[发明专利]一种基于自适应学习的CT图像分割方法

说明书

技术领域

本发明涉及医学图像的分割领域，具体涉及CT图像的分析，CT图像分割模型的建立与求解推理，在线机器学习技术，人机交互技术等。 

技术背景

随着数字化成像技术、影像处理技术的进步，医疗领域中对基于数字影像处理技术的计算机辅助诊断系统的需求量也越来越大。基于数字影像处理的计算机辅助诊断系统能够倚靠当前先进的计算机处理技术，可视化医疗问题，自动化处理医学上的许多繁杂事物，不仅为医务人员做出合理诊断提供可靠手段，为病人的生命提供保障，还大大提高了医务诊疗的效率，使医务人员能够更易于获得诊断所需的病理状态与数据，更专注于医疗的专业问题而非繁琐的其他事物。因而医学图像处理技术逐渐成为了当前世界计算机界研究的热门课题之一。 

医学图像处理技术涵盖了很多方面，如图像分割、图像配准、三维重建等。其中图像分割是医学图像处理的重要环节，它是对正常组织或病变组织进行特征提取、定量分析、三维重建、体积显示等后续操作必不可缺少的步骤。另外，图像引导手术、肿瘤放射治疗、治疗评估等应用研究的顺利进行，需要以图像被准确分割为前提，所以图像分割的效果及实时性会直接影响后续处理的质量和效率，对医生正确诊断疾病并做出合理的治疗方案起着至关重要的作用。 

医学图像分割的最终目的是把感兴趣的组织器官或病变区域从背景中提取出来，其中自动化或半自动化地对CT成像中的病变区进行分割的需求最大。CT 成像技术，其成像结果以序列的形式存在，一个部分的序列扫描图一般包括几十张或上百张的医学图像。要将这些扫描结果成功应用在临床诊断上，需要对序列中尽可能多的图像进行尽可能准确的分割。如果单纯地采用人工分割，无疑会耗费大量的人力物力。 

因此，实现CT图像的自动化或半自动化分割，将能帮助医务人员从繁重枯燥的工作中解脱出来，投入到更有意义的医疗活动与医疗研究中，从根本上提高医务体系的效率问题以及大幅降低医学图像诊断的成本问题。另外，人工分割通常对医务人员提出较高的知识与经验要求，一些模糊不清的病例分割需要医务人员具有很高的辨别水准。然而准确的自动化或半自动化病变区分割，能够在一定程度上消除医务人员人工分割的主观性，在客观层面上为医务人员辨明病例分割提高宝贵参考。因此，开发一种高效的自动化或半自动化的CT图像分割方法与系统能够在很大程度上推动医学，特别是医学影像学诊断的发展。 

CT图像的分割至今仍然是未能完美解决的问题。这主要是因为CT图像的复杂性和多样性。CT图像往往具有较丰富的细节特征，另外器官组织成像的形状变化大且不规则，在成像过程中容易引入噪声，并且某些器官组织的对比度不够强。再加之人体解剖个体的差异较大，病变种类与病变位置的繁多，使得CT图像的病变区分割异常困难。除此之外，病变区的边界往往模糊不清，如何有效精确地处理分割的边缘问题，也成为了该分割问题的一大难点。 

当前已经有相当多的工作投入到了CT图像的病变区分割研究当中，但不同的方法都有其各自的优点与缺点，能够对所有或绝大部分可能情况进行处理的稳健方法并不多见。目前CT图像的病变区分割主要还是采用半自动交互式的分割方法，这主要是因为完全自动化的分割方法目前还难以应对CT图像中复杂的变化，分割的平均效果并不能达到临床应用需求，而半自动化交互式分割方法 通过用户少量的介入操作，能够大大提高分割的准确度。 

从CT图像分割智能化所使用的方法来看，大致可以分为两大类，一类是基于区域的分割，一类是基于边缘的分割。 

从分割智能化所使用的方法来看，当前已有相当多的方法被用在了CT图像分割问题中，包括阈值分割法，区域增长法，活动轮廓分割法。近年来由于统计学理论以及计算机视觉、机器学习、神经网络、函数优化领域的快速发展，涌现了许多更复杂但更有效的处理方法，包括基于分类器与聚类的分割方法、基于马尔可夫随机场的分割方法以及综合应用许多新的理论进行分割的方法。 

阈值分割法是较简单的分割方法，用户通过设立阈值，把图像灰度大于阈值与小于阈值的部分分开。该方法的优势在于计算简单，易于实现，但其是否能够很好运作很大程度上取决于CT图像的灰度可分性，然而不幸的是大部分CT图像中病变区与许多非病变区在灰度上是难以区分的，因此该方法并不能很好地应对这些情况。