[发明专利]一种股骨头CT影像的分割方法

权利要求书

1.一种股骨头CT影像的分割方法，其特征在于：包括基于三维类间方差的股骨头预分割方法和基于图割和形状约束相结合的自动股骨头精确分割方法；

基于三维类间方差的股骨头预分割方法中，使用三维最大类间方差法进行预分割，根据分割结果，取出骨像素集合中灰度值最高的10％像素和非骨像素集合中灰度值最低的10％非零像素，作为Graph cuts模型的硬约束条件；

基于图割和形状约束相结合的自动股骨头精确分割方法包括以下步骤：

步骤2.1：构建图；

首先把待处理影像转化为符合Graph cuts模型的图网络，具体方法为：设置两个目标节点α和α值为所有类别为α的像素灰度值的均值，的值为所有类别不是α的像素灰度值的均值；再将所有像素和两个目标节点α和分别连接起来，目标节点与像素之间的连线称为t-link；对于所有四相邻的像素对，若经过预分割后像素标签相同，则连接像素，连线称为n-link，若经过预分割后像素标签不同，则在两个像素之间添加辅助节点a，并连接辅助节点和两个像素，再连接辅助节点与如此完成构图，把一个图像转化为图网络；

然后给图网络中所有的边赋予权值，在图中有四种边，像素之间的连线n-link、目标节点与像素的连线t-link、像素与辅助节点的连线e{p，a}和辅助节点与的连线其中p表示像素点；n-link的权值的大小描述像素属于同一标签的概率，使用训练好的PixelsPair_Category树来预测；t-link的权值描述像素属于α和两类的概率，使用Pixel_Category树预测；e{p，a}的权值等于像素p和a属于同一类的概率，用PixelsPair_Category树预测；的权值等于辅助节点两端像素的相似性，用PixelsPair_Category树预测；

步骤2.2：基于Graph cuts模型优化分割结果，得到大部分像素分类正确、股骨头的圆形轮廓容易辨认的分割结果；

步骤2.2.1：进行初始化；

利用属于标号集合T₀、T₁的像素形成训练集：

data set1＝{l₁，l₂，...，l_n}，label set＝{0，1}；

其中，l_i表示像素灰度值，n表示像素总个数，label set表示标签集，方法如下：

训练随机森林模型，得到Pixel_Category树；然后用Pixel_Category树对整个图像进行预测，得到整幅图像的标号矩阵initf；然后通过标号集T₀、T₁及其包含的像素，组成像素对(p，q)，如果像素对(p，q)属于同一标号集合，则设定标签为0，否则，如果像素对(p，q)属于不同标号集合，则设定标签为1，最终得到训练集：

data＝{(l₁，l₂)，(l₂，l₃)，...，(l_n-1，l_n)}，label＝{o，1}；

其中，l_i表示像素灰度值，n表示像素总个数，label表示标签集；使用该训练集来训练随机森林模型得到PixelsPair_Category树，该树用于衡量像素对属于同一标签和不同标签的概率，即度量像素对中两个像素的相似性；

步骤2.2.2：使用α-expansion算法进行迭代；

步骤2.2.2.1：设置迭代的标志“continue”为False；

步骤2.2.2.2：对于每个目标节点标号α，在初始标签initf的基础上实施一次α-expansion操作，得到新的标号矩阵f′；在所有的标号矩阵f′中找到总能量最小的矩阵，即：当新的标号矩阵f′的总能量E(f′)小于初始标号矩阵initf的总能量E(initf)时，将f′赋值给initf，并且把迭代的标志“continue”修改为True；然后根据新的结果，更新训练集，修正Pixel_Category树；

步骤2.2.2.3：如果continue＝True，则回到步骤2.2.2.1；否则，返回分割结果Seg，得到一阶段分割结果；

步骤2.3：基于分层Hough变换检测影像中圆形区；

确定基于Graph cuts模型的分割方法生成的图像mat2中股骨头近似圆的圆心和半径，使用分层Hough变换检测圆形：第一步，采用传统的梯度法在每层切片上检测圆，从中选出半径最大的圆，该圆在切片上的x、y坐标就是三维股骨头球心的x、y坐标；第二步，利用球心的x、y坐标，在每个切片上估计出圆半径，再利用圆半径计算出球心的z坐标和球半径r，每计算出一组(z，r)，zr平面上对应的(z，r)点的值就加1，默认所有点的初始值为0，最后找出值最大的一组(z，r)，对应的z坐标值就是球心的z坐标，对应的r值就是球半径r；确定球心和球半径之后，利用切片之间的距离计算出其他切片上圆的半径，得到完整的圆；

梯度法检测圆的具体方法为：对每个边界点求梯度，再以该边界点为起点，沿梯度方向作射线，对射线经过的像素点都进行累加，累加值符合阈值要求的点即为圆心；

步骤2.4：股骨头和髋臼分离；

使用支持向量机(SVM)对Graph cuts的分割结果进行重新预测、分类，把像素的灰度值f(x，y)和圆心距离d组成新的二维特征向量[f(x，y)，d]，加上骨和非骨的标签0或1组成训练集，训练支持向量机，再用训练后的支持向量机预测整幅图像，得到结果图像mat3；

选择以像素p为中心，7×7的核来提取邻域梯度特征，在像素p的八个方向，若存在灰度值比p大20或以上的像素，则令该方向的特征值为-1，否则为1；只对两个圆心之间的骨类像素进行提取特征、分类，分类的依据是若存在同一直线的两个特征值均为-1，那么该像素为非骨类，否则，仍然为骨类；如此得到股骨头和髋臼分离的图像矩阵mat4；

步骤2.5：得到mat4后，以之前检测出的圆心为种子节点，使用区域生长算法生成股骨头，得到最终的股骨头分割图像mat5。