[发明专利]基于超体素和图割算法的三维肝脏CT图像自动分割方法

说明书

技术领域

本发明涉及医学图像处理领域，具体地讲，涉及基于超体素和图割算法的三维肝脏CT图像自动分割方法。

背景技术

原发性肝癌是世界上常见的恶性肿瘤之一，具有很高的发病率和死亡率。计算机断层扫描(ComputedTomography,CT)成像技术由于具有解剖信息精确、分辨率高、扫描时间短、普及率高等优点，被广泛应用于肝癌的诊断与治疗。精确的肝脏三维分割是计算机辅助诊断中的一项基础性工作，是三维可视化、定量分析、手术规划等的重要先决条件。目前临床上肝脏的分割一般由医生根据经验手工完成，这不仅耗时费力，且准确度因人而异。因此高效稳定的肝脏自动分割成为研究热点，这对于减轻医生的工作强度，提高诊断速度都有极大的帮助。

实现肝脏的自动分割是一项具有挑战性的研究工作，其难点在于：肝脏结构复杂，自身形状多变，个体间存在差异性，由于肿瘤、肝硬化导致的肝脏组织灰度不均匀，与邻接膈肌、心脏、肾脏等组织器官的边界模糊。近几十年来，国内外在肝脏CT图像分割方面已经提出许多方法，主要包括：区域生长、活动轮廓、水平集、图割、聚类、统计形状模型和概率图谱等。区域生长算法具有快速、易实现等优点，但当肝脏组织灰度不均匀时易造成分割结果不准确。基于活动轮廓和水平集的分割算法需提供初始轮廓且计算复杂、分割速度较慢。基于模型的分割算法虽然能够获得较准确的分割结果，但概率图谱或统计形状模型的生成需要大量的训练图像和相应的人工分割标准，且当处理非标准形状肝脏时可能造成分割结果不准确。图割算法因能获得全局最优解而被广泛应用于医学图像分割，然而直接以体素为单位构建图进行切割会导致过高的计算量且无法获得满意的分割结果。准确、快速、自动化的分割是肝脏分割的目标。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出一种基于简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)和图割算法的三维肝脏CT图像自动分割方法。该方法能够自适应增强图像对比度，自动提取肝脏感兴趣区域生成超体素，并以超体素为基本单元构建无向加权图，极大的降低计算复杂度和计算量，提高处理效率。同时又能够自动选取种子点对分割加以约束，并采用高斯混合模型建立肝脏和背景区域的颜色模型，避免了人工交互选取种子点对算法鲁棒性的影响。该方法采用图割算法对肝脏感兴趣区域超体素无向加权图做切割，能够实现快速、准确且自动化的肝脏分割，从而减轻医生工作量，对医学诊断提供辅助。

本发明提高了一种基于SLIC超体素和图割算法的三维肝脏CT图像自动分割方法，包括以下步骤：

1.1.对输入的一例腹部CT图像I进行直方图分析，从而自适应增强图像对比度，得到增强对比度后的CT图像I′；

1.2.采用自适应阈值及形态学方法对图像I逐层进行肝脏初始轮廓分割，选取最大肝脏切片l_max，计算并对增强后图像I′提取肝脏感兴趣区域I′_ROI；

1.3.在最大肝脏切片l_max上根据肝脏初始轮廓选取肝脏种子点S_F和背景种子点S_B，采用基于高斯混合模型的方法计算肝脏和背景区域的灰度概率分布，得到高斯混合模型P_fg和P_bkg；

1.4.对I′_ROI利用SLIC算法进行过分割生成超体素；

1.5.以超体素为顶点构建无向加权图G，利用图割算法对图G做切割，得到肝脏区域分割结果二值图像I_mask；

1.6.利用形态学开运算、中值滤波对I_mask做后处理，得到平滑的肝脏分割结果。

所述步骤1.1包括，

1.1.1.分析图像直方图中峰值个数及峰值CT值，若存在2个较明显的峰值则为高对比度图像I_high，若仅存在1个峰值则为低对比度图像I_low；

1.1.2.计算自适应对比度拉伸的阈值范围[I_min,I_max]，对于高对比度图像I_high有I_min＝(peak1+peak2)/2-60，I_max＝peak2+250；对于低对比图图像I_low有I_min＝peak1-60，I_max＝peak1+250，其中peak1、peak2表示峰值CT值；