CN105096332B - 医学图像分割方法和装置 - Google Patents

Abstract

本发明涉及一种医学图像分割方法和装置，用于从医学图像中分割骨头。该方法的特点是设定用于骨头生长的若干个参数，包括一级阈值、二级阈值和边界阈值，其中该一级阈值为固定参数，该二级阈值和边界阈值为可变参数；对该种子点使用该一级阈值、二级阈值和边界阈值作为复合判断条件进行骨头生长以得到骨头组织像素点个数的总和；判断该骨头组织增长比例是否超过一预设范围，如果不是则进行骨头生长的多次迭代，直到得到优化的参数，由此进行最后的骨头生长，获得骨头分割结果。

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处理，尤其是涉及一种医学图像分割方法和装置。

背景技术

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。在辅助分析前，需要将图像中的感兴趣区域或解剖结构从其它背景中提取出来。由于医学图像的复杂性和多样性，目前还没有一种普适的分割方法可用于所有的医学图像处理，用于不同临床目的的分割方法仍是医学图像处理领域的研究热点。作为人体的重要组织，骨头的准确分割在多个应用领域如治疗计划制定、辅助外科手术、CT图像三维重建等方面起着关键作用。但由于其密度变化大、存在弱边缘效应等，使骨头分割成为人体内最困难的分割对象之一。

目前医学图像处理领域中常见的分割方法有以下几种。

基于阈值区域增长的分割方法。首先对图像算出灰度值直方图，从中得到骨头和其他组织灰度的概率分布图，设定骨头的阈值范围进行区域增长。该方法实现速度快，但是骨头和其他组织灰度分布存在较大的重合区域，在保证骨头分离完整的情况下，灰度值低的骨头信息丢失严重。这导致此方法适用性不广，并且分割结果不精确，关节面信息损失严重。

基于水平集(Level Set)快速匹配的分割方法。该方法通过对设定阈值范围内的骨头进行基于水平集的层进增长从而得到骨头的切割。这一类方法能切割出大部分边界比较区别明显的骨头，对于边界比较模糊的骨头不适用，并且不能保证关节面低灰度的骨头信息不丢失。

基于边界检测的切割方法。此类方法通过不同的边界检测手段(算子)，得到骨头的完整边界信息，然后对边界内部的骨头组织进行填实，最后结合成三维的骨头信息。该类方法能有效地分割不同的骨头，但是需要有效的边界检测算子得出闭合的骨头边界。如果边界检测不能得到闭合的边界则需要通过不同的插值方法把边界重新闭合，对于边界十分模糊的图像该方法容易得出不精确的结果。

基于图分割(Graph Cut)的图像分割方法。该方法考虑图像信息在图像中抽象的流动过程，能有效分割不同的骨头。但是此方法需要预先定义不同骨头的种子点，对于单根骨头的分割则需要把该骨头周围的骨头的种子点都遍历一遍，效率较低而且对用户来说使用不方便。

发明内容

本发明所要解决的技术问题是提供一种医学图像分割方法和装置，以有效且准确地从医学图像中分割骨头。

本发明为解决上述技术问题而采用的技术方案是一种医学图像分割方法，用于从医学图像中分割骨头，该方法包括以下步骤：a.获取医学图像体数据；b.获取用于骨头生长的种子点，且初始化用于骨头生长的若干个参数或者更新用于骨头生长的若干个可变参数，该若干个参数包括一级阈值、二级阈值和边界阈值，其中该一级阈值为固定参数，该二级阈值和边界阈值为可变参数；c.对该种子点使用该一级阈值、二级阈值和边界阈值作为复合判断条件进行骨头生长以得到骨头组织的总和，该一级阈值用于初步判断图像区域是否为骨头组织，该二级阈值用于判断图像区域是否为可疑骨头组织，该边界阈值用于判断该可疑骨头组织是否为骨头边界组织；d.判断第n次该骨头组织的总和相比第n-1次骨头组织生长点的总和的增长比例是否超过一预设范围，如果是则进入步骤e，否则返回步骤b；以及e.以第n-1次进行骨头生长所使用的该若干个参数进行骨头生长，获得骨头分割结果；其中，n为大于等于2的整数。

可选地，该步骤c包括：c1.将该种子点放进一生长点序列；c2.从该生长点序列移出生长点并设定该生长点为骨头组织；c3.检查生长点周围的若干个邻域点是否符合该一级阈值、二级阈值与边界阈值的复合判断条件，若符合该复合判断条件则把邻域点放进该生长点序列，且把所有符合该一级阈值但不符合该复合判断条件的邻域点都设定为骨头组织；以及c4.判定该生长点序列中是否还有生长点，如果有返回步骤c3继续对骨头进行生长，否则结束骨头生长并获得属于骨头组织像素点个数的总和。

可选地，符合该一级阈值的图像区域为骨头组织，符合该一级阈值而不符合该二级阈值的骨头组织为可疑骨头组织，符合该一级阈值且符合该二级阈值的骨头组织为确定骨头组织，符合该一级阈值而不符合该二级阈值且符合该边界阈值的骨头组织为边界骨头组织。

可选地，该二级阈值大于该一级阈值，且随迭代次数增加而减小。

可选地，该边界阈值随迭代次数增加而减小。

可选地，该步骤e中，以第n次进行骨头生长所使用的该若干个参数进行步骤c，获得骨头分割结果。

本发明还提出一种医学图像分割装置，用于从医学图像中分割骨头，该装置包括存储器、处理器和显示器。存储器用于存储计算机可执行指令；处理器执行该计算机可执行指令以进行如下步骤：a.获取医学图像体数据；b.获取用于骨头生长的种子点，且初始化用于骨头生长的若干个参数或者更新用于骨头生长的若干可变参数，该若干参数包括一级阈值、二级阈值和边界阈值，其中该一级阈值为固定参数，该二级阈值和边界阈值为可变参数；c.对该种子点使用该一级阈值、二级阈值和边界阈值作为复合判断条件进行骨头生长以得到骨头组织的总和，该一级阈值用于初步判断图像区域是否为骨头组织，该二级阈值用于判断图像区域是否为可疑骨头组织，该边界阈值用于判断该可疑骨头组织是否为骨头边界组织；d.判断第n次该骨头组织的总和相比第n-1次骨头组织生长点的总和的增长比例是否超过一预设范围，如果是则进入步骤e，否则返回步骤b；以及e.以第n-1进行骨头生长所使用的该若干个参数进行骨头生长，获得骨头分割结果，并通过显示器来显示；其中，n为大于等于2的整数。

本发明由于采用以上技术方案，使之与现有技术相比，能够有效地把每根骨头单独分离，并且具有很强的信息完整性，还具有较高的精确度和鲁棒性，对于骨头边界模糊，边界灰度低的骨头都能够有效地分割并最大化地保留有效信息。

附图说明

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，其中：

图1示出本发明一实施例的医学图像分割方法流程图。

图2示出本发明一实施例的骨头生长流程。

图3示出根据本发明一实施例的参数调整过程中骨头的生长效果图。

图4示出根据本发明一实施例的骨头分割最终效果图。

具体实施方式

本发明的实施例描述医学图像分割方法和装置，用于从CT图像中分割骨头区域。在本发明的上下文中，如果没有特别说明，词语“骨头”指的是图像中的骨头区域。此外，需要说明的是，本发明也可用于MR图像、XR图像及其它医学图像。

在一般的CT图像中，骨头的灰度值处于较高的范围而且范围较大。把骨头精确地提取出来对三维信息的重建与医学诊断有很多好处，例如骨关节面的查看、骨头关节连结的状态检测和去除CT图像中骨头信息等。

概要地说，本发明的实施例是基于单个生长点的骨头切割的方法，该方法把种子点所属的骨头单独切割出来，且对边界模糊、边界信息不足的图像同样有效且不会产生骨头粘连的情况。

图1示出本发明一实施例的医学图像分割方法流程图。参考图1所示，本实施例所提出一种医学图像分割方法，用于从CT图像中分割骨头，该方法包括以下步骤：

在步骤101，获取CT体数据。CT体数据来自CT图像的三维重建图像。

在步骤102，获取用于骨头生长的种子点，且初始化用于骨头生长的若干个参数或者更新用于骨头生长的若干个可变参数。

步骤102作用在于初始化与调整骨头生长的参数，且在后续的迭代过程中更新可变参数。在此，若干个参数包括一级阈值、二级阈值和边界阈值。在这些参数中，一级阈值用于初步判断图像区域是否为骨头组织，二级阈值用于判断图像区域是否为可疑骨头组织，边界阈值用于进一步判断可疑骨头组织是否为骨头边界组织。一级阈值为固定参数，在迭代过程中保持不变。二级阈值和边界阈值为可变参数，二级阈值和边界阈值会先初始化到一个约束性相对稳定的条件以保证第一次生长骨头间的划分，在迭代过程中它们会根据情况发生变化，迭代的过程使参数得到优化。

一级阈值是一个宽松的阈值，例如设定为HU＝80。x,y,z生长方向的初始二级阈值显著大于一级阈值，例如设定为HU＝350。

边界阈值是边界算子的阈值，边界算子可选用拉普拉斯算子，其表示式如下：

拉普拉斯阈值设定为120。

在步骤103，对该种子点使用上述的若干个参数作为复合判断条件进行骨头生长以得到骨头组织的总和。

在此，根据各阈值的作用判断，符合一级阈值的图像区域为骨头组织。符合一级阈值的骨头组织进一步以二级阈值进行判断，符合该二级阈值的骨头组织为确定骨头组织，不符合该二级阈值的骨头组织为可疑骨头组织。不符合该二级阈值进一步以边界阈值进行判断，符合该边界阈值的骨头组织为边界骨头组织。经过判断，符合复合判断条件的图像区域将作为生长点。不符合复合判断条件，但符合一级阈值的图像区域将被设定为骨头组织。

在步骤104，判断第n次迭代获得的骨头组织像素点个数的总和相比第n-1次骨头组织像素点个数的总和的增长比例是否超过一预设范围，如果是则进入步骤105，否则返回步骤102；其中，n为大于等于2的整数。

在此，增长比例如果超出判定范围则代表参数调整过大导致骨头生长到了相邻的骨头区域或其它组织上，因此结束参数的优化，并把所有参数更新到第n-1次参数值。设第n次迭代骨头组织像素点总个数为Sum(n)，前后两次迭代骨头增长比例为[Sum(n)-Sum(n-1)]/Sum(n-1)。当第n-1次迭代骨头组织总个数增长比例超过预定范围，例如15％，则进入步骤105，否则返回步骤102继续生长。

在步骤105，以第n-1次进行骨头生长所使用的该若干个参数进行骨头生长，获得骨头分割结果。

例如在前文的举例中，以第n-1次(n为大于等于2的整数)迭代的参数一级阈值、二级阈值和边界阈值根据步骤103进行骨头生长，获得骨头分割结果。

总而言之，上述步骤102-104的迭代过程是通过调整来得到优化的参数，尤其是二级阈值和边界阈值。通常来说，与范围较宽的一级阈值设定相比，二级阈值具有较大的约束。相对于初始值，二级阈值设定为在迭代过程中递减。同样地，边界阈值，例如本实施例选用的拉普拉斯也在迭代过程中递减。

和一般的固定或自适应阈值的区域增长方法相比，本实施例的使用范围较宽松的阈值设定(一级阈值)，使得阈值较低的骨头边界信息得以保留。然后利用可变的二级阈值对确定的骨头像素与可疑的骨头像素进行划分，避免在大范围的阈值设定下出现骨头粘连的生长判定。再者，对模糊的骨头边界像素，本实施例通过边界阈值，即一个边界算子的阈值判定，确认是否为骨头边界，使得模糊的边界信息得以加强，并有效分离不同的骨头。并且该边界算子的阈值可以在迭代过程中动态优化得出。

另外，本实施例通过一个骨头组织个数增长突变机制对所有的阈值进行优化，使得所有有用的信息得以最大化的保留。

图2示出本发明一实施例的骨头生长流程，其进一步描述了图1的步骤103的细节。参考图2所示，图1的步骤103可包括如下步骤：

在步骤201，将种子点放进一骨头生长点序列。

在步骤202，从生长点序列移出生长点并设定该点为骨头组织。

在步骤203，检查生长点周围多个邻域内的点是否符合一级、二级与边界阈值的复合判断条件，如果是则进入步骤204，否则进入步骤205。

在此，邻域可为6邻域或者27邻域。

在步骤204，将符合复合判断条件的邻域放进生长点序列。

在步骤205，将符合一级阈值的邻域设定为骨头组织。

在步骤206，判定生长点序列是否还有生长点，如果有返回步骤203继续对骨头进行生长，否则在步骤207结束骨头生长并获得属于骨头组织的个数总和。

在此实例进行判断时，若符合复合条件则把该邻域点放进生长点序列，继续步骤103，而把所有符合一级阈值的邻域点都设定为骨头组织。这一步骤并没有直接把生长点作为骨头组织，而是把生长点的判断与骨头组织判定作一个错位的融合，通过将骨头生长点判定与实际骨头的领域点的错位机制，能使模糊的骨头信息得到最大化的保留。

图3示出根据本发明一实施例的参数调整过程中骨头的生长效果图。参考图3所示，经过多次迭代，骨头生长的效果逐渐由缺陷到完整。

图4示出根据本发明一实施例的骨头分割最终效果图。参考图4所示，经过骨头生长，最终在图1的步骤105得到所需分割后骨头。

本发明实施例所提出的一种图像分割方法，能够有效地把每根骨头单独分离，并且具有很强的信息完整性，还具有较高的精确度和鲁棒性，对于骨头边界模糊，边界灰度低的骨头都能够有效地分割并最大化地保留有效信息。

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。

本发明还可以实施为医学图像分割装置，用于从CT图像中分割骨头，该装置包括存储器、处理器和显示器。存储器用于存储计算机可执行指令。处理器执行该计算机可执行指令以进行如下步骤：a.获取医学图像体数据；b.获取用于骨头生长的种子点，且初始化用于骨头生长的若干个参数或者更新用于骨头生长的若干可变参数，该若干参数包括一级阈值、二级阈值和边界阈值，其中该一级阈值为固定参数，该二级阈值和边界阈值为可变参数；c.对该种子点使用该一级阈值、二级阈值和边界阈值作为复合判断条件进行骨头生长以得到骨头组织的总和，该一级阈值用于初步判断图像区域是否为骨头组织，该二级阈值用于判断图像区域是否为可疑骨头组织，该边界阈值用于判断该可疑骨头组织是否为骨头边界组织；d.判断第n次该骨头组织的总和相比第n-1次骨头组织生长点的总和的增长比例是否超过一预设范围，如果是则进入步骤e，否则返回步骤b；以及e.以第n-1进行骨头生长所使用的该若干个参数进行骨头生长，获得骨头分割结果，并通过显示器来显示；其中，n为大于等于2的整数。

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。

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 (6)

1.一种医学图像分割方法，用于从医学图像中分割骨头，该方法包括以下步骤：

a.获取医学图像体数据；

b.获取用于骨头生长的种子点，且初始化用于骨头生长的若干个参数或者更新用于骨头生长的若干个可变参数，该若干个参数包括一级阈值、二级阈值和边界阈值，其中该一级阈值为固定参数，该若干个可变参数包括该二级阈值和该边界阈值；

c.对该种子点使用该一级阈值、二级阈值和边界阈值作为复合判断条件进行骨头生长以得到骨头组织像素点个数的总和；

d.判断第n次获得的该骨头组织像素点个数的总和相比第n-1次骨头组织像素点个数的总和的增长比例是否超过一预设范围，如果是则进入步骤e，否则返回步骤b；

e.以第n-1次进行骨头生长所使用的该若干个参数进行骨头生长，获得骨头分割结果；

其中，n为大于等于2的整数，在步骤b-d的迭代过程中，该边界阈值在步骤b被更新而变化；符合该一级阈值的图像区域为骨头组织，符合该一级阈值而不符合该二级阈值的骨头组织为可疑骨头组织，符合该一级阈值且符合该二级阈值的骨头组织为确定骨头组织；该二级阈值大于该一级阈值，且随迭代次数增加而减小。

2.如权利要求1所述的方法，其特征在于，该步骤c包括：

c1.将该种子点放进一生长点序列；

c2.从该生长点序列移出生长点并设定该生长点为骨头组织；

c3.检查生长点周围的若干个邻域点是否符合该一级阈值、二级阈值与边界阈值的复合判断条件，若符合该复合判断条件则把邻域点放进该生长点序列，且把所有符合该一级阈值但不符合该复合判断条件的邻域点都设定为骨头组织；以及

c4.判定该生长点序列中是否还有生长点，如果有返回步骤c3继续对骨头进行生长，否则结束骨头生长并获得属于骨头组织像素点个数的总和。

3.如权利要求2所述的方法，其特征在于，符合该一级阈值而不符合该二级阈值且符合该边界阈值的骨头组织为边界骨头组织。

4.如权利要求1所述的方法，其特征在于，该边界阈值随迭代次数增加而减小。

5.如权利要求1所述的方法，其特征在于，该步骤e中，以第n次进行骨头生长所使用的该若干个参数进行步骤c，获得骨头分割结果。

6.一种医学图像分割装置，用于从医学图像中分割骨头，该装置包括：

存储器，用于存储计算机可执行指令；

处理器，执行该计算机可执行指令以进行如下步骤：

a.获取医学图像体数据；

b.获取用于骨头生长的种子点，且初始化用于骨头生长的若干个参数或者更新用于骨头生长的若干个可变参数，该若干个参数包括一级阈值、二级阈值和边界阈值，其中该一级阈值为固定参数，该若干个可变参数包括该二级阈值和边界阈值；

c.对该种子点使用该一级阈值、二级阈值和边界阈值作为复合判断条件进行骨头生长以得到骨头组织像素点个数的总和；

d.判断第n次该骨头组织的总和相比第n-1次骨头组织生长点的总和的增长比例是否超过一预设范围，如果是则进入步骤e，否则返回步骤b；

e.以第n-1次进行骨头生长所使用的该若干个参数进行骨头生长，获得骨头分割结果；

显示器，用于显示分割后的骨头图像；

其中，n为大于等于2的整数，在步骤b-d的迭代过程中，该边界阈值在步骤b被更新而变化；符合该一级阈值的图像区域为骨头组织，符合该一级阈值而不符合该二级阈值的骨头组织为可疑骨头组织，符合该一级阈值且符合该二级阈值的骨头组织为确定骨头组织；该二级阈值大于该一级阈值，且随迭代次数增加而减小。