[发明专利]一种无监督的腹部CT序列图像多器官同时自动分割方法

权利要求书

1.一种无监督的腹部CT序列图像多器官同时自动分割方法，其特征在于包括以下步骤：

(1)脊椎和肋骨去除及图像裁剪，具体包括以下步骤：

a.采用指数变换方法y＝e^x-1对输入CT图像进行对比度拉伸，增强脊椎、肋骨与软组织的对比度，其中，x为输入图像灰度，y为指数变换后的图像灰度；

b.对指数变换后的CT图像采用OTSU算法与形态学运算提取出脊椎和肋骨，并将其从输入CT图像中去除；

c.根据脊椎和肋骨外围的最小包围盒裁剪脊椎和肋骨被去除后的CT图像，得到裁剪后的CT图像；

(2)目标器官初分割，生成目标器官的初始轮廓，具体包括以下步骤：

a.对步骤(1)所得裁剪后的CT序列进行超体素分割，得到超体素集合S＝{S₁,S₂,…,S_N}，其中，N为超体素数目；对每一超体素，计算其灰度直方图特征，得到高维特征集合Q＝{Q₁,Q₂,…,Q_N}，其中，Q_i:K_d为直方图的通道数目，即高维空间的维度；

b.采用局部线性嵌入算法对每个超体素S_i的高维特征Q_i进行非线性降维：首先寻找高维空间中与样本点Q_i的几何距离及特征距离最近的R个样本点作为Q_i的近邻点；然后，计算每个近邻点Q_j对样本点Q_i的线性重构系数W_ij：

其中，α为正则化参数；对于不在样本点Q_i邻域内的其他样本点z＝R+1,R+2,…,N；W_iz＝0；最后，构建局部线性误差能量函数：

其中，I为单位矩阵，为高维空间样本点Q_i在低维空间的嵌入，d为低维空间的维度；通过矩阵化及拉格朗日乘子法最小化该能量函数，得到低维特征矩阵矩阵中每一行对应一个超体素，每一列对应超体素的一个低维特征；

c.采用K-Means算法将特征矩阵Y聚成K_C类，生成目标器官，即肝脏、脾脏、左肾、右肾的候选区域，其中，K_C为聚类数目；

d.基于灰度、体积、相对位置解剖学先验，从上述候选区域中识别出肝脏、脾脏、左肾、右肾，实现目标器官初分割，得到目标器官初分割结果；

(3)对目标器官初分割结果进行优化，实现目标器官终分割，具体包括以下步骤：

a.首先根据目标器官初分割结果，采用粒计算分别获取肝脏、脾脏、肾脏的灰度范围和并分别构建肝脏灰度模型，脾脏灰度模型，以及肾脏灰度模型：

和

然后计算各灰度模型在每个灰度的最大值，构建混合灰度模型：

f_com(i)＝max{f_liv(i),f_spl(i),f_kid(i)}；

最后根据该混合灰度模型对步骤(1)所得裁剪后的CT图像进行灰度映射，实现多器官同时增强，得到增强后的CT图像；其中k为控制目标与背景之间对比度的常数，i为图像灰度，和分别为肝脏、脾脏和肾脏灰度的最小值，和分别为肝脏、脾脏和肾脏灰度的最大值；

b.构建三维Chan-Vese模型能量函数，优化目标器官初始轮廓：

其中，前两项为数据项，第三项为平滑项，Ω为图像域，u₀为步骤a所得增强后的CT图像，φ为水平集函数，其初始值为步骤(2)所得目标器官初分割结果，(x,y,z)为图像u₀中体素的坐标，λ₁、λ₂和μ分别为控制数据项与平滑项的权重，c_in和c_out分别表示图像u₀在水平集函数φ轮廓内、外的平均灰度值，H(·)、δ(·)和▽(·)分别为Heaviside函数、Dirac函数和梯度算子；通过Euler-Lagrange公式结合梯度下降法最小化该能量函数，获得多器官轮廓优化结果；

c.为解决由混合灰度模型导致的毗邻器官边界消失问题，首先在步骤(1)所得裁剪后的CT图像中定位两个毗邻器官初始轮廓的交界区域，以该区域为中心，选取大小为H×H×H的三维图像块作为ROI区域；然后通过直方图均衡算法增强该区域内不同器官/组织间的对比度，并利用中值滤波去除噪声，获得增强并平滑后的ROI区域；最后采用K-Means聚类算法将增强并平滑后的ROI区域内像素聚为K_T类，并结合ROI区域内毗邻器官间的灰度关系，准确定位器官边界，实现毗邻器官分离。