[发明专利]基于迁移活动轮廓模型的胃部CT序列图像分割方法

权利要求书

1.一种基于迁移活动轮廓模型的胃部CT序列图像分割方法，包括如下步骤：

（1）输入胃部CT序列图像I_i,i＝1,...,k,k为大于1的整数；

（2）手动的划线圈出CT序列图像中的第一幅图I₁的目标区域，得到一幅二值图D，用D的边缘表示I₁的目标区域的初始轮廓曲线C₀；

（3）利用结合区域和边缘的活动轮廓模型GLCV，使轮廓曲线C₀不断的迭代收缩，直至到达目标边缘后停止收缩，得到CT序列中第一幅图像I₁的目标轮廓C₁；

（4）将C₁进行区域生长后迁移到CT序列的下一幅图像I₂中作为其初始轮廓，再用GLCV模型进行分割，得到当前图像I₂的目标轮廓C₂；

（5）利用GLCV模型分割CT序列中剩余的图像：

从CT序列图像中的第i幅图像I_i开始，i＝2,...,k,依次将当前分割好的图像的目标轮廓C_i进行区域生长后，迁移到CT序列图像中的与其相邻的下一幅图像，作为该图像的初始轮廓，再用GLCV模型进行分割。

（6）判断CT序列中的所有图像是否分割完成，若已分割完成，则停止分割，否则转步骤5，继续将当前分割得到的目标轮廓迁移到CT序列中的下一幅图像作为其初始轮廓，再用GLCV模型分割，直到所有图像都分割完成。

2.根据权利要求1所述的方法，其中步骤(3)所述的利用结合区域和边缘的活动轮廓模型GLCV，使轮廓曲线C₀不断的迭代收缩，按如下步骤进行：

(3a)设GLCV模型的水平集函数为u，并定义u的初始值为一个符号距离函数sign(u)，其满足方程为求梯度运算；

(3b)根据水平集函数u，计算图像的总能量函数E(u)：

E(u)=λ∫∫Ωg|▿H(u)|dxdy+∂∫∫Ω[1-H(u)]gdxdy+γgS(u)+μ∫∫Ω12(|▿u-1|)2dxdy,]]>

其中，Ω为图像域，S(u)表示曲线围成的面积，H为Heaviside函数，g为Dirac函数，p≥1，I表示当前图像，G_σ为标准差为σ的高斯函数，λ表示弧长项的系数，表示边缘模型面积项的系数，γ表示区域模型面积项的系数，μ表示惩罚项的系数；

(3c)极小化步骤(3b)中的总能量方程，得到水平集函数u的梯度下降流方程：

∂u∂t=λδτ(u)·div(g▿u|▿u|)+[∂δτ+γδ]g+μ[Δu-div(▿u|▿u|)],]]>

其中，div表示求散度，|u|≤ε，  ε＝1.5，Δu表示求u的变化量；

(3d)引入步长τ对步骤(3c)中的梯度下降流方程进行离散网格化，得到方程：即第k+1次迭代用公式u_k+1＝u_k+τ·L(u_k)计算，每迭代一次，水平集函数u就向目标边缘处收缩一次，其中u_k+1表示u经过第k+1次迭代后的水平集函数，u_k表示u经过第k次迭代后的水平集函数；

(3e)经过n=10次迭代后，水平集函数u到达目标边缘，得到CT序列的第一幅图像I₁的分割结果。

3.根据权利要求1所述的方法，其中步骤(4)所述的将CT序列中第一幅图像I₁的目标轮廓进行区域生长后迁移到CT序列的下一幅图像I₂中作为其初始轮廓，是将I₁目标轮廓上的所有点作为种子点，依次判断这些种子点的8邻域像素是否与其相似，若相似则生长得到新的种子点，不相似则继续判断，直到整幅图像所有种子点都生长完。