[发明专利]一种基于形状先验的肾脏图像分割方法

说明书

本发明公开了一种基于形状先验的肾脏图像分割方法，包括如下步骤：S1、导入包含肾脏的人体CT序列图像，用户选择肾脏切片的起始位置、中间位置和结束位置的肾脏中心点；S2、对肾脏CT切片进行预处理，所述预处理包括去床、去噪、增强；S3、基于步骤S1结果，利用主动形状模型进行模板训练，最后进行初始分割，将分割的结果作为初始分割轮廓；S4、基于步骤S3的结果，将初始分割轮廓作为水平集方法的起始轮廓，进行进一步分割；S5、基于步骤S4的分割结果，利用CT序列图像的前后连续属性进行后处理，对分割结果进行修正。本发明通过少量的肾脏CT序列图像训练生成形状模板，从而对肾脏图像实现合理的分割，提高分割精度。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于形状先验的肾脏图像分割方法。

背景技术

肾脏CT序列图像分割是进行肾脏疾病定量分析的重要前提，对病情诊疗有着支撑作用，同时也是计算机辅助诊断中器官组织图像的三维可视化、虚拟手术、生物系统仿真的重要手段。由于腹部CT图像各器官的灰度相近，相邻器官之间具有连接性以及受部分容积效应的影响，另一方面，肾脏组织结构复杂且形状多样，相关疾病也会导致肾脏形态发生大幅变化，因此肾脏图像的自动分割成为医学图像分割中的难点。

虽然近些年基于深度学习的方法广泛应用于医学图像分割领域，但模型训练需要大量的标注样本、不同设备之间的灰度分布差异，以及可解释性问题，仍然是制约深度学习方法在临床应用上的关键因素。传统基于活动轮廓的水平集方法驱使轮廓曲线在其能量函数的作用下逐步收敛于目标边界，能够自动处理曲线的拓扑变化，为分割具有复杂拓扑形状和弱边界特征的肾脏CT序列提供了良好的算法基础。然而肾脏组织灰度不均匀、各器官之间灰度接近、相邻器官具有连接性且易受病变发生形态发生变化，这些都会影响到水平集方法的分割精度。

发明内容

本发明目的是针对上述问题，提供一种新颖的基于形状先验的肾脏图像分割方法。通过少量的肾脏CT序列图像训练生成形状模板，从而对肾脏图像实现合理的分割，提高分割精度。

为了实现上述目的，本发明的技术方案是：

一种基于形状先验的肾脏图像分割方法，包括如下步骤：

S1、导入包含肾脏的人体CT序列图像，用户选择肾脏切片的起始位置、中间位置和结束位置的肾脏中心点；

S2、对肾脏CT切片进行预处理，所述预处理包括去床、去噪、增强；

S3、基于步骤S1结果，利用主动形状模型进行模板训练，最后进行初始分割，将分割的结果作为初始分割轮廓；

S4、基于步骤S3的结果，将初始分割轮廓作为水平集方法的起始轮廓，进行进一步分割；

S5、基于步骤S4的分割结果，利用CT序列图像的前后连续属性进行后处理，对分割结果进行修正。

作为对上述技术方案的改进，所述步骤S1包括如下分步骤：

S1.1、根据用户对肾脏切片的起始位置和结束位置的选择，得到包含肾脏的CT序列，并通过插值计算，将肾脏序列压缩为20帧，其中的插值计算不局限于二维或者三维算法。

S1.2、定义第1帧为起始帧，第20帧为结束帧，第10帧作为序列中间帧，用户选择起始帧、中间帧和结束帧图像上目标肾脏的中心点。

S1.3、根据起始帧和中间帧中心点坐标进行插值，得到2-9帧的中心点坐标，同理根据中间帧和结束帧的插值，可以得到11-19帧的中心点坐标。

作为对上述技术方案的改进，在所述步骤S3中，所述模板训练包括如下分步骤：

S3.1、提取n组肾脏轮廓标注点构成2n维的向量Z＝(Z₁,Z₂,...,Z_n)，计算出轮廓点均值μ，并对Z进行数据标准化得到