CN107610145B - 一种基于自适应阈值和模板匹配的自动胰腺分割方法 - Google Patents

Abstract

基于自适应阈值和模板匹配的自动胰腺分割方法，目的在于克服现有技术计算复杂、准确度不高、鲁棒性不强以及自动化程度较低等不足，公开一种新的胰腺图像分割方法，该方法使用基于灰度最大类间方差的自适应阈值法得到初分割结果，分离出腹腔中的器官组织，并去除组织黏连后得到待选区域。具体的方法过程表征为：(1)建立胰腺图像模板，(2)基于最大类间方差的自适应阈值分割，(3)基于形状与位置信息的区域匹配。该方法容易实现，计算复杂度较低。胰腺模板分胰头、胰体和胰尾的组织方式，大大降低不同病例以及病例不同切片图像之间在胰腺形状和位置上的差异性。

Description

一种基于自适应阈值和模板匹配的自动胰腺分割方法

技术领域

本发明涉及计算机辅助医疗领域。

背景技术

胰腺自动分割在胰腺疾病的辅助诊断和治疗中发挥着十分关键的作用。SuzukiTakenobu,Takizawa Hotaka,Kudo Hiroyuki,Okada Toshiyuki 2015年在3rd KESInternational Conference on Innovation in Medicine and Healthcare(InMed)上发表题为Interactive Segmentation of Pancreases from Abdominal CT Images by Useof the Graph Cut Technique with Probabilistic Atlases的文章，提出了一种基于医学解剖知识和胰酶统计信息的交互式胰腺分割方法。该方法由两个阶段组成：训练和测试，该方法需手动修正且仅限于CT图像。Erdt Marius,Kirschner Matthias,DrechslerKlaus,Wesarg Stefan,Hammon Matthias,Cavallaro Alexander 2011年在8th IEEEInternational Symposium on Biomedical Imaging(ISBI)-From Nano to Macro上发表题为Automatic Pancreas Segmentation in Contrast Enhanced CT Data UsingLearned Spatial Anatomy and Texture Descriptors的文章，提出从增强CT图像中提取胰腺的算法。该方法使用鉴别学习用于构建胰腺组织分类器，它整合了胰腺和周围器官和血管之间的空间关系。此外，用离散的余弦和小波变换来构建计算成本低廉但有意义的纹理特征，以描述局部组织的外观。然后，建立带约束的统计模型用于对数据进行分类，其分割准确度在很大程度上依赖于构建的胰腺组织分类器。Tran Duc Tam,Nguyen Thanh Binh2015年在Nature of Computation and Communication 的144卷发表题为EfficientPancreas Segmentation in Computed Tomography Based on Region-Growing的文章，提出了一种利用计算机断层扫描图像提取胰腺的方法，利用直方图均衡法来增强计算机断层扫描图像的对比度，再应用区域生长技术对胰腺区域进行标记，并返回分割结果，该方法不能完全处理组织黏连，准确度和鲁棒性较低。Roth Holger R.,Farag Amal,Lu Le,TurkbeyEvrim B.,Summers Ronald M 2015年在Conference on Medical Imaging-ImageProcessing发表题为Deep Convolutional Networks for Pancreas Segmentation in CTImaging的文章，提出一种基于对局部图像区域(超像素)的自动胰腺分割方法。该方法利用简单的线性迭代聚类(SLIC)从腹部提取超像素，利用两级级联的分类器，生成初始概率响应图。该方法的准确率较低，约为68％(±10％)。Karasawa Kenichi,Oda Masahiro,Hayashi Yuichiro,Nimura Yukitaka,Kitasaka Takayuki,Misawa Kazunari,FujiwaraMichitaka,Rueckert Daniel,Mori Kensaku 2015年在Conference on Medical Imaging-Image Processing发表题为Pancreas Segmentation from 3D Abdominal CT ImagesUsing Patient-Specific Weighted-Subspatial Probabilistic Atlases的文章，提出利用基于病例的加权子空间概率集方法对胰脏进行分割。该方法的准确率较低，约为58.9％左右。Jiang Huiyan,Wang Xin,Shi Shuo 2013年在Journal of Pure and AppliedMicrobiology的卷7发表题为Pancreas Segmentation Using Level-Set Method Basedon Statistical Shape Model的文章，该方法利用统计形状模型获得形状信息，并将其加入到水平集模型中，以获取CT图像的胰腺分割结果。Jain Suchi,Gupta Savita,GulatiAjay 2015年在International Conference on Signal Processing,Computing andControl(ISPCC)发表题为An Adaptive Hybrid Technique for PancreasSegmentationusing CT Image Sequences的文章，该方法使用FMM方法得到粗分割的结果，再采用距离正则化水平集法(DRLSM)对单张CT图像进行胰腺分割，因此该方法在计算过程中耗时较长。Roth Holger R.,Lu Le,Farag Amal,Shin Hoo-Chang,Liu Jiamin,TurkbeyEvrim B.,Summers Ronald M.2015年在18th International Conference on MedicalImage Computing and Computer-Assisted Intervention(MICCAI)发表题为DeepOrgan:Multi-level Deep Convolutional Networks for Automated Pancreas Segmentation的文章，提出了一种利用多层卷积神经网络进行胰腺CT图像的分割方法。该方法准确率约为71.8％(±10.7％)。

发明内容

有鉴于此，本发明目的在于克服现有技术计算复杂、准确度不高、鲁棒性不强以及自动化程度较低等不足，公开一种新的胰腺图像分割方法，该方法使用基于灰度最大类间方差的自适应阈值法得到初分割结果，分离出腹腔中的器官组织，并去除组织黏连后得到待选区域。将待选区域与事先建立好的胰腺模板数据进行区域匹配，挑选出和胰腺模板形状和位置相似度最高的区块组合作为最终的分割结果。该方法容易实现，计算复杂度较低。胰腺模板分胰头、胰体和胰尾的组织方式，大大降低了不同病例以及病例不同切片图像之间在胰腺形状和位置上的差异性。此外，该方法充分考虑了胰腺的灰度、形状和位置信息，以及当前待处理切片图像与胰腺模板图像的信息，提高了方法的准确度和鲁棒性。

基于上述方法思路，本发明的具体的方法过程表征为：

(1)建立胰腺图像模板，具体实施过程：

(11)选取成像质量较高的病例图片，由有经验的医生进行多次的手动分割，对分割结果求平均值用于建立胰腺模板；

(12)将上述分割结果按胰头、胰体和胰尾进行分类，建立3个模板：胰头模板、胰体模板和胰尾模板；

(2)基于最大类间方差的自适应阈值分割，具体实施过程：

胰腺和周围的肝脏、血管、体液和脂肪等组织在灰度分布上存在差异，胰腺及其他周围器官在图像中表现为较亮的区域，而血管、体液、脂肪等组织灰度表现偏暗，且不同组织间有分隔，因此可采用基于最大类间方差的自适应阈值分割法从图像中分离出器官组织，并去除背景部分。算法步骤如下：

(21)对原始图像进行归一化处理并计算得到灰度直方图，即具有某种灰度级的像素个数。假设图像总像素点为N个，灰度值为i的像素点共出现了n个，则灰度级i的出现概率为P(i)＝n/N；

(22)设定阈值k将灰度直方图分为A，B两大类：A：P(i)≥k和B：P(i)<k，计算A，B类的类间方差；

(23)让k从1变化至255，分别计算每一次k取值对应的AB类间方差，类间方差最大时对应的阈值即为最佳阈值K；

(24)应用K值对图像进行二值分割，即图像灰度≥K的像素为目标区域，其余为背景；

(25)对步骤(24)获得的目标区域采用数学形态学方法去除组织黏连，作为初分割结果。

(3)基于形状与位置信息的区域匹配：将步骤(25)获得的区域与模板数据进行匹配，算法步骤如下：

(31)根据胰腺切片图像所在的层数，决定要匹配胰头、胰体还是胰尾模板；

(32)位置匹配：步骤(25)获得的初分割结果中包含有若干个连通区域，假设有t个连通区域，记为P＝{P₁,P₂,…,P_t}，将P_i逐个与选定的模板数据进行位置匹配，若存在交集则保留，否则抛弃，最终形成的结果为P＝{P₁,P₂,…,P_m},m≤t；

(33)形状匹配：对P＝{P₁,P₂,…,P_m}的m个区域进行排列组合，将所有的区域组合结果和胰腺模板进行相似度匹配，选择出形状相似度最高的组合作为最终的胰腺分割结果。此时的相似度记为S。

(34)经步骤(33)后得到最高相似度S，当S小于一定阈值时，说明原始切片图像质量较差，胰腺与周边组织存在严重黏连，经上述步骤后得到的结果并不理想，这时需要将黏连的非胰腺部分从分割结果中去除。

(4)胰腺三维重建：

采用基于移动立方体的方法(此技术已属于现有技术)对步骤(3)获得的最终胰腺结果进行重建，方便使用者全方位多角度的观察胰腺。

本发明的有益效果是：

本发明提出的方法容易实现，计算复杂度较低。胰腺模板分胰头、胰体和胰尾的组织方式，大大降低了不同病例以及病例不同切片图像之间在胰腺形状和位置上的差异性。此外，该方法充分考虑了胰腺的灰度、形状和位置信息，以及当前待处理切片图像与胰腺模板图像的信息，提高了方法的准确度和鲁棒性。分割出的胰腺结果，有助于医生对病例的胰腺状态属性做出客观合理的评估。

附图说明

图1是本发明一种基于自适应阈值和模板匹配的自动胰腺分割方法流程图。

图2是本发明的胰腺图像模板建立

图2(a)为胰头模板，图2(b)为胰体模板，图2(c)为胰尾模板。

图3是本发明的初分割结果

图3(a)为原始切片图像，图3(b)为初分割结果，灰色圈出区域包含29个连通区域。

图4是本发明的区域匹配示例

图4(a)为模板图像，图4(b)为初分割结果，图4(c)为位置匹配后的结果，图4(d)为形状匹配后的结果。

图5是本发明的去除黏连示例

图5(a)为原始切片图像，图5(b)为自动匹配后的结果，图5(c)为去除与胰腺严重黏连的非胰腺部分的结果。

图6是本发明的胰腺分割与三维重建结果。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。

下面通过实施例结合附图进一步说明本发明。

实施例一

参阅附图，在图1中给出了本发明的方法流程图，按此图示流程，给出一组实施例。该方法首先建立胰腺图像模板，包括胰头、胰体和胰尾模板，接着对原始图像切片进行粗分割，将得到的待选区域与相应的模板图像进行位置和形状匹配，选择出相似度最高的区域作为最终的胰腺分割结果，最后对胰腺结果进行三维重建。

在图2所示的实施例中，灰色圈出的亮色区域为建立的胰腺图像模板。图2(a)为胰头模板，图2(b)为胰体模板，图2(c)为胰尾模板。

图3是某张切片经过步骤(2)基于最大类间方差的自适应阈值分割的初分割结果。图3(a)为一张原始腹腔图像数据切片，图3(b)中灰色圈出的亮色区域为分割出的待选区域，该示例包含29个连通区域。

根据该切片图像所在的层数，自动选择要匹配胰体模板，如图4(a)所示。将图4(b)中待选的29个连通区域逐个与该模板图像进行位置匹配，若存在交集则保留，否则抛弃，最终形成的结果如图4(c)所示，包括4个连通区域：P＝{P₁,P₂,P₃,P₄}。对这4个区域进行排列组合，将所有的区域组合结果{P₁}，{P₂}，{P₃}，{P₄}，{P₁,P₂}，{P₂,P₃}，{P₃,P₄}，{P₁,P₃}，{P₁,P₄}，{P₂,P₄}，{P₁,P₂,P₃}，{P₂,P₃,P₄}，{P₁,P₃,P₄}，{P₁,P₂,P₃,P₄}分别和胰腺模板进行相似度匹配，选择出形状相似度最高的组合作为最终的胰腺分割结果，如图4(d)所示。

判断该最高相似度S，当S<0.6时，说明原始切片图像质量较差，如图5(a)所示，胰腺与周边组织存在严重黏连，经上述步骤后得到的结果并不理想，如图5(b)所示，这时需要将黏连的非胰腺部分从分割结果中去除，结果如图5(c)所示。

图6是本发明的胰腺分割与三维重建结果，左上图为某腹腔切片的横断位视角，右上图为对应的矢状位视角，左下图为对应的冠状位视角，灰色圈出的亮色区域为分割出的胰腺部分，右下图为整个胰腺的三维重建结果。

本发明能有多种不同形式的具体实施方式，上面以图1为例结合附图对本发明的技术方案作举例说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。

Claims (1)

1.一种基于自适应阈值和模板匹配的自动胰腺分割方法，其特征在于，包括如下步骤

(1)建立胰腺图像模板，具体实施过程：

(11)选取成像质量较高的病例图片，由有经验的医生进行多次的手动分割，对分割结果求平均值用于建立胰腺模板；

(12)将上述分割结果按胰头、胰体和胰尾进行分类，建立3个模板：胰头模板、胰体模板和胰尾模板；

(2)基于最大类间方差的自适应阈值分割，具体实施过程：

胰腺和其周围的肝脏、血管、体液和脂肪各组织在灰度分布上存在差异，胰腺及其周围肝脏在图像中表现为较亮的区域，而血管、体液、脂肪这些组织灰度表现偏暗，且不同组织间有分隔，因此采用基于最大类间方差的自适应阈值分割法从图像中分离出器官组织，并去除背景部分；算法步骤如下：

(21)对原始图像进行归一化处理并计算得到灰度直方图，即具有某种灰度级的像素个数；假设图像总像素点为N个，灰度值为i的像素点共出现了n个，则灰度级i的出现概率为P(i)＝n/N；

(22)设定阈值k将灰度直方图分为A，B两大类：A：P(i)≥k和B：P(i)<k，计算A，B类的类间方差；

(23)让k从1变化至255，分别计算每一次k取值对应的AB类间方差，类间方差最大时对应的阈值即为最佳阈值K；

(24)应用K值对图像进行二值分割，即图像灰度≥K的像素为目标区域，其余为背景；

(25)对步骤(24)获得的目标区域采用数学形态学方法去除组织黏连，作为初分割结果；

(3)基于形状与位置信息的区域匹配：将步骤(25)获得的区域与模板数据进行匹配，算法步骤如下：

(31)根据胰腺切片图像所在的层数，决定要匹配胰头、胰体还是胰尾模板；

(32)位置匹配：步骤(25)获得的初分割结果中包含有若干个连通区域，假设有t个连通区域，记为P＝{P₁,P₂,…P_x…,P_t}，将P_x逐个与选定的模板数据进行位置匹配，若存在交集则保留，否则抛弃，最终形成的结果为P＝{P₁,P₂,…,P_m},m≤t；

(33)形状匹配：对P＝{P₁,P₂,…,P_m}的m个区域进行排列组合，将所有的区域组合结果和胰腺模板进行相似度匹配，选择出形状相似度最高的组合作为最终的胰腺分割结果，此时的相似度记为S；

(34)经步骤(33)后得到最高相似度S，当S小于一定阈值时，说明原始切片图像质量较差，胰腺与周边组织存在严重黏连，经上述步骤后得到的结果并不理想，这时需要将黏连的非胰腺部分从分割结果中去除；

(4)胰腺三维重建：

采用基于移动立方体的方法对步骤(3)获得的最终胰腺结果进行重建，方便使用者全方位多角度的观察胰腺。

Images