CN107292890A - 一种医学图像分割方法和装置 - Google Patents
一种医学图像分割方法和装置 Download PDFInfo
- Publication number
- CN107292890A CN107292890A CN201710465828.8A CN201710465828A CN107292890A CN 107292890 A CN107292890 A CN 107292890A CN 201710465828 A CN201710465828 A CN 201710465828A CN 107292890 A CN107292890 A CN 107292890A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- msub
- difference
- magnetic resonance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种医学图像分割方法和装置，方法包括：步骤S11，获取磁共振血管造影图像；步骤S12，对磁共振血管造影图像，利用Otsu阈值法划分成感兴趣的前景区域和背景区域，并计算前景区域和背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值；步骤S13，根据所述差值确定图像分割模型C‑V演化曲线的内部和外部图像灰度均值的差值，根据确定出的演化曲线内部和外部的图像灰度均值的差值对所述磁共振血管造影图像进行分割，得到分割结果。该医学图像分割装置包括图像获取模块，差值确定模块和分割模块，本发明实施例的医学图像分割方法和装置提高了分割效果和处理速度，满足了需求。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种医学图像分割方法和装置。
背景技术
医学图像不同于一般的图像，血管本身有复杂的系统结构，并且易受到噪声的影响，另外，由于人的身体结构存在着差异性，导致即使对于相同的器官组织，相应的图像也可能存在较大的差异，这导致了医学图像处理比一般的图像处理更为困难。
图像分割是把图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目标的过程。它是由图像处理到图像分析的关键步骤。
经典的图像分割算法大致可分为阈值分割法、区域生长法和边缘检测法，而基于变形模型的图像分割算法则是近年来的研究热点。阈值分割法要确定图像的阈值，并借此作为划分区域的标准，它是图像分割中应用最多的一类方法。区域生长算法分割图像的基本原理是从一个点出发，逐渐找到与其有相似性质的其他像素点，从而将它们视为一个集合去划分不同的区域。边缘检测法通过检测图像的边缘来划分不同的子区域从而实现图像的分割。几何变形模型主要是基于曲线演变理论和水平集函数，在几何变形模型算法处理过程中，将界面看成高一维空间某一函数的零水平集，然后根据水平集函数所满足的发展方程推动水平集的演化，并通过使用图像的内部信息来控制演化过程，最终完成图像分割。
目前这些算法大都有一定的缺点，例如存在分割效果差、效率低等问题，因此，亟需一种提高分割精度和时间效率的方案。
发明内容
本发明提供了一种提高图像分割效果并能节约处理时间的医学图像分割方法和装置。
根据本申请的一个方面，提供了一种医学图像分割方法，该方法包括：
步骤S11，获取磁共振血管造影图像；
步骤S12，对所述磁共振血管造影图像，利用Otsu阈值法划分成感兴趣的前景区域和背景区域，并计算所述前景区域和所述背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值；
步骤S13，根据所述差值确定图像分割模型C-V演化曲线的内部和外部图像灰度均值的差值，根据确定出的演化曲线的内部和外部图像灰度均值的差值对所述磁共振血管造影图像进行分割，得到分割结果。
根据本申请的另一个方面，提供了一种医学图像分割装置，包括：
图像获取模块，用于获取磁共振血管造影图像；
差值确定模块，用于对所述磁共振血管造影图像，利用Otsu阈值法划分成感兴趣的前景区域和背景区域，并计算所述前景区域和所述背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值；
分割模块，用于根据所述差值确定图像分割模型C-V演化曲线的内部和外部图像灰度均值的差值，根据确定出的演化曲线的内部和外部图像灰度均值的差值对所述磁共振血管造影图像进行分割，得到分割结果。
本发明的有益效果是：本发明实施例的图像分割方法和装置，对于获取的磁共振血管造影图像，先通过Otsu阈值法划分出感兴趣的前景区域和背景区域，并计算前景区域和背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值，然后根据前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值确定出C-V模型演化曲线的内部和外部图像灰度均值的差值，将演化曲线的内部和外部图像灰度均值的差值代入C-V模型对磁共振血管造影图像进行分割，即可得到分割结果。本发明实施例利用Otsu阈值法执行速度快，时间效率高的特点，计算出前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值后，将这一差值作为演化曲线的内部和外部的图像灰度均值差值代入C-V模型中，避免了C-V模型图像分割时多次无效的迭代和分割不完全的情况发生，节约了分割图像所花费的时间。同时又保留了C-V模型较强的抗噪性，提升了抗噪能力，提高了图像分割的时间效率，改善了图像分割效果。
附图说明
图1是本发明一个实施例的一种医学图像分割方法的流程示意图；
图2是分割前的医学图像示意；
图3是利用本发明一个实施例的方法对图2进行分割处理后得到的图像示意；
图4是应用本发明一个实施例的医学图像分割装置的计算机的结构示意图；
图5是本发明一个实施例的医学图像分割装置的功能框图。
具体实施方式
有一种图像分割算法是Otsu阈值法，该算法是由日本学者大津于1979年提出的又叫大津法或最大类间方差法。Otsu阈值法是按图像的灰度特性，将图像分成背景和目标(即，感兴趣的区域)两部分。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当在图像分割过程中，部分目标错分为背景或部分背景错分为目标时都会导致两部分差别变小。因此，在图像分割时保证类间方差最大意味着错分的概率最小。Otsu阈值法运算效率较高、速度快，但是Otsu算法本身对噪声比较敏感，抗噪声能力差。
有另一种图像分割算法是活动轮廓模型，Chan和Vese提出一种无边缘活动轮廓模型(即，图像分割模型C-V，下称C-V模型)用于图像分割。该C-V模型基于全局灰度值，主要使用了曲线演化理论，利用图像的区域信息，而不使用图像的梯度信息，因此具有较强的抗噪性，提升了抗噪能力，但是演化速度很慢，效率低，对边缘的处理效果不佳。
本发明实施例的技术构思是结合上述两者的优点，更好、更高效地实现医学图像分割。
如图1所示，本发明一个实施例中的医学图像分割方法，包括如下步骤：
步骤S11，获取磁共振血管造影图像；
步骤S12，对所述磁共振血管造影图像，利用Otsu阈值法划分成感兴趣的前景区域和背景区域，并计算所述前景区域和所述背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值；
步骤S13，根据所述差值确定图像分割模型C-V演化曲线的内部和外部图像灰度均值的差值，根据确定出的演化曲线的内部和外部图像灰度均值的差值对所述磁共振血管造影图像进行分割，得到分割结果。
由图1所示可知，本发明实施例的医学图像的分割方法，对于输入的磁共振血管造影图像，先利用Otsu阈值法计算出前景区域和所述背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值，然后根据这一差值确定出C-V模型演化曲线的内部和外部图像灰度均值的差值，根据演化曲线的内部和外部图像灰度均值的差值进行计算以对图像进行分割处理，得到分割结果。如此，既提高了图像分割处理的时间效率又保证了图像分割效果，满足了实际需求。
以下结合图2和图3以一个具体的示例对本发明实施例的医学图像分割方法的步骤进行更详细的说明。
流程开始，首先获取磁共振血管造影图像。
如图2所示，为本实施例中获取到的一个颅内动脉血管的磁共振血管造影图像(Magnetic Resonance Angiography，简称MRA)。
近年来，颅内动脉瘤疾病发病率不断增加，并且发病原因也不断复杂化，这些因素无疑对临床医生和医学工作者诊断和评估的时间和准确性增加了难度。此外，手动提取血管是项极艰巨的工作，因此自动的血管图像分割技术对临床诊断、血管定量分析、血管疾病成因分析显得格外重要。对比起其它组织分割，血管有复杂的系统结构、并易受到噪声的影响，可知颅内动脉血管的分割仍然是极具挑战性的问题。本发明实施例的方法可以用于对颅内动脉血管图像的分割，满足实际应用需求。
本发明实施例中以磁共振血管造影图像为颅内动脉血管的磁共振血管造影图像为例进行说明，但是可以理解，本发明实施例的方法的应用不限于此。
磁共振血管造影图像是通过磁共振对血管造影即显示血管得到的，磁共振血管造影可发现血管狭窄和闭塞的部位。然后，对于获取到的颅内动脉血管的磁共振血管造影图像进行预处理，这里的预处理是指对磁共振血管造影图像使用Catte模型进行降噪预处理。
需要说明的是，一个实施例中是以使用Catte模型进行降噪预处理为例进行的示意性说明，但本发明实施例不限于此，可以采取任何可行的降噪算法对磁共振血管造影图像进行降噪，例如，采用小波去噪，采用各向异性扩散PM模型进行降噪等。
具体的，使用Catte模型对磁共振血管造影图像进行高斯平滑，采用平滑后的梯度模代替原始磁共振血管造影图像的梯度模，即，每次迭代先用高斯平滑对图像加以滤波，降低图像中强噪声的梯度，在消除噪声的同时又能保护边缘，对于强噪声也能很好的去噪。Catte模型示意如下
其中：Gσ是标准差为σ的高斯函数，“*”表示卷积。通过适当调整高斯平滑参数和各向异性滤波系数，经过降噪预处理后一定程度上优化了图像效果。
接着，对降噪预处理后的磁共振血管造影图像，利用Otsu阈值法划分出感兴趣的前景区域和背景区域，并计算前景区域和背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值。
本实施例中感兴趣的区域为血管区域，参见图2，图2中两个倾斜的，发亮的条状区域所示是感兴趣的区域，即，前景(或称目标)区域。本实施例的目的即是将前景区域和背景区域分割，得到包含前景区域的尽可能多的像素点同时又包含最少噪声的图像。
利用Otsu阈值法将降噪预处理后的磁共振血管造影图像分成感兴趣的前景区域和背景区域，然后计算前景区域和背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值。
具体的，前景区域和背景区域的方差函数为如下公式(1)
g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)＝w0*(1–w0)*(u0-u1)*(u0-u1) (1)
公式(1)中，w0为采用分割阈值对磁共振血管造影图像进行划分后得到的属于前景区域的像素点占所述磁共振血管造影图像的像素点的比例，(1–w0)为属于背景区域的像素点占所述磁共振血管造影图像的像素点的比例，u0为前景区域的像素点灰度均值，u1为背景区域的像素点灰度均值，u为磁共振血管造影图像的像素点灰度均值，u＝(w0*u0)+(w1*u1)。
基于前述方差函数，根据不同分割阈值T对磁共振血管造影图像进行灰度值划分，并得到不同分割阈值T之下，前景区域的像素点灰度均值和背景区域的像素点灰度均值以及属于前景区域的像素点占磁共振血管造影图像的像素点的比例，属于背景区域的像素点占磁共振血管造影图像的像素点的比例。根据这些参数得到方差函数不同的值，并比较得到的方差函数的值，在得到方差函数最大值时停止计算，并将此时对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值记录下来。
即，这里的计算前景区域和背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值，具体的，包含如下三个子步骤：
步骤121，计算前景区域和背景区域的方差函数的值，注：这里的方差函数即为前述公式(1)；
步骤122，比较步骤121中计算得到的方差函数的值，取最大值，在这一步骤中可以得到最大值对应的前景区域的像素点的灰度均值和背景区域的像素点的灰度均值，即，前述公式(1)中的u0和u1；
步骤123，计算前景区域的像素点的灰度均值u0和背景区域的像素点的灰度均值u1，即，u0-u1的值。
另外，这里的前景区域的像素点灰度均值是指按照分割阈值进行划分后，属于前景区域的那些像素点的灰度值的平均值，同理，背景区域的像素点灰度均值是指按照同一个分割阈值进行划分后，属于背景区域的那些像素点的灰度值的平均值。
在得到方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值之后，本实施例中，基于这一差值确定图像分割模型C-V演化曲线的内部和外部图像灰度均值的差值，并根据确定出的演化曲线的内部和外部图像灰度均值的差值对磁共振血管造影图像进行分割，得到分割结果。
C-V图像分割模型是假设图像中只有目标(即前景)和背景两类分片光滑区域，区域为Ω的图像I(x，y)被闭合边界曲线c分割为目标Ω1(c的内部)和背景Ω2(c的外部)两个同质区域，这两个区域的平均灰度值分别为c1和c2，建立如下能量函数公式(2):
其中，H为单位阶跃函数，μ≥0，ν≥0,λ1＞0，λ2＞0均为固定系数；c1和c2分别为演化曲线c的内部和外部像素点的平均灰度值，分别表示为：
当前述能量函数取到最小值时，分割轮廓收敛于图像的真实边界处，即可得到图像分割结果。具体计算时，对前述能量函数求一阶变分，可以导出如下方程(2.1)：
对该方程做进一步的分析：方程的右端是对演化起到限制作用的各项因子。第一项即对应的是曲线的长度因子，第二项即是曲线包围的面积因子，对方程进行差分求解，曲线的长度和面积不断减小，最终得到光滑曲线，并基于光滑曲线得到分割结果。
公式(2.1)中系数μ，ν是尺度系数，尺度系数的作用是当尺度系数的值较大时只有较大的目标物体能被检测到，当尺度系数的值较小时较小的目标物体也能被检测到，尺度系数的正确选择有助于去除噪声。实际应用中可以根据需求进行选择，一般的，ν＝0。
接着分析前述公式(2.1)，对于右端的第二项中的(λ1(μ-c1)2+λ2(μ-c2)2)，假定λ1＝λ2＝1，因为可知，曲线的演化速度与图像I在演化曲线内外图像的灰度均值的差c1-c2和平均值有密切关系。显然不管曲线如何变化，对于一个确定的图像，在演化过程中曲线内部图像的像素点灰度均值和曲线外部图像的像素点灰度均值之和变化不大，即变化不大，对演化速度几乎没有影响。
由此可知，C-V模型的边界曲线的演化速度主要由c1-c2决定。如果对C-V模型待处理的磁共振血管造影图像进行处理变换，加大演化曲线内部和外部灰度均值的差值c1-c2则势必能够提高曲线的演化速度，进而提升图像分割的时间效率。
基于此，本实施例中将方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值作为图像分割模型C-V演化曲线的内部和外部图像灰度均值的差值带入上述公式(2)中，得到如下公式(3)：
公式(3)中，为演化曲线的长度，为演化曲线包围的图像的面积，为演化曲线内部图像的面积，为演化曲线外部图像的面积。
本实施例中，将根据Otsu阈值法计算出的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值作为前述演化曲线内部和外部图像灰度均值的差值c1-c2代入C-V模型中。由于利用了Otsu阈值法算出的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值对应方差函数最大值的优点，所以保证了前景区域和背景区域的差别最大，错分的概率最小。如此直接将方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值作为决定C-V模型边界曲线演化速度的曲线内部像素点灰度均值和曲线外部像素点灰度均值的差值，从而避免C-V模型多次无效迭代来寻找曲线内部像素点灰度均值和曲线外部像素点灰度均值的最优差值的发生，提高了时间效率。
如图3所示，为本实施例的根据前述方法进行分割后得到的分割图像。图3中的倾斜的、两个发亮的条状的区域所示为前景区域，即从图2中分割出了感兴趣的区域，并且噪声较少。
经过实验证实，按照本实施例的方法进行图像分割所用时间约为单独使用C-V模型所用时间的1/5～1/4。另外，从分割效果对比可以看出，按照本实施例的方法得到的分割效果不论从血管部分(即，目标)的分割效果还是降噪效果都优于现有技术中两种算法单独的分割处理。也就是说，本实施例的医学图像分割方法对于颅内动脉血管的磁共振造影图像有更好的分割结果。
与前述方法相对应，如图4所示，为本申请的计算机的一种硬件结构图，除了图4所示的处理器和存储器之外，根据该计算机的实际功能，还可以包括其他硬件，对此不再赘述。
图4中，存储器：存储机器可执行指令代码。
处理器：与存储器通信，读取和执行存储器中存储的所述指令代码，实现本申请上述示例公开的医学图像分割方法的操作。
这里，存储器可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：RAM(Random AccessMemory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
请参考图5，本申请还提供了一种医学图像分割装置，包括：
图像获取模块51，用于获取磁共振血管造影图像；
差值确定模块52，用于对所述磁共振血管造影图像，利用Otsu阈值法划分成感兴趣的前景区域和背景区域，并计算所述前景区域和所述背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值；
分割模块53，用于根据所述差值确定图像分割模型C-V演化曲线的内部和外部图像灰度均值的差值，根据确定出的演化曲线的内部和外部图像灰度均值的差值对所述磁共振血管造影图像进行分割，得到分割结果。
一个实施例中，差值确定模块52，具体用于通过如下公式(1)计算所述前景区域和所述背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值：
g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)＝w0*(1–w0)*(u0-u1)*(u0-u1) (1)
公式(1)中，g为所述前景区域和所述背景区域的方差函数值，w0为采用分割阈值对所述磁共振血管造影图像进行划分后，得到的属于前景区域的像素点占所述磁共振血管造影图像的像素点的比例，(1–w0)为属于背景区域的像素点占所述磁共振血管造影图像的像素点的比例，u0为前景区域的像素点灰度均值，u1为背景区域的像素点灰度均值，u为所述磁共振血管造影图像的像素点的灰度均值，u＝(w0*u0)+(w1*u1)。
一个实施例中，分割模块53具体用于，利用如下图像分割模型C-V的能量函数公式(2)
将方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值作为C-V模型的演化曲线的内部和外部图像灰度均值的差值带入上述公式(2)中，得到如下公式(3)：
公式(3)中，为演化曲线的长度，为演化曲线包围的图像的面积，为演化曲线内部图像的面积，为演化曲线外部图像的面积；一般的，ν等于0。
基于公式(3)进行计算处理，直至得到C-V模型能量函数最小值时结束计算，即可得到图像分割结果。
一个实施例中，还包括降噪模块，用于对所述磁共振血管造影图像进行降噪预处理。
一个实施例中，图像获取模块51具体用于：获取颅内动脉血管的磁共振血管造影图像。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围以权利要求的保护范围为准。
Claims (10)
1.一种医学图像分割方法，其特征在于，包括如下步骤：
步骤S11，获取磁共振血管造影图像；
步骤S12，对所述磁共振血管造影图像，利用Otsu阈值法划分成感兴趣的前景区域和背景区域，并计算所述前景区域和所述背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值；
步骤S13，根据所述差值确定图像分割模型C-V演化曲线的内部和外部图像灰度均值的差值，根据确定出的演化曲线的内部和外部图像灰度均值的差值对所述磁共振血管造影图像进行分割，得到分割结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤S12具体包括：通过如下公式(1)计算所述前景区域和所述背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值：
g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)＝w0*(1–w0)*(u0-u1)*(u0-u1) (1)
公式(1)中，g为所述前景区域和所述背景区域的方差函数值，w0为采用分割阈值对所述磁共振血管造影图像进行划分后，得到的属于前景区域的像素点占所述磁共振血管造影图像的像素点的比例，(1–w0)为属于背景区域的像素点占所述磁共振血管造影图像的像素点的比例，u0为前景区域的像素点灰度均值，u1为背景区域的像素点灰度均值，u为所述磁共振血管造影图像的像素点的灰度均值，u＝(w0*u0)+(w1*u1)。
3.根据权利要求1所述的方法，其特征在于，所述步骤S13具体包括：
利用如下的C-V模型能量函数公式(2)：
将方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值作为C-V模型演化曲线的内部和外部图像灰度均值的差值带入上述公式(2)中，得到如下公式(3)
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>&phi;</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&mu;</mi>
<munder>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</munder>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
<mi>v</mi>
<munder>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</munder>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<munder>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</munder>
<mo>|</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<munder>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</munder>
<mo>|</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<mo>|</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(3)中，为演化曲线的长度，为演化曲线包围的图像的面积，为演化曲线内部图像的面积，为演化曲线外部图像的面积；
基于公式(3)进行计算处理，直至得到C-V模型能量函数的最小值时结束计算，即得到图像分割结果。
4.根据权利要求1所述的方法，其特征在于，该方法包括：在步骤S12之前对所述磁共振血管造影图像进行降噪预处理。
5.根据权利要求1所述的方法，其特征在于，所述步骤S11具体包括：获取颅内动脉血管的磁共振血管造影图像。
6.一种医学图像分割装置，其特征在于，包括：
图像获取模块，用于获取磁共振血管造影图像；
差值确定模块，用于对所述磁共振血管造影图像，利用Otsu阈值法划分成感兴趣的前景区域和背景区域，并计算所述前景区域和所述背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值；
分割模块，用于根据所述差值确定图像分割模型C-V演化曲线的内部和外部图像灰度均值的差值，根据确定出的演化曲线内部和外部的图像灰度均值的差值对所述磁共振血管造影图像进行分割，得到分割结果。
7.根据权利要求6所述的装置，其特征在于，所述差值确定模块，具体用于通过如下公式(1)计算所述前景区域和所述背景区域的方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值：
g＝w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)＝w0*(1–w0)*(u0-u1)*(u0-u1) (1)
公式(1)中，g为所述前景区域和所述背景区域的方差函数值，w0为采用分割阈值对所述磁共振血管造影图像进行划分后，得到的属于前景区域的像素点占所述磁共振血管造影图像的像素点的比例，(1–w0)为属于背景区域的像素点占所述磁共振血管造影图像的像素点的比例，u0为前景区域的像素点灰度均值，u1为背景区域的像素点灰度均值，u为所述磁共振血管造影图像的像素点的灰度均值，u＝(w0*u0)+(w1*u1)。
8.根据权利要求6所述的装置，其特征在于，分割模块具体用于，利用如下的C-V模型能量函数公式(2)：
将方差函数最大值对应的前景区域的像素点灰度均值和背景区域的像素点灰度均值的差值作为图像分割模型C-V演化曲线的内部和外部图像灰度均值的差值带入上述公式(2)中，得到如下公式(3)：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&mu;</mi>
<munder>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</munder>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
<mi>v</mi>
<munder>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</munder>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<munder>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</munder>
<mo>|</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<munder>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</munder>
<mo>|</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<mo>|</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(3)中，为演化曲线的长度，为演化曲线包围的图像的面积，为演化曲线内部图像的面积，为演化曲线外部图像的面积；
基于公式(3)进行计算处理，直至得到C-V模型能量函数的最小值时结束计算，即得到图像分割结果。
9.根据权利要求6所述的装置，其特征在于，还包括：降噪模块，用于对所述磁共振血管造影图像进行降噪预处理。
10.根据权利要求6所述的装置，其特征在于，所述图像获取模块具体用于：获取颅内动脉血管的磁共振血管造影图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710465828.8A CN107292890A (zh) | 2017-06-19 | 2017-06-19 | 一种医学图像分割方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710465828.8A CN107292890A (zh) | 2017-06-19 | 2017-06-19 | 一种医学图像分割方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107292890A true CN107292890A (zh) | 2017-10-24 |
Family
ID=60097355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710465828.8A Pending CN107292890A (zh) | 2017-06-19 | 2017-06-19 | 一种医学图像分割方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292890A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472803A (zh) * | 2018-10-26 | 2019-03-15 | 强联智创（北京）科技有限公司 | 一种颅内动脉血管分割方法及系统 |
| CN109785332A (zh) * | 2018-12-06 | 2019-05-21 | 天津大学 | 一种喉像处理方法 |
| CN110288588A (zh) * | 2019-07-01 | 2019-09-27 | 齐鲁工业大学 | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 |
| CN110458830A (zh) * | 2019-03-08 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、服务器及存储介质 |
| CN111091578A (zh) * | 2019-12-17 | 2020-05-01 | 湖北民族大学 | 一种针对血管医学影像的分割方法 |
| CN111709957A (zh) * | 2020-06-22 | 2020-09-25 | 河南理工大学 | 一种基于二维最大熵阈值c-v模型的医学图像分割法 |
| CN116071355A (zh) * | 2023-03-06 | 2023-05-05 | 山东第一医科大学第二附属医院 | 一种用于外周血管影像的辅助分割系统及方法 |
| CN116258725A (zh) * | 2023-05-16 | 2023-06-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于特征影像的医学图像处理方法、装置以及存储介质 |
| CN116681715A (zh) * | 2023-08-04 | 2023-09-01 | 杭州脉流科技有限公司 | 基于像素值变化的血管分割方法、装置、设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104616307A (zh) * | 2015-02-12 | 2015-05-13 | 河北大学 | 一种肺部ct图像粘连血管型结节检测方法 |
| CN105069771A (zh) * | 2015-05-22 | 2015-11-18 | 同济大学 | 基于主动轮廓的sar影像灾后水体信息提取方法 |
| CN106056576A (zh) * | 2016-03-09 | 2016-10-26 | 华侨大学 | 一种融合边缘和区域特征的ct图像中主动脉的分割方法 |
| CN106651846A (zh) * | 2016-12-20 | 2017-05-10 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
-
2017
- 2017-06-19 CN CN201710465828.8A patent/CN107292890A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104616307A (zh) * | 2015-02-12 | 2015-05-13 | 河北大学 | 一种肺部ct图像粘连血管型结节检测方法 |
| CN105069771A (zh) * | 2015-05-22 | 2015-11-18 | 同济大学 | 基于主动轮廓的sar影像灾后水体信息提取方法 |
| CN106056576A (zh) * | 2016-03-09 | 2016-10-26 | 华侨大学 | 一种融合边缘和区域特征的ct图像中主动脉的分割方法 |
| CN106651846A (zh) * | 2016-12-20 | 2017-05-10 | 中南大学湘雅医院 | 视网膜血管图像的分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| 安成锦 等: "基于Otsu和改进CV模型的SAR图像水域分割算法", 《信号处理》 * |
| 张思维: "一种加快的CV模型分割方法研究", 《天中学刊》 * |
| 郑兴华: "脑白质疏松症MR图像病变区域分割方法研究及量化分析", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472803A (zh) * | 2018-10-26 | 2019-03-15 | 强联智创（北京）科技有限公司 | 一种颅内动脉血管分割方法及系统 |
| CN109472803B (zh) * | 2018-10-26 | 2021-03-02 | 强联智创（北京）科技有限公司 | 一种颅内动脉血管分割方法及系统 |
| CN109785332A (zh) * | 2018-12-06 | 2019-05-21 | 天津大学 | 一种喉像处理方法 |
| CN110458830B (zh) * | 2019-03-08 | 2021-02-09 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、服务器及存储介质 |
| CN110458830A (zh) * | 2019-03-08 | 2019-11-15 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、服务器及存储介质 |
| CN110288588A (zh) * | 2019-07-01 | 2019-09-27 | 齐鲁工业大学 | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 |
| CN111091578A (zh) * | 2019-12-17 | 2020-05-01 | 湖北民族大学 | 一种针对血管医学影像的分割方法 |
| CN111091578B (zh) * | 2019-12-17 | 2023-07-04 | 湖北民族大学 | 一种针对血管医学影像的分割方法 |
| CN111709957A (zh) * | 2020-06-22 | 2020-09-25 | 河南理工大学 | 一种基于二维最大熵阈值c-v模型的医学图像分割法 |
| CN116071355A (zh) * | 2023-03-06 | 2023-05-05 | 山东第一医科大学第二附属医院 | 一种用于外周血管影像的辅助分割系统及方法 |
| CN116258725A (zh) * | 2023-05-16 | 2023-06-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于特征影像的医学图像处理方法、装置以及存储介质 |
| CN116258725B (zh) * | 2023-05-16 | 2023-08-22 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 基于特征影像的医学图像处理方法、装置以及存储介质 |
| CN116681715A (zh) * | 2023-08-04 | 2023-09-01 | 杭州脉流科技有限公司 | 基于像素值变化的血管分割方法、装置、设备和存储介质 |
| CN116681715B (zh) * | 2023-08-04 | 2023-10-10 | 杭州脉流科技有限公司 | 基于像素值变化的血管分割方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107292890A (zh) | 一种医学图像分割方法和装置 | |
| CN105741299B (zh) | 一种冠状动脉ct血管造影图像分割方法 | |
| CN110599500B (zh) | 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及系统 | |
| Balakrishna et al. | Automatic detection of lumen and media in the IVUS images using U-Net with VGG16 Encoder | |
| CN107495959A (zh) | 一种基于一维卷积神经网络的心电信号分类方法 | |
| Leclerc et al. | LU-Net: a multistage attention network to improve the robustness of segmentation of left ventricular structures in 2-D echocardiography | |
| CN111798462A (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| Li et al. | TA-Net: Triple attention network for medical image segmentation | |
| WO2019237191A1 (en) | System and method for determining coronal artery tissue type based on an oct image and using trained engines | |
| CN113808146B (zh) | 一种医学图像多器官分割方法及系统 | |
| KB et al. | Convolutional neural network for segmentation and measurement of intima media thickness | |
| Jo et al. | Segmentation of the main vessel of the left anterior descending artery using selective feature mapping in coronary angiography | |
| Lo Vercio et al. | Assessment of image features for vessel wall segmentation in intravascular ultrasound images | |
| CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
| CN117495876B (zh) | 基于深度学习的冠状动脉图像分割方法及系统 | |
| CN109003280B (zh) | 一种双通道血管内超声影像的血管中内膜分割方法 | |
| CN109191468B (zh) | 一种血管提取的方法、装置及存储介质 | |
| US9524550B2 (en) | System and method for coronary digital subtraction angiography | |
| CN113436203A (zh) | 一种心室膜自动分割方法 | |
| CN112419282A (zh) | 脑部医学影像中动脉瘤的自动检测方法及系统 | |
| CN109886973A (zh) | 一种血管提取方法、装置及计算机可读存储介质 | |
| Gupta et al. | Delineation of ischemic core and penumbra volumes from mri using msnet architecture | |
| Gupta et al. | A novel hybrid method for segmentation and analysis of brain MRI for tumor diagnosis | |
| Shao et al. | Semantic segmentation method of 3D liver image based on contextual attention model | |
| US20120059261A1 (en) | Dual Constrained Methodology for IMT Measurement |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |
|
| RJ01 | Rejection of invention patent application after publication |