CN104766340A - 一种图像分割方法 - Google Patents

Abstract

一种图像分割方法，包括：在图像上确定肿瘤所在的感兴趣区域；利用基于特征分类的方法对图像进行肿瘤粗分割，并获得粗分割结果；基于该粗分割结果，采用水平集方法对该图像进行精分割。

Description

一种图像分割方法

技术领域

本发明涉及图像分割技术领域，尤其涉及一种基于计算机断层扫描(Computed Tomography，CT)的肿瘤分割方法。

背景技术

计算机断层扫描(Computed Tomography，CT)已广泛应用于癌症的研究、预防、诊断和治疗中。为了确诊病灶、并给病人提供有效的治疗方案，医生可能需要通过计算机断层扫描影像来了解肿瘤的体积大小。传统方法下，医师通常需要在CT图像上逐层手工标定肿瘤区域的轮廓，然后统计得到肿瘤的体积大小。然而，这个过程较为枯燥且耗时。

肝癌是全世界范围内最常见的癌症之一，且致死率在所有癌症中排第三位。CT图像中，肝肿瘤与其周围正常肝组织的对比度很小，且图像噪声比较严重，肿瘤边缘也比较模糊，不同肿瘤的形状大小也存在较大的差异，因此，通过传统手工方法获得的肿瘤体积大小存在较大误差。

近些年来，研究者们开发出不同的半自动和全自动的肝组织分割方法，包括全肝、肝血管和肝肿瘤之间的分隔。Metaxas等人结合Markov随机场(Markov Random Field)和可变模型来分割出肿瘤(可参见文献：Chen T,Metaxas D,A hybrid framework for 3Dmedical image segmentation.Med Image Anal 9:547–565,2005)。Peitgen等人提出了一种半自动区域增长的方法用于分割肝血管和肿瘤(可参见文献：Bourquain H,Schenk A,Link F,Preim B,Prause G,Peitgen H,Hepavision2a software assistant for preoperativeplanning in living related liver transplantation and oncologic liver surgery.In:Proceedingsof the 16th Conference on Computer Assisted Radiology and Surgery(CARS’02),pp341–346,2002)。以上这两种方法都需要在CTA图像上逐层手动选取大量的种子点，从而限制了它们在临床上的应用。Grady等人提出了一种基于模糊连通和Random Walk结合的3D肝肿瘤分割方法，该方法只需要用户提供一个肿瘤区域内的种子点即可(可参见文献：Jolly M-P,Grady L,3D general lesion segmentation in CT.In:Proceedings ofthe 5th IEEE International Symposium on Biomedical Imaging(ISBI’08),IEEE,pp796–799,2008)。这种方法的不足之处在于，对于对比度较弱、边缘比较模糊的肿瘤，分割效果不理想。Freiman等人则提出了一种基于SVM分类的监督学习方法，主要包括肝分割、肿瘤和正常组织种子点选取、SVM分类及后处理，在SVM分类的过程中利用到的特征是每个体素点5×5×5邻域内灰度平均值、标准差、最大值和最小值(可参见文献：Moti Freiman,Ofir Cooper,Liver tumors segmentation from CTA images usingvoxels classification and affinity constraint propagation.Int J CARS,2010)。这种方法的不足之处在于需要手动点选取肿瘤和正常组织的种子点，交互方式较为繁琐，用于训练的特征对噪声较为敏感，而CT图像中肝区域颗粒状较为明显，噪声重。

因此，亟需一种鲁棒、方便、分割效果佳的电脑辅助的CT肿瘤分割方法。

发明内容

本发明的目的在于帮助用户通过简单的交互方式来准确、快速地分割出CT图像肿瘤(例如：肝肿瘤)，准确地得到肿瘤的体积、轮廓、灰度等信息。

在一个实施例中，本发明提供了一种图像分割方法。该方法包括：

在所述图像上确定肿瘤所在的感兴趣区域；

利用基于特征分类的方法对图像进行肿瘤粗分割，并获得粗分割结果；

基于该粗分割结果，采用水平集方法对该图像进行精分割。在一个实施例中，所述基于特征分类的方法对图像进行肿瘤粗分割包括：

在所述感兴趣区域内，分别对肿瘤区域和非肿瘤区域采样种子点；

利用所述采样种子点进行分类训练；

基于该分类训练结果，对所述图像的各个体素点进行分类以获得粗分割结果。

在一个实施例中，确定图像上肿瘤区域所在的感兴趣区域包括：

在一肿瘤横截面面积较大的一层划定一条穿过该肿瘤的第一直线，该第一直线长度为d₁，以该第一直线的中点为中心划取边长为d₂的正方体，该正方体所包含的区域为该感兴趣区域，其中d₂＝d₁·r,且1<r<2。

在一个实施例中，对肿瘤区域和非肿瘤区域采样种子点包括：

以第一直线的中点为中心，在直径小于d₃的区域内随机采样多个正样本种子点，其中d₃＝d₁/l，且l大于1；

以第一直线的中点为中心，在以直径大于d₁·t并小于d₁·r的外围区域内随机采样多个负样本种子点，其中1<t<r。

在一个实施例中，该利用所述采样种子点进行分类训练包括：

将该图像灰度级归一化为固定值S；

统计以每个种子点为中心、直径为j个像素点的邻域内的归一化的S维灰度直方图特征；

将所述S维灰度直方图特征用于训练和分类，以获得分类器的参数。

在一个实施例中，所述对图像的各个体素点进行分类以获得粗分割结果包括：

获得所述图像中的每个体素点的灰度直方图特征；

利用所述分类器对所述每个体素点进行分类，初步判断所述每个体素点是否属于肿瘤组织。

在一个实施例中，所述采用水平集方法对该图像进行精分割包括：

利用所述粗分割结果初始化距离场函数；

对所述距离场函数进行多次次迭代；

获得最终的肿瘤精分割结果。

在一个实施例中，在对肿瘤区域和非肿瘤区域采样种子点之前还包括：

对该感兴趣区域做预处理。

在一个实施例中，所述预处理包括：

将所述图像的X轴、Y轴、Z轴方向上的分辨率进行归一化处理；

增强所述图像的对比度；

对所述图像进行去噪处理。

在一个实施例中，所述灰度直方图特征包含结构信息。

在一个实施例中，所述肿瘤为肝肿瘤。

在一个实施例中，所述图像为基于计算机断层扫描图像。

附图说明

本发明的以上发明内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是，附图仅作为所请求保护的发明的示例。在附图中，相同的附图标记代表相同或类似的元素。

图1示出根据本发明的一实施例的基于特征分类和水平集结合的CT肿瘤半自动分割流程图；

图2示出根据本发明的一个实施例的肿瘤粗分割的流程图；

图3示出采用本发明的基于特征分类和水平集结合的CT肿瘤分割方法针对一肿瘤所获得的三维分割结果视图和横截面轮廓；

图4示出采用本发明的基于特征分类和水平集结合的CT肿瘤分割方法针对另一肿瘤所获得的三维分割结果视图和横截面轮廓。

具体实施方式

以下在具体实施方式中详细叙述本发明的详细特征以及优点，其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书所揭露的说明书、权利要求及附图，本领域技术人员可轻易地理解本发明相关的目的及优点。

为了能够帮助用户通过简单的交互方式来准确、快速地分割出CT图像肿瘤(例如：肝肿瘤)，准确地得到肿瘤的体积、轮廓、灰度等信息，本发明提出了基于灰度直方图特征实时训练分类的粗分割框架，能够鲁棒地区分肿瘤和周围组织区域，同时也存在少量的误分割情况。然后基于粗分割的结果使用基于水平集方法，能够有效地利用图像的形状和梯度信息，使最终肿瘤分割结果更为准确、平滑。

本发明充分结合了基于特征分类和基于水平集的方法用于图像分割时的各自优势，也互相弥补了这两类方法的不足之处，获得了极佳的肿瘤半自动分割性能。

图1示出根据本发明的一实施例的基于特征分类和水平集结合的CT肿瘤半自动分割流程图。

在步骤101中，确定感兴趣区域。

用户找到CT图像中的肿瘤区域，在肿瘤横截面面积较大的一层手动划定一条穿过该肿瘤的直线，直线长度为d₁，以直线中点为中心划取边长为d₂(d₂＝d₁·r,1<r<2)的正方体，所包含的区域即为肿瘤所在的感兴趣区域VOI。在一个实施例中，所取的感兴趣区域VOI包含了全部的肿瘤区域。

在步骤102中，对感兴趣区域VOI进行预处理。

该预处理包括将图像X轴、Y轴和Z轴方向上的分辨率归一化到固定值f，增强图像对比度并做去噪处理，得到图像I。

在步骤103中，基于特征分类的方法进行肿瘤粗分割，并获得粗分割结果。

在步骤104中，基于粗分割结果，利用水平集方法做精分割，得到最终的肿瘤分割结果。

图2示出根据本发明的一个实施例的肿瘤粗分割的流程图。

在步骤201中，需要在目标肿瘤区域及其周围其他正常组织处分别采集正负样本种子点。

已知用户手动划取的直线d₁，在直径小于d₃(d₃＝d₁/3)的中心区域(可以以d₁的中心划取)内随机采样m个正样本种子点，作为目标肿瘤区域的样本种子点。在一个实施例中，d₃＝d₁/l，l为大于1的实数，只要保证该中心区域完全在目标肿瘤区域内即可。

在d₁·t至d₁·r(1<t<r)的外围区域内随机采样n个负样本种子点，作为周围正常组织的样本种子点，其中t大于1是为了保证外围区域不包含目标肿瘤区域。

在步骤202中，计算种子点的灰度直方图特征。具体而言，将每个种子点对应的图像I的灰度级归一化为固定值S(S表示S级灰度)，统计当前种子点直径为j(j为大于1的整数)个像素点的球形邻域内的归一化灰度直方图。在一个实施例中，j可以等于7。随后，将该S级灰度直方图特征用于训练和分类。

通过上述半自动采样方法获得的灰度直方图，相较于现有技术中通过手工取点(手工获取具有偶然性)而获得的灰度值、均值和方差等灰度统计特征，可以更好地表征图像的灰度分布信息并包含一定的结构信息，有助于提高训练分类器的性能。

在步骤203中，进行LDA训练。具体而言，将计算后的正负样本种子点的灰度直方图特征经LDA(Linear Discriminant Analysis，线性判别分析)训练得到线性分类器：

$C=\left\{\begin{array}{c}1,y>T\\ 0,y\&le;T\end{array}\right.,$ y＝w₁·v₁+w₂·v₂+…+w_S·v_S

其中，T为分类阈值，y为特征加权值，w₁...w_S为加权值，v₁...v_S为灰度直方图特征，S为灰度级数。w₁...w_S和T均为训练而得。

在步骤204中，线性分类器C训练完成后，遍历图像I内每一体素点P。

在步骤205中，计算当前体素点P的灰度直方图特征。

在步骤206中，利用训练后的线性分类器C进行分类，判断P是否属于肿瘤。

在步骤207中，得到肿瘤粗分割结果 ${\mathrm{\&theta;}}_0\left(x\right)=\left\{\begin{array}{c}1,x\&Element;\mathrm{tumor}\\ 0,x\&Element;\mathrm{else}\end{array}\right.,$ 其中x对应图像I内的体像素点。

由于肝肿瘤粗分割结果θ₀会存在少量的误分割且边缘不够平滑的情况，所以需要进行进一步的精分割。本发明利用水平集方法对基于特征分类的粗分割结果再进行精分割。

首先简单地介绍一下水平集方法的基本原理和计算方法。已知闭合的N-1维超平面Γ(t)，该超平面的变化可以看作平面上每个点沿平面在该点处的法向量方向按速度F运动，其中速度F可以由曲率、梯度等信息加权得到。水平集方法引入N维距离场φ(t)来描述超平面Γ(t)的拓扑变化： $\left\{\begin{array}{c}\&PartialD;\mathrm{\&phi;}/\&PartialD;t+F|\&dtri;\mathrm{\&phi;}|=0\\ \mathrm{\&phi;}(x,t=0)={\mathrm{\&phi;}}_0\left(x\right)\end{array}\right.,$ 其中表示法向量方向，φ₀(x)是初始平面，且Γ(t＝0)＝{x|φ(x，t＝0)＝0}。Li等人提出了一种基于水平集的图像分割方法(Bing Nan Li,Chee Kong Chui,et al,Integrating spatial fuzzy clustering with level setmethods for automated medical image segmentation.Computers in Biology and Medicine41,2011)，距离场φ(t)的表达式演变为其中是对φ(t)形状特性的约束项，则包含了图像的梯度信息。

结合本发明，肿瘤粗分割结果 ${\mathrm{\&theta;}}_0\left(x\right)=\left\{\begin{array}{c}1,x\&Element;\mathrm{tumor}\\ 0,x\&Element;\mathrm{else}\end{array}\right.,$ 即可作为φ₀(x)初始值，φ₀(x)初始面可理解为肿瘤粗分割后获得的面。即已知 ${\mathrm{\&phi;}}_0\left(x\right)=\left\{\begin{array}{c}+d,{\mathrm{\&theta;}}_0\left(x\right)=1\\ -d,{\mathrm{\&theta;}}_0\left(x\right)=0\end{array}\right.,$ 其中d是预先设定的距离。若体素点P的初步分类结果为肿瘤组织，则体素点P位于初始平面内，此时初始值为正距离d；若体素点P的初步分类结果为周围正常组织，则体素点P位于初始平面外，此时初始值为负距离d。由方程φⁱ⁺¹(x)＝φⁱ(x)+τ[μζ(φⁱ)+ξ(g，φⁱ)]进行迭代运算直至到终止迭代次数K结束。最后获得不断修正后的精确的分割面。基于水平集方法的精分割结果为 ${\mathrm{\&theta;}}_1\left(x\right)=\left\{\begin{array}{c}1,{\mathrm{\&phi;}}^K\left(x\right)\&GreaterEqual;0\\ 0,{\mathrm{\&phi;}}^K\left(x\right)<0\end{array}\right.,$ 即为最终的肝肿瘤分割结果，其中x为体素点，φ^k(x)表示距离场函数，φ^k(x)小于0，则表示该体素点位于平面外部，属于周围正常组织；φ^k(x)大于等于0，则表示该体素点位于平面上或平面内部，属于肿瘤组织。

图3示出采用本发明的基于特征分类和水平集结合的CT肿瘤分割方法针对一肿瘤所获得的三维分割视图，分别显示该肿瘤从上到下四个横截面上的分割轮廓。图4示出采用本发明的基于特征分类和水平集结合的CT肿瘤分割方法针对另一肿瘤所获得的三维分割视图，分别显示该肿瘤从上到下四个横截面上的分割轮廓。

需要指出的是，本发明所提出的方法能较佳地运用于肝肿瘤分割。然而，本领域技术人员在充分理解本发明的精神后，应了解本发明也能应用于其他部位肿瘤的分割，例如呈球状类的组织的分割。在一个实施例中，本发明所提出的方法也能应用于肺部肿瘤的分割。

这里采用的术语和表述方式只是用于描述，本发明并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征，应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换也可能存在。相应的，权利要求应视为覆盖所有这些等效物。

同样，需要指出的是，虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可做出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。

Claims (10)

1.一种图像分割方法，其特征在于，包括：

确定图像上肿瘤所在的感兴趣区域；

利用基于特征分类的方法对图像进行肿瘤粗分割，并获得粗分割结果；

基于该粗分割结果，采用水平集方法对该图像进行精分割。

2.如权利要求1所述的方法，其特征在于，所述基于特征分类的方法对图像进行肿瘤粗分割包括：

在所述感兴趣区域内，分别对肿瘤区域和非肿瘤区域采样种子点；

利用所述采样种子点进行分类训练；

基于该分类训练结果，对所述图像的各个体素点进行分类以获得粗分割结果。

3.如权利要求1所述的方法，其特征在于，所述确定图像上肿瘤区域所在的感兴趣区域包括：

在一肿瘤横截面划定一条穿过该肿瘤的第一直线，所述第一直线长度为d₁，以第一直线的中点为中心划取边长为d₂的正方体，该正方体所包含的区域为该感兴趣区域，其中d₂＝d₁·r,且1<r<2。

4.如权利要求3所述的方法，其特征在于，所述对肿瘤区域和非肿瘤区域采样种子点包括：

以第一直线的中点为中心，在直径小于d₃的区域内随机采样多个正样本种子点，其中d₃＝d₁/l，且l大于1；

以第一直线的中点为中心，在以直径大于d₁·t并小于d₁·r的外围区域内随机采样多个负样本种子点，其中1<t<r。

5.如权利要求2所述的方法，其特征在于，该利用所述采样种子点进行分类训练包括：

将该图像灰度级归一化为固定值S；

统计以每个采样种子点为中心、直径为j个像素点的邻域内的归一化的S维灰度直方图特征；

将所述S维灰度直方图特征用于训练和分类，以获得分类器的参数。

6.如权利要求2所述的方法，其特征在于，所述对所述图像的各个体素点进行分类以获得粗分割结果包括：

获得所述图像中的每个体素点的灰度直方图特征；

利用所述分类器对所述每个体素点进行分类，初步判断所述每个体素点是否属于肿瘤组织。

7.如权利要求1所述的方法，其特征在于，所述采用水平集方法对该图像进行精分割包括：

利用所述粗分割结果初始化距离场函数；

对所述距离场函数进行多次迭代；

获得最终的肿瘤精分割结果。

8.如权利要求2所述的方法，其特征在于，在对肿瘤区域和非肿瘤区域采样种子点之前还包括：

对该感兴趣区域做预处理。

9.如权利要求8所述的方法，其特征在于，所述预处理包括：

将所述图像的X轴、Y轴、Z轴方向上的分辨率进行归一化处理；

增强所述图像的对比度；

对所述图像进行去噪处理。

10.如权利要求1所述的方法，其特征在于，所述图像为基于计算机断层扫描图像，且所述肿瘤为肝肿瘤。