[发明专利]基于交互式字典迁移的序列医学图像快速分割方法

摘要

本发明公开了一种基于交互式字典迁移的序列医学图像快速分割方法。主要解决现有单幅图像分割速度慢和工作量大的问题。其实现过程是：输入腹部CT序列图像；用mean shift方法对其初分割并以每个像素为中心提取5×5块作为特征；对一幅图像进行交互式分割得到目标和背景；对目标和背景区域分别进行训练生成目标和背景字典后，去逼近序列中未分割的图像，根据误差最小原则将所有像素标记为目标或背景并进行高斯平滑；计算初分割图像中每个区域的目标像素点的密度，去掉密度小的区域后得到分割结果；对于分割不正确的图像进行再次交互式分割；通过字典迁移来更新目标字典。本发明具有对医学图像分割效果好和速度快的优点，可用于对医学CT序列图像的分割。

主权项

1.一种基于交互式字典迁移的序列医学图像快速分割方法，包括如下步骤：(1)输入腹部CT序列图像I={I⁽¹⁾,I⁽²⁾,…,I⁽ⁿ⁾}，n为从序列图像的数量，n最大值为300；(2)对每幅图像I^(q)以每个像素点为中心提取5×5的块作为每个像素的特征，则该图像所有像素的特征向量集合为X_N×25^(q)，N为每幅图像的大小，其中1≤q≤n；(3)用mean shift方法对CT序列图像I进行初始分割，则CT序列图像I^(q)的初分割图像为S^(q)，并统计初分割图像S^(q)中的区域数目m；(4)选取CT序列图像I⁽¹⁾，进行交互式分割：首先，在序列图像I⁽¹⁾对应的初分割图像S⁽¹⁾上的区域进行手动标记部分目标区域M_O和部分背景区域M_B，剩余的区域为未标记区域N；然后，根据合并准则，重复合并未标记区域N中与标记背景M_B中相似性最大的区域，直到所有区域都合并后，得到CT序列图像I⁽¹⁾的全部目标区域和背景区域，即得到分割结果，其中该目标区域代表腹部CT图像中的胃癌病变区域；(5)提取步骤(4)中的目标区域内对应像素点的特征向量X_O，并用K-SVD算法对目标特征向量X_O进行训练学习，生成一个目标字典D_O；(6)用k均值方法将步骤(4)中得到的背景区域聚为4类，每类对应的特征向量为X_B1,X_B2,X_B3,X_B4，并用K-SVD方法分别对其训练学习，生成背景字典D_B={D_B1,D_B2,D_B3,D_B4}，其中D_B1,D_B2,D_B3,D_B4分别为4类背景区域对应的背景字典；(7)由目标字典D_O和背景字典D_B分别去逼近CT序列图像I^(q)的特征向量X_N×25^(q)，得到所有像素点的目标字典逼近误差e_O和背景字典逼近误差e_B，然后根据误差最小原则计算二值图像T^(q)：T(q)(i)=1ifeO(i)<eB(i)0otherwise,]]>其中，2≤q≤n，i为像素点，其范围为1≤i≤N；(8)对二值图像T^(q)进行高斯滤波处理后，计算二值图像T^(q)中值为1的像素点在初分割图像S^(q)上对应区域的密度d(r)：d(r)=Σi∈rI(T(q)(i)=1)Σi∈rI(T(q)(i)=1)+Σi∈rI(T(q)(i)=0),]]>其中，r为初分割图中的区域，其范围为1≤r≤m，i为像素点，其范围为1≤i≤N，m为初分割图像中的区域总数目；I(·)是指示函数，当该函数输入的等式成立时其函数值为1，反之函数值为0；(9)根据步骤(8)中的密度d(r)得到CT序列图像I^(q)的分割结果图像C^(q)：C(q)(r)=1ifd(r)>0.30otherwise.,]]>其中，2≤q≤n，C^(q)中值为1的区域为目标区域，值为0的区域为背景区域；(10)判断分割结果图像C^(q)分割是否正确，即计算分割结果图C^(q)与上一幅分割结果图C^(q-1)的信息差异指标VI,当信息差异指标VI>0.25时，判定为分割结果不正确，返回步骤(4)开始执行，即对序列图像I^(q)进行交互式分割；否则，执行步骤(11)；(11)计算步骤(9)得到的分割结果图像C^(q)的目标区域的特征向量集合X′_O，并用K-SVD方法对其训练学习，得到一个新目标字典D′_O，计算新目标字典D′_O与原目标字典D_O的误差E=||D_O-D′_O||₂，若误差E<1，则将新目标字典D′_O中的原子迁移到原目标字典D_O中，更新目标字典D_O；否则，原目标字典D_O不变；(12)统计步骤(11)中字典的迁移次数，当字典迁移次数等于4时，计算当前目标字典D_O中原子的贡献度g，并按贡献度g的大小进行降序排列，保留贡献度g最大的前50个原子，构造新的目标字典D_O；(13)重复执行步骤(7)到步骤(10)，对输入的腹部CT序列图像I中还未分割的图像进行目标区域提取，直到所有序列图像都分割出目标区域为止。