[发明专利]一种图像分割方法

说明书

技术领域

本发明涉及图像分割技术领域，尤其涉及一种基于计算机断层扫描(Computed Tomography，CT)的肿瘤分割方法。

背景技术

计算机断层扫描(Computed Tomography，CT)已广泛应用于癌症的研究、预防、诊断和治疗中。为了确诊病灶、并给病人提供有效的治疗方案，医生可能需要通过计算机断层扫描影像来了解肿瘤的体积大小。传统方法下，医师通常需要在CT图像上逐层手工标定肿瘤区域的轮廓，然后统计得到肿瘤的体积大小。然而，这个过程较为枯燥且耗时。

肝癌是全世界范围内最常见的癌症之一，且致死率在所有癌症中排第三位。CT图像中，肝肿瘤与其周围正常肝组织的对比度很小，且图像噪声比较严重，肿瘤边缘也比较模糊，不同肿瘤的形状大小也存在较大的差异，因此，通过传统手工方法获得的肿瘤体积大小存在较大误差。

近些年来，研究者们开发出不同的半自动和全自动的肝组织分割方法，包括全肝、肝血管和肝肿瘤之间的分隔。Metaxas等人结合Markov随机场(Markov Random Field)和可变模型来分割出肿瘤(可参见文献：Chen T,Metaxas D,A hybrid framework for 3D medical image segmentation.Med Image Anal 9:547–565,2005)。Peitgen等人提出了一种半自动区域增长的方法用于分割肝血管和肿瘤(可参见文献：Bourquain H,Schenk A,Link F,Preim B,Prause G,Peitgen H,Hepavision2a software assistant for preoperative planning in living related liver transplantation and oncologic liver surgery.In:Proceedings of the 16th Conference on Computer Assisted Radiology and Surgery(CARS’02),pp 341–346,2002)。以上这两种方法都需要在CTA图像上逐层手动选取大量的种子点，从而限制了它们在临床上的应用。Grady等人提出了一种基于模糊连通和Random Walk结合的3D肝肿瘤分割方法，该方法只需要用户提供一个肿瘤区域内的种子点即可(可参见文献：Jolly M-P,Grady L,3D general lesion segmentation in CT.In:Proceedings of the 5th IEEE International Symposium on Biomedical Imaging(ISBI’08),IEEE,pp 796–799,2008)。这种方法的不足之处在于，对于对比度较弱、边缘比较模糊的肿瘤，分割效果不理想。Freiman等人则提出了一种基于SVM分类的监督学习方法，主要包括肝分割、肿瘤和正常组织种子点选取、SVM分类及后处理，在SVM分类的过程中利用到的特征是每个体素点5×5×5邻域内灰度平均值、标准差、最大值和最小值(可参见文献：Moti Freiman,Ofir Cooper,Liver tumors segmentation from CTA images using voxels classification and affinity constraint propagation.Int J CARS,2010)。这种方法的不足之处在于需要手动点选取肿瘤和正常组织的种子点，交互方式较为繁琐，用于训练的特征对噪声较为敏感，而CT图像中肝区域颗粒状较为明显，噪声重。

因此，亟需一种鲁棒、方便、分割效果佳的电脑辅助的CT肿瘤分割方法。

发明内容

本发明的目的在于帮助用户通过简单的交互方式来准确、快速地分割出CT图像肿瘤(例如：肝肿瘤)，准确地得到肿瘤的体积、轮廓、灰度等信息。

在一个实施例中，本发明提供了一种图像分割方法。该方法包括：

在所述图像上确定肿瘤所在的感兴趣区域；

利用基于特征分类的方法对图像进行肿瘤粗分割，并获得粗分割结果；

基于该粗分割结果，采用水平集方法对该图像进行精分割。在一个实施例中，所述基于特征分类的方法对图像进行肿瘤粗分割包括：

在所述感兴趣区域内，分别对肿瘤区域和非肿瘤区域采样种子点；

利用所述采样种子点进行分类训练；