[发明专利]基于主动轮廓模型的超声图像分割中获取初始轮廓的方法

说明书

技术领域

本发明涉及一种基于主动轮廓的超声图像分割中获取初始轮廓的方法，属于超声图像处理领域。

背景技术

随着高强度聚焦超声的出现，非侵入式治疗肿瘤应用的越来越广泛，该治疗系统在临床中有着很大的优势如不开刀，不留疤痕，无创或微创伤，可以实时检测治疗，不受肿瘤大小限制，总费用低等。这些优势都决定高强度聚焦超声治疗系统有着很大的发展应用前景。而高强度聚焦超声治疗系统中最关键的就是对病人肿瘤进行实时导航。导航过程需要对实时超声图像中的肿瘤进行定位。将传统的手动定位方式改变为自动定位，将对该治疗系统的治疗效率和治疗准确性带来非常大的帮助。

超声图像分割是在肿瘤检测、诊断和治疗中被广泛应用，其分割的准确性直接关系到肿瘤的定位。经过长期的深入研究，已经提出的超声图像分割方法有基于区域的、基于边界的和基于统计信息的，不同类型的分割方法具有不同的分割特点。主动轮廓模型（Active Contour Model），又被称为Snake，是由Andrew Blake教授提出的一种目标轮廓描述方法，主要应用于基于形状的目标分割。该模型的优越之处在于它对于范围广泛的一系列视觉问题给出了统一的解决方法,在最近的十多年中,它已经被越来越多的研究者成功地应用于计算机视觉的许多领域，如边缘提取，图像分割和分类，运动跟踪，三维重建，立体视觉匹配等。

但是该模型需要初始轮廓，如果手动获取初始轮廓再进行收敛，即费时费力，又不够精确。因此设计自动获取初始轮廓的方法是非常必要的。

发明内容

本发明所要解决的技术问题在于提供一种基于主动轮廓模型的超声图像分割中获取初始轮廓的方法。该方法操作简单可靠、速度快，由该方法获取的超声图像肿瘤初始轮廓准确性也很高。

本发明的一种超声图像分割中自动提取肿瘤初始轮廓的方法，包含以下步骤：

（1）选取60幅以上已有的超声图像组成训练集，所述已有的超声图像含有与待分割超声图像相同的肿瘤，用灰度级共生矩阵从训练集中每幅超声图像中提取肿瘤区域的24个纹理特征，利用数学线性回归中的的最小距离法得到24个纹理特征的标准值，并与标准椭圆经验值、待测超声图像中肿瘤先验大小一起构成一个标准向量A₀；

（2）对待分割超声图像进行各向异性扩散和直方图均衡的预处理；

（3）对（2）所得图像进行动态阈值分割，并提取动态阈值分割结果中产生的所有闭合轮廓，每个闭合轮廓形成一个相应子图像；

（4）利用灰度级共生矩阵提取各个子图像的24个纹理特征，计算椭圆拟合结果参数以及子图像闭合轮廓内部像素个数，并用这26个数据构成一个向量A₁；

（5）计算每一个子图像所得向量A₁与肿瘤区域训练所得的标准向量A₀的距离D，使得D最小的向量A₁所对应子图像中的闭合轮廓为待分割超声图像中肿瘤的初始轮廓。

步骤（1）中，标准椭圆经验值确定为0.7。

上述24个纹理特征包括图像0°、45°、90°、135°四个方向上的对比度、能量、相关性、逆差矩、熵以及非相似度各六个特征。

要使得初始轮廓的获取更加准确，在确定标准向量A₀的过程中，需要用到可靠地数学手段。比如训练过程中超声肿瘤图像有60幅，每一幅图像都要求得一个纹理特征向量A_i，那么如何处理这60个向量以得到一个标准向量A₀是需要认真考虑的。结合后面利用A₀来确定肿瘤区域时候所用的方法：计算从各个子图像中提取出的特征向量A₁与A₀的距离，那么此时也可用距离这个参考来获取标准向量A₀。具体执行方法是数学中的线性回归，即将某个纹理特征所拥有的60个特征值对应到坐标系中，然后求出坐标系中一个数据，使得这60个值到该数据所在直线的距离之和最短，那么这个数据就是该纹理特征的标准值，依次可以求出这24个纹理特征分别对应的标准值，这些标准值与标准椭圆数据、待测超声图像中肿瘤先验大小一起构成一个标准向量A₀。

其中待测超声图像中肿瘤先验大小由超声检测时，医生或者专家直接标注出肿瘤区域长短轴，单位一般为毫米，然后根据超声图像中实际长度与像素比例，例如每毫米4个像素，可以计算得到肿瘤区域的先验大小。

上述每个子图像只能包含一个闭合轮廓。