本發(fā)明涉及醫(yī)學圖像處理領(lǐng)域，具體涉及一種基于三維CT圖像的肝臟定位方法及裝置。

背景技術(shù)：

計算機斷層掃描(Computed Tomography，CT)是利用精確準直的X線束、γ射線、超聲波等，與靈敏度極高的探測器一同圍繞人體的某一部位作一個接一個的斷面掃描。CT用于多種疾病的檢查，具有掃描時間快，圖像清晰等特點。目前，三維CT圖像中的肝臟定位通?；诟怕蕡D譜配準方法。基于概率圖譜配準的肝臟定位方法需要三維CT圖像樣本在體形形態(tài)及目標器官形態(tài)方面具有較好的一致性，由于人肝臟表面形狀的差異以及三維CT圖像截取方面的隨機性，使得基于概率圖譜配準的定位方法無法準確定位肝臟位置。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供一種基于三維CT圖像的肝臟定位方法及裝置，可以提高三維CT圖像的肝臟定位準確性。

第一方面，提供了一種基于三維CT圖像的肝臟定位方法，包括：

提取測試樣本的三維CT圖像的體素點特征，所述測試樣本的體素點特征包括體素點的原始坐標；

采用差分模型定位所述測試樣本的三維CT圖像中胸腔和腹腔的分界面；

在所述測試樣本的三維CT圖像對應(yīng)的分界面上選取一個參考體素點，其中，所述測試樣本對應(yīng)的參考體素點的原始坐標的X值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，所述測試樣本對應(yīng)的參考體素點的原始坐標的Y值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同；

計算所述測試樣本的三維CT圖像中的體素點相對于所述測試樣本對應(yīng)的參考體素點的相對坐標，得到所述測試樣本的三維CT圖像中每個體素點的相對坐 標；

針對所述測試樣本的三維CT圖像中的待測體素點，分別利用預(yù)先訓練分類的每棵隨機森林決策樹對所述待測體素點進行分類，以使所述待測體素點分別落入已訓練分類的每棵隨機森林決策樹的葉節(jié)點中；

在所述待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對所述待測體素點進行分類，得到所述待測體素點在每棵隨機森林決策樹的分類結(jié)果；

對所有的隨機森林決策樹的分類結(jié)果求平均值，并根據(jù)所述平均值確定所述待測體素點的分類歸屬，所述分類歸屬包括屬于肝臟區(qū)域或?qū)儆诜歉闻K區(qū)域；

根據(jù)所有待測體素點的分類歸屬，確定屬于肝臟區(qū)域的待測體素點。

第二方面，提供了一種基于三維CT圖像的肝臟定位裝置，包括：

第一提取單元，用于提取測試樣本的三維CT圖像的體素點特征，所述測試樣本的體素點特征包括體素點的原始坐標；

第一定位單元，用于采用差分模型定位所述測試樣本的三維CT圖像中胸腔和腹腔的分界面；

第一選取單元，用于在所述測試樣本的三維CT圖像對應(yīng)的分界面上選取一個參考體素點，其中，所述測試樣本對應(yīng)的參考體素點的原始坐標的X值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，所述測試樣本對應(yīng)的參考體素點的原始坐標的Y值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同；

第一計算單元，用于計算所述測試樣本的三維CT圖像中的體素點相對于所述測試樣本對應(yīng)的參考體素點的相對坐標，得到所述測試樣本的三維CT圖像中每個體素點的相對坐標；

第一分類單元，用于針對所述測試樣本的三維CT圖像中的待測體素點，分別利用預(yù)先訓練分類的每棵隨機森林決策樹對所述待測體素點進行分類，以使所述待測體素點分別落入已訓練分類的每棵隨機森林決策樹的葉節(jié)點中；

第二分類單元，用于在所述待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對所述待測體素點進行分類，得到所述待測體素點在每棵隨機森林決策樹的分類結(jié)果；

第一確定單元，用于對所有的隨機森林決策樹的分類結(jié)果求平均值，并根 據(jù)所述平均值確定所述待測體素點的分類歸屬，所述分類歸屬包括屬于肝臟區(qū)域或?qū)儆诜歉闻K區(qū)域；

第二確定單元，用于根據(jù)所有待測體素點的分類歸屬，確定屬于肝臟區(qū)域的待測體素點。

本發(fā)明實施例中，提取測試樣本的三維CT圖像的體素點特征，測試樣本的體素點特征包括體素點的原始坐標；采用差分模型定位測試樣本的三維CT圖像中胸腔和腹腔的分界面；在測試樣本的三維CT圖像對應(yīng)的分界面上選取一個參考體素點，其中，測試樣本對應(yīng)的參考體素點的原始坐標的X值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，測試樣本對應(yīng)的參考體素點的原始坐標的Y值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同；計算測試樣本的三維CT圖像中的體素點相對于測試樣本對應(yīng)的參考體素點的相對坐標，得到測試樣本的三維CT圖像中每個體素點的相對坐標；針對測試樣本的三維CT圖像中的待測體素點，分別利用預(yù)先訓練分類的每棵隨機森林決策樹對待測體素點進行分類，以使待測體素點分別落入已訓練分類的每棵隨機森林決策樹的葉節(jié)點中；在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對待測體素點進行分類，得到待測體素點在每棵隨機森林決策樹的分類結(jié)果；對所有的隨機森林決策樹的分類結(jié)果求平均值，并根據(jù)平均值確定待測體素點的分類歸屬，分類歸屬包括屬于肝臟區(qū)域或?qū)儆诜歉闻K區(qū)域；根據(jù)所有待測體素點的分類歸屬，確定屬于肝臟區(qū)域的待測體素點。本發(fā)明分別利用預(yù)先訓練分類的每棵隨機決策樹對待測體素點進行分類，在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對待測體素點進行分類，采用隨機森林分類和K近鄰模型相結(jié)合的方法，可以提高待測體素點的分類歸屬的準確性，從而可以提高三維CT圖像中肝臟定位的準確性。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實施例公開的一種基于三維CT圖像的肝臟定位方法的流程圖；

圖2是本發(fā)明實施例公開的另一種基于三維CT圖像的肝臟定位方法的流程圖；

圖3是本發(fā)明實施例中多個訓練樣本的CT圖像中胸腔與腹腔分界面的定位結(jié)果圖；

圖4是本發(fā)明實施例公開的一種基于三維CT圖像的肝臟定位裝置的結(jié)構(gòu)示意圖；

圖5是本發(fā)明實施例公開的另一種基于三維CT圖像的肝臟定位裝置的結(jié)構(gòu)示意圖；

圖6是本發(fā)明實施例公開的另一種基于三維CT圖像的肝臟定位裝置的結(jié)構(gòu)示意圖；

圖7是本發(fā)明實施例公開的另一種基于三維CT圖像的肝臟定位裝置的結(jié)構(gòu)示意圖；

圖8是本發(fā)明實施例公開的采用不同定位方法的肝臟定位實驗結(jié)果對比圖。

具體實施方式

下面將結(jié)合本發(fā)明實施方式中的附圖，對本發(fā)明實施方式中的技術(shù)方案進行清楚、完整地描述。顯然，所描述的實施方式是本發(fā)明的一部分實施方式，而不是全部實施方式?；诒景l(fā)明中的實施方式，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施方式，都應(yīng)屬于本發(fā)明保護的范圍。

本發(fā)明實施例提供一種基于三維CT圖像的肝臟定位方法及裝置，可以提高三維CT圖像的肝臟定位準確性。以下分別進行詳細說明。

請參閱圖1，圖1是本發(fā)明實施例公開的一種基于三維CT圖像的肝臟定位方法的流程圖。如圖1所示，本實施例中所描述的基于三維CT圖像的肝臟定位方法，包括步驟：

S101，提取測試樣本的三維CT圖像的體素點特征，測試樣本的體素點特征包括體素點的原始坐標。

本發(fā)明實施例中，當對人體的胸腔、腹部等區(qū)域的一定厚度的層面進行X射線(也可以是γ射線、超聲波射線等)掃描后，探測器接收透過該層面的X射線，X射線激發(fā)熒光物質(zhì)發(fā)光，將光信號轉(zhuǎn)換為電信號后，再轉(zhuǎn)換成數(shù)字信號輸入計 算機處理，得到三維CT圖像，其中，三維CT圖像由多個體素點構(gòu)成，體素點是三維CT圖像的最小構(gòu)成單位，測試樣本的體素點特征可以包括體素點的原始坐標、體素點的灰度值、以體素點為中心的立方包圍盒的局部直方圖、體素點的上下文特征等，其中，以體素點為中心的立方包圍盒是取自體素點的鄰域半徑為5(對應(yīng)的立方包圍盒的邊長為2*5+1＝11)的立方包圍盒；體素點的上下文特征是對體素點周圍一定偏移量的體素點進行灰度值提取，作為該體素點的上下文特征。在一些優(yōu)選的實施方式中，將以體素點為中心、鄰域半徑為9(對應(yīng)的立方包圍盒的邊長為2*9+1＝19)的立方包圍盒的局部直方圖作為該體素點的上下文特征；體素點的原始坐標包括X，Y和Z，對于人體的三維CT圖像來說，體素點的灰度值跨度從-1024到3075。

S102，采用差分模型定位測試樣本的三維CT圖像中胸腔和腹腔的分界面。

本發(fā)明實施例中，測試樣本的體素點特征還包括體素點灰度值，由于在三維CT圖像中，位于不同器官的體素點的灰度值分布范圍不同，例如，位于肝臟區(qū)域的體素點的灰度值分布范圍一般為75-150，位于肺部區(qū)域的體素點的灰度值分布范圍小于-64，位于腹部其他器官的體素點的灰度值分布范圍一般在-20-250，可以利用不同器官的灰度值的差異，采用差分模型定位測試樣本的三維CT圖像中胸腔和腹腔的分界面。

在一些可行的實施方式中，采用差分模型定位測試樣本的三維CT圖像中胸腔和腹腔的分界面具體可以包括：

采用如下公式定位測試樣本的三維CT圖像中胸腔和腹腔的分界面：

L_I^*＝min{z|0＜ΔR_I(z)＜δ，ΔR_I(z)＝R_I(z)-R_I(z-1) (1)；

R_I(L_I^*)＝α·max{R_I(z)，0＜α＜1} (2)；

其中，L_I^*為測試樣本的三維CT圖像中胸腔和腹腔的分界面，z為測試樣本的三維CT圖像中軸平面對應(yīng)的軸向?qū)訑?shù)，R_I(z)為軸向?qū)訑?shù)為z的軸平面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占軸平面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例，R_I(z-1)為軸向?qū)訑?shù)為(z-1)的軸平面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占軸平面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例；R_I(L_I^*)為分界面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占分界面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例。

本發(fā)明實施中，差分模型與數(shù)值計算方法中求解微分方程中的差分模型有 所區(qū)別。本發(fā)明中差分模型是指對CT圖像相鄰橫斷面上特定像素的比例分布進行統(tǒng)計并作差分析(即R_I(z)—R_I(z-1))，最后得到胸腔與腹腔的分界面。由于不同樣本的胸腔、腹腔的差異性(如不同的人肺部形狀的差異性)，在本發(fā)明公式(1)、(2)的聯(lián)合定義下，能較準確地定位樣本的胸腔與腹腔的分界面，幾乎不受樣本差異性的影響。

本發(fā)明實施例中，CT圖像中腹部組織(如肝臟、脾臟、腎臟等)的體素點的灰度值通常大于0，位于肺部(肺屬于胸腔區(qū)域)的體素點的灰度值通常小于-64，人體的肝臟區(qū)域位于人體腹腔的右半側(cè)(肝位于人體的右季肋區(qū))，處于CT圖像的左半平面，而位于人體左胸腔的心臟的灰度值又與肝臟相近，可以將預(yù)先設(shè)置區(qū)域設(shè)為CT圖像的左半平面(即人體的右半平面)，可以將預(yù)設(shè)灰度值設(shè)為-64，即R_I(z)為位于預(yù)先設(shè)置區(qū)域內(nèi)肺部的體素點占軸平面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例。對于CT圖像而言，從腹腔區(qū)域到胸腔區(qū)域，z值逐漸增加，公式(1)大致確定肺部和肝臟的分界面，其中δ表示相鄰兩個R_I(z)的接近時的一個閾值，δ為經(jīng)驗值，根據(jù)樣本的不同可選擇不同的δ值，δ一般選擇0.002-0.015之間。0<ΔR_I(z)＜δ表示隨著軸平面z的繼續(xù)上升，相鄰兩個軸平面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占軸平面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例的差值ΔR_I(z)不會顯著變化，而認為達到了胸腔與腹腔的分界面，即肝與肺的分界面。

在z的一定取值范圍內(nèi)，滿足公式(1)的z值可以有多個，在滿足條件的z值中，選取最小的z作為三維CT圖像中胸腔和腹腔的分界面，同時由于樣本的胸腔和腹腔的分界面L_I^*與R_I(z)的最大值對應(yīng)的軸向?qū)訑?shù)存在一定的誤差，因此根據(jù)公式(2)根據(jù)確定的最大的R_I(z)對應(yīng)的基礎(chǔ)上再乘以一個系數(shù)α，其中α為經(jīng)驗值，一般選擇0.4-0.9之間，進一步優(yōu)選為0.4-0.7之間，公式(2)說明分界面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占分界面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例R_I(L_I^*)與該樣本中R_I(z)的最大值要相差不大。

S103，在測試樣本的三維CT圖像對應(yīng)的分界面上選取一個參考體素點，其中，測試樣本對應(yīng)的參考體素點的原始坐標的X值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，測試樣本對應(yīng)的參考體素點的原始坐標的Y值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同。

本發(fā)明實施例中，在測試樣本的三維CT圖像對應(yīng)的分界面L_I^*上選取一個參 考體素點，該參考體素點的原始坐標可以為P(0，0，z₀)，該參考體素點的原始坐標的X值為0，Y值為0，Z值為z₀，z₀為測試樣本的三維CT圖像中胸腔和腹腔的分界面L_I^*對應(yīng)的軸向?qū)訑?shù)。

S104，計算測試樣本的三維CT圖像中的體素點相對于測試樣本對應(yīng)的參考體素點的相對坐標，得到測試樣本的三維CT圖像中每個體素點的相對坐標。

本發(fā)明實施例中，可以計算測試樣本的三維CT圖像中的體素點相對于測試樣本對應(yīng)的參考體素點的相對坐標，得到測試樣本的三維CT圖像中每個體素點的相對坐標，例如，若選取的測試樣本的參考體素點的原始坐標為P(0，0，z₀)，則測試樣本的三維CT圖像中每個體素點的相對坐標的具體計算方式可以為：若某一個體素點的原始坐標為P₁(x₁，y₁，z₁)，則其相對坐標為P₁'(x₁，y₁，z₁-z₀)。

S105，針對測試樣本的三維CT圖像中的待測體素點，分別利用預(yù)先訓練分類的每棵隨機森林決策樹對待測體素點進行分類，以使待測體素點分別落入已訓練分類的每棵隨機森林決策樹的葉節(jié)點中。

本發(fā)明實施例中，預(yù)先訓練分類的每棵隨機森林決策樹是已經(jīng)通過大量隨機的訓練樣本訓練分類好的隨機森林決策樹，可以利用預(yù)先訓練分類的每棵隨機森林決策樹用于對測試樣本中的待測體素點進行初步的分類歸屬，每棵隨機森林決策樹都包括一些葉節(jié)點，在同一個葉節(jié)點內(nèi)的體素點都具有一些相同的特征，當待測體素點落入某棵隨機森林決策樹的一個葉節(jié)點后，表明待測體素點和該葉節(jié)點內(nèi)的訓練體素點具有一些相同的特征。

S106，在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對待測體素點進行分類，得到待測體素點在每棵隨機森林決策樹的分類結(jié)果。

本發(fā)明實施例中，K近鄰模型是通過在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)選取與待測體素點的相對空間位置最接近的K個訓練體素點，并根據(jù)K個訓練體素點中屬于肝臟區(qū)域的訓練體素點的個數(shù)是否超過預(yù)設(shè)閾值來判斷該待測體素點的分類結(jié)果。舉例來說，若在第一棵隨機森林決策樹中，待測體素點落入了其中的一個葉節(jié)點內(nèi)，在這個葉節(jié)點內(nèi)，采用K近鄰模型找到與該待測體素點空間位置最接近的K個訓練體素點，計算這K個訓練體素點中屬于肝臟區(qū)域的訓練體素點的個數(shù)與K的比值，將該比值作為該待測體素點在第一棵隨機森林決策樹的分類結(jié)果。

在一些可行的實施方式中，在待測體素點落入的隨機森林決策樹的葉節(jié)點 內(nèi)，采用K近鄰模型對待測體素點進行分類，得到待測體素點在每棵隨機森林決策樹的分類結(jié)果，可以包括：

11)在每棵隨機森林決策樹中待測體素點落入的葉節(jié)點內(nèi)，分別選取與待測體素點的相對坐標最接近的K個體素點；

12)分別計算在每棵隨機決策樹中測試樣本落入的葉節(jié)點內(nèi)，與待測體素點的相對坐標最接近的K個體素點中，屬于肝臟區(qū)域的體素點個數(shù)與K的比值，將比值作為分類結(jié)果，得到待測體素點在每棵隨機決策樹的分類結(jié)果。

本發(fā)明實施例中，待測體素點在每棵隨機決策樹中，都有一個分類結(jié)果。

S107，對所有的隨機森林決策樹的分類結(jié)果求平均值，并根據(jù)平均值確定待測體素點的分類歸屬，分類歸屬包括屬于肝臟區(qū)域或?qū)儆诜歉闻K區(qū)域。

本發(fā)明實施例中，在每棵隨機森林決策樹中，該待測體素點均有一個分類結(jié)果，對所有的隨機森林決策樹的分類結(jié)果求平均值，若該平均值超過預(yù)設(shè)閾值，將該待測體素點歸屬于肝臟區(qū)域，若該平均值不超過預(yù)設(shè)閾值，將該待測體素點歸屬于非肝臟區(qū)域。

在一些可行的實施方式中，對所有的隨機森林決策樹的分類結(jié)果求平均值，并根據(jù)平均值確定待測體素點的分類歸屬可以包括：

對所有的隨機森林決策樹的分類結(jié)果求平均值，得到待測體素點在所有的隨機森林決策樹的平均比例值；

判斷平均比例值是否大于預(yù)設(shè)閾值；

若是，將待測體素點歸屬于肝臟區(qū)域；

若否，將待測體素點歸屬于非肝臟區(qū)域。

S108，根據(jù)所有待測體素點的分類歸屬，確定屬于肝臟區(qū)域的待測體素點。

本發(fā)明實施例中，確定測試樣本的三維CT圖像中所有待測體素點的分類歸屬后，可以確定屬于肝臟區(qū)域的待測體素點，得到測試樣本的三維CT圖像中肝臟區(qū)域的輪廓。

如圖8所示，圖8是本發(fā)明實施例公開的采用不同定位方法的肝臟定位實驗結(jié)果對比圖。其中，圖(a)是原圖像，圖(b)是采用AdBoost定位方法的實驗結(jié)果，圖(c)是采用隨機森林定位的實驗結(jié)果，圖(d)是采用隨機森林與K近鄰結(jié)合定位的實驗結(jié)果。從圖8的對比圖像中，可以很明顯的看到，采用隨機森林與K近鄰結(jié)合定位的實驗結(jié)果要比采用AdBoost定位和只采用隨機森林定位的 實驗結(jié)果要好。

本發(fā)明實施例中，提取測試樣本的三維CT圖像的體素點特征，測試樣本的體素點特征包括體素點的原始坐標；采用差分模型定位測試樣本的三維CT圖像中胸腔和腹腔的分界面；在測試樣本的三維CT圖像對應(yīng)的分界面上選取一個參考體素點，其中，測試樣本對應(yīng)的參考體素點的原始坐標的X值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，測試樣本對應(yīng)的參考體素點的原始坐標的Y值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同；計算測試樣本的三維CT圖像中的體素點相對于測試樣本對應(yīng)的參考體素點的相對坐標，得到測試樣本的三維CT圖像中每個體素點的相對坐標；針對測試樣本的三維CT圖像中的待測體素點，分別利用預(yù)先訓練分類的每棵隨機森林決策樹對待測體素點進行分類，以使待測體素點分別落入已訓練分類的每棵隨機森林決策樹的葉節(jié)點中；在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對待測體素點進行分類，得到待測體素點在每棵隨機森林決策樹的分類結(jié)果；對所有的隨機森林決策樹的分類結(jié)果求平均值，并根據(jù)平均值確定待測體素點的分類歸屬，分類歸屬包括屬于肝臟區(qū)域或?qū)儆诜歉闻K區(qū)域；根據(jù)所有待測體素點的分類歸屬，確定屬于肝臟區(qū)域的待測體素點。采用本發(fā)明，分別利用預(yù)先訓練分類的每棵隨機決策樹對待測體素點進行分類，在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對待測體素點進行分類，采用隨機森林分類和K近鄰模型相結(jié)合的方法，可以提高待測體素點的分類歸屬的準確性，從而可以提高三維CT圖像的肝臟定位準確性。

請參閱圖2，圖2是本發(fā)明實施例公開的另一種基于三維CT圖像的肝臟定位方法的流程圖。如圖2所示，本實施例中所描述的基于三維CT圖像的肝臟定位方法，包括步驟：

S201，分別提取多個訓練樣本的三維CT圖像的體素點特征，訓練樣本的體素點特征包括體素點的原始坐標和體素點灰度值。

本發(fā)明實施例中，在對測試樣本進行分類之前，首先要對訓練樣本進行訓練分類。三維CT圖像由多個體素點構(gòu)成，體素點是三維CT圖像的最小構(gòu)成單位，訓練樣本的體素點特征可以包括體素點的原始坐標、體素點的灰度值、以體素點為中心的立方包圍盒的局部直方圖和體素點的上下文特征等，其中，以體素點為中心的立方包圍盒是取自體素點的鄰域半徑為5(對應(yīng)的立方包圍盒的邊長 為2*5+1＝11)的立方包圍盒；體素點的上下文特征是對體素點周圍一定偏移量的體素點進行灰度值提取，作為該體素點的上下文特征。在一些優(yōu)選的實施方式中，將以體素點為中心、鄰域半徑為9(對應(yīng)的立方包圍盒的邊長為2*9+1＝19)的立方包圍盒的局部直方圖作為該體素點的上下文特征；體素點的原始坐標包括X，Y和Z，對于人體的三維CT圖像來說，體素點的灰度值跨度從-1024到3075。

S202，采用差分模型分別定位每個訓練樣本的三維CT圖像中胸腔和腹腔的分界面。

本發(fā)明實施例中，由于在三維CT圖像中，位于不同器官的體素點的灰度值分布范圍不同，例如，位于肝臟區(qū)域的體素點的灰度值分布范圍一般為75-150，位于肺部區(qū)域的體素點的灰度值分布范圍小于-64，位于腹部其他器官的體素點的灰度值分布范圍一般在-20-250，可以利用不同器官的灰度值的差異，采用差分模型分別定位每個訓練樣本的三維CT圖像中胸腔和腹腔的分界面。

在一些可行的實施方式中，采用差分模型定位訓練樣本的三維CT圖像中胸腔和腹腔的分界面具體可以包括：

采用如下公式定位訓練樣本的三維CT圖像中胸腔和腹腔的分界面：

L_I^*＝min{z|0＜ΔR_I(z)＜δ，ΔR_I(z)＝R_I(z)-R_I(z-1) (1)；

R_I(L_I^*)＝α·max{R_I(z)，0＜α＜1} (2)；

其中，L_I^*為訓練樣本的三維CT圖像中胸腔和腹腔的分界面，z為訓練樣本的三維CT圖像中軸平面對應(yīng)的軸向?qū)訑?shù)，R_I(z)為軸向?qū)訑?shù)為z的軸平面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占軸平面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例，R_I(z-1)為軸向?qū)訑?shù)為(z-1)的軸平面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占軸平面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例；R_I(L_I^*)為分界面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占分界面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例。

本發(fā)明實施中的差分模型與數(shù)值計算方法中求解微分方程中的差分模型有所區(qū)別。本發(fā)明中的差分模型是指對CT圖像相鄰橫斷面上特定像素的比例分布進行統(tǒng)計并作差分析(即R_I(z)—R_I(z-1))，最后得到胸腔與腹腔的分界面。由于不同樣本的胸腔、腹腔的差異性(如不同的人肺部、肝臟形狀的差異性)，在本發(fā)明公式(1)、(2)的聯(lián)合定義下，能較準確地定位樣本的胸腔與腹腔的分界面，幾乎不受樣本差異性的影響。

本發(fā)明實施例中，CT圖像中腹部組織(如肝臟、脾臟、腎臟等)的體素點的灰度值通常大于0，位于肺部(肺屬于胸腔區(qū)域)的體素點的灰度值通常小于-64，人體的肝臟區(qū)域位于人體腹腔的右半側(cè)(肝位于人體的右季肋區(qū))，處于CT圖像的左半平面，而位于人體左胸腔的心臟的灰度值又與肝臟相近，可以將預(yù)先設(shè)置區(qū)域設(shè)為CT圖像的左半平面(即人體的右半平面)，可以將預(yù)設(shè)灰度值設(shè)為-64，即R_I(z)為位于預(yù)先設(shè)置區(qū)域內(nèi)肺部的體素點占軸平面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例。對于CT圖像而言，從腹腔區(qū)域到胸腔區(qū)域，z值逐漸增加，公式(1)大致確定肺部和肝臟的分界面，其中δ表示相鄰兩個R_I(z)的接近時的一個閾值，δ為經(jīng)驗值，根據(jù)樣本的不同可選擇不同的δ值，δ一般選擇0.002-0.015之間。0<ΔR_I(z)＜δ表示隨著軸平面z的繼續(xù)上升，相鄰兩個軸平面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占軸平面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例的差值ΔR_I(z)不會顯著變化，而認為達到了胸腔與腹腔的分界面，即肝與肺的分界面。

在z的一定取值范圍內(nèi)，滿足公式(1)的z值可以有多個，在滿足條件的z值中，選取最小的z作為三維CT圖像中胸腔和腹腔的分界面，同時由于樣本的胸腔和腹腔的分界面L_I^*與R_I(z)的最大值對應(yīng)的軸向?qū)訑?shù)存在一定的誤差，因此根據(jù)公式(2)根據(jù)確定的最大的R_I(z)對應(yīng)的基礎(chǔ)上再乘以一個系數(shù)α，其中α為經(jīng)驗值，一般選擇0.4-0.9之間，進一步優(yōu)選為0.4-0.7之間，公式(2)說明分界面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占分界面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例R_I(L_I^*)與該樣本中R_I(z)的最大值要相差不大。

舉例來說，參加附圖3，圖3是本發(fā)明實施例中多個訓練樣本的CT圖像中胸腔與腹腔分界面的定位結(jié)果圖；對某個樣本a進行差分模型定位，得到定位三維CT圖像的分界面的樣本a的圖像，如圖3(a)所示，圖3(a)中的實線表示該樣本的胸腔與腹腔分界面。對于樣本a，計算樣本a的CT圖像中不同的軸向?qū)訑?shù)z對應(yīng)的軸平面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值(-64)的體素點個數(shù)占軸平面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例R_I(z)，得到樣本的特征像素分布，如圖3(c)所示，圖3(c)中橫坐標為軸向?qū)訑?shù)z，縱坐標為R_I(z)。

從圖3(c)中的曲線a可以看出，樣本a中的R_I(z)的最大值對應(yīng)的軸向?qū)訑?shù)為z_c，z_c是曲線a中的突變點(圖中未畫出)，z_c對應(yīng)的軸平面中，肺部區(qū)域的像素點的比例最大，若在z_c的基礎(chǔ)上隨著z的繼續(xù)增大，R_I(z)就會開始變??；但由 于樣本的胸腔和腹腔的分界面L_I^*與R_I(z)的最大值對應(yīng)的軸向?qū)訑?shù)z_c存在一定的誤差，因此需要在R_I(z)的最大值的基礎(chǔ)上乘以系數(shù)α(對于樣本a，α＝0.9)，R_I(L_I^*)與R_I(z)的最大值較接近，進而得到該樣本的三維CT圖像中胸腔和腹腔的分界面L_I^*，圖3(a)上的實線及圖3(c)中曲線a上標出的豎線對應(yīng)的z即為該樣本a的分界面L_I^*。

總的說來，分界面L_I^*需要滿足兩個基本條件：首先，相鄰的上下兩層軸平面中的左半平面內(nèi)灰度值小于-64的體素點個數(shù)占軸平面中左半平面內(nèi)體素點個數(shù)的比例的差值ΔR_I(z)不會顯著變化，即0<ΔR_I(z)＜δ，且在這些滿足條件的z值中取其中最小的z值；其次，分界面中左半平面內(nèi)小于-64的體素點個數(shù)占分界面中左半平面內(nèi)體素點個數(shù)的比例R_I(L_I^*)與該樣本中R_I(z)的最大值要相差不大。

同樣地，對另一樣本b也進行差分模型定位，得到定位三維CT圖像的分界面的樣本b的圖像，如圖3(b)所示，圖3(b)上的實線即為該樣本b的分界面L_I^*，圖3(b)上的灰色虛線即為R_I(z)的最大值對應(yīng)的軸向?qū)訑?shù)為z_c的軸平面。圖3(c)曲線b上標出的豎線對應(yīng)的z即為該樣本的胸腔和腹腔的分界面L_I^*，肝臟在此分界面之下，肺在該分界面之上。樣本b的分界面L_I^*與突變點z_c的略有偏離，對于樣本b，α＝0.8。

S203，在每個訓練樣本的三維CT圖像對應(yīng)的分界面上分別選取一個參考體素點，其中，每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同。

本發(fā)明實施例中，在每個訓練樣本的三維CT圖像對應(yīng)的分界面L_I^*上分別選取的一個參考體素點，其中，每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同。例如，在第一個訓練樣本對應(yīng)的分界面上選取一個參考體素點，該參考體素點的原始坐標可以為P₁(0，0，z₁)，該參考體素點的原始坐標的X值為0，Y值為0，Z值為z₁，z₁為第一個訓練樣本的三維CT圖像中胸腔和腹腔的分界面對應(yīng)的軸向?qū)訑?shù)；在第二個訓練樣本對應(yīng)的分界面上選取一個參考體素點，該參考體素點的原始坐標可以為P₂(0，0，z₂)，該參考體素點的原始坐標的X值為0，Y值為0，Z值為z₂，z₂為第二個訓練樣本的三維CT圖像中胸腔和腹腔的分界面對應(yīng)的軸向?qū)訑?shù)；在第n個訓練樣本對應(yīng)的分界面上選取一個參考體素點，該參考體素點的原始坐標可以為P_n(0，0，z_n)，該參考體素點的原始坐標的X值為0，Y值為0，Z值為z_n， z_n為第二個訓練樣本的三維CT圖像中胸腔和腹腔的分界面對應(yīng)的軸向?qū)訑?shù)；這里選取的每個訓練樣本的X值均為0，Y值均為0。

S204，分別計算每個訓練樣本的三維CT圖像中的體素點相對于體素點所在訓練樣本對應(yīng)的參考體素點的相對坐標，得到每個訓練樣本的三維CT圖像中每個體素點的相對坐標。

本發(fā)明實施例中，分別計算每個訓練樣本的三維CT圖像中的體素點相對于體素點所在訓練樣本對應(yīng)的參考體素點的相對坐標，得到每個訓練樣本的三維CT圖像中每個體素點的相對坐標，例如，針對第一個訓練樣本，若選取的參考體素點的原始坐標為P(0，0，z₁)，則第一訓練樣本的三維CT圖像中每個體素點的相對坐標的具體計算方式可以為：若某一個體素點的原始坐標為P₁(x₁，y₁，z₂)，則其相對坐標為P₁'(x₁，y₁，z₂-z₁)；針對第二個訓練樣本，若選取的參考體素點的原始坐標為P(0，0，z₂)，則第二訓練樣本的三維CT圖像中每個體素點的相對坐標的具體計算方式可以為：若某一個體素點的原始坐標為P₁(x₁，y₁，z₁)，則其相對坐標為P₁'(x₁，y₁，z₁-z₂)。

S205，從每個訓練樣本的三維CT圖像中分別隨機選取第一預(yù)設(shè)數(shù)量的肝臟區(qū)域的體素點和第二預(yù)設(shè)數(shù)量的非肝臟區(qū)域的體素點，作為隨機訓練體素點。

本發(fā)明實施例中，由于對每個訓練樣本進行隨機森林分類，從每個訓練樣本的三維CT圖像中分別隨機選取第一預(yù)設(shè)數(shù)量的肝臟區(qū)域的體素點和第二預(yù)設(shè)數(shù)量的非肝臟區(qū)域的體素點，作為隨機訓練體素點。第一預(yù)設(shè)數(shù)量和第二預(yù)設(shè)數(shù)量可以根據(jù)需要進行預(yù)先設(shè)置，隨機訓練體素點的個數(shù)一般較大，舉例來說，可以選取40萬個隨機體素點。

S206，從訓練樣本的體素點特征中有放回的隨機選取第三預(yù)設(shè)數(shù)量的特征構(gòu)建隨機森林決策樹，針對每棵隨機森林決策樹，對從隨機訓練體素點中有放回的隨機選取的第四預(yù)設(shè)數(shù)量的隨機訓練體素點進行訓練分類，以使第四預(yù)設(shè)數(shù)量的隨機訓練體素點落入隨機森林決策樹的葉節(jié)點中。

本發(fā)明實施例中，訓練樣本的體素點特征包括體素點坐標，體素點灰度值、以體素點為中心的立方包圍盒的局部直方圖和體素點的上下文特征等，體素點特征的個數(shù)可以超過100個，比如體素點的X坐標、體素點的Y坐標、體素點的Z坐標、體素點的像素值、以體素點為中心的立方包圍盒的局部直方圖中灰度值從-1000到-950的個數(shù)、以體素點為中心的立方包圍盒的局部直方圖中灰度值從 -950到-900的個數(shù)、以體素點為中心的立方包圍盒的局部直方圖中灰度值從-900到-850的個數(shù)，等等，第三預(yù)設(shè)數(shù)量可以為10個。若隨機訓練體素點的個數(shù)為40萬個，第四預(yù)設(shè)數(shù)量可以為2萬個。舉例來說，對每棵隨機森林決策樹，可以從訓練樣本的體素點特征中有放回的隨機選取10個特征作為隨機森林決策樹的特征，然后從隨機體素點中隨機選取2萬個體素點進行訓練分類，當隨機森林決策樹的節(jié)點的體素點很純(如落入該節(jié)點的體素點均屬于肝臟區(qū)域)，或者節(jié)點的體素點個數(shù)少于64個時，停止分裂，將該節(jié)點作為葉節(jié)點。

S207，提取測試樣本的三維CT圖像的體素點特征，測試樣本的體素點特征包括體素點的原始坐標。

S208，采用差分模型定位測試樣本的三維CT圖像中胸腔和腹腔的分界面。

S209，在測試樣本的三維CT圖像對應(yīng)的分界面上選取一個參考體素點，其中，測試樣本對應(yīng)的參考體素點的原始坐標的X值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，測試樣本對應(yīng)的參考體素點的原始坐標的Y值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同。

S210，計算測試樣本的三維CT圖像中的體素點相對于測試樣本對應(yīng)的參考體素點的相對坐標，得到測試樣本的三維CT圖像中每個體素點的相對坐標。

S211，針對測試樣本的三維CT圖像中的待測體素點，分別利用預(yù)先訓練分類的每棵隨機森林決策樹對待測體素點進行分類，以使待測體素點分別落入已訓練分類的每棵隨機森林決策樹的葉節(jié)點中。

S212，在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對待測體素點進行分類，得到待測體素點在每棵隨機森林決策樹的分類結(jié)果。

S213，對所有的隨機森林決策樹的分類結(jié)果求平均值，并根據(jù)平均值確定待測體素點的分類歸屬，分類歸屬包括屬于肝臟區(qū)域或?qū)儆诜歉闻K區(qū)域。

S214，根據(jù)所有待測體素點的分類歸屬，確定屬于肝臟區(qū)域的待測體素點。

本發(fā)明實施例中，步驟S207-步驟S214可以參考圖1的步驟S101-步驟S108。本發(fā)明實施例不再贅述。

本發(fā)明實施例中，分別提取多個訓練樣本的三維CT圖像的體素點特征，體素點特征包括體素點的原始坐標和體素點灰度值；采用差分模型分別定位每個訓練樣本的三維CT圖像中胸腔和腹腔的分界面；在每個訓練樣本的三維CT圖像對應(yīng)的分界面上分別選取一個參考體素點，其中，每個訓練樣本對應(yīng)的參考體 素點的原始坐標的X值相同，每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同；分別計算每個訓練樣本的三維CT圖像中的體素點相對于體素點所在訓練樣本對應(yīng)的參考體素點的相對坐標，得到每個訓練樣本的三維CT圖像中每個體素點的相對坐標；從每個訓練樣本的三維CT圖像中分別隨機選取第一預(yù)設(shè)數(shù)量的肝臟區(qū)域的體素點和第二預(yù)設(shè)數(shù)量的非肝臟區(qū)域的體素點，作為隨機訓練體素點；從訓練樣本的體素點特征中有放回的隨機選取第三預(yù)設(shè)數(shù)量的特征構(gòu)建隨機森林決策樹，針對每棵隨機森林決策樹，對從隨機訓練體素點中有放回的隨機選取的第四預(yù)設(shè)數(shù)量的隨機訓練體素點進行訓練分類，以使第四預(yù)設(shè)數(shù)量的隨機訓練體素點落入隨機森林決策樹的葉節(jié)點中；提取測試樣本的三維CT圖像的體素點特征，體素點特征包括體素點的原始坐標；采用差分模型定位測試樣本的三維CT圖像中胸腔和腹腔的分界面；在測試樣本的三維CT圖像對應(yīng)的分界面上選取一個參考體素點，其中，測試樣本對應(yīng)的參考體素點的原始坐標的X值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，測試樣本對應(yīng)的參考體素點的原始坐標的Y值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同；計算測試樣本的三維CT圖像中的體素點相對于測試樣本對應(yīng)的參考體素點的相對坐標，得到測試樣本的三維CT圖像中每個體素點的相對坐標；針對測試樣本的三維CT圖像中的待測體素點，分別利用預(yù)先訓練分類的每棵隨機森林決策樹對待測體素點進行分類，以使待測體素點分別落入已訓練分類的每棵隨機森林決策樹的葉節(jié)點中；在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對待測體素點進行分類，得到待測體素點在每棵隨機森林決策樹的分類結(jié)果；對所有的隨機森林決策樹的分類結(jié)果求平均值，并根據(jù)平均值確定待測體素點的分類歸屬，分類歸屬包括屬于肝臟區(qū)域或?qū)儆诜歉闻K區(qū)域；根據(jù)所有待測體素點的分類歸屬，確定屬于肝臟區(qū)域的待測體素點。采用本發(fā)明，可以提高三維CT圖像的肝臟定位準確性。

請參閱圖4，圖4是本發(fā)明實施例公開的一種基于三維CT圖像的肝臟定位裝置的結(jié)構(gòu)示意圖。如圖4所示，本實施例中所描述的裝置，包括第一提取單元301、第一定位單元302、第一選取單元303、第一計算單元304、第一分類單元305、第二分類單306、第一確定單元307和第二確定單元308，其中：

第一提取單元301，用于提取測試樣本的三維CT圖像的體素點特征，測試樣本的體素點特征包括體素點的原始坐標。

本發(fā)明實施例中，當對人體的胸腔、腹部等區(qū)域的一定厚度的層面進行X射線(也可以是γ射線、超聲波射線等)掃描后，探測器接收透過該層面的X射線，X射線激發(fā)熒光物質(zhì)發(fā)光，將光信號轉(zhuǎn)換為電信號后，再轉(zhuǎn)換成數(shù)字信號輸入計算機處理，得到三維CT圖像，其中，三維CT圖像由多個體素點構(gòu)成，體素點是三維CT圖像的最小構(gòu)成單位，測試樣本的體素點特征可以包括體素點的原始坐標、體素點的灰度值、以體素點為中心的立方包圍盒的局部直方圖和體素點的上下文特征等，其中，以體素點為中心的立方包圍盒是取自體素點的鄰域半徑為5(對應(yīng)的立方包圍盒的邊長為2*5+1＝11)的立方包圍盒；體素點的上下文特征是對體素點周圍一定偏移量的體素點進行灰度值提取，作為該體素點的上下文特征。在一些優(yōu)選的實施方式中，將以體素點為中心、鄰域半徑為9(對應(yīng)的立方包圍盒的邊長為2*9+1＝19)的立方包圍盒的局部直方圖作為該體素點的上下文特征；體素點的原始坐標包括X，Y和Z，對于人體的三維CT圖像來說，體素點的灰度值跨度從-1024到3075。

第一定位單元302，用于采用差分模型定位測試樣本的三維CT圖像中胸腔和腹腔的分界面。

本發(fā)明實施例中，測試樣本的體素點特征還包括體素點灰度值，由于在三維CT圖像中，位于不同器官的體素點的灰度值分布范圍不同，例如，位于肝臟區(qū)域的體素點的灰度值分布范圍一般為75-150，位于肺部區(qū)域的體素點的灰度值分布范圍小于-64，位于腹部其他器官的體素點的灰度值分布范圍一般在-20-250，可以利用不同器官的灰度值的差異，第一定位單元302采用差分模型定位測試樣本的三維CT圖像中胸腔和腹腔的分界面。

可選的，第一定位單元302用差分模型定位測試樣本的三維CT圖像中胸腔和腹腔的分界面具體可以包括：

采用如下公式定位測試樣本的三維CT圖像中胸腔和腹腔的分界面：

L_I^*＝min{z|0＜ΔR_I(z)＜δ，ΔR_I(z)＝R_I(z)-R_I(z-1) (1)；

R_I(L_I^*)＝α·max{R_I(z)，0＜α＜1} (2)；

其中，L_I^*為測試樣本的三維CT圖像中胸腔和腹腔的分界面，z為測試樣本的三維CT圖像中軸平面對應(yīng)的軸向?qū)訑?shù)，R_I(z)為軸向?qū)訑?shù)為z的軸平面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占軸平面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例，R_I(z-1)為軸向?qū)訑?shù)為(z-1)的軸平面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值 低于預(yù)設(shè)灰度值的體素點個數(shù)占軸平面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例；R_I(L_I^*)為分界面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占分界面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例。

本發(fā)明實施例中，CT圖像中腹部組織(如肝臟、脾臟、腎臟等)的體素點的灰度值通常大于0，位于肺部(肺屬于胸腔區(qū)域)的體素點的灰度值通常小于-64，人體的肝臟位于人體腹腔的右半側(cè)(肝位于人體的右季肋區(qū))，處于CT圖像的左半平面，而位于人體左胸腔的心臟的灰度值又與肝臟相近，可以將預(yù)先設(shè)置區(qū)域設(shè)為CT圖像的左半平面(即人體的右半平面)，可以將預(yù)設(shè)灰度值設(shè)為-64，即R_I(z)為位于預(yù)先設(shè)置區(qū)域內(nèi)肺部的體素點占軸平面預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例。對于CT圖像而言，從腹腔區(qū)域到胸腔區(qū)域，z值逐漸增加，公式(1)大致確定肺部和肝臟的分界面，其中δ表示相鄰兩個R_I(z)的接近時的一個閾值，δ為經(jīng)驗值，根據(jù)樣本的不同可選擇不同的δ值，δ一般選擇0.002-0.015之間。0<ΔR_I(z)＜δ表示隨著軸平面z的繼續(xù)上升，相鄰兩個軸平面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占軸平面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例的差值ΔR_I(z)不會顯著變化，而認為達到了胸腔與腹腔的分界面，即肝與肺的分界面。

在z的一定取值范圍內(nèi)，滿足公式(1)的z值可以有多個，在滿足條件的z值中，選取最小的z作為三維CT圖像中胸腔和腹腔的分界面，同時由于樣本的胸腔和腹腔的分界面L_I^*與R_I(z)的最大值對應(yīng)的軸向?qū)訑?shù)存在一定的誤差，因此根據(jù)公式(2)根據(jù)確定的最大的R_I(z)對應(yīng)的基礎(chǔ)上再乘以一個系數(shù)α，其中α為經(jīng)驗值，一般選擇0.4-0.9之間，進一步優(yōu)選為0.4-0.7之間，公式(2)說明分界面中預(yù)先設(shè)置區(qū)域內(nèi)灰度值低于預(yù)設(shè)灰度值的體素點個數(shù)占分界面中預(yù)先設(shè)置區(qū)域內(nèi)體素點個數(shù)的比例R_I(L_I^*)與該樣本中R_I(z)的最大值要相差不大。

第一選取單元303，用于在測試樣本的三維CT圖像對應(yīng)的分界面上選取一個參考體素點，其中，測試樣本對應(yīng)的參考體素點的原始坐標的X值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，測試樣本對應(yīng)的參考體素點的原始坐標的Y值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同。

本發(fā)明實施例中，第一選取單元303在測試樣本的三維CT圖像對應(yīng)的分界面上選取的一個參考體素點，該參考體素點的原始坐標可以為P(0，0，z₀)，該參 考體素點的原始坐標的X值為0，Y值為0，Z值為z₀，z₀為測試樣本的三維CT圖像中胸腔和腹腔的分界面對應(yīng)的軸向?qū)訑?shù)。

第一計算單元304，用于計算測試樣本的三維CT圖像中的體素點相對于測試樣本對應(yīng)的參考體素點的相對坐標，得到測試樣本的三維CT圖像中每個體素點的相對坐標。

本發(fā)明實施例中，第一計算單元304可以計算測試樣本的三維CT圖像中的體素點相對于測試樣本對應(yīng)的參考體素點的相對坐標，得到測試樣本的三維CT圖像中每個體素點的相對坐標，例如，若選取的測試樣本的參考體素點的原始坐標為P(0，0，z₀)，則測試樣本的三維CT圖像中每個體素點的相對坐標的具體計算方式可以為：若某一個體素點的原始坐標為P₁(x₁，y₁，z₁)，則其相對坐標為P₁'(x₁，y₁，z₁-z₀)。

第一分類單元305，用于針對測試樣本的三維CT圖像中的待測體素點，分別利用預(yù)先訓練分類的每棵隨機森林決策樹對待測體素點進行分類，以使待測體素點分別落入已訓練分類的每棵隨機森林決策樹的葉節(jié)點中。

本發(fā)明實施例中，預(yù)先訓練分類的每棵隨機森林決策樹是已經(jīng)通過大量隨機的訓練樣本訓練分類好的隨機森林決策樹，可以利用預(yù)先訓練分類的每棵隨機森林決策樹用于對測試樣本中的待測體素點進行初步的分類歸屬，每棵隨機森林決策樹都包括一些葉節(jié)點，在同一個葉節(jié)點內(nèi)的體素點都具有一些相同的特征，當待測體素點落入某棵隨機森林決策樹的一個葉節(jié)點后，表明待測體素點和該葉節(jié)點內(nèi)的訓練體素點具有一些相同的特征。

第二分類單306，用于在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對待測體素點進行分類，得到待測體素點在每棵隨機森林決策樹的分類結(jié)果。

本發(fā)明實施例中，K近鄰模型是通過在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)選取與待測體素點的相對空間位置最接近的K個訓練體素點，并根據(jù)K個訓練體素點中屬于肝臟區(qū)域的訓練體素點的個數(shù)是否超過預(yù)設(shè)閾值來判斷該待測體素點的分類結(jié)果。舉例來說，若在第一棵隨機森林決策樹中，待測體素點落入了其中的一個葉節(jié)點內(nèi)，在這個葉節(jié)點內(nèi)，采用K近鄰模型找到與該待測體素點空間位置最接近的K個訓練體素點，計算這K個訓練體素點中屬于肝臟區(qū)域的訓練體素點的個數(shù)與K的比值，將該比值作為該待測體素點在第一棵隨機森 林決策樹的分類結(jié)果。

可選的，請參閱圖5，圖5是本發(fā)明實施例公開的另一種基于三維CT圖像的肝臟定位裝置的結(jié)構(gòu)示意圖，如圖5所示，第二分類單306可以包括：

選取子單元3061，用于在每棵隨機森林決策樹中待測體素點落入的葉節(jié)點內(nèi)，分別選取與待測體素點的相對坐標最接近的K個體素點。

計算子單元3062，用于分別計算在每棵隨機決策樹中測試樣本落入的葉節(jié)點內(nèi)，與待測體素點的相對坐標最接近的K個體素點中，屬于肝臟區(qū)域的體素點個數(shù)與K的比值，將比值作為分類結(jié)果，得到待測體素點在每棵隨機決策樹的分類結(jié)果。

本發(fā)明實施例中，待測體素點在每棵隨機決策樹中，都有一個分類結(jié)果。

第一確定單元307，用于對所有的隨機森林決策樹的分類結(jié)果求平均值，并根據(jù)平均值確定待測體素點的分類歸屬，分類歸屬包括屬于肝臟區(qū)域或?qū)儆诜歉闻K區(qū)域。

本發(fā)明實施例中，在每棵隨機森林決策樹中，該待測體素點均有一個分類結(jié)果，對所有的隨機森林決策樹的分類結(jié)果求平均值，若該平均值超過預(yù)設(shè)閾值，將該待測體素點歸屬于肝臟區(qū)域，若該平均值不超過預(yù)設(shè)閾值，將該待測體素點歸屬于非肝臟區(qū)域。

可選的，請參閱圖6，圖6是本發(fā)明實施例公開的另一種基于三維CT圖像的肝臟定位裝置的結(jié)構(gòu)示意圖，如圖6所示，第一確定單元307可以包括平均子單元3071、判斷子單元3072、第一歸屬子單元3073和第二歸屬子單元3074，其中：

平均子單元3071，用于對所有的隨機森林決策樹的分類結(jié)果求平均值，得到待測體素點在所有的隨機森林決策樹的平均比例值。

判斷子單元3072，用于判斷平均比例值是否大于預(yù)設(shè)閾值。

第一歸屬子單元3073，用于當判斷子單元3072判斷結(jié)果為是時，將待測體素點歸屬于肝臟區(qū)域。

第二歸屬子單元3074，用于當判斷子單元3072判斷結(jié)果為否時，將待測體素點歸屬于非肝臟區(qū)域。

第二確定單元308，用于根據(jù)所有待測體素點的分類歸屬，確定屬于肝臟區(qū)域的待測體素點。

本發(fā)明實施例中，確定測試樣本的三維CT圖像中所有待測體素點的分類歸 屬后，可以確定屬于肝臟區(qū)域的待測體素點，得到測試樣本的三維CT圖像中肝臟區(qū)域的輪廓。

本發(fā)明實施例中，第一提取單元301提取測試樣本的三維CT圖像的體素點特征，測試樣本的體素點特征包括體素點的原始坐標；第一定位單元302采用差分模型定位測試樣本的三維CT圖像中胸腔和腹腔的分界面；第一選取單元303在測試樣本的三維CT圖像對應(yīng)的分界面上選取一個參考體素點，其中，測試樣本對應(yīng)的參考體素點的原始坐標的X值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，測試樣本對應(yīng)的參考體素點的原始坐標的Y值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同；第一計算單元304計算測試樣本的三維CT圖像中的體素點相對于測試樣本對應(yīng)的參考體素點的相對坐標，得到測試樣本的三維CT圖像中每個體素點的相對坐標；第一分類單元305針對測試樣本的三維CT圖像中的待測體素點，分別利用預(yù)先訓練分類的每棵隨機森林決策樹對待測體素點進行分類，以使待測體素點分別落入已訓練分類的每棵隨機森林決策樹的葉節(jié)點中；第二分類單306在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對待測體素點進行分類，得到待測體素點在每棵隨機森林決策樹的分類結(jié)果；第一確定單元307對所有的隨機森林決策樹的分類結(jié)果求平均值，并根據(jù)平均值確定待測體素點的分類歸屬，分類歸屬包括屬于肝臟區(qū)域或?qū)儆诜歉闻K區(qū)域；第二確定單元308根據(jù)所有待測體素點的分類歸屬，確定屬于肝臟區(qū)域的待測體素點。采用本發(fā)明，分別利用預(yù)先訓練分類的每棵隨機決策樹對待測體素點進行分類，在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對待測體素點進行分類，采用隨機森林分類和K近鄰模型相結(jié)合的方法，可以提高待測體素點的分類歸屬的準確性，從而可以提高三維CT圖像的肝臟定位準確性。

請參閱圖7，圖7是本發(fā)明實施例公開的另一種基于三維CT圖像的肝臟定位裝置的結(jié)構(gòu)示意圖。如圖7所示，本實施例中所描述的裝置，除了圖3所示第一提取單元301、第一定位單元302、第一選取單元303、第一計算單元304、第一分類單元305、第二分類單306、第一確定單元307和第二確定單元308之外，還包括第二提取單元309、第二定位單元310、第二選取單元311、第二計算單元312、第三選取單元313和第三分類單元314，其中：

第二提取單元309，用于分別提取多個訓練樣本的三維CT圖像的體素點特 征，訓練樣本的體素點特征包括體素點的原始坐標和體素點灰度值。

本發(fā)明實施例中，在對測試樣本進行分類之前，首先要對訓練樣本進行訓練分類。三維CT圖像由多個體素點構(gòu)成，體素點是三維CT圖像的最小構(gòu)成單位，體素點特征可以包括體素點的原始坐標、體素點的灰度值、以體素點為中心的立方包圍盒的局部直方圖和體素點的上下文特征等，其中，以體素點為中心的立方包圍盒是取自體素點的鄰域半徑為5(對應(yīng)的立方包圍盒的邊長為2*5+1＝11)的立方包圍盒；體素點的上下文特征是對體素點周圍一定偏移量的體素點進行灰度值提取，作為該體素點的上下文特征。在一些優(yōu)選的實施方式中，將以體素點為中心、鄰域半徑為9(對應(yīng)的立方包圍盒的邊長為2*9+1＝19)的立方包圍盒的局部直方圖作為該體素點的上下文特征；體素點的原始坐標包括X，Y和Z，對于人體的三維CT圖像來說，體素點的灰度值跨度從-1024到3075。

第二定位單元310，用于采用差分模型分別定位每個訓練樣本的三維CT圖像中胸腔和腹腔的分界面。

本發(fā)明實施例中，由于在三維CT圖像中，位于不同器官的體素點的灰度值分布范圍不同，例如，位于肝臟區(qū)域的體素點的灰度值分布范圍一般為75-150，位于肺部區(qū)域的體素點的灰度值分布范圍小于-64，位于腹部其他器官的體素點的灰度值分布范圍一般在-20-250，可以利用不同器官的灰度值的差異，第二定位單元310采用差分模型分別定位每個訓練樣本的三維CT圖像中胸腔和腹腔的分界面。

第二選取單元311，用于在每個訓練樣本的三維CT圖像對應(yīng)的分界面上分別選取一個參考體素點，其中，每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同。

本發(fā)明實施例中，第二選取單元311在每個訓練樣本的三維CT圖像對應(yīng)的分界面上分別選取的一個參考體素點，其中，每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同。例如，在第一個訓練樣本對應(yīng)的分界面上選取一個參考體素點，該參考體素點的原始坐標可以為P₁(0，0，z₁)，該參考體素點的原始坐標的X值為0，Y值為0，Z值為z₁，z₁為第一個訓練樣本的三維CT圖像中胸腔和腹腔的分界面對應(yīng)的軸向?qū)訑?shù)；在第二個訓練樣本對應(yīng)的分界面上選取一個參考體素點，該參考體素點的原始坐標可以為P₂(0，0，z₂)，該參考體素點的原始坐標的X值為0，Y值為0， Z值為z₂，z₂為第二個訓練樣本的三維CT圖像中胸腔和腹腔的分界面對應(yīng)的軸向?qū)訑?shù)；在第n個訓練樣本對應(yīng)的分界面上選取一個參考體素點，該參考體素點的原始坐標可以為P_n(0，0，z_n)，該參考體素點的原始坐標的X值為0，Y值為0，Z值為z_n，z_n為第二個訓練樣本的三維CT圖像中胸腔和腹腔的分界面對應(yīng)的軸向?qū)訑?shù)；這里選取的每個訓練樣本的X值均為0，Y值均為0。

第二計算單元312，用于分別計算每個訓練樣本的三維CT圖像中的體素點相對于體素點所在訓練樣本對應(yīng)的參考體素點的相對坐標，得到每個訓練樣本的三維CT圖像中每個體素點的相對坐標。

本發(fā)明實施例中，第二計算單元312分別計算每個訓練樣本的三維CT圖像中的體素點相對于體素點所在訓練樣本對應(yīng)的參考體素點的相對坐標，得到每個訓練樣本的三維CT圖像中每個體素點的相對坐標，例如，針對第一個訓練樣本，若選取的參考體素點的原始坐標為P(0，0，z₁)，則第一訓練樣本的三維CT圖像中每個體素點的相對坐標的具體計算方式可以為：若某一個體素點的原始坐標為P₁(x₁，y₁，z₂)，則其相對坐標為P₁'(x₁，y₁，z₂-z₁)；針對第二個訓練樣本，若選取的參考體素點的原始坐標為P(0，0，z₂)，則第二訓練樣本的三維CT圖像中每個體素點的相對坐標的具體計算方式可以為：若某一個體素點的原始坐標為P₁(x₁，y₁，z₁)，則其相對坐標為P₁'(x₁，y₁，z₁-z₂)。

第三選取單元313，用于從每個訓練樣本的三維CT圖像中分別隨機選取第一預(yù)設(shè)數(shù)量的肝臟區(qū)域的體素點和第二預(yù)設(shè)數(shù)量的非肝臟區(qū)域的體素點，作為隨機訓練體素點。

本發(fā)明實施例中，由于對每個訓練樣本進行隨機森林分類，第三選取單元313從每個訓練樣本的三維CT圖像中分別隨機選取第一預(yù)設(shè)數(shù)量的肝臟區(qū)域的體素點和第二預(yù)設(shè)數(shù)量的非肝臟區(qū)域的體素點，作為隨機訓練體素點。第一預(yù)設(shè)數(shù)量和第二預(yù)設(shè)數(shù)量可以根據(jù)需要進行預(yù)先設(shè)置，由于本發(fā)明用于定位肝臟區(qū)域，所以第一預(yù)設(shè)數(shù)量一般要大于第二預(yù)設(shè)數(shù)量。隨機訓練體素點的個數(shù)一般較大，舉例來說，可以選取40萬個隨機體素點。

第三分類單元314，用于從訓練樣本的體素點特征中有放回的隨機選取第三預(yù)設(shè)數(shù)量的特征構(gòu)建隨機森林決策樹，針對每棵隨機森林決策樹，對從隨機訓練體素點中有放回的隨機選取的第四預(yù)設(shè)數(shù)量的隨機訓練體素點進行訓練分類，以使第四預(yù)設(shè)數(shù)量的隨機訓練體素點落入隨機森林決策樹的葉節(jié)點中。

本發(fā)明實施例中，訓練樣本的體素點特征包括體素點坐標，體素點灰度值、以體素點為中心的立方包圍盒的局部直方圖和體素點的上下文特征等，訓練樣本的體素點特征的個數(shù)可以超過100個，比如體素點的X坐標、體素點的Y坐標、體素點的Z坐標、體素點的像素值、以體素點為中心的立方包圍盒的局部直方圖中灰度值從-1000到-950的個數(shù)、以體素點為中心的立方包圍盒的局部直方圖中灰度值從-950到-900的個數(shù)、以體素點為中心的立方包圍盒的局部直方圖中灰度值從-900到-850的個數(shù)，等等，第三預(yù)設(shè)數(shù)量可以為10個。若隨機訓練體素點的個數(shù)為40萬個，第四預(yù)設(shè)數(shù)量可以為2萬個。舉例來說，對每棵隨機森林決策樹，可以從訓練樣本的體素點特征中有放回的隨機選取10個特征作為隨機森林決策樹的特征，然后從隨機體素點中隨機選取2萬個體素點進行訓練分類，當隨機森林決策樹的節(jié)點的體素點很純(如落入該節(jié)點的體素點均屬于肝臟區(qū)域)，或者節(jié)點的體素點個數(shù)少于64個時，停止分裂，將該節(jié)點作為葉節(jié)點。

本發(fā)明實施例中，第二提取單元309分別提取多個訓練樣本的三維CT圖像的體素點特征，訓練樣本的體素點特征包括體素點的原始坐標和體素點灰度值；第二定位單元310采用差分模型分別定位每個訓練樣本的三維CT圖像中胸腔和腹腔的分界面；第二選取單元311在每個訓練樣本的三維CT圖像對應(yīng)的分界面上分別選取一個參考體素點，其中，每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同；第二計算單元312分別計算每個訓練樣本的三維CT圖像中的體素點相對于體素點所在訓練樣本對應(yīng)的參考體素點的相對坐標，得到每個訓練樣本的三維CT圖像中每個體素點的相對坐標；第三選取單元313從每個訓練樣本的三維CT圖像中分別隨機選取第一預(yù)設(shè)數(shù)量的肝臟區(qū)域的體素點和第二預(yù)設(shè)數(shù)量的非肝臟區(qū)域的體素點，作為隨機訓練體素點；第三分類單元314從訓練樣本的體素點特征中有放回的隨機選取第三預(yù)設(shè)數(shù)量的特征構(gòu)建隨機森林決策樹，針對每棵隨機森林決策樹，對從隨機訓練體素點中有放回的隨機選取的第四預(yù)設(shè)數(shù)量的隨機訓練體素點進行訓練分類，以使第四預(yù)設(shè)數(shù)量的隨機訓練體素點落入隨機森林決策樹的葉節(jié)點中；第一提取單元301提取測試樣本的三維CT圖像的體素點特征，體素點特征包括體素點的原始坐標；第一定位單元302采用差分模型定位測試樣本的三維CT圖像中胸腔和腹腔的分界面；第一選取單元303在測試樣本的三維CT圖像對應(yīng)的分界面上選取一個參考體素點，其中，測試樣本對應(yīng)的參考體素點的原 始坐標的X值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的X值相同，測試樣本對應(yīng)的參考體素點的原始坐標的Y值與預(yù)先選取的每個訓練樣本對應(yīng)的參考體素點的原始坐標的Y值相同；第一計算單元304計算測試樣本的三維CT圖像中的體素點相對于測試樣本對應(yīng)的參考體素點的相對坐標，得到測試樣本的三維CT圖像中每個體素點的相對坐標；第一分類單元305針對測試樣本的三維CT圖像中的待測體素點，分別利用預(yù)先訓練分類的每棵隨機森林決策樹對待測體素點進行分類，以使待測體素點分別落入已訓練分類的每棵隨機森林決策樹的葉節(jié)點中；第二分類單306在待測體素點落入的隨機森林決策樹的葉節(jié)點內(nèi)，采用K近鄰模型對待測體素點進行分類，得到待測體素點在每棵隨機森林決策樹的分類結(jié)果；第一確定單元307對所有的隨機森林決策樹的分類結(jié)果求平均值，并根據(jù)平均值確定待測體素點的分類歸屬，分類歸屬包括屬于肝臟區(qū)域或?qū)儆诜歉闻K區(qū)域；第二確定單元308根據(jù)所有待測體素點的分類歸屬，確定屬于肝臟區(qū)域的待測體素點。采用本發(fā)明，可以提高三維CT圖像的肝臟定位準確性。

本領(lǐng)域普通技術(shù)人員可以理解上述實施例的各種方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，該程序可以存儲于一計算機可讀存儲介質(zhì)中，存儲介質(zhì)可以包括：閃存盤、只讀存儲器(Read-Only Memory，ROM)、隨機存取器(Random Access Memory，RAM)、磁盤或光盤等。

以上對本發(fā)明實施例所提供的一種基于三維CT圖像的肝臟定位方法及裝置進行了詳細介紹，本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實施方式及應(yīng)用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。