[发明专利]脑影像动脉全自动分割方法及装置

权利要求书

1.一种脑影像动脉全自动分割方法，用于对二维或是三维的待测脑影像进行脑血管分割，其特征在于，包括：

步骤S1，采用局部增强算法对所述待测脑影像中的血管区域进行增强，提高所述血管区域与背景之间的对比度从而形成增强图像；

步骤S2，根据所述待测脑影像经直方图均衡化后的灰度直方图提取该灰度直方图的集合特征向量，将该集合特征向量输入预先训练好的机器学习分类器从而得到子类标签，进一步根据所述子类标签查找预先建立的子类-参数对照表从而提取所属子类中分布占比最高的参数，所述参数包含分割阈值、颅骨阈值、连通域阈值以及增长阈值；

步骤S3，利用所述参数对所述增强图像进行阈值分割从而得到阈值分割图像；

步骤S4，提取所述待测脑影像中的关键层切片，并采用二维包围盒提取颅骨上的点作为第一种子点；

步骤S5，基于所述参数以及所述第一种子点采用区域增长的方法得到颅骨分割结果，然后将所述阈值分割图像减去所述颅骨分割结果从而得到颅骨去除图像；

步骤S6，分析所述颅骨去除图像中的所有连通域的面积或体积，将所述连通域根据所述面积或所述体积从大到小进行排列形成连通域列表，并使用所述参数对所述连通域列表进行筛选从而得到提取连通域，进一步去除所述颅骨去除图像中未被选取的连通域；

步骤S7，对所述提取连通域内对应的所述增强图像的相同范围内的体素灰度进行统计得到灰度分布数值，同时通过分布模型根据该灰度分布数值计算区域增长的上下限阈值；

步骤S8，将所述提取连通域作为第二种子点，并根据该第二种子点以及所述上下限阈值在所述增强图像中进行区域增长；

步骤S9，对所述区域增长得到的区域增长部分进行二值化，并利用膨胀算法根据所述二值化的结果进行均匀膨胀，从而以膨胀后的区域提取所述待测脑影像中的对应区域从而得到分割结果，

其中，所述机器学习分类器以及所述子类-参数对照表通过如下步骤预训练得到：

步骤T1，依次对多个训练用的训练图像进行直方图均衡化得到相应的训练用灰度分布直方图；

步骤T2，提取每个所述训练用灰度分布直方图的至少包含包络线梯度曲线、包络线拐点特征、最大极值点坐标、熵以及最大熵的训练集合特征向量；

步骤T3，对每个所述训练图像进行手动分割，并在分割过程中设定包含分割阈值、颅骨阈值、连通域阈值以及增长阈值的训练参数；

步骤T4，分别将每个所述训练图像所对应的所述训练集合特征向量以及所述训练参数作为数据集，并根据不同所述数据集的所述训练参数间的距离进行所述数据集的分类从而将距离最小的数据集聚集为一类从而得到多个不同的子类；

步骤T5，提取每个所述子类的特征向量，并将同一标签赋予同属于一个所述子类的所述特征向量，进一步采用机器学习分类方法根据所有带有标签的所述特征向量进行训练从而得到所述机器学习分类器，同时根据各个所述子类以及对应的所述训练参数建立相应的子类-参数对照表。

2.根据权利要求1所述的脑影像动脉全自动分割方法，其特征在于：

其中，所述分布模型为由高斯分布、泊松分布、均匀分布中的单个分布构成或由高斯分布、泊松分布、均匀分布中的多个同类或不同类的分布叠加而成。

3.根据权利要求1所述的脑影像动脉全自动分割方法，其特征在于：

其中，在对所述连通域列表进行筛选时，所述参数的所述连通域阈值代表允许的最小连通域的体积，

所述连通域阈值还保证所述提取连通域位于所述连通域列表的排序的前10位以内。

4.根据权利要求1所述的脑影像动脉全自动分割方法，其特征在于：

其中，所述增长阈值为计算所述分布模型中能够覆盖分布指定百分比范围以上时对应的阈值。

5.一种脑影像动脉全自动分割装置，用于对二维或是三维的待测脑影像进行脑血管分割，其特征在于，包括：

图像增强部，用于采用局部增强算法对所述待测脑影像中的血管区域进行增强，提高所述血管区域与背景之间的对比度从而形成增强图像；

参数自适应选取部，存储有预先训练好的机器学习分类器以及子类-参数对照表，用于根据所述待测脑影像经直方图均衡化后的灰度直方图提取该灰度直方图的集合特征向量，并将该集合特征向量输入所述机器学习分类器从而得到子类标签，进一步根据所述子类标签查找所述子类-参数对照表从而提取所属子类中分布占比最高的参数；

阈值分割部，用于利用所述参数对所述增强图像进行阈值分割从而得到阈值分割图像；

自适应颅骨种子点提取部，用于提取所述待测脑影像中的关键层切片，并采用二维包围盒提取颅骨上的点作为第一种子点；

颅骨去除部，用于基于所述参数以及所述第一种子点采用区域增长的方法得到颅骨分割结果，然后将所述阈值分割图像减去所述颅骨分割结果从而得到颅骨去除图像；

自动连通域筛选部，用于分析所述颅骨去除图像中的所有连通域的面积或体积，将所述连通域根据所述面积或所述体积从大到小进行排列形成连通域列表，并使用所述参数对所述连通域列表进行筛选从而得到提取连通域，进一步去除所述颅骨去除图像中未被选取的连通域；

自适应阈值统计部，用于对所述提取连通域内对应的所述增强图像的相同范围内的体素灰度进行统计得到灰度分布数值，同时通过分布模型根据该灰度分布数值计算区域增长的上下限阈值；

区域增长部，用于将所述提取连通域作为第二种子点，并根据该第二种子点以及所述上下限阈值在所述增强图像中进行区域增长；

均匀扩展部，对所述区域增长得到的区域增长部分进行二值化，并利用膨胀算法根据所述二值化的结果进行均匀膨胀，从而以膨胀后的区域提取所述待测脑影像中的对应区域从而得到分割结果，

其中，所述机器学习分类器以及所述子类-参数对照表通过如下步骤预训练得到：

步骤T1，依次对多个训练用的训练图像进行直方图均衡化得到相应的训练用灰度分布直方图；

步骤T2，提取每个所述训练用灰度分布直方图的至少包含包络线梯度曲线、包络线拐点特征、最大极值点坐标、熵以及最大熵的训练集合特征向量；

步骤T3，对每个所述训练图像进行手动分割，并在分割过程中设定包含分割阈值、颅骨阈值、连通域阈值以及增长阈值的训练参数；

步骤T4，分别将每个所述训练图像所对应的所述训练集合特征向量以及所述训练参数作为数据集，并根据不同所述数据集的所述训练参数间的距离进行所述数据集的分类从而将距离最小的数据集聚集为一类从而得到多个不同的子类；

步骤T5，提取每个所述子类的特征向量，并将同一标签赋予同属于一个所述子类的所述特征向量，进一步采用机器学习分类方法根据所有带有标签的所述特征向量进行训练从而得到所述机器学习分类器，同时根据各个所述子类以及对应的所述训练参数建立相应的子类-参数对照表。