[发明专利]一种CT图像的分割方法及装置

说明书

本发明实施例提供了一种CT图像的分割方法及装置，方法包括：获取待分割目标的CT图像，对CT图像进行初始分割，得到初始分割图像；针对每一类别的初始分割结果，将到达第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于候选体素与边界平面的距离，将候选体素的体素值转换为目标值；针对每一类别的初始分割结果，将候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定该类别的最终分割结果。对传统的分割方法中分割不完整的孔洞部分进行填充和修复，实现快速、高质量的CT图像分割。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种CT图像的分割方法及装置。

背景技术

近年来，随着图像处理技术的飞速发展，其在医学领域的应用越来越多，并且逐步将医学图像处理技术应用于临床手术。

其中，CT图像对人体骨骼有很好的成像效果，因此在骨科手术中有极其广泛的应用。

大部分医学图像处理软件在处理患者的原始图像时，都需要对图像中的感兴趣区域进行分割。以CT图像在骨科中的应用为例，需要对CT图像中的骨骼进行分割，提取每一块完整的骨骼，便于后续的处理和操作。

目前对CT中的骨骼分割主要分为三种，包括人工分割，传统分割方法和机器学习方法。其中，人工分割是利用交互式软件，利用鼠标手动对图像中的分割区域进行勾画，获得分割图像；传统分割方法为半自动分割，需要用户提供待分割目标的前景，利用最优化的方法分割出目标；机器学习方法是全自动分割，需要大量的图像数据和人工标注作为模型的训练和测试数据。

然而，上述方法均存在一定的缺点，具体如下：

1）人工分割的缺点：由于一组CT图像由几十至上百张二维图像组成，人工分割需要在每张图像中对分割区域进行勾画，工作量巨大。对于术中采集的CT图像，更加不可能占用手术时间进行人工分割。

2）传统分割方法的缺点：传统分割方法在分割图像时会出现分割不完整的情况，例如漏掉了部分体素，或者分割区域中出现孔洞。

3）机器学习方法的缺点：极其依赖训练数据，需要大量的患者图像，并需要提前对数据进行人工标注，非常耗费时间和人力，工作量巨大；此外机器学习方法的泛化能力较弱，例如训练数据都是从A医院获取的，机器学习模型可能在B医院的数据上得到完全错误的结果。

发明内容

本发明实施例的目的在于提供一种CT图像的分割方法及装置，对传统的分割方法中分割不完整的孔洞部分进行填充和修复，实现快速、高质量的CT图像分割。具体技术方案如下：

为实现上述目的，本申请实施例提供了一种CT图像的分割方法，所述方法包括：

获取待分割目标的CT图像，并对所述CT图像进行初始分割，得到初始分割图像；所述初始分割图像包含至少一个类别的初始分割结果；每一类别的初始分割结果均包含二值体素，所述二值体素包括：体素值为非零且表示目标物体的第一体素、体素值为零且表示非目标物体的第二体素；

针对每一类别的初始分割结果，将到达所述第一体素构成的边界平面的距离不超过预设阈值的体素确定为候选体素，并基于所述候选体素与所述边界平面的距离，将所述候选体素的体素值转换为目标值；其中，所述目标值的绝对值与所述距离成正比，且所述候选体素与所述边界平面的内外位置关系决定所述候选体素的目标值的正负；

针对每一类别的初始分割结果，将所述候选体素与预设的低通滤波矩阵进行迭代卷积，针对每次卷积结果，判断由零值体素构成的边界平面是否闭合，若是，将当前的分割结果确定为该类别的最终分割结果。

可选的，在对所述CT图像进行初始分割之前，所述方法还包括：