專利名稱：提取腦組織影像的方法及設(shè)備的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，更具體地說，涉及一種提取腦組織影像的方法及 設(shè)備。
背景技術(shù)：
目前，隨著醫(yī)學(xué)技術(shù)的發(fā)展，MR (Magnetic Resonance，磁共振)影像為醫(yī)生診斷患 者的病情提供了重要的參考，醫(yī)生可以通過觀察影像中組織的大小、結(jié)構(gòu)、灰度變化來輔助 確診病情，因此相關(guān)組織的準(zhǔn)確提取會為醫(yī)生的觀察及判斷帶來極大便利，尤其是三維組 織的分割意義更為突出。由于MR影像存在邊界模糊，噪聲干擾及局部效應(yīng)等特點，采用經(jīng)典的分割方法難 以對其實現(xiàn)準(zhǔn)確的分割，因此這方面的研究逐漸成為研究的熱點。目前，研究人員已經(jīng)提出了各種相關(guān)分割方法，如基于像素特征的統(tǒng)計概率分類 方法，其中有結(jié)合數(shù)字腦空間概率圖譜的方法、結(jié)合解剖學(xué)先驗只是和拓撲先驗的方法；基 于區(qū)域的分割方法，如區(qū)域生長、分水嶺；聚類方法；圖論的方法；形變模型、機器學(xué)習(xí)、模 糊連接等方法。盡管相關(guān)研究方面的文章很多，但是能夠直接實現(xiàn)二維及三維全腦組織提取方面 的方法卻很少。一般都是選用某些特定位置的影像進行研究，實用性較差。如通常選取眼 部以上位置的掃描影像，由于眼部以下位置的非腦組織多且復(fù)雜，因此很多算法不能適用 于全腦的組織提取。在現(xiàn)有算法中，普遍被醫(yī)院所采用的是由Smith開發(fā)的一種可變點陣模型的BET 工具，但其缺點是在三維分割中，需要提供完整的影像序列，才會較為準(zhǔn)確地完成提取，而 且還會將眼部以下的非腦組織分割進來。所述完整的序列影像是指從頭頂?shù)筋i部位置的斷 層掃描全腦序列影像，一般為200多張。

發(fā)明內(nèi)容
本發(fā)明實施例提供一種提取腦組織影像的方法及設(shè)備，以實現(xiàn)對不完整的腦影像 序列進行二維及三維組織的提取。為此，本發(fā)明實施例提供如下技術(shù)方案一種提取腦組織影像的方法，包括確定源圖像中需要提取的腦組織影像的目標(biāo)位置；采用C-V模型對源圖像進行預(yù)處理，得到預(yù)處理后的第一腦影像；對所述第一腦影像進行腐蝕處理，對所述目標(biāo)位置所在影像區(qū)域進行膨脹處理， 得到處理后的第二腦影像；取所述第一腦影像的所述目標(biāo)位置所在影像區(qū)域及所述第二腦影像的所述目標(biāo) 位置所在影像區(qū)域的交集，得到需要提取的腦組織影像。優(yōu)選地，所述采用C-V模型對所述目標(biāo)位置的源圖像進行預(yù)處理包括
在所述源圖像中以指定平面作為初始化距離函數(shù)進行水平集算法迭代，每次的迭 代使目標(biāo)與背景兩類灰度以預(yù)定位置為準(zhǔn)，從正負兩個方向上逐漸增大兩類灰度的距離；迭代預(yù)定次數(shù)后，從零水平集中得到分割邊緣。優(yōu)選地，對所述第一腦影像進行腐蝕處理，對所述目標(biāo)位置所在影像區(qū)域進行膨 脹處理，得到處理后的第二腦影像包括對所述第一腦影像的邊緣部分進行腐蝕，直到將所述第一腦影像腐蝕成為兩部 分，并記錄腐蝕次數(shù)；對腐蝕后的第一腦影像的所述目標(biāo)位置所在影像區(qū)域進行膨脹處理；提取膨脹后的第一腦影像與所述第一腦影像的交集作為所述第二腦影像?？蛇x地，對腐蝕后的第一腦影像的所述目標(biāo)位置所在影像區(qū)域進行膨脹的次數(shù)大 于或等于所述腐蝕次數(shù)。優(yōu)選地，對腐蝕后的第一腦影像進行膨脹的半徑為,其中，η為腐蝕次數(shù)。一種提取腦組織影像的設(shè)備，包括目標(biāo)確定單元，用于確定源圖像中需要提取的腦組織影像的目標(biāo)位置；預(yù)處理單元，用于采用C-V模型對源圖像進行預(yù)處理，得到預(yù)處理后的第一腦影 像；形態(tài)處理單元，用于對所述第一腦影像進行腐蝕處理，對所述目標(biāo)位置所在影像 區(qū)域進行膨脹處理，得到處理后的第二腦影像；融合單元，用于取所述第一腦影像的所述目標(biāo)位置所在影像區(qū)域及所述第二腦影 像的所述目標(biāo)位置所在影像區(qū)域的交集，得到需要提取的腦組織影像。優(yōu)選地，所述預(yù)處理單元包括迭代子單元，在所述源圖像中以指定平面作為初始化距離函數(shù)進行水平集算法迭 代，每次的迭代使目標(biāo)與背景兩類灰度以預(yù)定位置為準(zhǔn)，從正負兩個方向上逐漸增大兩類 灰度的距離；分割邊緣選取子單元，用于在迭代預(yù)定次數(shù)后，從零水平集中得到分割邊緣。優(yōu)選地，所述形態(tài)處理單元包括腐蝕子單元，用于對所述第一腦影像的邊緣部分進行腐蝕，直到將所述第一腦影 像腐蝕成為兩部分，并記錄腐蝕次數(shù)；膨脹子單元，用于對腐蝕后的第一腦影像的所述目標(biāo)位置所在影像區(qū)域進行膨脹 處理；提取子單元，用于提取膨脹后的第一腦影像與所述第一腦影像的交集作為所述第
二腦影像?？蛇x地，對腐蝕后的第一腦影像的所述目標(biāo)位置所在影像區(qū)域進行膨脹的次數(shù)大 于或等于所述腐蝕次數(shù)。優(yōu)選地，對腐蝕后的第一腦影像進行膨脹的半徑為；,其中，η為腐蝕次數(shù)。本發(fā)明實施例提取腦組織影像的方法及設(shè)備，通過確定源圖像中需要提取的腦組 織影像的目標(biāo)位置；采用C-V模型對源圖像進行預(yù)處理，得到預(yù)處理后的第一腦影像；對所 述第一腦影像進行腐蝕處理，對所述目標(biāo)位置所在影像區(qū)域進行膨脹處理，得到處理后的 第二腦影像；取所述第一腦影像的所述目標(biāo)位置所在影像區(qū)域及所述第二腦影像的所述目標(biāo)位置所在影像區(qū)域的交集，得到需要提取的腦組織影像。從而可以實現(xiàn)對不完整的腦影 像序列進行二維及三維組織的提取。


圖1是本發(fā)明實施例提取腦組織影像的方法的流程圖；圖2是本發(fā)明實施例中進行C-V模型分割的腦部源圖像；圖3是圖2所示腦部源圖像進行C-V模型分割后的腦影像；圖4是本發(fā)明實施例中腐蝕過程的示意圖；圖5是本發(fā)明實施例中膨脹過程的示意圖；圖6是本發(fā)明實施例中采用區(qū)域增長方式對分割后的腦影像進行處理的示意圖；圖7是本發(fā)明實施例中改進后的膨脹過程示意圖；圖8是本發(fā)明實施例提取腦組織影像的設(shè)備的結(jié)果示意圖；圖9是與專家手工分割的效果對比實驗結(jié)果示意圖；圖10是與BET算法的分割效果對比實驗得到的三維分割中的截面分割效果對比 示意圖；圖11是與BET算法的分割效果對比實驗得到的三維分割效果對比示意圖；圖12本發(fā)明實施例中水平集算法改進前后的二維分時效果對比示意圖；圖13本發(fā)明實施例中水平集算法改進前后的三維分時效果對比示意圖。
具體實施例方式為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明實施例的方案，下面結(jié)合附圖和實施 方式對本發(fā)明實施例作進一步的詳細說明。本發(fā)明實施例提取腦組織影像的方法及設(shè)備，通過確定源圖像中需要提取的腦組 織影像的目標(biāo)位置；采用C-V模型對所述目標(biāo)位置的源圖像進行預(yù)處理，得到分割后的第 一腦影像；采用區(qū)域增長方式對所述第一腦影像進行處理，得到處理后的第二腦影像；對 第一腦影像及第二腦影像進行加權(quán)融合，得到需要提取的腦組織影像。從而可以實現(xiàn)對不 完整的腦影像序列進行二維及三維組織的提取。如圖1所示，是本發(fā)明實施例提取腦組織影像的方法的流程圖，包括以下步驟步驟101，確定源圖像中需要提取的腦組織影像的目標(biāo)位置。步驟102，采用C-V模型對源圖像進行預(yù)處理，得到預(yù)處理后的第一腦影像。C-V模型是一種較為經(jīng)典的分割模型，是一種基于圖像平均灰度的水平集算法，它 將區(qū)域劃分為內(nèi)部Ω1及外部Ω2，迭代穩(wěn)定后的閉合曲線即為對象輪廓。由于這種算法對 于邊緣模糊類圖像處理效果較好，因此在本發(fā)明實施例中，采用C-V模型對圖像進行預(yù)處 理，這種模型的能量泛函表達式如下 其中，第一項是曲線能量積分，X1為內(nèi)部能量參數(shù)，λ 2為外部能量參數(shù)。C-V模型的求解過程采用變分水平集算法，通過在式(1)中引入Heaviside函數(shù)，將它修改為關(guān)于嵌入函數(shù)u (u表示水平集的嵌入函數(shù))的泛函，即

( 2 ) 上式中Ω表示整個數(shù)據(jù)集，H(U)為正則化Heaveside函數(shù)。
相對于u最小化式(2)，得到


(3)如果令X1 = λ2 = 1，采用半隱式求解方法，可以得到如下的迭代方案
(4)步驟103，對所述第一腦影像進行腐蝕處理，對所述目標(biāo)位置所在影像區(qū)域進行膨 脹處理，得到處理后的第二腦影像。具體地，首先，對所述第一腦影像的邊緣部分進行腐蝕，直到將所述第一腦影像腐 蝕成為兩部分，并記錄腐蝕次數(shù)；然后對腐蝕后的第一腦影像的所述目標(biāo)位置所在影像區(qū) 域進行膨脹處理；提取膨脹后的第一腦影像與所述第一腦影像的交集作為所述第二腦影像。如圖2所示，為腦部源圖像，圖3是采用C-V模型分割后的腦影像。由圖2、圖3中可以看出，腦影像與背景的邊緣光滑且連續(xù)，兩個圓圈內(nèi)的部分是 視覺神經(jīng)，它連接著非腦組織與腦組織，灰度與腦組織十分接近。為此，本發(fā)明實施例采用 區(qū)域增長方式使其成為二值圖，以將視覺神經(jīng)這部分準(zhǔn)確地分割出去，以達到腦組織提取 的目的。具體地，可以利用二值形態(tài)學(xué)的兩種基本運算腐蝕與膨脹操作，對所述分割后的 腦影像進行處理。所述腐蝕是在二值圖像中收縮或細化對象的操作，收縮方式和程度是由一個稱為 結(jié)構(gòu)元素的集合控制。數(shù)學(xué)上，腐蝕被定義為集合運算。假設(shè)A被B腐蝕記，記為A θ B，定義為
(5)其中，0為空集，B為微結(jié)構(gòu)元素，ζ為集合中的數(shù)據(jù)，c為補集。從上式可以看出，A被B腐蝕是所有結(jié)構(gòu)元素的遠點位置組成的集合，其中平移的 B與A的背景并不疊加。腐蝕過程如圖4所示。所述膨脹是在二值圖像中加長或變粗的操作，膨脹方式和變粗的程度由一個稱為 結(jié)構(gòu)元素的集合控制。數(shù)學(xué)上，膨脹定義為集合運算。假設(shè)A被B膨脹，記為j十B，定義為
(6)其中，0為空集，B為微結(jié)構(gòu)元素，ζ為集合中的數(shù)據(jù)。A被B膨脹是所有結(jié)構(gòu)元素遠點位置組成的集合，其中映射并平移后的B至少與A的某些部分重疊。膨脹過程如圖5所示。在本發(fā)明實施例中，如圖6所示，先采用腐蝕算法，將A的邊緣部分進行腐蝕，直到 將A腐蝕成為兩部分，記錄腐蝕次數(shù)。然后，選取腐蝕后的結(jié)果D，采用膨脹算法對其進行相 應(yīng)或更多次數(shù)的膨脹，形成F。通過取F與A的交集獲得目標(biāo)B。利用數(shù)學(xué)表達式上述過程 表示如下 在實際應(yīng)用中，需要預(yù)先選擇一個種子點作為最終提取目標(biāo)的標(biāo)識。腐蝕次數(shù)可 以通過面積或體積的驟變進行判斷，每腐蝕一次，統(tǒng)計一次，直到出現(xiàn)驟變?yōu)橹?。統(tǒng)計種子 點區(qū)域面積或體積，如果種子點區(qū)域面積或體積發(fā)生較大的變化，則可確定發(fā)生了驟變。進一步地，為了提高處理速度，可以將腐蝕次數(shù)首先進行一次經(jīng)驗估計，經(jīng)驗值不 能小于截斷“粘連”處的腐蝕次數(shù)。設(shè)腐蝕次數(shù)為n，在對腐蝕后的第一腦影像的所述目標(biāo) 位置所在影像區(qū)域進行膨脹時，選用半徑為w的長度進行一次膨脹，可以使截斷處的邊 緣更為自然光滑。如圖7所示，是本發(fā)明實施例中改進后的膨脹過程示意圖。其中，“*”為圖像的初始邊緣，數(shù)字代表每次腐蝕的邊界，“ + ”為腐蝕后的最終邊 界。觀察“*”與“+”的距離，可以看到，當(dāng)腐蝕次數(shù)η = 3時，令半徑；r =極- 4.3,即矩 形對角線距離，可以完全包絡(luò)初始邊緣。典型的3條半徑已在圖中示出，長度分別是4、3. 6、 4.3。該膨脹過程的時間復(fù)雜度為t = πι·2*1/8。其中1為邊緣程度，s為單位面積點的個 數(shù)，令 s = 1，則 t = Jir2*l。步驟104，取所述第一腦影像的所述目標(biāo)位置所在影像區(qū)域及所述第二腦影像的 所述目標(biāo)位置所在影像區(qū)域的交集，得到需要提取的腦組織影像?？梢?，本發(fā)明實施例提取腦組織影像的方法，基于C-V模型，確定源圖像中需要提 取的腦組織影像的目標(biāo)位置；采用C-V模型對源圖像進行預(yù)處理，得到預(yù)處理后的第一腦 影像；對所述第一腦影像進行腐蝕處理，對所述目標(biāo)位置所在影像區(qū)域進行膨脹處理，得到 處理后的第二腦影像；取所述第一腦影像的所述目標(biāo)位置所在影像區(qū)域及所述第二腦影像 的所述目標(biāo)位置所在影像區(qū)域的交集，得到需要提取的腦組織影像。從而無需提供完整的 影像序列，即可準(zhǔn)確地實現(xiàn)對不完整的腦影像序列進行二維及三維組織的提取。需要說明的是，為了進一步加快目標(biāo)的提取速度，在上述步驟102采用C-V模型對 所述目標(biāo)位置的源圖像進行預(yù)處理時，可以采用以下改進的水平集算法在所述源圖像中 以指定平面作為初始化距離函數(shù)進行水平集算法迭代，每次的迭代使目標(biāo)與背景兩類灰度 以預(yù)定位置為準(zhǔn)，從正負兩個方向上逐漸增大兩類灰度的距離；迭代預(yù)定次數(shù)后，從零水平 集中得到分割邊緣。
具體地，可以在欲分割的圖像中，構(gòu)造無窮多個圓形區(qū)域作為零水平集的初始區(qū) 域，每個區(qū)域的半徑無窮小，這種極限的初始化方法將使高一維度距離空間與零水平集平 面重合。使用這種初始化距離符號的方法，對原始圖像采用半隱式方案進行求解實驗，根據(jù) 大量實驗結(jié)果，得到如下的求解收斂過程以某個平面作為初始化距離函數(shù)，每次的迭代將 使目標(biāo)與背景兩類灰度以某個位置為準(zhǔn)，從正負兩個方向上逐漸增大兩類灰度的距離，迭 代足夠多的次數(shù)后，分割邊緣可從零水平集中得到。相應(yīng)地，本發(fā)明實施例還提供一種提取腦組織影像的設(shè)備，如圖8所示，是該設(shè)備 的結(jié)構(gòu)示意圖。在該實施例中，所述設(shè)備包括目標(biāo)確定單元801，用于確定源圖像中需要提取的腦組織影像的目標(biāo)位置；預(yù)處理單元802，用于采用C-V模型對源圖像進行預(yù)處理，得到預(yù)處理后的第一腦 影像；形態(tài)處理單元803，用于對所述第一腦影像進行腐蝕處理，對所述目標(biāo)位置所在影 像區(qū)域進行膨脹處理，得到處理后的第二腦影像；融合單元804，用于取所述第一腦影像的所述目標(biāo)位置所在影像區(qū)域及所述第二 腦影像的所述目標(biāo)位置所在影像區(qū)域的交集，得到需要提取的腦組織影像。在本發(fā)明實施例中，所述形態(tài)處理單元803包括腐蝕子單元831、膨脹子單元832 和提取子單元833。其中腐蝕子單元831，用于對所述第一腦影像的邊緣部分進行腐蝕，直到將所述第一腦 影像腐蝕成為兩部分，并記錄腐蝕次數(shù)。膨脹子單元832，用于對腐蝕后的第一腦影像的所述目標(biāo)位置所在影像區(qū)域進行 膨脹處理。優(yōu)選地，對腐蝕后的腦影像進行膨脹的次數(shù)大于或等于所述腐蝕次數(shù)。而且，假 設(shè)，η為腐蝕次數(shù)，則對腐蝕后的腦影像進行膨脹的半徑優(yōu)選為—。提取子單元833，用于提取膨脹后的第一腦影像與所述第一腦影像的交集作為所 述第二腦影像。所述形態(tài)處理單元803對所述第一腦影像進行處理的詳細過程可參照前面本發(fā) 明實施例提取腦影像的方法中的描述，在此不再贅述。需要說明的是，在本發(fā)明實施例中，所述預(yù)處理單元802可以基于C-V模型，采用 現(xiàn)有的水平集算法，對所述目標(biāo)位置的源圖像進行預(yù)處理，得到分割后的腦影像和背景圖像。當(dāng)然，為了進一步加快目標(biāo)的提取速度，所述預(yù)處理單元802還可以采用以下改 進的水平集算法對所述目標(biāo)位置的源圖像進行預(yù)處理在欲分割的圖像中，構(gòu)造無窮多個 圓形區(qū)域作為零水平集的初始區(qū)域，每個區(qū)域的半徑無窮小，這種極限的初始化方法將使 高一維度距離空間與零水平集平面重合。使用這種初始化距離符號的方法，對原始圖像采 用半隱式方案進行求解實驗，根據(jù)大量實驗結(jié)果，得到如下的求解收斂過程以某個平面作 為初始化距離函數(shù)，每次的迭代將使目標(biāo)與背景兩類灰度以某個位置為準(zhǔn)，從正負兩個方 向上逐漸增大兩類灰度的距離，迭代足夠多的次數(shù)后，分割邊緣可從零水平集中得到。為此，在本發(fā)明的另一個實施例中，所述預(yù)處理單元802包括
迭代子單元，在所述源圖像中以指定平面作為初始化距離函數(shù)進行水平集算法迭 代，每次的迭代使目標(biāo)與背景兩類灰度以預(yù)定位置為準(zhǔn)，從正負兩個方向上逐漸增大兩類 灰度的距離；分割邊緣選取子單元，用于在迭代預(yù)定次數(shù)后，從零水平集中得到分割邊緣。利用本發(fā)明實施例提取腦組織影像的設(shè)備對腦組織影像的提取過程可參照前面 本發(fā)明實施例提取腦組織影像的方法中的描述，在此不再贅述?？梢姡景l(fā)明實施例提取腦組織影像的設(shè)備，基于C-V模型，確定源圖像中需要提 取的腦組織影像的目標(biāo)位置；采用C-V模型對源圖像進行預(yù)處理，得到預(yù)處理后的第一腦 影像；對所述第一腦影像進行腐蝕處理，對所述目標(biāo)位置所在影像區(qū)域進行膨脹處理，得到 處理后的第二腦影像；取所述第一腦影像的所述目標(biāo)位置所在影像區(qū)域及所述第二腦影像 的所述目標(biāo)位置所在影像區(qū)域的交集，得到需要提取的腦組織影像。從而無需提供完整的 影像序列，即可準(zhǔn)確地實現(xiàn)對不完整的腦影像序列進行二維及三維組織的提取。為了進一步驗證本發(fā)明實施例提取腦組織影像的方法對腦組織影像提取的準(zhǔn)確 性，下面分別給出三組實驗結(jié)果。實驗一與專家手工分割的效果對比采用提取腦組織影像的方法，對圖9中(a)的原始影像進行分割，令腐蝕次數(shù)為n， 采用半徑為n+3的圓形模板膨脹一次，最后利用區(qū)域增長算法提取腦組織。圖9中(b)為應(yīng)用本發(fā)明實施例提取腦組織影像的方法提取的腦組織影像；(C) 為專家手動分割的腦組織影像。由圖9可以看出，利用本發(fā)明實施例提取腦組織影像的方法，可以將與腦組織灰 度接近的視覺神經(jīng)較為自然地斷開，從而將腦組織完整地提取出來，且邊緣連續(xù)光滑。實驗二 與BET算法的分割效果對比實驗采用一套256幅大小為512X512的腦MR影像。由于BET算法是被各大醫(yī)院 公認并普遍采用的算法，已經(jīng)被業(yè)界所認可，因此實驗采用同一套數(shù)據(jù)，在三維體數(shù)據(jù)中直 接分割。利用本發(fā)明實施例提取腦組織影像的方法與BET算法的分割效果進行比對，結(jié)果 如圖10所示。其中，圖10(al)至(a8)為原始影像，(bl)至(b8)為BET算法處理后得到的腦組 織影像，(cl)至(c8)為利用本發(fā)明實施例提取腦組織影像的方法得到的腦組織影像?？梢悦黠@地看到，在(al)_(a5)影像的分割中，BET算法將較大的一部分非腦組織 分割進來，這是由于BET算法模型的構(gòu)造造成的。而利用本發(fā)明實施例提取腦組織影像的 方法對于這部分的分割效果要明顯優(yōu)于BET算法。在圖10(a7)及(a8)的分割中，本發(fā)明 實施例提取腦組織影像的方法得到的結(jié)果與BET算法得到的結(jié)果相比，可以使得分割邊緣 更為圓滑、準(zhǔn)確。圖11是三維分割效果示意圖。其中，(cl)和(c2)為BET算法的三維分割結(jié)果， (dl)和(d2)為利用本發(fā)明實施例提取腦組織影像的方法的分割結(jié)果。從圖中可以看出，(cl)與(dl)分割效果基本相同。觀察(c2)與(d2)圓圈內(nèi)的 區(qū)域，V包含了較大部分的非腦組織，這點從二維界面上可以清楚的看到。而(d2)只在右 眼處包含了一部分的眼組織。相比之下，本發(fā)明實施例提取腦組織影像的方法與BET算法相比，分割效果更好。實驗三快速水平集算法速度及效果對比采用一套大小為512X512的腦MR影像數(shù)據(jù)，并在CPU主頻為2. 39GHz，內(nèi)存大小 為4G的同一臺機器上進行實驗。為了測試速度并展示效果，二維圖像選用了一張含腦室部 分的影像，三維圖像選用了 9張序列影像，求解過程的演化對比如圖12及圖13所示。其中，k為迭代次數(shù)，t為時間，以秒為單位。圖12(a)_(c)為經(jīng)典算法的迭代過程，可以看到二維影像的分割在第2000次迭代 時達到較為理想的效果，耗時近92秒。圖12(d)-(f)為算法改進后的進化過程，在第11次 迭代后，即可達到理想的效果，耗時2. 8秒。圖13(a)_(c)為三維經(jīng)典算法的迭代過程，在第2000次的迭代后，效果仍然不夠 理想，且已耗時約15分鐘。圖13(d)-(f)為改進后的迭代過程，在第10次的迭代時，已經(jīng) 達到理想效果，耗時4. 6秒。通過實驗可以看出，改進后的算法在收斂速度上明顯高于經(jīng)典算法，且效果良好。以上公開的僅為本發(fā)明的優(yōu)選實施方式，但本發(fā)明并非局限于此，任何本領(lǐng)域的 技術(shù)人員能思之的沒有創(chuàng)造性的變化，以及在不脫離本發(fā)明原理前提下所作的若干改進和 潤飾，都應(yīng)落在本發(fā)明的保護范圍內(nèi)。
權(quán)利要求
一種提取腦組織影像的方法，其特征在于，包括確定源圖像中需要提取的腦組織影像的目標(biāo)位置；采用C-V模型對源圖像進行預(yù)處理，得到預(yù)處理后的第一腦影像；對所述第一腦影像進行腐蝕處理，對所述目標(biāo)位置所在影像區(qū)域進行膨脹處理，得到處理后的第二腦影像；取所述第一腦影像的所述目標(biāo)位置所在影像區(qū)域及所述第二腦影像的所述目標(biāo)位置所在影像區(qū)域的交集，得到需要提取的腦組織影像。
2.如權(quán)利要求1所述的方法，其特征在于，所述采用C-V模型對所述目標(biāo)位置的源圖像 進行預(yù)處理包括在所述源圖像中以指定平面作為初始化距離函數(shù)進行水平集算法迭代，每次的迭代使 目標(biāo)與背景兩類灰度以預(yù)定位置為準(zhǔn)，從正負兩個方向上逐漸增大兩類灰度的距離； 迭代預(yù)定次數(shù)后，從零水平集中得到分割邊緣。
3.如權(quán)利要求1所述的方法，其特征在于，對所述第一腦影像進行腐蝕處理，對所述目 標(biāo)位置所在影像區(qū)域進行膨脹處理，得到處理后的第二腦影像包括對所述第一腦影像的邊緣部分進行腐蝕，直到將所述第一腦影像腐蝕成為兩部分，并 記錄腐蝕次數(shù)；對腐蝕后的第一腦影像的所述目標(biāo)位置所在影像區(qū)域進行膨脹處理； 提取膨脹后的第一腦影像與所述第一腦影像的交集作為所述第二腦影像。
4.如權(quán)利要求3所述的方法，其特征在于，對腐蝕后的第一腦影像的所述目標(biāo)位置所在影像區(qū)域進行膨脹的次數(shù)大于或等于所 述腐蝕次數(shù)。
5.如權(quán)利要求4所述的方法，其特征在于，對腐蝕后的第一腦影像進行膨脹的半徑為,其中，η為腐蝕次數(shù)。
6.一種提取腦組織影像的設(shè)備，其特征在于，包括目標(biāo)確定單元，用于確定源圖像中需要提取的腦組織影像的目標(biāo)位置； 預(yù)處理單元，用于采用C-V模型對源圖像進行預(yù)處理，得到預(yù)處理后的第一腦影像； 形態(tài)處理單元，用于對所述第一腦影像進行腐蝕處理，對所述目標(biāo)位置所在影像區(qū)域 進行膨脹處理，得到處理后的第二腦影像；融合單元，用于取所述第一腦影像的所述目標(biāo)位置所在影像區(qū)域及所述第二腦影像的 所述目標(biāo)位置所在影像區(qū)域的交集，得到需要提取的腦組織影像。
7.如權(quán)利要6所述的設(shè)備，其特征在于，所述預(yù)處理單元包括迭代子單元，在所述源圖像中以指定平面作為初始化距離函數(shù)進行水平集算法迭代， 每次的迭代使目標(biāo)與背景兩類灰度以預(yù)定位置為準(zhǔn)，從正負兩個方向上逐漸增大兩類灰度 的距離；分割邊緣選取子單元，用于在迭代預(yù)定次數(shù)后，從零水平集中得到分割邊緣。
8.如權(quán)利要6所述的設(shè)備，其特征在于，所述形態(tài)處理單元包括腐蝕子單元，用于對所述第一腦影像的邊緣部分進行腐蝕，直到將所述第一腦影像腐 蝕成為兩部分，并記錄腐蝕次數(shù)；膨脹子單元，用于對腐蝕后的第一腦影像的所述目標(biāo)位置所在影像區(qū)域進行膨脹處2理；提取子單元，用于提取膨脹后的第一腦影像與所述第一腦影像的交集作為所述第二腦 影像。
9.如權(quán)利要求8所述的設(shè)備，其特征在于，對腐蝕后的第一腦影像的所述目標(biāo)位置所 在影像區(qū)域進行膨脹的次數(shù)大于或等于所述腐蝕次數(shù)。
10.如權(quán)利要求8所述的設(shè)備，其特征在于，對腐蝕后的第一腦影像進行膨脹的半徑為,其中，η為腐蝕次數(shù)。
全文摘要
本發(fā)明涉及圖像處理技術(shù)，公開了一種提取腦組織影像的方法及設(shè)備，所述方法包括確定源圖像中需要提取的腦組織影像的目標(biāo)位置；采用C-V模型對源圖像進行預(yù)處理，得到預(yù)處理后的第一腦影像；對所述第一腦影像進行腐蝕處理，對所述目標(biāo)位置所在影像區(qū)域進行膨脹處理，得到處理后的第二腦影像；取所述第一腦影像的所述目標(biāo)位置所在影像區(qū)域及所述第二腦影像的所述目標(biāo)位置所在影像區(qū)域的交集，得到需要提取的腦組織影像利用本發(fā)明，可以實現(xiàn)對不完整的腦影像序列進行二維及三維組織的提取。
文檔編號G06T7/00GK101887583SQ20101021046
公開日2010年11月17日 申請日期2010年6月24日 優(yōu)先權(quán)日2010年6月24日
發(fā)明者楊金柱, 栗偉, 王艷飛, 賈迪, 趙大哲 申請人:東軟集團股份有限公司