[发明专利]一种融合加权随机森林的3D椎骨CT图像主动轮廓分割方法

说明书

本发明公开了一种融合加权随机森林的3D椎骨CT图像主动轮廓分割方法，涉及医学图像处理领域，本发明针对椎骨CT图像分割方法对初始轮廓的敏感问题，提出一种自动定位椎骨、分割椎骨CT图像的方法。首先，提出加权随机回归、分类森林算法确定椎骨中心；接着，将主动轮廓分割的初始轮廓球置于椎骨中心位置，采用联合能量函数的3D主动轮廓分割方法将图像中椎骨分割出来；最后，将训练好的模型组合输出，得到完整椎骨CT图像分割模型。本发明提出的脊柱CT分割模型，可以自动定位椎骨中心，可以对椎骨进行自动三维分割，简化脊柱CT图像的分割步骤及流程。

技术领域

本发明涉及医学图像处理领域，尤其是涉及一种融合加权随机森林的3D椎骨CT图像主动轮廓分割方法。

背景技术

图像分割是将图像分割成多个区域并提取感兴趣对象的过程。目前，图像分割广泛用于医学图像的计算机辅助诊断。医学图像的分割被认为是图像处理分析的基础。随着医学图像处理和分析技术的不断发展，医学图像处理正在迅速发展，使用计算机对图像进行分析和处理是现代医学中的一项重要研究，有重要的意义和实用价值。

脊柱也被称为脊椎，是形成身体上部中央重心轴的骨骼结构。脊柱图像具有各种医学图像模型，诸如 X射线，CT，MRI，PET的各种脊柱图像来诊断脊柱病理和评估脊柱解剖结构。其中，CT是世界上应用最广泛的扫描技术，是评估脊柱三维形状最准确的方法。脊柱分割是后续大多数椎体图像分析和建模任务中的基本步骤，例如基于图像的生物力学建模，图像引导或需要分割准确性的脊柱异常的识别。例如，虽然脊柱图像引导通常需要亚毫米级精度，但手动分割椎骨是主观的，需要相当长的时间，大多数临床应用使用我需要的全自动或半自动分割方法。由于形状复杂，椎体结构发生变化，相邻椎体非常相似，跨越脊柱的CT图像分割跨越人群、结构、病理和空间相互关系，这对分割工作很重要。

近年来，一些计算机断层扫描脊椎分割算法已经被提出。早期的研究中，脊柱的分割有基于区域的分割方法：自适应阈值、区域生长和边界调整，例如图案切断用无监督的图像处理方法来实现。与此同时分割椎骨，水平集方法也被使用处理复杂的椎骨结构。用于边缘和基于区域的水平集函数组合的水平集框架，也可以在CT图像来进行分割。除了基于区域的技术，统计方法和试探法来用于椎体的分割。此外，基于分水岭的方法也被广泛使用在有向图搜索曲线的重建和椎骨模板的自动分割，利用数学形态学和分水岭标记方法在分割脊柱CT图像方面也很受欢迎。然而，其中一些方法，初始轮廓需要手动定义，不能完全自动分割图像。

发明内容

本研究设计正是在这样的背景下提出的。为了实现对脊柱CT图像进行椎骨与背景图像自动分离和解决对脊柱CT图像的分割方法对初始轮廓敏感的问题，提出一种融合加权随机森林的三维主动轮廓椎骨CT 分割方法，本方法提取CT图像的3D Haar-like特征，利用加权随机森林回归、分类算法获得椎骨中心点，后将分割初始轮廓球置于预测中心点，通过求解联合能量函数最小值实现椎骨分割。

本发明的目的是通过以下技术方案实现的，具体包括以下步骤：

步骤1：读取、显示训练集及测试集椎骨CT图像；

步骤2：在脊柱CT图像中进行体素的3D Haar-like特征提取；

步骤3：由步骤2中所得到的3D Haar-like特征，进行加权随机森林回归、分类以确定椎骨的中心点，输出椎骨定位模型；

步骤4：将3D主动轮廓分割的初始轮廓球放在步骤3确定的椎骨中心点，对定义的综合能量函数求取最小值进行主动轮廓分割；

步骤5：将步骤4求取的最小距离符号函数S*进行三维轮廓映射，得到分割轮廓L*，完成分割后输出分割图像，输出椎骨3D分割模型；

步骤6：输出训练好模型进行组合，得到完整的脊柱CT分割模型。

进一步，所述的步骤3包括以下内容：