CN105719295A - 一种基于三维超体素的颅内出血区域分割方法及系统 - Google Patents

Abstract

本发明公开了一种基于三维超体素的颅内出血区域分割方法及系统，所述方法包含CT图像预处理阶段和基于三维超体素的出血区域分割阶段；CT图像预处理阶段是对二维CT图像序列进行格式转换，提取颅骨结构，找出颅内区域；出血区域分割阶段包括将二维局部CT图像重建到三维空间，然后利用超体素算法将三维图像划分成大小相近的超体素，最后通过图割算法将超体素分割为前景和背景两部分。本发明通过预处理提取颅内结构，逐步细化分割，以超体素代替像素进行运算等途径有效地提高了出血区域检测的准确性。本发明方法及系统能够有效的检测出不同原因，不同位置，不同大小的出血区域，对促进计算机辅助医疗在临床上的应用有着重要作用。

Description

一种基于三维超体素的颅内出血区域分割方法及系统

技术领域

本发明涉及图像处理领域，尤其涉及一种基于三维超体素的颅内出血区域分割方法及系统。

背景技术

颅内出血(ICH)是最严重的急性脑血管疾病中的一种，同时也是急性神经紊乱疾病，如偏瘫等的重要发病诱因。因此，对于临床治疗来说，颅内出血的早期诊断具有重要意义。同临床表现相比，可以进行无创伤检测的计算机断层(CT)扫描和磁共振成像(MRI)扫描可以更直接、更准确地反映颅内出血的严重程度和演化趋势。同时又因为CT检测的费用要比MRI检测的费用少得多，所以大多数人患者会选择CT检测的方式。在CT图像中新鲜血肿通常显示为边界模糊的高亮度区域。通常情况下，血肿的形状为肾形，圆形或不规则形，并常常被低密度水肿包围。

现在的出血区域检测方法主要集中于模糊C均值聚类(FCM)或以规则为基础的区域分类等算法。然而，这些方法有两个缺点。首先，这些方法中的大多数使用了非常简单的分割算法，诸如聚类和阈值等，虽然这些方法可能在自然图像处理过程中表现良好，但在复杂的情况下，如出血区域与脑组织重叠或出血的边缘没有足够的辨别度时，这些方法的效果并不好。其次，现有的算法大多仅适用于处理二维图像。但CT成像是一个三维的过程，因此会产生一系列的平行扫描图像帧，而2维分割算法会忽略掉一些重要的帧间信息。但使用3D分割算法会更好的利用这些在2D方法中被忽视了的帧间信息。

发明内容

针对目前医学图像分割领域内现有技术的不足，本发明提出了一种新的三维颅内出血分割方法并构建了对应的系统。本发明方法及系统运行效率高，对CT图像中的噪声、伪影有较强的鲁棒性，分割得到的结果准确率高。

为实现上述技术目的，本发明采用的技术方案如下：一种基于三维超体素的脑部CT图像出血区域分割方法，包含CT图像预处理阶段和基于三维超体素的出血区域分割阶段；

所述CT图像预处理阶段包括以下步骤：

(1)转换CT图像格式：从计算机断层扫描设备或者数据库中获取包含出血区域的CT图像序列，截取像素值的有效区间，转换成常用的计算机图像处理格式。(2)提取颅骨结构：通过标准的模糊C均值聚类方法(FCM)分别将序列中的每张CT图像OM的像素聚类成3类，其中亮度最高的一类M1为颅骨区域，亮度最低的一类M2为脑部以外的黑色背景区域，第三类M3是由颅骨包围起来的颅内组织以及包围着颅骨的大脑外皮层组织的总和。

(3)提取颅内结构：以只包含颅骨结构的图像M1为模板，根据颅骨结构的对称性，通过从上到下，左右对称的逐行水平扫描方法得到颅内区域的掩模MS，再将掩模MS和原图像OM进行乘运算，得到只含有颅内区域的图像NM。

(4)找出出血区域：选取包含出血区域的CT图像序列中最中心的一张图像，使用大津自适应阈值算法得到二值图像MB，然后通过卷积的方式，算出二值图像MB中的每个位置周围一个正方形邻域中的像素值的和，选择邻域像素值和最大的一点作为出血区域的中心点，最后选取围绕中心点的L×L×Q的邻域作为进一步细分割的候选区域，其中L为候选区域的宽度，Q为包含出血区域的CT图像数。

所述出血区域分割阶段包括以下步骤：

(1)图像三维重建：将预处理得到的Q张L×L大小的图像重建到三维区间，通过三维滤波去除噪声，得到三维矩阵。

(2)超体素分割：对重建得到的三维矩阵，应用三维简单线性迭代聚类算法(3DSLIC)对其进行分割，得到规则排列的超体素。该步骤包括以下子步骤：

(2.1)计算三维矩阵中的体素总数N，确定要划分的超体素个数K，计算超体素的初始边长以N_s为步长在三个维度上均匀抽样，作为初始的聚类中心C_k＝[g_k,x_k,y_k,z_k]^T，其中，g_k为第k个聚类中心的灰度值，x_k,y_k,z_k为第k个聚类中心的位置坐标。

(2.2)在以聚类中心点为中心的3×3×3邻域范围内，选取梯度最小点作为新的聚类中心点，梯度G_(x,y,z)计算方法如下：

G_(x,y,z)＝[g_(x+1,y,z)-g_(x-1,y,z)]²+[g_(x,y+1,z)-g_(x,y-1,z)]²+[g_(x,y,z+1)-g_(x,y,z-1)]²

(2.3)初始化体素标签l(i)＝-1，体素到聚类中心的距离d(i)＝+∞，相邻的两次聚类中心的差异阈值为threshold；

(2.4)以每个聚类中心点C_k为中心，在2N_s×2N_s×2N_s的邻域范围内计算每个体素i到聚类中心C_k的距离D(i,C_k)，如果D(i,C_k)≤d(i)，令体素的标签l(i)＝k，体素到聚类中心的距离d(i)＝D(i,C_k)。

(2.5)对每个聚类中心点的邻域都计算完距离后，根据体素标签计算新的聚类中心点C_k(new)：

$C_{k\left(new\right)}=\frac{1}{N_k}\underset{l\left(i\right)=k}{\Σ}\{g_i,x_i,y_i,z_i\}$

其中，N_k表示属于第k个聚类中心的体素的总个数。

(2.6)计算新聚类中心和原聚类中心之间的差异E：

$E=\frac{1}{K}\underset{k=1}{\overset{K}{\Σ}}\left|\right|C_k-C_{k\left(new\right)}\left|\right|$

更新聚类中心C_k＝C_k(new)，如果差异E≤threshold，结束循环，反之，重复步骤(2.4)到(2.6)，直到差异E≤threshold。

(3)超体素划分：得到超体素后，以超体素为基本运算单元，通过图割算法将超体素划分为前景(出血区域)和背景两部分。该步骤包括以下子步骤：

(3.1)建立GMM模型：以位于三维矩阵中心点的超体素及其相邻的超体素内的体素灰度值建立前景的GMM混合模型，以位于三维矩阵八个角点的超体素以及相邻的超体素内的体素灰度值建立背景的GMM混合模型。

(3.2)计算区域项R(T)：为每个超体素i建立一个二值的标签t_i，T＝{t₁,t₁,…,t_K}是所有超体素标签的集合，t_i＝1时表示第i个超体素属于前景(出血区域)，t_i＝0时表示第i个超体素属于背景。

R_k(0)＝-logP(V_k|'背景')R_k(1)＝-logP(V_k|'前景')

其中V_k表示第k个超体素的平均灰度值，P(V_k|'背景')和P(V_k|'前景')分别表示第k个超体素属于背景和属于前景的概率。

(3.3)计算边界项B(T)：

$\begin{array}{ccc}B\left(T\right)=\frac{1}{M}\underset{(V_1,V_2)}{\Σ}B(V_1,V_2)\·\mathrm{\δ}(t_1,t_2)& B(V_1,V_2)=\exp \{-\frac{{(V_1-V_2)}^2}{2{\mathrm{\σ}}_1{\mathrm{\σ}}_2}\}& \mathrm{\δ}(t_1,t_2)=\left\{\begin{array}{ccc}0& if& t_1=t_2\\ 1& if& t_1\≠t_2\end{array}\right.\end{array}$

其中(V₁,V₂)表示所有相邻的超体素对，M表示相邻的超体素的总对数，σ₁、σ₂分别为两个相邻超体素的灰度直方图的均方误差。

(3.4)建立能量函数E(T)：E(T)＝αR(T)+(1-α)B(T)

其中α是一个平衡区域项和边界项的权重因子。

(3.5)求解能量函数：最小化能量函数得到超体素的最终标签。

(4)三维重建：将所有t_i＝1的超体素在三维空间进行重建，通过去噪，平滑等处理得到出血区域的三维显示，实现脑部CT图像出血区域的分割。

进一步地，所述步骤3.5中，通过α-expansion算法最小化能量函数得到超体素的最终标签。

一种基于三维超体素的脑部CT图像出血区域分割系统，该系统包括图像预处理模块，中心出血帧处理模块，超体素划分模块，分割模块和三维重建模块。所述图像预处理模块对二维CT图像序列进行格式转换，提取颅骨结构，找出颅内区域。所述中心出血帧处理模块在中心出血帧的颅内区域中找出出血中心点，将以出血中心点为中心点的L×L×Q三维矩阵作为出血候选区域，其中L为候选区域的宽度，Q为包含出血区域的CT图像数。所述超体素划分模块将三维矩阵划分为超体素。所述分割模块将超体素划分为前景(出血区域)和背景。所述三维重建模块将属于前景的超体素在三维空间进行重建。

进一步地，所述图像预处理模块包含以下子模块：

(1)转换图像格式模块：从计算机断层扫描设备或者数据库中获取包含出血区域的CT图像，截取像素值的有效区间，转换成常用的计算机图像处理格式。

(2)提取颅骨结构模块：通过标准的模糊C均值聚类方法(FCM)将CT图像OM中的像素聚类成3类，其中亮度最高的一类M1为颅骨区域，亮度最低的一类M2为脑部以外的黑色背景区域，第三类M3是由颅骨包围起来的颅内组织以及包围着颅骨的大脑外皮层组织的总和。

(3)提取颅内区域模块：以只包含颅骨结构的图像M1为模板，根据颅骨结构的对称性，通过从上到下，左右对称的逐行水平扫描方法得到颅内区域的掩模MS，再将掩模MS和原图像OM进行乘运算，得到只含有颅内区域的图像NM。

进一步地，所述中心出血帧处理模块对中心出血帧中只含颅内区域的图像NM使用大津自适应阈值算法得到二值图像MB，然后通过卷积的方式，算出二值图像MB中每个位置周围一个正方形邻域中的像素值的和，选择邻域像素值和最大的一点作为出血区域的中心点C。以出血中心点C为中心点的L×L×Q三维矩阵作为出血候选区域。

进一步地，所述超体素划分模块应用三维简单线性迭代聚类算法(3DSLIC)对三维矩阵进行分割，得到规则排列的超体素作为候选的出血区域。

进一步地，所述分割模块以位于三维区域中心点的超体素及其相邻的超体素内的体素灰度值建立前景的GMM混合模型，以位于三维区域八个角点的超体素及其相邻的超体素内的体素灰度值建立背景的GMM混合模型；通过区域项和边界项建立能量函数，通过最小化能量函数将超体素划分为前景(出血区域)和背景两部分。

所述区域项R(T)的计算方法如下：

为每个超体素i建立一个二值的标签t_i，T＝{t₁,t₁,…,t_K}是所有超体素标签的集合，t_i＝1时表示第i个超体素属于前景(出血区域)，t_i＝0时表示第i个超体素属于背景。

R_k(0)＝-logP(V_k|'背景')R_k(1)＝-logP(V_k|'前景')

其中V_k表示第k个超体素的平均灰度值，P(V_k|'背景')和P(V_k|'前景')分别表示第k个超体素属于背景和属于前景的概率。

所述边界项B(T)的计算方法如下：

$\begin{array}{ccc}B\left(T\right)=\frac{1}{M}\underset{(V_1,V_2)}{\Σ}B(V_1,V_2)\·\mathrm{\δ}(t_1,t_2)& B(V_1,V_2)=\exp \{-\frac{{(V_1-V_2)}^2}{2{\mathrm{\σ}}_1{\mathrm{\σ}}_2}\}& \mathrm{\δ}(t_1,t_2)=\left\{\begin{array}{ccc}0& if& t_1=t_2\\ 1& if& t_1\≠t_2\end{array}\right.\end{array}$

其中(V₁,V₂)表示所有相邻的超体素对，M表示相邻的超体素的总对数，σ₁、σ₂分别为两个相邻超体素的灰度直方图的均方误差。

本发明的有益效果是：

1、基于FCM，形态学运算和人体对称特性的预处理模块，可以消除颅骨等组织对出血区域分割的干扰。

2、通过预处理缩小出血区域可能出现的范围，从而只需要对检测到的候选区域进行分割，节省了大量的时间。

3、通过加入划分超体素模块，减小了孤立的噪声点对分割的影响，增强了算法的鲁棒性同时大幅度降低了图割模块的计算复杂度。

4、基于区域项和边界项的能量函数包含了超体素的多方面信息，使得分割结果更加贴近真实边缘。

5、本发明通过将CT图像从二维空间转换到三维空间，充分利用了CT图像之间的帧间信息。

附图说明

图1为本发明方法在一种实施方式中的流程图；

图2为格式转换后得到的二维CT图像；

图3为FCM聚类后得到的第一类，即颅骨结构；

图4为FCM聚类后得到的第二类，即背景结构；

图5为FCM聚类后得到的第三类，即颅骨结构；

图6为根据颅骨结构进行水平扫描的示意图；

图7为水平扫描后得到的颅内区域掩模；

图8为经过预处理得到的颅内区域图像；

图9为经过大津自适应阈值处理后得到的二值图像；

图10为卷积后得到的亮度图；

图11为框选出的候选区域的二维截图；

图12为候选区域划分为超体素后截取的二维图像；

图13为分割得到的出血区域的二维截图；

图14为实例1中分割得到的出血区域的三维图像；

图15为旋转后从另一个角度观察到的实例1出血区域图像。

图16为实例2中分割得到的出血区域的三维图像；

图17为旋转后从另一个角度观察到的实例2出血区域图像。

图18为本发明系统在一种实施方式中的结构示意图；

图19为本发明系统中图像预处理模块的结构示意图；

具体实施方式

本发明适用于医学颅脑CT图像中的出血区域分割，是一种基于三维超体素的脑部CT图像出血区域分割方法及系统。

本发明方法流程图如图1，主要包括预处理阶段和分割阶段。

其中CT图像预处理阶段包括以下步骤：

(1)转换CT图像格式：从计算机断层扫描设备或者数据库中获取包含出血区域的CT图像序列，截取像素值的有效区间，转换成常用的计算机图像处理格式。图2为实例1中CT图像转换格式后得到的图像。

(2)提取颅骨结构：通过标准的模糊C均值聚类方法(FCM)分别将序列中的每张CT图像OM的像素聚类成3类，如图3、4、5，亮度最高的一类M1为颅骨区域，亮度最低的一类M2为脑部以外的黑色背景区域，第三类M3是由颅骨包围起来的颅内组织以及包围着颅骨的大脑外皮层组织的总和。

(3)提取颅内结构：如图6，以只包含颅骨结构的图像M1为模板，根据颅骨结构的对称性，通过从上到下，左右对称的逐行水平扫描方法得到图7中的颅内区域的掩模MS。将掩模MS和原图像OM进行乘运算，得到图8中所示只含有颅内区域的图像NM。

(4)找出出血区域：选取包含出血区域的CT图像序列中最中心的一张图像，使用大津自适应阈值算法得到如图9的二值图像MB，然后通过卷积的方式，算出二值图像MB中的每个位置周围一个正方形邻域中的像素值的和。图10即为卷积后得到的亮度图，像素越亮表示卷积得到的和越大。选择邻域像素值和最大的一点作为出血区域的中心点，最后选取围绕中心点的L×L×Q的邻域作为进一步细分割的候选区域，其中L为候选区域的宽度，Q为包含出血区域的CT图像数。图11为候选区域的二维截图。

所述出血区域分割阶段包括以下步骤：

(1)图像三维重建：将预处理得到的Q张L×L大小的图像重建到三维区间，通过三维滤波去除噪声，得到三维矩阵。

(2)超体素分割：对重建得到的三维矩阵，应用三维简单线性迭代聚类算法(3DSLIC)对其进行分割，得到规则排列的超体素。该步骤包括以下子步骤：

(2.1)计算三维矩阵中的体素总数N，确定要划分的超体素个数K，计算超体素的初始边长以N_s为步长在三个维度上均匀抽样，作为初始的聚类中心C_k＝[g_k,x_k,y_k,z_k]^T，其中，g_k为第k个聚类中心的灰度值，x_k,y_k,z_k为第k个聚类中心的位置坐标。

(2.2)在以聚类中心点为中心的3×3×3邻域范围内，选取梯度最小点作为新的聚类中心点，梯度G_(x,y,z)计算方法如下：

G_(x,y,z)＝[g_(x+1,y,z)-g_(x-1,y,z)]²+[g_(x,y+1,z)-g_(x,y-1,z)]²+[g_(x,y,z+1)-g_(x,y,z-1)]²

(2.3)初始化体素标签l(i)＝-1，体素到聚类中心的距离d(i)＝+∞，相邻的两次聚类中心的差异阈值为threshold；

(2.4)以每个聚类中心点C_k为中心，在2N_s×2N_s×2N_s的邻域范围内计算每个体素i到聚类中心C_k的距离D(i,C_k)，如果D(i,C_k)≤d(i)，令体素的标签l(i)＝k，体素到聚类中心的距离d(i)＝D(i,C_k)。

(2.5)对每个聚类中心点的邻域都计算完距离后，根据体素标签计算新的聚类中心点C_k(new)：

$C_{k\left(new\right)}=\frac{1}{N_k}\underset{l\left(i\right)=k}{\Σ}\{g_i,x_i,y_i,z_i\}$

其中，N_k表示属于第k个聚类中心的体素的总个数。

(2.6)计算新聚类中心和原聚类中心之间的差异E：

$E=\frac{1}{K}\underset{k=1}{\overset{K}{\Σ}}\left|\right|C_k-C_{k\left(new\right)}\left|\right|$

更新聚类中心C_k＝C_k(new)，如果差异E≤threshold，结束循环，反之，重复步骤(2.4)到(2.6)，直到差异E≤threshold。

图12为划分为超体素后的二维截图。

(3)超体素划分：得到超体素后，以超体素为基本运算单元，通过图割算法将超体素划分为前景(出血区域)和背景两部分。该步骤包括以下子步骤：

(3.1)建立GMM模型：以位于三维矩阵中心点的超体素及其相邻的超体素内的体素灰度值建立前景的GMM混合模型，以位于三维矩阵八个角点的超体素以及相邻的超体素内的体素灰度值建立背景的GMM混合模型。

(3.2)计算区域项R(T)：为每个超体素i建立一个二值的标签t_i，T＝{t₁,t₁,…,t_K}是所有超体素标签的集合，t_i＝1时表示第i个超体素属于前景(出血区域)，t_i＝0时表示第i个超体素属于背景。

R_k(0)＝-logP(V_k|'背景')R_k(1)＝-logP(V_k|'前景')

其中V_k表示第k个超体素的平均灰度值，P(V_k|'背景')和P(V_k|'前景')分别表示第k个超体素属于背景和属于前景的概率。

(3.3)计算边界项B(T)：

$\begin{array}{ccc}B\left(T\right)=\frac{1}{M}\underset{(V_1,V_2)}{\Σ}B(V_1,V_2)\·\mathrm{\δ}(t_1,t_2)& B(V_1,V_2)=\exp \{-\frac{{(V_1-V_2)}^2}{2{\mathrm{\σ}}_1{\mathrm{\σ}}_2}\}& \mathrm{\δ}(t_1,t_2)=\left\{\begin{array}{ccc}0& if& t_1=t_2\\ 1& if& t_1\≠t_2\end{array}\right.\end{array}$

其中(V₁,V₂)表示所有相邻的超体素对，M表示相邻的超体素的总对数，σ₁、σ₂分别为两个相邻超体素的灰度直方图的均方误差。

(3.4)建立能量函数E(T)：E(T)＝αR(T)+(1-α)B(T)

其中α是一个平衡区域项和边界项的权重因子。经过实验验证，α＝0.5为最优选择。

(3.5)求解能量函数：通过α-expansion算法最小化能量函数得到超体素的最终标签。

图13为分割后得到结果的二维截图。

(4)三维重建：将所有t_i＝1的超体素在三维空间进行重建，通过去噪，平滑等处理得到出血区域的三维显示，实现脑部CT图像出血区域的分割。图14、15为从不同角度观察得到的实例1三维分割结果，图16、17为从不同角度观察得到的实例2三维分割结果。

本发明系统模块结构图如图18，包括图像预处理模块，中心出血帧处理模块，超体素划分模块，分割模块和三维重建模块。其中，图像预处理模块包括对二维CT图像序列进行格式转换，提取颅骨结构，找出颅内区域。中心出血帧处理模块在中心出血帧的颅内区域中找出出血中心点，将以出血中心点为中心点的L×L×Q三维矩阵作为出血候选区域，其中L为候选区域的宽度，Q为包含出血区域的CT图像数。超体素划分模块将三维矩阵划分为超体素。分割模块将超体素划分为前景(出血区域)和背景。三维重建模块将属于前景的超体素在三维空间进行重建。

如图19，图像预处理模块包含以下子模块：

(1)转换图像格式模块：从计算机断层扫描设备或者数据库中获取包含出血区域的CT图像，截取像素值的有效区间，转换成常用的计算机图像处理格式。

(2)提取颅骨结构模块：通过标准的模糊C均值聚类方法(FCM)将CT图像OM中的像素聚类成3类，其中亮度最高的一类M1为颅骨区域，亮度最低的一类M2为脑部以外的黑色背景区域，第三类M3是由颅骨包围起来的颅内组织以及包围着颅骨的大脑外皮层组织的总和。

(3)提取颅内区域模块：以只包含颅骨结构的图像M1为模板，根据颅骨结构的对称性，通过从上到下，左右对称的逐行水平扫描方法得到颅内区域的掩模MS，再将掩模MS和原图像OM进行乘运算，得到只含有颅内区域的图像NM。

中心出血帧处理模块对中心出血帧中只含颅内区域的图像NM使用大津自适应阈值算法得到二值图像MB，然后通过卷积的方式，算出二值图像MB中每个位置周围一个正方形邻域中的像素值的和，选择邻域像素值和最大的一点作为出血区域的中心点C。以出血中心点C为中心点的L×L×Q三维矩阵作为出血候选区域。

超体素划分模块应用三维简单线性迭代聚类算法(3DSLIC)对三维矩阵进行分割，得到规则排列的超体素作为候选的出血区域。

分割模块以位于三维区域中心点的超体素及其相邻的超体素内的体素灰度值建立前景的GMM混合模型，以位于三维区域八个角点的超体素及其相邻的超体素内的体素灰度值建立背景的GMM混合模型；通过区域项和边界项建立能量函数，通过最小化能量函数将超体素划分为前景(出血区域)和背景两部分。

区域项R(T)的计算方法如下：

为每个超体素i建立一个二值的标签t_i，T＝{t₁,t₁,…,t_K}是所有超体素标签的集合，t_i＝1时表示第i个超体素属于前景(出血区域)，t_i＝0时表示第i个超体素属于背景。

R_k(0)＝-logP(V_k|'背景')R_k(1)＝-logP(V_k|'前景')

其中V_k表示第k个超体素的平均灰度值，P(V_k|'背景')和P(V_k|'前景')分别表示第k个超体素属于背景和属于前景的概率。

边界项B(T)的计算方法如下：

$\begin{array}{ccc}B\left(T\right)=\frac{1}{M}\underset{(V_1,V_2)}{\Σ}B(V_1,V_2)\·\mathrm{\δ}(t_1,t_2)& B(V_1,V_2)=\exp \{-\frac{{(V_1-V_2)}^2}{2{\mathrm{\σ}}_1{\mathrm{\σ}}_2}\}& \mathrm{\δ}(t_1,t_2)=\left\{\begin{array}{ccc}0& if& t_1=t_2\\ 1& if& t_1\≠t_2\end{array}\right.\end{array}$

其中(V₁,V₂)表示所有相邻的超体素对，M表示相邻的超体素的总对数，σ₁、σ₂分别为两个相邻超体素的灰度直方图的均方误差。

Claims (7)

1.一种基于三维超体素的脑部CT图像出血区域分割方法，其特征在于，包含CT图像预处理阶段和基于三维超体素的出血区域分割阶段；

所述CT图像预处理阶段包括以下步骤：

(1)转换CT图像格式：从计算机断层扫描设备或者数据库中获取包含出血区域的CT图像序列，截取像素值的有效区间，转换成常用的计算机图像处理格式。

(2)提取颅骨结构：通过标准的模糊C均值聚类方法(FCM)分别将序列中的每张CT图像OM的像素聚类成3类，其中亮度最高的一类M1为颅骨区域，亮度最低的一类M2为脑部以外的黑色背景区域，第三类M3是由颅骨包围起来的颅内组织以及包围着颅骨的大脑外皮层组织的总和。

(3)提取颅内结构：以只包含颅骨结构的图像M1为模板，根据颅骨结构的对称性，通过从上到下，左右对称的逐行水平扫描方法得到颅内区域的掩模MS，再将掩模MS和原图像OM进行乘运算，得到只含有颅内区域的图像NM。

(4)找出出血区域：选取包含出血区域的CT图像序列中最中心的一张图像，使用大津自适应阈值算法得到二值图像MB，然后通过卷积的方式，算出二值图像MB中的每个位置周围一个正方形邻域中的像素值的和，选择邻域像素值和最大的一点作为出血区域的中心点，最后选取围绕中心点的L×L×Q的邻域作为进一步细分割的候选区域，其中L为候选区域的宽度，Q为包含出血区域的CT图像数。

所述出血区域分割阶段包括以下步骤：

(1)图像三维重建：将预处理得到的Q张L×L大小的图像重建到三维区间，通过三维滤波去除噪声，得到三维矩阵。

(2)超体素分割：对重建得到的三维矩阵，应用三维简单线性迭代聚类算法(3DSLIC)对其进行分割，得到规则排列的超体素。该步骤包括以下子步骤：

(2.1)计算三维矩阵中的体素总数N，确定要划分的超体素个数K，计算超体素的初始边长以N_s为步长在三个维度上均匀抽样，作为初始的聚类中心C_k＝[g_k,x_k,y_k,z_k]^T，其中，g_k为第k个聚类中心的灰度值，x_k,y_k,z_k为第k个聚类中心的位置坐标。

(2.2)在以聚类中心点为中心的3×3×3邻域范围内，选取梯度最小点作为新的聚类中心点，梯度G_(x,y,z)计算方法如下：

G_(x,y,z)＝[g_(x+1,y,z)-g_(x-1,y,z)]²+[g_(x,y+1,z)-g_(x,y-1,z)]²+[g_(x,y,z+1)-g_(x,y,z-1)]²

(2.3)初始化体素标签l(i)＝-1，体素到聚类中心的距离d(i)＝+∞，相邻的两次聚类中心的差异阈值为threshold；

(2.4)以每个聚类中心点C_k为中心，在2N_s×2N_s×2N_s的邻域范围内计算每个体素i到聚类中心C_k的距离D(i,C_k)，如果D(i,C_k)≤d(i)，令体素的标签l(i)＝k，体素到聚类中心的距离d(i)＝D(i,C_k)。

(2.5)对每个聚类中心点的邻域都计算完距离后，根据体素标签计算新的聚类中心点C_k(new)：

$C_{k\left(new\right)}=\frac{1}{N_k}\underset{l\left(i\right)=k}{\Σ}\{g_i,x_i,y_i,z_i\}$

其中，N_k表示属于第k个聚类中心的体素的总个数。

(2.6)计算新聚类中心和原聚类中心之间的差异E：

$E=\frac{1}{K}\underset{k=1}{\overset{K}{\Σ}}\left|\right|C_k-C_{k\left(new\right)}\left|\right|$

更新聚类中心C_k＝C_k(new)，如果差异E≤threshold，结束循环，反之，重复步骤(2.4)到(2.6)，直到差异E≤threshold。

(3)超体素划分：得到超体素后，以超体素为基本运算单元，通过图割算法将超体素划分为前景(出血区域)和背景两部分。该步骤包括以下子步骤：

(3.1)建立GMM模型：以位于三维矩阵中心点的超体素及其相邻的超体素内的体素灰度值建立前景的GMM混合模型，以位于三维矩阵八个角点的超体素以及相邻的超体素内的体素灰度值建立背景的GMM混合模型。

(3.2)计算区域项R(T)：为每个超体素i建立一个二值的标签t_i，T＝{t₁,t₁,…,t_K}是所有超体素标签的集合，t_i＝1时表示第i个超体素属于前景(出血区域)，t_i＝0时表示第i个超体素属于背景。

R_k(0)＝-logP(V_k|'背景')R_k(1)＝-logP(V_k|'前景')

其中V_k表示第k个超体素的平均灰度值，P(V_k|'背景')和P(V_k|'前景')分别表示第k个超体素属于背景和属于前景的概率。

(3.3)计算边界项B(T)：

$\begin{array}{ccc}B\left(T\right)=\frac{1}{M}{\underset{(V_1,V_2}{\Σ}}_{)}B(V_1,V_2)\·\mathrm{\δ}(t_1,t_2)& B(V_1,V_2)=\exp \{-\frac{{(V_1-V_2)}^2}{2{\mathrm{\σ}}_1{\mathrm{\σ}}_2}\}& \mathrm{\δ}(t_1,t_2)=\left\{\begin{array}{ccc}0& if& t_1=t_2\\ 1& if& t_1\≠t_2\end{array}\right.\end{array}$

其中(V₁,V₂)表示所有相邻的超体素对，M表示相邻的超体素的总对数，σ₁、σ₂分别为两个相邻超体素的灰度直方图的均方误差。

(3.4)建立能量函数E(T)：E(T)＝αR(T)+(1-α)B(T)

其中α是一个平衡区域项和边界项的权重因子。

(3.5)求解能量函数：最小化能量函数得到超体素的最终标签。

(4)三维重建：将所有t_i＝1的超体素在三维空间进行重建，通过去噪，平滑等处理得到出血区域的三维显示，实现脑部CT图像出血区域的分割。

2.根据权利要求1所述的一种基于三维超体素的脑部CT图像出血区域分割方法，其特征在于，所述步骤3.5中，通过α-expansion算法最小化能量函数得到超体素的最终标签。

3.一种基于三维超体素的脑部CT图像出血区域分割系统，其特征在于，包括图像预处理模块，中心出血帧处理模块，超体素划分模块，分割模块和三维重建模块。所述图像预处理模块对二维CT图像序列进行格式转换，提取颅骨结构，找出颅内区域。所述中心出血帧处理模块在中心出血帧的颅内区域中找出出血中心点，将以出血中心点为中心点的L×L×Q三维矩阵作为出血候选区域，其中L为候选区域的宽度，Q为包含出血区域的CT图像数。所述超体素划分模块将三维矩阵划分为超体素。所述分割模块将超体素划分为前景(出血区域)和背景。所述三维重建模块将属于前景的超体素在三维空间进行重建。

4.如权利要求3所述的一种基于三维超体素的脑部CT图像出血区域分割系统，其特征在于，所述图像预处理模块包含以下子模块：

(1)转换图像格式模块：从计算机断层扫描设备或者数据库中获取包含出血区域的CT图像，截取像素值的有效区间，转换成常用的计算机图像处理格式。

(2)提取颅骨结构模块：通过标准的模糊C均值聚类方法(FCM)将CT图像OM中的像素聚类成3类，其中亮度最高的一类M1为颅骨区域，亮度最低的一类M2为脑部以外的黑色背景区域，第三类M3是由颅骨包围起来的颅内组织以及包围着颅骨的大脑外皮层组织的总和。

(3)提取颅内区域模块：以只包含颅骨结构的图像M1为模板，根据颅骨结构的对称性，通过从上到下，左右对称的逐行水平扫描方法得到颅内区域的掩模MS，再将掩模MS和原图像OM进行乘运算，得到只含有颅内区域的图像NM。

5.如权利要求3所述的一种基于三维超体素的脑部CT图像出血区域分割系统，其特征在于，所述中心出血帧处理模块对中心出血帧中只含颅内区域的图像NM使用大津自适应阈值算法得到二值图像MB，然后通过卷积的方式，算出二值图像MB中每个位置周围一个正方形邻域中的像素值的和，选择邻域像素值和最大的一点作为出血区域的中心点C。以出血中心点C为中心点的L×L×Q三维矩阵作为出血候选区域。

6.如权利要求3所述的一种基于三维超体素的脑部CT图像出血区域分割系统，其特征在于，所述超体素划分模块应用三维简单线性迭代聚类算法(3DSLIC)对三维矩阵进行分割，得到规则排列的超体素作为候选的出血区域。

7.如权利要求3所述的一种基于三维超体素的脑部CT图像出血区域分割系统，其特征在于，所述分割模块以位于三维区域中心点的超体素及其相邻的超体素内的体素灰度值建立前景的GMM混合模型，以位于三维区域八个角点的超体素及其相邻的超体素内的体素灰度值建立背景的GMM混合模型；通过区域项和边界项建立能量函数，通过最小化能量函数将超体素划分为前景(出血区域)和背景两部分。

所述区域项R(T)的计算方法如下：

为每个超体素i建立一个二值的标签t_i，T＝{t₁,t₁,…,t_K}是所有超体素标签的集合，t_i＝1时表示第i个超体素属于前景(出血区域)，t_i＝0时表示第i个超体素属于背景。

R_k(0)＝-logP(V_k|'背景')R_k(1)＝-logP(V_k|'前景')

其中V_k表示第k个超体素的平均灰度值，P(V_k|'背景')和P(V_k|'前景')分别表示第k个超体素属于背景和属于前景的概率。

所述边界项B(T)的计算方法如下：

$\begin{array}{ccc}B\left(T\right)=\frac{1}{M}{\underset{(V_1,V_2}{\Σ}}_{)}B(V_1,V_2)\·\mathrm{\δ}(t_1,t_2)& B(V_1,V_2)=\exp \{-\frac{{(V_1-V_2)}^2}{2{\mathrm{\σ}}_1{\mathrm{\σ}}_2}\}& \mathrm{\δ}(t_1,t_2)=\left\{\begin{array}{ccc}0& if& t_1=t_2\\ 1& if& t_1\≠t_2\end{array}\right.\end{array}$

其中(V₁,V₂)表示所有相邻的超体素对，M表示相邻的超体素的总对数，σ₁、σ₂分别为两个相邻超体素的灰度直方图的均方误差。