[发明专利]基于字典学习的医学图像交互式联合分割

说明书

技术领域

本发明属于图像处理技术领域，特别是医学图像的处理，主要可用于腹部CT图像的胃癌病变区域分割。

背景技术

医学图像分割是现代医学图像处理中的一个重要的研究领域，也是病变区域提取、检测、跟踪等后续医学操作的基础。因为这些都需要有一个准确的分割结果为前提，然后才能对各组织进行准确地定位和计算，所以医学图像分割结果的准确性对于医生对病情的诊断并做出正确治疗方案具有非常重要的意义。

医学图像分割的方法大致能分为自动分割，手动分割和交互式分割。手动分割费时费力，其结果完全取决于操作者的经验，并且分割结果无法重复。由于医学图像有复杂的背景，自动分割运算量大，在没有人工指导的情况下准确率很难保证。交互式分割属于半自动分割，它允许人工参与提供一些先验信息，但又不完全依赖于人工参与。由于交互式分割在允许人工参与的情况下保证了准确率。因此，交互式分割方法是现在应用最热门和最广泛的处理医学图像的方法。它的具体做法是由用户标记出图像中感兴趣区域的大致范围，从而提供部分先验信息，然后分割算法再根据这些信息对图像进行分割。

交互式分割只需要人工提供少量信息，就能适应不同的图像特性和需求，提高分割准确率，同时可以有效降低计算复杂度。虽然交互式分割有以上优点，但它也存在缺点，那就是一次只能分割一幅图像，用户必须对每幅待分割的图像标记出目标和背景，然后一幅一幅的分割。对于CT图像，一个病人的序列图有上百幅，如果单幅分割，则极大的增加了工作量。

发明内容

本发明的目的在于针对上述交互式图像分割必须单幅处理的耗时耗力缺陷，提出一种基于字典学习的医学图像交互式联合分割方法，实现对一个人的CT序列中的多幅图像的分割，避免单幅交互式分割的繁琐性，节省时间与精力，减小工作量。

实现本发明上述目的技术方案，包括如下步骤：

(1)输入腹部CT序列图像I＝{I₁，I₂，…，I_n}，n为从序列图中选取图像的数量，n最大值为100，并用分水岭方法对腹部CT序列图像I进行初始分割，得到初分割子图像I′；

(2)统计每幅图初分割后的区域的数目L，并计算每一个区域的灰度梯度特征向量；

(3)从序列图像I中随机选取一幅图像I_i，1≤i≤n，由用户在其对应初分割子图I′_i上标记部分目标区域M_O和部分背景区域M_B，其中M_O包含初分割子图I′_i的k_O个区域，M_B包含初分割子图I′_i的k_B个区域，剩余的未标记区域N包含初分割子图I′_i的s个区域，s的大小为L-k_O-k_B，该目标区域代表腹部CT图像中的胃癌病变区域；

(4)基于最大相似性准则对上述标记后的图像进行区域合并，即先将未标记区域N中与标记背景M_B中相似性最大的区域合并得到新的标记背景区域M′_B，重复合并剩下的未标记区域与M′_B，直到s＝0合并完成后，得到了图像I_i的全部目标区域和背景区域；

(5)用K-SVD算法对步骤(4)中得到的目标区域所对应的特征向量训练生成一个目标字典D_O，并将步骤(4)中得到的背景区域用k均值方法聚为4类，然后分别对每类训练生成背景字典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；