[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

说明书

本发明请求保护一种基于改进树状部分模型的医学图像分割方法，涉及医学图像分割领域，所述方法主要包括以下步骤：对输入图像进行预处理；对预处理之后的图像获得特征点；然后利用凹凸点(Convex Concave Point)算法获得最能表现器官特征的关键点；最后利用树状部分模型训练出器官的模型，利用此模型进行分割。本发明通过CCP算法对医学图像进行分割，能够准确、自动的提取肝脏轮廓，将分割结果显示出来为医学辅助诊断提供参考。

技术领域

本发明属于医学图像分割领域，特别设计一种基于改进的树状部分模型的医学图像自动分割方法。

背景技术

医学图像处理是实现计算机辅助诊断(CAD)的基础研究和治疗，尤其是肿瘤放射治疗(ORT)与研究成像指南手术(IGS)。器官分割是医学图像处理领域的一个重要课题。随着成像技术，如磁共振成像(MRI)、计算机断层扫描(CT)和正电子发射断层扫描(PET)，医生和物理学家完成相关的工作中都会使用计算机辅助方法。例如，当拟定一项行动计划，他们需要画出轮廓的解剖结构和其它感兴趣的领域。快速、准确的器官分割在诊断、分类、手术计划的制定具有重要的作用。目前，临床常使用手动分割得到医疗机关区域。但这种方式的缺点是耗费时间和技能的人员。因此，研究自动分割和半自动技术有助于减少临床医生工作，减少主观因素，以提高诊断的准确率分割错误。

器官的分割已经吸引了越来越多人的研究关注。然而，由于以下的事实，肝脏的分割是仍被视为具有挑战性的任务。第一，人类的器官和组织结构复杂，不同个体之间有着天壤之别。同时，由于临床医学成像范围的限制，实现医学图像目标器官或组织的准确分割是困难的。第二，医学图像所呈现的效果是：高噪声、低对比度和模糊的边缘，尤其是低剂量卷。解剖学的精度、任何人机交互和处理的所有可能情况的能力是临床使用很大代价。用于高精度的医学图像分割，模型在处理复杂的可能的情况下更有利。对于临床的最终用户，好的设计的算法与没有交互式的软件很有必要，所以本方法专注于自动分割模型。

到现在，有很多的研究致力于使用模型进行医学图像分割。根据模型的不同模式，可分为全局模式和局部模式。全局模式是通过调节参数来达到分割的目的，例如阈值分割、区域增长、边缘检测。Sezgin Mehmet利用阈值信息结合直方图形状、测量空间聚类以及空间相关性信息来进行分割。Ma Yang使用超复杂边缘检测算子，并应用于树维CT的肝血管分割。Xiaoqi Lu提出了改进的区域生长法，主要利用Quasi-Monte Carlo方法来选取种子点。但通过这种方法得到的肝轮廓并不顺利。全局模式主要从宏观上进行分割，会忽略掉局部的精细的信息。局部模式包含了图像的局部详细信息，如蛇模型、主动轮廓模型。主动轮廓模型是主要用于肝脏分割最受欢迎的方法，其分为参数活动轮廓模型和几何活动轮廓模型。这种轮廓模型的缺点是都需要好的初始估计。和全局模式相反的是，局部模式也只是考虑了局部信息，也忽略了重要的宏观信息。

发明内容

本发明的目的是为了解决现有技术在医学图像分割过程中过多的依靠人为的操作，或者半人为的操作问题，发明了一种高效的基于改进树状部分模型的医学图像自动分割方法。。本发明的技术方案如下：一种基于改进树状部分模型的医学图像自动分割方法，其包括以下步骤：

一种基于改进树状部分模型的医学图像自动分割方法，其包括以下步骤：

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；