CN105590324A - 医学图像的分割方法及其装置 - Google Patents

Abstract

本发明提供一种医学图像的分割方法及其装置,包括以下步骤:获取在不同时刻的所对应的若干个灌注图像；分割每个时刻所对应的所述灌注图像，获取不同时刻所对应的目标区域图像；预处理所述目标区域的图像，获取对比图像K；基于复合式的概率统计模型分割所述对比图像K，获分割图像。本发明通过构造对比度图像K，充分利用图像信息，有效分割目标区域，提高诊断图像的质量。

Description

医学图像的分割方法及其装置

【技术领域】

本发明涉及医学图像处理领域，尤其涉及一种医学图像的分割方法及其装置。

【背景技术】

灌注分析可用于定量描述组织的微血管分布情况及血流灌注的状态。计算机断层灌注成像(CTPerfusion)能够提供有助于诊断脑灌注异常如脑卒中风等疾病。典型的灌注成像方式为向患者静脉注射造影剂，然后对选定感兴趣区域采集多个时间点的动态图像，以记录该组织中造影剂浓度随时间的变化情况即时间浓度曲线(Time-DensityCurve,TDC)。最后根据以上数据分析微循环的生理参数，主要包括血流量(BloodFlow,BF)、血容量(BloodVolume,BV)、平均通过时间(MeanTransitionTime,MTT)和达峰时间(TimeToPeak,TTP)等血流动力学参数。

脑灌注成像能够用于在脑卒中患者识别不同组织以区分不可逆损伤组织(即梗死核心)和潜在可逆损伤组织(即缺血半暗带)，对治疗决策的制定提供有效参考。例如通常使用缺血半暗带与梗死核心组织的体积比来指导是否应该应用溶栓治疗以救治潜在可逆损伤组织。

缺血性中风区域通常会连接到脑室，因此，脑室的分割是一项重要而又困难的任务，尤其是脑灰质和脑白质的分割，因为CT灌注图像中，脑灰质和脑白质之间结构啮合，边界模糊，导致无法正确识别脑灰白质，影响测量脑灰白质体积容量及比率等病理性检测。

现有技术中，针对头部CT图像颅内脑组织的自动分割，主要通过结合使用阈值(或聚类)、数学形态学、区域生长、以及颅内脑组织空间和灰度的先验信息等来实现。采用阈值的分割方法，当不同组织结构间灰度值或其他特征值差异很大时，能够对图像进行有效地分割。但在头部CT图像中，由于部分容积效应以及颅内脑组织与头部其他组织存在着较大的灰度重叠，因此对于分割脑灰白质，目前还没有理想的解决方法。

【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的分割方法及其装置，用于识别灌注图像中的脑灰白质，有效提高脑部病理学检测。

为解决上述技术问题，本发明提供一种医学图像的分割方法,包括以下步骤:

(1)获取在不同时刻所对应的若干个灌注图像；

(2)分割每个时刻所对应的所述灌注图像，获取不同时刻所对应的目标区域图像；

(3)预处理所述不同时刻所对应的目标区域图像，获取对比图像K；

(4)基于复合式的概率统计模型分割所述对比图像K，获分割图像。

进一步地，所述步骤(3)包括如下步骤：

基于灰度值预处理所述不同时刻所对应的目标区域图像，分别获取平均图像A、最大灰度投影图像M和通过最大灰度投影图像M减去平均图像A而获取的差值图像D；

对所述差值图像D进行归一化处理，获得标准差值图像D^*；

根据所述平均图像A、最大灰度投影图像M或差值图像D中任一个图像构造所述对比图像K。

进一步地，步骤(3)还包括如下步骤，

在所述标准差值图像D^*上基于灰度直方图确定阈值D_min和D_max，将所述标准差值图像D^*上任一像素点s的灰度值与阈值D_min和D_max进行比较，构造所述对比图像K：

若像素点s的灰度值≥D_max，则所述对比图像K上对应点s所在空间位置像素点的灰度值为所述最大灰度投影图像M上对应空间位置的像素点的灰度值；

若像素点s的灰度值≤D_min，则所述对比图像K上对应点s所在空间位置的像素点的灰度值为平均图像A上对应空间位置的像素点的灰度值；

否则，所述对比图像K上对应点s所在空间位置的像素点的灰度值为K_s＝A_s×(1-D^* _s)+M_s×D^* _s；

其中，K_s为所述对比图像K对应点s的空间位置的像素点的灰度值，A_s为所述平均图像A对应点s所在空间位置的像素点的灰度值，M_s为所述最大灰度投影图像M对应点s所在空间位置的像素点的灰度值，D^* _s为所述标准差值图像D^*上对应点s所在空间位置的像素点的灰度值。

进一步地，所述复合式的概率统计模型包括至少两种不同概率统计模型。

进一步地，所述复合式概率统计模型包括基于图像像素点灰度值的概率统计及基于图像像素邻域特征的概率统计。

进一步地，所述步骤(4)包括如下步骤：

a)统计所述对比图像K的灰度直方图，获取最大概率所在的灰度值T_max，将所述对比图像K中灰度值大于T_max的像素点标记为脑灰质，其它点标记为脑灰质，获取第一对比图像K₁。

b)基于灰度值计算所述第一对比图像K₁中任一像素点s为脑灰质的概率P₁(x_s)_GM和脑白质的概率P₁(x_s)_WM；

c)基于空间邻域信息计算所述第一对比图像K₁中任一像素点s为脑灰质的概率P₂(x_s)_GM和脑白质的概率P₂(x_s)_WM；

d)根据公式(1)计算比较第一对比图像K₁中任一像素点s为脑灰质的概率P(x_s)_GM和脑白质的概率P(x_s)_WM，若P(x_s)_GM大于P(x_s)_WM,则标记该像素点s为脑灰质，否则标记为脑灰质，更新所述第一对比图像K₁；

P(x_s)_type＝P₁(x_s)_type×P₂(x_s)_type公式(1)

其中，所述type指标记类型为脑灰质或脑白质；

e)重复上述步骤a)～d)，直至所述对比图像K中任意一像素点s相邻两次标记结果达到收敛，则停止迭代获取分割图像。

进一步地，所述步骤b)包括：

根据公式(2)计算所述第一标记图像K₁中任一像素点s类别为脑灰质的概率P₁(x_s)_GM和脑白质的概率P₁(x_s)_WM；

其中，m_type为所述像素点s类别为脑灰质或脑白质的像素点灰度值的平均值，σ²为像素点s类别为脑灰质或脑白质的像素点灰度值的方差。

$P_1{\left(x_s\right)}_{type}=\exp \[-\frac{1}{2{{\mathrm{\σ}}_{type}}^2}{(x_s-m_{type})}^2\]$ 公式(2)

进一步地，其特征在于，所述步骤c)包括：

获取所述第一标记图像K₁中任一像素点s，读取点s在空间邻域m个像素点的标记结果，若标记为脑灰质，则赋值该像素点为-β，若标记为脑白质，则赋值该邻域像素点为β，根据公式(3)分别求任一像素点s为脑灰质的概率P₂(x_s)_GM，脑白质的概率P₂(x_s)_WM；

其中，β为(0，1)之间的小数，type指标记类型为脑灰质或脑白质。

P(x_s)_type＝exp(^-∑V_type(x_s))公式(3)

进一步地，所述达到收敛为满足如下任一条件,即停止迭代，获取所述分割图像：

若统计相邻两次迭代标记结果的一致率，若大于设定阈值m，则达到收敛停止迭代，获得分割图像；

若重复上述步骤a)～c)的次数达到设定阈值n，则达到收敛停止迭代，获得分割图像；

其中，m为(0,1)之间的小数，n为正整数。

进一步地，所述灌注图像为CT灌注图像或MR灌注图像。

进一步地，所述步骤2)中，还包括对所述若干个CT灌注图像与基线图像B进行配准；其中，所述若干个CT灌注图像为不同时刻获取的脑部CT灌注图像；所述基线图像B为各个时刻的不同时刻所对应的若干个CT灌注图像的平均灰度值图像或者为灌注前第一个时刻获取的图像。

进一步地，所述步骤(3)中还包括去噪。

为解决上述技术问题，本发明还提供一种医学图像的分割装置，包括：

图像获取单元，用于获取若干个CT灌注图像；

配准单元，用于对所述CT灌注图像与基线图像B进行配准。

目标区域提取单元，用于获取目标区域的图像；

预处理单元，用于构造对比图像K；

分割单元，基于概率统计模型分割所述对比图像K，获取分割图像；

显示单元，用于用户控制前述各个单元，并显示所述分割图像。

本发明对比现有技术有如下的有益效果：构造对比度图像K，增强目标区域的对比度，提高分割结果的准确性；充分利用关注图像信息，图像的灰度信息和空间领域信息，获取较为精准的图像分割结果，以确定病变位置，利于各类脑部病理性检测和诊断。

【附图说明】

图1为本发明实施例中的医学图像的分割方法的流程示意图；

图2a～2b为本发明实施例中CT图像灌注前后的截面示意图；

图3为本发明实施例中构造对比图像K的流程示意图；

图4为本发明实施例去噪中确定阈值的灰度直方图；

图5为本发明实施例中构造对比图像K中确定阈值的灰度直方图；

图6为本发明实施例中获取的对比图像K的结果截面示意图；

图7为本发明实施例中采用基于复合式的概率统计模型分割对比图像K的流程示意图；

图8为本发明实施例中基于空间领域计算任意像素点为脑灰质或脑白质的概率的示意图；

图9为本发明实施例中一种医学图像分割装置的结构示意图。

【具体实施方式】

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。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。

其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实施例，其在此不应限制本发明保护的范围。

为了解决现有技术中有效识别并分割脑灰白质，以确定病变位置，提高病理学测试的诊断准确性，本实施例提供一种医学图像的分割方法，如图1本发明实施例中的图像分割方法的流程示意图所示，所述方法包括：

首先执行步骤S10：首先获取不同时刻所对应的若干个灌注图像；所述灌注图像为CT灌注图像或MR灌注图像，本实施例中，所述若干个灌注图像优选为不同时刻获取的若干个脑部CT灌注图像，该灌注图像是不同时刻所对应的若干个灌注图像构成的体数据，即同时刻所对应的若干个灌注图像构成的三维图像；为便于显示，如图2a和2b所示为灌注前后的脑部CT三维图像的某一个截面，为提高图像分割准确性，本发明中采用灌注图像以增强图像的对比度，获取以时间为维度的不同时刻下的若干个灌注图像。具体地，所述若干个CT灌注图像获取方式为向患者静脉注射造影剂，然后对选定感兴趣区域采集多个时间点的动态图像。

由于射线硬束化，病人移动等各种原因造成获取的不同时刻获取的图像存在运动伪影现象，将影响后续图像分割的准确性，因此需要对不同时刻获取的灌注图像进行配准操作。具体地，将不同时刻获取的若干个灌注图像与基线图像B进行配准，所述基线图像B为灌注前，即未流入注射的造影剂前的所有不同时刻对应的若干个灌注图像的平均灰度值图像，优选地，所述基线图像B为灌注前第1个时刻获取的图像体数据；本实施例中可以采用各种现有的配准方法，例如基于特征或基于区域的配准方法，本实施例不作具体限定。

接着，执行步骤S20：分割每个时刻所对应的所述灌注图像，获取不同时刻所对应的目标区域图像；其中，所述目标区域为大脑软组织。具体地，在前述配准后的不同时刻所对应的若干个灌注图像上，选取第1个时刻点的图像，采用各类通用的分割方法提取所述大脑软组织区域，以此类推，获得不同时刻所对应的大脑软组织的若干个图像，即为获取目标区域的图像。

继续，执行步骤S30：预处理所述目标区域的图像，获取对比图像K。因为CT灌注图像中，脑灰质和脑白质之间结构啮合，边界模糊，对比度较低，为了后续能够有效识别脑灰白质，需要提高目标区域的对比度。如图3本发明实施例中构造对比图像K的流程示意图所示，具体包括如下步骤：

执行步骤S31：根据前述步骤获取配准和分割后的大脑软组织区域的CT灌注图像，接着进行S32和S33两个预处理步骤；

执行步骤S32：基于灰度处理所述不同时刻下所对应的大脑软组织区域的若干个灌注图像，分别获取平均图像A、最大灰度投影图像M和差值图像D、标准差值图像D*，将依赖时间要素的不同时刻获取的CT灌注图像通过处理获得对应的一个三维的体数据，即将含有时间维度的四维数据降为三维数据，便于后续在一个高对比度的三维的体数据上进行分割操作。

其中，所述平均图像A中任意一点像素点的强度(例如灰度值)为不同时刻所对应的若干个灌注图像中同一位置上各像素点的强度的平均值；所述最大灰度投影图像M中任意一点像素点的强度(例如灰度值)为同时刻所对应的若干个灌注图像中同一位置上各像素点的最大强度；所述差值图像D通过最大灰度投影图M减去平均图像A而获取。

执行S33：对前述各种三维体数据进行去噪处理，以去除脑脊液和血管等主要脑部软组织区域的噪音，提高后续识别目标区域(例如脑灰白质)的准确性。

在大脑软组织CT灌注图像中，脑脊液的灰度值较低，一般灰度值小于脑白质，血管部分在图像中呈高亮状态，一般灰度值高于脑灰质，因此可以通过阈值方法去除脑脊液和血管等主要噪音部分，获得仅含有脑灰质和脑白质的大脑软组织图像。具体的，去噪过程包括如下步骤：获取平均图像A、最大灰度投影图像M或差值图像D中任一图像的灰度直方图，本实施中优选获取最大灰度投影图像M的灰度直方图，确定最大概率点所在处p，根据经验值a×p确定脑脊液和血管的阈值T₁和T₂，其中a为经验值，本实施例中优选a为0.3，根据经阈值a×p在所述平均图像的灰度直方图上获取如图4所示对应的T₁和T₂。根据阈值T₁和T₂，去除所述最大灰度投影图像M中灰度值小于T₁的像素点，即为脑脊液部分的像素点，去除所述最大灰度投影图像M上灰度值大于T₂的像素点，即为脑血管部分的像素点，通过上述阈值T₁和T₂可以有效去除脑脊液和血管等噪音，获得仅包含脑灰白质的图像，有利于后续识别脑灰白质。同样地，可以利用上述步骤去除平均图像A和差值图像D中的脑脊液和血管部分。

最后，执行步骤S34，根据去噪后的平均图像A、最大灰度投影图像M、差值图像D或标准差值图像D^*中任一图像构造目标区域的对比图像K。

本实施例优选标准差值图像D^*构造所述对比图像K。其中，所述标准差值图像D^*为所述去噪后的差值图像D进行归一化处理获取，具体地，将所述差值图像上任一像素点的灰度值除以上述S33步骤中的阈值T₂，因为去噪后的差值图像上像素点灰度值均小于阈值T₂，通过归一化处理，使得所述标准差值图像D^*上任一像素点的灰度值大小位于(0，1)之间的小数，达到归一化的作用。

在所述标准差值图像D^*上基于灰度直方图确定阈值D_min和D_max。所述D_min和D_max确定如图5所示，获取所述标准差值图像D^*的灰度直方图，确定最大概率点所在处p，根据经验值b×p在所述平均图像的灰度直方图上获取阈值D_min和D_max，其中b为经验值，本实施例中优选b为0.3。

接着将所述标准差值图像D^*上任一像素点s的灰度值与阈值D_min和D_max进行比较，构造如图6所示的对比图像K的某一截面：

若像素点s的灰度值≥D_max，则所述对比图像K上对应点s所在空间位置像素点的灰度值为所述最大灰度投影图像M上对应空间位置的像素点的灰度值；

若像素点s的灰度值≤D_min，则所述对比图像K上对应点s所在空间位置的像素点的灰度值为平均图像A上对应空间位置的像素点的灰度值；

否则，所述对比图像K上对应点s所在空间位置的像素点的灰度值为K_s＝A_s×(1-D^* _s)+M_s×D^* _s。其中，K_s为所述对比图像K对应点s的空间位置的像素点的灰度值，A_s为所述平均图像A对应点s所在空间位置的像素点的灰度值，M_s为所述最大灰度投影图像M对应点s所在空间位置的像素点的灰度值，D^* _s为所述标准差值图像D^*上对应点s所在空间位置的像素点的灰度值。

通过上述步骤所获取的对比图像K中，有效增强脑灰白质在CT灌注图像中的对比度，，利于后续识别脑软组织中的灰脑白质，提高分割结果的准确性。

最后，执行步骤S40：基于复合式的概率统计模型分割所述对比图像K，获取分割图像。其中，所述复合式的概率统计模型包括至少两种不同概率统计模型，本实施例中优选为基于图像像素点灰度值的概率统计及基于图像像素邻域特征的概率统计。

由于CT灌注图像中脑灰质和脑白质的灰度值差异比较大，而且两者的边缘比较模糊，不适用基于灰度或者基于边界的方法；对于基于模型的方法，比如灰度图上进行基于模型配准，计算时间较长并且获取效果不明显，因此对于脑灰质和脑白质的分割比较适合采用概率统计模型的方法。

本实施例中优选为基于图像像素点灰度值的概率统计及基于图像像素邻域特征的概率统计方法分割所述对比图像K，充分利用包括灰度和像素空间邻域所属类别信息等图像信息，通过迭代的方式对分割结果进行调整，对于相互啮合、边界模糊的脑灰白质可以获得更加平滑、准确的分割结果。

具体地，如图7基于复合式的概率统计模型分割对比图像K的流程示意图所示，包括如下步骤：

执行步骤S41：统计所述对比图像K的灰度直方图，获取最大概率出所在的灰度值T_max，将所述对比图像K中灰度值大于T_max的像素点标记为脑灰质，其它点标记为脑白质，获取脑灰质和脑白质的粗分割图像，即为第一对比图像K₁。

执行步骤S42，基于灰度值计算所述第一对比图像K₁中任一像素点s为脑灰质的概率P₁(x_s)_GM和脑白质的概率P₁(x_s)_WM；具体地，根据公式(2)计算所述第一标记图像K₁中任一像素点s标记类别为脑灰质的概率P₁(x_s)_GM和脑白质的概率P₁(x_s)_WM。其中，m_type为根据所述第一标记图像K₁中各像素点标记结果，计算标记类别为脑灰质或脑白质的像素点灰度值的平均值，σ²为各像素点标记类别为脑灰质或脑白质的像素点灰度值的方差。

$P_1{\left(x_s\right)}_{type}=\exp \[-\frac{1}{2{{\mathrm{\σ}}_{type}}^2}{(x_s-m_{type})}^2\]$ 公式(2)

执行步骤S43，基于空间邻域信息计算所述第一对比图像K₁中任一像素点s为脑灰质的概率P₂(x_s)_GM和脑白质的概率P₂(x_s)_WM。具体地，获取所述第一标记图像K₁中任一像素点s，读取点s在空间邻域m个像素点的标记结果，若标记为脑灰质，则赋值该像素点为-β，若标记为脑白质，则赋值该邻域像素点为β，根据公式(3)分别求任一像素点s为脑灰质的概率P₂(x_s)_GM，脑白质的概率P₂(x_s)_WM；其中，β为(0，1)之间的小数,是影响脑灰质或白质的大小和形状的参数，type为标记类型是脑灰质或脑白质。如图8所示，以8领域为例，优选β为0.9，根据步骤S41粗分割的标记结果，即在所述第一对比图像K中，取任意像素点s的8领域的标记信息，有6个像素点标记为脑灰质(即图中“×”所示)，则对应公式(3)获取像素点s为脑灰质的概率P₂(x_s)_WM为exp^5.4，有2个像素点标记为脑白质(即图中“Ο”所示)，则对应公式(3)获取的像素点s为脑灰质的概率P₂(x_s)_WM为exp^(-1.8)。

P(x_s)_type＝exp(^-∑V_type(x_s))公式(3)

执行步骤S44～S48，通过上述S42和S43两步骤分别获取所述对比图像上任一像素点s基于灰度值计算得到该点为脑灰质的概率P₁(x_s)_GM和脑白质的概率P₁(x_s)_WM，以及任一像素点s基于空间领域信息计算得到该点为脑灰质的概率P₂(x_s)_GM和脑白质的概率P₂(x_s)_WM，根据公式(1)计算比较第一对比图像K₁中任一像素点s为脑灰质的概率P(x_s)_GM和脑白质的概率P(x_s)_WM，若P(x_s)_GM大于P(x_s)_WM,则标记该像素点s为脑灰质，否则标记为脑灰质，更新所述第一对比图像K₁；

P(x_s)type＝P₁(x_s)type×P₂(x_s)_type公式(1)

其中，所述type为标记类型是脑灰质或脑白质；

执行步骤S49，重复上述步骤S42～S48，直至所述对比图像K中任意一像素点s相邻两次标记结果达到收敛，则停止迭代获取分割图像，否则继续执行步骤S42～S48。所述达到收敛为满足如下任一条件,即停止迭代，获取所述分割图像：

若相邻两次迭代标记结果的一致率大于设定阈值m，则达到收敛。本实施例中优选阈值m为0.995，如相邻两次标记结果的一致率达到99.5％及以上，则认为已达到收敛，可以获取比较平滑的技术结果；其中，m为(0,1)之间的小数。

若重复上述步骤S42～S48的次数达到设定阈值n，则达到收敛；其中n为正整数，一般而言迭代次数为20～30次左右，就可以达到分割收敛平台，以避免无限循环的迭代，导致运行冗长。

本实施例为了解决上述技术问题，本发明还提供一种医学图像分割装置U100，如图9所示，所述分割装置包括图像获取单元U10，用于获取不同时刻所对应的若干个灌注图像，其中，所述灌注图像为CT灌注图像或MR灌注图像，本实施例中优选为CT脑部灌注图像。

配准单元U20，用于对所述若干个CT灌注图像与基线图像B进行配准，以消除不同时刻获取的图像中产生的运动伪影，所述基线图像为灌注前，即未流入注射的造影剂前的所有CT图像的平均灰度值图像，优选地，所述基线图像B为灌注前第1个时刻获取的图像体数据。

目标区域提取单元U30，用于分割每个时刻所对应的所述灌注图像，获取不同时刻所对应的目标区域图像，本实施例中的目标区域为大脑软组织区域。

预处理单元U40，用于构造对比图像K，通过预处理所述不同时刻所对应的目标区域图像增强目标区域的脑灰白质和脑白质的对比图像K，提高后续分割结果的准确性。

分割单元U50，基于复合式的概率统计模型分割所述对比图像K，获取分割图像，所述复合式的概率统计模型包括至少两种不同概率统计模型，本实施例中包括基于图像像素点灰度值的概率统计及基于图像像素邻域特征的概率统计，利用图像灰度信息和空间领域信息的双重策略，通过迭代方式不断优化脑灰白质的分割结果直至收敛，获取分割图像。

显示单元U60，用于控制前述各个单元，并显示所述分割图像。

综上所述，本发明提供一种医学图像的分割方法及其装置，通过利用构造对比图像K，增强大脑软组织区域的对比图，接着采用基于概率统计模型的方法，利用图像灰度信息和空间领域信息的双重策略，通过迭代方式不断优化直至收敛，获得分割结果，与现有技术相比，本发明提供的医学图像分割方法和装置能够更加有效识别脑灰白质，分割结果更加平滑，利于各类脑部病理性检测。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (13)

1.一种医学图像的分割方法,其特征在于包括以下步骤:

(1)获取在不同时刻所对应的若干个灌注图像；

(2)分割每个时刻所对应的所述灌注图像，获取不同时刻所对应的目标区域图像；

(3)预处理所述不同时刻所对应的目标区域图像，获取对比图像K；

(4)基于复合式的概率统计模型分割所述对比图像K，获分割图像。

2.如权利要求1所述的医学图像的分割方法，其特征在于，所述步骤(3)包括如下步骤：

基于灰度值预处理所述不同时刻所对应的目标区域图像，分别获取平均图像A、最大灰度投影图像M和通过最大灰度投影图像M减去平均图像A而获取的差值图像D；

对所述差值图像D进行归一化处理，获得标准差值图像D^*；

根据所述平均图像A、最大灰度投影图像M或差值图像D中任一个图像构造所述对比图像K。

3.如权利要求2所述的医学图像的分割方法，其特征在于，所述步骤(3)还包括如下步骤：

在所述标准差值图像D^*上基于灰度直方图确定阈值D_min和D_max，将所述标准差值图像D^*上任一像素点s的灰度值与阈值D_min和D_max进行比较，构造所述对比图像K：

若像素点s的灰度值≥D_max，则所述对比图像K上对应点s所在空间位置像素点的灰度值为所述最大灰度投影图像M上对应空间位置的像素点的灰度值；

若像素点s的灰度值≤D_min，则所述对比图像K上对应点s所在空间位置的像素点的灰度值为平均图像A上对应空间位置的像素点的灰度值；

否则，所述对比图像K上对应点s所在空间位置的像素点的灰度值为K_s＝A_s×(1-D^* _s)+M_s×D^* _s；

其中，K_s为所述对比图像K对应点s的空间位置的像素点的灰度值，A_s为所述平均图像A对应点s所在空间位置的像素点的灰度值，M_s为所述最大灰度投影图像M对应点s所在空间位置的像素点的灰度值，D^* _s为所述标准差值图像D^*上对应点s所在空间位置的像素点的灰度值。

4.如权利要求1所述的医学图像的分割方法，其特征在于，所述复合式的概率统计模型包括至少两种不同概率统计模型。

5.如权利要求4所述的医学图像的分割方法，其特征在于，所述复合式概率统计模型包括基于图像像素点灰度值的概率统计及基于图像像素邻域特征的概率统计。

6.如权利要求5所述的医学图像的分割方法，其特征在于，所述步骤(4)包括如下步骤：

a)统计所述对比图像K的灰度直方图，获取最大概率所在的灰度值T_max，将所述对比图像K中灰度值大于T_max的像素点标记为脑灰质，其它点标记为脑白质，获取第一对比图像K₁；

b)基于灰度值计算所述第一对比图像K₁中任一像素点s为脑灰质的概率P₁(x_s)_GM和脑白质的概率P₁(x_s)_WM；

c)基于空间邻域信息计算所述第一对比图像K₁中任一像素点s为脑灰质的概率P₂(x_s)_GM和脑白质的概率P₂(x_s)_WM；

d)根据公式(1)计算比较第一对比图像K₁中任一像素点s为脑灰质的概率P(x_s)_GM和脑白质的概率P(x_s)_WM，若P(x_s)_GM大于P(x_s)_WM,则标记该像素点s为脑灰质，否则标记为脑灰质，更新所述第一对比图像K₁；

P(x_s)_type＝P₁(x_s)_type×P₂(x_s)_type公式(1)

其中，所述type为标记类型是脑灰质或脑白质；

e)重复上述步骤a)～d)，直至所述对比图像K中任意一像素点s相邻两次标记结果达到收敛，则停止迭代获取分割图像。

7.如权利要求6所述的医学图像的分割方法，其特征在于，所述步骤b)包括：

根据公式(2)计算所述第一标记图像K₁中任一像素点s标记类别为脑灰质的概率P₁(x_s)_GM和脑白质的概率P₁(x_s)_WM；

其中，m_type为所述第一标记图像K₁中各像素点标记类别为脑灰质或脑白质的像素点灰度值的平均值，σ²为各像素点标记类别为脑灰质或脑白质的像素点灰度值的方差。

$P_1{\left(x_s\right)}_{type}=\exp \[-\frac{1}{2{{\mathrm{\σ}}_{type}}^2}{\left(x_s-m_{type}\right)}^2\]$ 公式(2)

8.如权利要求6所述的医学图像的分割方法，其特征在于，所述步骤c)包括：

获取所述第一标记图像K₁中任一像素点s，读取点s在空间邻域m个像素点的标记结果，若标记为脑灰质，则赋值该像素点为-β，若标记为脑白质，则赋值该邻域像素点为β，根据公式(3)分别求任一像素点s为脑灰质的概率P₂(x_s)_GM，脑白质的概率P₂(x_s)_WM；

其中，β为(0，1)之间的小数，type为标记类型是脑灰质或脑白质。

P(x_s)_type＝exp(-∑V_type(x_s))公式(3)

9.如权利要求6所述的医学图像的分割方法，其特征在于，所述步骤e)中，达到收敛为满足如下任一条件,即停止迭代，获取所述分割图像：

统计相邻两次迭代标记结果的一致率，若大于设定阈值m，则达到收敛；

若重复所述步骤a)～c)的次数达到设定阈值n，则达到收敛；

其中，m为(0,1)之间小数，n为正整数。

10.如权利要求1所述的医学图像的分割方法，其特征在于，所述灌注图像为CT灌注图像或MR灌注图像。

11.如权利要求1所述的医学图像的分割方法，其特征在于，所述步骤2)中，还包括对所述不同时刻所对应的若干个灌注图像与基线图像B进行配准；其中，所述基线图像B为各个时刻的时间图像的平均灰度值图像或者为灌注前第一个时刻获取的图像。

12.如权利要求1所述的医学图像的分割方法，其特征在于，所述步骤(3)中还包括去噪。

13.一种医学图像的分割装置，其特征在于，包括：

图像获取单元，用于获取不同时刻所对应的若干个灌注图像；

配准单元，用于对所述若干个灌注图像与基线图像B进行配准；

目标区域提取单元，用于分割每个时刻所对应的所述灌注图像，获取每不同时刻所对应的目标区域的图像；

预处理单元，用于预处理所述不同时刻所对应的目标区域图像，获取对比图像K；

分割单元，基于复合式的概率统计模型分割所述对比图像K，获取分割图像；

显示单元，用于用户控制前述各个单元，并显示所述分割图像。