[发明专利]基于关键帧标记的序列CT图像骨盆轮廓快速提取方法

说明书

本发明涉及一种基于关键帧标记的序列CT图像骨盆轮廓提取方法，包括下列步骤：CT图像预处理；得到感兴趣区域掩模；将掩模与初始图像进行卷积得到中间图像；将中间图像按照空间顺序排列，选取相邻两帧CT图像的像素差值作为特征距离，将特征距离小于指定阈值的相邻两帧作为相似帧，对CT序列进行初步筛选，得到候选关键帧序列；对候选关键帧序列进行细致筛选；交互式标记关键帧骨轮廓；采用GVF模型提取各层CT图像的骨轮廓。

技术领域

本发明涉及医学图像分割领域，具体来说是一种在骨盆CT图像中对大盆骨、骶骨、髋骨、髋臼等骨区域分割方法。

背景技术

医学图像分割是医学图像分析及处理的基础，医学图像分割的准确性将直接影响医生对病情的判断以及手术方案的选择。由于CT图像具有较高的分辨率，可以清晰的显示解剖结构以及病变组织区域的特点，CT已经广泛的用于多种疾病诊断。骨盆骨折是造成发病、死亡的因素之一，对于移位型骨折，准确快速地确定骨折的范围、粉碎的程度以及软组织损害的程度等，能够为治疗方式的选取、愈后情况提供参考。其次，对于先天或后天性、小儿麻痹性、遗传性等原因引起的骨盆发育不良情况，其功能的重新建立以及畸形的矫正取决于精确的早期诊断以及及时治疗，CT对于手术前、后的骨盆解剖结构描述，手术方案的制定以及手术完成后的效果评价都有着极其重要的意义。

在骨CT图像分割方法中，最为普遍应用的分割方法为基于灰度信息的分割法，其中阈值法是典型方法，但是骨密度具有不均匀性、股骨头与髋臼之间的连接部分较为狭窄、以及病变引起的弱边缘性等原因，在使用过程中很难选取合适的阈值。另外，机器视觉中的分类与聚类法也用于分割中，此类方法对噪声具有很好的鲁棒性，但是分割效果取决于样本数量、类型，由于患者之间的个体性差异较大，此类分割算法具有局限性。目前大量研究集中于统计形状模型分割法，如snake模型、GVF模型^[1](Gradient Vector ConvolutionField Snake Model)、基于水平集的分割模型等，此类分割方法的研究重点在于标记点的自动选取、构建较少训练集的模型、对前述模型的改进以及与其他方法相结合等方面，在实现分割之前需要大量的人为处理给予先验信息，最终的分割效果取决于先验信息的准确性及完整性，由于患者之间个体化差异较大，要提高分割效果，则必须增加先验信息，因此此类方法前期工作量大，而效果却并不能保证，所以不适合医院直接使用。由于GVF模型^[2]较好地解决了传统的snack模型难以解决的两个问题：1.对初始轮廓非常敏感；2.在分割图像的凹陷部分时不能达到理想的效果。目前大量的研究基于GVF模型对图像进行分割，但是GVF模型仍存在着对初始轮廓敏感以及运算时间较长的缺点。因此，如果使用GVF模型进行骨CT图像分割，获得较为精确的初始轮廓，对加快运算速度和改进分割精度有重要影响。

参考文献：

[1]Wu Bingrong；Xie Mei；Li Guo；Gao Jingjing.Medical Image SegmentationBased on GVF Snake Model；Intell igent Computation Technology and Automation；2009:637-640.

[2]Chen,L.,et al.,Segmentation of the Pelvic Bone Using a GeneralizedGradient Vector Convolution Field Snake Model.JOURNAL OF MEDICAL IMAGING ANDHEALTH INFORMATICS,2015.5(7):p.1482-1487.

发明内容

本发明改进GVF模型法，提供一种序列CT图像骨盆轮廓快速提取方法。本发明通过获得较为精确的初始轮廓，再结合GVF模型法，实现骨盆轮廓的快速提取。技术方案如下：

步骤1：CT图像预处理