[发明专利]基于改进型八叉树分解的三维超声图像数据抽样方法

说明书

本发明属于图像处理技术领域，具体为基于改进型八叉树图像分解的三维超声图像数据抽样方法。本发明包括使用基于模糊集的灰度图像阀值分割算法确定阀值作为均匀性标准并对超声图像进行八叉树分解；从八叉树分解结果中选取最大分块立方体并根据最优同质选取准则自动挑选出最优同质立方体，计算出八叉树分解结果中最多分块数并自动挑选出典型异质立方体；最优同质立方体和典型异质立方体作为抽样结果输出。本发明方法能自动、高效地抽取出三维超声图像数据中均匀度最高即同质性最优立方体和所含细节信息最多即异质性最强的立方体；抽样结果在极大压缩数据量的同时，对原始三维超声图像数据具有充分和优良的代表性；可有效降低后续三维图像处理过程的运算量，具有显著的实际使用效果。

技术领域

本发明属于图像处理技术领域，具体涉及三维超声图像数据抽样方法。

背景技术

随着近年ABUS(automated 3-D breast ultrasound,ABUS)技术的发展，基于三维超声图像的研究逐渐成为了医学图像处理领域的热点。相比二维超声图像对医生依赖性高、成像面间隙容积信号的丢失影响诊断准确性等缺陷，三维超声图像具有更加丰富的数据信息，可以辅助医生从多角度观察脏器的切面或整体，诊断准确性更高。然而，三维超声图像海量、非均质的特点也使得数据的处理变得更加复杂。例如，三维超声图像在降噪时需要一次次的进行参数调整以求达到最好的降噪效果，但由于数据量大，每次降噪需要花费时间长，效率低下，因此对三维超声图像进行数据抽样处理是十分必要的。

数据抽样作为一种非全面的调查手段，主要通过不同抽样方法选取样本，并根据相应算法用样本估测总体数据量或者将样本作为总体数据的某一特征量进行更多实验。传统的抽样方法包括：简单随机抽样、分层抽样、系统抽样和集群抽样，其针对的抽样对象为是简单的一维同质性数据，而对于三维超声图像这种空间数据而言，鲜有成熟的数据抽样算法。如将现有的抽样算法扩展到三维空间，也会存在明显不足，如缺乏统一的抽样模型、以及缺乏对数据的空间信息的表达和利用等。

据上述实际需求，本发明克服传统抽样方法没有考虑抽样对象的空间关系以及缺乏统一的样本量定量模型的局限，采用基于改进型八叉树分解的三维超声图像数据抽样方法，实现了最优同质立方体和典型异质立方体的选取，充分考虑三维超声图像的空间复杂性特征及分布，在极大压缩数据量的同时，对原始三维超声图像数据具有充分和优良的代表性；可有效降低后续三维图像处理过程的运算量，具有显著的实际使用效果。

发明内容

本发明的目的在于提出基于改进型八叉树分解的三维超声图像数据抽样方法，能够高效、自动、准确地确定最优同质立方体和典型异质立方体，充分考虑三维超声图像的空间复杂性特征及分布，在极大压缩数据量的同时，对原始三维超声图像数据具有充分和优良的代表性；可有效降低后续三维图像处理过程的运算量，具有显著的实际使用效果。

本发明提出的基于改进型八叉树分解的三维超声图像数据抽样方法，首先，使用基于模糊集的灰度图像阀值分割算法确定阀值k^*，作为均匀性标准对超声图像进行八叉树分解；其次，对于最优同质立方体(C_homo)，从八叉树分解结果中选取最大分块立方体并根据最优同质选取准则自动挑选出最优同质立方体，对于典型异质立方体(C_hetero)，计算出八叉树分解结果中最多分块数，并自动挑选出典型异质立方体；最后，将C_homo立方体和C_hetero立方体作为对原始三维超声图像数据的抽样结果输出。本发明的具体步骤如下：

步骤1，使用基于模糊集的灰度图像阈值分割算法确定阀值k^*，作为超声图像八叉树分解时的一致性标准；

步骤2，对三维超声图像进行尺寸评估和扩展处理，得到标准图像立方体；

步骤3，以超声图像待分割立方体中的所有像素点的灰度最大值与最小值之差是否符合小于阀值k^*的条件作为容积一致性标准，对得到的标准超声图像立方体进行八叉树图像分解；