本發(fā)明屬于影像處理
技術(shù)領(lǐng)域：
，具體地講，涉及一種三維影像分割系統(tǒng)及其分割方法。
背景技術(shù)：
：醫(yī)學(xué)影像分割是醫(yī)學(xué)影像處理的一個(gè)重要組成部分，分割結(jié)果對臨床診斷和治療起著至關(guān)重要的作用。醫(yī)學(xué)影像分割的目的是從醫(yī)學(xué)影像中分離出感興趣的解剖結(jié)構(gòu)或者定位出病源的位置和形狀，它直接決定著后續(xù)分析的準(zhǔn)確性。目前影像分割算法有很多，但并沒有一種算法可以適用于各種醫(yī)學(xué)影像，而且很多算法應(yīng)用到三維醫(yī)學(xué)影像上分割的準(zhǔn)確率比較低，程序運(yùn)行時(shí)間比較長，無法滿足三維醫(yī)學(xué)影像的實(shí)時(shí)性分析需求。目前常用的影像分割方法具有以下缺點(diǎn)：(1)基于區(qū)域的分割方法具有對噪聲和灰度多樣性敏感，過分依賴于種子點(diǎn)的選擇，計(jì)算量大等缺點(diǎn)。(2)邊緣檢測法主要有串行和并行兩種方法：串行方法分割結(jié)果比較依賴初始邊緣點(diǎn)，不合適的初始邊緣點(diǎn)可能導(dǎo)致錯(cuò)誤的邊緣；并行方法對噪聲敏感，且當(dāng)邊緣的象素值變化較小時(shí)，可能會得到不連續(xù)或虛假邊界。(3)活動(dòng)輪廓模型存在難以捕捉目標(biāo)凹陷邊界及對初始輪廓線敏感等不足；模糊C均值算法中各像素點(diǎn)的數(shù)據(jù)是相互獨(dú)立的，沒有利用影像的空間信息；遺傳算法善于全局搜索，局部搜索能力不足，對噪聲敏感。技術(shù)實(shí)現(xiàn)要素：為了解決上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的在于提供一種。本發(fā)明提供了一種三維影像分割方法，所述三維影像分割方法包括：對影像進(jìn)行框選，以得到包含目標(biāo)對象的目標(biāo)影像；根據(jù)所述目標(biāo)影像分別建立前景模型和背景模型；計(jì)算得到前景和背景的無向連通圖和無向加權(quán)圖；對所述無向連通圖賦權(quán)值，以得到加權(quán)無向連通圖；計(jì)算得到所述無向加權(quán)圖的最小割集；根據(jù)所述最小割集對所述加權(quán)無向連通圖進(jìn)行分割，以得到兩個(gè)不連通的子圖，從而實(shí)現(xiàn)目標(biāo)影像前景和背景的分割。進(jìn)一步地，將所述無向連通圖映射形成加權(quán)無向連通圖，所述加權(quán)無向連通圖被構(gòu)造為：G＝(V,E,W)，其中，V為節(jié)點(diǎn)集，用于表示原影像中所有像素點(diǎn)的集合；E為邊集，用于表示連接兩個(gè)鄰接頂點(diǎn)的邊的集合；W為所有邊權(quán)值的集合，所述邊權(quán)值用于表示該邊的兩個(gè)頂點(diǎn)的差異或相似度。進(jìn)一步地，通過建立能量函數(shù)指導(dǎo)所述無向連通圖加權(quán)尋優(yōu)。進(jìn)一步地，所述能量函數(shù)被構(gòu)造為：E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)，θ＝{π(α,k),μ(α,k),∑(α,k),α＝0,1,k＝1...K}，其中，U為區(qū)域能量項(xiàng)，V為邊界能量項(xiàng)，π為每一個(gè)高斯分量的權(quán)重，μ為每個(gè)高斯分量的均值向量，∑為協(xié)方差矩陣。進(jìn)一步地，采用最大流/最小割算法求得所述最小割集。本發(fā)明還提供了一種三維影像分割系統(tǒng)，所述三維影像分割系統(tǒng)包括：交互模塊，被構(gòu)造為對影像進(jìn)行框選，以得到包含目標(biāo)對象的目標(biāo)影像；建模模塊，被構(gòu)造為根據(jù)所述目標(biāo)影像分別建立前景模型和背景模型；運(yùn)算模塊，被構(gòu)造為計(jì)算得到目標(biāo)影像的無向連通圖和無向加權(quán)圖；計(jì)算得到所述無向加權(quán)圖的最小割集；加權(quán)模塊，被構(gòu)造為對所述無向連通圖賦權(quán)值，以得到加權(quán)無向無向連通圖；分割模塊，被構(gòu)造為根據(jù)所述最小割集對所述加權(quán)無向連通圖進(jìn)行分割，以得到兩個(gè)不連通的子圖，從而實(shí)現(xiàn)目標(biāo)影像的前景和背景的分割。進(jìn)一步地，所述加權(quán)模塊被構(gòu)造為：將所述無向連通圖映射形成加權(quán)無向連通圖，所述加權(quán)無向連通圖被構(gòu)造為：G＝(V,E,W)，其中，V為節(jié)點(diǎn)集，用于表示原影像中所有像素點(diǎn)的集合；E為邊集，用于表示連接兩個(gè)鄰接頂點(diǎn)的邊的集合；W為所有邊權(quán)值的集合，所述邊權(quán)值用于表示該邊的兩個(gè)頂點(diǎn)的差異或相似度。進(jìn)一步地，所述加權(quán)模塊被構(gòu)造為：通過建立能量函數(shù)指導(dǎo)所述無向連通圖加權(quán)尋優(yōu)。進(jìn)一步地，所述能量函數(shù)被構(gòu)造為：E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)，θ＝{π(α,k),μ(α,k),∑(α,k),α＝0,1,k＝1...K}，其中，U為區(qū)域能量項(xiàng)，V為邊界能量項(xiàng)，π為每一個(gè)高斯分量的權(quán)重，μ為每個(gè)高斯分量的均值向量，∑為協(xié)方差矩陣。進(jìn)一步地，所述運(yùn)算模塊被配置為采用最大流/最小割算法求得所述最小割集。本發(fā)明的有益效果：本發(fā)明的三維影像分割系統(tǒng)及其分割方法可直接對三維醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行分割，相對于手動(dòng)分割和傳統(tǒng)的分割方法而言其分割所用時(shí)間短、分割精度高、分割結(jié)果魯棒性好，不會出現(xiàn)空洞現(xiàn)象。另外，三維影像分割系統(tǒng)及其分割方法的可視化效果好，可有效地消除影像噪聲，分割后的影像邊緣比較平滑。附圖說明通過結(jié)合附圖進(jìn)行的以下描述，本發(fā)明的實(shí)施例的上述和其它方面、特點(diǎn)和優(yōu)點(diǎn)將變得更加清楚，附圖中：圖1是本發(fā)明較佳實(shí)施例的三維影像分割系統(tǒng)的模塊圖；圖2是本發(fā)明較佳實(shí)施例的三維影像分割方法的流程圖；圖3是本發(fā)明較佳實(shí)施例的三維影像分割方法中得到的無向流通圖；圖4(a)是原始的三維醫(yī)學(xué)影像；圖4(b)是原始三維醫(yī)學(xué)影像第25層的示意圖；圖4(c)是利用本發(fā)明較佳實(shí)施例的三維影像分割方法對三維醫(yī)學(xué)影像分割的結(jié)果圖；圖4(d)是利用本發(fā)明較佳實(shí)施例的三維影像分割方法對三維醫(yī)學(xué)影像分割的結(jié)果圖第25層的示意圖；圖5是本發(fā)明較佳實(shí)施例的23組大腦三維醫(yī)學(xué)影像數(shù)據(jù)的分割精度散點(diǎn)圖。具體實(shí)施方式以下，將參照附圖來詳細(xì)描述本發(fā)明的實(shí)施例。然而，可以以許多不同的形式來實(shí)施本發(fā)明，并且本發(fā)明不應(yīng)該被解釋為限制于這里闡述的具體實(shí)施例。相反，提供這些實(shí)施例是為了解釋本發(fā)明的原理及其實(shí)際應(yīng)用，從而本領(lǐng)域的其他技術(shù)人員能夠理解本發(fā)明的各種實(shí)施例和適合于特定預(yù)期應(yīng)用的各種修改。相同的標(biāo)號在整個(gè)說明書和附圖中可用來表示相同的元件。圖1是本發(fā)明較佳實(shí)施例的三維影像分割系統(tǒng)的模塊圖。參照圖1，根據(jù)本發(fā)明實(shí)施例的三維醫(yī)學(xué)影像分割系統(tǒng)包括：交互模塊11、建模模塊12、運(yùn)算模塊13、加權(quán)模塊14、分割模塊15。交互模塊11被構(gòu)造為對影像進(jìn)行框選，以得到包含目標(biāo)對象的目標(biāo)影像。建模模塊12被構(gòu)造為根據(jù)所述目標(biāo)影像分別建立前景模型和背景模型。運(yùn)算模塊13被構(gòu)造為計(jì)算得到前景和背景的無向連通圖和無向加權(quán)圖；計(jì)算得到所述無向加權(quán)圖的最小割集。具體地，采用最大流/最小割算法求得所述無向加權(quán)圖的最小邊割集。加權(quán)模塊14被構(gòu)造為對所述無向連通圖賦權(quán)值，以得到加權(quán)無向無向連通圖。具體地，所述加權(quán)模塊14被構(gòu)造為：通過建立所述最小割集對應(yīng)的能量函數(shù)對所述無向連通圖尋優(yōu)；計(jì)算所述無向連通圖每條邊的權(quán)值，并對所述無向連通圖的每條邊賦權(quán)值。更具體地，將所述無向連通圖映射形成加權(quán)無向連通圖，所述加權(quán)無向連通圖被構(gòu)造為：G＝(V,E,W)，其中，V為節(jié)點(diǎn)集，用于表示原影像中所有像素點(diǎn)的集合；E為邊集，用于表示連接兩個(gè)鄰接頂點(diǎn)的邊的集合；W為所有邊權(quán)值的集合，所述邊權(quán)值用于表示該邊的兩個(gè)頂點(diǎn)的差異或相似度。所述能量函數(shù)被構(gòu)造為：E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)，θ＝{π(α,k),μ(α,k),∑(α,k),α＝0,1,k＝1...K}，其中，U為區(qū)域能量項(xiàng)，V為邊界能量項(xiàng)，π為每一個(gè)高斯分量的權(quán)重，μ為每個(gè)高斯分量的均值向量，∑為協(xié)方差矩陣。分割模塊15被構(gòu)造為根據(jù)所述最小割集對所述加權(quán)無向連通圖進(jìn)行分割，以得到兩個(gè)不連通的子圖，從而實(shí)現(xiàn)目標(biāo)影像的前景和背景的分割。本發(fā)明還提供了一種三維影像分割方法，上述的三維影像分割系統(tǒng)用該三維影像分割方法進(jìn)行醫(yī)學(xué)影像分割。圖2是本發(fā)明較佳實(shí)施例的三維影像分割方法的流程圖。參照圖2，所述三維影像分割方法具體包括以下操作：在操作210中，對影像進(jìn)行框選，以得到包含目標(biāo)對象的目標(biāo)影像。在這里，利用交互模塊11對影像進(jìn)行框選。具體地，所述影像為三維影像。但本發(fā)明并不限制于此。在本實(shí)施例中，為了提高框選目標(biāo)影像的靈活性，本實(shí)施例可以對影像進(jìn)行任意形狀的框選，可例如是圓形、矩形、五邊形、六邊形、不規(guī)則形狀等，本發(fā)明并不限制于此。對影像進(jìn)行框選后，可認(rèn)為在框外的像素全部為背景。在操作220中，根據(jù)所述目標(biāo)影像分別建立前景模型和背景模型，用于將目標(biāo)影像的前景和背景區(qū)別開。在這里，利用建模模塊12建立前景模型和背景模型。前景指的是目標(biāo)對象，所述背景是除了目標(biāo)對象之外的影像區(qū)域。在操作230中，計(jì)算得到目標(biāo)影像的無向連通圖和無向加權(quán)圖。在這里，利用運(yùn)算模塊13計(jì)算得到目標(biāo)影像的無向連通圖和無向加權(quán)圖。通過算法將三維影像轉(zhuǎn)化成無向連通圖的處理方案相對于手動(dòng)分割和傳統(tǒng)的分割方法而言，其分割所用時(shí)間短、分割精度高、分割結(jié)果魯棒性好，不會出現(xiàn)空洞現(xiàn)象。圖3是本發(fā)明較佳實(shí)施例的三維影像對應(yīng)的無向流通圖(s-t圖)。參照圖3，無向連通圖G＝(V,E)被配置為待分割的對象。其中V是頂點(diǎn)(vertex)的集合，E是邊(edge)的集合。普通的圖由頂點(diǎn)和邊構(gòu)成，邊是有方向的圖被稱為有向圖，否則為無向圖。且邊是有權(quán)值的，不同的邊可以有不同的權(quán)值，不同的權(quán)值分別代表不同的物理意義。具體地，邊的加權(quán)值實(shí)際為統(tǒng)計(jì)該邊屬于哪類(背景還是前景)的概率值。本發(fā)明實(shí)施例的無向連通圖包括第一頂點(diǎn)、第二頂點(diǎn)、第三頂點(diǎn)。該無向連通圖是在普通圖的基礎(chǔ)上多了2個(gè)頂點(diǎn)，這2個(gè)頂點(diǎn)分別用符號“s(source：源點(diǎn)，取源頭之意)”和“t(sink：匯點(diǎn)，取匯聚之意)”表示。其中，“s”具體為第一頂點(diǎn)21，也是前景點(diǎn)，“t”具體為第二頂點(diǎn)22，也是背景點(diǎn)。圖3中其它的頂點(diǎn)、也就是第三頂點(diǎn)23都必須和所述第一頂點(diǎn)21、第二頂點(diǎn)22相連以形成邊集合中的一部分。所述第三頂點(diǎn)23一一對應(yīng)于影像中的每個(gè)像素。無向連通圖還包括第一類邊31、第二類邊32。第一類邊31也叫n-links，是每兩個(gè)鄰域的第三頂點(diǎn)23(對應(yīng)于影像中每兩個(gè)鄰域像素)連接形成的邊(如圖3中的實(shí)線所示)。第二類邊32也叫t-links，是每個(gè)第三頂點(diǎn)23和第一頂點(diǎn)21、第二頂點(diǎn)22連接形成的邊(如圖3中的虛線所示)，每條第二類邊32都有一個(gè)非負(fù)的權(quán)值。請繼續(xù)參照圖3，每個(gè)像素對應(yīng)圖中的一個(gè)相應(yīng)頂點(diǎn)(第三頂點(diǎn)23)，另外還有s(第一頂點(diǎn)21)和t(第二頂點(diǎn)22)兩個(gè)頂點(diǎn)。在前后景分割中，子集S一般用于表示前景，子集T一般用于表示背景。在操作240中，對所述無向連通圖賦權(quán)值，以得到加權(quán)無向連通圖。在這里，利用加權(quán)模塊14對所述無向連通圖賦權(quán)值。具體地，將所述無向連通圖映射形成加權(quán)無向連通圖被構(gòu)造為：G＝(V,E,W)，其中，V為節(jié)點(diǎn)集，用于表示原影像中所有像素點(diǎn)的集合；E為邊集，用于表示連接兩個(gè)鄰接頂點(diǎn)的邊的集合；W為所有邊權(quán)值的集合，所述邊權(quán)值用于表示該邊的兩個(gè)頂點(diǎn)的差異或相似度。具體地，計(jì)算所述無向連通圖每條邊的權(quán)值，并對所述無向連通圖賦權(quán)值。在加權(quán)賦權(quán)值的過程中，通過建立能量函數(shù)指導(dǎo)所述無向連通圖加權(quán)尋優(yōu)。所述能量函數(shù)被構(gòu)造為：E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)，θ＝{π(α,k),μ(α,k),∑(α,k),α＝0,1,k＝1...K}，其中，U為區(qū)域能量項(xiàng)，V為邊界能量項(xiàng)，π為每一個(gè)高斯分量的權(quán)重，μ為每個(gè)高斯分量的均值向量，∑為協(xié)方差矩陣。在操作250中，計(jì)算得到所述無向加權(quán)圖的最小割集。在這里，利用運(yùn)算模塊13計(jì)算得到所述無向加權(quán)圖的最小割集。具體地，一個(gè)cut(割集)就是圖中邊集合E的一個(gè)子集C，那這個(gè)割集的cost(表示為|C|)就是邊子集C的所有邊的權(quán)值的總和。很顯然，割集重的邊集合包括所述第一類邊31和第二類邊32，該集合中所有邊的斷開會導(dǎo)致“S”子集和“T”子集的分開，因此該子集就稱為“割集”。如果一個(gè)割集，它的邊的所有權(quán)值之和最小，那么就稱這個(gè)割集為最小割集。也就是說，邊的權(quán)值決定了最小割集和最后的分割結(jié)果。具體地，由Boykov和Kolmogorov發(fā)明的max-flow/min-cut算法計(jì)算得到所述無量加權(quán)圖的最小割集。但本發(fā)明并不限制于此。在操作260中，根據(jù)所述最小割集對所述加權(quán)無向連通圖進(jìn)行分割，以得到兩個(gè)不連通的子圖，從而實(shí)現(xiàn)目標(biāo)影像的前景和背景的分割。在這里，利用分割模塊15根據(jù)所述最小割集對所述加權(quán)無向連通圖進(jìn)行分割。所述最小割集把加權(quán)無向連通圖的第三頂點(diǎn)23的集合劃分為兩個(gè)不相交的子集S和T，從而實(shí)現(xiàn)了影像的分割。其中s∈S，t∈T和S∪T＝V。其中，S對應(yīng)于影像的前景像素集，T對應(yīng)于影像的背景像素集。本發(fā)明實(shí)施例的分割方法的軟件實(shí)現(xiàn)為VisualStudio2010，OpenCV和ITK。實(shí)驗(yàn)機(jī)器為8核Cores(TM)，主頻3.6GHz，內(nèi)存8G。在本實(shí)施例中，經(jīng)過23組臨床三維大腦醫(yī)學(xué)影像數(shù)據(jù)(分辨率為[512,512]，平均斷層影像個(gè)數(shù)為90)進(jìn)行該分割算法的試驗(yàn)。以下從分割結(jié)果、分割時(shí)間和分割精度三個(gè)方面對本發(fā)明實(shí)施例分割方法進(jìn)行了分析比較。圖4(a)是原始的三維醫(yī)學(xué)影像。圖4(b)是原始三維醫(yī)學(xué)影像第25層的示意圖。圖4(c)是利用本發(fā)明較佳實(shí)施例的三維影像分割方法對三維醫(yī)學(xué)影像分割的結(jié)果圖。圖4(d)是利用本發(fā)明較佳實(shí)施例的三維影像分割方法對三維醫(yī)學(xué)影像分割的結(jié)果圖第25層的示意圖。由圖4(a)-圖4(d)可知，本發(fā)明實(shí)施例分割方法未出現(xiàn)過分割和空洞現(xiàn)象，所分割目標(biāo)區(qū)域邊緣光滑，分割結(jié)果可視化效果比較好。進(jìn)一步地，每個(gè)斷層影像的平均消耗時(shí)間公式如下：其中，ci為第i個(gè)斷層影像分割所需要的時(shí)間。表1示出了手動(dòng)分割、區(qū)域分割和本發(fā)明實(shí)施例提供的三維影像分割方法這三種方式對三維影像數(shù)據(jù)的分割時(shí)間表。表1不同方式對三維影像數(shù)據(jù)的分割時(shí)間表方式手動(dòng)分割區(qū)域分割本發(fā)明實(shí)施例大腦影像(秒/層)43.268.793.12通過分析表1的數(shù)據(jù)可知，本發(fā)明實(shí)施例的方法能在3.12秒內(nèi)對單張分辨率為[512,512]的影像進(jìn)行分割。本發(fā)明實(shí)施例提供的方法分割該影像的時(shí)間僅占手動(dòng)分割時(shí)間的7.2％，僅占區(qū)域分割方法的35.5％。由此可見，本發(fā)明實(shí)施例大幅度提升了分割速度，能夠滿足實(shí)時(shí)性要求。圖5是本發(fā)明較佳實(shí)施例的23組大腦三維醫(yī)學(xué)影像數(shù)據(jù)的分割精度散點(diǎn)圖。更進(jìn)一步地，影像分割準(zhǔn)確率參數(shù)計(jì)算公式如下：其中，|G∩S|用來統(tǒng)計(jì)三維數(shù)據(jù)內(nèi)的點(diǎn)個(gè)數(shù)，G為手動(dòng)分割的金標(biāo)準(zhǔn)，而S為分割結(jié)果。23組大腦三維醫(yī)學(xué)影像數(shù)據(jù)的分割精度如圖5所示：由圖5可知，對23組大腦三維醫(yī)學(xué)影像數(shù)據(jù)的平均精度達(dá)到98.5％，且每一例數(shù)據(jù)的分割精度均超過了98％，其中有2例分割精度超過了99％。由此可見，本發(fā)明實(shí)施例提出的三維影像分割方法具有極高的分割精度。綜合以上實(shí)驗(yàn)結(jié)果可知，本發(fā)明實(shí)施例的三維影像分割方法可以滿足實(shí)時(shí)性和高精度的要求。綜上所述，根據(jù)本發(fā)明實(shí)施例的三維影像分割系統(tǒng)及其分割方法可直接對三維醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行分割，相對于手動(dòng)分割和傳統(tǒng)的分割方法而言其分割所用時(shí)間短、分割精度高、分割結(jié)果魯棒性好，不會出現(xiàn)空洞現(xiàn)象。另外，三維影像分割系統(tǒng)及其分割方法的可視化效果好，可有效地消除影像噪聲，分割后的影像邊緣比較平滑。雖然已經(jīng)參照特定實(shí)施例示出并描述了本發(fā)明，但是本領(lǐng)域的技術(shù)人員將理解：在不脫離由權(quán)利要求及其等同物限定的本發(fā)明的精神和范圍的情況下，可在此進(jìn)行形式和細(xì)節(jié)上的各種變化。當(dāng)前第1頁1 2 3