CN105139377B

CN105139377B - 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法

Info

Publication number: CN105139377B
Application number: CN201510444164.8A
Authority: CN
Inventors: 赵于前; 廖苗
Original assignee: Central South University
Current assignee: Hunan Tiao Medical Technology Co ltd
Priority date: 2015-07-24
Filing date: 2015-07-24
Publication date: 2017-09-05
Anticipated expiration: 2035-07-24
Also published as: CN105139377A

Abstract

本发明公开了一种腹部CT序列图像肝脏鲁棒自动分割方法，包括：数据输入步骤，输入待分割CT序列，并指定初始切片；模型构建步骤，根据输入序列的数据特征，建立肝脏亮度模型和外观模型，抑制复杂背景突出肝脏区域；自动分割步骤，结合亮度模型和外观模型运用图割算法对初始切片进行快速自动分割，并利用相邻切片之间的空间相关性，以初始分割切片为起点分别向上、向下迭代分割肝脏CT序列中所有的切片。本发明针对特定的CT序列建立相应的亮度和外观模型，能有效自动分割对比度低、边界模糊和形状不规则的肝脏。并且，本发明的腹部CT序列图像肝脏自动分割方法能够推广到其他腹部器官的自动分割中，如腹部CT序列图像脾脏和肾脏的分割。

Description

一种腹部CT序列图像肝脏的快速鲁棒自动分割方法

技术领域

本发明属于图像处理技术领域，涉及腹部CT序列图像器官的分割，特别涉及腹部CT序列图像肝脏的快速鲁棒自动分割，可用于医学影像辅助诊断与治疗。

背景技术

肝脏分割是实现肝脏疾病计算机辅助诊断和肝脏移植术前规划的前提。利用分割并重建得到的肝脏模型可以辅助肝脏病灶分析、体积测量、血管分析、肝脏分段、疾病诊断与评估等工作。CT血管造影图像由于分辨率高，对人体损伤小，能够形象、准确地反映肝脏及其病变位置而受到医生的普遍青睐。由于三维成像使用的图像切片数量很大(每位病人的肝脏CT序列约为200张左右)，人工分割每个切片很耗时且分割结果有很大的主观性。因此，研究腹部CT序列图像中肝脏的快速鲁棒自动分割方法对肝脏疾病的诊断与治疗，对提高计算机辅助诊断的精度与效率具有重要意义。

由于肝脏器官结构复杂、形状不规则、不同个体差异较大，以及成像时受到噪音、偏移和组织运动等的影响，得到的肝脏CT序列图像通常具有复杂性和多样性等特点。此外，CT图像中肝脏与周围的腹部肌肉、胃、膈肌、脾脏、肾脏和心脏等器官缺乏较好的灰度对比，这都将对CT序列图像中肝脏的准确自动分割带来很大困难。

现有的肝脏CT序列分割方法一般可分为基于图像和统计模型两大类。单纯基于图像的分割方法是指直接运用亮度、纹理和其他图像自身信息进行分割的方法，主要包括阈值法、聚类、区域生长、活动轮廓模型和图割等，这些分割技术主要存在以下缺点和不足：(1)需要进行复杂的预处理，包括去除肋骨、脊椎、肾脏等周围组织或器官；(2)难以分割对比度低、肝脏边界模糊的CT序列图像。基于统计模型的方法首先运用大量的CT序列图像构建目标先验模型，然后将其应用于当前序列的分割，该类方法对于对比度较低的图像有较好的分割效果，但是对于形状不规则肝脏分割效果较差，且耗时长、对数据初始化和配准敏感。

发明内容

本发明充分考虑了上述现有技术的缺点与不足，其目的在于，提供一种精确、快速、鲁棒的腹部CT序列图像肝脏自动分割方法。并且本发明的腹部CT序列图像肝脏分割方法能够推广到其他腹部器官的分割中。

本发明的腹部CT序列图像肝脏鲁棒自动分割方法，包括以下步骤：

根据肝脏区域的亮度概率分布特征，建立基于高斯曲线拟合的亮度模型，抑制复杂背景、突出肝脏区域；

利用图像局部信息，建立基于PCA的肝脏外观模型，进一步增强肝脏弱边界、加大肝脏与背景的区分度；

利用相邻切片的空间相关性，结合亮度和外观模型，构建图割能量函数，实现肝脏区域的快速鲁棒自动分割。

所述亮度模型建立包括：

a.从输入序列中手动选取部分肝脏区域，采用高斯函数拟合其亮度概率分布，并根据高斯分布的置信区间获取该序列图像肝脏的大致亮度范围[I_min,I_max]。

b.针对肝脏亮度范围[I_min,I_max]，构建如下亮度模型：

其中，k为0.5～5的正常数，I为图像亮度，^I _min和^I _max分别为步骤a获取的肝脏亮度的最小值和最大值。I越接近亮度范围[I_min,I_max]的中心值，亮度模型f_intensity(I)的取值越大，表明该像素点属于肝脏的概率越大。

所述外观模型建立包括：

以每个像素点为中心取大小为(2n+1)×(2n+1)的子图像，并以该子图像的亮度信息表示该中心像素点的特征，其中n为1～8的自然数；

运用PCA对用户指定的部分肝脏区域所有像素点的邻域子图像进行主成分分析并计算其前N个主成分的均值，得到肝脏的外观特征p_{PCA_average}，其中N为1～(2ⁿ+1)×(2ⁿ+1)的自然数；

采用距离函数作为外观相似性度量，计算整个序列中所有像素点与肝脏的外观特性差异：

d(p)＝||p_PCA(p)-p_{PCA_average}||

其中，p_PCA(p)表示对像素点p的邻域子图像进行PCA特征提取得到的前N个主成分，d(p)表示主成分特征p_PCA(p)与p_{PCA_average}之间的距离；

构建基于PCA的肝脏外观模型：

其中，mean_d_p表示对所有像素点p计算得到的距离d(p)的均值。f_PCA(p)的取值范围为0～1，f_PCA(p)越大表示该像素点p属于肝脏的概率越大。

本发明的腹部CT序列图像肝脏鲁棒自动分割方法特征还在于，所述肝脏区域的快速鲁棒自动分割包括：

用户指定初始切片。序列中满足肝脏区域相对较大且只包含一个肝脏连通区域的切片图像均可被指定为初始切片，默认位于输入序列从上至下的三分之一处，例如，若输入CT序列总数为210片，则初始切片默认为第70片，且若CT序列的切片数目不能被3整除，则对相除结果进行四舍五入取整。

初始切片分割。首先运用该切片的亮度和外观模型构建图割能量函数：

其中，P表示图像f中的所有像素集；N_p表示像素点p的邻域像素集；F_intensity(f_p)和F_PCA(f_p)分别为亮度惩罚项和外观惩罚项，分别由亮度和外观模型计算得到；α和β分别为控制亮度和外观惩罚项的权重，取值范围均为0～1，且满足α+β＝1；B(f_p,f_q)为边界惩罚项，由相邻像素之间的梯度计算得到，用来控制分割曲线的平滑度。然后采用最优化算法最小化该能量函数，得到分割结果。最后取其最大连通区域作为该序列初始切片的肝脏最终分割结果。

序列切片分割。本发明采用迭代的方式以初始切片为起点分别向上和向下分割序列中其他所有切片。由于相邻切片间肝脏的大小和位置不会有显著变化，因此，在迭代分割过程中，相邻切片间的肝脏位置信息也被采用作为能量惩罚项增加分割的准确性。此时，能量函数可表示为：

其中，F_location表示由上一片分割结果计算得到的位置惩罚项。本发明通过利用相邻切片的肝脏位置信息，可以有效去除与肝脏不相关的相似组织，如脾脏、胰腺、肌肉等，得到更准确的分割结果。

与现有技术相比，本发明方法有以下几个优点：

本发明提供了一种自适应的肝脏序列分割方法，针对每一位病人的数据特征建立相应的亮度和外观模型并结合相邻切片之间的空间相关性进行自动分割，可以有效处理形状、亮度各异的肝脏，具有较强的鲁棒性；

不需要复杂的预处理过程，不需要对肌肉、肋骨、脊椎、肾脏等进行预先分割；

不需要进行繁琐的训练与统计模型构建，分割速度较快；

本发明的腹部CT序列图像肝脏分割方法能够推广到腹部CT序列图像其他器官的分割应用中，如脾脏和肾脏的分割。

附图说明

图1本发明实施方式的腹部CT序列图像肝脏鲁棒自动分割方法流程图；

图2本发明实施方式用户指定的部分肝脏区域示意图；

图3本发明实施方式的用户指定肝脏区域高斯曲线拟合结果图；

图4本发明实施方式的的肝脏亮度模型示例图；

图5本发明实施方式的的肝脏外观模型示例图；

图6本发明实施方式的肝脏分割结果示例图。

具体实施方式

实施例1

图1所示为本发明实施方式的腹部CT序列图像肝脏鲁棒自动分割方法流程图。首先从输入的CT序列中任意选取部分肝脏区域分别建立肝脏亮度模型和外观模型，然后结合亮度和外观模型运用图割算法对初始切片中的肝脏进行分割，最后采用迭代的方式以初始分割切片为起点分别向上、向下分割序列中其他所有切片的肝脏。在迭代分割过程中，将上一片分割结果的肝脏位置信息融入当前切片的图割能量函数，以增加分割结果的准确性。直到所有切片分割完成，程序运行结束，输出分割结果。

下面结合图1，以一较佳的实施例详细说明本发明的腹部CT序列图像肝脏鲁棒自动分割方法。

1.肝脏亮度模型建立。具体实现步骤如下：

根据CT扫描特性，某个特定器官的亮度通常大致位于一个较窄的区间范围，且在该区间上呈高斯分布。设腹部CT序列中肝脏亮度范围为[I_min,I_max]，则肝脏亮度模型可构建如下：

其中，k为0.5～5的正常数，本实施例优选为1.5，I为图像亮度。I越接近亮度范围[I_min,I_max]的中心值，亮度模型f_intensity(I)的取值越大，表明该像素点属于肝脏的概率越大。

为了获取亮度范围[I_min,I_max]，本发明对用户指定的部分肝脏区域的亮度分布进行高斯拟合：

其中，a表示高斯分布的中心位置，b控制高斯分布的宽度，c为高斯分布的峰值。图2为原始CT序列中的任一切片图像，其中矩形区域表示用户指定的部分肝脏区域。图3所示为利用最小二乘算法对该肝脏区域进行高斯曲线拟合的结果，可以看到肝脏区域的亮度概率能很好地符合高斯分布。根据高斯分布的概率理论，[a-b,a+b]、[a-2b,a+2b]和[a-3b,a+3b]的亮度范围分别能覆盖肝脏区域68％、95％、99％的像素。由于肝脏与其毗邻组织间极可能存在亮度重叠，因此，为了最大程度抑制复杂背景，本方案优选肝脏亮度范围为[a-b,a+b]。图4为采用本实施例得到的亮度模型结果，其中第一行为来自不同CT序列的原始图像，第二行为采用本实施例方法得到的肝脏亮度模型。

2.肝脏外观模型建立。具体实现步骤如下：

(1)以每个像素点为中心取9×9的子图像，并以该子图像的亮度信息表示该中心像素点的特征；

(2)运用PCA对用户指定的部分肝脏区域所有像素点的邻域子图像进行主成分分析并计算其前6个主成分的均值，由此得到一个1×6维的特征向量p_{PCA_average}，即肝脏的外观特征；

(3)采用欧式距离作为外观相似性度量，计算整个序列中所有像素点与肝脏的外观特征差异：

其中，p_PCA(p)表示对像素点p的子图像进行PCA特征提取得到的前6个特征，d(p)表示主成分特征p_PCA(p)与p_{PCA_average}之间的欧氏距离；

(4)构建基于PCA的肝脏外观模型：

图5为采用本实施例得到的外观模型结果，其中第一行为来自不同CT序列的原始图像，第二行为采用本实施例方法得到的肝脏外观模型。

3.初始切片分割。具体实现步骤如下：

采用上述具体实施方法得到肝脏亮度和外观模型之后，构建初始切片的图割能量函数：

其中，P表示图像f中的所有像素集；N_p表示像素点p的邻域像素集；α和β分别为控制惩罚项F_intensity(f_p)和F_PCA(f_p)的权重，满足α+β＝1，本实施例优选α＝0.8，β＝0.2；F_intensity(f_p)，F_PCA(f_p)和B(f_p,f_q)分别为亮度、外观和边界惩罚项，且分别定义如下：

其中

I_p为像素p的亮度值，d(p,q)为像素p和q之间的欧式距离，Num_P为像素集P中像素点的数目。然后采用最大流最小割算法最小化该能量函数，得到分割结果。最后取其最大连通区域作为该序列初始切片的肝脏最终分割结果。

4.序列切片分割。具体实现步骤如下：

采用上述具体实施方法分割初始切片之后，再用迭代的方式以初始分割切片为起点分别向上和向下分割序列中的其他所有切片。在该迭代分割过程中，利用上一切片分割结果作为肝脏位置惩罚项增加分割的准确性。此时，图割能量函数可表示为：

其中

μ为0～0.5之间的正常数，本实施例优选0.1，Dis(p)为上一切片分割结果的距离变换。图6为采用本实施例得到的部分CT图像肝脏分割结果，其中第一行为来自不同CT序列的原始图像，第二行为采用本实施例方法得到的肝脏分割结果。

实施例2

采用实施例1的方法对XHCSU14数据库提供的10个肝脏CT序列进行测试，并采用五个误差指标对测试结果进行评价，包括：体积重叠误差(Volumetric Overlap Error,VOE)，相对体积差(RelativeVolumeDifference,RVD)，平均对称表面距离(Average SymmetricSurfaceDistance,ASD)，均方根对称表面距离(Root Mean Square SymmetricSurfaceDistance,RMSD)，以及最大对称表面距离(Maximum Symmetric SurfaceDistance,MSD)。

XHCSU14数据库的10个测试序列均来源于Philipsbrilliance 64排多层螺旋CT机，由中南大学湘雅医院提供，切片平面像素数目为512×512，平面像素间距范围为0.53-0.74mm，层间距为1.0mm。采用VOE、RVD、ASD、RMSD和MSD五个误差指标对XHCSU14数据库的分割结果进行评价，得到的结果如表1所示。可以看到，对于10个不同病人的CT序列，本发明分割误差的均值和标准差均较小，表明本发明方法能准确有效地分割腹部CT序列中的肝脏区域，且具有较强的鲁棒性。

表1

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims

1.一种腹部CT序列图像肝脏的快速鲁棒自动分割方法，其特征在于包括以下步骤：

(1)根据肝脏区域的亮度概率分布特征，建立基于高斯曲线拟合的亮度模型，抑制复杂背景、突出肝脏区域，所述亮度模型建立方法为：首先由用户选取输入序列中任一切片的部分肝脏区域，然后采用高斯函数拟合其亮度分布，并根据高斯分布的置信区间获取该序列中肝脏的大致亮度范围[I_min,I_max]，最后运用公式构建肝脏亮度模型，其中k为0.5～5的正常数，I为图像亮度，I_min和I_max分别为获取的肝脏亮度的最小值和最大值；

(2)利用图像局部信息，建立基于PCA，即主成分分析的肝脏外观模型，进一步增强肝脏边界，加大肝脏与背景的区分度，所述外观模型建立方法为：首先，以每个像素点为中心取大小为(2n+1)×(2n+1)的子图像，并以该子图像的亮度信息表示该像素点的特征，其中n为1～8的自然数；然后，对用户选定的部分肝脏区域所有像素点的邻域子图像进行主成分分析并计算其前N个成分的均值，由此得到肝脏的外观特征p_{PCA_average}；接着，采用距离函数作为外观相似性度量，计算整个CT序列中所有像素点邻域子图像的主成分特征与肝脏的外观特征之间的差异d(p)＝||p_PCA(p)-p_{PCA_average}||，其中pPCA(p)表示对像素点p的邻域子图像进行PCA特征提取，得到的一个由前N个成分组成的1×N维特征向量，N为1～(2n+1)×(2n+1)的自然数；最后，运用公式构建肝脏外观模型，其中mean_d_p表示对所有像素点p计算得到的d(p)的均值；

(3)结合亮度和外观模型，首先构建初始切片的图割能量函数采用最优化算法最小化该能量函数，实现初始切片的快速自动分割，其中，P表示图像f中的所有像素集；N_p表示像素点p的邻域像素集；F_{int ensity}(f_p)和F_PCA(f_p)分别为亮度和外观惩罚项，分别由亮度模型和外观模型计算得到；α和β分别为控制亮度和外观惩罚项的权重，取值范围均为0～1之间的任意数，且满足α+β＝1；B(f_p,f_q)为边界惩罚项，由相邻像素之间的梯度计算得到，用来控制分割曲线的平滑度；然后采用最优化算法最小化该能量函数，得到分割结果,最后取其最大连通区域作为该序列初始切片的肝脏最终分割结果；

(4)利用相邻切片的空间位置相关性，结合亮度模型和外观模型，构建图割能量函数采用迭代的方式以初始切片为起点分别向上和向下分割序列中所有切片，其中F_location(f_p)表示由上一片分割结果计算得到的位置惩罚项。

2.如权利要求1所述的腹部CT序列图像肝脏的快速鲁棒自动分割方法，其特征在于：所述k优选1～2之间的任意常数，n优选3～6之间的自然数，N优选4～8之间的自然数，α优选0.6～0.8之间的任意常数。

3.如权利要求1所述的腹部CT序列图像肝脏的快速鲁棒自动分割方法，其特征在于：所述的第(3)步中，选取肝脏区域相对较大且只包含一个肝脏连通区域的切片作为初始切片，位于整个CT序列从上至下三分之一位置处的切片满足要求。