CN107392913A - 一种图像分割方法及装置 - Google Patents

Abstract

本发明实施例公开了一种图像分割方法及装置。其中，方法包括获取待分割的MRI医学图像；根据适配模糊聚类分割算法，对MRI医学图像的灰度进行校正，以使MRI医学图像的整体灰度均匀；根据ASM算法，对校正后的MRI医学图像进行自动分割。有效的校正扫描间和扫描内部的灰度不均匀性，一定程度上避免了不同程度地丢失原始图像的信息，有利于提升图像分割的准确度；采用自动分割方法，可有效的避免人工分割费时费力、经验依赖的缺陷，提高了医学分割的精确性及稳健性。

Description

一种图像分割方法及装置

技术领域

本发明实施例涉及图像处理技术领域，特别是涉及一种图像分割方法及装置。

背景技术

随着计算机技术及图像处理技术的快速发展，医学领域也得到了相应的发展。医学影像，例如MRI(Magnetic Resonance Imaging，磁共振成像)为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程，是一种有效的医生辅助治疗手段。

但是，由于医学图像通常对比度较低，组织特征的可变性、不同组织间或组织和病灶间边界的模糊性以及微细结构如血管、神经等分布的复杂性，人体解剖的个体差异较大，医学图像分割的准确度对病灶的判断起着关键性作用，故临床应用对医学图像分割的准确度和算法的速度要求较高。

如何提高医学图像分割的之后准确率，是本领域技术人员亟待解决的问题。

发明内容

本发明实施例的目的是提供一种图像分割方法及装置，以提高医学图像分割的准确率。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种图像分割方法，包括：

获取MRI医学图像；

根据适配模糊聚类分割算法，对所述MRI医学图像的灰度进行校正，以使所述MRI医学图像的整体灰度均匀；

根据ASM算法，对校正后的MRI医学图像进行自动分割。

可选的，所述根据ASM算法，对校正后的MRI医学图像进行自动分割包括：

预先对人体各组织的MRI医学图像的轮廓进行标记，提取组织特征点，以构成特征矢量模型；

利用ASM算法，根据所述特征矢量模型，对校正后的MRI医学图像进行分割。

可选的，在所述根据ASM算法，对校正后的MRI医学图像进行自动分割之后，还包括：

将自动分割后的MRI医学图像发送给用户，以用于判断当前分割的MRI医学图像是否满足要求；

当判定当前分割的MRI医学图像不满足要求时，发送继续分割的指令。

本发明实施例另一方面提供了一种图像分割装置，包括：

获取图像模块，用于获取MRI医学图像；

均匀性校正模块，用于根据适配模糊聚类分割算法，对所述MRI医学图像的灰度进行校正，以使所述MRI医学图像的整体灰度均匀；；

图像自动分割模块，用于根据ASM算法，对校正后的MRI医学图像进行自动分割。

可选的，所述图像自动分割模块为预先对人体各组织的MRI医学图像的轮廓进行标记，提取组织特征点，以构成特征矢量模型；利用ASM算法，根据所述特征矢量模型，对校正后的MRI医学图像进行分割的模块。

可选的，还包括：

检验模块，用于将自动分割后的MRI医学图像发送给用户，以用于判断当前分割的MRI医学图像是否满足要求；当判定当前分割的MRI医学图像不满足要求时，发送继续分割的指令。

本发明实施例提供了一种图像分割方法，获取待分割的MRI医学图像；根据适配模糊聚类分割算法，对MRI医学图像的灰度进行校正，以使MRI医学图像的整体灰度均匀；根据ASM算法，对校正后的MRI医学图像进行自动分割。

本申请提供的技术方案的优点在于，在图像进行分割前，先利用适配模糊聚类分割算法对原始图像的灰度不均匀性进行校正，有效的校正扫描间和扫描内部的灰度不均匀性，一定程度上避免了不同程度地丢失原始图像的信息，有利于提升图像分割的准确度；采用自动分割方法，可有效的避免人工分割费时费力、经验依赖的缺陷，提高了医学分割的精确性及稳健性。

此外，本发明实施例还针对图像分割方法提供了相应的实现装置，进一步使得所述方法更具有实用性，所述装置具有相应的优点。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种图像分割方法的流程示意图；

图2为本发明实施例提供的另一种图像分割方法的流程示意图；

图3为本发明实施例提供的图像分割装置的一种具体实施方式结构图；

图4为本发明实施例提供的图像分割装置的另一种具体实施方式结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅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。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

本申请发明人经研究发现，到目前为止，虽然已有上百种医学图像分割方法，但还没有一个公认最好的方法，也没有一个判断分割是否成功的客观标准。因此医学图像分割算法的研究仍是当前医学图像处理和分析的热点。

而根据模糊C均值算法适合于灰度图像中存在不确定性和模糊性的特点，然而该算法在消除由MR图象不均匀性产生的伪迹方面几乎无能为力。

且由于图像本身受噪声、偏移场效应等的影响，使得分割算法很难达到理想的效果。人工分割方法可在原始图像上直接画出期望的边界，然而费时费力，分割结果完全依赖于分割者的解剖知识和经验且分割结果难以再现。

自动分割是由计算机完成图像分割的全过程，完全脱离人为干预。ASM(ActiveShape Model，活动形状模型算法)算法是一种物体形状描述技术，基本思想为选取一组训练样本，用一组特征点来描述样本的形状，然后对个样本的形状进行配准对这些配准后的形状向量利用主分量分析方法进行统计建模得到物体形状的统计学描述，最后，利用建立的模型在新的图像中搜索物体轮廓，从而定位出目标物体，达到自动分割的效果，由于该方法不存在人为因素的影响，因此能够很好地再现分割结果，为精确定量测量奠定了基础。

鉴于此，本申请通过将一种基于有偏场的适配聚类算法与ASM相结合，提出了一种将基于MRI的自动分割方法，该算法能够校正扫描间和扫描内部的灰度不均匀性，避免了图像不同程度地丢失原图像的信息，并达到全自动分割图像数据，使得分割结果更加准确。该方法较传统算法更精确和稳健，可在医学图像处理和分析中发挥作用。

在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。

首先参见图1，图1为本发明实施例提供的一种图像分割方法的流程示意图，本发明实施例可包括以下内容：

S101：获取MRI医学图像。

S102：根据适配模糊聚类分割算法，对所述MRI医学图像的灰度进行校正，以使所述MRI医学图像的整体灰度均匀。

对于MRI图像，由于受RF线圈或采样序列的影响，或受MR设备的状态及操作环境的影响，图象的灰度均匀性变差，相当于在增益场上叠加了一个偏移场。利用增益场g_j，和有偏场β_j的关系，可以很容易地计算出新的增益场的分布。其中，g_j是未知的增益场，根据增益场的性质，利用下式可以实现有偏场与增益场的转换。

式中，为β_j的估计值，v_k为样本点。

其中，F＝(1，1，1，……)^T，F可选用3*3的圆窗的低通滤波器，为有偏场的平均残差，ψ^-1为有偏场的逆协方差。在分析从有偏场β_j计算出新的增益场g_j过程之后，基于有偏场的适配模糊聚类分割算法具体步骤可如下：

S1021：取n_k个第k类样本点v_nk，n＝1,...n_k，k＝1,...C，令q＝2，则增益场初值g_j＝1，j∈Ω。

S1022：计算各类中心点(即样本均值)：

S1023：利用下式求隶属度：

S1024：利用下式求新的中心点灰度：

S1025：利用公式计算增益场g_j；

S1026：利用公式计算有偏场β_j；

S1027：若所有中心点变化的平方和小于给定的阈值。则认为算法收敛，迭代结束。否则，返回S1023继续迭代。经过反复实践，确定阈值为0.01。

S103：根据ASM算法，对校正后的MRI医学图像进行自动分割。

主动形状模型是一种物体形状描述技术，通过选取充分反应组织特点训练图像集，然后对训练图像集进行特征提取后构成目标的特征矢量模型，分割时对输入图像进行前面介绍的模糊聚类分割，以检测所需目标的位置。

具体过程可为：

预先对人体各组织的MRI医学图像的轮廓进行标记，提取组织特征点，以构成特征矢量模型；

利用ASM算法，根据所述特征矢量模型，对校正后的MRI医学图像进行分割。

在一种具体的实施方式中，运用ASM算法实现MRI图像的自动分割可根据下述步骤进行：

S1031：构造训练集图像，要求图像能够充分反应组织的特点，并进行轮廓标记。此时可以获得一系列的特征点。在二维图像中，n个点(x,y)，构成了2n个元素的向量：

X＝(x₁,...,x_n,y₁,...,y_n)^T，一个具有s幅图像的训练图像集，将有s个这样的向量。

S1032：求训练图集特征矢量模型即平均模型可通过平移缩放变换等步骤求得，并对其进行主成分分析。根据以下公式计算图像数据集的分布矩阵：

计算分布矩阵D(x)的特征向量φ_i和对应的特征值λ_i，并将其降序排列，即λ_i≥λ_i+1；

特征矩阵Φ包含t个特征向量，这t个特征向量对应着t个最大的特征值。那么来自训练图像集的数据x可以由下式近似表示，即

其中，Φ＝(φ₁|φ₂|...|φ_t)，b是一个t维的向量，可由下式给出：

S1033：对前面大致分类后的MRI图像进行轮廓搜索，运用平均模型对搜索到的模型进行配。

S1034：运用主成分分析法对搜索轮廓进行修正。λ_i对应着b的ⁱth分量b_i，确保

S1035：运用公式求得新的模型。如果得到的结果不符合要求，则继续进行步骤S1033的轮廓搜索。然后修正，直到识别结果精确。

在本发明实施例提供的技术方案中，在图像进行分割前，先利用适配模糊聚类分割算法对原始图像的灰度不均匀性进行校正，有效的校正扫描间和扫描内部的灰度不均匀性，一定程度上避免了不同程度地丢失原始图像的信息，有利于提升图像分割的准确度；采用自动分割方法，可有效的避免人工分割费时费力、经验依赖的缺陷，提高了医学分割的精确性及稳健性。

在一种具体的实施方式下，基于上述实施例，本申请还提供了另外一个实施例，请参阅图2，具体可包括：

S104：将自动分割后的MRI医学图像发送给用户，以用于判断当前分割的MRI医学图像是否满足要求；

S105：当判定当前分割的MRI医学图像不满足要求时，发送继续分割的指令。

通过人工对分割后的图像进行判断，当分割有误时，及时进行二次分割，有利于提升图像分割的准确性。

本发明实施例还针对图像分割方法提供了相应的实现装置，进一步使得所述方法更具有实用性。下面对本发明实施例提供的图像分割装置进行介绍，下文描述的图像分割装置与上文描述的统一图像分割方法可相互对应参照。

参见图3，图3为本发明实施例提供的图像分割装置在一种具体实施方式下的结构图，该装置可包括：

获取图像模块301，用于获取MRI医学图像。

均匀性校正模块302，用于根据适配模糊聚类分割算法，对所述MRI医学图像的灰度进行校正，以使所述MRI医学图像的整体灰度均匀。

图像自动分割模块303，用于根据ASM算法，对校正后的MRI医学图像进行自动分割。

可选的，在本实施例的一些实施方式中，请参阅图4，所述装置例如还可以包括：

检验模块304，用于将自动分割后的MRI医学图像发送给用户，以用于判断当前分割的MRI医学图像是否满足要求；当判定当前分割的MRI医学图像不满足要求时，发送继续分割的指令。

在本实施例的另一些实施方式中，所述图像自动分割模块303可为预先对人体各组织的MRI医学图像的轮廓进行标记，提取组织特征点，以构成特征矢量模型；利用ASM算法，根据所述特征矢量模型，对校正后的MRI医学图像进行分割的模块。

本发明实施例所述的图像分割装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

由上可知，本发明实施例在图像进行分割前，先利用适配模糊聚类分割算法对原始图像的灰度不均匀性进行校正，有效的校正扫描间和扫描内部的灰度不均匀性，一定程度上避免了不同程度地丢失原始图像的信息，有利于提升图像分割的准确度；采用自动分割方法，可有效的避免人工分割费时费力、经验依赖的缺陷，提高了医学分割的精确性及稳健性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种图像分割方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

1.一种图像分割方法，其特征在于，包括：

获取MRI医学图像；

根据适配模糊聚类分割算法，对所述MRI医学图像的灰度进行校正，以使所述MRI医学图像的整体灰度均匀；

根据ASM算法，对校正后的MRI医学图像进行自动分割。

2.根据权利要求1所述的图像分割方法，其特征在于，所述根据ASM算法，对校正后的MRI医学图像进行自动分割包括：

预先对人体各组织的MRI医学图像的轮廓进行标记，提取组织特征点，以构成特征矢量模型；

利用ASM算法，根据所述特征矢量模型，对校正后的MRI医学图像进行分割。

3.根据权利要求2所述的图像分割方法，其特征在于，在所述根据ASM算法，对校正后的MRI医学图像进行自动分割之后，还包括：

将自动分割后的MRI医学图像发送给用户，以用于判断当前分割的MRI医学图像是否满足要求；

当判定当前分割的MRI医学图像不满足要求时，发送继续分割的指令。

4.一种图像分割装置，其特征在于，包括：

获取图像模块，用于获取MRI医学图像；

均匀性校正模块，用于根据适配模糊聚类分割算法，对所述MRI医学图像的灰度进行校正，以使所述MRI医学图像的整体灰度均匀；

图像自动分割模块，用于根据ASM算法，对校正后的MRI医学图像进行自动分割。

5.根据权利要求4所述的图像分割装置，其特征在于，所述图像自动分割模块为预先对人体各组织的MRI医学图像的轮廓进行标记，提取组织特征点，以构成特征矢量模型；利用ASM算法，根据所述特征矢量模型，对校正后的MRI医学图像进行分割的模块。

6.根据权利要求5所述的图像分割装置，其特征在于，还包括：

检验模块，用于将自动分割后的MRI医学图像发送给用户，以用于判断当前分割的MRI医学图像是否满足要求；当判定当前分割的MRI医学图像不满足要求时，发送继续分割的指令。