基于區(qū)域生長初始化的水平集海馬圖像分割方法與流程
本發(fā)明屬于醫(yī)學圖像處理領域，涉及一種基于區(qū)域生長初始化的水平集海馬圖像分割方法。
背景技術：
人腦海馬(hippocampus)位于大腦顳葉邊緣處，屬于皮質腦回組織，呈弓形隆起，它是人類大腦的重要組成部分，起著記憶和空間定位的功能。臨床研究表明，海馬體形態(tài)和體積上的異常變化與老年性癡呆、顳葉癲癇、精神分裂癥、輕度認知障礙等神經(jīng)系統(tǒng)疾病有著緊密的聯(lián)系。因此，對海馬體體積的精確測量，無論是對人腦的功能性研究還是對診斷患者的病情都具有重大的研究意義。
mri作為一種無創(chuàng)的檢查手段，具有較高的對比度和分辨率，被廣泛應用于人體腦部解剖學及病理學的研究，由此，核磁共振儀掃描出的核磁共振(magneticresonance，mr)圖像，是研究腦組織解剖結構及海馬功能的主要手段。mr圖像中海馬體結構的分割方法可以分為手動分割、自動分割及介于兩者之間的交互式分割。手動分割是醫(yī)生直接將海馬輪廓在mr圖像切片上勾畫出來，它需要操作人員進行大量的練習。在所有的分割方法中，手動分割法的精度是最高的，因此常將其作為評價海馬分割方法的最佳標準。但是，不足的是該方法比較費時、分割效率不高、勞動強度較大，而且對受訓人員自身的知識結構和實踐經(jīng)驗要求較高，易受個人主觀判斷的干擾。在實際應用中，由于受設備、偏移場效應、噪聲、人體呼吸運動等因素的影響，人腦mr圖像中海馬結構存在著對比度不高以及與其周邊組織相似等問題，都給海馬的精確分割帶來很大難度。
近年來，基于偏微分方程的活動輪廓模型憑借其自由的拓撲和靈活的結構，得到了眾多研究者們的青睞。有的研究將多尺度邊緣的梯度信息加入到水平集函數(shù)的外部能量項中，提出了一種基于邊緣信息融合的多尺度水平集分割方法，從而在運行速度、分割精度和噪聲方面都得到了極大的改善。此外，還有些研究人員提出一種基于多圖譜配準的t1加權腦部海馬圖像自動分割算法。通過在配準技術中加入像素點的灰度信息和空間位置信息，使得模型能更有效地將醫(yī)學圖譜的先驗知識融入到分割過程中，提高了算法的魯棒性和配準精度。但是，由于海馬體所處的位置特殊，理論上的|▽(gσ*i)|→∞不能達到，即g值不能近似為0，從而使得演化曲線越過目標邊界，造成了過度分割或欠分割。因此，僅僅考慮梯度信息的海馬輪廓分割方法存在著一定的局限性。
因此，本發(fā)明利用自適應區(qū)域生長算法與形態(tài)學操作來獲取海馬的大致輪廓，然后以此輪廓曲線作為先驗知識，結合圖像的梯度信息及全局區(qū)域信息來構造曲線演化的能量方程，提出一種基于區(qū)域生長初始化的水平集海馬圖像分割方法。
技術實現(xiàn)要素：
本發(fā)明的目的是針對現(xiàn)有的技術存在上述問題，提出了一種基于區(qū)域生長初始化的水平集海馬圖像分割方法，具有能夠在保證分割結果準確性的同時，提高分割方法的精度的特點。
本發(fā)明的目的可通過下列技術方案來實現(xiàn)：
一種基于區(qū)域生長初始化的水平集海馬圖像分割方法，其特征在于，包括下列步驟：
步驟s1：輸入原始圖像，從全部海馬結構的原始圖像中選取一種子點，由種子點分割出包含全部海馬結構區(qū)域的剪切圖像，并對種子點區(qū)域內的灰度均值進行計算，在人腦mr圖像中，海馬體所占的面積非常小，若對整幅圖像進行分割，不僅增加了計算量，而且會產(chǎn)生很多錯誤的分割。因此，采用人為選取的種子點作為中心，截取包含海馬結構的區(qū)域作為處理對象，剪切圖像需包含海馬的全部區(qū)域而又盡可能地去除多余的非目標組織。在這里，我們設定裁剪窗口的大小為41*41像素，后續(xù)所有的處理均在設定的剪切圖像上進行，最終只需要把剪切圖像上的分割結果映射到原始圖像上，就可以獲得海馬的真實輪廓；
步驟s2：利用生長準則計算種子點與種子點3×3鄰域像素的相似性，把具有相同或相似灰度值的像素歸類到種子像素所在的區(qū)域，并對新得到的像素重復利用自適應區(qū)域生長準則計算，直到?jīng)]有新的像素點被吸納進來，算法結束；
步驟s3：運用形態(tài)學操作去除個別像素點的橋接及分支存在的干擾，得到有序的海馬輪廓線。
步驟s4：以得到有序的海馬輪廓線的基礎上，融入全局高斯概率信息，利用改進的水平集算法實現(xiàn)海馬區(qū)域的分割，驅動輪廓曲線向目標靠近并在海馬邊界處停止。
在上述基于區(qū)域生長初始化的水平集海馬圖像分割方法中，在步驟s1中，所述的種子點區(qū)域內灰度均值的計算公式為：
式中，
一般情況下，可直接運用種子像素的灰度均值來設計區(qū)域生長算法的生長準則。但是，當n＝1時(n表示種子區(qū)域內像素點的數(shù)目)，海馬區(qū)域因為噪聲點的存在，生長的結果就極有可能出現(xiàn)一定的偏差。此時，需要求出種子像素鄰域內的灰度均值，用它來替代種子區(qū)域內的灰度均值，這樣就盡可能地避免種子點的誤選和噪聲點對生長結果產(chǎn)生的影響。
在上述基于區(qū)域生長初始化的水平集海馬圖像分割方法中，在步驟s1中，選用剪切圖像區(qū)域內像素灰度的標準差作為生長的閥值，剪切圖像區(qū)域內的灰度均值
公式中，m×n為剪切圖像的大小。
采用這樣的方法生長閥值就可以根據(jù)圖像本身的灰度特征自適應地進行調整，可有效地避免人為選擇閥值的盲目性，能夠增強區(qū)域生長的自適應性。
在上述基于區(qū)域生長初始化的水平集海馬圖像分割方法中，所述的生長準則的計算公式為：
公式中，ξ為標準差σglobal的權重。
在上述基于區(qū)域生長初始化的水平集海馬圖像分割方法中，步驟s3包含下列子步驟：
s3①將區(qū)域生長結果中的空洞區(qū)域進行填充；
s3②對圖像中的目標進行標記；
s3③對標記區(qū)域實施開運算；
s3④提取圖像中心點所在的連通區(qū)域；
s3⑤獲取連通區(qū)域的輪廓；
s3⑥提取連通區(qū)域的凸多邊形輪廓。
在上述基于區(qū)域生長初始化的水平集海馬圖像分割方法中，步驟s4包含下列子步驟：
s4①建立水平集演化方程：
公式中，φ為水平集函數(shù)，i(x)為初始圖像，λ、ν、μ、τ分別為長度項、面積項、正則項和全局高斯分布擬合能量項的權重系數(shù)，div為曲線的曲率，δε(g)和hε(g)分別為dirac函數(shù)δ(z)和heaviside函數(shù)h(z)的近似表達式，其計算公式為：
g為邊緣指示函數(shù)，其計算公式為：
公式中，
e1、e2為全局高斯分布擬合能量項，其計算公式為：
公式中，ui為灰度圖像的全局均值，σi為灰度圖像的全局標準差，其計算公式為：
s4②利用生長準則算法和形態(tài)學操作的結果來初始化水平集函數(shù)φ(x,y,t)＝0；
s4③初始化參數(shù)μ、λ、ν、τ、ε、σ、δt；
s4④更新e1、e2；
s4⑤利用有限差分法，更新水平集函數(shù)φ；
s4⑥判斷水平集演化曲線是否滿足收斂準則，若沒有，并轉到步驟s4④繼續(xù)計算，直到滿足終止條件。
與現(xiàn)有技術相比，本基于區(qū)域生長初始化的水平集海馬圖像分割方法具有以下優(yōu)點：利用生長算法與形態(tài)學操作來獲取海馬的大致輪廓，然后以此輪廓曲線作為先驗知識，結合圖像的梯度信息及全局區(qū)域信息來構造曲線演化的能量方程，在保證分割結果準確性的同時進一步提高分割方法的精度。
附圖說明
圖1為本發(fā)明所涉及方法的流程框圖；
圖2為自適應區(qū)域生長的流程圖；
圖3為自適應區(qū)域生長及形態(tài)學處理得到的結果：(a)為人腦mr原始圖像，(b)為對應的海馬剪切圖像，(c)為自適應區(qū)域生長結果，(d)為連通區(qū)域的邊界，(e)為連通區(qū)域的凸多邊形輪廓；
圖4為人腦mr圖像與海馬剪切圖像之間的灰度直方圖比較：(a)為人腦mr原始圖像的灰度直方圖，(b)為對應海馬剪切圖像的灰度直方圖；
圖5為li方法和改進水平集算法處理的結果：(a)為人腦mr原始圖像，(b)為li方法海馬輪廓提取結果，(c)為利用改進水平集算法處理后的結果，(d)為醫(yī)生手工勾畫結果；
圖6為改進模型對其它組織的分割結果。
具體實施方式
以下是本發(fā)明的具體實施例并結合附圖，對本發(fā)明的技術方案作進一步的描述，但本發(fā)明并不限于這些實施例。
如圖1和圖2所示，一種基于區(qū)域生長初始化的水平集海馬圖像分割方法，包括下列步驟：
步驟s1：如圖3(a)輸入原始圖像，如圖3(b)從全部海馬結構的原始圖像中選取一種子點，如圖4由種子點分割出包含全部海馬結構區(qū)域的剪切圖像，并對種子點區(qū)域內的灰度均值進行計算；
步驟s2：利用生長準則計算種子點與種子點3×3鄰域像素的相似性，把具有相同或相似灰度值的像素歸類到種子像素所在的區(qū)域，并對新得到的像素重復利用自適應區(qū)域生長準則計算，直到?jīng)]有新的像素點被吸納進來，算法結束，生長結果如圖3(c)；
步驟s3：運用形態(tài)學操作去除個別像素點的橋接及分支存在的干擾，得到有序的海馬輪廓線。
步驟s4：以得到有序的海馬輪廓線的基礎上，融入全局高斯概率信息，利用改進的水平集算法實現(xiàn)海馬區(qū)域的分割，驅動輪廓曲線向目標靠近并在海馬邊界處停止。
在上述基于區(qū)域生長初始化的水平集海馬圖像分割方法中，在步驟s1中，所述的種子點區(qū)域內灰度均值的計算公式為：
式中，
一般情況下，可直接運用種子像素的灰度均值來設計區(qū)域生長算法的生長準則。但是，當n＝1時(n表示種子區(qū)域內像素點的數(shù)目)，海馬區(qū)域因為噪聲點的存在，生長的結果就極有可能出現(xiàn)一定的偏差。此時，需要求出種子像素鄰域內的灰度均值，用它來替代種子區(qū)域內的灰度均值，這樣就盡可能地避免種子點的誤選和噪聲點對生長結果產(chǎn)生的影響。
在上述基于區(qū)域生長初始化的水平集海馬圖像分割方法中，在步驟s1中，選用剪切圖像區(qū)域內像素灰度的標準差作為生長的閥值，剪切圖像區(qū)域內的灰度均值
公式中，m×n為剪切圖像的大小。
采用這樣的方法生長閥值就可以根據(jù)圖像本身的灰度特征自適應地進行調整，可有效地避免人為選擇閥值的盲目性，能夠增強區(qū)域生長的自適應性。
在上述基于區(qū)域生長初始化的水平集海馬圖像分割方法中，所述的生長準則的計算公式為：
公式中，ξ為標準差σglobal的權重。
在上述基于區(qū)域生長初始化的水平集海馬圖像分割方法中，步驟s3包含下列子步驟：
s3①將區(qū)域生長結果中的空洞區(qū)域進行填充；
s3②對圖像中的目標進行標記；
s3③對標記區(qū)域實施開運算；
s3④提取圖像中心點所在的連通區(qū)域；
s3⑤獲取連通區(qū)域的輪廓，如圖3(d)；
s3⑥提取連通區(qū)域的凸多邊形輪廓，如圖3(e)。
在上述基于區(qū)域生長初始化的水平集海馬圖像分割方法中，步驟s4包含下列子步驟：
s4①建立水平集演化方程：
公式中，φ為水平集函數(shù)，i(x)為初始圖像，λ、ν、μ、τ分別為長度項、面積項、正則項和全局高斯分布擬合能量項的權重系數(shù)，div為曲線的曲率，δε(g)和hε(g)分別為dirac函數(shù)δ(z)和heaviside函數(shù)h(z)的近似表達式，其計算公式為：
g為邊緣指示函數(shù)，其計算公式為：
公式中，
e1、e2為全局高斯分布擬合能量項，其計算公式為：
公式中，ui為灰度圖像的全局均值，σi為灰度圖像的全局標準差，其計算公式為：
s4②利用生長準則算法和形態(tài)學操作的結果來初始化水平集函數(shù)φ(x,y,t)＝0；
s4③初始化參數(shù)μ、λ、ν、τ、ε、σ、δt；
s4④更新e1、e2；
s4⑤利用有限差分法，更新水平集函數(shù)φ；
s4⑥判斷水平集演化曲線是否滿足收斂準則，如果沒有，并轉到步驟s4④繼續(xù)計算，直到滿足終止條件。
為了定量地比較各模型的分割精度，采用假陰性率(falsenegativeratio，fnr)、分割錯誤率(ratioofsegmentationerror，rse)、dice相似性系數(shù)(dicesimilaritycoefficient，dsc)來衡量每個方法的分割精度，計算公式如下：
公式中，n(*)表示封閉區(qū)域內像素點的個數(shù)。fnr、rse的值越接近0，dsc的值越接近1，表示圖像的分割精度就越高。
表1提供了各算法對圖5中海馬圖像分割結果的量化評估，通過定量比較可知，改進模型在所有圖像中所獲得的dsc值是最高的，說明本發(fā)明所述方法在精度上優(yōu)于li算法。
表1各算法分割海馬圖像的精度比較(圖像從左到右編號)
li方法與改進模型在海馬輪廓提取時所需要的時間和迭代次數(shù)見表2。由于各算法初始化所需的時間相同(約5s)，因此在表2中不作統(tǒng)計。從表中可以看出，兩種算法所需的時間和迭代次數(shù)差別不大，幾乎可以忽略不計，而醫(yī)生在高分辨率薄層上勾畫海馬輪廓則耗時較長(平均在30s左右)，分割效率較低。故本發(fā)明所述方法在精度和效率上都有一定的優(yōu)勢，便于實現(xiàn)臨床實時應用。
表2圖4-9中各模型的分割時間和迭代次數(shù)
本發(fā)明實施例模型對對其它組織的分割結果如圖6所示。
本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術領域的技術人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權利要求書所定義的范圍。
盡管本文使用了較多術語，但并不排除使用其它術語的可能性。使用這些術語僅僅是為了更方便地描述和解釋本發(fā)明的本質；把它們解釋成任何一種附加的限制都是與本發(fā)明精神相違背的。
- 還沒有人留言評論。精彩留言會獲得點贊！