活。

图5是本发明用于乳腺DCE-MRI断层影像序列的分割效果图，取p＝0.98，ε＝10^-8。其中，第一行表示恶性病灶，第二行表示良性病灶，由效果图可知，恶性病灶边缘模糊，形状不规则，良性病灶边缘光滑，形状规则。图6是本发明用于乳腺DCE-MRI三维病灶分割过程中表面绘制效果图。其中，第一列表示初始轮廓面，第二列表示中间迭代分割结果，第三列表示最终的分割结果。图5第一行与图6第一行对应是恶性病灶，图5第二行与图6第二行对应是良性病灶。由图5和图6可见，本发明提供的主动轮廓模型可以很好地分割出乳腺三维病灶。

Claims (1)

1.一种基于主动轮廓模型分割乳腺DCE-MRI病灶的方法，由MRI扫描设备获取乳腺DCE-MRI影像序列数据，影像预处理工作站对影像序列进行筛选，MRI影像存储服务器保存所有被检查者的影像序列，由MRI影像后处理工作站从影像存储服务器获取待处理的影像序列进行分析和计算得到病灶分割结果并显示在MRI影像后处理工作站的计算机显示屏上；其特征在于，在MRI影像后处理工作站中设置有人工选取感兴趣区域模块、自动获取减影后感兴趣体积模块、主动轮廓模型分割病灶模块和可视化显示病灶模块，具体方法如下：

步骤一、在人工选取感兴趣区域模块中，人工选取感兴趣区域模块接收从MRI影像存储服务器传来的待分割乳腺DCE-MRI影像序列，在可以自由浏览选择乳腺DCE-MRI影像序列的交互式环境下操作者在增强后的影像序列中选择病灶增强明显的一帧断层影像，利用可以调节大小的矩形窗选取包含目标病灶的感兴趣区域，由系统自动记录所选断层影像在整个影像序列中的位置以及感兴趣区域在所选断层影像中的位置；

步骤二、在自动获取减影后感兴趣体积模块中，利用步骤一中记录的人工选取的断层影像位置，结合待分割乳腺DCE-MRI影像序列中每个时相的扫描层数自动确定在哪些断层影像序列上进行感兴趣区域的提取，然后，在所选的断层影像序列中，依据记录的感兴趣区域位置，自动获得感兴趣区域序列，获得感兴趣区域序列后，利用各时相增强后的感兴趣区域序列减增强前序列再取平均值得到减影后的感兴趣体积，即分割算法实际处理的体数据；

步骤三、在主动轮廓模型分割病灶模块中，对步骤二获得的减影后的感兴趣体积利用Gamma分布建模影像背景分布，采用水平集理论实现主动轮廓模型方法进行病灶分割，分割算法的流程如下：

1)向计算机输入待分割数据，水平集函数φ初始化成二值函数φ₀如下所示：

$\mathrm{\φ}(x,y,z,t=0)=\left\{\begin{array}{cc}-c& (x,y,z)\∈{\mathrm{\Ω}}_0-\∂{\mathrm{\Ω}}_0\\ 0& (x,y,z)\∈\∂{\mathrm{\Ω}}_0\\ c& (x,y,z)\∈\mathrm{\Ω}-{\mathrm{\Ω}}_0\end{array}\right.$

其中，c＞0是一个常数，Ω影像表示影像区域，Ω₀影像表示影像区域Ω的子集，表示Ω₀的边界；

2)设置迭代阈值ε即φ_t+1-φ_t＜ε，ε取很小的数，高斯核G_σ的参数，置初始迭代次数t＝0，t表示迭代时刻，t＝0表示迭代时刻0，即初始迭代；φ_t+1表示t+1时刻的水平集，φ_t表示t时刻的水平集；

3)设置累积分布概率p；

4)利用估计Gamma分布的尺度参数θ_t和利用 ${\mathrm{\κ}}_t\≈-1/\{\frac{2}{A}\underset{(x,y)\∈{\mathrm{\Ω}}_{background}}{\Σ}log\left(I\right(x,y,z\left)\right)-2log\left(\underset{(x,y)\∈{\mathrm{\Ω}}_{background}}{\Σ}I\left(x,y,z\right)\right)+2\log A\}$ 估计Gamma分布的形状参数κ_t，其中，I(x,y,z)表示减影后感兴趣体积函数，Ω_b＝Ω_background表示感兴趣体积的背景区域，A为Ω_b区域内的体素个数；

5)利用th_t＝F^-1(p|κ_t,θ_t)＝{th_t:F(th_t|κ_t,θ_t)＝p}，计算边缘停止阈值th_t，其中 $p=F\left({\mathrm{th}}_t\right|{\mathrm{\κ}}_t,{\mathrm{\θ}}_t)=\frac{1}{{\mathrm{\θ}}_t^{{\mathrm{\κ}}_t}\mathrm{\Γ}\left({\mathrm{\θ}}_t\right)}{\∫}_0^{{\mathrm{th}}_t}{t}^{{\mathrm{\κ}}_t-1}{e}^{-t/{\mathrm{\θ}}_t}dt$ 是Gamma累积分布函数；

6)利用计算边缘停止函数bdspf_t(I)；

7)根据更新水平集函数，其中α为一常数用以加快演化速度；

8)判断是否满足收敛条件，如果满足则停止迭代，输出分割结果，否则转向步骤9)，若演化曲面越界则转向步骤3)重新设置累积分布概率；

9)重设水平集函数φ_t，如果φ_t＞0，φ_t＝c，否则φ_t＝-c；

10)使用高斯核G_σ光滑水平集函数φ_t，即G_σ*φ_t转向步骤4)；

步骤四、在可视化显示病灶模块中，利用步骤三得到的病灶分割结果在原始断层影像上标记病灶，利用表面绘制算法生成病灶的三维立体图像，并将二维和三维结果显示在计算机屏幕上供放射科医师分析或存储到硬盘上进行进一步分析。