[发明专利]一种基于活动轮廓模型的医学图像分割方法

摘要

本发明涉及医学图像分割技术领域，且公开了一种基于活动轮廓模型的医学图像分割方法，包括以下步骤：S1、在主程序的设计上，将全局分割与局部分割的代表CV(水平集)模型和LBF(局部二值拟合)模型作为比较模型与LGIF(local and global intensity fitting)模型进行对比，使其拥有相同的迭代次数再将分割结果进行比较。本发明通过经过上述多个实验，相较与其他模型，显而易见，LGIF模型在处理医学图像的分割当中具有较大的优势，它能够更加精准的对图像进行处理。由于水平集函数的存在，而该函数的特点就是不需要对曲线曲面进行参数化处理，只需要对其进行数值运算，所以初始轮廓的设定变得不再重要，这也大大节省了时间成本。

主权项

1.一种基于活动轮廓模型的医学图像分割方法，其特征在于：包括以下步骤：/nS1、在主程序的设计上，将全局分割与局部分割的代表CV(水平集)模型和LBF(局部二值拟合)模型作为比较模型与LGIF(local and global intensity fitting)模型进行对比，使其拥有相同的迭代次数再将分割结果进行比较；/nS2、LGIF模型中局部能量项的设计与LBF模型的能量项设计大致上是一样的，全局能量项的设计与CV模型的能量项设计大致一样，并在此之间引入一个权重系数用于调节局部能量项和全局能量项；/n其中局部能量项设为：/n /n其中，L(φ)为曲线长度项，P(φ)为距离正则项，E^LIF为局部能量项，μ和v为非负常量项；/n全局能量项设为：/nE^CV＝λ₁∫_Ω|I-c₁|²H(φ)dx+λ₂∫_Ω|I-c₂|²(1-H(φ))dx+v∫_Ωδ(φ)|H(φ)|dx/n＝E^GIF+vL(φ)/n引入边缘引导导函数：/n /n /n其中，g(s)为边缘检测算子，s为边缘检测梯度，越接近边缘s越大；/n距离正则项：/n /nLGIF模型综合上述项，总能量泛函为：/nE^LGIF＝(1-ω)E^LBF+ωE^CV+μE^edge+vR_p/nS3、软件设计；/nS3包括以下步骤：/nA1、局部能量函数的建立；/nA2、融合全局信息与局部信息；/nA3、添加边缘函数；/nA4、水平集方法的应用；/nA5、整合以上方面，得出一个完整的LGIF模型，并利用该模型分割目标图像得出最终的结果；/nS4、软件测试与结果分析。/n