[发明专利]一种利用符号压力函数改进的格子玻尔兹曼图像分割方法

说明书

本发明属于医学OCT图像分割技术领域，公开了一种利用符号压力函数改进的格子玻尔兹曼图像分割方法，该方法包括：(1)通过构造初始流场优化模拟流场的演化过程；(2)利用符号压力函数作为外力项，提升LBM方程曲线模拟演化的精度；(3)加入迭代停止条件，提高OCT图像中水肿区域目标分割的效率。本发明能够对医学OCT图像中病变部分(DME水肿区域)进行快速分割。本发明降低了OCT图像中DME水肿区域边界分割所需的迭代次数与处理时间，对比SBGFRLS模型速度提升了78％，对比CV模型速度提升了95％。同时，本发明亦提高了OCT图像中DME水肿区域边界分割的精度，且针对不同来源的OCT图像，其具有稳定、高精度的分割效果。

技术领域

本发明属于医学OCT图像分割技术领域，尤其涉及一种利用符号压力函数改进的格子玻尔兹曼图像分割方法。

背景技术

目前，图像分割是图像处理的基础任务，现在已有阈值法、区域增长法和边缘检测法等多种图像分割方法，但提高图像分割的精度和效率仍是图像处理中的研究热点问题。

水平集模型因具有灵活地拓扑结构变化，被广泛应用于各类图像的分割，代表性水平集模型包括测地活动轮廓(GAC)模型，CV模型和二值化高斯滤波水平集(SBGFRLS)模型等。GAC模型将轮廓曲线的演化问题转化成求解偏微分方程问题，对分割目标与背景差异性大的图像具有较好的分割效果，但对于灰度均匀图像效果欠佳；CV模型引入区域信息，对灰度均匀图像具有较好的分割但对于弱边缘图像分割效果欠佳；SBGFRLS模型使用符号压力函数代替GAC模型中的边缘停止函数，同时借鉴了CV模型中全局信息的概念，对于弱边缘和灰度不均图像也能较好地分割，被广泛应用于分割医学图像，，但在其在图像分割精度和计算耗时方面仍存在较大的改进空间。

格子玻尔兹曼(LBM)模型因其算法简单、和良好的并行性被广泛应用于流体力学。LBM模型本质是元胞自动机模型，其是介于流体的微观分子动力学模型和宏观连续模型之间的介观模型。亦有学者将LBM模型应用于图像的分割，现有技术1通过模拟物理模型，实现对偏微分方程的求解，提出了基于格子玻尔兹曼模型的图像处理方法，解决了水平集方法中计算量大的问题。现有技术2基于LBM对流扩散方程改进了水平集图像分割方法，降低了图像分割的计算量，但对于图像分割精度没有特别提高。

传统水平集模型存在计算量大，迭代次数多，不宜确定最佳迭代次数的问题，针对此问题有学者提出将LBM模型与水平集结合，应用于图像分割。新方法虽然对于解决计算量大的问题有一定效果，但在图像分割精度和计算耗时方面仍存在较大的改进空间。

通过上述分析，现有技术存在的问题及缺陷为：(1)针对于海量的医学图像，现有图像分割方法计算量大，耗时多，存在时效性的挑战。

(2)针对精度要求高的医学诊断，现有基于医学图像，特别是OCT图像中水肿区域的分割存在精度不高的现状。

(3)针对多源、异质的医学图像，现有的分割方法缺乏一种普适性，其分割结果的精度受医学图像质量影响存在较大的差异。

解决以上问题及缺陷的难度为：(1)改进的图像分割方法需适用于多源，异质的医学图像。

(2)改进的图像分割方法需提供稳定的分割结果，并提高分割结果的精度。

(3)改进的图像分割方法需提高分割结果的时效性。

解决以上问题及缺陷的意义为：针对医学OCT图像中水肿区域的分割，本发明提供一种利用符号压力函数改进的格子玻尔兹曼图像分割方法，提高OCT图像水肿区域的分割精度和效率，为临床医生的诊断提供理论支撑，达到早诊断早治疗的效果。同时，不同于深度学习等技术方法，该方法对计算机硬件要求不高，亦适用于计算机硬件条件不高的各类医学和社区服务中心。

发明内容

针对现有技术存在的问题，本发明提供了一种利用符号压力函数改进的格子玻尔兹曼图像分割方法。