本發(fā)明屬于醫(yī)學影像識別分割，尤其涉及一種基于肺部ct影像的病灶識別和分割方法及系統(tǒng)。

背景技術：

1、醫(yī)學影像發(fā)展歷程可以追溯到19世紀末，x射線的發(fā)現(xiàn)和應用是醫(yī)學影像學的開端。此后醫(yī)學影像不斷進步，20世紀60年代，ct（計算機斷層掃描）的發(fā)明使得醫(yī)生能夠更清晰地觀察到人體內(nèi)部的結構?。20世紀70年代，mri（磁共振成像）技術誕生，進一步提高了醫(yī)學影像的診斷精度2。80年代，超聲成像、數(shù)字射線成像等技術相繼出現(xiàn)，豐富了醫(yī)學影像的診斷手段?。

2、今年來醫(yī)學影像技術不斷進步，醫(yī)學影像的成像、存儲、輸出過程基本實現(xiàn)了數(shù)字化，未來將進一步向智能化發(fā)展，現(xiàn)在的醫(yī)學影像設備能夠實現(xiàn)高分辨率成像。在醫(yī)學影像技術的快速發(fā)展的情況下，需要對醫(yī)學影像進行病灶識別和分割，以便于后續(xù)對醫(yī)學影像設備拍攝的患者醫(yī)學影像進行分析，實現(xiàn)對患者的病灶的分析。

3、而現(xiàn)有的基于醫(yī)學影像的病灶識別和分割的常規(guī)方法一種是基于閾值分割的方法，這種方法是基于影像圖像中像素的灰度值，設置一個閾值，將灰度值高于或者低于該閾值的像素識別分離出來，從而實現(xiàn)對病灶的識別分割。由于不同的病變在圖像中的灰度值變化較小，這種方法的精度很低。

4、另一種病灶識別和分割方法是基于邊緣檢測的方法，通過檢測圖像中的邊緣來分割病灶，利用圖像中的強度變化或者梯度來識別邊緣，并將邊緣與正常組織進行分離。但是由于存在圖像噪聲或者病變邊緣模糊的情況下，這種方法的效果并不明顯。

5、還有基于區(qū)域生長的方法，這種方法通過選擇種子點，然后通過生長算法將與種子點連接的像素標記為病變區(qū)域。區(qū)域生長方法適用于二維影像且清晰邊界病變，并且無法實現(xiàn)對病灶的三維病灶識別和分割。

6、因此，如何對現(xiàn)有的基于醫(yī)學影像的病灶識別和分割方法進行改進，尤其對于現(xiàn)在的肺部腫瘤患者的數(shù)量呈現(xiàn)逐年增加的趨勢，實現(xiàn)對患者的醫(yī)學影像中的病灶在三維空間上進行精確且準確地識別和分割，是目前亟需解決的技術問題。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于肺部ct影像的病灶識別和分割方法及系統(tǒng)，對現(xiàn)有的基于醫(yī)學影像的病灶識別和分割方法進行改進，以實現(xiàn)對患者的醫(yī)學影像中的病灶在三維空間上進行精確且準確地識別和分割。

2、為解決上述技術問題，本發(fā)明采用的技術方案如下：

3、第一方面，提供一種基于肺部ct影像的病灶識別和分割方法，包括以下過程：

4、s1：獲取患者的三維肺部ct影像數(shù)據(jù)，并按照指定間距對所述三維肺部ct影像進行分層切割處理，切割成若干張二維肺部ct影像圖片，并對每張二維肺部ct影像圖片添加序列號；

5、s2：對所述若干張二維肺部ct影像圖片進行圖像預處理，并使用指定圖像特征提取算法對預處理后圖像進行圖像特征提取，獲得若干張二維肺部ct影像圖片中的病灶特征；

6、s3：對提取的二維肺部ct影像圖片病灶特征數(shù)據(jù)，基于指定圖像邊緣檢測算法對二維肺部ct影像圖片的病灶邊緣進行進一步檢測；

7、s4：基于二維肺部ct影像圖片的邊緣檢測結果，將二維肺部ct影像圖片中的肺部病灶區(qū)域與肺部正常組織區(qū)域進行分割，并生成若干張僅有病灶組織的二維肺部病灶圖片；

8、s5：基于步驟s1中添加的序列號對若干張僅有病灶組織的二維肺部病灶圖片按照指定間距進行圖像疊加融合處理，獲取完整三維肺部病灶圖像。

9、優(yōu)選的，在步驟s1中，按照指定間距對所述三維肺部ct影像進行分層切割處理的具體過程如下：

10、s11：基于大數(shù)據(jù)獲取正常肺部組織圖像的像素灰度值范圍，并對患者的三維肺部ct影像圖像中像素灰度值不在正常肺部組織圖像的像素灰度值范圍的區(qū)域進行標記獲取肺部病灶區(qū)域的初始輪廓；

11、s12：基于獲取的肺部病灶區(qū)域的初始輪廓，提取病灶區(qū)域初始輪廓的表面，計算病灶區(qū)域初始輪廓表面的指定點的曲率，并基于曲率值將病灶區(qū)域初始輪廓在某一方向上劃分為三個曲率區(qū)域；

12、s13：為三個曲率區(qū)域設定三個相對應的間距，并基于三個不同的曲率區(qū)域按照其對應的間距對所述三維肺部ct影像進行分層切割處理。

13、優(yōu)選的，步驟s12中基于曲率值將病灶區(qū)域初始輪廓在某一方向上劃分為三個曲率區(qū)域，第一曲率區(qū)域為曲率值小于k1的區(qū)域，第二曲率區(qū)域為曲率值在k1~k2之間的區(qū)域，第三曲率區(qū)域為曲率值大于k2的區(qū)域，其中k1<k2；

14、為第一曲率區(qū)域設定第一切割間距d1，為第二曲率區(qū)域設定第二切割間距d2，為第三曲率區(qū)域設定第三切割間距d3，在第一曲率區(qū)域以第一切割間距d1進行分層切割，在第二曲率區(qū)域以第二切割間距d2進行分層切割，在第三曲率區(qū)域以第三切割間距d3進行分層切割。

15、優(yōu)選的，步驟s2中對所述若干張二維肺部ct影像圖片進行圖像預處理，并使用指定圖像特征提取算法對預處理后圖像進行圖像特征提取的具體過程如下：

16、s21：建立濾波器，并在所述濾波器中初始化一個濾波器窗口值；

17、s22：設定一個與所述濾波器大小相匹配的高斯函數(shù)模板，所述高斯函數(shù)模板為指定的二維數(shù)組，所述二維數(shù)組中的每個元素為相應窗口位置的預設權重；

18、s23：將所述濾波器的中心設置于圖像的每個像素上，并計算每個像素的周圍指定像素的加權平均值；

19、s24：將像素的周圍指定像素的加權平均值賦予給中心像素；

20、s25：對使用指定圖像特征提取算法對預處理后圖像進行圖像特征提取。

21、優(yōu)選的，所述加權平均值的計算公式如下：

22、 avg=( px1* gf1+ px2* gf2+··· pxn* gfn)/ n；

23、其中， px1、 px2、···、 pxn為濾波器中的指定像素，所述 gf1、 gf2、···、 gfn為與濾波器中的指定像素相對應位置的高斯函數(shù)模板元素， n為正整數(shù)，代表指定像素的個數(shù)。

24、優(yōu)選的，步驟s25中進行圖像特征提取的過程為：

25、s251：構建指定特征矩陣，生成圖像興趣點，所述指定特征矩陣為指定多元函數(shù)的二階偏導構成的方陣，并基于所述指定多元函數(shù)的二階偏導構成的方陣獲取圖像穩(wěn)定的邊緣點，該多元函數(shù)的二階偏導構成的方陣的具體公式如下：

26、；

27、其中，為指定多元函數(shù)的二階偏導數(shù)?2 z/? x? y在 x處于圖像的卷積，為指定多元函數(shù)的二階偏導數(shù)?2 z/? x? y在( x, y)處于圖像的卷積，( x, y)為圖像中的指定點， z為關于 x, y的多元函數(shù)， z=f（ x，y），為指定多元函數(shù)的二階偏導數(shù)?2 z/? x? y在 y處于圖像的卷積，為尺度；

28、s252：構建尺度空間，并對圖像特征點進行定位，將經(jīng)過指定特征矩陣處理的每個像素點與二維圖像空間和尺度空間鄰域內(nèi)的指定點進行比較，初步定位出關鍵特征點；

29、s253：對初步定位出的關鍵特征點經(jīng)過濾除低于指定能量的關鍵特征點以及錯位定位的關鍵特征點，最終篩選出穩(wěn)定的特征點。

30、優(yōu)選的，步驟s3中基于指定圖像邊緣檢測算法對二維肺部ct影像圖片的病灶邊緣進行進一步檢測的具體過程如下：

31、s31：通過高斯差分函數(shù)對肺部ct圖像進行尺度空間處理，構建肺部ct圖像高斯金字塔，并通過比較肺部ct圖像中的每個像素點與其指定鄰域像素點和上下兩層的9x9鄰域內(nèi)的26個點進行比較，獲取檢測極值點；

32、s32：對獲取到的極值點進行精確定位，通過擬合泰勒級數(shù)的指定項數(shù)來獲取關鍵像素點的位置和尺度，同時排除低對比度的像素點和邊緣響應強的像素點；

33、?s33：為獲取的每個關鍵像素點分配一個或多個方向，并使用梯度直方圖統(tǒng)計關鍵像素點鄰域內(nèi)像素的梯度方向和幅值；

34、s34：在獲取的每個關鍵像素點周圍的鄰域內(nèi)，測量肺部ct圖像局部的梯度，并計算梯度方向和幅值，將鄰域劃分為若干個子域，在每個子域內(nèi)計算梯度直方圖，并將所有子區(qū)域的直方圖連接起來形成一個高維向量作為關鍵像素點的描述符?。

35、第二方面，提供一種基于肺部ct影像的病灶識別和分割系統(tǒng)，用于實現(xiàn)任意一項所述的一種基于肺部ct影像的病灶識別和分割方法，包括：數(shù)據(jù)獲取模塊、圖像分層切割模塊、預處理模塊、特征提取模塊、邊緣檢測模塊、病灶生成模塊和圖像融合模塊；所述數(shù)據(jù)獲取模塊與圖像分層切割模塊連接，所述圖像分層切割模塊與預處理模塊連接，所述預處理模塊與特征提取模塊連接，所述特征提取模塊與邊緣檢測模塊連接，所述邊緣檢測模塊與病灶生成模塊連接，病灶生成模塊與圖像融合模塊連接；

36、所述數(shù)據(jù)獲取模塊，用于獲取患者的三維肺部ct影像數(shù)據(jù)；

37、所述圖像分層切割模塊，用于按照指定間距對所述三維肺部ct影像進行分層切割處理，切割成若干張二維肺部ct影像圖片，并對每張二維肺部ct影像圖片添加序列號；

38、所述預處理模塊，用于對所述若干張二維肺部ct影像圖片進行圖像預處理，建立濾波器，并在所述濾波器中初始化一個濾波器窗口值；設定一個與所述濾波器大小相匹配的高斯函數(shù)模板，所述高斯函數(shù)模板為指定的二維數(shù)組，所述二維數(shù)組中的每個元素為相應窗口位置的預設權重；將所述濾波器的中心設置于圖像的每個像素上，并計算每個像素的周圍指定像素的加權平均值；將像素的周圍指定像素的加權平均值賦予給中心像素；

39、所述特征提取模塊，用于使用指定圖像特征提取算法對預處理后圖像進行圖像特征提取，獲得若干張二維肺部ct影像圖片中的病灶特征；

40、所述邊緣檢測模塊，用于對提取的二維肺部ct影像圖片病灶特征數(shù)據(jù)，基于指定圖像邊緣檢測算法對二維肺部ct影像圖片的病灶邊緣進行進一步檢測；

41、所述病灶生成模塊，基于二維肺部ct影像圖片的邊緣檢測結果，將二維肺部ct影像圖片中的肺部病灶區(qū)域與肺部正常組織區(qū)域進行分割，并生成若干張僅有病灶組織的二維肺部病灶圖片；

42、所述圖像融合模塊，用于基于添加的序列號對若干張僅有病灶組織的二維肺部病灶圖片按照指定間距進行圖像融合。

43、本發(fā)明的有益效果包括：

44、本發(fā)明提供的基于肺部ct影像的病灶識別和分割方法及系統(tǒng)，獲取患者的三維肺部ct影像數(shù)據(jù)，切割成若干張二維肺部ct影像圖片并添加序列號；對若干張二維肺部ct影像圖片進行圖像預處理，并使用指定圖像特征提取算法對預處理后圖像進行圖像特征提??；對提取的二維肺部ct影像圖片病灶特征數(shù)據(jù)的病灶邊緣進行進一步檢測；基于二維肺部ct影像圖片的邊緣檢測結果，將肺部病灶與正常組織進行分割生成若干張僅有病灶組織的二維肺部病灶圖片；基于添加的序列號對二維肺部病灶圖片按照指定間距進行圖像融合，并對指定間距之間的病灶區(qū)域進行填充，獲取完整三維肺部病灶圖像。實現(xiàn)了對患者的醫(yī)學影像中的病灶在三維空間上進行精準高效地識別分割。

45、首先，通過對患者的三維肺部ct影像圖像中像素灰度值不在正常肺部組織圖像的像素灰度值范圍的區(qū)域進行標記獲取肺部病灶區(qū)域的初始輪廓；提取病灶區(qū)域初始輪廓的表面，計算病灶區(qū)域初始輪廓表面的指定點的曲率，并基于曲率值將病灶區(qū)域初始輪廓在某一方向上劃分為三個曲率區(qū)域；為三個曲率區(qū)域設定三個相對應的間距，并基于三個不同的曲率區(qū)域按照其對應的間距對所述三維肺部ct影像進行分層切割處理。通過為不同曲率區(qū)域賦予不同的切割間距，曲率小的區(qū)域賦予較大的切割間距，曲率大的區(qū)域賦予較小的切割間距，以便后續(xù)在進行特征提取時能夠更準確地獲取圖像關鍵特征，提升病灶識別和分割的精準性。

46、其次，通過建立濾波器并初始化一個濾波器窗口值；設定一個與濾波器大小相匹配的高斯函數(shù)模板；將所述濾波器的中心設置于圖像的每個像素上，并計算每個像素的周圍指定像素的加權平均值；將像素的周圍指定像素的加權平均值賦予給中心像素，去除了圖像中的噪聲數(shù)據(jù)對后續(xù)特征提取的影響，提升了后續(xù)圖像特征提取過程的準確性，對使用指定圖像特征提取算法對預處理后圖像進行圖像特征提取。

47、再次，通過構建指定特征矩陣，生成圖像興趣點；構建尺度空間，并對圖像特征點進行定位，將經(jīng)過指定特征矩陣處理的每個像素點與二維圖像空間和尺度空間鄰域內(nèi)的指定點進行比較，初步定位出關鍵特征點；對初步定位出的關鍵特征點經(jīng)過濾除低于指定能量的關鍵特征點以及錯位定位的關鍵特征點，最終篩選出穩(wěn)定的特征點，實現(xiàn)了整個圖像關鍵特征精準提取，為后續(xù)肺部ct影像精準識別分割提供圖像數(shù)據(jù)準備。

48、最后，通過高斯差分函數(shù)對肺部ct圖像進行尺度空間處理，獲取檢測極值點；對獲取到的極值點進行精確定位，通過擬合泰勒級數(shù)的指定項數(shù)來獲取關鍵像素點的位置和尺度；為獲取的每個關鍵像素點分配一個或多個方向；測量肺部ct圖像局部的梯度，將鄰域劃分為若干個子域，在每個子域內(nèi)計算梯度直方圖，并將所有子區(qū)域的直方圖連接起來形成一個高維向量作為關鍵像素點的描述符。實現(xiàn)了對?二維肺部ct影像圖片的病灶邊緣的準確檢測。