本發(fā)明涉及醫(yī)學(xué)圖像分割領(lǐng)域，具體來(lái)說(shuō)是一種在骨盆CT圖像中對(duì)大盆骨、骶骨、髖骨、髖臼等骨區(qū)域分割方法。

背景技術(shù)：

醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像分析及處理的基礎(chǔ)，醫(yī)學(xué)圖像分割的準(zhǔn)確性將直接影響醫(yī)生對(duì)病情的判斷以及手術(shù)方案的選擇。由于CT圖像具有較高的分辨率，可以清晰的顯示解剖結(jié)構(gòu)以及病變組織區(qū)域的特點(diǎn)，CT已經(jīng)廣泛的用于多種疾病診斷。骨盆骨折是造成發(fā)病、死亡的因素之一，對(duì)于移位型骨折，準(zhǔn)確快速地確定骨折的范圍、粉碎的程度以及軟組織損害的程度等，能夠?yàn)橹委煼绞降倪x取、愈后情況提供參考。其次，對(duì)于先天或后天性、小兒麻痹性、遺傳性等原因引起的骨盆發(fā)育不良情況，其功能的重新建立以及畸形的矯正取決于精確的早期診斷以及及時(shí)治療，CT對(duì)于手術(shù)前、后的骨盆解剖結(jié)構(gòu)描述，手術(shù)方案的制定以及手術(shù)完成后的效果評(píng)價(jià)都有著極其重要的意義。

在骨CT圖像分割方法中，最為普遍應(yīng)用的分割方法為基于灰度信息的分割法，其中閾值法是典型方法，但是骨密度具有不均勻性、股骨頭與髖臼之間的連接部分較為狹窄、以及病變引起的弱邊緣性等原因，在使用過(guò)程中很難選取合適的閾值。另外，機(jī)器視覺(jué)中的分類(lèi)與聚類(lèi)法也用于分割中，此類(lèi)方法對(duì)噪聲具有很好的魯棒性，但是分割效果取決于樣本數(shù)量、類(lèi)型，由于患者之間的個(gè)體性差異較大，此類(lèi)分割算法具有局限性。目前大量研究集中于統(tǒng)計(jì)形狀模型分割法，如snake模型、GVF模型^[1](Gradient Vector Convolution Field Snake Model)、基于水平集的分割模型等，此類(lèi)分割方法的研究重點(diǎn)在于標(biāo)記點(diǎn)的自動(dòng)選取、構(gòu)建較少訓(xùn)練集的模型、對(duì)前述模型的改進(jìn)以及與其他方法相結(jié)合等方面，在實(shí)現(xiàn)分割之前需要大量的人為處理給予先驗(yàn)信息，最終的分割效果取決于先驗(yàn)信息的準(zhǔn)確性及完整性，由于患者之間個(gè)體化差異較大，要提高分割效果，則必須增加先驗(yàn)信息，因此此類(lèi)方法前期工作量大，而效果卻并不能保證，所以不適合醫(yī)院直接使用。由于GVF模型^[2]較好地解決了傳統(tǒng)的snack模型難以解決的兩個(gè)問(wèn)題：1.對(duì)初始輪廓非常敏感；2.在分割圖像的凹陷部分時(shí)不能達(dá)到理想的效果。目前大量的研究基于GVF模型對(duì)圖像進(jìn)行分割，但是GVF模型仍存在著對(duì)初始輪廓敏感以及運(yùn)算時(shí)間較長(zhǎng)的缺點(diǎn)。因此如果能夠獲取到較為準(zhǔn)確的初始輪廓再使用GVF模型進(jìn)行骨CT圖像分割，將大大縮小曲線(xiàn)變形范圍，減小迭代次數(shù)，對(duì)加快運(yùn)算速度和改進(jìn)分割精度有重要影響。

參考文獻(xiàn)：

[1]Wu Bingrong；Xie Mei；Li Guo；Gao Jingjing.Medical Image Segmentation Based on GVF Snake Model；Intell igent Computation Technology and Automation；2009:637-640.

[2]Chen,L.,et al.,Segmentation of the Pelvic Bone Using a Generalized Gradient Vector Convolution Field Snake Model.JOURNAL OF MEDICAL IMAGING AND HEALTH INFORMATICS,2015.5(7):p.1482-1487.

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在為使用GVF模型進(jìn)行骨CT圖像分割的分割算法提供一種初始輪廓快速生成方法。本發(fā)明利用CT序列間骨骼形態(tài)時(shí)空間連續(xù)性特點(diǎn)，對(duì)CT序列切片提取關(guān)鍵幀，在關(guān)鍵幀中使用交互式標(biāo)記方法，讓醫(yī)生對(duì)關(guān)鍵幀中基于標(biāo)記的分水嶺算法提取的骨盆邊緣輪廓進(jìn)行標(biāo)記修正確認(rèn)，進(jìn)一步利用關(guān)鍵幀中所得的標(biāo)記輪廓作為相鄰幀骨盆輪廓GVF模型的初始值。技術(shù)方案如下：

步驟1：CT圖像預(yù)處理

對(duì)CT圖像進(jìn)行加窗處理、去噪、去除偽影和CT臺(tái)非身體區(qū)域、對(duì)圖像進(jìn)行裁剪操作，使得CT圖像序列在經(jīng)過(guò)預(yù)處理之后圖像尺寸保持一致，身體區(qū)域的相對(duì)位置保持不變。為方便描述，將裁剪后的圖像稱(chēng)為初始圖像。

步驟2：初步篩選獲得候選關(guān)鍵幀序列

對(duì)初始圖像進(jìn)行均值濾波、去除斑點(diǎn)、形態(tài)學(xué)處理得到骨分布的大致區(qū)域，將此區(qū)域作為感興趣區(qū)域，得到感興趣區(qū)域掩模；將掩模與初始圖像進(jìn)行卷積得到中間圖像；將中間圖像按照空間順序排列，選取相鄰兩幀CT圖像的像素差值作為特征距離，將特征距離小于指定閾值的相鄰兩幀作為相似幀，對(duì)CT序列進(jìn)行初步篩選，得到候選關(guān)鍵幀序列。

步驟3：對(duì)候選關(guān)鍵幀序列進(jìn)行細(xì)致篩選

對(duì)候選關(guān)鍵幀序列計(jì)算感興趣區(qū)域數(shù)目、歸一化相關(guān)系數(shù)以及互信息量特征，將感興趣區(qū)域數(shù)目相同的相鄰候選關(guān)鍵幀作為相似幀，通過(guò)比較歸一化相關(guān)系數(shù)和互信息量特征與相應(yīng)指定閾值的大小判斷相鄰候選關(guān)鍵幀是否為相似幀，進(jìn)一步篩選，得到目標(biāo)關(guān)鍵幀序列。

步驟4：交互式標(biāo)記關(guān)鍵幀骨輪廓

對(duì)于目標(biāo)關(guān)鍵幀序列中的關(guān)鍵幀，首先對(duì)關(guān)鍵幀感興趣區(qū)域進(jìn)行骨架提取獲取標(biāo)記點(diǎn)，再利用基于標(biāo)記點(diǎn)的分水嶺算法生成初始輪廓，將初始輪廓顯示出來(lái)，由醫(yī)生判斷是否符合醫(yī)學(xué)解剖結(jié)構(gòu)，若不符合，則手動(dòng)增加或刪除標(biāo)記點(diǎn)對(duì)初始輪廓進(jìn)行修正，完善拓?fù)湫畔?，從而得到目?biāo)關(guān)鍵幀序列中CT圖像骨區(qū)域的輪廓曲線(xiàn)，關(guān)鍵幀的骨輪廓標(biāo)記將作為進(jìn)一步分割同一患者的序列CT圖像的初始輪廓。

本發(fā)明提出的基于GVF法分割CT骨盆圖像中采用的初始輪廓生成方法，采用自主設(shè)計(jì)的算法確定CT序列中關(guān)鍵幀，將醫(yī)生交互式確認(rèn)的關(guān)鍵幀的骨輪廓標(biāo)記作為相鄰幀GVF模型的骨盆初始輪廓。本發(fā)明可以大大減少需要醫(yī)生交互標(biāo)記的CT圖像數(shù)量(僅需確認(rèn)標(biāo)記全序列CT圖像中約5％～10％的關(guān)鍵幀)，利用關(guān)鍵幀中所得的標(biāo)記輪廓作為相鄰幀骨盆輪廓GVF模型的初始值，可以降低圖像處理時(shí)間和勞動(dòng)強(qiáng)度。

附圖說(shuō)明

圖1：基于關(guān)鍵幀標(biāo)記的序列CT圖像骨盆輪廓快速提取方法流程圖

圖2：初始圖像顯示

圖3：候選關(guān)鍵幀提取流程圖

圖4：目標(biāo)集提取流程圖

圖5(a)(b)：分別為相鄰關(guān)鍵幀的輪廓標(biāo)記

圖6：位于圖5相鄰兩幅關(guān)鍵幀之間的某一幅CT圖像的自動(dòng)分割結(jié)果

具體實(shí)施方式

考慮到目前醫(yī)院使用手動(dòng)標(biāo)記骨盆區(qū)域制定手術(shù)方案以及一個(gè)患者CT序列數(shù)目較大，在臨床上手動(dòng)標(biāo)記單幅CT圖像耗時(shí)約15分鐘，因此手動(dòng)分割骨盆區(qū)域耗時(shí)長(zhǎng)、壓力大。由于序列CT切片中，拍攝間距較小，相鄰兩幀之間骨骼形態(tài)特征變化不大，具有較高的相似性，利用這一特點(diǎn)，對(duì)CT序列切片提取關(guān)鍵幀，經(jīng)過(guò)此步驟，需要分割的數(shù)據(jù)量將大大減少，通過(guò)醫(yī)生對(duì)極少數(shù)關(guān)鍵幀中骨邊緣輪廓的標(biāo)記勾畫(huà)，進(jìn)一步分割同一患者的序列CT圖像的初始輪廓，為采用GVF法快速分割CT骨盆圖像奠定基礎(chǔ)?，F(xiàn)結(jié)合實(shí)施例、附圖對(duì)本發(fā)明及其應(yīng)用場(chǎng)景作進(jìn)一步描述：

步驟1：CT圖像預(yù)處理

對(duì)于一例骨盆骨折患者，以1mm為間隔，平掃獲得540張CT序列，每張CT大小為512x512，對(duì)于每一個(gè)DICOM文件僅僅提取圖像部分。對(duì)圖像部分進(jìn)行加窗處理，其中窗位為900，窗寬為600，即c＝900，w＝600,將圖像中的數(shù)據(jù)按照式(1)進(jìn)行轉(zhuǎn)換，將數(shù)據(jù)壓縮到256個(gè)灰度等級(jí)：

其中f為顯示的位圖灰度值，x為圖像數(shù)據(jù)，w為窗寬，c為窗位。

對(duì)圖像進(jìn)行加窗處理之后，轉(zhuǎn)換為BMP格式，加窗前后效果如圖2所示。對(duì)BMP圖像按照式(2)進(jìn)行二值化處理，再使用形態(tài)學(xué)操作進(jìn)行填充二值圖像中的空洞；根據(jù)經(jīng)驗(yàn)可知，由連通域的面積大小可以區(qū)分出身體區(qū)域與CT臺(tái)，因此對(duì)二值圖像中連通域面積進(jìn)行排序，將面積最大的區(qū)域置為1，其余均置為0，得到掩模圖像同時(shí)求出面積最大區(qū)域的鄰近矩形大小Rect(x,y,width,height)；將得到的掩膜圖像與BMP圖像卷積，去除CT臺(tái)、偽影等干擾，此時(shí)圖像中僅僅保留身體區(qū)域，其余區(qū)域均已置為0。

考慮到患者在進(jìn)行CT掃描時(shí)身體區(qū)域變化幅度并不大，為了減少數(shù)據(jù)量同時(shí)保存身體區(qū)域信息，將鄰近矩形Rect(x,y,width,height)向上下左右四個(gè)方向各延伸10個(gè)像素得到矩形Rectangle(x,y,width,height)，再將圖像參照矩形Rectangle(x,y,width,height)進(jìn)行裁剪，重新生成原始圖像，原始圖像示例如圖3所示，該例中原始圖像大小均為436x240。此后，所有CT圖像均按照此矩形進(jìn)行裁剪，保證在相鄰CT圖像中身體區(qū)域的相對(duì)位置保持不變。

步驟2：關(guān)鍵幀提取

此步驟包括兩部分，即初步篩選獲得候選關(guān)鍵幀序列以及細(xì)致篩選獲得目標(biāo)關(guān)鍵幀序列。

在初步篩選過(guò)程中，首先對(duì)初始圖像進(jìn)行均值濾波、去除斑點(diǎn)、形態(tài)學(xué)處理等操作得到骨分布的大致區(qū)域，將此區(qū)域作為感興趣區(qū)域，得到感興趣區(qū)域掩模并記錄感興趣區(qū)域的個(gè)數(shù)RoiNumber。感興趣區(qū)域掩模如圖4所示，感興趣區(qū)域即待準(zhǔn)確分割的區(qū)域。將掩模與初始圖像進(jìn)行卷積得到中間圖像。

將中間圖像按照空間順序排列，即保持CT序列集之間的相對(duì)順序不變，選取相鄰兩幀CT圖像的像素差值作為特征距離對(duì)CT序列進(jìn)行初步篩選，即可得到候選關(guān)鍵幀序列{y₁,y₂,y₃,……,y_l}。候選關(guān)鍵幀序列提取方法流程圖如圖5所示，具體步驟描述如下：

1)CT序列集{f₁,f₂,f₃,……,f_n},首先選取第一幀f₁作為當(dāng)前關(guān)鍵幀，j＝1，將其加入候選集；

2)將下一幀圖像j+1與當(dāng)前幀圖像j作像素差，即Dif＝f_j+1-f_j，若該差值大于指定閾值，則認(rèn)為兩幅圖像差異較大，相似度較低，將j+1幀圖像加入候選集中；若該差值小于指定閾值，則認(rèn)為當(dāng)前幀可以概括f_j+1,對(duì)j+1幀不作處理；

3)j＝j(luò)+1，即將第j+1幀圖像作為當(dāng)前關(guān)鍵幀，判斷該幀是否為最后幀，若是，則終止提取候選關(guān)鍵幀；若否，則轉(zhuǎn)入第2步繼續(xù)。

按照上述步驟流程，可以獲得候選關(guān)鍵幀序列{y₁,y₂,y₃,……,y_l}，在本例中，l＝237，在此基礎(chǔ)上進(jìn)行細(xì)致篩選，從而可以得到目標(biāo)關(guān)鍵幀序列。

在細(xì)致篩選過(guò)程中，對(duì)候選關(guān)鍵幀序列{y₁,y₂,y₃,……,y_l}依次使用感興趣區(qū)域數(shù)目、歸一化相關(guān)系數(shù)以及互信息量特征作為進(jìn)一步提取關(guān)鍵幀的特征值，通過(guò)比較特征值與制定閾值的大小即可得到目標(biāo)關(guān)鍵幀序列{k₁,k₂,k₃,……,k_t}，在候選集中提取最終關(guān)鍵幀{k₁,k₂,k₃,……,k_t}的算法流程如圖6所示，具體步驟描述如下：

1)首先選取第一幀y₁作為關(guān)鍵幀，i＝1，將該幀加入目標(biāo)集中；

2)判斷第i+1幀圖像與第i幀圖像的感興趣區(qū)域個(gè)數(shù)是否相同，即RoiNumber(i+1)＝＝RoiNumber(i)，若不同，則認(rèn)為第i+1幀圖像與當(dāng)前幀圖像相似度低，將第i+1幀圖像加入目標(biāo)集；若相同則轉(zhuǎn)入3)；

3)按照公式計(jì)算兩幀圖像的互信息量特征，按照公式計(jì)算兩幀圖像的歸一化相關(guān)系數(shù)，I值越大說(shuō)明兩幀圖像相關(guān)程度越高，I值越小說(shuō)明兩幀圖像相關(guān)程度越低，而R則相反。因此當(dāng)滿(mǎn)足I(j+1,j)>T1同時(shí)R(j+1,j)<T2條件時(shí)，將第i+1幀加入目標(biāo)集；當(dāng)不滿(mǎn)足該條件時(shí)，不作處理。

4)i＝i+1，判斷當(dāng)前幀是否為候選集中最后一幀，若是，則生成關(guān)鍵幀目標(biāo)集；若否，則轉(zhuǎn)入第2步繼續(xù)。

按照上述步驟流程，可以從候選關(guān)鍵幀序列{y₁,y₂,y₃,……,y_l}中進(jìn)一步篩選，從而可以得到目標(biāo)關(guān)鍵幀序列{k₁,k₂,k₃,……,k_t}。在本例中，t＝28。即經(jīng)過(guò)步驟2，共獲取28幅CT圖像作為關(guān)鍵幀。表1給出本例使用本發(fā)明方法步驟(2)兩階段提取出的關(guān)鍵幀數(shù)目，表2給出各階段使用時(shí)間。

表1

表2

步驟3：交互式標(biāo)記關(guān)鍵幀骨輪廓

對(duì)于目標(biāo)關(guān)鍵幀序列{k₁,k₂,k₃,……,k_t}中的關(guān)鍵幀，首先對(duì)關(guān)鍵幀感興趣區(qū)域進(jìn)行骨架提取獲取標(biāo)記點(diǎn)，再利用基于標(biāo)記點(diǎn)的分水嶺算法自動(dòng)生成初始輪廓。將初始輪廓顯示出來(lái)，由醫(yī)生判斷是否符合醫(yī)學(xué)解剖結(jié)構(gòu)，若不符合，則手動(dòng)增加或刪除標(biāo)記點(diǎn)對(duì)初始輪廓進(jìn)行修正，完善拓?fù)湫畔?，從而得到目?biāo)關(guān)鍵幀序列中CT圖像骨區(qū)域的輪廓曲線(xiàn)。關(guān)鍵幀的骨輪廓標(biāo)記將作為進(jìn)一步分割同一患者的序列CT圖像的初始輪廓。

步驟4：引入GVF模型提取各層CT圖像的骨輪廓

在關(guān)鍵幀i與關(guān)鍵幀i+1之間的CT圖像序列，使用關(guān)鍵幀i的標(biāo)準(zhǔn)輪廓作為初始輪廓。使用GVF模型對(duì)初始輪廓進(jìn)行變形，即可得到同一患者的序列CT圖像的目標(biāo)輪廓。

在GVF模型中，通過(guò)在圖像目標(biāo)附近定義一條帶有能量的曲線(xiàn)，該曲線(xiàn)在內(nèi)外部能量的作用下朝著圖像對(duì)應(yīng)能量極小值位置運(yùn)動(dòng)，設(shè)該曲線(xiàn)表示為X(s)＝(x(s),y(s)),s∈[0,1]，則該曲線(xiàn)能量泛函可以定義為：為使該能量最小，曲線(xiàn)則應(yīng)滿(mǎn)足式子：

-α(s)X″(s)+β(s)X″(s)+E_ext(X)＝0 (3)

通過(guò)求解該式極小值可以得到目標(biāo)邊緣。在GVF模型中，梯度矢量場(chǎng)被定義為V(x,y)＝(μ(x,y),v(x,y)),其中μ(x,y),v(x,y)為V(x,y)，圖像邊緣輪廓的能量泛函則表示為：

其中(x,y)為圖像中任意一點(diǎn)的坐標(biāo)，表示(x,y)處的梯度值，μ為調(diào)節(jié)因子。根據(jù)變分理論，GVF滿(mǎn)足歐拉方程，則其分解形式為：通過(guò)該式，可以求解出V(x,y)，將其作為外力F_ext＝V(x,y)，代入式(3)中求解曲線(xiàn)X(s)，該求解過(guò)程則為初始輪廓曲線(xiàn)運(yùn)動(dòng)至目標(biāo)邊緣的過(guò)程，即初始輪廓變形過(guò)程。

對(duì)于同一患者的CT圖像序列利用關(guān)鍵幀的手動(dòng)輪廓標(biāo)記作為初始輪廓，使用GVF模型對(duì)初始輪廓進(jìn)行變形即可得到同一患者的全部骨盆CT序列圖像的骨分割結(jié)果。