[发明专利]一种前列腺超声图像自动精确分割方法

说明书

技术领域

本发明涉及计算机辅助诊断领域，具体涉及图像分割技术。 

背景技术

超声医学（Ultrasonic Medicine）是医学影像学（Medical Imageology）的一个重要组成部分，和CT、MRI、同位素扫描（Radioisotope Scan）共同被称为现在医学影像诊断的四项主要检查方法。 

对前列腺轮廓的准确提取，是计算机参与一系列辅助分析的基础。然而人工边界提取十分费时，同时，受限于人的经验、相关知识以及注意力，分析结果可能多变且不准确。所以，用计算机实现自动前列腺超声图像的轮廓提取，不仅具有理论研究价值，对于推动医疗技术的发展，较早发现病变，及时提供治疗，降低死亡率，减轻病人痛苦，也具有十分重要的意义。 

早在2003年，东南大学罗立民教授提出了一种超声波多尺度非线性的自适应边界检测方法，首先对超声图像进行多尺度分解，然后用非线性软阈值法抑制斑点噪声之后用小波变换重建图像最后使用基于“窄条”的线性边界检测方法对已经将降噪的图像进行处理。但由于区域增长过程的时间开销，其计算量较大。同年，Mohamed等提出了一种使用gabor滤波提取纹理的分割方法。此外，局部二值模式（Local Binary Pattern）提取纹理特征也广泛应用到了超声图像分割中。两年后，北京交通大学阮秋琦教授提出了一种提出了一种超声图像去噪与边缘增强算法:可以在去除噪声的同时,保持重要的边缘、局部细节和超声回声亮条。虽然对抑制噪声增强边界有较好的效果,但没有将其应用到对图像的分割和边缘检测中。英属哥伦比亚大学Badiei等人于2006年提出了一种通过用户交互，由用户提供6个输入点，来控制椭圆形变，从而寻找前列腺边缘的方法。这种方法简单高效，对一般形状的前列腺有较好的效果，而对于形变比较严重，形状不规则的目标，则难以达到理想的效果。同年，南京理工大学夏德深教授提出了一种先验形状参数活动轮廓模型，并将其应用在医学图像分割中,通过引入一种非距离性的先验形状力场，构建一种新的能反映先验形状的参数活动轮廓模型,新的先验形状活动轮廓模型避免了曲线之间距离的计算，减少了模型的复杂性.但是该模型在处理图像之前需要人工定义活动轮廓模型的初始曲线。加拿大西安大略大学Nanayakkara等人在中提出了另一种新算法，使用域知识，结合模糊集的思想，利用一系列基于区域自适应算子，对离散动态轮廓（Discrete Dynamic Contour，DDC）模型进行了改进，它不仅可以扩大DDC在非边界区域的检测范围，同时能增强其在目标轮廓附近的稳定性，起到很好的自适应效果。然而，这种方法没有考虑超声图像中由阴影导致的边界丢失问题，从而使得DDC模型在这类区域使用很大的探测范围，导致了不准确的分割结果。华中科技大学谢长生教授于2007年提出了多尺度形态学操作和模糊聚类技术相结合的图像分割方法. 首先使用了多尺度形态学滤波器提取超声图像的亮和暗特征, 然后根据这些特征的尺度特性进行加权, 从而实现了超声图像对比度增强和噪声抑制的目的. 然后,使用模糊聚类技术对增强后的超声图像进行分割.该方法对医学超声图像的增强和边缘检测有一定的效果但对于特定器官的处理效果欠佳。2010年，哈尔滨工业大学唐降龙教授提出了一种结合全局概率密度差异与局部灰度拟合的主动轮廓模型对超声图像进行分割的方法. 该方法分别在原始超声图像与预处理图像上利用了图像的全局和局部信息. 在原始图像上, 利用各区域的灰度分布, 并结合超声图像的背景知识对图像的全局信息建模。飞利浦北美研究院Yang等人也于2010年提出了一种新的思路，使用部分活动轮廓模型（Partial Active Shape Models）来处理边界丢失的问题，使用在结合离散可形变模型（Discrete Deformable Model）进一步对分割结果求精。该方法使用未经预处理的图像，没有进一步挖掘图像中蕴含的信息（如纹理特性）。同时超声图像信噪比、对比度都较低，直接在原始图像上进行处理，难以得到较好的处理结果。另外，该方法对目标形状的建模也有一定局限性，因为主成分分析（Principal Component Analysis）只能去除训练集中不同维度的线性相关性，对于现实数据存在的普遍相关相关性难以彻底去除，故在训练集合很接近高斯分布的时候能很好模拟它，对于一些复杂分布则难以取得良好的效果。 

发明内容

本发明为了解决超声图像对比度低，斑点噪声、阴影区域对分割干扰大的，没有临床实用的前列腺超声图像自动分割辅助系统，而提出了一种前列腺超声图像自动精确分割方法。