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(l_k,a_k,b_k,x_k,y_k)為在Lab空間里任意點(diǎn)的五維坐標(biāo)，(l_i,a_i,b_i,x_i,y_i)為種子點(diǎn)的坐標(biāo)值，則相似度的衡量關(guān)系為：

D_S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。d_lab代表Lab顏色距離，d_xy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：

m_lab和m_xy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，g_k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(g_k*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。