醫(yī)學(xué)圖像分割方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明主要涉及醫(yī)學(xué)圖像的處理，尤其涉及一種醫(yī)學(xué)圖像分割方法和裝置。
【背景技術(shù)】
[0002]醫(yī)學(xué)圖像是指為了醫(yī)療或醫(yī)學(xué)研宄，對(duì)人或動(dòng)物的整體或某部分，以非侵入方式取得的內(nèi)部組織的圖像。其中，計(jì)算機(jī)斷層掃描技術(shù)(Computerized Tomography，簡(jiǎn)稱CT)是一種基于不同物質(zhì)對(duì)于射線具有不同的衰減性質(zhì)的放射診斷技術(shù)。CT用放射線從各方向照射被測(cè)物體，測(cè)量穿過(guò)物體的射線強(qiáng)度，并通過(guò)一定的重建算法計(jì)算出物體內(nèi)部各點(diǎn)物質(zhì)對(duì)于射線的線性衰減系數(shù)，從而得到被測(cè)物體的斷層圖像的放射診斷技術(shù)。CT重建的斷層圖像具有無(wú)影像重疊、密度和空間分辨率高等優(yōu)勢(shì)，因而一出現(xiàn)便作為醫(yī)療無(wú)損害診斷技術(shù)而備受關(guān)注。
[0003]CT技術(shù)可以針對(duì)腦部、胸、腹、脊柱及四肢等人體部位進(jìn)行掃描，其掃描圖像用于疾病的輔助分析。例如肺結(jié)節(jié)作為肺癌在CT圖像中的早期主要表現(xiàn)形式之一，其準(zhǔn)確的分割結(jié)果能夠有效的反映出結(jié)節(jié)的病理和形態(tài)特征，進(jìn)而幫助醫(yī)生對(duì)病灶進(jìn)行診斷分析。肺結(jié)節(jié)中，磨玻璃樣結(jié)節(jié)(ground-glass nodule, GGN 或 ground-glass opacity, GGO)作為一種惡性可能性最大的一類結(jié)節(jié)，由于其在CT圖像中呈現(xiàn)模糊稀薄影，且紋理形態(tài)多變，在CT中的HU(Hounsfield Unit，亨氏單位)值分布廣泛使其形態(tài)分割的問(wèn)題成為一大挑戰(zhàn)。
[0004]目前現(xiàn)有的肺結(jié)節(jié)的分割方法按照是否使用帶有金標(biāo)準(zhǔn)數(shù)據(jù)樣本進(jìn)行訓(xùn)練的方式，可以大致分為兩類:非監(jiān)督分割方法和有監(jiān)督學(xué)習(xí)的分割方法。
[0005]非監(jiān)督分割方法是根據(jù)肺結(jié)節(jié)與背景在特征空間中的特征差別為依據(jù)的一種無(wú)先驗(yàn)類別標(biāo)準(zhǔn)的分割方法?；诮y(tǒng)計(jì)學(xué)信息的分割方法是非監(jiān)督分割方法中較為常見的一類分割方法。例如，一種已知的分割方法基于馬爾科夫隨機(jī)場(chǎng)的方法來(lái)分割目標(biāo)區(qū)域內(nèi)的磨玻璃樣結(jié)節(jié)，后續(xù)利用高強(qiáng)度閾值及緊致性分析過(guò)程從分割后的區(qū)域內(nèi)識(shí)別出血管并剔除，得到結(jié)節(jié)的分割結(jié)果。另一種是基于直方圖模型和局部對(duì)比分析的磨玻璃樣結(jié)節(jié)自動(dòng)分割方法，其利用混合高斯模型構(gòu)建結(jié)節(jié)目標(biāo)區(qū)域的直方圖模型，后續(xù)通過(guò)分析局部對(duì)比度的方法修整結(jié)節(jié)邊緣完成分割。以上兩種基于統(tǒng)計(jì)學(xué)信息的分割方法，具有較強(qiáng)的抗干擾能力，但是對(duì)迭代的初始參數(shù)選擇較為依賴，容易陷入局部最優(yōu)。
[0006]在非監(jiān)督分割方法中還有一類較為常用的分割方法為基于可變模型的分割方法，該類分割方法將待分割的目標(biāo)結(jié)節(jié)輪廓看做為一封閉高維的曲面，其根據(jù)動(dòng)力學(xué)方程移動(dòng)閉合的高維曲面以達(dá)到最佳邊界。所以該類方法分割效果邊緣輪廓平滑、分割出來(lái)的視覺效果較好，但對(duì)復(fù)雜的不規(guī)則磨玻璃樣結(jié)節(jié)形態(tài)分割算法收斂性較差。
[0007]基于有監(jiān)督學(xué)習(xí)的方法能夠充分的利用醫(yī)生標(biāo)記出的金標(biāo)準(zhǔn)信息進(jìn)行分類器的訓(xùn)練，隨著有效的訓(xùn)練樣本的增多使得分類器具有較好的魯棒性和抗干擾能力。例如一種基于紋理特征概率圖的軟分割方法，該分割方法首先對(duì)目標(biāo)區(qū)域進(jìn)行濾波特征提取，形成目標(biāo)區(qū)域的特征向量圖，利用決策樹對(duì)向量圖逐點(diǎn)分類分割，最后形成一種軟分割的決策樹分類器。另外一種多等級(jí)的磨玻璃結(jié)節(jié)檢測(cè)和分割算法，在結(jié)節(jié)分割時(shí)同樣的采用像素級(jí)分類器在感興趣區(qū)域內(nèi)進(jìn)行逐點(diǎn)分類標(biāo)號(hào)分割，其感興趣區(qū)域由多等級(jí)的大津閾值獲取，在對(duì)目標(biāo)區(qū)域內(nèi)進(jìn)行多重濾波后，其采用線性判別分析(Linear DiscriminantAnalysis, LDA)與高斯混合模型結(jié)合的方法進(jìn)行結(jié)節(jié)分割，利用線性判別分析算法將高維的特征向量映射到LDA投影空間獲得低維可分性好的特征向量，進(jìn)而通過(guò)最大期望算法對(duì)高斯混合模型進(jìn)行訓(xùn)練獲得分割所需分類器。但是由于該類的分割方法大多是基于逐點(diǎn)分類標(biāo)號(hào)的分割方式，所以無(wú)法保證分割出的目標(biāo)前景形狀輪廓，影響分割的精確度。而且此類分割方法在濾波時(shí)均采用固定濾波窗口且分類器參數(shù)固定，在磨玻璃樣結(jié)節(jié)個(gè)體差異性較大時(shí)適應(yīng)性較差。

【發(fā)明內(nèi)容】

[0008]本發(fā)明要解決的技術(shù)問(wèn)題是提供一種醫(yī)學(xué)圖像分割方法和裝置，以提高磨玻璃樣結(jié)節(jié)分割的精確度。
[0009]為解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種醫(yī)學(xué)圖像分割方法，包括以下步驟:對(duì)肺部CT圖像進(jìn)行初始分割，得到一目標(biāo)區(qū)域，該目標(biāo)區(qū)域具有中央?yún)^(qū)域和圍繞該中央?yún)^(qū)域的周邊區(qū)域，該中央?yún)^(qū)域?yàn)榇_定的磨玻璃結(jié)節(jié)病灶區(qū)域，該周邊區(qū)域?yàn)橐伤颇ゲＡЫY(jié)節(jié)病灶區(qū)域，該目標(biāo)區(qū)域外部為確定的非結(jié)節(jié)病灶區(qū)域；對(duì)該周邊區(qū)域利用分類器進(jìn)行逐點(diǎn)分類標(biāo)號(hào)分割，獲得一分割區(qū)域，該分割區(qū)域包括部分該周邊區(qū)域；將該分割區(qū)域與該目標(biāo)區(qū)域相融合，形成融合分割結(jié)果。
[0010]可選地，該周邊區(qū)域?yàn)榄h(huán)形區(qū)域。
[0011]可選地，該初始分割使用區(qū)域增長(zhǎng)算法、模糊C均值聚類算法、高斯混合模型以及變分期望最大化算法中的一種。
[0012]可選地，該區(qū)域增長(zhǎng)算法包括以下步驟:接收用戶在該肺部CT圖像的磨玻璃樣結(jié)節(jié)最大截面上劃定的長(zhǎng)軸；根據(jù)該長(zhǎng)軸形成感興趣區(qū)域；在該感興趣區(qū)域內(nèi)進(jìn)行圖像均值濾波，得到均值濾波圖像；在該均值濾波圖像上進(jìn)行基于距離場(chǎng)的區(qū)域增長(zhǎng)，得到動(dòng)態(tài)分割區(qū)域；在該感興趣區(qū)域內(nèi)求取灰度直方圖，得到直方圖向量圖像；在該直方圖向量圖像上進(jìn)行基于距離場(chǎng)的區(qū)域增長(zhǎng)，得到靜態(tài)分割區(qū)域；將該動(dòng)態(tài)分割區(qū)域與該靜態(tài)分割區(qū)域融合形成該目標(biāo)區(qū)域，其中動(dòng)態(tài)分割區(qū)域與該靜態(tài)分割區(qū)域重疊的區(qū)域?yàn)樵撝醒雲(yún)^(qū)域，該動(dòng)態(tài)分割區(qū)域中該靜態(tài)分割區(qū)域以外的區(qū)域?yàn)樵摥h(huán)形區(qū)域。
[0013]可選地，上述的均值濾波與上述的灰度直方圖求取的窗口與該長(zhǎng)軸的大小是成正比。
[0014]可選地，在該均值濾波圖像上進(jìn)行基于距離場(chǎng)的區(qū)域增長(zhǎng)的步驟包括:al.將用戶給定的長(zhǎng)軸點(diǎn)選取為種子點(diǎn)，同時(shí)給定一個(gè)嚴(yán)格限制條件的初始閾值進(jìn)行區(qū)域增長(zhǎng)；bl.判斷基于均值濾波圖像增長(zhǎng)出的分割區(qū)域覆蓋給定長(zhǎng)軸的長(zhǎng)度的覆蓋率是否滿足條件，不滿足則放寬一定閾值條件并返回步驟al，若滿足則進(jìn)行帶閾值限制的膨脹操作，得到該動(dòng)態(tài)分割區(qū)域。
[0015]可選地，在該直方圖向量圖像上進(jìn)行基于距離場(chǎng)的區(qū)域增長(zhǎng)的步驟包括:a2.將用戶給定的長(zhǎng)軸點(diǎn)選取為種子點(diǎn)，同時(shí)給定一個(gè)嚴(yán)格限制條件的初始閾值進(jìn)行區(qū)域增長(zhǎng)；b2.判斷基于直方圖向量圖像增長(zhǎng)出的分割區(qū)域覆蓋給定長(zhǎng)軸的長(zhǎng)度的覆蓋率是否滿足條件，不滿足則放寬一定閾值條件并返回步驟a2，若滿足則停止生長(zhǎng)，得到該靜態(tài)分割區(qū)域。
[0016]可選地，對(duì)該環(huán)形區(qū)域利用分類器進(jìn)行逐點(diǎn)分類標(biāo)號(hào)分割的步驟包括:a3.獲得一感興趣區(qū)域，該感興趣區(qū)域是由用戶在該肺部CT圖像的磨玻璃樣結(jié)節(jié)最大截面上劃定的長(zhǎng)軸形成；b3.對(duì)該感興趣區(qū)域內(nèi)的圖像進(jìn)行濾波，形成特征向量圖像；C3.利用離線訓(xùn)練好的特征向量權(quán)重與該特征向量圖像相結(jié)合，得到LDA概率場(chǎng)圖像；d3.在該LDA概率場(chǎng)圖像上進(jìn)行基于LDA概率場(chǎng)的區(qū)域增長(zhǎng)，得到帶分類器標(biāo)號(hào)的分割區(qū)域。
[0017]可選地，該步驟b3