本發(fā)明專利技術(shù)公開了一種基于自適應(yīng)學(xué)習(xí)的CT圖像分割方法，包括以下步驟：1）獲取CT圖像；2）提取CT圖像特征；3）用戶在CT圖像上輸入表明病變區(qū)與非病變區(qū)的筆觸；4）以用戶輸入的筆觸作為基礎(chǔ)，利用提取的CT圖像特征，建立圖像的區(qū)域模型；采用邊緣檢測方法建立圖像的邊緣模型；5）將區(qū)域模型與邊緣模型結(jié)合建立新模型，并對新模型進(jìn)行求解推理，獲得分割結(jié)果。采用本發(fā)明專利技術(shù)能夠有效地描述CT圖像病變區(qū)與非病變區(qū)的差異，適應(yīng)CT圖像的復(fù)雜性，解決CT圖像低性噪比（高噪聲）所帶來的問題，高效地幫助用戶實(shí)現(xiàn)快速精準(zhǔn)的交互式CT圖像病變區(qū)分割，從而極大地提高醫(yī)療部門的生產(chǎn)效率。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及醫(yī)學(xué)圖像的分割領(lǐng)域，具體涉及CT圖像的分析，CT圖像分割模型的建立與求解推理，在線機(jī)器學(xué)習(xí)技術(shù)，人機(jī)交互技術(shù)等。
技術(shù)介紹
隨著數(shù)字化成像技術(shù)、影像處理技術(shù)的進(jìn)步，醫(yī)療領(lǐng)域中對基于數(shù)字影像處理技術(shù)的計算機(jī)輔助診斷系統(tǒng)的需求量也越來越大。基于數(shù)字影像處理的計算機(jī)輔助診斷系統(tǒng)能夠倚靠當(dāng)前先進(jìn)的計算機(jī)處理技術(shù)，可視化醫(yī)療問題，自動化處理醫(yī)學(xué)上的許多繁雜事物，不僅為醫(yī)務(wù)人員做出合理診斷提供可靠手段，為病人的生命提供保障，還大大提高了醫(yī)務(wù)診療的效率，使醫(yī)務(wù)人員能夠更易于獲得診斷所需的病理狀態(tài)與數(shù)據(jù)，更專注于醫(yī)療的專業(yè)問題而非繁瑣的其他事物。因而醫(yī)學(xué)圖像處理技術(shù)逐漸成為了當(dāng)前世界計算機(jī)界研究的熱門課題之一。醫(yī)學(xué)圖像處理技術(shù)涵蓋了很多方面，如圖像分割、圖像配準(zhǔn)、三維重建等。其中圖像分割是醫(yī)學(xué)圖像處理的重要環(huán)節(jié)，它是對正常組織或病變組織進(jìn)行特征提取、定量分析、三維重建、體積顯示等后續(xù)操作必不可缺少的步驟。另外，圖像引導(dǎo)手術(shù)、腫瘤放射治療、治療評估等應(yīng)用研究的順利進(jìn)行，需要以圖像被準(zhǔn)確分割為前提，所以圖像分割的效果及實(shí)時性會直接影響后續(xù)處理的質(zhì)量和效率，對醫(yī)生正確診斷疾病并做出合理的治療方案起著至關(guān)重要的作用。醫(yī)學(xué)圖像分割的最終目的是把感興趣的組織器官或病變區(qū)域從背景中提取出來，其中自動化或半自動化地對CT成像中的病變區(qū)進(jìn)行分割的需求最大。CT成像技術(shù)，其成像結(jié)果以序列的形式存在，一個部分的序列掃描圖一般包括幾十張或上百張的醫(yī)學(xué)圖像。要將這些掃描結(jié)果成功應(yīng)用在臨床診斷上，需要對序列中盡可能多的圖像進(jìn)行盡可能準(zhǔn)確的分割。如果單純地采用人工分割，無疑會耗費(fèi)大量的人力物力。因此，實(shí)現(xiàn)CT圖像的自動化或半自動化分割，將能幫助醫(yī)務(wù)人員從繁重枯燥的工作中解脫出來，投入到更有意義的醫(yī)療活動與醫(yī)療研究中，從根本上提高醫(yī)務(wù)體系的效率問題以及大幅降低醫(yī)學(xué)圖像診斷的成本問題。另外，人工分割通常對醫(yī)務(wù)人員提出較高的知識與經(jīng)驗要求，一些模糊不清的病例分割需要醫(yī)務(wù)人員具有很高的辨別水準(zhǔn)。然而準(zhǔn)確的自動化或半自動化病變區(qū)分割，能夠在一定程度上消除醫(yī)務(wù)人員人工分割的主觀性，在客觀層面上為醫(yī)務(wù)人員辨明病例分割提高寶貴參考。因此，開發(fā)一種高效的自動化或半自動化的CT圖像分割方法與系統(tǒng)能夠在很大程度上推動醫(yī)學(xué)，特別是醫(yī)學(xué)影像學(xué)診斷的發(fā)展。CT圖像的分割至今仍然是未能完美解決的問題。這主要是因為CT圖像的復(fù)雜性和多樣性。CT圖像往往具有較豐富的細(xì)節(jié)特征，另外器官組織成像的形狀變化大且不規(guī)則，在成像過程中容易引入噪聲，并且某些器官組織的對比度不夠強(qiáng)。再加之人體解剖個體的差異較大，病變種類與病變位置的繁多，使得CT圖像的病變區(qū)分割異常困難。除此之外，病變區(qū)的邊界往往模糊不清，如何有效精確地處理分割的邊緣問題，也成為了該分割問題的、一大難點(diǎn)。當(dāng)前已經(jīng)有相當(dāng)多的工作投入到了 CT圖像的病變區(qū)分割研究當(dāng)中，但不同的方法都有其各自的優(yōu)點(diǎn)與缺點(diǎn)，能夠?qū)λ谢蚪^大部分可能情況進(jìn)行處理的穩(wěn)健方法并不多見。目前CT圖像的病變區(qū)分割主要還是采用半自動交互式的分割方法，這主要是因為完全自動化的分割方法目前還難以應(yīng)對CT圖像中復(fù)雜的變化，分割的平均效果并不能達(dá)到臨床應(yīng)用需求，而半自動化交互式分割方法通過用戶少量的介入操作，能夠大大提高分割的準(zhǔn)確度。從CT圖像分割智能化所使用的方法來看，大致可以分為兩大類，一類是基于區(qū)域的分割，一類是基于邊緣的分割。從分割智能化所使用的方法來看，當(dāng)前已有相當(dāng)多的方法被用在了 CT圖像分割問題中，包括閾值分割法，區(qū)域增長法，活動輪廓分割法。近年來由于統(tǒng)計學(xué)理論以及計算機(jī)視覺、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、函數(shù)優(yōu)化領(lǐng)域的快速發(fā)展，涌現(xiàn)了許多更復(fù)雜但更有效的處 理方法，包括基于分類器與聚類的分割方法、基于馬爾可夫隨機(jī)場的分割方法以及綜合應(yīng)用許多新的理論進(jìn)行分割的方法。閾值分割法是較簡單的分割方法，用戶通過設(shè)立閾值，把圖像灰度大于閾值與小于閾值的部分分開。該方法的優(yōu)勢在于計算簡單，易于實(shí)現(xiàn)，但其是否能夠很好運(yùn)作很大程度上取決于CT圖像的灰度可分性，然而不幸的是大部分CT圖像中病變區(qū)與許多非病變區(qū)在灰度上是難以區(qū)分的，因此該方法并不能很好地應(yīng)對這些情況。區(qū)域增長的分割方法一般是由用戶給定一個增長的種子點(diǎn)，種子點(diǎn)再依據(jù)一定的規(guī)則進(jìn)行擴(kuò)展，合并相鄰的像素，從而逐漸增長成區(qū)域。該方法簡單易于實(shí)現(xiàn)，但對初始種子點(diǎn)的選取有較高要求，不良的種子點(diǎn)極易引起過早的增長收斂或過度分割。另外區(qū)域增長的方法對噪聲也比較敏感，在醫(yī)學(xué)圖像中增長容易形成空洞。再者，如果病變區(qū)與相鄰的組織器官擁有相似的特性，增長的區(qū)域?qū)㈦y以控制，幾乎不可避免地會增長到相鄰相似的器官組織中。基于活動輪廓的分割方法要求用戶在病變區(qū)的周圍給出一個初始輪廓，然后根據(jù)一系列初始參數(shù)，通過最小化定義的能量函數(shù)而使得初始輪廓在迭代過程中逐漸收斂到病變區(qū)的邊界。與區(qū)域增長法一樣，基于活動輪廓的分割方法在很大程度上依賴于初始狀態(tài)的選取。另外，活動輪廓容易陷入局部最優(yōu)解，對于邊界區(qū)域模糊的病變區(qū)更是如此。基于分類器的區(qū)域分割方法是近年來隨著機(jī)器學(xué)習(xí)技術(shù)在計算機(jī)視覺上的應(yīng)用的深入，出現(xiàn)的采用分類學(xué)習(xí)理論進(jìn)行醫(yī)學(xué)圖像病變區(qū)分割的方法。該方法主要是將病變區(qū)看作是正樣本，非病變區(qū)看作是負(fù)樣本，從樣本中抽取出合適的特征后通過機(jī)器學(xué)習(xí)的策略學(xué)習(xí)得到分類器，進(jìn)而使用學(xué)習(xí)得到的分類器對圖像進(jìn)行分割。這種方法的好處在于可以通過控制訓(xùn)練樣本的輸入以及調(diào)整分類器的懲罰函數(shù)很好地適應(yīng)不同類型的醫(yī)學(xué)圖像，但問題在于在少樣本的情況下分割的精度以及分割結(jié)果的平滑度在很多時候存在一定的缺陷。綜上，當(dāng)前的CT圖像分割技術(shù)普遍存在兩個問題I、由于病變區(qū)與CT圖像中存在的其他某些組織器官有一定的相似性，當(dāng)前的分割方法容易產(chǎn)生誤分問題，把許多與病變區(qū)相似的非病變區(qū)部分也分割進(jìn)來。2、因病變區(qū)邊緣的模糊，致使分割方法在病變區(qū)的邊緣上很難得到令人滿意的分割結(jié)果。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的在于克服現(xiàn)有技術(shù)中CT圖像分割技術(shù)存在的兩個問題，結(jié)合以上所提及的基于分類器的區(qū)域分割方法的優(yōu)點(diǎn)，提出一種基于自適應(yīng)學(xué)習(xí)的CT圖像分割方法，以適應(yīng)CT圖像復(fù)雜的圖像變化，從而解決以上兩個主要問題，并實(shí)現(xiàn)CT圖像的準(zhǔn)確快速的分割。本專利技術(shù)的技術(shù)方案為一種基于自適應(yīng)學(xué)習(xí)的CT圖像分割方法，包括以下步驟I)獲取CT圖像；2)提取CT圖像特征； 3)用戶在CT圖像上輸入表明病變區(qū)與非病變區(qū)的筆觸；4)以用戶輸入的筆觸作為基礎(chǔ)，利用提取的CT圖像特征，建立圖像的區(qū)域模型；采用邊緣檢測方法建立圖像的邊緣模型；5)將區(qū)域模型與邊緣模型結(jié)合建立新模型，并對新模型進(jìn)行求解推理，獲得分割結(jié)果。所述步驟2)提取CT圖像特征包括提取CT圖像每個像素局部的灰度直方圖及提取CT圖像每個像素局部的SIFT直方圖。所述提取CT圖像包括提取每個像素12*12領(lǐng)域內(nèi)的灰度直方圖及提取每個像素12*12領(lǐng)域內(nèi)的SIFT直方圖。所述步驟4)的建立圖像的區(qū)域模型包括以下步驟41)選取用戶筆觸標(biāo)明的區(qū)域像素點(diǎn)作為訓(xùn)練樣本點(diǎn)，使用Gentle Boost算法訓(xùn)練出分類器；42)使用訓(xùn)練出來的分類器對CT圖像上的每個像素點(diǎn)進(jìn)行分類評分，求解出區(qū)域模型；43)利用用戶筆觸的位置距離空間調(diào)整區(qū)域模型。所述步驟43)的位置距離本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
一種基于自適應(yīng)學(xué)習(xí)的CT圖像分割方法，其特征在于包括以下步驟：1）獲取CT圖像；2）提取CT圖像特征；3）用戶在CT圖像上輸入表明病變區(qū)與非病變區(qū)的筆觸；4）以用戶輸入的筆觸作為基礎(chǔ)，利用提取的CT圖像特征，建立圖像的區(qū)域模型；采用邊緣檢測方法建立圖像的邊緣模型；5）將區(qū)域模型與邊緣模型結(jié)合建立新模型，并對新模型進(jìn)行求解推理，獲得分割結(jié)果。
【技術(shù)特征摘要】
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：林倞，江波，楊巍，林夢溪，
申請(專利權(quán))人：中山大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。