[发明专利]一种基于信息熵和联合向量的LBF活动轮廓模型的肺结节分割方法

摘要

本发明公开了一种基于信息熵和联合向量的LBF活动轮廓模型的肺结节分割方法。该方法充分结合了医学PET和CT图像的多种特征信息，首先利用PET图像SUV值，获取肺结节感兴趣区域；然后采用自动阈值迭代法构造结节的初始轮廓；接着根据PET图像中的SUV信息熵构造一个结节边缘演化的引导函数，并结合PET和CT灰度联合向量对LBF模型的能量泛函进行改进，驱使轮廓曲线的演化准确的停止在肺结节边缘处。本发明操作简单，可以实现对血管粘连型肺结节的批量式自动化分割，具较强的稳定性和准确性。

主权项

1.一种基于信息熵和联合向量的LBF活动轮廓模型的肺结节分割方法，其特征在于，包括以下步骤：A.感兴趣区域的获取：首先应该对肺实质图像中感兴趣区域(ROI)进行提取；B.初始轮廓的构造：采用自动阈值迭代分割算法无需手动设置阈值，即可实现对结节初始轮廓的构造；C构建基于信息熵的边缘引导函数：C1.给定初始轮廓曲线上的一点x，以R(x)表示以点x为中心，r个像素点为半径构造一个邻域集合；C2.在此邻域集合中，边缘区域的SUV信息熵可用如下公式表示：其中i＝1,2，P_i(x)表示边缘区域内外像素的SUV概率分布值；在小邻域的集合中，SUV的概率近似服从高斯分布，因此可表示为：其中，I_i(x)表示像素x的SUV值；c_i(x)，σ_i(x)分别表示边缘区域内外的SUV均值和标准差；C3.定义区域的特征函数为：C4.SUV信息熵的边缘引导函数定义为：D.构建灰度联合向量在CT影像中，存在部分肺结节与周围组织对比度低，边缘较为模糊的现象，仅基于CT图像的灰度信息难以准确的定位肺结节边缘；但在PET图像中，肺结节部位的灰度值较其他非病变区域大；因此，结合PET图像中肺结节部位灰度值较高的特点，可以构建出一个PET和CT图像的灰度联合向量f＝(f₁,f₂)^T，其中，f₁、f₂分别表示CT与PET图像中的高斯灰度拟合值；E.LBF模型的改进：利用基于信息熵的边缘引导函数和灰度联合向量对LBF模型的能量泛函进行改进，定义如下：其中，f₁(x)、f₂(x)分别表示初始轮廓曲线内外灰度联合向量的高斯拟合值，高斯函数的标准差为σ；I(y)＝(I_CT,I_PET)^T为CT与PET图像的灰度联合向量；Λ表示向量系数矩阵，其定义如公式(9)：F.改进的LBF模型的计算F1.水平集能量泛函利用水平集函数对演化的曲线C进行隐式表示，来完成能量泛函的最小化求解；因此，将能量泛函公式(8)写为变分水平集函数的形式：水平集的能量泛函可表示为：F＝E′+νL(φ)+μP(φ)   (11)每项的具体的内容为：a.模型的拟合能量项表示为：b.为了使得演化的曲线在图像分割过程保持平滑性，在水平集能量泛函中加入长度项约束项：c.在一定周期内不断的对退化的水平集函数重新初始化为距离符号函数；为了加快活动轮廓模型曲线演化，避免对水平集函数进行多次的重新初始化操作，在水平集能量泛函中增加一个距离约束项，其定义为：F2.水平集能量泛函的求解方法利用梯度下降和变分法对水平集能量泛函方程进行最小化求解：其中，e₁和e₂分别为：初始轮廓区域内外的灰度联合向量的拟合值f₁(x)、f₂(x)由以下两个公式表示：F3.改进的LBF模型的分割流程可以描述为：a.初始化水平集函数φ＝0，设置计数器k＝0；b.由公式(7)计算SUV信息熵的边缘引导函数F₁(x)、F₂(x)，由公式(18)和(19)计算灰度联合向量的拟合值f₁(x)、f₂(x)；c.根据公式(11)计算水平集能量泛函F，计数器k＝k+1；d.根据公式(15)对变分水平集函数进行更新，判断是否满足以下条件：(1)水平集能量泛函处于收敛状态，即ΔF＝F_k‑F_k‑1≤χ；(2)迭代次数k达到预定的最大上限K_max，即k≤K_max；如果满足上述条件之一，则停止运算，此时可得到分割后肺结节图像；否则，重复步骤b～d。