[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

说明书

本发明公开了一种无监督的腹部CT序列图像多器官同时自动分割方法，对腹部CT序列图像中肝脏、脾脏、左肾、右肾等目标器官进行分割，本发明方法包括：提取并去除输入CT图像中的脊椎和肋骨，并对图像进行裁剪；对裁剪后的图像进行超体素分割，并结合局部线性嵌入、K‑Means算法和解剖学先验生成目标器官的初始轮廓；根据器官灰度信息构建混合灰度模型增强目标器官区域，采用三维Chan‑Vese模型优化器官轮廓，并基于直方图均衡与K‑Means算法分离毗邻器官。本发明方法不需要训练数据，且能够有效检测低对比度图像中目标器官间的弱边缘，有效处理不同序列图像中多个器官的形状和位置差异，实现多器官同时、自动和准确分割。

技术领域

本发明属于医学图像处理领域，具体涉及一种无监督的腹部CT序列图像多器官同时自动分割方法。

背景技术

随着医学成像技术的飞速发展，医学影像在疾病诊断中的地位与日俱增。对腹部CT序列而言，肝脏、脾脏、肾脏等腹部器官的准确分割可以为计算机辅助诊断、腹腔手术导航、放疗计划制定等过程提供强大的技术支持。由于个体腹部CT序列切片数目较大，对多个器官的手动分割不仅费时费力且勾画结果受操作者主观性影响较大。因此，研究腹部CT序列图像多器官自动分割方法具有重要意义。

受成像设备性能、组织运动、个体差异、以及部分容积效应等因素影响，腹部CT图像通常具有复杂性和多样性等特点。此外，由于腹腔器官数目较多且相互毗邻，器官之间会产生灰度重叠以及边界模糊粘连等现象。这些都为腹部CT序列图像多器官的自动准确分割带来很大挑战。

现有的腹部CT序列图像多器官分割方法主要包含基于传统方法、基于统计模型和基于深度学习三类。传统方法大多需要人工干预，且难以分割对比度低、边界模糊的CT图像。基于统计模型的方法通常需要将先验模型与待分割图像进行配准，该过程耗费时间长，且分割结果受配准精度影响较大。基于深度学习的方法需要大量的训练数据，且容易出现过拟合问题。

发明内容

本发明目的在于提供一种无监督的腹部CT序列图像多器官同时自动分割方法。本发明通过以下方案实现：

一种无监督的腹部CT序列图像多器官同时自动分割方法，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、肋骨与其他软组织的对比度，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，K_d为直方图的通道数目，即高维空间的维度；N为大于6000小于8000的整数，K_d为大于15小于30的整数；

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：