CN112258534B - 一种超声图像中小脑蚓部的定位及分割方法 - Google Patents

Abstract

本发明公开了一种超声图像中小脑蚓部的定位及分割方法，包括以下步骤：获取人脑超声图像和超声图像中胼胝体尺寸及位置信息、读取小脑蚓部图像、通过对抗神经网络生成小脑蚓部平均模板图像；根据胼胝体位置信息、选择像素均值较小的区域作为小脑蚓部初始搜索区域，并记录小脑蚓部相对胼胝体方向位置信息Loc；以自适应后小脑蚓部平均模板尺寸作为小脑蚓部初始搜索结果的尺寸；采用新相似度比较算法进行自适应模板尺寸滑动窗口搜索从而得到小脑蚓部精搜索结果；通过方向位置信息Loc以及小脑蚓部本身的形态学特征对其进行外轮廓图形拟合得到小脑蚓部初始轮廓，再对精确轮廓进行平滑化处理最终得到小脑蚓部轮廓信息。

Description

一种超声图像中小脑蚓部的定位及分割方法

技术领域

本发明涉及医学图像处理领域，尤其涉及超声图像中一种超声图像中小脑蚓部的定位及分割方法。

背景技术

随着计算机技术在医学上的广泛应用，使得早先的人工分割图像逐渐被计算机自动分割所替代。目前对于如何检测胎儿的小脑蚓部是否发育正常，通常采用人工定位及分割超声图像中小脑蚓部区域，并计算其轮廓长度、面积等特征信息来检测出是否发育正常。如何精准高效定位小脑蚓部，并对其进行自动化分割，提取位置及轮廓信息成为关键的问题。目前对于超声图像定位及分割小脑蚓部问题，没有已知的有效的计算机自动处理办法，都是由人工来人为定位及分割。这需要专业的知识储备，也花费了不少时间，并且效果不一定精细，所以准确性不能保证。

发明内容

根据现有技术中没有存在针对小脑蚓部定位及分割一体化技术这一现状，本发明公开了一种超声图像中小脑蚓部定位及分割一体化方法，具体包括以下步骤：

获取人脑超声图像和超声图像中胼胝体尺寸及位置信息、同时对人脑超声图像进行预处理；

读取小脑蚓部图像、通过对抗神经网络生成小脑蚓部平均模板图像；

根据胼胝体位置信息、将胼胝体几何中心点位置作为基准点Center，根据人脑生理结构信息确定小脑蚓部位于胼胝体左下或右下位置，框选出胼胝体左下和右下两个区域，分别求得两个矩形区域的像素均值并进行比较，选择像素均值较小的区域作为小脑蚓部初始搜索区域，并记录小脑蚓部相对胼胝体方向位置信息Loc；

在人脑超声图像上、以小脑蚓部初始搜索区域为搜索范围、以小脑蚓部平均模板图像为搜索依据，进行模板尺寸自适应的滑动窗口搜索，统计滑动窗口图像与模板图像的相似度并比较，将相似度大于设定阈值的滑动窗口图像的中心点进行聚类，选取最大类所包含的点集的几何中心作为小脑蚓部初始搜索结果的中心，并以自适应后小脑蚓部平均模板尺寸作为小脑蚓部初始搜索结果的尺寸；

在人脑超声图像中以基准点Center以及小脑蚓部初始搜索结果为基础确定包含小脑蚓部的扇形范围区域，对该扇形区域进行图像增强处理并获取其中的轮廓信息，对点集进行筛选获取可能是小脑蚓部轮廓的点集、并取点集的外接矩形区域作为小脑蚓部精搜索范围，以该小脑蚓部精搜索范围为搜索区域、以小脑蚓部平均模板图像为搜索依据、采用新相似度比较算法进行自适应模板尺寸滑动窗口搜索从而得到小脑蚓部精搜索结果；

读取小脑蚓部精搜索结果中的小脑蚓部图像并对该图像进行预处理，通过方向位置信息Loc以及小脑蚓部本身的形态学特征对其进行外轮廓图形拟合得到小脑蚓部初始轮廓，再对精确轮廓进行平滑化处理最终得到小脑蚓部轮廓信息。

所述小脑蚓部初始搜索区域具体采用如下方式：

根据胼胝体位置信息获得人脑超声图像中包含胼胝体的矩形框坐标，并以此求得该矩形框中心坐标作为基准点Center；

将胼胝体中心点横坐标作为两矩形框左边界、右边界横坐标，以胼胝体区域下边界作为两矩形框上边界，以胼胝体长的F倍作为矩形框的长和宽数值、从而得到位于胼胝体下方的左右两个矩形区域；

在预处理后的人脑超声图像上截取上述左右两矩形区域图像并记为Pic_l和Pic_r，求得两个矩形区域的像素均值并进行比较，并将像素均值较大的矩形区域作为包含胼胝体的区域，以此种方式判断胼胝体的方向位置信息Loc；

根据方向位置信息Loc选择胼胝体左下侧图像Pic_l或右下侧图像Pic_r对应区域作为小脑蚓部初始搜索区域。

所述小脑蚓部初始搜索结果具体采用如下方式获取：

根据胼胝体尺寸信息获得胼胝体宽度W，再将小脑蚓部平均模板图像的边长转化为与胼胝体宽度相同、得到新小脑蚓部模板图像Tmp1；

在人脑超声图像上，以小脑蚓部初始搜索区域为搜索范围、以新小脑蚓部模板图像Tmp1为搜索依据进行滑动窗口搜索：以N为步长从上至下、从左至右在搜索区域内截取与新小脑蚓部模板图像Tmp1同等大小的图像，将截取的图像与新小脑蚓部模板图像Tmp1进行相似度比较，并将相似度大于设定阈值的图像在搜索区域内对应的位置信息进行统计；

将筛选出的图像的中心点坐标整合成一个点集，并对该点集进行聚类、将包含点个数最多的类筛选出来并求得该类所有点的几何中心点；

以几何中心点坐标作为小脑蚓部初始搜索结果、在初始搜索区域内对应的中心点坐标记为Center2，并以自适应变换后的小脑蚓部平均模板尺寸作为初始搜索结果对应的矩形区域的尺寸、从而最终得到小脑蚓部的初始搜索结果。

所述小脑蚓部精搜索范围采用如下方式获取：

在人脑超声图像中将基准点Center为圆心、以胼胝体长的K倍为半径长度在人脑超声图像中画圆，并以圆心Center与小脑蚓部初始搜索结果中心点Center2连线为基准线确定一个包含小脑蚓部的扇形区域；

对该扇形区域进行图像增强处理并获取其中的轮廓信息、对这些轮廓点进行筛选、同时对扇形区域二值化处理，在二值化图像上找到轮廓对应的上下左右四个点集，对这四个点集分别求取均值筛选出左上两点集均值小于像素值P、右下两点集均值大于像素值Q的轮廓点，并得到小脑蚓部左上部轮廓点，同理筛选左上两点集获得小脑蚓部右下部轮廓点，将筛选出的轮廓点集几何中心点作为小脑蚓部精搜索区域中心点，并以胼胝体宽的L倍作为边长、框选出正方形区域作为小脑蚓部精搜索范围。

在确定的小脑蚓部精搜索范围范围内，采用新相似度比较算法对小脑蚓部进行滑动窗口搜索获取，具体操作如下：

对新小脑蚓部模板图像Tmp1进行等比例缩放得到包括Tmp1模板在内的五个不同尺寸的小脑蚓部平均模板；

以5为步长从上至下、从左至右在搜索区域内分别截取与刚得到的五个小脑蚓部平均模板同等大小的图像，将这些图像与小脑蚓部平均模板进行相似度比较，分别采用三种相似度比较方法作为衡量标准得到相似度达到设定阈值的图像搜索位置，再将这些图像位置信息进行整合、形成一个同时包含这三种衡量标准搜索位置信息的集合作为这轮搜索的最终集合，把搜索区域内所有满足条件的位置信息进行统计；

将满足条件的位置的左上角点坐标汇总为点集P_set1、右下角点坐标汇总为点集P_set2，分别对两个点集P_set1和P_set2进行聚类，再分别计算得出聚类结果中含有点数最多的类中点集的几何中心，分别得到P_set1和P_set2聚类结果得到的点P_tl和P_br，将这两个点作为小脑蚓部精搜索区域对应的左上角点与右下角点、便得到小脑蚓部精搜索结果。

所述小脑蚓部轮廓信息具体采用如下方式获取：

将小脑蚓部区域从人脑超声图像中截取出来得到小脑蚓部图像并对其进行预处理；

基于方向信息Loc以及小脑蚓部本身的形态学特征，对其进行外轮廓图形拟合获取小脑蚓部初始拟合轮廓点；

对小脑蚓部初始拟合轮廓点进行检测，判断每个初始拟合轮廓点对应射线上最有可能成为小脑蚓部轮廓的点，并加入到点集Pset1中，作为新的小脑蚓部轮廓点集合，再对Pset1中的点进行均值化处理、得到新的均值化点集Pavgset1，循环上述步骤、使小脑蚓部轮廓点集不断循环迭代，设置迭代次数为N，经过迭代得到小脑蚓部轮廓信息。

所述小脑蚓部初始拟合轮廓点具体采用如下方式获取：

通过方向信息Loc判断小脑蚓部凹陷方向，再以小脑蚓部图像中心点为圆心Center、扇形区域拟合小脑蚓部：其中扇形一圆心坐标与Center坐标相同，半径为脑蚓部图像边长的1/2，记为1/2L，弧度为180°；其中扇形二圆心在Center上方1/8L处，半径为3/8L，弧度为120°；其中扇形三圆心在Center下方1/8L处，半径为3/8L，弧度为120°；

若Loc＝0则说明小脑蚓部凹陷在右侧，则扇形一在小脑蚓部图像左侧，扇形二、扇形三在小脑蚓部图像右侧；若Loc＝1则说明小脑蚓部凹陷在左侧，则扇形一在小脑蚓部图像右侧，扇形二、扇形三在小脑蚓部图像左侧；最后将拟合图形三个扇形的弧线边链接作为小脑蚓部初始拟合轮廓，轮廓上的像素点即为小脑蚓部初始拟合轮廓点。

在获取小脑蚓部轮廓信息时：

以小脑蚓部图像中心点Center3出发，穿过轮廓点集中的每一个轮廓点做射线，获取小脑蚓部图像边缘，以每条射线为一个单位、利用插值法分别计算线段上的像素点坐标和像素值信息，设远离圆心方向为前方、靠近圆心方向为后方，以一条射线为例，将该射线所穿过的初始轮廓点作为起始点，在起始点前后S个单位的像素点内进行搜索，即包括起始点在内的2S+1个像素点，查找这些点中最有可能成为小脑蚓部轮廓点的像素点；

对初始得到的所有拟合轮廓点进行检测，判断每个初始拟合轮廓点对应射线上最有可能成为小脑蚓部轮廓的点、并加入到点集Pset1中、作为新的小脑蚓部轮廓点集合，再对Pset1中的点进行均值化处理：从点集中随机选取一个点作为起始点，分别将前Q个点和后Q个点以及起始点的横纵坐标分别取均值得到新的点坐标，以此类推，直到Pset1中所有点都循环操作一遍为止得到新的均值化点集Pavgset1；

循环上述步骤、使小脑蚓部轮廓点集不断循环迭代，设置迭代次数为P，经过迭代得到小脑蚓部精确轮廓。

由于采用了上述技术方案，本发明提供的一种超声图像中小脑蚓部的定位及分割方法，本方法只需要用户给出人脑超声图，以及人脑超声图像中胼胝体的位置即尺寸信息，即可得到所需的小脑蚓部位置信息以及分割出的小脑蚓部边缘轮廓，减少了日常生活中需要医生手工来定位及标记边缘轮廓的操作，从而减少一些由于人工失误导致的误差，使得准确性和效率提高，并且不需要有相应的医学技术就可以操作，并且占用内存较小，运行时间快。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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为本发明方法实现的流程图

图2为本发明中输入的人脑超声图像

图3为本发明中通过对抗神经网络生成的小脑蚓部平均模板图像

图4为本发明中判断小脑蚓部方向位置信息过程图像

图5为本发明中小脑蚓部初始搜索结果区域图像

图6为本发明中小脑蚓部初始搜索结果效果图

图7为本发明中根据小脑蚓部初始搜索结果获取精搜索区域效果图

图8为本发明中小脑蚓部精搜索结果效果图

图9为本发明中小脑蚓部形状拟合效果图

图10为本发明中小脑蚓部初始轮廓分割效果图

图11为本发明中小脑蚓部最终轮廓分割效果图

具体实施方式

为使本发明的技术方案和优点更加清楚，下面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完整的描述：

如图1至图3所示的一一种超声图像中小脑蚓部的定位及分割方法，在实施过程中根据输入的胼胝体信息在人脑超声图像中确定的初始搜索区域，然后在该区域进行小脑蚓部初始搜索，得到小脑蚓部初始定位结果如图6所示，再根据初始搜索结果获得小脑蚓部精搜索区域，并进行精搜索，得到精搜索定位结果如图8所示，再通过形状拟合在小脑蚓部图像上得到其初始轮廓，并经过迭代得到小脑蚓部精确轮廓，最终实现小脑蚓部的精准定位及轮廓分割。本发明公开的方法具体步骤如下：

S1：输入的人脑超声图像，并对图像进行预处理，具体采用如下方式：

S11.首先将人脑超声图像转化为灰度图像：遍历图像的每个像素点的像素值(r_k，g_k，b_k)(k＝0...num，num为像素点的个数)，计算出的灰度值为：

gray_k＝0.299*r_k+0.587*g_k+0.114*b_k

r_k＝gray_k，g_k＝gray_k，b_k＝gray_k

通过对每个像素点进行处理，即可将图像转换为灰度图。

S12.对S11得到的灰度图像进行直方图均衡化处理以及双边滤波降噪处理，达到增强图像对比度，去除图像中噪声的目的。

S2：输入人工切割的小脑蚓部图像，制作平均模板，具体采用如下方式：

对200张人脑超声图像手工分割，获得200张包含小脑蚓部区域的正方形形图像，再对这些图像进行降噪及增强处理；将这些图像转化成相同尺寸；再将处理后的图像带入对抗神经网络进行训练，得到一张包含小脑蚓部平均特征信息的矩形图像。将这张图像作为小脑蚓部的平均模板图像。

S3：确定小脑蚓部的方向位置信息，并确定小脑蚓部初始搜索区域，具体采用如下方式：

S31.根据S1输入的胼胝体位置信息，获得人脑超声图像中包含胼胝体的矩形框坐标，这里记为并以此求得该矩形框中心坐标作为基准点Center。

因为人脑的生理结构特性，胼胝体位于大脑左右半球之间，小脑蚓部位于小脑区域，在胼胝体下方；又因为拍摄超声图像的过程中，人脑以左侧或右侧方向面向超声仪器，因此在人脑超声图像，会呈现小脑蚓部在胼胝体左下方或右下方的情况；为了判断小脑蚓部的方向信息，将胼胝体中心点横坐标作为两矩形框左边界(右边界)横坐标，以胼胝体区域下边界作为两矩形框上边界，以胼胝体的1.5倍长作为矩形框的长与宽，得到位于胼胝体下方的左右两个矩形区域。

S32.在S1预处理后的人脑超声图像上截取S31得到的左右两矩形区域图像，记为Pic_l和Pic_r，如图4所示；求得两个矩形区域的像素均值，进行比较，并将像素均值较大的矩形区域作为包含胼胝体的区域，以此种方式判断胼胝体的方向位置信息Loc(这里如果小脑蚓部在胼胝体左下方，则记Loc＝0；如果小脑蚓部在胼胝体右下方，则记Loc＝1)。

S33.根据S32得到的方向位置信息选择胼胝体左下侧图像Pic_l或右下侧图像Pic_r对应区域作为小脑蚓部的初始搜索区域，如图5所示。

S4：在小脑蚓部初始搜索区域展开搜索，得到小脑蚓部初始搜索结果，具体采用如下方式：

S41.根据S1输入的胼胝体尺寸信息，获得胼胝体宽度为W；再将S2得到的小脑蚓部平均模板图像(正方形图像)的边长转化为与胼胝体宽度相同，即W；得到的新尺寸小脑蚓部模板图像Tmp1即为接下来搜索所用模板图像；

S42.在人脑超声图像上，以S33得到的小脑蚓部初始搜索区域为搜索范围，以S41得到的新小脑蚓部平均模板图像为搜索依据，进行滑动窗口搜索，具体操作如下：以5为步长从上至下，从左至右在搜索区域内截取与新模板图像同等大小的图像，将这些图像与模板图像Tmp1进行相似度比较(这里采用相关系数匹配算法)，并将相似度在前10％的图像在搜索区域内对应的位置信息进行统计。

将筛选出的图像的中心点坐标整合成一个点集，并对点集进行聚类(这里采用MeanShift算法进行聚类)；将包含点个数最多的类筛选出来，并求得该类所有点的几何中心。

S43.以S42得到的几何中心点坐标作为小脑蚓部初始搜索结果在初始搜索区域内对应的中心点坐标，记为Center2；并以自适应变换后的小脑蚓部平均模板尺寸作为初始搜索结果对应的矩形区域的尺寸。最终得到小脑蚓部的初始搜索结果，如图6所示。

S5：获取小脑蚓部精搜索区域，并搜索得到小脑蚓部精搜索结果，具体采用如下方式：

S51.在人脑超声图像中，将S3确定的基准点Center为圆心，以S1输入的胼胝体长L的1.5倍长度为半径长度，在人脑超声图像中画圆。并以圆心Center与S43得到的小脑蚓部初始搜索结果中心点Center2连线为基准线；以圆心为轴点，将基准线分别顺时针及逆时针旋转20°，则在以Center为圆心、1.5L为半径的圆上扫过了一个弧度为40°的扇形区域。

对该扇形区域进行图像增强处理，并获取其中的轮廓信息(这里的信息是点集形式)，如图7所示；对这些轮廓点进行筛选，具体操作如下：以每个轮廓点(X₀，Y₀)为基准，在扇形区域范围内统计相同横坐标下纵坐标值大于Y₀为1-10的像数值点，其坐标即为(X₀，Y₁)、(X₀，Y₂)…(X₀，Y₁₀)；再统计相同横坐标下纵坐标值小于Y₀为1-10的像数值点，其坐标即为(X₀，Y_-1)、(X₀，Y_-2)…(X₀，Y_-10)；再统计相同纵坐标下横坐标值分别大于及小于X₀为1-10的像数值点，其坐标即为(X₁，Y₀)、(X₂，Y₀)…(X₁₀，Y₀)和(X_-1，Y₀)、(X_-2，Y₀)…(X_-10，Y₀)；对扇形区域二值化处理(这里阈值为扇形区域图像均值)；在二值化图像上，找到轮廓带对应的上下左右四个点集，对这四个点集分别求取均值，筛选出左上两点集均值小于20，右下两点集均值大于200的轮廓点，并判断这些点大概率为小脑蚓部左上部轮廓点；同理，筛选出左上两点集均值大于200，右下两点集均值小于20的轮廓点，并判断这些点大概率为小脑蚓部右下部轮廓点；将筛选出的轮廓点集几何中心点作为小脑蚓部精搜索区域中心点，并以1.5倍胼胝体宽作为边长，框选出正方形区域作为小脑蚓部的精搜索区域。

S52.对S41中得到的模板图像Tmp1进行等比例放缩(这里方所比例为：0.8，0.9，1.1，1.2)；得到包括Tmp1模板在内的五个不同尺寸小脑蚓部平均模板。

在S51确定的小脑蚓部精搜索区域范围内，对小脑蚓部进行滑动窗口搜索，具体操作如下：以5为步长从上至下，从左至右在搜索区域内分别截取与刚得到的5个新模板图像同等大小的图像，将这些图像与模板图像进行相似度比较；这里采用了PSNR(峰值信噪比)、SSIM(结构相似性)、Cosine算法三种衡量标准作为相似度比较方法，即分别采用这三种相似度比较方式作为衡量标准，分别得到在这三种衡量标准下的相似度达到前10％的图像搜索位置，再将这些图像位置信息进行整合，形成一个同时包含这三准评判标准搜索位置的信息集合作为这轮搜索的最终集合，把搜索区域内所有满足条件的位置信息进行统计。

将满足条件的位置的左上角点坐标汇总为点集P_set1，右下角点坐标汇总为点集P_set2。分别对两个点集P_set1和P_set2进行聚类(这里采用DBSCAN聚类算法)，再分别计算得出聚类结果中含有点数最多的类中点集的几何中心；分别得到P_set1和P_set2聚类结果得到的点P_tl和P_br，将这两个点作为小脑蚓部精搜索区域对应的左上角点与右下角点。相应的，便得到了小脑蚓部精搜索结果，如图8所示。

S6：对得到的小脑蚓部图像进行形状拟合获取初始轮廓，并对轮廓进行算法迭代得到精确轮廓，具体采用如下方式：

S61.将S52得到的小脑蚓部区域从人脑超声图像中截取出来，得到小脑蚓部图像；将小脑蚓部图像转化为灰度图像；对灰度图像进行直方图均衡化处理及双边滤波处理，得到预处理后的小脑蚓部图像。

S62.通过S32得到的方向信息Loc以及小脑蚓部本身的形态学特征，对其进行外轮廓图形拟合，具体操作如下：根据小脑蚓部本身的形态学特征，可知小脑蚓部形状近似为圆，同时一侧在纵向1/2处延水平方向向内凹陷约1/3半径距离。所以，首先通过方向信息Loc判断小脑蚓部凹陷方向，再以小脑蚓部图像中心点为圆心Center3，扇形区域拟合小脑蚓部：其中扇形1圆心坐标与Center3坐标相同，半径为脑蚓部图像边长的1/2，记为1/2L，弧度为180°；其中扇形2圆心在Center3上方1/8L处，半径为3/8L，弧度为120°；其中扇形3圆心在Center3下方1/8L处，半径为3/8L，弧度为120°。若Loc＝0则说明小脑蚓部凹陷在右侧，则扇形1在小脑蚓部图像左侧，扇形2、3在小脑蚓部图像右侧；若Loc＝1则说明小脑蚓部凹陷在左侧，则扇形1在小脑蚓部图像右侧，扇形2、3在小脑蚓部图像左侧；最后将拟合图形(如图9所示)三个扇形的弧线边链接作为小脑蚓部初始拟合轮廓，轮廓上的像素点即为小脑蚓部初始拟合轮廓点，如图10所示。

以图像中心点Center3出发，穿过上面得到的轮廓点集中的每一个轮廓点做射线，知道小脑蚓部图像边缘。以每条射线为一个单位，利用插值法分别计算这些线段上的像素点坐标及像素值信息。

以一条射线为例，将该射线所穿过的初始轮廓点作为起始点，在起始点前后(这里定义远离圆心方向为前方；靠近圆心方向为后方)15单位的像素点内进行搜索，即包括起始点在内的31个像素点，找到这些点中最有可能成为小脑蚓部轮廓点的像素点(判断标准为分别计算该像素点后10个点的像素值均值与前10个点的像素均值，并做差，差值越大，则被认为越有可能成为小脑蚓部轮廓点)。

根据上面的判断依据，对初始得到的所有拟合轮廓点进行检测，判断每个初始拟合轮廓点对应射线上最有可能成为小脑蚓部轮廓的点；并加入到点集Pset1中，作为新的小脑蚓部轮廓点集合；再对Pset1中的点进行均值化处理，具体操作为，从点集(这里看作一个闭环)中随机挑去一个点作为起始点，并将前5个点与后5个点的横纵坐标均值与改点坐横纵坐标求和再取均值，得到新的点坐标；以此类推，直到原点击中所有点都循环操作一遍为止，得到新的均值化点集Pavgset1。

循环上面的中的步骤，使小脑蚓部轮廓点集不断循环迭代(Pset1→Pavgset1→Pset2→Pavgset2→Pset3→Pavgset3……)；这里设置迭代为10，经过迭代得到小脑蚓部精确轮廓。

S63.对精确轮廓进行平滑化处理(这里采用主动轮廓模型算法)；最终得到小脑蚓部轮廓信息，如图11所示。

Claims (8)

1.一种超声图像中小脑蚓部的定位及分割方法，其特征在于包括：

获取人脑超声图像和超声图像中胼胝体尺寸及位置信息、同时对人脑超声图像进行预处理；

读取小脑蚓部图像、通过对抗神经网络生成小脑蚓部平均模板图像；

根据胼胝体位置信息、将胼胝体几何中心点位置作为基准点Center，根据人脑生理结构信息确定小脑蚓部位于胼胝体左下或右下位置，框选出胼胝体左下和右下两个区域，分别求得两个矩形区域的像素均值并进行比较，选择像素均值较小的区域作为小脑蚓部初始搜索区域，并记录小脑蚓部相对胼胝体方向位置信息Loc；

在人脑超声图像上、以小脑蚓部初始搜索区域为搜索范围、以小脑蚓部平均模板图像为搜索依据，进行模板尺寸自适应的滑动窗口搜索，统计滑动窗口图像与模板图像的相似度并比较，将相似度大于设定阈值的滑动窗口图像的中心点进行聚类，选取最大类所包含的点集的几何中心作为小脑蚓部初始搜索结果的中心，并以自适应后小脑蚓部平均模板尺寸作为小脑蚓部初始搜索结果的尺寸；

在人脑超声图像中以基准点Center以及小脑蚓部初始搜索结果为基础确定包含小脑蚓部的扇形范围区域，对该扇形区域进行图像增强处理并获取其中的轮廓信息，对点集进行筛选获取可能是小脑蚓部轮廓的点集、并取点集的外接矩形区域作为小脑蚓部精搜索范围，以该小脑蚓部精搜索范围为搜索区域、以小脑蚓部平均模板图像为搜索依据、采用新相似度比较算法进行自适应模板尺寸滑动窗口搜索从而得到小脑蚓部精搜索结果；

读取小脑蚓部精搜索结果中的小脑蚓部图像并对该图像进行预处理，通过方向位置信息Loc以及小脑蚓部本身的形态学特征对其进行外轮廓图形拟合得到小脑蚓部初始轮廓，再对精确轮廓进行平滑化处理最终得到小脑蚓部轮廓信息。

2.根据权利要求1所述的方法，其特征还在于：所述小脑蚓部初始搜索区域具体采用如下方式：

根据胼胝体位置信息获得人脑超声图像中包含胼胝体的矩形框坐标，并以此求得该矩形框中心坐标作为基准点Center；

将胼胝体中心点横坐标作为两矩形框左边界、右边界横坐标，以胼胝体区域下边界作为两矩形框上边界，以胼胝体长的F倍作为矩形框的长和宽数值、从而得到位于胼胝体下方的左右两个矩形区域；

在预处理后的人脑超声图像上截取上述左右两矩形区域图像并记为Pic_l和Pic_r，求得两个矩形区域的像素均值并进行比较，并将像素均值较大的矩形区域作为包含胼胝体的区域，以此种方式判断胼胝体的方向位置信息Loc；

根据方向位置信息Loc选择胼胝体左下侧图像Pic_l或右下侧图像Pic_r对应区域作为小脑蚓部初始搜索区域。

3.根据权利要求1所述的方法，其特征还在于：所述小脑蚓部初始搜索结果具体采用如下方式获取：

根据胼胝体尺寸信息获得胼胝体宽度W，再将小脑蚓部平均模板图像的边长转化为与胼胝体宽度相同、得到新小脑蚓部模板图像Tmp1；

在人脑超声图像上，以小脑蚓部初始搜索区域为搜索范围、以新小脑蚓部模板图像Tmp1为搜索依据进行滑动窗口搜索：以N为步长从上至下、从左至右在搜索区域内截取与新小脑蚓部模板图像Tmp1同等大小的图像，将截取的图像与新小脑蚓部模板图像Tmp1进行相似度比较，并将相似度大于设定阈值的图像在搜索区域内对应的位置信息进行统计；

将筛选出的图像的中心点坐标整合成一个点集，并对该点集进行聚类、将包含点个数最多的类筛选出来并求得该类所有点的几何中心点；

以几何中心点坐标作为小脑蚓部初始搜索结果、在初始搜索区域内对应的中心点坐标记为Center2，并以自适应变换后的小脑蚓部平均模板尺寸作为初始搜索结果对应的矩形区域的尺寸、从而最终得到小脑蚓部的初始搜索结果。

4.根据权利要求1所述的方法，其特征还在于：所述小脑蚓部精搜索范围采用如下方式获取：

在人脑超声图像中将基准点Center为圆心、以胼胝体长的K倍为半径长度在人脑超声图像中画圆，并以圆心Center与小脑蚓部初始搜索结果中心点Center2连线为基准线确定一个包含小脑蚓部的扇形区域；

对该扇形区域进行图像增强处理并获取其中的轮廓信息、对这些轮廓点进行筛选、同时对扇形区域二值化处理，在二值化图像上找到轮廓对应的上下左右四个点集，对这四个点集分别求取均值筛选出左上两点集均值小于像素值P、右下两点集均值大于像素值Q的轮廓点，并得到小脑蚓部左上部轮廓点，同理筛选左上两点集获得小脑蚓部右下部轮廓点，将筛选出的轮廓点集几何中心点作为小脑蚓部精搜索区域中心点，并以胼胝体宽的L倍作为边长、框选出正方形区域作为小脑蚓部精搜索范围。

5.根据权利要求4所述的方法，其特征还在于：在确定的小脑蚓部精搜索范围范围内，采用新相似度比较算法对小脑蚓部进行滑动窗口搜索获取，具体操作如下：

对新小脑蚓部模板图像Tmp1进行等比例缩放得到包括Tmp1模板在内的五个不同尺寸的小脑蚓部平均模板；

以N为步长从上至下、从左至右在搜索区域内分别截取与刚得到的五个小脑蚓部平均模板同等大小的图像，将这些图像与小脑蚓部平均模板进行相似度比较，分别采用三种相似度比较方法作为衡量标准得到相似度达到设定阈值的图像搜索位置，再将这些图像位置信息进行整合、形成一个同时包含这三种衡量标准搜索位置信息的集合作为这轮搜索的最终集合，把搜索区域内所有满足条件的位置信息进行统计；

将满足条件的位置的左上角点坐标汇总为点集P_set1、右下角点坐标汇总为点集P_set2，分别对两个点集P_set1和P_set2进行聚类，再分别计算得出聚类结果中含有点数最多的类中点集的几何中心，分别得到P_set1和P_set2聚类结果得到的点P_tl和P_br，将这两个点作为小脑蚓部精搜索区域对应的左上角点与右下角点、便得到小脑蚓部精搜索结果。

6.根据权利要求1所述的方法，其特征还在于：所述小脑蚓部轮廓信息具体采用如下方式获取：

将小脑蚓部区域从人脑超声图像中截取出来得到小脑蚓部图像并对其进行预处理；

基于方向信息Loc以及小脑蚓部本身的形态学特征，对其进行外轮廓图形拟合获取小脑蚓部初始拟合轮廓点；

对小脑蚓部初始拟合轮廓点进行检测，判断每个初始拟合轮廓点对应射线上最有可能成为小脑蚓部轮廓的点，并加入到点集Pset1中，作为新的小脑蚓部轮廓点集合，再对Pset1中的点进行均值化处理、得到新的均值化点集Pavgset1，循环上述步骤、使小脑蚓部轮廓点集不断循环迭代，设置迭代次数为N，经过迭代得到小脑蚓部轮廓信息。

7.根据权利要求6所述的方法，其特征还在于：所述小脑蚓部初始拟合轮廓点具体采用如下方式获取：

通过方向信息Loc判断小脑蚓部凹陷方向，再以小脑蚓部图像中心点为圆心Center、扇形区域拟合小脑蚓部：其中扇形一圆心坐标与Center坐标相同，半径为脑蚓部图像边长的1/2，记为1/2L，弧度为180°；其中扇形二圆心在Center上方1/8L处，半径为3/8L，弧度为120°；其中扇形三圆心在Center下方1/8L处，半径为3/8L，弧度为120°；

若Loc＝0则说明小脑蚓部凹陷在右侧，则扇形一在小脑蚓部图像左侧，扇形二、扇形三在小脑蚓部图像右侧；若Loc＝1则说明小脑蚓部凹陷在左侧，则扇形一在小脑蚓部图像右侧，扇形二、扇形三在小脑蚓部图像左侧；最后将拟合图形三个扇形的弧线边链接作为小脑蚓部初始拟合轮廓，轮廓上的像素点即为小脑蚓部初始拟合轮廓点。

8.根据权利要求6所述的方法，其特征还在于：在获取小脑蚓部轮廓信息时：

以小脑蚓部图像中心点Center3出发，穿过轮廓点集中的每一个轮廓点做射线，获取小脑蚓部图像边缘，以每条射线为一个单位、利用插值法分别计算线段上的像素点坐标和像素值信息，设远离圆心方向为前方、靠近圆心方向为后方，以一条射线为例，将该射线所穿过的初始轮廓点作为起始点，在起始点前后S个单位的像素点内进行搜索，即包括起始点在内的2S+1个像素点，查找这些点中最有可能成为小脑蚓部轮廓点的像素点；

对初始得到的所有拟合轮廓点进行检测，判断每个初始拟合轮廓点对应射线上最有可能成为小脑蚓部轮廓的点、并加入到点集Pset1中、作为新的小脑蚓部轮廓点集合，再对Pset1中的点进行均值化处理：从点集中随机选取一个点作为起始点，分别将前Q个点和后Q个点以及起始点的横纵坐标分别取均值得到新的点坐标，以此类推，直到Pset1中所有点都循环操作一遍为止得到新的均值化点集Pavgset1；

循环上述步骤、使小脑蚓部轮廓点集不断循环迭代，设置迭代次数为P，经过迭代得到小脑蚓部精确轮廓。

Images