一種融合邊緣和區(qū)域特征的ct圖像中主動脈的分割方法
【專利摘要】本發(fā)明一種融入邊緣和區(qū)域特征的CT圖像中主動脈的分割方法，融入邊緣和區(qū)域特征，借助水平集思想，能得到清晰準確的目標輪廓，實現(xiàn)CT圖像中主動脈的分割，運行速度非常快且分割結(jié)果準確，較好地解決了CT圖像中主動脈的提取問題，為醫(yī)學(xué)診斷提供一個參考。
【專利說明】
一種融合邊緣和區(qū)域特征的CT圖像中主動脈的分割方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于水平集方法融合圖像邊緣 和區(qū)域特征的CT圖像中主動脈的分割方法。
【背景技術(shù)】
[0002] 圖像分割是圖像處理中的一項關(guān)鍵技術(shù)。CT(Computed Tomography即計算機斷層 掃描)能夠提供高分辨率高質(zhì)量的CT圖像。CT圖像對醫(yī)學(xué)組織器官的解剖結(jié)構(gòu)和功能作了 準確的描述。將CT圖像中醫(yī)生感興趣的區(qū)域提取出來可以方便醫(yī)生的臨床診斷和手術(shù)治 療。CT圖像不同于一般網(wǎng)絡(luò)圖像，其成像機理復(fù)雜，數(shù)據(jù)特殊，傳統(tǒng)的一些分割方法已無法 滿足其圖像分割的需要。
[0003] 盡管醫(yī)學(xué)圖像分割的研究眾多，終究沒找到一種具有普適性的分割方法。對于CT 圖像中主動脈的分割，孫浩、陸雪松、劉海華等人在論文《CT圖像中的主動脈分割方法》中提 出聯(lián)合CV模型邊界的區(qū)域分割算法，該算法以基于種子點的區(qū)域生長作為區(qū)域分割的生長 方式，以CV模型得到的最終演化輪廓曲線為約束條件，兩者結(jié)合來達到分割主動脈區(qū)域的 目的。該方法對清晰度高噪音少的完整的主動脈可以較精確的分割出來，但是一旦圖像有 噪聲，或者出現(xiàn)主動脈夾層現(xiàn)象，效果便不太理想。沈陽市第四人民醫(yī)院在其申請的專利 "一種基于延展性主動輪廓模型的眼底圖像血管分割方法"（專利申請?zhí)朇N201510274619， 公開號CN104867151A)中公開了一種利用眼底血管呈線狀這一特征構(gòu)建方向場，采用延展 性主動輪廓分割模型對眼底血管進行分割的方法，該方法利用了血管的特性，卻不適合用 于主動脈的分割。因此，我們需要找到一種精確度高，適應(yīng)性強的適用于主動脈的分割方 法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于針對上述現(xiàn)有的方法不適于主動脈分割的應(yīng)用，提出一種融入 邊緣和區(qū)域特征的CT圖像中主動脈的分割方法。
[0005] 本發(fā)明一種融合邊緣和區(qū)域特征的CT圖像中主動脈的分割方法，包括如下步驟：
[0006] 步驟1、構(gòu)建傳統(tǒng)CV模型的能量函數(shù)E:
[0007] 設(shè)圖像定義域為Ω的分割圖像I(x，y)被閉合輪廓線C劃分為兩個同質(zhì)區(qū)域，即閉 合輪廓線C的內(nèi)部和外部，各區(qū)域的平均灰度值分別為&和(： 2，能量泛函E(C)可表示如下：
[0008]
⑴
[0009] 其中，x，y為像素點在圖像中的橫縱坐標；
[0010] 若閉合輪廓線C位于分害_像1&，7)的實際邊界(：〇的外部時』怔1(〇>0而(〇~ 〇,若閉合輪廓線C位于分割圖像I(x，y)的實際邊界Co的內(nèi)部時，則E 1(C)~0，E2(C)>0;若閉 合輪廓線C跨越分割圖像的實際邊界Co的內(nèi)外部，E 1(C)XhE2(C)X);若閉合輪廓線C位于 分割圖像I(x，y)的實際邊界Co上時，E 1(C)~0，E2(C)~0,當閉合輪廓線C與實際邊界Co重合 時，E(C)取得最小值；
[0011]在上式能量泛函E(C)中加入長度懲罰項μ，得到CV水平集模型的能量函數(shù)EW1, C2)為：
[0012]
[0013]其中，Length(C)表示閉合輪廓線C的長度，Pj1J2是各個能量項權(quán)重的預(yù)置系數(shù)， μ ^ 0，λι、入2 > 0;
[0014] 為了求得能量函數(shù)EW1, C2)的最小值，使用水平集的思想，將未知的演化曲線C， 即上述提到的閉合輪廓曲線C，用水平集函數(shù)Φ(χ， 7)來代替，并且設(shè)定如果點(x，y)在演化 曲線C的內(nèi)部，則水平集函數(shù)Φ (X，y )>0;如果點（X，y)在演化曲線C的外部時，則水平集函 數(shù)Mx，y)<〇;而如果點（x，y)恰好在演化曲線C上面時，則Φ(χ，γ) = 〇,通過引入水平集函 數(shù)Φ (x，y)，能量泛函E(C)可被重寫為如下的形式：
[0015]
[0016] 上式中，V為梯度符號，即表示分別對函數(shù)Φ(χ，γ)中的x，y求導(dǎo)，Ηε(ζ_δε( ζ)分 別是海氏函數(shù)H(Z)和狄拉克函數(shù)δ(ζ)的正則化形式，海氏函數(shù)H(Z)的正則化形式Η ε(ζ)為：
[0017]
[0018]
[0019]
[0020] 上式中ε為正則化參數(shù)；
[0021] 步驟2、在傳統(tǒng)CV模型中加入能量懲罰項，使得水平集函數(shù)Φ(Χ，7)在演化過程中 保持為近似的符號距離函數(shù)，避免重新初始化水平集函數(shù)，此能量懲罰項表達式為：
[0022]
(6)
[0023] 其中V表示梯度符號
[0024] 步驟3、在傳統(tǒng)CV模型中加入圓形先驗知識約束形變模型的收斂形狀，使曲線的演 化結(jié)果與先驗形狀特征相一致，使用符號距離函數(shù)Φ來隱含表示目標的形狀，構(gòu)造先驗形 狀約束項：
[0025]設(shè)圖像定義域Ω，符號距離函數(shù)φ表示演化曲線，φρ為先驗形狀的符號距離函 數(shù)，則形狀先驗?zāi)芰宽棪ウ? Φ，ΦΡ)表示為：
[0026]
[0027] 定義圓形特祉公式為：

[0028]
[0029] 則形狀約束能量泛函Ecircle表示為：
[0030]
(9)
[0031 ]上式中，XQ, yo為圓的圓心坐標，r為圓的半徑，他們隨著曲線的演化也在不斷地變 化；
[0032] 步驟4、綜合上述式(3) (6) (9)構(gòu)造最終的能量函數(shù)E:
[0033]
[0034] 通過固定水平集函數(shù)Φ，對圖像的灰度均值函數(shù)&和&進行求導(dǎo)，通過變分法可以 得到(Μ Φ )和&( Φ )的如下表達形式：
[0037] 利用歐拉-拉格朗日法推導(dǎo)式（10)得到水平集函數(shù)Φ的歐拉-拉格朗日方程，引入 時間變量t后，可以得到如下的水平集演化方程：
[0035] (12)
[0036] (13)
[0038]
[0039] 公式(11)便為最終得到的新的水平集演化方程；
[0040] 步驟5、利用步驟4得到的新的能量函數(shù)E對CT圖像中的主動脈進行分割：
[00411步驟5.1、將輸入的CT圖像序列文件統(tǒng)一轉(zhuǎn)換為.jpg格式，CT圖像屬于中分辨率圖 像(512*512*12)，所以格式轉(zhuǎn)換后的圖像大小為512*512;
[0042] 步驟5.2、讀入步驟5.1中統(tǒng)一格式的CT圖像序列文件，并對第一張圖像進行剪裁 和濾波預(yù)處理，得到初始感興趣區(qū)域；
[0043] 步驟5.3、將步驟5.2得到的初始感興趣區(qū)域圖像的中心設(shè)置為中心點，設(shè)置初始 輪廓線為圓形；
[0044] 步驟5.4、設(shè)置水平集方法的參數(shù)：
[0045] 步驟5.5、迭代求解式(11)的水平集演化方程；
[0046] 步驟5.6、從水平集函數(shù)中提取零水平集，即演化曲線；
[0047] 步驟5.7、設(shè)置水平集自適應(yīng)停止函數(shù)，在水平集演化過程中，演化曲線不斷向目 標輪廓逼近，當演化曲線最終演化到真實輪廓的時候，不管是否到達設(shè)置的迭代次數(shù)，演化 曲線都應(yīng)該停止演化，即如果自適應(yīng)停止函數(shù)得到滿足，算法結(jié)束，則第一張圖像分割完 畢，將分割結(jié)果保存后轉(zhuǎn)步驟5.8，否則返回步驟5.6;
[0048] 步驟5.8、下一張圖像以前一張圖像的分割結(jié)果為依據(jù)，以前一張圖像分割區(qū)域中 心點為中心點，進行感興趣區(qū)域的初始裁剪，并將此點作為初始輪廓線的中心點；
[0049] 步驟5.9、重復(fù)步驟5.3至5.8，其中步驟5.4的參數(shù)設(shè)置在第一次設(shè)置好之后可省 略，待所有CT圖像分割完畢，得到最終的分割結(jié)果。
[0050] 所述步驟5.2得到初始感興趣區(qū)域的具體做法為：使用Matlab中圖像裁剪函數(shù) imcrop將主動脈在CT圖像中的區(qū)域作為感興趣區(qū)域裁剪出來，然后對感興趣區(qū)域進行中值 濾波，去除椒鹽噪聲，得到初始感興趣區(qū)域。
[0051] 所述步驟5.4設(shè)置的水平集方法的參數(shù)為:迭代次數(shù)n = 100,時間步長At = O. 1， 正則化參數(shù)ε = 1，長度懲罰項μ = 0，內(nèi)部能量項權(quán)重參數(shù)λι = 0.5，λ2 = 1，形狀約束項控制 參數(shù)入3=1。
[0052] 采用本發(fā)明的技術(shù)方案，融入邊緣和區(qū)域特征，借助水平集思想，能得到清晰準確 的目標輪廓，實現(xiàn)CT圖像中主動脈的分割，運行速度非?？烨曳指罱Y(jié)果準確，較好地解決了 CT圖像中主動脈的提取問題，為醫(yī)學(xué)診斷提供一個參考。
【具體實施方式】
[0053]本發(fā)明一種融合邊緣和區(qū)域特征的CT圖像中主動脈的分割方法，在傳統(tǒng)CV水平集 模型中融入分割圖像的邊緣特征，加入圓形作為先驗?zāi)芰宽棧瑯?gòu)建出新的能量函數(shù)Ε，其具 體實現(xiàn)步驟如下：
[0054]步驟1、構(gòu)建傳統(tǒng)CV模型的能量函數(shù)E:
[0055] CV模型是一個典型的基于區(qū)域的水平集模型，設(shè)圖像定義域為Ω的分割圖像Ι(χ， y)被閉合輪廓線C劃分為兩個同質(zhì)區(qū)域，即閉合輪廓線C的內(nèi)部和外部，各區(qū)域的平均灰度 值分別為&和&，能量泛函E(C)可表示如下：
[0056]
⑴
[0057]在上式中，x，y分別表示像素點在圖像中的橫縱坐標；
[0058] 若閉合輪廓線C位于分割圖像I(x，y)的實際邊界Co的外部時，則E1(C)X), E2(C)~ 〇,若閉合輪廓線C位于分割圖像I(x，y)的實際邊界Co的內(nèi)部時，則E1(C)~0，E 2(C)>0;若閉 合輪廓線C跨越分割圖像的實際邊界Co的內(nèi)外部，E1(C)XhE 2(C)X);若閉合輪廓線C位于 分割圖像I(x，y)的實際邊界Co上時，E1(C)~0，E 2(C)~0,因此當閉合輪廓線C與實際邊界 Co重合時，E(C)取得最小值；
[00611其中，Length(C)表示閉合輪廓線C的長度，μ彡0山八2>0是各個能量項權(quán)重的系 數(shù)，這些系數(shù)都是預(yù)先設(shè)置好的，一般情況下可固定取P = ^1 = A2 = I;
[0059] 在上式能量泛函E(C)中加入長度懲罰項μ，得到CV水平集模型的能量函數(shù)EW1, C2)為 r
[0060]
[0062] 為了求得能量函數(shù)EW1, C2)的最小值，使用水平集的思想，將未知的演化曲線C， 即上述提到的閉合輪廓曲線C，用水平集函數(shù)Φ(χ， 7)來代替，并且設(shè)定如果點(x，y)在演化 曲線C的內(nèi)部，則水平集函數(shù)Φ (X，y )>0;如果點（X，y)在演化曲線C的外部時，則水平集函 數(shù)Mx，y)<〇;而如果點（x，y)恰好在演化曲線C上面時，則Φ(χ，γ) = 〇,通過引入水平集函 數(shù)Φ(χ.ν)，能量泛函E(C)可被重寫為如下的形式：
[0063]
[0064] 上式中，▽為梯度符號，即表示分別對函數(shù)Φ (x，y)中的x，y求導(dǎo)，Ηε(ζ)和δε(ζ)分 別是海氏(Heaviside)函數(shù)H(Z)和狄拉克(Dirac)函數(shù)δ (ζ)的正則化形式，海氏函數(shù)的作用 是劃分演化區(qū)域，狄拉克函數(shù)的作用是用來限定演化在零水平集函數(shù)周圍取值，在實際問 題中，用數(shù)值方法直接計算海氏函數(shù)較為困難，因此選擇其非緊支撐、光滑和嚴格單調(diào)的正 則化形式ft (Z):
[0065]
[0066] 上式中ε為正則化參數(shù)；
[0067] 而狄拉克函數(shù)δ(ζ)正則化形式δε(ζ)可用下式來計算：
[0068]
[0069] 步驟2、在傳統(tǒng)CV模型中加入能量懲罰項避免重新初始化水平集函數(shù)：
[0070] 在很多情況下，水平集函數(shù)Φ(χ，7)在演化了一段時間之后會發(fā)生震蕩，并漸漸失 去光滑性和距離函數(shù)特性，隨著演化的繼續(xù)，誤差會不斷累積并造成最終的曲線偏離真實 的目標邊緣。在一般水平集方法中，一般會重新初始化水平集函數(shù)。本發(fā)明不采用重新初始 化方式，而是引入一個能量懲罰項，使得水平集函數(shù)Φ(χ，7)在演化過程中保持為近似的符 號距離函數(shù)，此能暈懲罰項由李純明教授在2005年提出，其表達式為：
[0071]
(6)
[0072] 其中▽表示梯度符號 [0073]步驟3、構(gòu)造形狀能量約束項
[0074]在傳統(tǒng)CV模型中加入形狀先驗知識可以約束形變模型的收斂形狀，使曲線的演化 結(jié)果與先驗形狀特征相一致，可以解決非目標區(qū)域信息的干擾，一般使用符號距離函數(shù)Φ 來隱含表示目標的形狀，構(gòu)造先驗形狀約束項：
[0075]設(shè)圖像定義域Ω，符號距離函數(shù)φ表示演化曲線，φρ為先驗形狀的符號距離函 數(shù)，則形狀先驗?zāi)芰宽棪ウ? Φ，ΦΡ)表示為：
[0076] Ερ( Φ , Φρ)=/ω(Η( Φ (x,y))-H( ΦP(x,y)))2dxdy (7)
[0077] 本發(fā)明中，定義圓形特征公式為：
[0078]
[0079]
[0080] ⑶
[0081 ]上式中，xo，yo為圓的圓心坐標，r為圓的半徑，他們隨著曲線的演化也在不斷地變 化；
[0082] 步驟4、綜合式(3) (6) (9)構(gòu)造最終的能量函數(shù)E:
[0083]
[0084] 通過固定水平集函數(shù)Φ，對圖像的灰度均值函數(shù)Ci和C2進行求導(dǎo)，通過變分法可以 得到(Μ Φ )和&( Φ )的如下表達形式：
[0085] (12)
[0086] (⑶
[0087] 利用歐拉-拉格朗日法推導(dǎo)式（10)得到水平集函數(shù)Φ的歐拉-拉格朗日方程，引入 時間變量t后，可以得到如下的水平集演化方程：
[0088]
[0089] 公11)使為最終得到的新的水干集演化萬桎；
[0090] 步驟5、利用步驟4得到的新的能量函數(shù)E對CT圖像中的主動脈進行分割：
[0091] 步驟5.1、將輸入的CT圖像序列文件統(tǒng)一轉(zhuǎn)換為.jPg格式，CT圖像屬于中分辨率圖 像(512*512*12)，所以格式轉(zhuǎn)換后的圖像大小為512*512;
[0092]步驟5.2、讀入步驟5.1中統(tǒng)一格式的CT圖像序列文件，并對第一張圖像進行剪裁 和濾波預(yù)處理，得到初始感興趣區(qū)域，具體為：
[0093]使用Matlab中圖像裁剪函數(shù)imcrop將主動脈在CT圖像中的區(qū)域作為感興趣區(qū)域 裁剪出來，然后對感興趣區(qū)域進行中值濾波，去除椒鹽噪聲，得到初始感興趣區(qū)域；
[0094]步驟5.3、對步驟5.2得到的初始感興趣區(qū)域設(shè)置初始輪廓線：
[0095]本發(fā)明主要依據(jù)基于區(qū)域特征的水平集方法，其基本思想就是利用迭代的方法使 初始輪廓線不斷接近目標邊緣，本發(fā)明中將初始輪廓線設(shè)為圓形，其中心點為初始感興趣 區(qū)域圖像的中心，半徑為10;
[0096I步驟5.4、水平集方法的參數(shù)設(shè)置：
[0097I 設(shè)置本發(fā)明的迭代次數(shù)n = 100，時間步長Λ t = 0.1，正則化參數(shù)ε = 1，長度懲罰項 μ=0，內(nèi)部能量項參數(shù)λι=0. 5，λ2 = 1，形狀約束項控制參數(shù)λ3 = 1;
[0098]步驟5.5、迭代求解式(11)的水平集演化方程；
[0099]步驟5.6、從水平集函數(shù)中提取零水平集，即演化曲線；
[0100] 步驟5.7、設(shè)置水平集自適應(yīng)停止函數(shù)，判斷自適應(yīng)停止函數(shù)是否得到滿足，如果 滿足，算法結(jié)束，則第一張圖像分割完畢，將分割結(jié)果保存后轉(zhuǎn)步驟5.8，否則返回步驟5.6:
[0101] 在水平集演化過程中，演化曲線不斷向目標輪廓逼近，當演化曲線最終到達真實 輪廓的時候，曲線應(yīng)該停止演化;本發(fā)明設(shè)計一種自適應(yīng)停止函數(shù)使得演化曲線到達邊緣 處，不管是否到達設(shè)置的迭代次數(shù)都要停止演化，其設(shè)計原理為當演化曲線接近邊緣區(qū)域 的時候，演化速度會變慢，因此當曲線長度變化的絕對值在一個給定的迭代次數(shù)里一直小 于某個事先設(shè)置的閾值，則水平集演化應(yīng)終止；
[0102] 步驟5.8、下一張圖像以前一張圖像的分割結(jié)果為依據(jù)，以前一張圖像分割區(qū)域中 心點為中心點，進行感興趣區(qū)域的初始裁剪，并將此點作為初始輪廓線的中心點；
[0103] 步驟5.9、重復(fù)步驟5.3至5.8,其中步驟5.4的參數(shù)設(shè)置在第一次設(shè)置好之后可省 略，待所有CT圖像分割完畢，得到最終的分割結(jié)果。
[0104]以上所述，并非對本發(fā)明的技術(shù)范圍作任何限制，故凡是依據(jù)本發(fā)明的技術(shù)實質(zhì) 對以上實施例所作的任何細微修改、等同變化與修飾，均仍屬于本發(fā)明技術(shù)方案的范圍內(nèi)。
【主權(quán)項】
1. 一種融合邊緣和區(qū)域特征的CT圖像中主動脈的分割方法，其特征在于包括如下步 驟： 步驟1、構(gòu)建傳統(tǒng)CV模型的能量函數(shù)E: 設(shè)圖像定義域為Ω的分割圖像I(x，y)被閉合輪廓線C劃分為兩個同質(zhì)區(qū)域，即閉合輪 廓線C的內(nèi)部和外部，各區(qū)域的平均灰度值分別為&和(：2，能量泛函E(C):其中，x，y為像素點在圖像中的橫縱坐標； 若閉合輪廓線C位于分割圖像I(x，y)的實際邊界Co的外部時，則EKOX^EKC)~0,若 閉合輪廓線C位于分割圖像I(x，y)的實際邊界Co的內(nèi)部時，則ΕΚΟΟ,ΕΚΟΧ);若閉合輪 廓線C跨越分割圖像的實際邊界Co的內(nèi)外部，EKOXhEdOX);若閉合輪廓線C位于分割 圖像I (X，y)的實際邊界Co上時，EKC)~0，E2(C)~0，當閉合輪廓線C與實際邊界Co重合時，E (C)取得最小值； 在上式能量泛函E(C)中加入長度懲罰項μ，得到CV水平集模型的能量函數(shù) 為：其中，Length(C)表示閉合輪廓線C的長度，是各個能量項權(quán)重的預(yù)置系數(shù)，μ^： 〇，入1、入2>0 ; 為了求得能量函數(shù)的最小值，使用水平集的思想，將未知的演化曲線C，即上 述提到的閉合輪廓曲線C，用水平集函數(shù)Φ (x，y)來代替，并且設(shè)定如果點（x，y)在演化曲 線C的內(nèi)部，則水平集函數(shù)Φ (X，y) >0;如果點(X，y)在演化曲線C的外部時，則水平集函數(shù) ?。?，7)<〇;而如果點(義，7)恰好在演化曲線(：上面時，則?。?，7)=〇，通過引入水平集函數(shù) Φ (x，y)，能量泛函E(C)可被重寫為如下的形式：上式中，▽為梯度符號，即表示分別對函數(shù)Φ(χ，7)中的x，y求導(dǎo)，Ηε(ζΜΡδε( ζ)分別是 海氏函數(shù)Η(ζ)和狄拉克函數(shù)δ(ζ)的正則化形式，海氏函數(shù)Η(ζ)的正則化形式Ηε(ζ)為：狄拉克函數(shù)W ζ)正則化形式δε (ζ)為：上式中ε為正則化參數(shù)； 步驟2、在傳統(tǒng)CV模型中加入能量懲罰項，使得水平集函數(shù)Φ(Χ，7)在演化過程中保持 為近似的符號距離函數(shù)，避免重新初始化水平集函數(shù)，此能量懲罰項表達式為： 其中▽表示梯度符號步驟3、在傳統(tǒng)CV模型中加入圓形先驗知識約束形變模型的收斂形狀，使曲線的演化結(jié) 果與先驗形狀特征相一致，使用符號距離函數(shù)Φ來隱含表示目標的形狀，構(gòu)造先驗形狀約 束項： 設(shè)圖像定義域Ω，符號距離函數(shù)Φ表示演化曲線，ΦΡ為先驗形狀的符號距離函數(shù)，則形 狀先驗?zāi)芰宽棪ウ? Φ，ΦΡ)表示為： Ερ( Φ , Φρ) = /ω(Η( Φ (x,y))-H( ΦΡ(χ,γ)))2?χ?γ (7) 定義圓形特征公式為：則形狀約束能量泛函Ecircle表示為：上式中，xq , yo為圓的圓心坐標，:r為圓的半徑，他們隨著曲線的演化也在不斷地變化； 步驟4、綜合上述式(3) (6) (9)構(gòu)造最終的能量函數(shù)E:通過固定水平集函數(shù)Φ，對圖像的灰度均值函數(shù)&和(：2進行求導(dǎo)，通過變分法可以得到 Cl( Φ )和C2( Φ )的如下表達形式：利用歐拉-拉格朗日法推導(dǎo)式（10)得到水平集函數(shù)Φ的歐拉-拉格朗日方程，引入時 間變量t后，可以得到如下的水平集演化方程：公式(11)便為最終得到的新的水平集演化方程； 步驟5、利用步驟4得到的新的能量函數(shù)E對CT圖像中的主動脈進行分割： 步驟5.1、將輸入的CT圖像序列文件統(tǒng)一轉(zhuǎn)換為.jpg格式，CT圖像屬于中分辨率圖像， 分辨率為512*512*12，則格式轉(zhuǎn)換后的圖像大小為512*512; 步驟5.2、讀入步驟5.1中統(tǒng)一格式的CT圖像序列文件，并對第一張圖像進行剪裁和濾 波預(yù)處理，得到初始感興趣區(qū)域； 步驟5.3、將步驟5.2得到的初始感興趣區(qū)域圖像的中心設(shè)置為中心點，設(shè)置初始輪廓 線為圓形； 步驟5.4、設(shè)置水平集方法的參數(shù)： 步驟5.5、迭代求解式(11)的水平集演化方程； 步驟5.6、從水平集函數(shù)中提取零水平集，即演化曲線； 步驟5.7、設(shè)置水平集自適應(yīng)停止函數(shù)，在水平集演化過程中，演化曲線不斷向目標輪 廓逼近，當演化曲線最終到達真實輪廓的時候，不管是否到達設(shè)置的迭代次數(shù)，演化曲線應(yīng) 該停止演化，即自適應(yīng)停止函數(shù)如果得到滿足，算法結(jié)束，則第一張圖像分割完畢，將分割 結(jié)果保存后轉(zhuǎn)步驟5.8，否則返回步驟5.6; 步驟5.8、下一張圖像以前一張圖像的分割結(jié)果為依據(jù)，以前一張圖像分割區(qū)域中心 點為中心點，進行感興趣區(qū)域的初始裁剪，并將此點作為初始輪廓線的中心點； 步驟5.9、重復(fù)步驟5.3至5.8,其中步驟5.4的參數(shù)設(shè)置在第一次設(shè)置好之后可省略，待 所有CT圖像分割完畢，得到最終的分割結(jié)果。2. 根據(jù)權(quán)利要求1所述一種融入邊緣和區(qū)域特征的CT圖像中主動脈的分割方法，其特 征在于，所述步驟5.2得到初始感興趣區(qū)域的具體做法為：使用Matlab中圖像裁剪函數(shù) imcrop將主動脈在CT圖像中的區(qū)域作為感興趣區(qū)域裁剪出來，然后對感興趣區(qū)域進行中值 濾波，去除椒鹽噪聲，得到初始感興趣區(qū)域。3. 根據(jù)權(quán)利要求1所述一種融入邊緣和區(qū)域特征的CT圖像中主動脈的分割方法，其特 征在于，所述步驟5.4設(shè)置的水平集方法的參數(shù)為:迭代次數(shù)11=100，時間步長八1 = 0.1，正 則化參數(shù)ε = 1，長度懲罰項μ = 0，內(nèi)部能量項權(quán)重參數(shù)λι = 0.5，λ2 = 1，形狀約束項控制參數(shù) 入3 = 1 〇
【文檔編號】G06T7/00GK106056576SQ201610319535
【公開日】2016年10月26日
【申請日】2016年5月13日
【發(fā)明人】駱炎民, 楊珺, 柳培忠
【申請人】華僑大學(xué), 泉州市中仿宏業(yè)信息科技有限公司