態(tài)分害眍域以外的區(qū)域(黑色區(qū)域)不是目標區(qū)域的范圍，這是認定的非結節(jié)病灶區(qū)域。
[0050]在上述的步驟303中，均值濾波與灰度直方圖求取的窗口可以與長軸X的大小成正比。這樣可根據(jù)目標結節(jié)體積的大小自動的調(diào)整濾波的尺度，使其能夠很好的適應不同結節(jié)之間的體積差異，避免了本就呈現(xiàn)模糊稀薄影的結節(jié)圖像在歸一化時出現(xiàn)失真的現(xiàn)象。
[0051]在上述的步驟304中，在均值濾波圖像上進行基于距離場的區(qū)域增長的步驟可進一步包括:1)將用戶給定的長軸點選取為種子點，同時給定一個嚴格限制條件的初始閾值進行區(qū)域增長；2)判斷基于均值濾波圖像增長出的分割區(qū)域覆蓋給定長軸的長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I)，若滿足則進行帶閾值限制的膨脹操作，得到動態(tài)分割區(qū)域。
[0052]類似地，在上述的步驟306中，在直方圖向量圖像上進行基于距離場的區(qū)域增長的步驟包括:1)將用戶給定的長軸點選取為種子點，同時給定一個嚴格限制條件的初始閾值進行區(qū)域增長；2)判斷基于直方圖向量圖像增長出的分割區(qū)域覆蓋給定長軸的長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I)，若滿足則停止生長，得到靜態(tài)分割區(qū)域。
[0053]圖4是本發(fā)明一實施例的逐點分類標號分割流程。下面將參考圖4并結合圖7描述逐點分類標號分割的步驟。
[0054]在步驟401，獲得一感興趣區(qū)域。
[0055]如前所述，感興趣區(qū)域是由用戶在該肺部CT圖像的磨玻璃樣結節(jié)最大截面上劃定的長軸形成。如果初始分割已經(jīng)形成了感興趣區(qū)域，則此處可以直接獲得并使用此感興趣區(qū)域；否則，此處可以按照步驟201，202類似的方式形成感興趣區(qū)域。
[0056]在步驟402，對感興趣區(qū)域內(nèi)的圖像進行濾波，形成特征向量圖像，如圖7(g)所不O
[0057]舉例來說，濾波可以選用基于灰度(如均值，最大值，最小值，標準差)，伽柏濾波器，海森濾波器，梯度濾波器，Volterra濾波器，巴特沃思濾波器，基于直方圖的濾波器等濾波器進行濾波。
[0058]在步驟403，利用離線訓練好的特征向量權重與該特征向量圖像相結合，得到LDA (Linear Discriminant Analysis，線性判別分析)概率場圖像，如圖7(h)所示。
[0059]在步驟404，在LDA概率場圖像上進行基于LDA概率場的區(qū)域增長，得到帶分類器標號的分割區(qū)域，如圖7 (i)所示，其中灰色的環(huán)形區(qū)域72為由初始分割確定的待分類器分割的區(qū)域，在此環(huán)形區(qū)域72中利用分類器分割得到了白色的分割區(qū)域73。
[0060]在上述的步驟402中，濾波求取的窗口與該長軸的大小成正比。
[0061]在上述的步驟403中，在LDA概率場圖像上進行基于LDA概率場的區(qū)域增長的步驟包括:1)將用戶給定的長軸點選取為種子點，同時給定一個嚴格限制條件的初始閾值進行區(qū)域增長；2)判斷基于LDA概率場圖像增長出的分割區(qū)域覆蓋給定長軸的長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I)，若滿足則進行帶閾值限制的膨脹操作，得到帶分類器標號的分割區(qū)域。借此，可以動態(tài)地根據(jù)當前分割出的區(qū)域對目標前景區(qū)域內(nèi)的覆蓋率進行自適應的迭代選取，使得分類器對拓撲結構復雜、CT值多變的磨玻璃結節(jié)具有高度的自適應和魯棒性。
[0062]在得到分割區(qū)域73后，可以進行圖2所示的步驟203。在步驟203，將帶分類器標號的分割區(qū)域73與目標區(qū)域70相融合，形成融合分割結果。在此過程中，通過分類器的標號結果確定了待分割的環(huán)形區(qū)域72的分割結果。
[0063]較佳地，在步驟203后還對融合后的分割結果進行形態(tài)學平滑，得到最終的結節(jié)分割結果74，如圖7 (j)。
[0064]圖5是本發(fā)明一實施例的分割方法的對象處理過程示意圖，圖中示出上述的各處理步驟對于中間結果的影響。
[0065]圖6是本發(fā)明一實施例的醫(yī)學圖像分割裝置框圖。參考圖6所示，本裝置可以在圖1的計算機輔助圖像處理設備120中實施，并包括初始分割單元121、逐點分類標號分割單元122和融合單元123。初始分割單元121對肺部CT圖像進行初始分割，得到一目標區(qū)域。此目標區(qū)域具有中央?yún)^(qū)域和環(huán)繞該中央?yún)^(qū)域的周邊區(qū)域，中央?yún)^(qū)域為確定的結節(jié)病灶區(qū)域；周邊區(qū)域為疑似結節(jié)病灶區(qū)域，目標區(qū)域外部為確定的非結節(jié)病灶區(qū)域。逐點分類標號分割單元122對該周邊區(qū)域利用分類器進行逐點分類標號分割，獲得一分割區(qū)域。分割區(qū)域包括部分周邊區(qū)域。融合單元123將帶分類器標號的分割區(qū)域與目標區(qū)域相融合，形成融合分割結果。在一實施例中，可以通過諸如邏輯電路的硬件來實現(xiàn)上述單元的部分或全部。在另一實施例中，也可以通過組合硬件和軟件來實現(xiàn)上述單元的部分或全部。
[0066]為了驗證本本發(fā)明實施例的有效性，實驗數(shù)據(jù)從公開的LIDC(Lung ImageDatabase Consortium)數(shù)據(jù)庫(參考 Armato SG III et al.:The Lung ImageDatabase Consortium (LIDC) and Image Database Resource Initiative (IDRI): Acompleted reference database of lung nodules on CT scans.MedicalPhysics, 38:915—931,2011.)中選取了 195例磨玻璃結節(jié)用于實驗，其中隨機選取90例磨玻璃結節(jié)數(shù)據(jù)用于算法的訓練，余下105例結節(jié)用于算法分割結果測試，該數(shù)據(jù)庫中提供了由醫(yī)生手動分割結節(jié)后標記的金標準結果用于測試算法的性能。本次實驗采用算法分割結果與金標準間的重疊率(Overlapping)作為算法分割性能的評價指標，105例磨玻璃結節(jié)算法分割結果與金標準之間的平均重疊率為54.80%，實驗證明了算法在大數(shù)據(jù)量下的有效性和魯棒性。圖8中展示了部分磨玻璃結節(jié)的分割結果實例。其中圖8(a)為金標準橫斷面，圖8 (b)為算法分割結果橫斷面，圖8 (c)為金標準矢狀面，圖8 (d)算法分割結果矢狀面。
[0067]本發(fā)明上述實施例所提出的磨玻璃樣結節(jié)分割方法，利用初始分割時得到的目標區(qū)域有效的緩解了分類器在分割識別時的壓力，并保證了磨玻璃樣結節(jié)分割時的初始形態(tài)；其次，對圖像中的周邊區(qū)域利用分類器進行逐點分類標號分割，提升了分割算法的抗噪聲干擾能力；再者，在濾波和分類的過程中采用了自適應的動態(tài)濾波尺度和閾值很好的解決了磨玻璃樣結節(jié)紋理形態(tài)變化大、CT值分布廣使其難以精確分割的問題，有效的提高了算法分割的準確性和魯棒性。
[0068]本發(fā)明上述實施例的醫(yī)學圖像分割方法可以在例如計算機軟件、硬件或計算機軟件與硬件的組合的計算機可讀取介質(zhì)中加以實施。對于硬件實施而言，本發(fā)明中所描述的實施例可在一個或多個專用集成電路(ASIC)、數(shù)字信號處理器(DSP)、數(shù)字信號處理器件