CN105957063A - 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 - Google Patents

Abstract

本发明公开一种基于多尺度加权相似性测度的CT图像肝脏分割方法及系统，能够实现肝脏区域的精确分割。所述方法包括：S101、读取训练图像集和待分割图像；S102、将读取的图像数据进行预处理；S103、在待分割图像中的初始边界，在待分割图像中肝脏边界周围提取超像素；S104、以待分割图像上每个超像素的中心点为中心，选择一定邻域内的所有像素点作为测试块，在训练图像上选取相同位置相同大小的多尺度图像块作为训练块，得到训练块集；S105、计算测试块与训练块集的相似性测度，以此得到待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率；S106、结合先验模型与待分割图像，修改随机游走的图模型权值，实现待分割图像中肝脏的分割。

Description

基于多尺度加权相似性测度的CT图像肝脏分割方法及系统

技术领域

本发明涉及机器学习技术领域，具体涉及一种基于多尺度加权相似性测度的CT图像肝脏分割方法及系统。

背景技术

医学图像分割辅助医生识别病人的内部组织器官及病灶区域，在计算机辅助治疗及手术规划中发挥至关重要的作用。所以，肝脏的自动分割是医生诊治如肝硬化、肝脏肿瘤、肝移植等肝脏疾病的基础。在腹部CT图像中，肝脏与邻近器官的灰度值差异较小，肝脏本身灰度不均匀且其形状各异，自动、精确的分割出肝脏难度较大。所以，临床医生迫切需要一种简单、快速、准确的肝脏分割方法。

现有的肝脏分割方法有：(1)基于阈值的方法。但基于阈值的分割方法较依赖于选取的初始阈值，对于边界模糊的肝脏而言，存在严重的过分割问题；(2)基于形状模型的方法，但基于形状模型的方法难点在于模型的建立，这不仅需要大量的训练集，还需要各形状模型间的对应关系；(3)基于图论的方法，基于图论的方法较为快速、简便，但对于灰度值差异不明显的图像分割效果较差，而且需要用户参与交互；(4)基于学习的方法，基于学习的方法难点在于特征的选择，且学习往往是像素级的，仅仅依赖学习的方法对肝脏的识别率较低。

发明内容

有鉴于此，本发明实施例提供一种基于多尺度加权相似性测度的CT图像肝脏分割方法及系统，能够实现肝脏区域的精确分割。

一方面，本发明实施例提出一种基于多尺度加权相似性测度的CT图像肝脏分割方法，包括：

S101、读取训练图像集和待分割图像，其中，所述训练图像集中的图像和待分割图像为肝脏的CT图像；

S102、将读取的图像数据进行预处理；

S103、通过配准方法将所述训练图像与待分割图像作全局配准得到肝脏在所述待分割图像中的初始边界，并在所述待分割图像中肝脏边界周围提取超像素；

S104、以所述待分割图像上每个超像素的中心点为中心，选择一定邻域内的所有像素点作为测试块，在所述训练图像上选取相同位置相同大小的多尺度图像块作为训练块，得到训练块集；

S105、计算所述测试块与训练块集的相似性测度，以此为权重构建融合目标函数得到所述训练块集对应于所述待分割图像的稀疏加权系数，从而得到所述待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率；

S106、结合先验模型与所述待分割图像，修改随机游走的图模型权值，实现所述待分割图像中肝脏的分割。

另一方面，本发明实施例提出一种基于多尺度加权相似性测度的CT图像肝脏分割系统，包括：

读取模块，用于读取训练图像集和待分割图像，其中，所述训练图像集中的图像和待分割图像为肝脏的CT图像；

预处理模块，用于将读取的图像数据进行预处理；

提取模块，用于通过配准方法将所述训练图像与待分割图像作全局配准得到肝脏在所述待分割图像中的初始边界，并在所述待分割图像中肝脏边界周围提取超像素；

选取模块，用于以所述待分割图像上每个超像素的中心点为中心，选择一定邻域内的所有像素点作为测试块，在所述训练图像上选取相同位置相同大小的多尺度图像块作为训练块，得到训练块集；

计算模块，用于计算所述测试块与训练块集的相似性测度，以此为权重构建融合目标函数得到所述训练块集对应于所述待分割图像的稀疏加权系数，从而得到所述待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率；

分割模块，用于结合先验模型与所述待分割图像，修改随机游走的图模型权值，实现所述待分割图像中肝脏的分割。

本发明实施例提供的基于多尺度加权相似性测度的CT图像肝脏分割方法及系统，通过将训练图像向待分割图像作全局配准得到肝脏在待分割图像中的近似位置，利用训练图像与待分割图像在肝脏边界处局部形态上的相似性，构建融合目标函数，得到待分割图像基于训练图像集融合的稀疏加权系数，进而获得对应的肝脏先验模型，并通过修改随机游走的图模型权值，实现肝脏区域的精确分割，本发明利用相似性测度筛选训练图像，能够减少样本的冗余信息。

附图说明

图1为本发明基于多尺度加权相似性测度的CT图像肝脏分割方法一实施例的流程示意图；

图2为本发明基于多尺度加权相似性测度的CT图像肝脏分割系统一实施例的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本实施例公开一种基于多尺度加权相似性测度的CT图像肝脏分割方法，包括：

S101、读取训练图像集和待分割图像，其中，所述训练图像集中的图像和待分割图像为肝脏的CT图像；

S102、将读取的图像数据进行预处理；

具体的，所述S102，包括：

将读取的图像数据，依次进行去噪、非均匀性校正以及灰度归一化预处理。

在实际应用中，所述去噪方法为各向异性滤波法、线性滤波法、中值滤波法、维纳滤波法、傅里叶变换法、小波变换法、Non-localmeans滤波法、Unbiased Non-local Means滤波法、Foveated non-localmeans滤波法、双边滤波法、基于block-matching and 3D filtering(BM3D)滤波法、Pointwise Shape-Adaptive离散余弦变换滤波法、K-SVD滤波法、Clustering-based sparse representation滤波法或principal component analysis with local pixel grouping滤波法。

图像的各向异性滤波能够较好地考虑图像的局部特性，在保持CT图像细节信息的同时去除强烈的噪声。然后，采用基于梯度分布的方法去除偏差场，实现图像的非均匀校正，获得均匀的图像。利用直方图方法对图像进行灰度归一化。

S103、通过配准方法将所述训练图像与待分割图像作全局配准得到肝脏在所述待分割图像中的初始边界，并在所述待分割图像中肝脏边界周围提取超像素；

对于待分割图像，可以采用基于谱聚类的超像素提取方法，实现测待分割图像的超像素提取。

S104、以所述待分割图像上每个超像素的中心点为中心，选择一定邻域内的所有像素点作为测试块，在所述训练图像上选取相同位置相同大小的多尺度图像块作为训练块，得到训练块集；

所述S104，具体为：

在完成训练图像集与待分割图像间的配准后，可获得待分割图像中肝脏边界的大致区域。以此区域内的每个超像素的中心位置点代表该超像素中具有结构相似性的所有点集，提取肝脏边界大致区域范围内的像素块作为测试块。根据训练图像集与待分割图像的对应关系，提取训练图像中的训练块。

S105、计算所述测试块与训练块集的相似性测度，以此为权重构建融合目标函数得到所述训练块集对应于所述待分割图像的稀疏加权系数，从而得到所述待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率；

所述S105，具体为：

首先，通过提取待分割图像边界的每个超像素区域中心像素点及训练图像相同位置周围的多尺度图像块，计算训练块集与测试块的相似性测度并筛选；然后，以此测度为权重构建融合目标函数，得到训练块集对应于待分割图像的稀疏加权系数，获得训练块集对测试块的稀疏表达；最后，得到肝脏边界周围每个超像素块的肝脏先验模型。

S106、结合先验模型与所述待分割图像，修改随机游走的图模型权值，实现所述待分割图像中肝脏的分割。

本实施例提供的基于多尺度加权相似性测度的CT图像肝脏分割方法，通过将训练图像向待分割图像作全局配准得到肝脏在待分割图像中的近似位置，利用训练图像与待分割图像在肝脏边界处局部形态上的相似性，构建融合目标函数，得到待分割图像基于训练图像集融合的稀疏加权系数，进而获得对应的肝脏先验模型，并通过修改随机游走的图模型权值，实现肝脏区域的精确分割，本发明利用相似性测度筛选训练图像，能够减少样本的冗余信息。

可选地，在本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的另一实施例中，所述非均匀性校正的方法具体为：

对于去噪后的CT图像I_de，计算最优偏差场B'_opt，计算公式为其中，所述CT图像I_de可表示为均匀图像V与偏差场B的组合：

I_de＝V·B，

I'_de＝In I_de，V'＝In V，B'＝In B，P(B'|I'_de)为已知I'_de的B'的条件概率，P(I'_de|B')为已知B'的I'_de的条件概率，P(B')为B'的先验概率；

去除所述最优偏差场，得到均匀的图像V。

可选地，在本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的另一实施例中，所述灰度归一化利用直方图方法实现。

可选地，在本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的另一实施例中，所述S103中的配准指分别在所述训练图像和待分割图像中肝脏的肝圆顶、右叶前段、右叶肝尖、右叶后段、莫里森袋、肝门及左叶侧段上手动选择七组特征点对，建立特征点之间的形变关系，利用B样条插值方法计算肝脏的整体形变关系，构建体数据间的形变场，进而将形变场作用到所述训练图像中，从而得到所述训练图像集向待分割图像配准结果，进而得到所述待分割图像中肝脏的近似边界区域。

步骤S103中待分割图像提取超像素具体方法为：在待分割图像中等间隔的初始化K个种子点，计算图像中每个像素点与周围邻近种子点的欧氏距离D：

D＝||Y_x-Y_seed-k||²，

其中，Y_x表示像素点x对应的特征向量，Y_seed-k表示第k个种子点对应的特征向量，根据所述欧氏距离对所述待分割图像进行超像素划分，其中，所述划分所依据的公式为

$C_k=\arg \underset{{\mathrm{\π}}_k}{min}\underset{k=1}{\overset{K}{\Σ}}\underset{x\∈{\mathrm{\π}}_k}{\Σ}\left|\right|Y_x-Y_{seed-k}|{|}^2,$

其中，π_k为第k个聚类，C_k表示最终划分的超像素区域，本发明选取不同个数的K，比如K＝500，即待分割图像被划分为500个超像素块左右。根据所述待分割图像的超像素划分结果，提取肝脏边界的区域所在的超像素划分即可获得所述待分割图像中肝脏边界周围的超像素划分。

可选地，在本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的另一实施例中，所述S104中的训练块和测试块选取的方法具体为：

以所述待分割图像上每个超像素的中心点为中心，选择一定邻域内的所有像素点作为测试块，比如3×3、5×5、7×7、9×9、11×11。在所述训练图像上选取相同位置相同大小的图像块作为训练块，得到训练块集。

可选地，在本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的另一实施例中，S105具体为：

对于像素点x的十一邻域图像块n(x)，越接近中心像素点的区域，其结构信息越能代表中心点；而其边缘区域，代表中心像素点周围结构信息的能力相对较弱，本发明利用三个不同尺度的高斯卷积核与图像块卷积，获得三个对应的滤波图像块：

$n^{\′}(x,\mathrm{\σ})=n\left(x\right)\⊗F(x,\mathrm{\σ}),$

其中，F为高斯卷积核，σ为尺度因子，由于大尺度的卷积核去噪声能力强，能平滑图像中的细节，而小尺度的卷积核能较好的保留边缘结构信息，为获得多尺度图像块，在中心像素点三邻域的区域，取小尺度的滤波图像块；在七邻域内的区域，取中等尺度的滤波图像块；七邻域外，取大尺度的滤波图像块，通过组合三个不同尺度的图像块代表图像块中心像素点周围的结构信息，则多尺度图像块n⁰(x)：

其中，σ₁<σ₂<σ₃，

其中，σ₁、σ₂和σ₃为三个尺度因子，G(*)表示中心像素点的*邻域图像块，用三尺度图像块n⁰(x)代替原始灰度图像块n(x)进行后续处理，对于所述待分割图像肝脏边界的每个超像素区域中心像素点x_u，利用前述方法，提取其邻域的多尺度块n⁰(x_u)，展开图像块的像素值为向量，记为T，同时提取训练图像集与像素点x_u相同位置的周围邻域的Q₀个多尺度图像块，记为Q₀为训练图像块的数量，训练图像块中心像素点对应的肝脏类别记为当训练图像块中心像素点在肝脏上时对应的肝脏类别的值为1，否则为-1，为有效地利用训练块集β₀融合表达测试块α，利用结构相似性剔除与测试块结构差异较大的训练块对算法的干扰，计算α与的相似性测度

${\mathrm{\&kappa;}}_{q_0}(\mathrm{\&alpha;},{\mathrm{\&beta;}}_{q_0})=\frac{2{\mathrm{\&mu;}}_{\mathrm{\&alpha;}}{\mathrm{\&mu;}}_{{\mathrm{\&beta;}}_{q_0}}}{{{\mathrm{\&mu;}}_{\mathrm{\&alpha;}}}^2+{{\mathrm{\&mu;}}_{{\mathrm{\&beta;}}_{q_0}}}^2}*\frac{2{\mathrm{\&sigma;}}_{\mathrm{\&alpha;}}{\mathrm{\&sigma;}}_{{\mathrm{\&beta;}}_{q_0}}}{{{\mathrm{\&sigma;}}_{\mathrm{\&alpha;}}}^2+{{\mathrm{\&sigma;}}_{{\mathrm{\&beta;}}_{q_0}}}^2},$

式中，和分别表示图像块的亮度和结构属性的相似性，μ_α、分别表示测试块和训练块的均值，σ_α、分别表示测试块和训练块的标准差，相似性测度其值越大，则表示训练块与测试块越相似，若此测度小于一定阈值则把此训练块从训练块集β₀中剔除，最终获得与测试块α结构相似的新的训练块集β＝{X_q|q＝1,2...Q}及对应的肝脏类别L＝{Y_q∈{-1,1}|q＝1,2...Q}，其与测试块的相似性测度记为κ＝{κ_q|q＝1,2...Q}，

为计算测试块α的中心像素点x_u属于肝脏区域的概率，利用上述方法获得的Q个训练块β＝{X_q|q＝1,2...Q}对测试块α进行稀疏表达，对应的稀疏系数为ξ＝{ξ_q|q＝1,2...Q}，本发明构建基于相似性测度κ对训练块集β作加权融合的目标函数：

$\mathrm{\&xi;}=\arg \underset{\mathrm{\&xi;}}{min}\frac{1}{2}\left|\right|T-V\mathrm{\&xi;}|{|}^2+{\mathrm{\&lambda;}}_1|\left|\mathrm{\&xi;}\right|{|}_1+{\mathrm{\&lambda;}}_2\underset{q=1}{\overset{Q}{\&Sigma;}}{\mathrm{\&kappa;}}_q\left|\right|{\mathrm{\&xi;}}_q|{|}_2,s.t.\mathrm{\&xi;}>0,$

其中，ξ为目标函数待优化的融合系数，λ₁、λ₂为控制参数，目标函数由三部分组成，第一部分通过计算测试块与训练块的加权融合结果的差异最小，使融合参数ξ尽可能的最优；第二部分控制融合参数ξ的稀疏性；第三部分利用训练块与测试块的相似性测度κ，赋予不同的训练块在融合过程中的权重，使融合结果更倾向于与测试块相似性较大的训练块，

对于以像素点x_u为中心的十一邻域多尺度测试块n⁰(x_u)及其向量表示T，可由同样大小的三尺度训练块集β＝{X_q|q＝1,2...Q}融合表示，融合系数为ξ，满足：

$\mathrm{\&alpha;}\&ap;\underset{q=1}{\overset{Q}{\&Sigma;}}{\mathrm{\&xi;}}_q{X}_q,$

其中，系数ξ_q具有稀疏性，即部分系数的值为0，根据上文信息，越接近中心像素点的区域，越能代表中心像素点周围的结构信息，利用新的接近中心区域的图像块更新上述目标函数，通过在训练块集β中，剔除融合参数为0的训练块，选取与测试块结构相似的训练块组建新的训练块集，同时，去除测试块n⁰(x_u)和新的训练块集的最外层区域，即取中心像素点的七邻域：

其中，σ₁<σ₂，

其中，x代表中心像素点，则获得新的测试块n¹(x_u)及其展开列向量T¹和新的训练块集β¹＝{β_q ¹|q＝1,2...Q¹}及对应的肝脏类别L¹＝{L_q ¹∈{-1,1}|q＝1,2...Q¹}，相似性测度为κ¹＝{κ_q ¹|q＝1,2...Q¹}，则更新后的目标函数为：

${\mathrm{\&xi;}}^1=\arg \underset{{\mathrm{\&xi;}}^1}{min}\frac{1}{2}\left|\right|T^1-V^1{\mathrm{\&xi;}}^1|{|}^2+{\mathrm{\&lambda;}}_1|\left|{\mathrm{\&xi;}}^1\right|{|}_1+{\mathrm{\&lambda;}}_2\underset{q=1}{\overset{Q^1}{\&Sigma;}}{{\mathrm{\&kappa;}}_q}^1\left|\right|{{\mathrm{\&xi;}}_q}^1|{|}_2,s.t.{\mathrm{\&xi;}}^1>0,$

其中，更新后的测试块和训练块集β¹能更准确地代表中心像素点周围的结构信息，利用此更新方法，直到图像块只保留其中心的最小尺度区域，获得最终的训练块集β^t＝{β_q ^t|q＝1,2...Q^t}，对应的肝脏类别L^t＝{L_q ^t∈{-1,1}|q＝1,2...Q^t}和融合系数ξ^t＝{ξ_q ^t|q＝1,2...Q^t}，更新次数为t+1，则测试块的中心像素点x_u属于肝脏区域的概率L_u可表示为：

$\begin{array}{c}{L}_u=\underset{q=1}{\overset{Q^t}{\&Sigma;}}{\mathrm{\&xi;}}_q^t\&CenterDot;\mathrm{\&delta;}(L_q^t,1)\\ \begin{array}{cc}s.t.& \mathrm{\&delta;}(L_q^t,1)=\left\{\begin{array}{cc}1& L_q^t=1\\ 0& L_q^t\&NotEqual;1\end{array}\right.\end{array}\end{array},$

其中，δ(*)为单位脉冲函数，L_u即为像素点x_u的肝脏先验概率。

对于所述待分割图像的肝脏边界区域V_u-edge的每个超像素C_k，计算其中心像素点x_u-k的肝脏先验概率L_u-k，并把此概率作为该超像素内所有像素点的肝脏先验概率，则计算得到肝脏边界区域V_u-edge中的像素点x属于肝脏区域的概率为：

L(x∈C_k)＝L_u-k，

其中，由于所述待分割图像的肝脏边界区域V_u-edge为一个环形区域，对于V_u-edge的内部区域，根据所述待分割图像与训练图像集间的对应关系，可以确定该区域里的像素点均属于肝脏，则该内部区域的像素点属于肝脏的概率为1，同理，对于V_u-edge的外部区域，该区域里的像素点为非肝脏区域的确信点，则该外部区域的像素点属于肝脏的概率为0，则计算获得所述待分割图像对应的肝脏先验模型。

可选地，在本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的另一实施例中，所述S106中结合先验模型与随机游走的图模型权值实现肝脏的分割的具体方法为：

对于所述待分割图像V_u，在其对应的肝脏先验模型中，随机选取一定数量属于肝脏的概率为1的像素点为肝脏区域的种子点；同样选取概率为0的像素点为非肝脏区域的种子点，利用已标记的种子点，通过建立目标函数并求解：

其中，E_spatial为目标函数，d_i为图中索引为i的像素点的度，且为所有连接到索引为i的像素点的边对应的之和，p是N*1维的向量，即代表所述待分割图像中N个像素点最终属于肝脏区域的概率，对于已标记的种子点，其值是已知的，i,j分别为所述待分割图像V_u中的像素v_i和v_j的索引，e_ij为两像素点间的相邻关系，为相邻像素点间的权值，M为所述待分割图像的拉普拉斯矩阵，M_ij为M中的元素，

由于CT图像自身肝脏周围灰度对比度较小，直接利用随机游走的方法难以分割出肝脏区域，本发明提出在随机游走的方法中，综合CT图像和基于相似加权融合得到的肝脏先验模型信息，即修改原始随机游走目标函数中的权值：

${{\mathrm{\&omega;}}^{\&prime;}}_{e_{ij}}=\exp (-\mathrm{\&beta;}(\left(1-\mathrm{\&alpha;}\right){\left(V_u\left(i\right)-V_u\left(j\right)\right)}^2+\mathrm{\&alpha;}{\left(Z\left(i\right)-Z\left(j\right)\right)}^2\left)\right),$

其中，α、β为调整参数，Z(·)为先验概率模型，当相邻的索引分别为i、j的像素点刚好处于肝脏边界时，其对应的灰度值V_u(i)、V_u(j)相近，但是先验概率模型中的Z(i)、Z(j)差值较大，即在分割过程中，索引为i的像素点走向索引为j的像素点的概率较小，从而有效的分割出肝脏边界，

最后判断各个像素点对应的由随机游走方法得到的像素φ(i)值，当其不小于1/2时，像素点的类别被判为1，即属于肝脏区域；否则，属于非肝脏，最终实现肝脏的分割，即：

$label\left(i\right)=\left\{\begin{array}{cc}1,& \mathrm{\&phi;}\left(i\right)\&GreaterEqual;1/2\\ 0,& \mathrm{\&phi;}\left(i\right)<1/2\end{array}\right..$

如图2所示，本实施例公开一种基于多尺度加权相似性测度的CT图像肝脏分割系统，包括：

读取模块1，用于读取训练图像集和待分割图像，其中，所述训练图像集中的图像和待分割图像为肝脏的CT图像；

预处理模块2，用于将读取的图像数据进行预处理；

提取模块3，用于通过配准方法将所述训练图像与待分割图像作全局配准得到肝脏在所述待分割图像中的初始边界，并在所述待分割图像中肝脏边界周围提取超像素；

选取模块4，用于以所述待分割图像上每个超像素的中心点为中心，选择一定邻域内的所有像素点作为测试块，在所述训练图像上选取相同位置相同大小的多尺度图像块作为训练块，得到训练块集；

计算模块5，用于计算所述测试块与训练块集的相似性测度，以此为权重构建融合目标函数得到所述训练块集对应于所述待分割图像的稀疏加权系数，从而得到所述待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率；

分割模块6，用于结合先验模型与所述待分割图像，修改随机游走的图模型权值，实现所述待分割图像中肝脏的分割。

对本发明基于多尺度加权相似性测度的CT图像肝脏分割系统的说明与前述对本发明基于多尺度加权相似性测度的CT图像肝脏分割方法的说明一致，整个过程可参见图2，此处不再赘述。

本实施例提供的基于多尺度加权相似性测度的CT图像肝脏分割系统，通过将训练图像向待分割图像作全局配准得到肝脏在待分割图像中的近似位置，利用训练图像与待分割图像在肝脏边界处局部形态上的相似性，构建融合目标函数，得到待分割图像基于训练图像集融合的稀疏加权系数，进而获得对应的肝脏先验模型，并通过修改随机游走的图模型权值，实现肝脏区域的精确分割，本发明利用相似性测度筛选训练图像，能够减少样本的冗余信息。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种基于多尺度加权相似性测度的CT图像肝脏分割方法，其特征在于，包括：

S101、读取训练图像集和待分割图像，其中，所述训练图像集中的图像和待分割图像为肝脏的CT图像；

S102、将读取的图像数据进行预处理；

S103、通过配准方法将所述训练图像与待分割图像作全局配准得到肝脏在所述待分割图像中的初始边界，并在所述待分割图像中肝脏边界周围提取超像素；

S104、以所述待分割图像上每个超像素的中心点为中心，选择一定邻域内的所有像素点作为测试块，在所述训练图像上选取相同位置相同大小的多尺度图像块作为训练块，得到训练块集；

S105、计算所述测试块与训练块集的相似性测度，以此为权重构建融合目标函数得到所述训练块集对应于所述待分割图像的稀疏加权系数，从而得到所述待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率；

S106、结合先验模型与所述待分割图像，修改随机游走的图模型权值，实现所述待分割图像中肝脏的分割。

2.根据权利要求1所述的基于多尺度加权相似性测度的CT图像肝脏分割方法，其特征在于，所述S102，包括：

将读取的图像数据，依次进行去噪、非均匀性校正以及灰度归一化预处理。

3.根据权利要求2所述的基于多尺度加权相似性测度的CT图像肝脏分割方法，其特征在于，所述去噪方法为各向异性滤波法、线性滤波法、中值滤波法、维纳滤波法、傅里叶变换法、小波变换法、Non-local means滤波法、Unbiased Non-local Means滤波法、Foveated non-local means滤波法、双边滤波法、基于block-matchingand 3D filtering(BM3D)滤波法、Pointwise Shape-Adaptive离散余弦变换滤波法、K-SVD滤波法、Clustering-based sparse representation滤波法或principal component analysis with local pixel grouping滤波法。

4.根据权利要求2所述的基于多尺度加权相似性测度的CT图像肝脏分割方法，其特征在于，所述非均匀性校正的方法具体为：

对于去噪后的CT图像I_de，计算最优偏差场B'_opt，计算公式为其中，所述CT图像I_de可表示为均匀图像V与偏差场B的组合：

I_de＝V·B，

I'_de＝In I_de，V'＝In V，B'＝In B，P(B'|I'_de)为已知I'_de的B'的条件概率，P(I'_de|B')为已知B'的I'_de的条件概率，P(B')为B'的先验概率；

去除所述最优偏差场，得到均匀的图像V。

5.根据权利要求2所述的基于多尺度加权相似性测度的CT图像肝脏分割方法，其特征在于，所述灰度归一化利用直方图方法实现。

6.根据权利要求1所述的基于多尺度加权相似性测度的CT图像肝脏分割方法，其特征在于，所述S103中的配准指分别在所述训练图像和待分割图像中肝脏的肝圆顶、右叶前段、右叶肝尖、右叶后段、莫里森袋、肝门及左叶侧段上手动选择七组特征点对，建立特征点之间的形变关系，利用B样条插值方法计算肝脏的整体形变关系，构建体数据间的形变场，进而将形变场作用到所述训练图像中，从而得到所述训练图像集向待分割图像配准结果，进而得到所述待分割图像中肝脏的近似边界区域。

步骤S103中待分割图像提取超像素具体方法为：在待分割图像中等间隔的初始化K个种子点，计算图像中每个像素点与周围邻近种子点的欧氏距离D：

D＝||Y_x-Y_seed-k||²，

其中，Y_x表示像素点x对应的特征向量，Y_seed-k表示第k个种子点对应的特征向量，根据所述欧氏距离对所述待分割图像进行超像素划分，其中，所述划分所依据的公式为

$C_k=\arg \underset{{\mathrm{\&pi;}}_k}{min}\underset{k=1}{\overset{K}{\&Sigma;}}\underset{x\&Element;{\mathrm{\&pi;}}_k}{\&Sigma;}\left|\right|Y_x-Y_{seed-k}|{|}^2,$

其中，π_k为第k个聚类，C_k表示最终划分的超像素区域，根据所述待分割图像的超像素划分结果，提取肝脏边界的区域所在的超像素划分即可获得所述待分割图像中肝脏边界周围的超像素划分。

7.根据权利要求1所述的基于多尺度加权相似性测度的CT图像肝脏分割方法，其特征在于，所述S104中的训练块和测试块选取的方法具体为：

以所述待分割图像上每个超像素的中心点为中心，选择一定邻域内的所有像素点作为测试块，在所述训练图像上选取相同位置相同大小的图像块作为训练块，得到训练块集。

8.根据权利要求1所述的基于多尺度加权相似性测度的CT图像肝脏分割方法，其特征在于，S105具体为：

对于像素点x的十一邻域图像块n(x)，越接近中心像素点的区域，其结构信息越能代表中心点；而其边缘区域，代表中心像素点周围结构信息的能力相对较弱，本发明利用三个不同尺度的高斯卷积核与图像块卷积，获得三个对应的滤波图像块：

$n^{\&prime;}(x,\mathrm{\&sigma;})=n\left(x\right)\&CircleTimes;F(x,\mathrm{\&sigma;}),$

其中，F为高斯卷积核，σ为尺度因子，由于大尺度的卷积核去噪声能力强，能平滑图像中的细节，而小尺度的卷积核能较好的保留边缘结构信息，为获得多尺度图像块，在中心像素点三邻域的区域，取小尺度的滤波图像块；在七邻域内的区域，取中等尺度的滤波图像块；七邻域外，取大尺度的滤波图像块，通过组合三个不同尺度的图像块代表图像块中心像素点周围的结构信息，则多尺度图像块n⁰(x)：

其中，σ₁<σ₂<σ₃，

其中，σ₁、σ₂和σ₃为三个尺度因子，G(*)表示中心像素点的*邻域图像块，用三尺度图像块n⁰(x)代替原始灰度图像块n(x)进行后续处理，对于所述待分割图像肝脏边界的每个超像素区域中心像素点x_u，利用前述方法，提取其邻域的多尺度块n⁰(x_u)，展开图像块的像素值为向量，记为T，同时提取训练图像集与像素点x_u相同位置的周围邻域的Q₀个多尺度图像块，记为Q₀为训练图像块的数量，训练图像块中心像素点对应的肝脏类别记为当训练图像块中心像素点在肝脏上时对应的肝脏类别的值为1，否则为-1，为有效地利用训练块集β₀融合表达测试块α，利用结构相似性剔除与测试块结构差异较大的训练块对算法的干扰，计算α与的相似性测度

${\mathrm{\&kappa;}}_{q_0}(\mathrm{\&alpha;},{\mathrm{\&beta;}}_{q_0})=\frac{2{\mathrm{\&mu;}}_{\mathrm{\&alpha;}}{\mathrm{\&mu;}}_{{\mathrm{\&beta;}}_{q_0}}}{{{\mathrm{\&mu;}}_{\mathrm{\&alpha;}}}^2+{{\mathrm{\&mu;}}_{{\mathrm{\&beta;}}_{q_0}}}^2}*\frac{2{\mathrm{\&sigma;}}_{\mathrm{\&alpha;}}{\mathrm{\&sigma;}}_{{\mathrm{\&beta;}}_{q_0}}}{{{\mathrm{\&sigma;}}_{\mathrm{\&alpha;}}}^2+{{\mathrm{\&sigma;}}_{{\mathrm{\&beta;}}_{q_0}}}^2},$

式中，和分别表示图像块的亮度和结构属性的相似性，μ_α、分别表示测试块和训练块的均值，σ_α、分别表示测试块和训练块的标准差，相似性测度其值越大，则表示训练块与测试块越相似，若此测度小于一定阈值则把此训练块从训练块集β₀中剔除，最终获得与测试块α结构相似的新的训练块集β＝{X_q|q＝1,2...Q}及对应的肝脏类别L＝{Y_q∈{-1,1}|q＝1,2...Q}，其与测试块的相似性测度记为κ＝{κ_q|q＝1,2...Q}，

为计算测试块α的中心像素点x_u属于肝脏区域的概率，利用上述方法获得的Q个训练块β＝{X_q|q＝1,2...Q}对测试块α进行稀疏表达，对应的稀疏系数为ξ＝{ξ_q|q＝1,2...Q}，本发明构建基于相似性测度κ对训练块集β作加权融合的目标函数：

$\mathrm{\&xi;}=\arg \underset{\mathrm{\&xi;}}{\min }\frac{1}{2}\left|\right|T-V\mathrm{\&xi;}|{|}^2+{\mathrm{\&lambda;}}_1|\left|\mathrm{\&xi;}\right|{|}_1+{\mathrm{\&lambda;}}_2\underset{q=1}{\overset{Q}{\&Sigma;}}{\mathrm{\&kappa;}}_q\left|\right|{\mathrm{\&xi;}}_q|{|}_2,s.t.\mathrm{\&xi;}>0,$

其中，ξ为目标函数待优化的融合系数，λ₁、λ₂为控制参数，目标函数由三部分组成，第一部分通过计算测试块与训练块的加权融合结果的差异最小，使融合参数ξ尽可能的最优；第二部分控制融合参数ξ的稀疏性；第三部分利用训练块与测试块的相似性测度κ，赋予不同的训练块在融合过程中的权重，使融合结果更倾向于与测试块相似性较大的训练块，

对于以像素点x_u为中心的十一邻域多尺度测试块n⁰(x_u)及其向量表示T，可由同样大小的三尺度训练块集β＝{X_q|q＝1,2...Q}融合表示，融合系数为ξ，满足：

$\mathrm{\&alpha;}\&ap;\underset{q=1}{\overset{Q}{\&Sigma;}}{\mathrm{\&xi;}}_q{X}_q,$

其中，系数ξ_q具有稀疏性，即部分系数的值为0，根据上文信息，越接近中心像素点的区域，越能代表中心像素点周围的结构信息，利用新的接近中心区域的图像块更新上述目标函数，通过在训练块集β中，剔除融合参数为0的训练块，选取与测试块结构相似的训练块组建新的训练块集，同时，去除测试块n⁰(x_u)和新的训练块集的最外层区域，即取中心像素点的七邻域：

其中，σ₁<σ₂，

其中，x代表中心像素点，则获得新的测试块n¹(x_u)及其展开列向量T¹和新的训练块集β¹＝{β_q ¹|q＝1,2...Q¹}及对应的肝脏类别L¹＝{L_q ¹∈{-1,1}|q＝1,2...Q¹}，相似性测度为κ¹＝{κ_q ¹|q＝1,2...Q¹}，则更新后的目标函数为：

${\mathrm{\&xi;}}^1=\arg \underset{{\mathrm{\&xi;}}^1}{\min }\frac{1}{2}\left|\right|T^1-V^1{\mathrm{\&xi;}}^1|{|}^2+{\mathrm{\&lambda;}}_1|\left|{\mathrm{\&xi;}}^1\right|{|}_1+{\mathrm{\&lambda;}}_2\underset{q=1}{\overset{Q^1}{\&Sigma;}}{{\mathrm{\&kappa;}}_q}^1\left|\right|{{\mathrm{\&xi;}}_q}^1|{|}_2,s.t.{\mathrm{\&xi;}}^1>0,$

其中，更新后的测试块和训练块集β¹能更准确地代表中心像素点周围的结构信息，利用此更新方法，直到图像块只保留其中心的最小尺度区域，获得最终的训练块集β^t＝{β_q ^t|q＝1,2...Q^t}，对应的肝脏类别L^t＝{L_q ^t∈{-1,1}|q＝1,2...Q^t}和融合系数ξ^t＝{ξ_q ^t|q＝1,2...Q^t}，更新次数为t+1，则测试块的中心像素点x_u属于肝脏区域的概率L_u可表示为：

$\begin{array}{c}{L}_u=\underset{q=1}{\overset{Q^t}{\&Sigma;}}{\mathrm{\&xi;}}_q^t\&CenterDot;\mathrm{\&delta;}(L_q^t,1)\\ \begin{array}{cc}s.t.& \mathrm{\&delta;}(L_q^t,1)=\left\{\begin{array}{cc}1& L_q^t=1\\ 0& L_q^t\&NotEqual;1\end{array}\right.\end{array}\end{array},$

其中，δ(*)为单位脉冲函数，L_u即为像素点x_u的肝脏先验概率，

对于所述待分割图像的肝脏边界区域V_u-edge的每个超像素C_k，计算其中心像素点x_u-k的肝脏先验概率L_u-k，并把此概率作为该超像素内所有像素点的肝脏先验概率，则计算得到肝脏边界区域V_u-edge中的像素点x属于肝脏区域的概率为：

L(x∈C_k)＝L_u-k，

其中，由于所述待分割图像的肝脏边界区域V_u-edge为一个环形区域，对于V_u-edge的内部区域，根据所述待分割图像与训练图像集间的对应关系，可以确定该区域里的像素点均属于肝脏，则该内部区域的像素点属于肝脏的概率为1，同理，对于V_u-edge的外部区域，该区域里的像素点为非肝脏区域的确信点，则该外部区域的像素点属于肝脏的概率为0，则计算获得所述待分割图像对应的肝脏先验模型。

9.根据权利要求1所述的基于多尺度加权相似性测度的CT图像肝脏分割方法，其特征在于，所述S106中结合先验模型与随机游走的图模型权值实现肝脏的分割的具体方法为：

对于所述待分割图像V_u，在其对应的肝脏先验模型中，随机选取一定数量属于肝脏的概率为1的像素点为肝脏区域的种子点；同样选取概率为0的像素点为非肝脏区域的种子点，利用已标记的种子点，通过建立目标函数并求解：

其中，E_spatial为目标函数，d_i为图中索引为i的像素点的度，且为所有连接到索引为i的像素点的边对应的之和，p是N*1维的向量，即代表所述待分割图像中N个像素点最终属于肝脏区域的概率，对于已标记的种子点，其值是已知的，i,j分别为所述待分割图像V_u中的像素v_i和v_j的索引，e_ij为两像素点间的相邻关系，为相邻像素点间的权值，M为所述待分割图像的拉普拉斯矩阵，M_ij为M中的元素，

由于CT图像自身肝脏周围灰度对比度较小，直接利用随机游走的方法难以分割出肝脏区域，本发明提出在随机游走的方法中，综合CT图像和基于相似加权融合得到的肝脏先验模型信息，即修改原始随机游走目标函数中的权值：

${{\mathrm{\&omega;}}^{\&prime;}}_{e_{ij}}=\exp (-\mathrm{\&beta;}(\left(1-\mathrm{\&alpha;}\right){\left(V_u\left(i\right)-V_u\left(j\right)\right)}^2+\mathrm{\&alpha;}{\left(Z\left(i\right)-Z\left(j\right)\right)}^2\left)\right),$

其中，α、β为调整参数，Z(·)为先验概率模型，当相邻的索引分别为i、j的像素点刚好处于肝脏边界时，其对应的灰度值V_u(i)、V_u(j)相近，但是先验概率模型中的Z(i)、Z(j)差值较大，即在分割过程中，索引为i的像素点走向索引为j的像素点的概率较小，从而有效的分割出肝脏边界，

最后判断各个像素点对应的由随机游走方法得到的像素值φ(i)，当其不小于1/2时，像素点的类别被判为1，即属于肝脏区域；否则，属于非肝脏，最终实现肝脏的分割，即：

$label\left(i\right)=\left\{\begin{array}{cc}1,& \mathrm{\&phi;}\left(i\right)\&GreaterEqual;1/2\\ 0,& \mathrm{\&phi;}\left(i\right)<1/2\end{array}\right..$

10.一种基于多尺度加权相似性测度的CT图像肝脏分割系统，其特征在于，包括：

读取模块，用于读取训练图像集和待分割图像，其中，所述训练图像集中的图像和待分割图像为肝脏的CT图像；

预处理模块，用于将读取的图像数据进行预处理；

提取模块，用于通过配准方法将所述训练图像与待分割图像作全局配准得到肝脏在所述待分割图像中的初始边界，并在所述待分割图像中肝脏边界周围提取超像素；

选取模块，用于以所述待分割图像上每个超像素的中心点为中心，选择一定邻域内的所有像素点作为测试块，在所述训练图像上选取相同位置相同大小的多尺度图像块作为训练块，得到训练块集；

计算模块，用于计算所述测试块与训练块集的相似性测度，以此为权重构建融合目标函数得到所述训练块集对应于所述待分割图像的稀疏加权系数，从而得到所述待分割图像中肝脏边界周围每个超像素属于肝脏的先验概率；

分割模块，用于结合先验模型与所述待分割图像，修改随机游走的图模型权值，实现所述待分割图像中肝脏的分割。