基于先驗信息的隨機游走ct肺組織圖像自動分割方法
【技術領域】
[0001] 本發明屬于圖像處理技術領域，涉及一種基于先驗信息的隨機游走CT肺組織圖 像自動分割方法。
【背景技術】
[0002] 肺組織分割是利用計算機輔助診療系統檢測肺部疾病首要必須進行的關鍵技術 步驟，直接影響后續的檢測分析結果。研宄表明，5% -7%的肺部疾病漏檢均與肺組織的不 精確分割相關。計算機斷層掃描（ComputerTomography，CT)是目前臨床計算機肺部疾病 輔助檢測中較為常見的技術之一，然而，由于生物組織的多樣性，以及成像設備的內在不確 定性，CT橫斷掃描獲取的切片圖像出現了一定的模糊度，使得計算機自動分割技術面臨很 大的難題。因此，CT肺組織圖像的自動準確分割對于提高基于CT掃描的計算機肺部疾病 輔助診療系統的性能具有重要意義。
[0003] 近年來，國內外學者對肺組織圖像分割做了大量研宄。比較經典的，就是根據圖像 灰度進行分割，傳統閾值法可以很好地實現肺組織圖像分割，與此同時，卻未能有效的去除 軀干外氣管/支氣管等區域。采用人工交互選取種子點以及生長規則的區域增長法，能夠 正確分割CT肺組織圖像，并且可以很好的保留圖像彌漫性區域，但此方法在噪聲處易產生 空洞和過分割。基于活動輪廓模型的肺組織圖像分割方法，通過閉合曲線能量最小化，動態 向目標邊界逼近以完成分割，雖然可以較好的保留肺組織圖像細節，但當肺組織邊界較弱 或者有裂縫時，就有可能發生邊緣漏檢，且其對初始輪廓位置要求比較高，計算時間較長。 這些根據圖像灰度、區域以及邊緣信息的單一算法，難以滿足臨床應用中大量CT切片自動 高效的分割需求。結合多種單一分割方法優點的集成分割方法應運而生，基于閾值分割與 數學形態滾球法相結合的方法，在閾值法獲得一個初始的肺部區域后，使用數學形態滾球 法來矯正初次形成的錯誤邊界。
[0004] 最近幾年，根據圖優化實現的隨機游走方法，通過交互式輸入種子節點，在圖像精 確分割方面表現優異，逐漸引起人們濃厚興趣。雖然該方法在圖像精確分割方面有很好的 表現，但是它卻需要人工交互選擇初始種子點，且對種子點的個數與位置異常敏感。實驗表 明，即使分割中的種子點個數與位置有很小的變化，結果也會有很大差異。
【發明內容】
[0005] 本發明的目的是提供一種基于先驗信息的隨機游走CT肺組織圖像自動分割方 法，該分割方法解決了現有隨機游走技術中采用人工交互選取種子點所造成的分割肺組織 圖像受種子點個數與位置影響較大的技術問題。
[0006] 本發明所采用的技術方案是，基于先驗信息的隨機游走CT肺組織圖像自動分割 方法，包括以下步驟：
[0007] 步驟1，輸入原始CT圖像，將輸入的CT圖像進行二進離散小波變換，得到圖像M;
[0008] 步驟2,對步驟1中得到的圖像M采用基于熵率的超像素方法進行胸部區域提取， 圖像M提取胸部區域處理后得到圖像T;
[0009] 步驟3,利用解剖學知識引導的先驗信息，獲取步驟2中圖像T的種子點個數與位 置，通過獲取的種子點進行隨機游走分割得到肺實質部分的初始輪廓；
[0010] 步驟4 :通過曲率矯正算法對步驟3中得到的肺實質初始輪廓進行局部誤分割區 域的修復。
[0011] 本發明的特點還在于，
[0012] 步驟1的具體過程為：
[0013] 步驟1. 1，在二維情況下，選取三個不同空間方向的小波函數進行二進離散小波變 換，分別為水平方向的小波函數步i(x，y)、垂直方向的小波函數It2 (x，y)、對角線方向的小 波函數步3 (x，y)，CT圖像f(x，y)的小波變換為：
[0015] 其中，n= 1，2,3 ;j表示尺度；!T(x，y)中，采用三次B樣條的一階導數作為小波 函數，則CT圖像f(x，y)表示為
的對偶小波函數，歹，匕）為0(6，匕）的對偶尺度 函數，V1:2表示不同時域，u^七表示不同頻域；
[0018] 當CT圖像f(x，y)被二維二進制離散小波快速分解后，得到一系列不同分辨率的 子圖像，具體表達式如下：
[0020] 其中，0彡j彡J=log2N，hk和gk分別是小波函數的低通濾波器和高通濾波器，1、 k表示低通濾波器和高通濾波器的不同采樣過程，m、n表示CT圖像的行和列，a#1為低頻子 圖，CF+1'1為水平方向的高頻子圖，cM_+1'22垂直方向的高頻子圖，cF_+1'3為對角線方向的高頻子 圖；
[0021] 步驟1. 2,令j= 2,對低頻子圖f1進行直方圖均衡化來提高CT圖像的灰度對比 度；對水平方向的高頻子圖CF+1'1、垂直方向的高頻子圖cF_+1'2、對角線方向的高頻子圖cF_+1'3 進行高斯濾波平滑以去除CT圖像的噪聲；
[0022]步驟1. 3,對經過步驟1. 2處理后的CT圖像根據步驟1. 1中所述迭代雙通道濾波 器的逆過程采用公式（4)進行圖像重建，圖像重建后得到圖像M，公式（4)表達式如下：
[0024]其中步驟2的具體過程為：
[0025]步驟2. 1，令圖G1=(VpED上熵率超像素的目標函數為：
[0026]maxH(A) + 入B(A) (5)；
[0027] 其中H(A)表示圖G1=(VEJ上隨機游走的熵率，B(A)表示平衡項，A是選擇的 邊集，Ei為總邊集；A彡〇是平衡系數；
[0028] 步驟2. 2,將步驟2. 1中圖Gf(VpED中每個頂點看作是一個單獨的子圖集，每 個所述子圖集上標記不同的子圖集號，初始化所述A=巾；使用公式（5)中的目標函數通 過歐氏距離來計算所述圖G1=(VpEjlEi中各條邊的函數值；
[0029] 步驟2. 3,從步驟2. 2計算出的函數值中選擇函數值最大的邊加入A中，并從Ei* 減去這條函數值最大的邊，將得到的所述函數值最大的邊兩端的子圖集合并成一個；
[0030] 步驟2. 4,以步驟2. 3中函數值最大的邊加入A中之后剩下各邊的函數值為新的對 象，重復執行步驟2. 3操作，直至Ei為空或者圖像M的子圖集個數NA等于設定值2,每個圖 像M的子圖集就是一個超像素，根據得到的超像素結果生成聚類為2的掩膜；
[0031] 步驟2. 5,將步驟2. 4得到的聚類為2的掩膜與圖像M相乘提取胸部區域，得到提 取出的胸部區域圖像T。
[0032]其中步驟3的具體步驟為：
[0033] 步驟3. 1，設圖像T中隨機游走的肺組織部分種子點個數為2,非肺組織部分種子 點個數為1 ;
[0034] 步驟3. 2,采用步驟2中的基于熵率的超像素方法對圖像T產生聚類為2的掩膜， 將本步驟中產生的聚類為2的掩膜與圖像T相乘，初步得到肺部組織以及肺部組織之外的 背景區域，肺部組織區域的種子點分別為左、右肺組織區域外側輪廓中間處向里10個像素 偏移量的位置，肺部組織之外背景區域的種子點為背景區域的中心處；
[0035] 步驟3. 3,根據步驟3. 1得到的種子點個數及步驟3. 2得到的種子點位置進行隨機 游走分割，得到肺實質部分的初始輪廓。
[0036]其中步驟3. 3的具體過程為：
[0037] 步驟A:將圖像T看作是圖論中的無相加權圖G2= (V2，E2，W)，像素是圖中八鄰域 關系邊的節點，
[0038] 其中，V2是點集，E2是邊集；
[0039] W為邊的權值函數：Wij=exp[_Mg「gj)2] (9)；
[0040] 其中gpgj分別為像素i和像素j處的強度值，0是自由參數；
[0041] 步驟B，根據步驟3. 1得到的種子點個數及步驟3. 2得到的種子點位置，通過最小 化公式（10)的能量函數計算隨機游走中非種子點到達每個種子點的轉移概率，通過對比 非種子點到達每個種子點的轉移概率的數值，將非種子點劃分到轉移概率較大的一類種子 點中，具體過程如下，
[0042] 結合步驟A中的公式（9)得到最小公式的能量函數為
[0044] 其中，L是映射圖中定義的聯合拉普拉斯矩陣，當i=j時，Lu=di，當V中v# Vj為相鄰節點時，Lu=-wu，當vJPv」不為相鄰節點時，Lu= 0,其中，di是節點i的度；
[0045] 步驟C，根據步驟3. 1得到的種子點個數及步驟3. 2得到的種子點位置，將圖像T 中的節點分成兩個集合：種子點集合VM和非種子點集合V"，在此基礎上，步驟B中的拉普拉 斯矩陣L分解為對角分塊陣形式：
[0047] 將公式（11)帶入公式（10)中得，
[0049] 其中，X，X"分別對應種子點與非種子節點的概率值，B為中間變量；
[0050] 對公式（12)中函數D[XJ求微分得，
[0051] LuXu=-BtXm (13)；
[0052] 令 < 表示非種子點\第一次到達類別S的種子點的概率值，并定義種子點 集合Q(\) =