[发明专利]一种基于CT图像的肝实质分割方法

说明书

技术领域

本发明涉及CT技术领域，具体涉及一种基于CT图像的肝实质分割方法。

背景技术

在医学图像处理中，如何利用计算机准确将CT图像中的中肝实质分割出来，是一个难度很大的问题。为了准确得到肝组织的边界，可采用手工勾划的方式，对肝实质进行分割。然而，一般一套病人CT图像有150-400张左右，单纯靠手工进行分割工作量巨大，而且难以精确分割出肝实质，操作者的经验以及图像本身质量都会影响到分割效果，如果借助于计算机进行图像分割，则可大大减轻图像处理工作量，由于人体生物组织十分复杂，且灰度相差不明显，传统图像分割方法如阈值法，不能有效的区分各组织；而区域生长法，则存在着分割边界不平滑、容易溢出的问题。

发明内容

为了解决上述的问题，本发明提供了一种基于CT图像的肝实质分割方法，通过提取图像中肝实质的纹理特征，采用BP神经网络方法对CT图像肝实质进行分割，该方法具有较强的自学习性及自适应性，可以有效解决背景技术中的问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于CT图像的肝实质分割方法，包括如下步骤：

(1)纹理特征提取：采用灰度共生矩阵的方法提取CT图像的纹理特征；

(2)建立BP神经网络：首先提取BP网络的特征输入向量，然后调整网络初始权值，再确定BP网络节点数，最后建立BP网络；

(3)图像分割：使用导师信号对网络进行充分训练，训练好的BP网络的权值及阈值根据训练样本进行调整，用于对CT图像序列进行分割；

(4)图像后期处理：首先选取一张分割后的图片，手工选取一个肝脏区域中的像素作为种子点，然后进行区域生长，区域生长出来的部分中间有孔洞，再进行孔洞填充，最后比对孔洞填充，得到最终的分割图像；

进一步地，所述灰度共生矩阵方法是建立在估计图像的二阶组合条件概率密度函数基础上的纹理分析方法，在纹理图像中，某个方向上相隔一定距离的一对像元灰度出现的统计规律，具体反映这个图像的纹理特性。

进一步地，所述BP神经网络是使用误差反向传播算法进行训练的多层前馈网络。

进一步地，所述BP网络的特征输入向量通过提取肝实质的纹理信息作为输入向量。

进一步地，所述网络初始权值调整到足够小，使各节点的净输入在零点附近，加快网络训练速度。

进一步地，所述BP神经网络包括输入层、输出层及隐层，输入层的节点数为输入向量的特征值，输出层的节点数为1，其表示分割后的图像的背景，所述隐层的节点数为输入层的节点数减去输出层7倍的输出节点数。

进一步地，所述BP网络的建立通过将确定的BP网络节点数作为参数，建立隐层传递函数，选用双曲正切S形函数。

本发明有益效果为：本发明通过提取图像中肝实质的纹理特征，采用BP神经网络方法对CT图像肝实质进行分割，该方法具有较强的自学习性及自适应性，可大大减轻图像处理工作量，能有效的区分各组织。

具体实施方式

根据下述实施例，可以更好的理解本发明。然而，本领域的技术人员容易理解，实施例所描述的内容仅用于说明本发明，而不应当也不会限制权利要求书中所详细描述的本发明。

实施例：

一种基于CT图像的肝实质分割方法，包括如下步骤：

(1)纹理特征提取：采用灰度共生矩阵的方法提取CT图像的纹理特征；

(2)建立BP神经网络：首先提取BP网络的特征输入向量，然后调整网络初始权值，再确定BP网络节点数，最后建立BP网络；

(3)图像分割：使用导师信号对网络进行充分训练，训练好的BP网络的权值及阈值根据训练样本进行调整，用于对CT图像序列进行分割；

(4)图像后期处理：首先选取一张分割后的图片，手工选取一个肝脏区域中的像素作为种子点，然后进行区域生长，区域生长出来的部分中间有孔洞，再进行孔洞填充，最后比对孔洞填充，得到最终的分割图像；

进一步地，所述灰度共生矩阵方法是建立在估计图像的二阶组合条件概率密度函数基础上的纹理分析方法，在纹理图像中，某个方向上相隔一定距离的一对像元灰度出现的统计规律，具体反映这个图像的纹理特性。

进一步地，所述BP神经网络是使用误差反向传播算法进行训练的多层前馈网络。

进一步地，所述BP网络的特征输入向量通过提取肝实质的纹理信息作为输入向量。

进一步地，所述网络初始权值调整到足够小，使各节点的净输入在零点附近，加快网络训练速度。