[发明专利]一种股骨头CT影像的分割方法

说明书

本发明提供一种股骨头CT影像的分割方法，涉及医学图像处理技术领域。该方法使用三维最大类间方差法进行预分割，然后基于图割和形状约束相结合进行自动股骨头精确分割，构建图后，基于Graph cuts模型优化分割结果，基于分层Hough变换检测影像中圆形区，使用SVM对Graph cuts的分割结果进行重新预测、分类，提取邻域梯度特征，分离股骨头和髋臼，以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。本发明不仅能够有效剔除影像噪声，为Graph cuts模型提供硬约束条件，鲁棒性较好，实现全自动分割股骨头CT影像，还能大大缩短Graph cuts模型的收敛时间，分割出的股骨头边缘完整、细节清晰，分割准确率达到92％。

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种股骨头CT影像的分割方法。

背景技术

影像分割在医学影像的定量、定性分析中均扮演着十分重要的角色，它直接影响到计算机辅助诊断系统的后续分析和处理工作。正确分割股骨头的影像，不仅可以通过股骨头的形状来确定患者坏死的程度，还可以通过分割结果近似地求出患者股骨头内部的缺血体积，为股骨头坏死的辅助诊断和分期判断做好准备。目前，股骨头CT影像的分割方法主要包括专家手工分割、计算机交互式分割和全自动分割。手工分割和计算机交互式分割对专家知识和经验要求很高，而且存在不可避免人为误差，同时对海量CT数据进行手工处理是一件耗时的事情，因此，股骨头CT影像的全自动分割具有极大的研究意义和价值。

目前常用的全自动股骨头分割方法主要有阈值法、分水岭法、水平集法和图谱法。其中阈值法单纯依赖图像像素信息进行分割，存在忽略图像噪声和边界处低对比度的缺点，在分割股骨头CT影像时会出现股骨头轮廓不完整、内部存在较大空洞和噪声亮斑过多等问题；分水岭法会受到CT图像中细节纹理和噪声的影响，出现过分割现象，影响分割效果，误分割率高；水平集法对于初始点的选择要求较为苛刻，并且分割速度较慢，分割准确率低；图谱法需要大量的训练样本，当训练样本与测试样本差异过大时，不能完成准确的分割。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种股骨头CT影像的分割方法，使用三维最大类间方差法进行预分割，然后基于图割和形状约束相结合进行自动股骨头精确分割，不仅能够有效剔除影像噪声、为Graph cuts模型提供硬约束条件，还能大大缩短Graph cuts模型的收敛时间。

为解决上述技术问题，本发明所采取的技术方案是：

一种股骨头CT影像的分割方法，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；