一種圖像分割方法
【技術領域】
[0001] 本發明涉及圖像分割技術領域，尤其涉及一種基于計算機斷層掃描（Computed Tomography，CT)的腫瘤分割方法。
【背景技術】
[0002] 計算機斷層掃描（Computed Tomography，CT)已廣泛應用于癌癥的研宄、預防、診 斷和治療中。為了確診病灶、并給病人提供有效的治療方案，醫生可能需要通過計算機斷層 掃描影像來了解腫瘤的體積大小。傳統方法下，醫師通常需要在CT圖像上逐層手工標定腫 瘤區域的輪廓，然后統計得到腫瘤的體積大小。然而，這個過程較為枯燥且耗時。
[0003] 肝癌是全世界范圍內最常見的癌癥之一，且致死率在所有癌癥中排第三位。CT圖 像中，肝腫瘤與其周圍正常肝組織的對比度很小，且圖像噪聲比較嚴重，腫瘤邊緣也比較模 糊，不同腫瘤的形狀大小也存在較大的差異，因此，通過傳統手工方法獲得的腫瘤體積大小 存在較大誤差。
[0004] 近些年來，研宄者們開發出不同的半自動和全自動的肝組織分割方法，包括全肝、 肝血管和肝腫瘤之間的分隔。Metaxas等人結合Markov隨機場（Markov Random Field) 和可變模型來分割出腫瘤（可參見文獻：Chen T, Metaxas D, A hybrid framework for 3D medical image segmentation. Med Image Anal 9:547 - 565,2005)。Peitgen 等 人提出了一種半自動區域增長的方法用于分割肝血管和腫瘤（可參見文獻=Bourquain H, Schenk A, Link F,Preim B,Prause G, Peitgen H, Hepavision2a software assistant for preoperative planning in living related liver transplantation and oncologic liver surgery. In:Proceedings of the 16th Conference on Computer Assisted Radiology and Surgery(CARS'02),pp341 - 346, 2002)。以上這兩種方法都需要在 CTA 圖像 上逐層手動選取大量的種子點，從而限制了它們在臨床上的應用。Grady等人提出了一種基 于模糊連通和Random Walk結合的3D肝腫瘤分割方法，該方法只需要用戶提供一個腫瘤區 域內的種子點即可（可參見文獻：J〇lly M-P, Grady L, 3D general lesion segmentation in CT. In:Proceedings of the 5th IEEE International Symposium on Biomedical Ima ging(ISBI'08), IEEE, pp796 - 799, 2008)。這種方法的不足之處在于，對于對比度較弱、邊緣 比較模糊的腫瘤，分割效果不理想。Freiman等人則提出了一種基于SVM分類的監督學習方 法，主要包括肝分割、腫瘤和正常組織種子點選取、SVM分類及后處理，在SVM分類的過程中 利用到的特征是每個體素點5X5X5鄰域內灰度平均值、標準差、最大值和最小值（可參見 文獻：Moti Freiman, Ofir Cooper, Liver tumors segmentation from CTA images using voxels classification and affinity constraint propagation. Int J CARS, 2010)〇 這 種方法的不足之處在于需要手動點選取腫瘤和正常組織的種子點，交互方式較為繁瑣，用 于訓練的特征對噪聲較為敏感，而CT圖像中肝區域顆粒狀較為明顯，噪聲重。
[0005] 因此，亟需一種魯棒、方便、分割效果佳的電腦輔助的CT腫瘤分割方法。
【發明內容】
[0006] 本發明的目的在于幫助用戶通過簡單的交互方式來準確、快速地分割出CT圖像 腫瘤（例如：肝腫瘤），準確地得到腫瘤的體積、輪廓、灰度等信息。
[0007] 在一個實施例中，本發明提供了一種圖像分割方法。該方法包括：
[0008] 在所述圖像上確定腫瘤所在的感興趣區域；
[0009] 利用基于特征分類的方法對圖像進行腫瘤粗分割，并獲得粗分割結果；
[0010] 基于該粗分割結果，采用水平集方法對該圖像進行精分割。在一個實施例中，所述 基于特征分類的方法對圖像進行腫瘤粗分割包括：
[0011] 在所述感興趣區域內，分別對腫瘤區域和非腫瘤區域采樣種子點；
[0012] 利用所述采樣種子點進行分類訓練；
[0013] 基于該分類訓練結果，對所述圖像的各個體素點進行分類以獲得粗分割結果。
[0014] 在一個實施例中，確定圖像上腫瘤區域所在的感興趣區域包括：
[0015] 在一腫瘤橫截面面積較大的一層劃定一條穿過該腫瘤的第一直線，該第一直線長 度為Cl 1，以該第一直線的中點為中心劃取邊長為(12的正方體，該正方體所包含的區域為該 感興趣區域，其中d 2= d i · r,且l〈r〈2。
[0016] 在一個實施例中，對腫瘤區域和非腫瘤區域采樣種子點包括：
[0017] 以第一直線的中點為中心，在直徑小于d3的區域內隨機采樣多個正樣本種子點， 其中d3= d /1，且1大于1 ;
[0018] 以第一直線的中點為中心，在以直徑大于Cl1 并小于Cl1 ·!的外圍區域內隨機采 樣多個負樣本種子點，其中l〈t〈r。
[0019] 在一個實施例中，該利用所述采樣種子點進行分類訓練包括：
[0020] 將該圖像灰度級歸一化為固定值S ;
[0021] 統計以每個種子點為中心、直徑為j個像素點的鄰域內的歸一化的S維灰度直方 圖特征；
[0022] 將所述S維灰度直方圖特征用于訓練和分類，以獲得分類器的參數。
[0023] 在一個實施例中，所述對圖像的各個體素點進行分類以獲得粗分割結果包括：
[0024] 獲得所述圖像中的每個體素點的灰度直方圖特征；
[0025] 利用所述分類器對所述每個體素點進行分類，初步判斷所述每個體素點是否屬于 腫瘤組織。
[0026] 在一個實施例中，所述采用水平集方法對該圖像進行精分割包括：
[0027] 利用所述粗分割結果初始化距離場函數；
[0028] 對所述距離場函數進行多次次迭代；
[0029] 獲得最終的腫瘤精分割結果。
[0030] 在一個實施例中，在對腫瘤區域和非腫瘤區域采樣種子點之前還包括：
[0031] 對該感興趣區域做預處理。
[0032] 在一個實施例中，所述預處理包括：
[0033] 將所述圖像的X軸、Y軸、Z軸方向上的分辨率進行歸一化處理；
[0034] 增強所述圖像的對比度；
[0035] 對所述圖像進行去噪處理。
[0036] 在一個實施例中，所述灰度直方圖特征包含結構信息。
[0037] 在一個實施例中，所述腫瘤為肝腫瘤。
[0038] 在一個實施例中，所述圖像為基于計算機斷層掃描圖像。
【附圖說明】
[0039] 本發明的以上
【發明內容】
以及下面的【具體實施方式】在結合附圖閱讀時會得到更好