圖像分割方法、肺結節檢測方法及其計算機輔助檢測系統的制作方法
【專利摘要】本發明涉及一種圖像分割方法、肺結節檢測方法及其計算機輔助檢測系統,包括以下步驟:獲取肺部CT圖像；對所述CT圖像進行初始定位，得到一個或多個定位區域；采用濾波器增強所述定位區域，獲得目標區域；判斷基于聚類模型處理的所述目標區域，若滿足第一判定，則獲取結節的實性區域；判斷基于形態學模型處理的所述目標區域，若滿足第二判定，則獲取結節的周圍區域；融合所述實性區域和周圍區域，獲得圖像分割結果。本發明提供的方法和系統能夠準確分割不同類型的結節，有效提高后續的診斷分析。
【專利說明】圖像分割方法、肺結節檢測方法及其計算機輔助檢測系統 【技術領域】
[0001] 本發明涉及醫學圖像處理領域，尤其涉及一種圖像分割方法、肺結節檢測方法及 其計算機輔助檢測系統。 【【背景技術】】
[0002] 肺癌是全球死亡率最高的癌癥。雖然醫學診斷和治療水平不斷提高，肺癌的五年 生存率也僅有15%左右，早期發現、早期治療是提高肺癌治愈率的主要途徑。肺結節是肺癌 的早期表現形式。CT掃描是目前肺癌篩選最有效的影像學方法，近年來，隨著多層螺旋CT (Multi-Slice Computed Tomography，MSCT)、高分辨CT(High Resolution Computed Tomography，HRCT)及低劑量胸部CT(Low Dose Computed Tomography，LDCT)的應用，肺小 結節與早期肺癌的檢出率不斷提高。實現肺結節自動分析與識別的關鍵技術是:肺結節分 害J、檢測、診斷等一系列圖像處理、分析和理解算法的研究和應用。肺結節的準確分割結果 能夠有效的反映出結節的病理和形態特征，進而幫助用戶對病灶進行診斷分析。
[0003] 現有技術中采用水平集算法或者多尺度閾值方法進行結節分割，但是因肺結節具 有實性結節、混合型磨玻璃結節、磨玻璃結節等各類形態，無法簡單通過形態學方法準確識 別肺結節，尤其是混合型磨玻璃結節、磨玻璃結節等邊緣不規則、模糊的肺結節無法通過水 平集算法(Level Set)等基于邊緣算法識別肺結節。此外肺結節在CT圖像中的灰度值不服 從高斯分布，多閾值方法易造成泄露導致分割結果不準確。 【
【發明內容】
】
[0004] 本發明所要解決的技術問題是提供一種醫學圖像的分割方法及其裝置，用于分割 不同類型的肺結節病灶，能夠有效提高肺結節分割的準確性，進而利于用戶對病灶的診斷 和分析。
[0005] 為解決上述技術問題，本發明提供一種醫學圖像的分割方法，包括如下步驟：
[0006] -種圖像分割方法，其特征在于，包括如下步驟：
[0007] 獲取肺部醫學圖像；
[0008] 對所述醫學圖像進行初始定位，得到一個或多個定位區域；
[0009] 采用濾波器增強所述定位區域，獲得目標區域，所述目標區域包含結節區域和背 景區域，所述結節區域由實性區域以及圍繞所述實性區域的周圍區域構成；
[0010] 判斷基于聚類模型處理的所述目標區域，若滿足第一判定，則獲取結節的實性區 域；
[0011] 判斷基于形態學模型處理的所述目標區域，若滿足第二判定，則獲取結節的周圍 區域；
[0012] 融合所述實性區域和周圍區域，獲得圖像分割結果。
[0013] 進一步地，所述初始定位通過以下任一種方式獲取所述定位區域：
[0014] 基于用戶給定的區域獲取所述定位區域；
[0015] 基于用戶給定的貫穿疑似結節區域的長軸線上選取種子點，采用區域增長方法獲 取所述定位區域；
[0016] 基于檢測程序獲取所述定位區域。
[0017] 進一步地，其特征在于，所述濾波器采用基于海森點增強的閾值分割方法。
[0018] 進一步地，所述第一判定包括如下步驟：
[0019] 逐一選取所述基于聚類模型處理的目標區域中的任一體素，若所述體素的值大于 閾值Ti，并且，
[0020] 所述目標區域中對應該體素的值大于T2,則標記所述體素為結節，否則標記所述 體素為背景。
[0021] 進一步地，所述形態學模型采用海森線增強方法處理所述目標區域，獲得線增強 圖。
[0022] 進一步地，所述第二判定包括如下步驟：
[0023]逐一選取所述基于聚類模型處理的目標區域中的任一體素，若所述體素的值大于 閾值Ti，并且，所述線增強圖像中對應該體素的值小于Τ3,則標記所述體素為結節，否則標記 所述體素為背景。
[0024] 進一步地，所述基于聚類模型采用變分期望最大化處理所述目標區域獲得概率 圖，所述概率圖中任一體素的空間位置一一對應于所述目標區域中的體素的空間位置。
[0025] 為解決上述接收問題，本發明還提供一種肺結節檢測的方法，包括如下步驟：
[0026]獲取肺部醫學圖像；
[0027] 對所述醫學圖像進行初始定位，得到一個或多個定位區域；
[0028] 基于海森點增強的區域增長處理所述定位區域，獲得目標區域，所述目標區域包 含結節區域和背景區域，所述結節區域由實性區域以及圍繞所述實性區域的周圍區域構 成；
[0029] 判斷基于變分期望最大化處理的所述目標區域，若滿足第一判定，則獲取結節的 實性區域；
[0030] 判斷基于形態學處理處理的所述目標區域，若滿足第二判定，則獲取結節的周圍 區域；
[0031] 融合所述實性區域和周圍區域，獲得圖像分割結果；
[0032] 采用濾波器增強分割結果；
[0033] 提取增強后的所述分割結果的特征，形成特征池；
[0034] 分類器根據所述特征池對所述肺部醫學圖像進行肺結節檢測。
[0035] 為解決上述技術問題，本發明還提供一種計算機輔助檢測系統，包括：
[0036]輸入模塊，用于獲取醫學圖像；
[0037] 分割模塊，用于分割所述醫學圖像，獲取若干個分割結果；
[0038] 圖像增強模塊，采用圖像濾波器增強所述分割結果；
[0039] 特征提取模塊，用于提取增強后的所述分割結果的特征，形成特征池；
[0040] 檢測模塊，用于分類器根據所述特診池對所述醫學圖像進行肺結節檢測。
[0041] 進一步地，所述分割模塊還包括:預處理單元、實性區域獲取單元、周圍區域獲取 單元。
[0042] 與現有技術相比，本發明利用初始分割和濾波器獲取目標區域，并且增強了結節 實性區域的初始形態，降低后續結節分割的計算量，提高分割速度;通過第一判定有效分割 并保護結節的實性區域，通過第二判定有效分割結節的周圍區域并移除血管、氣管等結節 分割的主要噪音。本發明提供圖像分割方法通用性強、精度高，可以準確分割不同類型的結 節，利于后續用戶對病灶的診斷和分析。 【【附圖說明】】
[0043] 圖1為本發明實施例中圖像分割方法的流程示意圖；
[0044] 圖2為本發明實施例中圖像分割方法的結果示意圖；
[0045] 圖3為本發明實施例中肺結節檢測方法的流程示意圖；
[0046] 圖4為本發明實施例中計算機輔助檢測系統的結構示意圖。 【【具體實施方式】】
[0047] 在下面的描述中闡述了很多具體細節以便于充分理解本發明。但是本發明能夠以 很多不同于在此描述的其它方式來實施，本領域技術人員可以在不違背本發明內涵的情況 下做類似推廣，因此本發明不受下面公開的具體實施的限制。
[0048] 本發明利用示意圖進行詳細描述，在詳述本發明實施例時，為便于說明，所述示意 圖只是實施例，其在此不應限制本發明保護的范圍。
[0049] 為了解決現有技術中有效、準確分割不同類型的肺結節的技術問題，提高用戶對 病灶診斷、分析的準確性，本實施例中提供一種圖像分割方法，如圖1本發明實施例中的圖 像分割方法的流程示意圖所示，所述方法包括如下步驟：
[0050] 首先，執行步驟S101:獲取肺部醫學圖像。本實施例中所涉及的肺部醫學圖像首選 通過計算機斷層掃描(CT)設備經對人體實施掃描后獲取的如圖2a所示原始CT圖像，將所述 原始CT輸入計算機圖像處理設備中進行處理，基于閾值分割、聚類算法等方法獲取所需的 肺部CT圖像，基于圖像中的肺部區域進行后續的肺結節分割，以供用戶觀察和使用，肺部圖 樣一般是掩膜圖像(mask圖像），如圖2b所示。計算機圖像處理設備可以使用通用的計算機 設備作為基礎硬件。在一個實施例中，可以通過執行安裝在計算機設備中的處理器上的圖 像處理程序來實現所需的圖像處理。這時，可以通過預先將圖像處理程序安裝到計算機設 備中或者通過將圖像處理程序記錄在磁盤、磁光盤、光盤、半導體存儲器等中或在網絡上發 布圖像處理程序并將圖像處理程序安裝到計算機設備中來實現計算機圖像處理設備。在另 一個實施例中，可以通過諸如邏輯電路的硬件來實現計算機圖像診斷處理設備。在又一實 施例中，也可以通過組合硬件和軟件來實現計算機圖像處理設備。
[0051] 接著，執行步驟S102:對所述醫學圖像進行初始定位，得到一個或多個定位區域， 以減少后續分割處理的計算量，提高分割效率。一般而言，在肺部醫學圖像包括肺血管、支 氣管以及肺結節、肺實質等組織結構，其中肺結節在空間形態上可以劃分為實性區域和周 圍區域，實性區域大多呈類球體，在CT圖像肺結節中呈高亮狀態，可以通過肉眼辨識大致區 域；周圍區域一般為邊緣模糊，類似毛刺狀等不規則形態的區域，甚至邊緣為不規則的曲 線。因此，用戶或者后臺計算機處理設備可以根據結節的實性區域，采用初始定位獲取定位 區域，所述定位區域包含疑似結節區域，存在血管、肺實質等噪音，一般可以通過外接長方 體框(計算機后處理設備平面顯示為矩形框)在CT圖像上顯示定位區域，例如256*256*200 層肺部CT圖像中，通過初始定位，獲取35mm*35mm*35mm大小的定位區域。具體地，所述初始 定位可以通過：用戶根據經驗值于所述肺部CT圖像手動框出定位區域;或者用戶根據經驗 給定貫穿疑似結節的實性區域的長軸線，根據所述長軸線選取種子點，基于閾值的區域增 長獲取所述定位區域;或者基于計算機處理器等硬件設備或者計算機圖形處理設備等軟硬 件結合的檢測程序獲取所述定位區域。
[0052]執行步驟S103:采用濾波器增強所述定位區域，獲得目標區域，所述目標區域包含 結節區域和背景區域，所述結節區域為確定的結節區域，由實性區域以及圍繞所述實性區 域的周圍區域構成。其中，所述目標區域相對于上述步驟中的定位區域，通過采用濾波器增 強結節的實性區域，同時進一步縮小后續分割的區域，提高后續分割的精度和速度。
[0053]肺部CT圖像中，肺血管、支氣管和肺結節在灰度級分布上非常相似，因此使得臨床 上對于肺結節的判斷容易產生誤診或漏診。實際上，血管、支氣管以及肺結節在空間形態上 是有一定區別的，肺血管和支氣管等往往呈現出管狀結構，通過人體解剖學可知肺內血管 和氣管按照連通性可以構造出完整的血管樹、氣管樹，而肺結節的形態如前所述可以劃分 為實性區域和周圍區域，因此可以通過預處理增強結節的實性區域，與肺部的氣管、血管等 噪音在圖像得以區別，獲取所述目標區域。
[0054] 本實施例中，優選采用基于海森點增強的閾值分割方法獲取所述目標區域。增強 肺結節，具體地，對圖像進行高斯平滑處理，其次求圖像中任意體素的二階導，如公式1中 f XX為任意體素在X方向上的二階導，fxy為在X方向一介倒數基礎上，求y方向的第二階導 數；，將一個點不同方向的二階導構建成海森矩陣，求得特征值Μ、λ#Ρλ 3。最后，將特征值 心、12和&代入公式2求得點增強的值Zdot，即目標區域中對應體素的值。
[0055]
[0056]
[0057] 否則為〇
[0058]接著，執行步驟S104和S105:判定基于聚類模型處理所述目標區域，若滿足第一判 定，則獲取結節的實性區域。結節分割中，結節區域往往千變萬化，不一定服從高斯分布，尤 其是磨玻璃結節的CT值較低、較模糊，很難用高斯分布來模型化，即使結節區域服從高斯分 布，其背景區域也不服從。基于統計學的聚類方法是一類不基于形態學的分割方法，所以各 種形狀的結節都可以被較好的分割出來。聚類是一種非監督(Unsupervised)學習方法，聚 類過程以相似性為基礎，不需要訓練樣本，在肺結節分割中，聚類的目的是將CT圖像劃分成 兩類或兩類以上，例如本實施例中采用聚類方法判定圖像中的體素是結節或不是結節。
[0059]具體地，本實施例中采用的聚類方法優選為變分期望最大化（Variational Expectation Maximization，VEM)處理所述目標區域，獲得概率圖。由于結節的體素和背景 的體素服從于高斯分布，而高斯混合分布的均值和標準差服從于Gauss ian-Wishart分布 (見公式4)，而高斯混合分布的先驗概率服從于狄利克雷(Dirichlet)分布(見公式5)。
[0060]
[0062] 其中π為隨機變量，是高斯混合分布的先驗概率;aQ是一個常數;k表示高斯混合分 布的分布個數;μ，Λ分別是均值和方差。包含了所有五個隨機變量的聯合概率密度函數為 公式6所示，通過ΕΜ算法可以迭代得到a k，β〇，mk，wk和vk，繼而求得ρ(X，Ζ，π，μ，Λ )，獲得該體 素的概率值，最終得到所示目標區域的概率值。
[0063] ρ(Χ，Ζ，π，μ，Λ )=ρ(Χ|Ζ，μ，Λ )ρ(Ζ|π)ρ〇)ρ(μ| Λ )ρ( Λ )(公式6)
[0064] 所述概率圖中每一個體素的空間位置一一對應于所述目標區域中體素的位置，所 述概率圖中每一個體素的值代表該體素是否為結節的概率，結合經過海森點增強獲取的所 述目標區域以及VEM算法處理所述目標區域獲得概率圖進行第一判定:逐一選取所述概率 圖中任一體素，若所述體素的值大于閾值Ti，并且，所述目標區域中對應位置的體素的值大 于T 2,則標記所述體素為結節，否則標記為背景，其中閾值Ti的取值范圍為(0，1)，本實施例 中優選為0.5,設定閾值!^作用是為了達到保護結節實性區域的目的，閾值T 2的取值范圍為 (0，100)。通過步驟S104-S105獲取結節的實性區域，即實性區域的二值圖像。
[0065]同時，執行步驟S106-S107:判斷基于形態學模型處理的所述目標區域，若滿足第 二判定，則獲取結節的周圍區域。肺部CT圖像中，肺血管是肺結節假陽性的主要來源，造成 后續肺結節檢測的誤診和漏診;肺血管、支氣管和肺結節在灰度級分布上非常相似，在空間 形態，肺血管和支氣管等往往呈現出管狀結構特別是。本步驟通過第二判定，在去除血管、 氣管等主要噪音的同時保留一些形狀不規則的非球狀的結節，即結節的周圍區域。
[0066]本實施例中，所述形態學處理優選采用海森線增強方法處理所述目標區域，獲得 線增強圖。具體地，對圖像進行高斯平滑處理，其次求圖像中任意體素的二階導，如公式1中 f XX為任意體素在X方向上的二階導，fxy為在X方向一介倒數基礎上，求y方向的第二階導 數；，將一個點不同方向的二階導構建成海森矩陣，求得特征值Μ、λ#Ρλ 3。最后，將特征值 心義和\3代入公式6求得點增強的值Zline3，即目標區域中對應體素的值。所述海森線增強圖 像主要增強所述目標區域中血管等管狀結構，使得圖像中血管等主要噪音呈高亮狀態。接 著，根據所述第二判定獲取結節的周圍區域，本實施例中，所述第二判定包括如下步驟:逐 一選取前述步驟概率圖中任一體素，若所述體素體素的值大于閾值Ti，并且，所述線增強圖 像中對應位置體素的值小于T 3，則標記所述體素為結節，否則標記為背景。本實施例中閾值 Ti優選為0.5，閾值Τ3作用為去除肺血管、氣管等肺結節的主要噪音，保留一些形狀不規則的 非球形結節，即結節的周圍區域，所述閾值Τ 3的取值范圍為(0，100)。通過步驟S106-S107， 最終獲得結節的周圍區域，即周圍區域的二值圖像。
[0069] 否則為〇
[0070] 最后，執行步驟S108融合所述實性區域和周圍區域，獲得圖像分割結果。如前所 述，獲取的所述實性區域是類球形的結節分割結果，周圍區域主要是形狀不規則，邊緣模糊 的結節分割結果，根據標記為實性區域或周圍區域的體素的位置在肺部CT圖像中定位該體 素，獲取如圖2C最終的結節分割結果。可以理解，圖2所示的中間結果僅為示例，并不意味著 本發明的各實施例的中間結果均為圖2中的特定形態。
[0071] 本實施例中，利用初始分割和濾波器獲取目標區域，并且增強了結節實性區域的 初始形態，降低后續結節分割的計算量，提高分割速度;通過第一判定有效分割并保護結節 的實性區域，通過第二判定有效分割結節的周圍區域并移除血管、氣管等結節分割的主要 噪音，有效提高結節分割的精度和速度。
[0072]為使本發明的上述目的、特征和優點能夠更加明顯易懂，本發明另一個實施例中 提供一種應用上述圖像分割方法的肺結節檢測的方法對本發明作詳細說明。
[0073] 肺結節是肺部最常見的病變之一，可以是良性病變、轉移瘤或肺癌，肺癌的發生率 在癌癥中位居第一。肺結節形態各異、大小各不相同、分布位置不定、易與其它組織鏈接，密 度與肺部某些組織類似，計算機輔助檢測是針對實際臨床需要發展起來的，它對圖像進行 自動分析后向醫生提示可疑的肺結節，以幫助醫生更加安全有效地分析數據，如圖3所示為 本實施例一種肺結節檢測方法的流程示意圖，包括如下步驟：
[0074] 執行步驟S301:獲取肺部醫學圖像，本實施例首選通過計算機斷層掃描(CT)設備 經對人體實施掃描后獲取的原始CT圖像，如圖2a所示，將所述原始CT圖像輸入計算機圖像 處理設備中進行處理，基于閾值分割、聚類算法等方法獲取所需的肺部CT圖像，所述肺部圖 樣一般是掩膜圖像(mask圖像），如圖2b所示。
[0075] 執行步驟S302:對所述CT圖像進行初始定位，得到一個或多個定位區域，，以減少 后續分割處理的計算量，提高分割效率，具體初始定位方法如前所述，在此不再贅述。
[0076]執行步驟S303:基于海森點增強的區域增長處理所述定位區域，獲得目標區域，所 述目標區域包含結節區域和背景區域，所述結節區域為確定的結節病灶區域，由實性區域 以及圍繞所述實性區域的周圍區域構成;此步驟為預處理步驟，用于增強結節的實性區域， 在圖像上呈高亮狀態，同時進一步縮小后續分割的處理區域，提高后續分割的精度和速度。 [0077]執行步驟S304和S305:判斷基于變分期望最大化處理的所述目標區域，若滿足第 一判定，則獲取結節的實性區域;所述第一判斷結合基于海森點增強和變分期望最大化，有 效保護結節的實性區域。具體地，采用變分期望最大化處理所述目標區域，獲得概率圖。據 經過海森點增強獲取的所述目標區域以及VEM算法處理所述目標區域獲得概率圖進行第一 判定:逐一選取所述概率圖中任一體素，若所述體素體素的概率值大于閾值!^，并且，所述 目標區域中對應位置的體素的值大于T 2，則標記所述體素為結節，否則標記為背景，其中閾 值!^的取值范圍為(0，1 )，本實施例中優選為0.5，閾值^達到保護結節實性區域的目的，閾 值Τ2的取值范圍為的取值范圍為(0，100)。通過步驟S104-S105兩步獲取結節的實性區域的 二值圖像。
[0078]執行步驟S306和S307:判斷基于形態學處理處理的所述目標區域，若滿足第二判 定，則獲取結節的周圍區域；
[0079] 執行步驟S308:融合所述實性區域和周圍區域，獲得圖像分割結果；
[0080] 執行步驟步驟S309-S311:采用濾波器增強分割結果;本實施例中，所述形態學處 理優選采用海森線增強方法處理所述目標區域，獲得線增強圖，所述圖像主要增強所述目 標區域中血管等管狀結構，使得圖像中血管等主要噪音呈高亮狀態。接著，根據所述第二判 定獲取結節的周圍區域，本實施例中，所述第二判定包括如下步驟:逐一選取前述步驟概率 圖中任一體素，若所述體素體素的概率值大于閾值!^，并且，所述在線增強圖像中對應位置 體素的值小于T 3，則標記所述體素為結節，否則標記為背景。本實施例中閾值Ti優選為0.5， 閾值T3作用為去除肺血管、氣管等肺結節的主要噪音，閾值T 3的取值范圍為(0，100)。通過步 驟S306-S307,最終獲得結節的周圍區域的二值圖像。
[0081]執行步驟S308:融合所述實性區域和周圍區域，獲得分割結果，所述分割為二值圖 像，如圖2c所示。
[0082]執行步驟S309和S310:采用濾波器增強所述分割結果，提取增強后的所述分割結 果的特征，形成特征池。具體地，根據分割結果的二值化圖像與原始CT圖像中體素位置一一 對應關系，在CT圖像中標記結節區域，采用濾波器增強所述結節區域，提取增強后的所述分 割結果的特征，形成特征池。所述特征池包含結節的面積、密度、體積、灰度均值、灰度方差、 緊湊度、形狀矩描述子、傅里葉描述子等有效特征組成的集合。
[0083] 執行步驟S311:分類器根據所述特征池對所述肺部CT圖像進行肺結節檢測。具體 地，用所提取的特征池創建分類器，可能的分類器有支持向量機SVM、決策樹、線性判別分析 和神經網絡。所述分類器提供對于肺部CT圖像的肺結節的檢測，達到計算機輔助檢測的目 的，所述檢測包括:確定至少一個目標組織的良/惡性或良性可能性、惡性可能性，診斷預測 結果可以是二分法的良惡性鑒定所述目標區域是惡性或惡性，或者提出評估分數顯示良/ 惡性的可能性。
[0084] 為解決上述技術問題，本發明還提供一種計算機輔助檢測系統，系統結構示意圖 如圖4所示，包括：
[0085]輸入模塊U10,用于獲取醫學圖像;通過計算機斷層掃描(CT)設備經對人體實施掃 描后獲取的原始CT圖像，將所述原始CT圖像輸入計算機圖像處理設備中進行處理，基于閾 值分割、聚類算法等方法獲取所需的肺部CT圖像，所述肺部圖樣一般是掩膜圖像(mask圖 像)。
[0086]分割模塊U20,用于分割所述醫學圖像，獲取若干個結節分割結果;所述分割模塊 U20包括預處理單元U201，通過初始分割和濾波器獲取目標區域，并且增強了結節實性區域 的初始形態，降低后續結節分割的計算量，提高分割速度。其中，所述目標區域包含結節區 域和背景區域，所述結節區域為確定的結節病灶區域，由實性區域以及圍繞所述實性區域 的周圍區域構成;實性區域獲取單元U202，基于聚類模型處理的所述目標區域，通過第一判 定獲取結節的實性區域。周圍區域獲取單元U203,基于形態學模型處理的所述目標區域，通 過第二判定獲取結節的周圍區域，所述實性區域獲取單元U202和周圍區域獲取單元U203的 獲取的區域的和集為分割模塊U20輸出的分割結果。
[0087]圖像增強模塊U30,采用圖像濾波器增強所述分割結果；
[0088]特征提取模塊U40，用于提取增強后的所述分割結果的特征，形成特征池；
[0089]檢測模塊U50，用于分類器根據所述特征池對所述肺部CT圖像進行肺結節檢測，確 定至少一個目標組織的良/惡性或良性可能性、惡性可能性，診斷預測結果可以是二分法的 良惡性鑒定所述目標區域是惡性或惡性，或者提出評估分數顯示良/惡性的可能性。
[0090] 綜上所述，本發明提供一種醫學圖像的分割方法、肺結節檢測方法及計算機輔助 檢測系統，通過第一判定有效分割并保護結節的實性區域，通過第二判定有效分割結節的 周圍區域并移除血管、氣管等結節分割的主要噪音。本發明提供圖像分割方法通用性強、精 度高，可以準確分割類球形、磨玻璃結節等不同類型的結節，有效降低后續計算機輔助檢測 的假陽性。
[0091] 本發明上述實施例的醫學圖像分割方法可以在例如計算機軟件、硬件或計算機軟 件與硬件的組合的計算機可讀取介質中加以實施。對于硬件實施而言，本發明中所描述的 實施例可在一個或多個專用集成電路(ASIC)、數字信號處理器(DSP)、數字信號處理器件 (DATO)、可編程邏輯器件(PLD)、現場可編程門陣列(FPGA)、處理器、控制器、微控制器、微處 理器、用于執行上述功能的其它電子裝置或上述裝置的選擇組合來加以實施。在部分情況 下，這類實施例可以通過控制器進行實施。
[0092]對軟件實施而言，本發明中所描述的實施例可通過諸如程序模塊(procedures)和 函數模塊(functions)等獨立的軟件模塊來加以實施，其中每一個模塊執行一個或多個本 文中描述的功能和操作。軟件代碼可通過在適當編程語言中編寫的應用軟件來加以實施， 可以儲存在內存中，由控制器或處理器執行。
[0093]雖然本發明已以較佳實施例揭示如上，然其并非用以限定本發明，任何本領域技 術人員，在不脫離本發明的精神和范圍內，當可作些許的修改和完善，因此本發明的保護范 圍當以權利要求書所界定的為準。
【主權項】
1. 一種圖像分割方法，其特征在于，包括如下步驟： 獲取肺部醫學圖像； 對所述醫學圖像進行初始定位，得到一個或多個定位區域； 采用濾波器增強所述定位區域，獲得目標區域，所述目標區域包含結節區域和背景區 域，所述結節區域由實性區域以及圍繞所述實性區域的周圍區域構成； 判斷基于聚類模型處理的所述目標區域，若滿足第一判定，則獲取結節的實性區域； 判斷基于形態學模型處理的所述目標區域，若滿足第二判定，則獲取結節的周圍區域； 融合所述實性區域和周圍區域，獲得圖像分割結果。2. 如權利要求1所述的圖像分割方法，其特征在于，所述初始定位通過以下任一種方式 獲取所述定位區域： 基于用戶給定的區域獲取所述定位區域； 基于用戶給定的貫穿疑似結節區域的長軸線上選取種子點，采用區域增長方法獲取所 述定位區域； 基于檢測程序獲取所述定位區域。3. 如權利要求1所述的醫學圖像的分割方法，其特征在于，所述濾波器采用基于海森點 增強的閾值分割方法。4. 如權利要求1所述的醫學圖像的分割方法，其特征在于，所述第一判定包括如下步 驟： 逐一選取所述基于聚類模型處理后的目標區域中的任一體素，若所述體素的值大于閾 值h，并且， 所述采用濾波器增強所述定位區域，獲得目標區域中對應該體素的值大于T2，則標記所 述體素為結節，否則標記所述體素為背景。5. 如權利要求1所述的醫學圖像的分割方法，其特征在于，所述形態學模型采用海森線 增強方法處理所述目標區域，獲得線增強圖。6. 如權利要求5所述的醫學圖像的分割方法，其特征在于，所述第二判定包括如下步 驟： 逐一選取所述基于聚類模型處理的目標區域中的任一體素，若所述體素的值大于閾值 Ti，并且，所述線增強圖像中對應該體素的值小于Τ3，則標記所述體素為結節，否則標記所述 體素為背景。7. 如權利要求1、4或6中任意一項所述的醫學圖像的分割方法，其特征在于，所述基于 聚類模型采用變分期望最大化處理所述目標區域獲得概率圖，所述概率圖中任一體素的空 間位置一一對應于所述目標區域中的體素的空間位置。8. -種肺結節檢測的方法，包括如下步驟： 獲取肺部醫學圖像； 對所述醫學圖像進行初始定位，得到一個或多個定位區域； 基于海森點增強的區域增長處理所述定位區域，獲得目標區域，所述目標區域包含結 節區域和背景區域，所述結節區域由實性區域以及圍繞所述實性區域的周圍區域構成； 判斷基于變分期望最大化處理的所述目標區域，若滿足第一判定，則獲取結節的實性 區域； 判斷基于形態學處理處理的所述目標區域，若滿足第二判定，則獲取結節的周圍區域； 融合所述實性區域和周圍區域，獲得圖像分割結果； 采用濾波器增強分割結果； 提取增強后的所述分割結果的特征，形成特征池； 分類器根據所述特征池對所述肺部醫學圖像進行肺結節檢測。9. 一種實施如權利要求8所述方法的計算機輔助檢測系統，其特征在于，包括： 輸入模塊，用于獲取醫學圖像； 分割模塊，用于分割所述醫學圖像，獲取若干個分割結果； 圖像增強模塊，采用圖像濾波器增強所述分割結果； 特征提取模塊，用于提取增強后的所述分割結果的特征，形成特征池； 檢測模塊，用于分類器根據所述特診池對所述醫學圖像進行肺結節檢測。10. 如權利要求9所述的計算機輔助檢測系統，其特征在于，所述分割模塊還包括:預處 理單元、實性區域獲取單元、周圍區域獲取單元。
【文檔編號】G06T7/00GK105976367SQ201610283527
【公開日】2016年9月28日
【申請日】2016年4月29日
【發明人】王季勇
【申請人】上海聯影醫療科技有限公司