[发明专利]一种基于改进树状部分模型的医学图像自动分割方法

权利要求书

1.一种基于改进树状部分模型的医学图像自动分割方法，其特征在于，包括以下步骤：

101、获取医学图像后，首先对医学图像进行预处理，获得多种彩色图像；具体包括步骤：输入医学图像的灰度图像，将灰度图像的单通道颜色对应到red，green，blue三个通道上，并将三个通道的颜色值合成为伪彩色的RGB颜色值；获得多种彩色图像即为：将RGB图像转化为HSI和HSV图像，将RGB对应通道的颜色值转换为HSI和HSV对应通道的颜色值；

102、利用特征点提取算法对预处理后的医学图像提取多个特征点，特征点与特征点的距离L大于等于最小距离L1且小于等于最大距离L2；

103、使用凹凸点算法对步骤102提取的多个特征点筛选出若干个最能表示医学图像特征的关键特征点；具体包括步骤：

A1、获取特征点的上一个点坐标,当前点坐标及下一个点的坐标，计算上一个点与当前点长度e，当前点与下一个点的长度f,及上一个点与下一个点长度g；

A2、当前点与上一个点之间连线为m1，当前点与下一个点之间的连线为m2，使用余弦定理计算m1与m2所成的角度β；如果β大于取定的阈值，即β≥θ,保存这个点为关键点，重复步骤A1、A2获得关键点序列；

104、然后利用树状部分模型训练针对医学图像的模型；最后利用此模型找到器官；步骤104利用树状部分模型训练针对医学图像的模型具体为：使用获得的特征点和医学图像进行模型的训练，其公式如下：

其中，等式左边表示得分函数，I表示输入的图像，P表示输入的特征点，等式右边第一项表示表观模型，w_n表示每个P_n的位置，P_n表示第n个特征点，P_m表示第m个特征点，E表示特征点的集合,α(I,P_n)表示输入图像I的特征向量，等式右边第二项表示形状模型，表示了相邻两个特征点的位置，可扩展为如下：

其中，a_m(m+1)、b_m(m+1)、c_m(m+1)、d_m(m+1)表示第_m个特征点和第_m+1个特征点之间的权重系数，dx和dy分别表示相邻两个坐标点坐标之间的差值。

2.根据权利要求1所述的一种基于改进树状部分模型的医学图像自动分割方法，其特征在于，步骤102特征点提取算法包括以下步骤：对RGB图像、HSI图像和HSV图像分别提取特征点，每幅图像手工标定等间距的n个特征点，这n个特征点描述图像的边界轮廓，然后保存每一个点的坐标，完成特征点的提取。

3.根据权利要求1所述的一种基于改进树状部分模型的医学图像自动分割方法，其特征在于，使用训练出来的模型进行医学图像的分割，将模型与待分割图像作为输入，首先计算待分割图像的特征金字塔，在特征金字塔中找到与模型最为匹配的特征，确定模型所在位置，最后完成分割过程。