本發(fā)明涉及醫(yī)學(xué)影像分割技術(shù)領(lǐng)域,特別涉及一種乳腺磁共振圖像分割方法
背景技術(shù):
乳腺癌是女性最常見的惡性腫瘤之一,嚴(yán)重威脅著女性身心健康及生命。乳腺癌的早期發(fā)現(xiàn)診斷和治療有助于提高患者的年生存率和生存質(zhì)量。磁共振成像技術(shù)(MRI)有公認(rèn)的高敏感性(超過90%),對(duì)各類軟組織結(jié)構(gòu)的分辨能量強(qiáng),提供多個(gè)序列,多個(gè)方向上的圖像,為明確病因提供了組織結(jié)構(gòu),病灶的形態(tài),腫塊分布等更加豐富的圖像信息。乳腺M(fèi)RI對(duì)乳腺癌早期診斷,治療期觀察,擬定合理的手術(shù)方案以及后期跟蹤都有極大的輔助作用。
然而,由于在核磁共振成像的過程中存在電子噪聲、偏移場(chǎng)失真與容積效應(yīng),導(dǎo)致圖像中存在噪聲與偏場(chǎng)效應(yīng),乳腺M(fèi)RI圖像中各種組織之間的邊界往往模糊不清。此外,通常乳腺M(fèi)RI的診斷大多依靠臨床醫(yī)生的個(gè)人經(jīng)驗(yàn)與專業(yè)知識(shí)。計(jì)算機(jī)輔助診斷技術(shù),是一種可以幫助放射科醫(yī)生對(duì)醫(yī)學(xué)影像進(jìn)行篩查的新興技術(shù)。它在處理大量病人影像數(shù)據(jù)時(shí)具有很高的實(shí)用性,通過大量的醫(yī)學(xué)影像處理方法對(duì)某種疾病進(jìn)行分析和建模,將病灶信息通過參數(shù)模型與正常組織區(qū)分開來,甄別出真正的病灶,給出標(biāo)注作為醫(yī)師進(jìn)一步診斷的參考。計(jì)算機(jī)輔助診斷技術(shù)的出現(xiàn)和發(fā)展,大幅降低了醫(yī)師的工作量,而更重要的是提高了乳腺癌診斷的準(zhǔn)確率和靈敏度,從而挽救千萬乳腺癌患者的生命,同時(shí)也對(duì)利用計(jì)算機(jī)準(zhǔn)確識(shí)別和分割乳腺病灶提出了更高的要求。
病灶分割作為乳腺計(jì)算機(jī)輔助診斷系統(tǒng)中的一個(gè)研究熱點(diǎn),其主要分割目標(biāo)有:1)為腫瘤性質(zhì)做定量分析的病變體的分割以及后續(xù)的分類任務(wù);2)相關(guān)組織結(jié)構(gòu)(皮膚邊緣、胸壁、心臟等)的自動(dòng)輪廓獲取。針對(duì)這兩類分割,國內(nèi)外很多學(xué)者做了相關(guān)研究并取得了一定成果,包括基于形態(tài)學(xué)的分割方法[1-3]、基于聚類的分割方法[4-6]、基于邊緣的分割方法[7,8]和基于特定理論的分割方法[9,10]。但是各種分割方法均有其局限性,例如閾值法和區(qū)域增長法效率較低且對(duì)噪聲較敏感,F(xiàn)CM和MRF等算法過于依賴數(shù)據(jù),不能保證分割結(jié)果在解剖學(xué)上正確。最新的研究提出了兩種算法相結(jié)合的分割方法,如結(jié)合SLIC超像素和水平集的分割算法[11](SLIC+與DRLSE),該方法用于乳腺X線圖像的腫瘤分割,取得了較好的分割效果.然而由于MRI圖像的區(qū)域灰度不均勻,該算法在MRI圖像上的實(shí)驗(yàn)結(jié)果并不理想。首先,該算法采用的簡(jiǎn)單線性迭代聚類算法(simple linear iterative clustering,SLIC)產(chǎn)生的超像素形狀差異較大,會(huì)對(duì)后續(xù)分割產(chǎn)生影響。細(xì)分割步驟采用了距離正則化水平集方法(DRLSE),但是該方法要根據(jù)初始曲線的位置人為確定常量演化速度的符號(hào),需要人工干預(yù),不能實(shí)現(xiàn)自適應(yīng)分割。另外,該方法只考慮了二維分割,沒有充分利用乳腺M(fèi)RI掃描提供的三維影像空間信息。在MRI圖像上,尤其當(dāng)起始和終止幀上腫瘤較小且灰度與周圍組織較接近時(shí),該方法的實(shí)驗(yàn)結(jié)果并不理想,甚至無法分割出病灶。一些結(jié)合幀間相關(guān)性的文獻(xiàn)[12-13],雖然結(jié)合了幀間信息,但是需要醫(yī)師手動(dòng)標(biāo)注,不適合處理大量數(shù)據(jù)。
技術(shù)實(shí)現(xiàn)要素:
針對(duì)現(xiàn)有技術(shù)的上述不足,本發(fā)明提供一種可以不依賴人工標(biāo)注,自動(dòng)準(zhǔn)確分割起始和終止幀上乳腺病灶的乳腺M(fèi)RI病灶的分割方法,本發(fā)明根據(jù)乳腺M(fèi)RI圖像的特點(diǎn),改進(jìn)現(xiàn)有的C-V水平集算法,將基于幀間相關(guān)性的SLIC0超像素和C-V水平集相結(jié)合,粗分割和細(xì)分割相結(jié)合,在粗分割部分采用SLIC聚類算法;在細(xì)分割部分結(jié)合改進(jìn)的C-V水平集模型,更加快速準(zhǔn)確地確定腫瘤輪廓,提高分割精度;在二維分割過程中結(jié)合三維幀間相關(guān)信息,提高分割的穩(wěn)定性和靈敏度,為顯示病灶的三維立體結(jié)構(gòu)打下基礎(chǔ)。技術(shù)方案如下:
一種基于幀間相關(guān)性的乳腺M(fèi)RI病灶的自動(dòng)分割方法包括:
A.讀取MRI圖像;
B.預(yù)處理圖像,包括以下兩個(gè)步驟:
C.對(duì)預(yù)處理后圖像粗分割,確定病灶的初始輪廓,包括以下步驟:
D.采用改進(jìn)的C-V水平集模型方法對(duì)步驟C得到的粗分割圖像I(x,y)進(jìn)行細(xì)分割,在粗分割輪廓基礎(chǔ)上進(jìn)一步細(xì)化腫瘤輪廓,改進(jìn)之處如下:
1)C-V水平集模型是通過最小化能量函數(shù),確定最終分割輪廓的,但其能量函數(shù)模型中只利用全局信息,而無法正確分割亮度分布不均勻圖像,在C-V水平集模型的能量函數(shù)中加入局部能量項(xiàng),用局部的灰度的統(tǒng)計(jì)信息來提高圖像分割的能量,用一個(gè)窗口大小為k×k的均值卷積算子,對(duì)圖像I(x,y)做卷積差值計(jì)算,以使圖像的灰度分布差異減小,在細(xì)分割步驟中準(zhǔn)確找到腫瘤輪廓;
2)為提高C-V水平集模型的收斂速度,以提高細(xì)分割效率,在C-V水平集模型的能量函數(shù)中引入能量懲罰項(xiàng),對(duì)依據(jù)閉合曲線C構(gòu)造的水平集函數(shù)φ做梯度計(jì)算,并對(duì)梯度值的平方再積分,以加快計(jì)算速度;
3)為控制零水平集函數(shù)的光滑度,將進(jìn)化曲線的長度補(bǔ)償項(xiàng)添加到C-V水平集模型的能量函數(shù)中,對(duì)Dirac函數(shù)與水平集函數(shù)的梯度乘積做積分運(yùn)算,避免在細(xì)分割結(jié)果中出現(xiàn)孤立的小區(qū)域;
E.將步驟D得到的細(xì)分割結(jié)果,結(jié)合幀間相關(guān)性,進(jìn)行優(yōu)化,包括以下步驟:
1)計(jì)算細(xì)分割后得到的每一幀的疑似腫瘤區(qū)域面積,自動(dòng)選取腫瘤面積最大幀作為迭代關(guān)鍵幀,得到關(guān)鍵幀的腫瘤輪廓R;
2)將R作為初始輪廓,利用上述改進(jìn)的C-V水平集模型分別對(duì)關(guān)鍵幀的上、下一幀圖像進(jìn)行分割調(diào)整,得到更精確的分割結(jié)果,再以此結(jié)果為初始輪廓向前、后迭代,直到檢測(cè)不到更細(xì)小的輪廓,即可認(rèn)為該幀中不包含腫塊。
作為優(yōu)選實(shí)施方式,
B中的預(yù)處理圖像,包括以下兩個(gè)步驟:
1)截取ROI,取出包含乳腺的最小圖像矩形區(qū)域;
2)采用頂帽(top-hat)運(yùn)算進(jìn)行形態(tài)學(xué)增強(qiáng),得到預(yù)處理后圖像。
對(duì)預(yù)處理后圖像粗分割,確定病灶的初始輪廓,包括以下步驟:
1)超像素分割:采用SLIC聚類算法進(jìn)行超像素分割;
2)可疑區(qū)域篩選,采用將相近灰度值的超像素區(qū)域合并,只保留灰度值偏高的區(qū)域作為可疑區(qū)域的方法,進(jìn)行篩選,得到粗分割后的圖像。
采用本發(fā)明,對(duì)預(yù)處理后的乳腺M(fèi)RI圖像進(jìn)行超像素粗分割和C-V細(xì)分割之后,再結(jié)合幀間相關(guān)性進(jìn)行分割和優(yōu)化,相比于單一的分割方法,準(zhǔn)確率更高,即使MRI圖像起始和終止幀上的病灶很小、病灶灰度值和背景灰度值比較接近的情況,也能較好的分割出病灶,為后續(xù)病灶的三維立體顯示,打下了良好基礎(chǔ)。同時(shí),整個(gè)分割過程為全自動(dòng)分割,減少了人工交互。
附圖說明
圖1:基于幀間相關(guān)性的分割算法系統(tǒng)框圖。
圖2:由磁共振掃描儀獲得的乳腺M(fèi)RI圖像。
圖3:各步驟產(chǎn)生的結(jié)果:3(a)為自動(dòng)截取的ROI圖像;3(b)為形態(tài)學(xué)處理后的結(jié)果;3(c)為SLIC0超像素分割結(jié)果;3(d)為水平集細(xì)分割結(jié)果。
圖4:本發(fā)明對(duì)乳腺M(fèi)RI病灶圖像一個(gè)完整序列的分割結(jié)果,每張小圖下面的數(shù)值是其在高分辨MRI序列中實(shí)際的圖片序號(hào)。
具體實(shí)施方式
參照?qǐng)D1所示,其中包含以下執(zhí)行步驟:首先讀取MRI圖像10;然后對(duì)所得圖像進(jìn)行預(yù)處理20;接下來對(duì)預(yù)處理后圖像粗分割30,確定病灶的初始輪廓;對(duì)粗分割后的圖像細(xì)分割40,細(xì)化病灶邊緣;最后采用基于幀間相關(guān)性的分割50,提高分割準(zhǔn)確率。
在上述步驟中讀取乳腺M(fèi)RI圖像10,獲得的圖像如圖2所示。上述圖像的采集裝置為利浦Intera Achieva 1.5T磁共振掃描儀。采用軸位快速容積采集動(dòng)態(tài)增強(qiáng)脂肪抑制序列(dyn_eTHRIVE)掃描,成像的相關(guān)參數(shù)為:重復(fù)時(shí)間TR=4.4ms,回波時(shí)間TE=2.2ms,翻轉(zhuǎn)角FA=12°。層厚2mm,F(xiàn)OV為100×100cm,圖像灰度均為12位,矩陣大小為352×352(單位:像素),重復(fù)掃描8次,每個(gè)動(dòng)態(tài)掃描時(shí)間為60s。
步驟20對(duì)得到的MRI圖像進(jìn)行預(yù)處理,具體步驟如下:
自動(dòng)截取ROI21:由于乳腺病灶的尺寸相對(duì)整幅影像的尺寸來說比較小,所以要自動(dòng)選擇出包含病灶的ROI,盡量使病灶位于ROI的中心。選取ROI的操作使分割對(duì)象更具有針對(duì)性,可以排除心臟等具有明顯增強(qiáng)的組織對(duì)分割過程的影響,降低分割過程的復(fù)雜性。
由于同一設(shè)備得到的乳房的位置基本不變,所以可以設(shè)定一個(gè)矩形窗,包括整個(gè)乳房圖像,去掉心臟等部分。在自動(dòng)選取ROI的過程中,ROI的矩形窗大小可以根據(jù)病灶實(shí)際大小調(diào)節(jié)。為方便統(tǒng)計(jì)分析分割結(jié)果,除個(gè)別巨大病灶外,其余的病灶本發(fā)明統(tǒng)一采用大小為80×80像素的ROI窗,該尺寸遠(yuǎn)大于一般病灶的大小。
形態(tài)學(xué)增強(qiáng)22:
與普通圖像相比,MRI初始圖像容易受到影像設(shè)備和生成條件或者其他成份的影響,圖像的質(zhì)量可能會(huì)出現(xiàn)退化的狀況,甚至有可能出現(xiàn)偽跡。為了解決這些問題,必須對(duì)圖像進(jìn)行預(yù)處理,去除圖像的噪音,增強(qiáng)圖像的對(duì)比度。本發(fā)明應(yīng)用了一種雙重形態(tài)學(xué)方法??梢杂行У囊种票尘皡^(qū)域,并突出可能區(qū)域,為之后的分割檢測(cè)打好基礎(chǔ)。
形態(tài)學(xué)處理方法包括開閉運(yùn)算和頂帽運(yùn)算。形態(tài)學(xué)開運(yùn)算用于刪除不包含結(jié)構(gòu)元素的區(qū)域,使得目標(biāo)對(duì)象的輪廓平滑,斷開狹窄的鏈接,去除細(xì)小的突起。形態(tài)學(xué)的閉運(yùn)算主要是用來填充物體內(nèi)細(xì)小的空洞、連接臨近的物體的。選擇合適的結(jié)構(gòu)元素,對(duì)圖像先開運(yùn)算后閉運(yùn)算能夠有效去除圖像噪聲。結(jié)構(gòu)元素的選擇直接決定形態(tài)學(xué)去除噪聲的效果。
形態(tài)學(xué)處理方法中另外一種非常常用的方法是頂帽(top-hat)運(yùn)算,它能夠增強(qiáng)圖像細(xì)節(jié)。頂帽運(yùn)算將原始圖像減去經(jīng)過開運(yùn)算的結(jié)果圖像。頂帽運(yùn)算能夠增強(qiáng)圖像的陰影細(xì)節(jié),檢測(cè)出圖像的峰值信號(hào)。頂帽運(yùn)算公式如下所示:
這種增強(qiáng)方法的具體步驟如下:
f(i,j)代表原圖,B1代表所選用的第一個(gè)結(jié)構(gòu)元素,則首先對(duì)原圖進(jìn)行一次Top-hat運(yùn)算:
此時(shí)r1(i,j)就是原圖與原圖和結(jié)構(gòu)元素B1開運(yùn)算后圖像的差分圖像。這里要選擇結(jié)構(gòu)元素B1稍大于腫塊的尺寸,那么通過這一步就能夠去除圖像中尺寸大于腫塊的腺體組織,保留尺寸與腫塊相當(dāng)以及小于腫塊的區(qū)域。
若另B2代表所選用的第二個(gè)結(jié)構(gòu)元素,為了去除尺寸很小的噪聲區(qū)域及其它小尺寸的無用區(qū)域,還需要對(duì)得到的結(jié)果再進(jìn)行一次開運(yùn)算:
這種雙重的形態(tài)學(xué)運(yùn)算,分別去除了小尺寸的噪聲雜質(zhì)和大尺寸的腺體組織,僅保留圖像中腫塊可能大小范圍內(nèi)的區(qū)域。這種方法不僅可以突出疑似腫塊區(qū)域,還可以免去在一些基于閾值方法中為避免干擾而在預(yù)處理中去除胸大肌的步驟。
粗分割步驟30,主要包括以下兩個(gè)操作:
超像素分割31,利用像素之間特征的相似程度將像素分組,可以獲取圖像的冗余信息,在很大程度上降低了后續(xù)圖像處理任務(wù)的復(fù)雜度。本發(fā)明采用簡(jiǎn)單的線性迭代聚類即SLIC聚類算法的零參數(shù)版本進(jìn)行粗分割。
1)初始化種子點(diǎn):假設(shè)圖像有N個(gè)像素點(diǎn),預(yù)分割為K個(gè)相同尺寸的超像素,那么每個(gè)超像素的大小為N/K,且相鄰種子點(diǎn)的距離近似為為了避免種子點(diǎn)處在圖像的邊緣位置而對(duì)后續(xù)的聚類過程造成干擾,需要將種子點(diǎn)在以自身為中心的3×3窗口內(nèi)移動(dòng)到梯度值最小的位置,同時(shí)為每個(gè)種子點(diǎn)分配一個(gè)單獨(dú)的標(biāo)簽。
2)相似度衡量:對(duì)于每個(gè)像素點(diǎn),分別計(jì)算與之相鄰的種子點(diǎn)之間的相似程度,將最相似種子點(diǎn)的標(biāo)簽賦給該像素;不斷迭代該過程,直到收斂。定義(lk,ak,bk,xk,yk)為在Lab空間里任意點(diǎn)的五維坐標(biāo),(li,ai,bi,xi,yi)為種子點(diǎn)的坐標(biāo)值,則相似度的衡量關(guān)系為:
DS是Lab距離和空間像素距離在網(wǎng)格間距上的歸一化距離的和。dlab代表Lab顏色距離,dxy代表空間距離,S是類內(nèi)最大空間距離.最大Lab顏色距離既隨圖片不同而不同,也隨聚類不同而不同,所以取一個(gè)取值范圍為[1,40]的固定常數(shù)m代替。m越大,空間距離相似性在聚類過程中的影響就越大。為了提高算法的運(yùn)算速度,SLIC算法在對(duì)每個(gè)種子點(diǎn)聚類時(shí),只在以種子點(diǎn)為中心的2S×2S區(qū)域內(nèi)搜索相似像素點(diǎn),而不是在整張圖像中尋找。
SLIC0算法是SLIC的零參數(shù)版本。在SLIC算法中,m和S均為單一常量,而SLIC0算法則是動(dòng)態(tài)地歸一化每次迭代得到的最大空間和顏色距離,作為下一次迭代的空間和顏色距離。改進(jìn)后的距離和公式為:
mlab和mxy為前一次迭代中得到的最大顏色和空間距離。由上述公式可知,SLIC0不再需要設(shè)置參數(shù)m和S,算法將根據(jù)圖像不同區(qū)域的紋理復(fù)雜度,動(dòng)態(tài)地調(diào)整合適參數(shù)值,使得SLIC0算法在保持速度不變的情況下,所產(chǎn)生的超像素更加規(guī)整統(tǒng)一,有利于減少后續(xù)處理時(shí)超像素形狀差異對(duì)算法的影響。
可疑區(qū)域篩選32,SLIC0得出初始分割結(jié)果后,將對(duì)所得的超像素進(jìn)行篩選,留下可疑區(qū)域。由于背景區(qū)域超像素的灰度值可見明顯低于腫塊區(qū)域,且形態(tài)學(xué)增強(qiáng)后背景區(qū)域超像素的灰度值明顯低于原圖像相同區(qū)域的灰度值,而且腫塊區(qū)域超像素形狀更規(guī)則,類圓度較高。因此可以將相近灰度值的超像素區(qū)域合并,只保留灰度值偏高的區(qū)域作為可疑區(qū)域。
對(duì)粗分割后的圖像細(xì)分割40,采用C-V水平集方法細(xì)化腫瘤輪廓。Chan和Vese提出的C-V模型是對(duì)Mumford-Shan能量泛函的優(yōu)化,利用內(nèi)外灰度均值來促進(jìn)水平集曲線的演化,可分割無邊緣模糊、無梯度意義的圖像,且對(duì)噪聲不敏感。該模型假設(shè)定義域?yàn)棣傅膱D像I(x,y)被閉合曲線C劃分為目標(biāo)inside(C)和背景outside(C)兩個(gè)同質(zhì)區(qū)域。其能量泛函表示如下:
其中μ,ν是各項(xiàng)系數(shù),均取非負(fù)值;c1,c2分別為目標(biāo)和背景區(qū)域的均值。φ設(shè)為依據(jù)閉合曲線C構(gòu)造的水平集函數(shù),Ω為閉合曲線C的長度,▽?duì)諡棣盏奶荻?,得到水平集函?shù)表達(dá)式為:
其中,定義正則化Heaviside函數(shù)H(φ(x,y))和Dirac函數(shù)δ(φ(x,y))為:
對(duì)輪廓C求導(dǎo),得到以水平集函數(shù)φ表示的偏微分方程為
φ(0,x,y)=φ0(x,y)
其中:t表示時(shí)間,為的梯度產(chǎn)生的單位向量場(chǎng)散度,其意義是曲面運(yùn)動(dòng)時(shí)單位體積的改變率。c1和c2計(jì)算式為
C-V模型主要解決沒有明顯邊緣的圖像分割問題,但其存在兩種主要缺陷:1)只利用了全局信息,無法正確分割亮度分布不均勻的圖像。2)在計(jì)算中效率不高,所需時(shí)間較長。為克服這兩種主要缺陷,對(duì)C-V模型進(jìn)行改進(jìn)。
基于C-V模型只利用到了全局信息,而無法正確分割亮度分布不均勻圖像這個(gè)問題,給C-V模型中的加入局部項(xiàng)。局部能量項(xiàng)用到局部的灰度的統(tǒng)計(jì)信息來提高圖像分割的能量,局部能量函數(shù)E(d1,d2,C)描述如下:
其中,gk為窗口大小為k×k的均值卷積算子。*為卷計(jì)算子,d1,d2分別是差值圖像(gk*I(x,y)-I(x,y))在目標(biāo)和背景區(qū)域的灰度均值。
C-V模型的第二個(gè)主要缺陷是在計(jì)算過程中效率不高,所需要的計(jì)算時(shí)間相當(dāng)長,相當(dāng)耗時(shí),解決方法是引入能量懲罰項(xiàng)P(φ):
▽為求梯度符號(hào),▽?duì)諡閷?duì)φ求梯度。
另外,為了控制零水平集函數(shù)的光滑度及避免在分割結(jié)果中出現(xiàn)孤立的小區(qū)域,將進(jìn)化曲線的長度補(bǔ)償項(xiàng)添加到調(diào)整能量項(xiàng)中。長度補(bǔ)償項(xiàng)定義如下:
正則化Heaviside函數(shù)H(φ(x,y))和Dirac函數(shù)δ(φ(x,y))的定義同上。
改進(jìn)后的C-V模型,其基于水平集的能量泛函為:
其中
本發(fā)明中參數(shù)設(shè)置為:λ1=1,λ2=1,μ=2,υ=1.5,α=0.04,ε=1.0。改進(jìn)后的C-V算法具有無重新初始化的曲線演化模型優(yōu)點(diǎn),收斂速度更快,且收斂性更好,分割結(jié)果更加貼近腫瘤輪廓。
利用幀間相關(guān)性的分割,首先要選取中間幀。一般方法采用的中間幀大多需要醫(yī)師手動(dòng)標(biāo)注,分割過程并不是全自動(dòng)。為降低人機(jī)交互的需要,提高檢測(cè)效率,本文提出一種自動(dòng)選取中間幀的算法。根據(jù)細(xì)分割后的結(jié)果計(jì)算每一幀中疑似病灶的面積,將包含病灶的面積最大的一幀認(rèn)定為中間幀,來約束前后向的分割。這是因?yàn)槟[瘤面積較大的幀,腫瘤輪廓相對(duì)清晰,更容易得到精確的分割結(jié)果作為迭代的初始輪廓。
首先,對(duì)細(xì)分割的結(jié)果進(jìn)行優(yōu)化,除去錯(cuò)誤的分割區(qū)域。一般乳腺腫瘤的最大直徑大約為30mm,在MRI圖像上,大約占250像素。而錯(cuò)誤分割部分的區(qū)域面積,一般小于最大腫瘤面積的1/5,因此,除去每幀圖像上面積小于最大腫瘤面積1/5(即50像素)的連通區(qū)域,即可在保留最大腫瘤的同時(shí),除去錯(cuò)誤分割的部分。
計(jì)算細(xì)分割后得到的每一幀的疑似腫瘤區(qū)域面積,自動(dòng)選取腫瘤面積最大幀作為迭代關(guān)鍵幀,得到關(guān)鍵幀的腫瘤輪廓R。
將R作為初始輪廓,利用改進(jìn)的C-V模型分別對(duì)關(guān)鍵幀的上、下一幀圖像進(jìn)行分割調(diào)整,得到更精確的分割結(jié)果,再以此結(jié)果為初始輪廓向前、后迭代。
直到檢測(cè)不到更細(xì)小的輪廓,即可認(rèn)為該幀中不包含腫塊。