[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

说明书

技术领域

本发明属于图像处理技术领域，涉及对医学图像的处理，特别是一种对胃部CT序列图像的分割。

背景技术

随着医学成像技术的飞速发展，大量高分辨率图像纷纷涌现，比如磁共振造影MRI、计算机断层扫描CT、脑磁图MEG、三维超声成像，解正电子发射断层照相PET、单光子发射计算机断层SPECT、漫射加权成像DWI、功能磁共振FMRI等，这些成像技术各有特点，它们分别能在不同的时空分辨率下给人们提供各种解剖信息和功能信息。但仅仅依靠这些设备所提供的信息远远达不到人们的要求，必须进一步通过图像处理手段来对图像进行分析和解译。医学图像处理技术包括图像恢复、图像增强，图像分割和图像重建等，其中，将感兴趣的目标从图像中分离出来具有特别的复杂性和重要的研究价值。医学图像分割是正常组织和病变组织的三维重建、定量分析等后续操作的基础，也是临床医学应用的瓶颈。分割的准确性对医生判断疾病的准确性以及做出合理的治疗方案至关重要。

活动轮廓模型，即形变模型是比较常用的医学图像分割方法，按其不同轮廓曲线的表达形式，可分为参数活动轮廓模型和几何活动轮廓模型两种。参数活动轮廓模型在变形过程中以显示参数的形式表达曲线或曲面，允许与模型直接交互，这样有利于模型快速实时的实现，但该模型无法应对复杂的拓扑结构变化。几何活动轮廓模型是基于曲线演化理论和水平集方法.水平集方法的特点就是通过一个高维函数曲面来表达低维的轮廓曲线，即将轮廓曲线表达为高维函数曲面的零水平集，并将轮廓曲线的运动方程转化为高维水平集函数的偏微分方程。几何活动轮廓模型主要分为基于区域的模型和基于边缘的模型，前者只考虑图像的区域信息，能较好的检测图像的弱边缘，而后者能自动的处理轮廓线的拓扑结构变化。

现有的基于活动轮廓模型的序列图像分割方法是将序列中的第一幅图像用活动轮廓模型进行分割，然后将分割结果的轮廓作为下一幅图像的初始轮廓继续用活动轮廓模型进行分割，即得到当前图像的分割结果。这种方法的优势是迭代次数少，对于那些背景单一、目标边缘对比度强的图像分割效果较好。但对于待分割的目标是胃部CT序列图中胃壁周围5cm的淋巴结所在区域，则该方法的分割效果较差。因为这些目标区域形状不规则，变化比较大，目标区域内有噪声、血管等干扰点，而已有的活动轮廓模型方法对目标区域的局部一致性和其边缘的复杂拓扑变化考虑较少，因此分割这种目标区域需要很多次的迭代，导致分割速度慢，同时容易造成边缘泄露现象。

发明内容

本发明的目的在于针对上述CT序列图像分割的缺陷，提出一种基于迁移活动轮廓模型的胃部CT序列图像分割方法，以加快分割速度和提高分割的准确性。

为实现上述目的，本发明包括如下步骤：

（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。

本发明与现有的技术相比具有以下优点：

1、对于同一个人的CT序列图像，基于序列中相邻图像之间的相似性，则只需给定一幅图像的目标区域的初始轮廓，便可完成序列中所有图像的初始化操作，使得所有图像都能达到较理想的分割效果；