基于交互式字典遷移的序列醫(yī)學(xué)圖像快速分割方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于交互式字典遷移的序列醫(yī)學(xué)圖像快速分割方法。主要解決現(xiàn)有單幅圖像分割速度慢和工作量大的問題。其實現(xiàn)過程是：輸入腹部CT序列圖像；用mean?shift方法對其初分割并以每個像素為中心提取5×5塊作為特征；對一幅圖像進(jìn)行交互式分割得到目標(biāo)和背景；對目標(biāo)和背景區(qū)域分別進(jìn)行訓(xùn)練生成目標(biāo)和背景字典后，去逼近序列中未分割的圖像，根據(jù)誤差最小原則將所有像素標(biāo)記為目標(biāo)或背景并進(jìn)行高斯平滑；計算初分割圖像中每個區(qū)域的目標(biāo)像素點的密度，去掉密度小的區(qū)域后得到分割結(jié)果；對于分割不正確的圖像進(jìn)行再次交互式分割；通過字典遷移來更新目標(biāo)字典。本發(fā)明專利技術(shù)具有對醫(yī)學(xué)圖像分割效果好和速度快的優(yōu)點，可用于對醫(yī)學(xué)CT序列圖像的分割。

【技術(shù)實現(xiàn)步驟摘要】

本專利技術(shù)屬于圖像處理
，特別是醫(yī)學(xué)圖像的處理，主要可用于多幅腹部CT序列圖像的胃癌病變區(qū)域分割。
技術(shù)介紹
醫(yī)學(xué)圖像分割是醫(yī)生根據(jù)需 要把感興趣的目標(biāo)區(qū)域，即將可能存在病變區(qū)域、重要組織和器官等從背景中分離出來的過程。它是現(xiàn)代醫(yī)學(xué)圖像處理中的一個重要的研究領(lǐng)域，也是病變區(qū)域提取、檢測和跟蹤等后續(xù)醫(yī)學(xué)圖像處理的基礎(chǔ)。由于這些操作都需要以一個準(zhǔn)確的分割結(jié)果為前提，然后才能進(jìn)行準(zhǔn)確地定位分析，所以醫(yī)學(xué)圖像分割結(jié)果的準(zhǔn)確性對于醫(yī)生對病情的診斷并做出正確治療方案具有非常重要的意義。圖像特征是圖像的重要屬性，圖像分割過程中提取特征是重要的一步，常用的圖像特征有灰度共生矩陣，小波變換特征等。由于圖像分割方法都要對圖像進(jìn)行特征提取，特征提取雖然是線下過程，但是由于需要對圖像的每一個像素點分別進(jìn)行特征提取，所以這一過程十分耗時。交互式分割方法是現(xiàn)在應(yīng)用最熱門和最廣泛的處理醫(yī)學(xué)圖像的方法。它結(jié)合了自動分割與手動分割的優(yōu)點，既允許人工參與提供一些先驗信息，但又不完全依賴于人工參與。由于醫(yī)學(xué)圖像有復(fù)雜的背景，自動分割運(yùn)算量大，在沒有人工指導(dǎo)的情況下準(zhǔn)確率很難保證。而交互式分割在允許人工參與的情況下保證了準(zhǔn)確率。它的具體做法是由用戶標(biāo)記出圖像中感興趣區(qū)域的大致范圍，從而提供部分先驗信息，然后分割算法再根據(jù)這些信息對圖像進(jìn)行分割。雖然交互式分割有以上優(yōu)點，但它也存在缺點，由于交互式分割方法一次只能分割一幅圖像，用戶必須對每幅待分割的圖像標(biāo)記出目標(biāo)和背景，然后一幅一幅分割。對于CT序列圖像，一個病人的序列圖有上百幅，如果單幅分割，則極大的增加了工作量。目前交互式分割方法主要有Live wire方法和活動輪廓模型方法等。Live wire方法是通過搜索邊緣來進(jìn)行圖像分割的方法，它將圖像看成是一個連通圖，通過構(gòu)造代價函數(shù)和選擇關(guān)鍵點，在全圖范圍內(nèi)尋找給定兩點間的最優(yōu)路徑作為物體的邊緣。這個方法的缺點是它對交互者要求較高，輸入交互點位置的偏移可能導(dǎo)致分割結(jié)果出錯，而且在多幅序列圖像中如果出現(xiàn)分割結(jié)果不好的圖像時也不能及時修正分割結(jié)果。活動輪廓模型方法是在圖像中定義一個曲線，使其在曲線本身決定的內(nèi)能和由圖像數(shù)據(jù)決定的外能的推動下向物體邊緣靠近，其缺點是對初始曲線的位置比較敏感，而且它不能收斂到凹性邊緣。這兩種方法都是基于邊緣的方法。對于上百幅的醫(yī)學(xué)序列圖像，感興趣區(qū)域的邊緣變化很大，這些方法在分割多幅醫(yī)學(xué)圖像時的分割準(zhǔn)確率較低。
技術(shù)實現(xiàn)思路
本專利技術(shù)的目的在于針對上述已有技術(shù)的不足，提出一種，以減少單幅交互式分割的工作量，節(jié)省時間，降低對交互者的要求，并采用二次修正的方法提高分割準(zhǔn)確率。實現(xiàn)本專利技術(shù)上述目的技術(shù)方案，包括如下步驟(I)輸入腹部CT序列圖像1={1(1)，1(2)，…，Ιω}，η為從序列圖像的數(shù)量，η最大值為 300 ；(2)對每幅圖像I (q)以每個像素點為中心提取5X5的塊作為每個像素的特征，則該圖像所有像素的特征向量集合為ΧΝΧ25ω，N為每幅圖像的大小，其中KqSn;(3)用mean shift方法對CT序列圖像I進(jìn)行初始分割，則CT序列圖像Iω的初分割圖像為Sw，并統(tǒng)計初分割圖像Sw中的區(qū)域數(shù)目m ； (4)選取CT序列圖像Iω，進(jìn)行交互式分割首先，在序列圖像Ιω對應(yīng)的初分割圖像S(1)上的區(qū)域進(jìn)行手動標(biāo)記部分目標(biāo)區(qū)域M0和部分背景區(qū)域Mb，剩余的區(qū)域為未標(biāo)記區(qū)域N ； 然后，根據(jù)合并準(zhǔn)則，重復(fù)合并未標(biāo)記區(qū)域N中與標(biāo)記背景Mb中相似性最大的區(qū)域，直到所有區(qū)域都合并后，得到CT序列圖像1(1)的全部目標(biāo)區(qū)域和背景區(qū)域，即得到分割結(jié)果，其中該目標(biāo)區(qū)域代表腹部CT圖像中的胃癌病變區(qū)域；(5)提取步驟⑷中的目標(biāo)區(qū)域內(nèi)對應(yīng)像素點的特征向量并用K-SVD算法對目標(biāo)特征向量\進(jìn)行訓(xùn)練學(xué)習(xí)，生成一個目標(biāo)字典Dtj ；(6)用k均值方法將步驟(4)中得到的背景區(qū)域聚為4類，每類對應(yīng)的特征向量為XB1，XB2, XB3, XB4，并用K-SVD方法分別對其訓(xùn)練學(xué)習(xí)，生成背景字典Db= {Db1, Db2, Db3, DbJ，其中Dbi, Db2, Db3, Db4分別為4類背景區(qū)域?qū)?yīng)的背景字典；(7)由目標(biāo)字典Dq和背景字典Db分別去逼近CT序列圖像Iw的特征向量ΧΝΧ25ω，得到所有像素點的目標(biāo)字典逼近誤差％和背景字典逼近誤差eB，然后根據(jù)誤差最小原則計算二值圖像Tw = [O o/herwise其中，2彡q彡n，i為像素點，其范圍為KiSN;(8)對二值圖像Tw進(jìn)行高斯濾波處理后，計算二值圖像Tw中值為I的像素點在初分割圖像Sw上對應(yīng)區(qū)域的密度d(r)Στ(^(/) = ι)d(f) =-, . , fe/'~r-r ， Σι(/、/) = )+Σι 產(chǎn)1 ⑵=o) /G/-右 Γ 其中為初分割圖中的區(qū)域，其范圍為I Sr Sm, i為像素點，其范圍為N，m為初分割圖像中的區(qū)域總數(shù)目；1( ·)是指示函數(shù)，當(dāng)該函數(shù)輸入的等式成立時其函數(shù)值為1，反之函數(shù)值為O ;(9)根據(jù)步驟⑶中的密度d(r)得到CT序列圖像Iw的分割結(jié)果圖像Cw [I if c/(r) > 0.3( (/-) = 1' 7， [O otherwise.其中，2彡q彡n，Cw中值為I的區(qū)域為目標(biāo)區(qū)域，值為O的區(qū)域為背景區(qū)域；(10)判斷分割結(jié)果圖像Cw分割是否正確，即計算分割結(jié)果圖Cw與上一幅分割結(jié)果圖C(H)的信息差異指標(biāo)VI，當(dāng)信息差異指標(biāo)VI>0. 25時，判定為分割結(jié)果不正確，返回步驟⑷開始執(zhí)行，即對序列圖像Iw進(jìn)行交互式分割；否則，執(zhí)行步驟(11);(11)計算步驟(9)得到的分割結(jié)果圖像Cw的目標(biāo)區(qū)域的特征向量集合X' ，并用K-SVD方法對其訓(xùn)練學(xué)習(xí)，得到一個新目標(biāo)字典D' ，計算新目標(biāo)字典D'。與原目標(biāo)字典％的誤差E= I IDtrD'」I2，若誤差E〈l，則將新目標(biāo)字典D'。中的原子遷移到原目標(biāo)字典％中，更新目標(biāo)字典％ ;否則，原目標(biāo)字典％不變；(12)統(tǒng)計步驟(11)中字典的遷移次數(shù)，當(dāng)字典遷移次數(shù)等于4時，計算當(dāng)前目標(biāo)字典％中原子的貢獻(xiàn)度g，并按貢獻(xiàn)度g的大小進(jìn)行降序排列，保留貢獻(xiàn)度g最大的前50個原子，構(gòu)造新的目標(biāo)字典 (13)重復(fù)執(zhí)行步驟(7)到步驟(10)，對輸入的腹部CT序列圖像I中還未分割的圖像進(jìn)行目標(biāo)區(qū)域提取，直到所有序列圖像都分割出目標(biāo)區(qū)域為止。本專利技術(shù)與現(xiàn)有的技術(shù)相比具有以下優(yōu)點I.本專利技術(shù)采用遷移思想，將一幅圖像的先驗信息遷移到其它圖像來進(jìn)行分割，從而極大的節(jié)省了時間并減少了工作量；2.本專利技術(shù)對分割不準(zhǔn)確的圖像進(jìn)行二次交互式分割，從而提高了圖像的分割準(zhǔn)確率；3.本專利技術(shù)通過以灰度像素塊來代替特征提取，從而提高了速度；附圖說明圖I是本專利技術(shù)的流程圖；圖2是本專利技術(shù)所使用的三幅腹部CT序列圖像；圖3是本專利技術(shù)對圖2進(jìn)行初始分割后的圖像；圖4是本專利技術(shù)對圖2中第一幅圖像交互式分割后的圖像；圖5是本專利技術(shù)對圖2中第二幅圖像分割后的圖像；圖6是本專利技術(shù)對圖2中第三幅圖像分割后的圖像。具體實施例方式參照圖1，本專利技術(shù)給出以下實施例步驟I :輸入腹部CT序列圖像，如圖2a、圖2b和圖2c。步驟2 :對圖2a、圖2b和圖2c分別以每個像素點為中心提取5 X 5的塊作為每個像素的特征，則圖2a、圖2b和圖2c中所有像素的本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點】
一種基于交互式字典遷移的序列醫(yī)學(xué)圖像快速分割方法，包括如下步驟：(1)輸入腹部CT序列圖像I={I(1),I(2),…,I(n)}，n為從序列圖像的數(shù)量，n最大值為300；(2)對每幅圖像I(q)以每個像素點為中心提取5×5的塊作為每個像素的特征，則該圖像所有像素的特征向量集合為XN×25(q)，N為每幅圖像的大小，其中1≤q≤n；(3)用mean？shift方法對CT序列圖像I進(jìn)行初始分割，則CT序列圖像I(q)的初分割圖像為S(q)，并統(tǒng)計初分割圖像S(q)中的區(qū)域數(shù)目m；(4)選取CT序列圖像I(1)，進(jìn)行交互式分割：首先，在序列圖像I(1)對應(yīng)的初分割圖像S(1)上的區(qū)域進(jìn)行手動標(biāo)記部分目標(biāo)區(qū)域MO和部分背景區(qū)域MB，剩余的區(qū)域為未標(biāo)記區(qū)域N；然后，根據(jù)合并準(zhǔn)則，重復(fù)合并未標(biāo)記區(qū)域N中與標(biāo)記背景MB中相似性最大的區(qū)域，直到所有區(qū)域都合并后，得到CT序列圖像I(1)的全部目標(biāo)區(qū)域和背景區(qū)域，即得到分割結(jié)果，其中該目標(biāo)區(qū)域代表腹部CT圖像中的胃癌病變區(qū)域；(5)提取步驟(4)中的目標(biāo)區(qū)域內(nèi)對應(yīng)像素點的特征向量XO，并用K？SVD算法對目標(biāo)特征向量XO進(jìn)行訓(xùn)練學(xué)習(xí)，生成一個目標(biāo)字典DO；(6)用k均值方法將步驟(4)中得到的背景區(qū)域聚為4類，每類對應(yīng)的特征向量為XB1,XB2,XB3,XB4，并用K？SVD方法分別對其訓(xùn)練學(xué)習(xí)，生成背景字典DB={DB1,DB2,DB3,DB4}，其中DB1,DB2,DB3,DB4分別為4類背景區(qū)域?qū)?yīng)的背景字典；(7)由目標(biāo)字典DO和背景字典DB分別去逼近CT序列圖像I(q)的特征向量XN×25(q)，得到所有像素點的目標(biāo)字典逼近誤差eO和背景字典逼近誤差eB，然后根據(jù)誤差最小原則計算二值圖像T(q)：T(q)(i)=1ifeO(i)<eB(i)0otherwise,其中，2≤q≤n，i為像素點，其范圍為1≤i≤N；(8)對二值圖像T(q)進(jìn)行高斯濾波處理后，計算二值圖像T(q)中值為1的像素點在初分割圖像S(q)上對應(yīng)區(qū)域的密度d(r)：d(r)=Σi∈rI(T(q)(i)=1)Σi∈rI(T(q)(i)=1)+Σi∈rI(T(q)(i)=0),其中，r為初分割圖中的區(qū)域，其范圍為1≤r≤m，i為像素點，其范圍為1≤i≤N，m為初分割圖像中的區(qū)域總數(shù)目；I(·)是指示函數(shù)，當(dāng)該函數(shù)輸入的等式成立時其函數(shù)值為1，反之函數(shù)值為0；(9)根據(jù)步驟(8)中的密度d(r)得到CT序列圖像I(q)的分割結(jié)果圖像C(q)：C(q)(r)=1ifd(r)>0.30otherwise.,其中，2≤q≤n，C(q)中值為1的區(qū)域為目標(biāo)區(qū)域，值為0的區(qū)域為背景區(qū)域；(10)判斷分割結(jié)果圖像C(q)分割是否正確，即計算分割結(jié)果圖C(q)與上一幅分割結(jié)果圖C(q？1)的信息差異指標(biāo)VI,當(dāng)信息差異指標(biāo)VI>0.25時，判定為分割結(jié)果不正確，返回步驟(4)開始執(zhí)行，即對序列圖像I(q)進(jìn)行交互式分割；否則，執(zhí)行步驟(11)；(11)計算步驟(9)得到的分割結(jié)果圖像C(q)的目標(biāo)區(qū)域的特征向量集合X′O，并用K？SVD方法對其訓(xùn)練學(xué)習(xí)，得到一個新目標(biāo)字典D′O，計算新目標(biāo)字典D′O與原目標(biāo)字典DO的誤差E=||DO？D′O||2，若誤差E<1，則將新目標(biāo)字典D′O中的原子遷移到原目標(biāo)字典DO中，更新目標(biāo)字典DO；否則，原目標(biāo)字典DO不變；(12)統(tǒng)計步驟(11)中字典的遷移次數(shù)，當(dāng)字典遷移次數(shù)等于4時，計算當(dāng)前目標(biāo)字典DO中原子的貢獻(xiàn)度g，并按貢獻(xiàn)度g的大小進(jìn)行降序排列，保留貢獻(xiàn)度g最大的前50個原子，構(gòu)造新的目標(biāo)字典DO；(13)重復(fù)執(zhí)行步驟(7)到步驟(10)，對輸入的腹部CT序列圖像I中還未分割的圖像進(jìn)行目標(biāo)區(qū)域提取，直到所有序列圖像都分割出目標(biāo)區(qū)域為止。FDA00002117781500011.jpg...

【技術(shù)特征摘要】
1.一種基于交互式字典遷移的序列醫(yī)學(xué)圖像快速分割方法，包括如下步驟 (1)輸入腹部CT序列圖像2.根據(jù)權(quán)利要求I所述的方法，其中步驟(4)所述的合并準(zhǔn)則是最大相似性準(zhǔn)則，它先計算各個區(qū)域間的歐式距離，然后依次合并歐氏距離最大的兩個區(qū)域直到所有區(qū)域合并完畢，合并時取每個區(qū)域中出現(xiàn)頻率最高的灰度值作為此區(qū)域的特征值。3.根據(jù)權(quán)利要求I所述的方法，其中所述步驟(7)中計算目標(biāo)字典％和背景字典DB={DB1, Db2, Db3, Db...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：緱水平，馬麗敏，周治國，劉芳，張曉鵬，唐磊，王之龍，王云利，
申請(專利權(quán))人：西安電子科技大學(xué)，
類型：發(fā)明
國別省市：