[发明专利]基于交互式字典迁移的序列医学图像快速分割方法

说明书

技术领域

本发明属于图像处理技术领域，特别是医学图像的处理，主要可用于多幅腹部CT序列图像的胃癌病变区域分割。

背景技术

医学图像分割是医生根据需要把感兴趣的目标区域，即将可能存在病变区域、重要组织和器官等从背景中分离出来的过程。它是现代医学图像处理中的一个重要的研究领域，也是病变区域提取、检测和跟踪等后续医学图像处理的基础。由于这些操作都需要以一个准确的分割结果为前提，然后才能进行准确地定位分析，所以医学图像分割结果的准确性对于医生对病情的诊断并做出正确治疗方案具有非常重要的意义。

图像特征是图像的重要属性，图像分割过程中提取特征是重要的一步，常用的图像特征有灰度共生矩阵，小波变换特征等。由于图像分割方法都要对图像进行特征提取，特征提取虽然是线下过程，但是由于需要对图像的每一个像素点分别进行特征提取，所以这一过程十分耗时。

交互式分割方法是现在应用最热门和最广泛的处理医学图像的方法。它结合了自动分割与手动分割的优点，既允许人工参与提供一些先验信息，但又不完全依赖于人工参与。由于医学图像有复杂的背景，自动分割运算量大，在没有人工指导的情况下准确率很难保证。而交互式分割在允许人工参与的情况下保证了准确率。它的具体做法是由用户标记出图像中感兴趣区域的大致范围，从而提供部分先验信息，然后分割算法再根据这些信息对图像进行分割。虽然交互式分割有以上优点，但它也存在缺点，由于交互式分割方法一次只能分割一幅图像，用户必须对每幅待分割的图像标记出目标和背景，然后一幅一幅分割。对于CT序列图像，一个病人的序列图有上百幅，如果单幅分割，则极大的增加了工作量。

目前交互式分割方法主要有Live wire方法和活动轮廓模型方法等。Live wire方法是通过搜索边缘来进行图像分割的方法，它将图像看成是一个连通图，通过构造代价函数和选择关键点，在全图范围内寻找给定两点间的最优路径作为物体的边缘。这个方法的缺点是它对交互者要求较高，输入交互点位置的偏移可能导致分割结果出错，而且在多幅序列图像中如果出现分割结果不好的图像时也不能及时修正分割结果。活动轮廓模型方法是在图像中定义一个曲线，使其在曲线本身决定的内能和由图像数据决定的外能的推动下向物体边缘靠近，其缺点是对初始曲线的位置比较敏感，而且它不能收敛到凹性边缘。这两种方法都是基于边缘的方法。对于上百幅的医学序列图像，感兴趣区域的边缘变化很大，这些方法在分割多幅医学图像时的分割准确率较低。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于交互式字典迁移的序列医学图像快速分割方法，以减少单幅交互式分割的工作量，节省时间，降低对交互者的要求，并采用二次修正的方法提高分割准确率。

实现本发明上述目的技术方案，包括如下步骤：

(1)输入腹部CT序列图像I={I⁽¹⁾,I⁽²⁾,…,I⁽ⁿ⁾}，n为从序列图像的数量，n最大值为300；

(2)对每幅图像I(q)以每个像素点为中心提取5×5的块作为每个像素的特征，则该图像所有像素的特征向量集合为X_N×25^(q)，N为每幅图像的大小，其中1≤q≤n；

(3)用mean shift方法对CT序列图像I进行初始分割，则CT序列图像I^(q)的初分割图像为S^(q)，并统计初分割图像S^(q)中的区域数目m；

(4)选取CT序列图像I⁽¹⁾，进行交互式分割：

首先，在序列图像I⁽¹⁾对应的初分割图像S⁽¹⁾上的区域进行手动标记部分目标区域M_O和部分背景区域M_B，剩余的区域为未标记区域N；

然后，根据合并准则，重复合并未标记区域N中与标记背景M_B中相似性最大的区域，直到所有区域都合并后，得到CT序列图像I⁽¹⁾的全部目标区域和背景区域，即得到分割结果，其中该目标区域代表腹部CT图像中的胃癌病变区域；

(5)提取步骤(4)中的目标区域内对应像素点的特征向量X_O，并用K-SVD算法对目标特征向量X_O进行训练学习，生成一个目标字典D_O；