CN104899926A - 医学图像分割方法和装置 - Google Patents

Abstract

本发明提供了一种医学图像分割方法和装置。该方法包括以下步骤：对肺部CT图像进行初始分割，得到一目标区域，该目标区域具有中央区域和围绕该中央区域的周边区域，该中央区域为确定的结节病灶区域，该周边区域为疑似结节病灶区域，该目标区域外部为确定的非结节病灶区域；对该周边区域利用分类器进行逐点分类标号分割，获得一分割区域，该分割区域包括部分该周边区域；以及将该分割区域与该目标区域相融合，形成融合分割结果。

Description

医学图像分割方法和装置

技术领域

本发明主要涉及医学图像的处理，尤其涉及一种医学图像分割方法和装置。

背景技术

医学图像是指为了医疗或医学研究，对人或动物的整体或某部分，以非侵入方式取得的内部组织的图像。其中，计算机断层扫描技术(Computerized Tomography，简称CT)是一种基于不同物质对于射线具有不同的衰减性质的放射诊断技术。CT用放射线从各方向照射被测物体，测量穿过物体的射线强度，并通过一定的重建算法计算出物体内部各点物质对于射线的线性衰减系数，从而得到被测物体的断层图像的放射诊断技术。CT重建的断层图像具有无影像重叠、密度和空间分辨率高等优势，因而一出现便作为医疗无损害诊断技术而备受关注。

CT技术可以针对脑部、胸、腹、脊柱及四肢等人体部位进行扫描，其扫描图像用于疾病的辅助分析。例如肺结节作为肺癌在CT图像中的早期主要表现形式之一，其准确的分割结果能够有效的反映出结节的病理和形态特征，进而帮助医生对病灶进行诊断分析。肺结节中，磨玻璃样结节(ground-glassnodule,GGN或ground-glass opacity,GGO)作为一种恶性可能性最大的一类结节，由于其在CT图像中呈现模糊稀薄影，且纹理形态多变，在CT中的HU(Hounsfield Unit，亨氏单位)值分布广泛使其形态分割的问题成为一大挑战。

目前现有的肺结节的分割方法按照是否使用带有金标准数据样本进行训练的方式，可以大致分为两类：非监督分割方法和有监督学习的分割方法。

非监督分割方法是根据肺结节与背景在特征空间中的特征差别为依据的一种无先验类别标准的分割方法。基于统计学信息的分割方法是非监督分割方法中较为常见的一类分割方法。例如，一种已知的分割方法基于马尔科夫随机场的方法来分割目标区域内的磨玻璃样结节，后续利用高强度阈值及紧致性分析过程从分割后的区域内识别出血管并剔除，得到结节的分割结果。另一种是基于直方图模型和局部对比分析的磨玻璃样结节自动分割方法，其利用混合高斯模型构建结节目标区域的直方图模型，后续通过分析局部对比度的方法修整结节边缘完成分割。以上两种基于统计学信息的分割方法，具有较强的抗干扰能力，但是对迭代的初始参数选择较为依赖，容易陷入局部最优。

在非监督分割方法中还有一类较为常用的分割方法为基于可变模型的分割方法，该类分割方法将待分割的目标结节轮廓看做为一封闭高维的曲面，其根据动力学方程移动闭合的高维曲面以达到最佳边界。所以该类方法分割效果边缘轮廓平滑、分割出来的视觉效果较好，但对复杂的不规则磨玻璃样结节形态分割算法收敛性较差。

基于有监督学习的方法能够充分的利用医生标记出的金标准信息进行分类器的训练，随着有效的训练样本的增多使得分类器具有较好的鲁棒性和抗干扰能力。例如一种基于纹理特征概率图的软分割方法，该分割方法首先对目标区域进行滤波特征提取，形成目标区域的特征向量图，利用决策树对向量图逐点分类分割，最后形成一种软分割的决策树分类器。另外一种多等级的磨玻璃结节检测和分割算法，在结节分割时同样的采用像素级分类器在感兴趣区域内进行逐点分类标号分割，其感兴趣区域由多等级的大津阈值获取，在对目标区域内进行多重滤波后，其采用线性判别分析(Linear Discriminant Analysis,LDA)与高斯混合模型结合的方法进行结节分割，利用线性判别分析算法将高维的特征向量映射到LDA投影空间获得低维可分性好的特征向量，进而通过最大期望算法对高斯混合模型进行训练获得分割所需分类器。但是由于该类的分割方法大多是基于逐点分类标号的分割方式，所以无法保证分割出的目标前景形状轮廓，影响分割的精确度。而且此类分割方法在滤波时均采用固定滤波窗口且分类器参数固定，在磨玻璃样结节个体差异性较大时适应性较差。

发明内容

本发明要解决的技术问题是提供一种医学图像分割方法和装置，以提高磨玻璃样结节分割的精确度。

为解决上述技术问题，本发明提供了一种医学图像分割方法，包括以下步骤：对肺部CT图像进行初始分割，得到一目标区域，该目标区域具有中央区域和围绕该中央区域的周边区域，该中央区域为确定的磨玻璃结节病灶区域，该周边区域为疑似磨玻璃结节病灶区域，该目标区域外部为确定的非结节病灶区域；对该周边区域利用分类器进行逐点分类标号分割，获得一分割区域，该分割区域包括部分该周边区域；将该分割区域与该目标区域相融合，形成融合分割结果。

可选地，该周边区域为环形区域。

可选地，该初始分割使用区域增长算法、模糊C均值聚类算法、高斯混合模型以及变分期望最大化算法中的一种。

可选地，该区域增长算法包括以下步骤：接收用户在该肺部CT图像的磨玻璃样结节最大截面上划定的长轴；根据该长轴形成感兴趣区域；在该感兴趣区域内进行图像均值滤波，得到均值滤波图像；在该均值滤波图像上进行基于距离场的区域增长，得到动态分割区域；在该感兴趣区域内求取灰度直方图，得到直方图向量图像；在该直方图向量图像上进行基于距离场的区域增长，得到静态分割区域；将该动态分割区域与该静态分割区域融合形成该目标区域，其中动态分割区域与该静态分割区域重叠的区域为该中央区域，该动态分割区域中该静态分割区域以外的区域为该环形区域。

可选地，上述的均值滤波与上述的灰度直方图求取的窗口与该长轴的大小是成正比。

可选地，在该均值滤波图像上进行基于距离场的区域增长的步骤包括：a1.将用户给定的长轴点选取为种子点，同时给定一个严格限制条件的初始阈值进行区域增长；b1.判断基于均值滤波图像增长出的分割区域覆盖给定长轴的长度的覆盖率是否满足条件，不满足则放宽一定阈值条件并返回步骤a1，若满足则进行带阈值限制的膨胀操作，得到该动态分割区域。

可选地，在该直方图向量图像上进行基于距离场的区域增长的步骤包括：a2.将用户给定的长轴点选取为种子点，同时给定一个严格限制条件的初始阈值进行区域增长；b2.判断基于直方图向量图像增长出的分割区域覆盖给定长轴的长度的覆盖率是否满足条件，不满足则放宽一定阈值条件并返回步骤a2，若满足则停止生长，得到该静态分割区域。

可选地，对该环形区域利用分类器进行逐点分类标号分割的步骤包括：a3.获得一感兴趣区域，该感兴趣区域是由用户在该肺部CT图像的磨玻璃样结节最大截面上划定的长轴形成；b3.对该感兴趣区域内的图像进行滤波，形成特征向量图像；c3.利用离线训练好的特征向量权重与该特征向量图像相结合，得到LDA概率场图像；d3.在该LDA概率场图像上进行基于LDA概率场的区域增长，得到带分类器标号的分割区域。

可选地，该步骤b3中，滤波求取的窗口与该长轴的大小成正比。

可选地，该步骤c3包括：a4.将用户给定的长轴点选取为种子点，同时给定一个严格限制条件的初始阈值进行区域增长；b4.判断基于LDA概率场图像增长出的分割区域覆盖给定长轴的长度的覆盖率是否满足条件，不满足则放宽一定阈值条件并返回步骤a4，若满足则进行带阈值限制的膨胀操作，得到该带分类器标号的分割区域。

本发明还提出一种医学图像分割装置，包括：初始分割单元，对肺部CT图像进行初始分割，得到一目标区域，该目标区域具有中央区域和围绕该中央区域的周边区域，该中央区域为确定的磨玻璃结节病灶区域；该周边区域为疑似磨玻璃结节病灶区域，该目标区域外部为确定的非结节病灶区域；逐点分类标号分割单元，对该周边区域利用分类器进行逐点分类标号分割，获得一分割区域，该分割区域包括部分该周边区域；融合单元，将该分割区域与该目标区域相融合，形成融合分割结果。

本发明还提出一种医学图像分割装置，包括：第一模块，用于对肺部CT图像进行初始分割以得到一目标区域，该目标区域具有中央区域和围绕该中央区域的周边区域，该中央区域为确定的结节病灶区域；该周边区域为疑似结节病灶区域，该目标区域外部为确定的非结节病灶区域；第二模块，用于对该周边区域利用分类器进行逐点分类标号分割以获得一分割区域，该分割结果包括部分该周边区域；第三模块，用于将该分割区域与该目标区域相融合，形成融合分割结果。

与现有技术相比，本发明利用初始分割时得到的目标区域有效的缓解了分类器在分割识别时的压力，并保证了磨玻璃样结节分割时的初始形态，提升了分割的精确度；并且对图像中的目标区域利用分类器进行逐点分类标号分割，提升了分割算法的抗噪声干扰能力。

附图说明

图1是本发明各实施例的示例性实施环境。

图2是本发明一实施例的医学图像分割方法流程图。

图3是本发明一实施例的初始分割流程。

图4是本发明一实施例的逐点分类标号分割流程。

图5是本发明一实施例的分割方法的对象处理过程示意图。

图6是本发明一实施例的医学图像分割装置框图。

图7是本发明一实施例的磨玻璃样结节处理的中间结果示意图。

图8是本发明一实施例的磨玻璃样结节分割结果示意图。

具体实施方式

为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施例的限制。

图1是本发明各实施例的示例性实施环境。参考图1所示，计算机断层扫描(CT)设备110会对人体实施扫描，获得CT图像，例如本发明一实施例所涉及的肺部CT图像，并输入计算机辅助图像处理设备120中进行处理，获得所需的肺部结节区域，供使用者观察。计算机辅助图像处理设备120可以例如使用通用计算机设备作为基础硬件。在一个实施例中，可以通过执行安装在计算机设备中的处理器上的图像处理程序来实现所需的图像处理。这时，可以通过预先将图像处理程序安装到计算机设备中或者通过将图像处理程序记录在磁盘、磁光盘、光盘、半导体存储器等中或在网络上发布图像处理程序并将图像处理程序安装到计算机设备中来实现计算机图像诊断处理设备120。在另一个实施例中，可以通过诸如逻辑电路的硬件来实现计算机图像诊断处理设备120。在又一实施例中，也可以通过组合硬件和软件来实现计算机图像诊断处理设备120。

图2是本发明一实施例的医学图像分割方法流程图。这一方法可以在图1所示的计算机图像诊断处理设备120中实施。参考图2所示，本实施例的医学图像分割方法，包括以下步骤：

在步骤201，对肺部CT图像进行初始分割，得到一目标区域。目标区域具有中央区域和围绕中央区域的周边区域，中央区域为确定的结节病灶区域；周边区域为疑似结节病灶区域，目标区域外部为确定的非结节病灶区域。

在步骤202，对周边区域利用分类器进行逐点分类标号分割，获得一分割区域。分割区域包括部分周边区域。

在步骤203，将该分割区域与该目标区域相融合，形成融合分割结果。

融合分割结果包括中央区域和部分周边区域。

在初始分割获得的目标区域中，中央区域为确定的结节病灶区域，周边区域为疑似结节病灶区域，因此逐点分类标号分割主要对周边区域进行进一步分类分割，获得更为精确的区域。由于初始分割能够得到初步的周边区域，从而有效的缓解了分类器在分割识别时的压力，并保证了磨玻璃结节分割时的初始形态。

在本发明的一个实施例中，该周边区域为环形区域，围绕在中央区域的部分或全部边沿区域。

在本发明的各实施例中，初始分割可以使用区域增长算法、模糊C均值聚类算法、高斯混合模型以及变分期望最大化算法中的任意一种。图3是本发明一实施例的初始分割流程。图7是本发明一实施例的磨玻璃样结节处理的中间结果示意图。下面将参考图3和图7描述以区域增长算法为例的初始分割方法。可以理解，图7所示的中间结果仅为示例，并不意味着本发明的各实施例的中间结果均为图7中的特定形态。初始分割方法包括以下步骤：

步骤301，接收用户在该肺部CT图像的磨玻璃样结节最大截面上划定的长轴。

一般地要求长轴X的形态为直线段，且穿过尽可能多的病灶区域，如图7(a)所示。

在步骤302，根据长轴形成感兴趣区域(VOI)。

感兴趣区域为以用户给定的长轴长度为正方体的对角线形成的区域，这是将进行结节分割的区域。

在步骤303，在感兴趣区域内进行图像均值滤波，得到均值滤波图像，如图7(b)。

在步骤304，在均值滤波图像上进行基于距离场的区域增长，得到动态分割区域，如图7(c)所示。

在步骤305，在感兴趣区域内求取灰度直方图，得到直方图向量图像，如图7(d)。

在步骤306，在直方图向量图像上进行基于距离场的区域增长，得到静态分割区域，如图7(e)所示。

在步骤307，将动态分割区域与静态分割区域融合形成一个目标区域70，如图7(f)。动态分割区域与静态分割区域重叠的区域(白色区域)为目标区域70的中央区域71，被认为是确定的结节病灶区域。动态分割区域中静态分割区域以外的区域(灰色区域)为目标区域的环形区域72，为疑似结节病灶区域，等待后续的分类器分割算法确定。动态分割区域以外的区域(黑色区域)不是目标区域的范围，这是认定的非结节病灶区域。

在上述的步骤303中，均值滤波与灰度直方图求取的窗口可以与长轴X的大小成正比。这样可根据目标结节体积的大小自动的调整滤波的尺度，使其能够很好的适应不同结节之间的体积差异，避免了本就呈现模糊稀薄影的结节图像在归一化时出现失真的现象。

在上述的步骤304中，在均值滤波图像上进行基于距离场的区域增长的步骤可进一步包括：1)将用户给定的长轴点选取为种子点，同时给定一个严格限制条件的初始阈值进行区域增长；2)判断基于均值滤波图像增长出的分割区域覆盖给定长轴的长度的覆盖率是否满足条件，不满足则放宽一定阈值条件并返回步骤1)，若满足则进行带阈值限制的膨胀操作，得到动态分割区域。

类似地，在上述的步骤306中，在直方图向量图像上进行基于距离场的区域增长的步骤包括：1)将用户给定的长轴点选取为种子点，同时给定一个严格限制条件的初始阈值进行区域增长；2)判断基于直方图向量图像增长出的分割区域覆盖给定长轴的长度的覆盖率是否满足条件，不满足则放宽一定阈值条件并返回步骤1)，若满足则停止生长，得到静态分割区域。

图4是本发明一实施例的逐点分类标号分割流程。下面将参考图4并结合图7描述逐点分类标号分割的步骤。

在步骤401，获得一感兴趣区域。

如前所述，感兴趣区域是由用户在该肺部CT图像的磨玻璃样结节最大截面上划定的长轴形成。如果初始分割已经形成了感兴趣区域，则此处可以直接获得并使用此感兴趣区域；否则，此处可以按照步骤201，202类似的方式形成感兴趣区域。

在步骤402，对感兴趣区域内的图像进行滤波，形成特征向量图像，如图7(g)所示。

举例来说，滤波可以选用基于灰度(如均值，最大值，最小值，标准差)，伽柏滤波器，海森滤波器，梯度滤波器，Volterra滤波器，巴特沃思滤波器，基于直方图的滤波器等滤波器进行滤波。

在步骤403，利用离线训练好的特征向量权重与该特征向量图像相结合，得到LDA(Linear Discriminant Analysis，线性判别分析)概率场图像，如图7(h)所示。

在步骤404，在LDA概率场图像上进行基于LDA概率场的区域增长，得到带分类器标号的分割区域，如图7(i)所示，其中灰色的环形区域72为由初始分割确定的待分类器分割的区域，在此环形区域72中利用分类器分割得到了白色的分割区域73。

在上述的步骤402中，滤波求取的窗口与该长轴的大小成正比。

在上述的步骤403中，在LDA概率场图像上进行基于LDA概率场的区域增长的步骤包括：1)将用户给定的长轴点选取为种子点，同时给定一个严格限制条件的初始阈值进行区域增长；2)判断基于LDA概率场图像增长出的分割区域覆盖给定长轴的长度的覆盖率是否满足条件，不满足则放宽一定阈值条件并返回步骤1)，若满足则进行带阈值限制的膨胀操作，得到带分类器标号的分割区域。借此，可以动态地根据当前分割出的区域对目标前景区域内的覆盖率进行自适应的迭代选取，使得分类器对拓扑结构复杂、CT值多变的磨玻璃结节具有高度的自适应和鲁棒性。

在得到分割区域73后，可以进行图2所示的步骤203。在步骤203，将带分类器标号的分割区域73与目标区域70相融合，形成融合分割结果。在此过程中，通过分类器的标号结果确定了待分割的环形区域72的分割结果。

较佳地，在步骤203后还对融合后的分割结果进行形态学平滑，得到最终的结节分割结果74，如图7(j)。

图5是本发明一实施例的分割方法的对象处理过程示意图，图中示出上述的各处理步骤对于中间结果的影响。

图6是本发明一实施例的医学图像分割装置框图。参考图6所示，本装置可以在图1的计算机辅助图像处理设备120中实施，并包括初始分割单元121、逐点分类标号分割单元122和融合单元123。初始分割单元121对肺部CT图像进行初始分割，得到一目标区域。此目标区域具有中央区域和环绕该中央区域的周边区域，中央区域为确定的结节病灶区域；周边区域为疑似结节病灶区域，目标区域外部为确定的非结节病灶区域。逐点分类标号分割单元122对该周边区域利用分类器进行逐点分类标号分割，获得一分割区域。分割区域包括部分周边区域。融合单元123将带分类器标号的分割区域与目标区域相融合，形成融合分割结果。在一实施例中，可以通过诸如逻辑电路的硬件来实现上述单元的部分或全部。在另一实施例中，也可以通过组合硬件和软件来实现上述单元的部分或全部。

为了验证本本发明实施例的有效性，实验数据从公开的LIDC(Lung ImageDatabase Consortium)数据库(参考Armato SG III et al.:The Lung ImageDatabase Consortium(LIDC)and Image Database Resource Initiative(IDRI):Acompleted reference database of lung nodules on CT scans.Medical Physics,38:915--931,2011.)中选取了195例磨玻璃结节用于实验，其中随机选取90例磨玻璃结节数据用于算法的训练，余下105例结节用于算法分割结果测试，该数据库中提供了由医生手动分割结节后标记的金标准结果用于测试算法的性能。本次实验采用算法分割结果与金标准间的重叠率(Overlapping)作为算法分割性能的评价指标，105例磨玻璃结节算法分割结果与金标准之间的平均重叠率为54.80％，实验证明了算法在大数据量下的有效性和鲁棒性。图8中展示了部分磨玻璃结节的分割结果实例。其中图8(a)为金标准横断面，图8(b)为算法分割结果横断面，图8(c)为金标准矢状面，图8(d)算法分割结果矢状面。

本发明上述实施例所提出的磨玻璃样结节分割方法，利用初始分割时得到的目标区域有效的缓解了分类器在分割识别时的压力，并保证了磨玻璃样结节分割时的初始形态；其次，对图像中的周边区域利用分类器进行逐点分类标号分割，提升了分割算法的抗噪声干扰能力；再者，在滤波和分类的过程中采用了自适应的动态滤波尺度和阈值很好的解决了磨玻璃样结节纹理形态变化大、CT值分布广使其难以精确分割的问题，有效的提高了算法分割的准确性和鲁棒性。

本发明上述实施例的医学图像分割方法可以在例如计算机软件、硬件或计算机软件与硬件的组合的计算机可读取介质中加以实施。对于硬件实施而言，本发明中所描述的实施例可在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。在部分情况下，这类实施例可以通过控制器进行实施。

对软件实施而言，本发明中所描述的实施例可通过诸如程序模块(procedures)和函数模块(functions)等独立的软件模块来加以实施，其中每一个模块执行一个或多个本文中描述的功能和操作。软件代码可通过在适当编程语言中编写的应用软件来加以实施，可以储存在内存中，由控制器或处理器执行。例如根据本发明实施例所提出的医学图像分割装置，可包括多个程序模块，即第一模块和第二模块。第一模块用于对肺部CT图像进行初始分割以得到一目标区域，目标区域具有中央区域和环绕中央区域的周边区域，中央区域为确定的结节病灶区域，周边区域为疑似结节病灶区域，目标区域外部为确定的非结节病灶区域；第二模块用于对周边区域利用分类器进行逐点分类标号分割以获得一分割区域，分割区域包括部分周边区域；第三模块用于将带分类器标号的分割区域与目标区域相融合，形成融合分割结果。

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作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 (12)

1.一种医学图像分割方法，包括以下步骤：

对肺部CT图像进行初始分割，得到一目标区域，该目标区域具有中央区域和围绕该中央区域的周边区域，该中央区域为确定的磨玻璃结节病灶区域，该周边区域为疑似磨玻璃结节病灶区域，该目标区域外部为确定的非结节病灶区域；

对该周边区域利用分类器进行逐点分类标号分割，获得一分割区域，该分割区域包括部分该周边区域；以及

将该分割区域与该目标区域相融合，形成融合分割结果。

2.如权利要求1所述的医学图像分割方法，其特征在于，该周边区域为环形区域。

3.如权利要求2所述的医学图像分割方法，其特征在于，该初始分割使用区域增长算法、模糊C均值聚类算法、高斯混合模型以及变分期望最大化算法中的一种。

4.如权利要求3所述的医学图像分割方法，其特征在于，该区域增长算法包括以下步骤：

接收用户在该肺部CT图像的磨玻璃样结节最大截面上划定的长轴；

根据该长轴形成感兴趣区域；

在该感兴趣区域内进行图像均值滤波，得到均值滤波图像；

在该均值滤波图像上进行基于距离场的区域增长，得到动态分割区域；

在该感兴趣区域内求取灰度直方图，得到直方图向量图像；

在该直方图向量图像上进行基于距离场的区域增长，得到静态分割区域；

将该动态分割区域与该静态分割区域融合形成该目标区域，其中动态分割区域与该静态分割区域重叠的区域为该中央区域，该动态分割区域中该静态分割区域以外的区域为该环形区域。

5.如权利要求4所述的医学图像分割方法，其特征在于，该均值滤波与该灰度直方图求取的窗口与该长轴的大小成正比。

6.如权利要求4所述的医学图像分割方法，其特征在于，在该均值滤波图像上进行基于距离场的区域增长的步骤包括：

a1.将用户给定的长轴点选取为种子点，同时给定一个严格限制条件的初始阈值进行区域增长；

b1.判断基于均值滤波图像增长出的分割区域覆盖给定长轴的长度的覆盖率是否满足条件，不满足则放宽一定阈值条件并返回步骤a1，若满足则进行带阈值限制的膨胀操作，得到该动态分割区域。

7.如权利要求4所述的医学图像分割方法，其特征在于，在该直方图向量图像上进行基于距离场的区域增长的步骤包括：

a2.将用户给定的长轴点选取为种子点，同时给定一个严格限制条件的初始阈值进行区域增长；

b2.判断基于直方图向量图像增长出的分割区域覆盖给定长轴的长度的覆盖率是否满足条件，不满足则放宽一定阈值条件并返回步骤a2，若满足则停止生长，得到该静态分割区域。

8.如权利要求2所述的医学图像分割方法，其特征在于，对该环形区域利用分类器进行逐点分类标号分割的步骤包括：

a3.获得一感兴趣区域，该感兴趣区域是由用户在该肺部CT图像的磨玻璃样结节最大截面上划定的长轴形成；

b3.对该感兴趣区域内的图像进行滤波，形成特征向量图像；

c3.利用离线训练好的特征向量权重与该特征向量图像相结合，得到LDA概率场图像；

d3.在该LDA概率场图像上进行基于LDA概率场的区域增长，得到带分类器标号的分割区域。

9.如权利要求8所述的医学图像分割方法，其特征在于，该步骤b3中，滤波求取的窗口与该长轴的大小成正比。

10.如权利要求8所述的医学图像分割方法，其特征在于，该步骤c3包括：

a4.将用户给定的长轴点选取为种子点，同时给定一个严格限制条件的初始阈值进行区域增长；

b4.判断基于LDA概率场图像增长出的分割区域覆盖给定长轴的长度的覆盖率是否满足条件，不满足则放宽一定阈值条件并返回步骤a4，若满足则进行带阈值限制的膨胀操作，得到该带分类器标号的分割区域。

11.一种医学图像分割装置，包括：

初始分割单元，对肺部CT图像进行初始分割，得到一目标区域，该目标区域具有中央区域和围绕该中央区域的周边区域，该中央区域为确定的磨玻璃结节病灶区域；该周边区域为疑似磨玻璃结节病灶区域，该目标区域外部为确定的非结节病灶区域；

逐点分类标号分割单元，对该周边区域利用分类器进行逐点分类标号分割，获得一分割区域，该分割区域包括部分该周边区域；以及

融合单元，将该分割区域与该目标区域相融合，形成融合分割结果。

12.一种医学图像分割装置，包括：

第一模块，用于对肺部CT图像进行初始分割以得到一目标区域，该目标区域具有中央区域和围绕该中央区域的周边区域，该中央区域为确定的结节病灶区域；该周边区域为疑似结节病灶区域，该目标区域外部为确定的非结节病灶区域；

第二模块，用于对该周边区域利用分类器进行逐点分类标号分割以获得一分割区域，该分割结果包括部分该周边区域；以及

第三模块，用于将该分割区域与该目标区域相融合，形成融合分割结果。