一種基于ct影像肝臟腫瘤病灶的分割方法
【技術領域】
[0001] 本發(fā)明屬于醫(yī)學圖像處理領域，尤其涉及一種基于CT影像肝臟腫瘤病灶的分割 方法。
【背景技術】
[0002] 肝臟是人體內最大的化工廠，承擔著消化、解毒、分泌等重要功能。而中國人的肝 臟所承受的疾病負擔是全世界最重的。原發(fā)性肝癌是臨床上最常見的惡性腫瘤之一。當下， 肝癌在全球的發(fā)病率都呈上升趨勢。根據世界衛(wèi)生組織發(fā)表的《全球癌癥報告2014》顯示， 中國新增癌癥病例高居世界第一位，其中肝癌的新增病例和死亡人數均居世界首位。目前， 我國肝癌的發(fā)病率約為25. 7/10萬，成為死亡率僅次于胃癌、肺癌的第二大惡性腫瘤。肝癌 的早期診斷已是目前肝癌治療的重中之重
[0003] 許多醫(yī)學成像方法已被應用于肝臟腫瘤病灶的檢測中，例如CT、超聲、核磁共振、 選擇性腹腔動脈或肝動脈造影檢查、放射性核素肝掃描等。在所有影像檢查方式中，CT圖 像因其具有較高的分辨率而被廣泛采用。一般CT圖像可檢出直徑1. 0cm左右的微小癌灶， 應用動態(tài)增強掃描可提高分辨率并有助于鑒別血管瘤，應用CT動態(tài)掃描與動脈造影相結 合的CT血管造影，可提高小肝癌的檢出率。同時CT圖像對肝癌手術的方案設計有一定的 幫助。
[0004] 針對肝臟病灶的分割現有多種算法嘗試實現，包括在人體肺部分割有效但肝臟分 割效果較差的自適應體素生長算法；需要先將肝臟整體進行分割才能完成腫瘤病灶分割的 混合假設概率的方法與基于最優(yōu)閾值的分割方法；會較大地破壞原始圖像信息，造成分割 結果的失的對比度增強的肝臟腫瘤識別的方法；只能處理簡單目標背景圖像的Chan-Vese 模型水平集分割方法，以上方法均需要部分交互式操作，且不能處理多病灶腫瘤的分割。

【發(fā)明內容】

[0005] 本發(fā)明的目的在于提供一種基于CT影像肝臟腫瘤病灶的分割方法，旨在解決不 能準確、快速地實現多病灶肝臟腫瘤分割的問題。
[0006] 本發(fā)明是這樣實現的，一種基于CT影像肝臟腫瘤病灶的分割方法，包括以下步 驟：
[0007] 對初始CT影像圖像進行預處理；
[0008] 針對預處理后的CT影像圖像，通過交互式方式完成疑似病灶的R0I選擇；
[0009] 基于CT值對R0I進行紋理描述，并通過紋理描述子加權計算獲得R0I的概率譜；
[0010] 構建大數據先驗知識庫，確定病灶區(qū)概率譜閾值，并基于所述閾值對疑似病灶進 行分割；
[0011] 對病灶完成容積統計與量化輸出。
[0012] 本發(fā)明提供的基于CT影像肝臟腫瘤病灶的分割方法，基于穩(wěn)定CT值的方法計算 概率譜，基于大數據先驗知識庫確定病灶區(qū)概率譜閾值，并依據獲得的所述閾值對疑似病 灶進行分割，具有下述優(yōu)勢：
[0013] 首先，基于穩(wěn)定且具有可比性的CT值計算得到多個紋理描述子概率譜，提升了 CT 影像中肝臟腫瘤病灶分割的準確性。同時，所述概率譜的構建，不僅融合了所有特征描述 子，且權值可調，更具靈活性，從而顯著提高了 CT影像肝臟腫瘤病灶分割的時效性，避免了 現有聚類分割方法中初始隨機化引起失敗的風險。
[0014] 其次，本發(fā)明基于CT影像肝臟腫瘤病灶的分割方法，基于先驗知識庫肝臟腫瘤患 者的數據通過手動分割計算得到概率譜的閾值，基于先驗知識的閾值分割更有效于已有算 法。
[0015] 此外，本發(fā)明算法允許選擇多個R0I，可并行化完成分割，使多目標區(qū)域分割成為 可能。
【具體實施方式】
[0016] 為了使本發(fā)明要解決的技術問題、技術方案及有益效果更加清楚明白，以下結合 實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋 本發(fā)明，并不用于限定本發(fā)明。
[0017] 本發(fā)明實施例提供了一種基于CT影像肝臟腫瘤病灶的分割方法，包括以下步驟：
[0018] S01.對初始CT影像圖像進行預處理；
[0019] S02.針對預處理后的CT影像圖像，通過交互式方式完成疑似病灶的R0I選擇；
[0020] S03.基于CT值對R0I進行紋理描述，并通過紋理描述子加權計算獲得R0I的概率 譜；
[0021] S04.構建大數據先驗知識庫，確定病灶區(qū)概率譜閾值，并基于所述閾值對疑似病 灶進行分割；
[0022] S05.對病灶完成容積統計與量化輸出。
[0023] 具體的，上述步驟S01中，為了提高本發(fā)明實施例肝臟腫瘤病灶分割的準確性，在 對所述CT影像圖像進行分割之前，需要對圖像進行相應的預處理以提高分割精度。作為優(yōu) 選實施例，對初始CT影像圖像進行預處理，包括圖像去噪處理和圖像增強處理。
[0024] 作為進一步優(yōu)選實施例，采用基于空間域濾波技術的算術均值濾波器實現所述去 噪處理。作為具體優(yōu)選實施例，所述去噪處理的操作方法為：基于空間域濾波技術的算術均 值濾波器，令S xyz表示中心在點（x，y，z)處、大小為mXnXp的矩形子圖像窗口的一組坐標， 所述算術均值濾波器在S xvz定義的區(qū)域中計算原始圖像g(x, y, z)的平均值為：
[0025]
J
[0026] 式中，所述f (X, y, z)為去噪后圖像在點（X, y, z)處去噪后的值，所述r、s、t分別 表示領域里的某個體素的索引，即它在X、y、z的坐標。
[0027] 上述優(yōu)選去噪操作處理，可以使用大小為mXnXp的一個空間濾波器來實現，其 所有的系數均優(yōu)選為1/mnp時，可有效降低噪聲。作為本發(fā)明一個具體優(yōu)選實施例，其中， 所述m、η、p的取值為m = n = p = 3。
[0028] 本發(fā)明實施例，所述CT影像數據采集可選用常規(guī)設備、設置常規(guī)參數獲得。進一 步的，優(yōu)選使用西門子S0MAT0M Sensation CT掃描儀；管電壓，100kV ;管電流，60-120mAs ; 層厚，10mm;重建間隔，10mm;視場（Field of View, FOV)，512 X 512mm. 〇
[0029] 上述步驟S02中，為了提高ROI選擇的準確性，本發(fā)明實施例針對預處理后的CT 影像圖像、通過交互式方式完成疑似病灶的R0I選擇，可通過手動勾畫方式完成R0I的選 擇，在本發(fā)明實施例中，可以勾選多個R0I同時完成后續(xù)圖像處理。
[0030] 上述步驟S03中，在CT影像圖像中，由于體素的灰度信息會因顯示器與后處理方 法（如圖像增強）而改變，基于灰度值的處理方法具有不可移植性。因此，在本發(fā)明實施例 中，采用基于CT值的處理方法。
[0031] CT值是醫(yī)學標準格式圖像DIC0M圖像的頭文件信息，是一個恒量，不隨后續(xù)處理 方法的影響而改變。但是，只依靠CT值信號并不能完成復雜的腫瘤病灶如肝臟腫瘤的分 害J。紋理是一種反映圖像中同質現象的視覺特征，體現了物體表面共有的內在屬性，包含了 物體表面結構組織排列的重要信息以及它們與周圍環(huán)境的聯系。而所述肝臟腫瘤病灶區(qū)域 在CT影像上多表現為粗糙、不均勻、密度較低，與正常組織的細膩質感存在較大差異。有鑒 于此，本發(fā)明實施例將在CT值的基礎上，對R0I的各個紋理算子進行描述并計算概率譜。由 于描繪所述肝臟腫瘤病灶區(qū)域紋理內容的描繪子可以提供諸如平滑度、粗糙度和規(guī)律性等 特性的度量。因此，本發(fā)明實施例基于CT值對R0I進行紋理描述，優(yōu)選通過CT值、二階矩、 平滑度度量、一致性度量和平均熵度量五個描述子實現對R0I內體素進行紋理描述。
[0032] 具體的，作為優(yōu)選實施例，通過CT值、二階矩對R0I內體素進行紋理描述的公式 為：
[0033]
[0034] m是ζ的平均CT值，式中，所述ζ表示CT值的一個隨機變量，所述Zl代表不同的 CT值，所述p(zi)為相應的直方圖，其中，i = 0, 1，2-，L_1，L不同于CT值的數量級L不 同于CT值的數量級。本發(fā)明實施例所述p(Zl)表示的是某一特定的CT值一共有多少個體 素，是數量信息。
[0035] 關于CT值均值的ζ的第二階矩為：
[0036]
·=? 〇
[0037] 二階矩在紋理描述中特別重要，它是CT值對比度的度量，利用所述二階矩可以建 立相對平滑度的描繪子。作為另一個優(yōu)選實施例，通過相對平滑度對R0I內體素進行紋理 描述的公式為
[0038] 其中，R值的大小能夠反映所述R0I區(qū)域的相對平滑度。具體的，對于較為光滑的 區(qū)域，所述R值越接近〇,表示所述R0I區(qū)域的相對平滑度越高；所述R值越接近于1，表示 所述R0I區(qū)域越粗糙。
[0039] 作為又一個優(yōu)選實施例，基于CT值的基礎上，通過一致性度量對R0I內體素進行 紋理描述的公式為：= 本發(fā)明實施例所述一致性度量U對所有CT值級都相等 〇 的圖像有最大值（極大一致性），并從最大值開始降低。
[0040] 作為再一個優(yōu)選實施例，基于CT值的基礎上，通過平均熵度量對R0I內體素進行 紋理描述的公式為： 所述平均熵度量是可變性的度量，對恒定圖像
其為零。
[0041] 通過基于穩(wěn)定CT值，可以進一步計算獲得二階矩、平滑度度量、一致性度量和平 均熵度量描述子的概率譜。
[0042] 進一步的，本發(fā)明實施例可以通過所述紋理描述子加權得到R0I的概率譜。具體 的，通過紋理描述子加權計算獲得R0I的概率譜的方法為：
[0043] 對描述子進行歸一化到區(qū)間[0-1]，通過下述加權得到RI0的概率譜圖像：
[0044] Μ(ζ；) = w:I (z^+WrRCz^+WuIKz^+w^Cz；),
[0045] 式中，所述M(zi)表示所得到的概率譜圖像，所述1(21)、以21)、1]( 21)、6(21)分別 表示二階矩、相對平滑度、一致性度量和平均熵度量的描述子，所述《 1、^、^、^為權值。作 為優(yōu)選實施例，為了更加準確、全面地表達所述肝臟腫瘤區(qū)域的紋理信息，所述Wl= 〇. 15， 所述 wR= 0· 35,所述 w u= 0· 25,所述 w e= 0· 25。
[0046] 本發(fā)