[发明专利]一种基于统计形变模型的医学图像分割方法

说明书

本发明公布一种基于统计形变模型的器官辅助定位分割方法，其包括如下步骤：(1)获取生物体CT数据；(2)划分高、低对比度器官，在CT数据中选取训练样本提取相应的统计先验信息；(3)建立低对比度器官的统计形变模型；(4)基于高、低对比度器官之间的相关性，借助高对比度器官辅助定位低对比度器官的初始位置；(5)在辅助定位的基础上，沿标记点法线方向进行器官的搜索分割。本发明采用的器官分割方法可快速自动地找寻器官的初始化位置，利用统计形变模型融合组织器官的位置、形状等先验信息，快速系统地完成器官的分割，大大提高了图像分割的效率，是一种有效的器官分割方法。

技术领域

本发明属于医学影像领域，涉及一种基于统计形变模型的医学图像分割方法。

背景技术

医学图像分割在现代医学研究、临床诊断、病理分析和治疗方面有着极为重要的作用，它是生物医学图像分析的先决条件，也是人类对于组织器官结构、功能认识的必要步骤。但由于人体器官的多样性和复杂性，分割问题一直作为研究人员努力探究的热点问题。

图像分割中常用的方法包括：边缘检测法，阈值分割法，区域生长法、活动轮廓模型法等。但这些方法都有它们各自的局限性：边缘检测法是根据引起图像灰度变化的物理过程来描述图像中灰度变化的过程，然而边缘定位与噪声滤除是两个相互矛盾的部分，很难同时得到很好的解决；阈值分割法适用于目标和背景占据不同灰度级范围的图像，因此会受到分割区域灰度对比度的限制；区域生长法可能由于噪声和灰度不均一导致空洞和过分割；活动轮廓模型是一种自顶向下定位图像特征的机制，需要确定初始轮廓位置，因此分割结果很大程度上受到初始轮廓的影响。在医学图像处理过程中成像设备分辨率的局限和生物组织蠕动产生的伪影和噪声，都会导致一些器官组织边缘迷糊、分辨率低，这就给器官分割造成了相当大的困难，并且单一的分割方法也都难以取得令人满意的效果。

对此，近年来，基于先验知识的统计模型分割方法已被广泛应用于各种与图像相关的领域中。上世纪九十年代Cootes等人提出了Active Shape Model，后又针对全局统计模型进行了改进，提出多变量的混合模型用以替代初始的单一模型，避免了单个静态模型的局限性，具有更高科学性，参见：Cootes T F,Hill A,Taylor C J,et al.The useofactive shape models for locating structures in medical images，InformationProcessing in Medical Imaging Springer Berlin Heidelberg，1993:33-47.此外，研究者们从模型和算法角度均对统计形变模型在医学图像分割上的应用进行了深入探索研究。

但就发展现况来看，仍存在一些缺陷：首先是先验模型的初始化问题，统计形变模型的分割方法中，器官的初始化定位不易，若初始定位偏离真实形状越远越不易分割，使得后续分割难度加大；其次是分割的自动化程度仍有待提高，需在保障分割精度的同时，更加高效的完成器官分割。本发明主要针对以上两个问题，利用统计形变模型更高效、准确地分割组织器官。

发明内容

为了解决器官图像分割工作量大、复杂度高、效率低的问题，本发明提出了一种基于统计形变模型的器官辅助定位分割方法。为了达到能够系统分割器官组织的目的，本发明采用了基于统计形变模型的辅助定位分割方法，借由高对比度器官图像来辅助分割低对比度器官图像，从而系统地完成器官图像的分割。

为了实现上述目的，本发明采用的技术方案是：

一种基于统计形变模型的医学图像分割方法，包括如下步骤：

(1)获取生物体CT数据；

(2)划分高、低对比度器官图像，在CT数据中选取训练样本提取相应的统计先验信息；

(3)建立低对比度器官图像的统计形变模型；