本發(fā)明涉及醫(yī)學圖像處理領域，尤其涉及一種圖像分割方法及其系統(tǒng)。

背景技術：

肺癌是全球死亡率最高的癌癥。雖然醫(yī)學診斷和治療水平不斷提高，肺癌的五年生存率也僅有15％左右，早期發(fā)現(xiàn)、早期治療是提高肺癌治愈率的主要途徑。肺結節(jié)是肺癌的早期表現(xiàn)形式。肺結節(jié)的準確分割結果能夠有效的反映出結節(jié)的病理和形態(tài)特征，進而幫助用戶對病灶進行診斷分析。實現(xiàn)肺結節(jié)自動分析與識別的關鍵技術是:肺結節(jié)分割、檢測、診斷等一系列圖像處理、分析和理解算法的研究和應用。

現(xiàn)有技術中采用水平集算法或者多尺度閾值方法進行結節(jié)分割，但是肺結節(jié)形態(tài)各異、大小各不相同、分布位置不定、易與其它組織鏈接，密度與肺部某些組織類似，例如肺結節(jié)具有實性結節(jié)、混合型磨玻璃結節(jié)、磨玻璃結節(jié)(ground-glass nodule,GGN)等各類形態(tài)，無法簡單通過形態(tài)學方法準確識別肺結節(jié)，尤其是磨玻璃結節(jié)作為一種惡性可能性最大的一類結節(jié)，形態(tài)上邊緣不規(guī)則，在CT圖像中呈現(xiàn)模糊稀薄影，在CT中的HU(Hounsfield Unit，亨氏單位)值分布廣泛且紋理形態(tài)多變，通過水平集算法(Level Set)等基于邊緣算法難以精確識別肺結節(jié)。此外肺結節(jié)在CT圖像中的灰度值不服從高斯分布，多閾值方法易造成泄露導致分割結果不準確。

因此，本發(fā)明提供一種圖像分割方法，以提高結節(jié)分割的準確性。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題是提供一種醫(yī)學圖像的分割方法及其系統(tǒng)，用于分割不同類型的肺結節(jié)，能夠有效提高肺結節(jié)分割的準確性，進而利于用戶對病灶的診斷和分析。

為解決上述技術問題，本發(fā)明提供一種醫(yī)學圖像的分割方法，包括如下步驟：

對醫(yī)學圖像進行初始定位，獲取定位區(qū)域；

預處理所述定位區(qū)域，獲取目標區(qū)域，所述目標區(qū)域包含結節(jié)區(qū)域和背景區(qū)域，所述結節(jié)區(qū)域由實性區(qū)域以及圍繞所述實性區(qū)域的周圍區(qū)域構成；

基于高斯混合模型處理所述目標區(qū)域，獲取所述目標區(qū)域的概率圖；

根據(jù)形態(tài)學模型處理所述概率圖，以確定結節(jié)的實性區(qū)域和周圍區(qū)域；

融合所述實性區(qū)域和周圍區(qū)域，獲得圖像分割結果。

進一步的，對醫(yī)學圖像進行初始定位包括以下任一種方式：

手動確定所述定位區(qū)域；或者

確定貫穿所述定位區(qū)域的長軸線，在長軸線上選取種子點，采用區(qū)域增長方法確定所述定位區(qū)域；或者

基于預設程序確定所述定位區(qū)域。

進一步的，所述預處理所述定位區(qū)域包括：

對所述定位區(qū)域進行基于海森點增強的閾值分割，獲取所述目標區(qū)域。

進一步的，所述根據(jù)形態(tài)學模型處理所述概率圖，包括：

采用海森點增強模型處理所述概率圖，獲取海森點增強圖；

基于所述概率圖中的每個體素或像素，確定所述海森點增強圖中的對應體素或像素；

若所述概率圖中的所述任一體素或像素的值大于第一閾值，并且所述第海森點增強圖中對應的體素或像素的值大于第二閾值，則所述體素或像素屬于所述實性區(qū)域；

否則，所述體素或像素屬于背景區(qū)域。

進一步的，所述第一閾值的取值范圍為為(0,1)之間的常數(shù)，所述第二閾值的取值范圍為(0,100)之間的常數(shù)。

進一步的，所述基于高斯混合模型處理所述目標區(qū)域，還包括：

采用海森線增強模型處理所述概率圖，獲取海森線增強圖；

基于所述概率圖中的每個體素或像素，確定所述海森線增強圖中的對應體素或像素；

將所述概率圖中的所述體素或像素的值與第一閾值比較；

將所述海森線增強圖中的體素或像素的值與第三閾值比較；

若所述概率圖中的所述任一體素或像素的值大于第一閾值，并且所述第海森線增強圖中對應的體素或像素的值小于第三閾值，則所述體素或像素屬于所述周圍區(qū)域；

否則，所述體素或像素屬于背景區(qū)域。

進一步的，所述第三閾值的取值范圍為取值范圍為(0,50)之間的常數(shù)。

進一步的，所述目標區(qū)域、所述概率圖、所述海森點增強以及所述海森線增強圖中任一體素或像素的空間位置是一一對應。

為解決上述技術特征，本發(fā)明還提供一種圖像分割系統(tǒng)，包括:

輸入單元，用于獲取醫(yī)學圖像；

處理單元，用于處理所述醫(yī)學圖像，獲取目標區(qū)域的分割結果，所述目標區(qū)域包含結節(jié)區(qū)域和背景區(qū)域，所述結節(jié)區(qū)域由實性區(qū)域以及圍繞所述實性區(qū)域的周圍區(qū)域構成；

以及輸出單元和存儲單元；

所述處理單元包括結節(jié)確定子單元，用于基于高斯混合模型處理所述目標區(qū)域，獲取所述目標區(qū)域的概率圖；根據(jù)形態(tài)學模型處理所述概率圖，以確定結節(jié)的實性區(qū)域和周圍區(qū)域。

進一步的，所述分割單元還包括：

定位子單元，用于對醫(yī)學圖像進行初始定位，獲取定位區(qū)域；

預處理子單元，用于預處理所述定位區(qū)域，獲取目標區(qū)域。

與現(xiàn)有技術相比，本發(fā)明利用初始定位和預處理獲取目標區(qū)域，用以增強了結節(jié)實性區(qū)域的對比度，降低后續(xù)結節(jié)分割的計算量，提高分割速度；基于高斯混合模型處理所述目標區(qū)域，獲取概率圖，根據(jù)形態(tài)學模型處理所述概率圖，使得有效分割并保護結節(jié)的實性區(qū)域，以及有效提取結節(jié)的周圍區(qū)域并移除血管、氣管和肺壁等結節(jié)分割的主要噪音。本發(fā)明提供圖像分割方法通用性強、精度高，可以準確分割不同類型的結節(jié)，利于后續(xù)用戶對病灶的診斷和分析。

【附圖說明】

圖1為本發(fā)明一實施例中圖像分割方法的流程示意圖；

圖2為本發(fā)明又一實施例中圖像分割方法的流程示意圖；

圖3a～3c為本發(fā)明一實施例中圖像分割方法的結果示意圖；

圖4為本發(fā)明一實施例中圖像分割的結構示意圖；

圖5為本發(fā)明一實施例中處理單元的結構示意圖。

【具體實施方式】

在下面的描述中闡述了很多具體細節(jié)以便于充分理解本發(fā)明。但是本發(fā)明能夠以很多不同于在此描述的其它方式來實施，本領域技術人員可以在不違背本發(fā)明內(nèi)涵的情況下做類似推廣，因此本發(fā)明不受下面公開的具體實施的限制。

本發(fā)明利用示意圖進行詳細描述，在詳述本發(fā)明實施例時，為便于說明，所述示意圖只是實施例，其在此不應限制本發(fā)明保護的范圍。

實施例1

為了解決現(xiàn)有技術中有效、準確分割不同類型的肺結節(jié)的技術問題，提高用戶對病灶診斷、分析的準確性，本實施例中提供一種圖像分割方法，如圖1圖像分割方法的流程示意圖所示，所述方法包括如下步驟：

執(zhí)行步驟S101：對醫(yī)學圖像進行初始定位，獲取定位區(qū)域。所述醫(yī)學圖像醫(yī)學包括但不限于通過各類模態(tài)的成像系統(tǒng)掃描采集獲得三維或二維圖像，也可以通過諸如存儲系影像歸檔和通信系統(tǒng)(Picture Archiving and Communication S縱stems，PACS)等內(nèi)部或外部存儲系統(tǒng)傳輸獲得。所述模態(tài)包括但不限于磁共振成像(MRI)、磁共振血管造影(MRA)、計算機斷層掃描(CT)、正電子發(fā)射斷層掃描(Positron Emission Tomograph縱，PET)等一種或多種的組合。所述醫(yī)學圖像的格式可以包括但不限于JPEG圖像格式、TIFF圖像格式、GIF圖像格式、FPX圖像格式、DICOM圖像格式等。例如，本實施例中所涉及的肺部醫(yī)學圖像可以通過計算機斷層掃描(CT)設備經(jīng)對人體實施掃描后的CT圖像。所述醫(yī)學圖像也可以是通過輸入計算機圖像處理設備中進行處理，基于閾值分割、聚類算法、直方圖分割模型、最大類間方差分割模型等方法處理后的醫(yī)學圖像，例如通過分割處理獲取的肺部CT圖像，可以基于圖像中的肺部區(qū)域進行后續(xù)的肺結節(jié)分割，以供用戶觀察和使用。計算機圖像處理設備可以使用通用的計算機設備作為基礎硬件。在一個實施例中，可以通過執(zhí)行安裝在計算機設備中的處理器上的圖像處理程序來實現(xiàn)所需的圖像處理。這時，可以通過預先將圖像處理程序安裝到計算機設備中或者通過將圖像處理程序記錄在磁盤、磁光盤、光盤、半導體存儲器等中或在網(wǎng)絡上發(fā)布圖像處理程序并將圖像處理程序安裝到計算機設備中來實現(xiàn)計算機圖像處理設備。在另一個實施例中，可以通過諸如邏輯電路的硬件來實現(xiàn)計算機圖像診斷處理設備。在又一實施例中，也可以通過組合硬件和軟件來實現(xiàn)計算機圖像處理設備。

所述初始定位用于獲取一個或多個定位區(qū)域，以減少后續(xù)分割處理的計算量，提高目標區(qū)域獲取過程的處理效率。例如在肺部醫(yī)學圖像中初始定位目標區(qū)域，由于在肺部醫(yī)學圖像包括肺血管、支氣管和肺壁以及肺結節(jié)、肺實質等組織結構，其中肺結節(jié)在空間形態(tài)上可以劃分為實性區(qū)域和周圍區(qū)域，實性區(qū)域大多呈類球體，在CT圖像肺結節(jié)中呈高亮狀態(tài)，可以通過肉眼辨識大致區(qū)域；周圍區(qū)域一般為邊緣模糊，類似毛刺狀等不規(guī)則形態(tài)的區(qū)域，甚至邊緣為不規(guī)則的曲線。因此，用戶或者后臺計算機處理設備可以根據(jù)結節(jié)的實性區(qū)域，采用初始定位獲取定位區(qū)域。所述定位區(qū)域包含疑似結節(jié)區(qū)域，存在血管、肺實質等噪音，所述定位區(qū)域可以通過外接長方體框(計算機后處理設備平面顯示為矩形框)在所述醫(yī)學圖像上顯示定位區(qū)域，例如256*256*256肺部CT圖像中，通過初始定位，獲取70mm×70mm大小的外接矩形框顯示的所述定位區(qū)域，所述外接矩形框的邊長可以根據(jù)所需分割的對象進行預設，例如針對肺部CT醫(yī)學圖像中分割肺結節(jié)，由于結節(jié)的一般直徑在3-30mm，設定外接長方體框70mm×70mm，可以滿足完全包含結節(jié)的定位區(qū)域。本實施例中，所述初始定位可以是手動的，全自動的，或者是手動和自動方法互相補充。例如可以通過：用戶根據(jù)經(jīng)驗值于所述肺部CT圖像手動框出定位區(qū)域；或者用戶根據(jù)經(jīng)驗給定貫穿疑似結節(jié)的實性區(qū)域的長軸線，根據(jù)所述長軸線選取種子點，基于閾值的區(qū)域增長獲取所述定位區(qū)域；或者基于計算機處理器等硬件設備或者計算機圖形處理設備等軟硬件結合的預設程序獲取所述定位區(qū)域，所述預設程序可以是前述硬件設備或軟硬件結合設備根據(jù)特定算法執(zhí)行的程序。

執(zhí)行步驟S102：預處理所述定位區(qū)域，獲取目標區(qū)域。所述目標區(qū)域包含結節(jié)區(qū)域和背景區(qū)域，所述結節(jié)區(qū)域為確定的結節(jié)區(qū)域，由實性區(qū)域以及圍繞所述實性區(qū)域的周圍區(qū)域構成。所述實性區(qū)域可以表示結節(jié)的主體形狀區(qū)域，所述周圍區(qū)域可以表示結節(jié)的邊緣區(qū)域。通過預處理所述定位區(qū)域獲取所述目標區(qū)域，可以進一步縮小后續(xù)分割的區(qū)域，提高后續(xù)分割的精度和速度。

本實施例中，所述預處理包括但不限于預處理增強、插值處理、形態(tài)學處理、圖像分割、噪聲去除、平滑處理等中的一種或幾種的組合。增強處理可以包括但不限于海森點增強、海森線增強等中的一種或多種的組合。插值處理可以使感興趣區(qū)域中體素大小均勻。形態(tài)學處理可以采用具有一定形態(tài)結構的元素去處理感興趣區(qū)域中的形狀以達到分析和識別目標的目的。形態(tài)學的處理方法可以包括但不限于膨脹、腐蝕、開運算、閉運算等中的一種或幾種的組合。噪聲去除可以去除感興趣區(qū)域中由于機器噪聲、目標運動等帶來的干擾。噪聲去除的方法可以包括但不限于均值濾波、維納濾波、形態(tài)學濾波、中值濾波等中的一種或幾種的組合。例如，可以通過基于海森點增強的閾值分割突出結節(jié)區(qū)域中的實性區(qū)域，以區(qū)別于肺部的氣管和肺壁、血管等噪音，從而確定所述目標區(qū)域。在本實施例中，所述目標區(qū)域可以通過外接矩形框顯示。

執(zhí)行步驟S103:基于高斯混合模型處理所述目標區(qū)域，獲取所述目標區(qū)域的概率圖；高斯混合模型是一類非形態(tài)學的分割模型，各種形狀的候選目標都可以通過高斯混合模型被較好的分割出來，適用于不同類型的結節(jié)分割。由于高斯混合模型需要對先驗概率、均值、標準差等參數(shù)計算獲取，需要計算的變量較少，使得運行速度較快。經(jīng)過高斯混合模型處理所述目標區(qū)域，可以將圖像中的像素或體素劃分成兩類或兩類以上。

由于結節(jié)的體素或像素和背景的體素或像素服從于高斯分布，本實施例采用高斯混合模型處理所述目標區(qū)域，用以獲取所述目標區(qū)域的概率圖，用于判定目標區(qū)域中各個體素是否為結節(jié)。

如公式(1)所示，其中，π是高斯混合分布的先驗概率；μ,Λ分別是均值和標準差。高斯混合模型的聯(lián)合概率密度函數(shù)為公式1所示，通過EM算法可以迭代求解得到μ_k,π_k,Λ_k，繼而求得p(x)，從而獲得該體素或像素的概率值，最終得到所示目標區(qū)域中各個體素或像素的概率值。所述概率圖中每一個體素或像素的值代表該體素或像素是否為結節(jié)的概率。

所述概率圖中每一個體素或像素的空間位置一一對應于所述目標區(qū)域中體素或像素的位置，所述概率圖中每一個體素的值或像素的值代表所述體素或像素是否為結節(jié)的概率。

執(zhí)行步驟S104，根據(jù)形態(tài)學模型處理所述概率圖，以確定結節(jié)的實性區(qū)域和周圍區(qū)域。所述形態(tài)學分割模型可以包括海森點增強模型、海森線增強模型、多尺度高斯模板匹配模型、多尺度形態(tài)學濾波模型等。海森點增強模型可以用于增強圖像中的諸如圓點圖形或類圓點圖形等區(qū)域。海森線增強模型可以用于增強圖像中的線型區(qū)域。多尺度高斯模板匹配模型分割圖像的過程可以基于處理對象的形態(tài)來考慮。以結節(jié)分割的過程為例，多尺度高斯模板匹配模型可以基于肺結節(jié)的類圓形形態(tài)考慮。多尺度形態(tài)學濾波模型可以采用各種數(shù)學形態(tài)學方法對圖像進行濾波操作，以達到增強候選目標的目的。基于邊緣算法的分割模型可以是水平集算法分割模型。

例如，為獲取結節(jié)的實性區(qū)域，本實施例基于海森點增強處理所述概率圖。基于所述概率圖中的每個體素或像素，確定所述海森點增強圖中的對應體素或像素。逐一選取所述概率圖中任一體素或像素，若所述體素或像素的概率值大于第一閾值，并且，所述目標區(qū)域中對應位置的體素的值或像素的值大于第二閾值，則標記所述體素或像素屬于實性區(qū)域，否則標記為背景區(qū)域。所述背景區(qū)域包括但不限于血管、氣管和肺壁等噪音。所述第一閾值的取值范圍為(0,1)的常數(shù)，例如，本實施例中選取第一閾值為0.5，設定所述第二閾值是為了突出顯示類球形的實性區(qū)域以抑制血管等噪音，從而達到保護結節(jié)實性區(qū)域的目的，所述第二閾值的取值范圍為(0，100)的常數(shù)，本實施例可以選取第二閾值為15。本實施例中，所述體素的值或像素的值可以表示圖像中某個體素或像素的顏色值。對于黑白圖像，體素的值或像素的值可以表示圖像中某個像素或體素的灰度值。本實施例中，為獲取實性區(qū)域的海森點增強所需要的參數(shù)值可以不同于前述預處理步驟中海森點增強所述目標區(qū)域的參數(shù)值。

為獲取結節(jié)的周圍區(qū)域，本實施例可以基于海森線增強處理所述概率圖。基于所述概率圖中的每個體素或像素，確定所述海森線增強圖中的對應體素或像素。逐一選取前述步驟概率圖中任一體素或像素，若所述體素的概率值大于第一閾值，并且，所述在海森線增強圖像中對應位置體素或像素的值小于第三閾值，則標記所述體素或像素屬于周圍區(qū)域，否則標記為背景區(qū)域。本實施例中通過海森線增強可以增強圖像中的線性形態(tài)結構。例如，對于分割肺結節(jié)的過程，通過海森線增強可以增強所述概率圖中血管、氣管和肺壁等管狀結構，使得血管等主要噪音呈高亮狀態(tài)。本實施例中所述第一閾值選取(0,1)，例如，本實施例中選取第一閾值為0.5，設定所述第三閾值可以移除血管、氣管和肺壁等管狀結構的噪音，提取形狀不規(guī)則的非球狀的結節(jié)，即周圍區(qū)域。所述第三閾值的取值范圍為(0，50)，本實施例可以選取第二閾值為5。本實施例中，所述體素的值或像素的值可以表示圖像中某個體素的顏色值。對于黑白圖像，體素的值或像素的值可以表示圖像中某個像素或體素的灰度值。

本實施例中，所述目標區(qū)域、所述概率圖、所述海森點增強以及所述海森線增強圖中任一體素或像素的空間位置是一一對應。

執(zhí)行步驟S105，融合所述實性區(qū)域和周圍區(qū)域，獲得圖像分割結果。例如對肺部CT圖像中分割結節(jié)，基于前述步驟獲取的所述實性區(qū)域是類球形的結節(jié)分割結果，周圍區(qū)域主要是形狀不規(guī)則，邊緣模糊的結節(jié)分割結果，根據(jù)標記為實性區(qū)域或周圍區(qū)域的體素或像素的位置在肺部CT圖像中定位該體素或像素，獲取最終的結節(jié)分割結果，所述結節(jié)分割結果可以是二值化圖像(掩膜圖像)。

本實施例中，基于初始定位和預處理獲取目標區(qū)域增強結節(jié)實性區(qū)域的對比度，降低后續(xù)結節(jié)分割的計算量，提高分割速度；基于高斯混合模型處理所述目標區(qū)域，獲取包含不同形態(tài)結節(jié)的概率圖；根據(jù)形態(tài)學模型處理所述概率圖，不僅有效分割并保護結節(jié)的實性區(qū)域，同時有效提取結節(jié)的周圍區(qū)域并移除血管、氣管和肺壁等結節(jié)分割的主要噪音，提高結節(jié)分割結果的準確性。

實施例2

為使上述目的、特征和優(yōu)點能夠更加明顯易懂，本實施例提供一種針對肺部CT三維圖像的結節(jié)分割方法，以獲取不同類型的肺結節(jié)，如圖2方法流程圖所示，包括如下步驟：

執(zhí)行步驟S201：對醫(yī)學圖像進行初始定位，獲取定位區(qū)域。本實施例中，所述醫(yī)學圖像為肺部醫(yī)學圖像，所述醫(yī)學圖像可以通過計算機斷層掃描(CT)設備經(jīng)對人體實施掃描后獲取的原始CT圖像，如圖3a所示。或者是將所述原始CT圖像輸入計算機圖像處理設備中進行處理，基于閾值分割、聚類算法等方法獲取所需的肺部CT圖像，如圖3b所示。

所述初始定位用以獲取定位區(qū)域，以減少后續(xù)分割處理的計算量，提高分割效率，具體初始定位方法如前所述，在此不再贅述。

執(zhí)行步驟S202：對所述定位區(qū)域進行基于海森點增強的閾值分割，獲取所述目標區(qū)域。所述肺部CT圖像中，肺血管、支氣管和肺壁和肺結節(jié)在灰度級分布上非常相似，因此使得臨床上對于肺結節(jié)的判斷容易產(chǎn)生誤診或漏診。然而，血管、支氣管和肺壁以及肺結節(jié)在空間形態(tài)上是有一定區(qū)別的，肺血管、支氣管以及肺壁等往往呈現(xiàn)出管狀結構，通過人體解剖學可知肺內(nèi)血管和氣管和肺壁根據(jù)連通性可以構造出完整的血管樹、氣管和肺壁樹，而肺結節(jié)的形態(tài)如前所述可以劃分為實性區(qū)域和周圍區(qū)域。肺結節(jié)可以指發(fā)生在肺實質內(nèi)單個或多個直徑小于30mm的圓形或類圓形(在三維圖像中可以是球形或類球形)肺內(nèi)致密陰影，在醫(yī)學圖像上主要表現(xiàn)為肺內(nèi)不透光影、有較為明確的邊緣，如呈光滑、分葉狀、棘狀突起或者毛刺。肺結節(jié)的實性區(qū)域可以是肺結節(jié)的圓形或類圓形(在三維圖像中可以是球形或類球形)區(qū)域，肺結節(jié)的周圍區(qū)域可以是邊緣模糊，類似毛刺狀等不規(guī)則形態(tài)的區(qū)域，或邊緣不規(guī)則的曲線。因此可以通過預處理有效增強結節(jié)的實性區(qū)域，在圖像上呈高亮狀態(tài)，增強與血管、氣管和肺壁等噪音的對比度，同時進一步縮小后續(xù)分割的處理區(qū)域，提高后續(xù)分割的精度和速度。

本實施例中，行基于海森點增強的閾值分割包括：首先通過插值方法處理所述定位區(qū)域，歸一化所述定位區(qū)域中各個體素在x、y和z方向上的分辨率(voxel spacing)，例如將任一體素x、y和z方向上的分辨率通過插值處理為1mm、1mm和1mm。接著，對各個體素在x、y和z方向上的值進行高斯平滑處理，以高亮顯示類球體區(qū)域，所述高亮區(qū)域包括疑似結節(jié)區(qū)域，例如結節(jié)的類球形的實性區(qū)域。根據(jù)公式(2)計算前述處理的目標區(qū)域中各個體素的海森矩陣，其中，f_xx為任意體素在x方向上的二階導，f_xy為在x方向一介倒數(shù)基礎上，求y方向的第二階導數(shù)；將一個點不同方向的二階導構建成海森矩陣，求得特征值λ₁、λ₂和λ₃。將特征值λ₁、λ₂和λ₃代入公式(3)求得點增強的值Z_dot，即目標區(qū)域中對應體素的值。最后，將海森點增強值在在x、y和z方向上的分辨率逆插值回原分辨率，獲取高亮顯示類球形區(qū)域的海森點增強圖像。

否則為0

基于獲取的海森點增強圖像進行閾值分割。由于通過海森點增強處理的目標區(qū)域中，類球形區(qū)域呈高亮狀態(tài)，即海森點值較大，從而增強類球形區(qū)域與肺部的氣管和肺壁、血管等噪音在圖像中的對比度，提高結節(jié)分割的準確性。所述結節(jié)分割可以基于閾值分割獲取，所述閾值可以取(0,100)范圍內(nèi)的常數(shù)，例如選取閾值為5。所述目標區(qū)域可以通過外接矩形框顯示，所述目標區(qū)域的外接矩形框的面積可以小于所述定位區(qū)域的外接矩形框，使得所述目標區(qū)域的外接矩形框進一步貼合結節(jié)區(qū)域，有效提高后續(xù)結節(jié)分割的運行速度。

執(zhí)行步驟S203：基于高斯混合模型處理所述外接矩形框中的目標區(qū)域，獲取所述目標區(qū)域的概率圖。前述步驟S103已詳述所述概率圖的獲取方式，在此不再贅述。經(jīng)過高斯混合模型處理所述目標區(qū)域，可以將圖像中的體素劃分成兩類或兩類以上。本實施例中，通過所述高斯混合模型判定目標區(qū)域中各個體素是否為結節(jié)。所述概率圖中每一個體素的值代表所述體素是否為結節(jié)的概率。

執(zhí)行步驟S204～S210：結節(jié)分割過程中，由于結節(jié)區(qū)域形態(tài)各異，包括肺結節(jié)的實性區(qū)域可以是肺結節(jié)的圓形或類圓形(在三維圖像中可以是球形或類球形)區(qū)域，肺結節(jié)的周圍區(qū)域可以是邊緣模糊，類似毛刺狀等不規(guī)則形態(tài)的區(qū)域，或邊緣不規(guī)則的曲線。同時，由于肺壁、血管等區(qū)域在肺部CT圖像中呈現(xiàn)高亮區(qū)域，通過前述步驟獲取的概率圖中可能包含部分血管、肺壁等組織，影響結節(jié)分割的準確性，因此需要根據(jù)形態(tài)學模型處理所述概率圖，分別獲取結節(jié)的實性區(qū)域和周圍區(qū)域。

本實施例中，獲取結節(jié)的實性區(qū)域包括：采用海森點增強模型處理所述概率圖，獲取海森點增強圖。基于所述概率圖中的每個體素，確定所述海森點增強圖中的對應體素。逐一選取所述概率圖中任一體素，若所述體素的概率值大于第一閾值，并且，所述目標區(qū)域中對應位置的體素的值大于第二閾值，則標記所述體素屬于實性區(qū)域，否則標記為背景區(qū)域。所述背景區(qū)域包括但不限于血管、氣管和肺壁等噪音。所述第一閾值的取值范圍為(0,1)，例如，本實施例中選取第一閾值為0.5，設定所述第二閾值是為了突出顯示類球形的實性區(qū)域以抑制血管等噪音，從而達到保護結節(jié)實性區(qū)域的目的，所述第二閾值的取值范圍為(0，100)，本實施例可以選取第二閾值為15。本實施例中，為獲取實性區(qū)域的海森點增強所需要的參數(shù)值可以不同于前述預處理步驟中海森點增強所述目標區(qū)域的參數(shù)值。

本實施例中，獲取結節(jié)的周圍區(qū)域包括；采用海森線增強模型處理所述概率圖，獲取海森線增強圖。海森線增強圖可以基于公式(4)獲取。接著，基于所述概率圖中的每個體素，確定所述海森線增強圖中的對應體素。逐一選取前述步驟概率圖中任一體素，若所述體素的概率值大于第一閾值，并且，所述在海森線增強圖像中對應位置的體素小于第三閾值，則標記所述體素屬于周圍區(qū)域，否則標記所述體素屬于背景區(qū)域。

ifλ₁<0,λ₂<0；否則為0 公式(4)

肺部CT圖像中，肺血管、氣管肺壁是肺結節(jié)假陽性的主要來源，造成后續(xù)肺結節(jié)檢測的誤診和漏診；肺血管、支氣管和肺壁和肺結節(jié)在灰度級分布上非常相似，在空間形態(tài)，肺血管和支氣管和肺壁等往往呈現(xiàn)出管狀結構。本實施例中通過海森線增強可以增強所述概率圖中血管、氣管和肺壁等管狀結構，使得血管等主要噪音呈高亮狀態(tài)。本實施例中所述第一閾值選取(0,1)，例如，本實施例中選取第一閾值為0.5，設定所述第三閾值可以移除血管、氣管和肺壁等管狀結構的噪音，同時保留形狀不規(guī)則的非球狀的結節(jié)區(qū)域，即周圍區(qū)域。所述第三閾值的取值范圍為(0，50)，本實施例可以選取第二閾值為5。

本實施例中，所述目標區(qū)域、所述概率圖、所述海森點增強以及所述海森線增強圖中任一體素或像素的空間位置是一一對應。

執(zhí)行步驟S311：基于前述步驟獲取的所述實性區(qū)域是類球形的結節(jié)分割結果，周圍區(qū)域主要是形狀不規(guī)則，邊緣模糊的結節(jié)分割結果，根據(jù)標記為實性區(qū)域或周圍區(qū)域的體素或像素的位置在肺部CT圖像中定位該體素或像素，獲取最終的結節(jié)分割結果，如圖3b所示。可以理解，圖3所示的中間結果僅為示例，并不意味著本發(fā)明的各實施例的中間結果均為圖3中的特定形態(tài)。

本實施例中，以分割肺部CT三維圖像中的結節(jié)為例，基于初始定位和預處理獲取目標區(qū)域，并且增強了結節(jié)實性區(qū)域的對比度，降低后續(xù)結節(jié)分割的計算量，提高分割速度；基于高斯混合模型處理所述目標區(qū)域，獲取包含不同形態(tài)結節(jié)的概率圖；根據(jù)形態(tài)學模型處理所述概率圖，通過海森點增強處理所述概率圖，有效效分割并保護結節(jié)的實性區(qū)域，通過海森線增強處理所述概率圖，有效提取結節(jié)的周圍區(qū)域并移除血管、氣管和肺壁等結節(jié)分割的主要噪音，提高結節(jié)分割結果的準確性。

實施例3

為解決上述技術問題本實施例中提供圖像分割系統(tǒng)。所述圖像分割系統(tǒng)可以包括一個或多個處理單元、一個或多個存儲單元、一個或多個輸入單元、一個或多個輸出單元，各個單元之間可以是分布式也可以是集中式的，可以是本地的也可以是遠程的。

在一些實施例中，所述輸入單元可以分別從成像設備、數(shù)據(jù)庫、存儲單元、或外接設備處接受各自發(fā)送的數(shù)據(jù)。此處的數(shù)據(jù)，可以是醫(yī)學數(shù)據(jù)。所述醫(yī)學數(shù)據(jù)可以是醫(yī)學圖像。所述醫(yī)學圖像可以包括但不限于X光圖像、CT圖像、PET圖像、MRI圖像、超聲圖像、心電圖、腦電圖等中的一種或幾種的組合。所述醫(yī)學圖像可以是二維(2D，two-dimensional)圖像，也可以是三維(3D，three-dimensional)圖像。所述醫(yī)學圖像的格式可以包括但不限于Joint Photographic Experts Group(JPEG)圖像格式、Tagged Image File Format(TIFF)圖像格式、Graphics Interchange Format(GIF)圖像格式、Kodak Flash PiX(FPX)圖像格式、Digital Imaging and Communications in Medicine(DICOM)圖像格式等。數(shù)據(jù)的輸入方式可以是手寫輸入、手勢輸入、圖像輸入、語音輸入、視頻輸入、電磁波輸入等中的一種或幾種的組合。所接收的信息，可以存儲于數(shù)據(jù)庫中，也可以存儲在存儲單元中，也可以由處理單元進行分析或處理。所述輸入單元可以包括但不限于字符輸入設備(例如，鍵盤)、光學閱讀設備(例如，光學標記閱讀機、光學字符閱讀機)、圖形輸入設備(例如，鼠標器、操作桿、光筆)、圖像輸入設備(例如，攝像機、掃描儀、傳真機)、模擬輸入設備(例如，語言模數(shù)轉換識別系統(tǒng))等中的一種或幾種的組合。

所述輸出單元可以輸出經(jīng)過處理的數(shù)據(jù)。此處的數(shù)據(jù)，可以是圖像分割的最終結果，也可以是圖像分割過程中的中間數(shù)據(jù)。例如，在圖像分割的過程中，處理單元可以對輸入的醫(yī)學圖像進行處理、分析，此過程中，中間數(shù)據(jù)可以包括獲取初始定位獲取的定位區(qū)域，預處理獲取的目標區(qū)域的分割結果等數(shù)據(jù)，最終結果為結節(jié)的分割結果。數(shù)據(jù)的形式可以包括但不限于文本、音頻、視頻、圖片等中的一種或幾種的組合。輸出的數(shù)據(jù)可以發(fā)送給外接設備，也可以不發(fā)送。不發(fā)送的輸出數(shù)據(jù)可以存儲在存儲單元中。所述輸出單元可以包括但不限于顯示設備、打印設備、繪圖儀、影像輸出系統(tǒng)、語音輸出系統(tǒng)、磁記錄設備等中的一種或幾種的組合。在一些實施例中，有些外接設備可以同時起到輸入和輸出的作用，例如，臺式電腦、筆記本、智能手機、平板電腦、個人數(shù)碼助理(personal digital assistance，PDA)等。

所述存儲單元可以存儲來自處理單元、輸入單元、輸出單元的數(shù)據(jù)。所述存儲單元可以是系統(tǒng)內(nèi)部的，也可以是系統(tǒng)的外接設備。所述存儲單元可以實際存在于系統(tǒng)中，也可以通過云計算平臺完成相應功能。

所述處理單元可以處理相關數(shù)據(jù)。處理單元可以從輸入單元或存儲單元中獲取數(shù)據(jù)。所述處理單元可以將處理后的數(shù)據(jù)保存至數(shù)據(jù)庫或存儲單元中，也可以發(fā)送至輸出單元用于數(shù)據(jù)輸出。在一些實施例中，處理單元中數(shù)據(jù)處理的方式可以包括但不限于對數(shù)據(jù)進行存儲、分類、篩選、轉換、計算、檢索、預測、訓練等中的一種或幾種的組合。在一些實施例中，處理單元可以包括但不限于中央處理器(Central Processing Unit(CPU))、專門應用集成電路(Application Specific Integrated Circuit(ASIC))、專用指令處理器(Application Specific Instruction Set Processor(ASIP))、物理處理器(Physics Processing Unit(PPU))、數(shù)字信號處理器(Digital Processing Processor(DSP))、現(xiàn)場可編程邏輯門陣列(Field-Programmable Gate Array(FPGA))、可編程邏輯器件(Programmable Logic Device(PLD))、處理器、微處理器、控制器、微控制器等中的一種或幾種的組合。

需要注意的是，上述處理單元可以實際存在于圖像分割系統(tǒng)中，也可以通過云計算平臺完成相應功能。其中，云計算平臺包括但不限于存儲數(shù)據(jù)為主的存儲型云平臺、以處理數(shù)據(jù)為主的計算型云平臺以及兼顧數(shù)據(jù)存儲和處理的綜合云計算平臺。系統(tǒng)所使用的云平臺可以是公共云、私有云、社區(qū)云或混合云等。例如，根據(jù)實際需要，系統(tǒng)接收的一些醫(yī)學圖像，可以通過云平臺進行計算和/或存儲。另一些醫(yī)學圖像，可以通過本地診斷單元和/或系統(tǒng)數(shù)據(jù)庫進行計算和/或存儲。

根據(jù)本申請的一些實施例，如圖4和圖5所示是本發(fā)明一實施例中分割肺結節(jié)系統(tǒng)的結構示意圖，所述系統(tǒng)包括：輸入單元U100，存儲單元U200，處理單元U300，和輸出單元U400。

所述輸入單元U100，用于獲取醫(yī)學圖像。所述醫(yī)學圖像所述醫(yī)學圖像醫(yī)學包括但不限于通過各類模態(tài)的成像系統(tǒng)掃描采集獲得三維或二維圖像，也可以通過諸如存儲系影像歸檔和通信系統(tǒng)(Picture Archiving and Communication S縱stems，PACS)等內(nèi)部或外部存儲系統(tǒng)傳輸獲得。所述模態(tài)包括但不限于磁共振成像(MRI)、磁共振血管造影(MRA)、計算機斷層掃描(CT)、正電子發(fā)射斷層掃描(Positron Emission Tomograph縱，PET)等一種或多種的組合。所述輸入單元U100可以將醫(yī)學圖像發(fā)送至存儲單元U200作存儲處理，也可以傳輸至處理單元U300進行圖像處理。

所述處理單元U300，用于處理所述醫(yī)學圖像，獲取目標區(qū)域的分割結果，本實施例中，所述處理單元U300包括預定位子單元U301、預處理子單元U302，和結節(jié)確定子單元U303。

所述定位子單元U301，用于對醫(yī)學圖像進行初始定位，獲取定位區(qū)域。所述初始定位用于獲取一個或多個定位區(qū)域，以減少后續(xù)分割處理的計算量，提高目標區(qū)域獲取過程的處理效率。

所述預處理子單元302用于預處理所述定位區(qū)域，獲取目標區(qū)域。所述目標區(qū)域包含結節(jié)區(qū)域和背景區(qū)域，所述結節(jié)區(qū)域為確定的結節(jié)病灶區(qū)域，由實性區(qū)域以及圍繞所述實性區(qū)域的周圍區(qū)域構成。可以對原始數(shù)據(jù)和/或感興趣區(qū)域進行預處理。在一些實施例中，所述預處理可以包括增強、插值處理、形態(tài)學處理、噪聲去除等中的一種或幾種的組合。初步定位的目的可以是在所述醫(yī)學圖像中或所述定位區(qū)域中確定疑似結節(jié)所在的大致區(qū)域以簡化結節(jié)分割的過程以及為后續(xù)確定候選目標起到鋪墊作用。初步定位可以是自動的，半自動的，手動的等。在一些實施例中，經(jīng)過預處理的數(shù)據(jù)可以被發(fā)送至其他單元或子單元中進行進一步處理。例如，經(jīng)過預處理的數(shù)據(jù)可以被發(fā)送至結節(jié)確定子單元，以確定結節(jié)的分割結果。通過預處理所述定位區(qū)域獲取所述目標區(qū)域，可以進一步縮小后續(xù)分割的區(qū)域，提高后續(xù)分割的精度和速度。

所述結節(jié)確定子單元U303，用于基于高斯混合模型處理所述目標區(qū)域，獲取所述目標區(qū)域的概率圖；根據(jù)形態(tài)學模型處理所述概率圖，以確定結節(jié)的實性區(qū)域和周圍區(qū)域。基于高斯混合模型處理所述目標區(qū)域，獲取包含不同形態(tài)結節(jié)的概率圖；根據(jù)形態(tài)學模型處理所述概率圖，不僅有效分割并保護結節(jié)的實性區(qū)域，同時有效提取結節(jié)的周圍區(qū)域并移除血管、氣管和肺壁等結節(jié)分割的主要噪音，提高結節(jié)分割結果的準確性。

所述存儲單元U200可以為具有存儲功能的設備。存儲輸入單元U100收集的數(shù)據(jù)(例如，成像設備拍攝的醫(yī)學圖像)和計處理單元U300工作中產(chǎn)生的各種數(shù)據(jù)。所述存儲單元U200可以是本地的，也可以是遠程的。所述存儲單元U200可以將信息數(shù)字化后再以利用電、磁或光學等方式的存儲設備加以存儲。所述存儲單元U200也可以用來存放各種信息例如程序和數(shù)據(jù)等。數(shù)據(jù)庫120可以是利用電能方式存儲信息的設備，例如各種存儲器、隨機存取存儲器(Random Access Memory(RAM))、只讀存儲器(Read Only Memory(ROM))等。以上提及的存儲設備只是列舉了一些例子，圖像分割系統(tǒng)工作環(huán)境中可以使用的存儲設備并不局限于此。

在一些實施例中，輸出單元U400可以向處理單元U300輸入數(shù)據(jù)，也可以接收處理單元U300輸出的數(shù)據(jù)，例如結節(jié)分割結果，并將輸出的數(shù)據(jù)以數(shù)字、字符、圖像、聲音等形式表示出來。

需要注意的是，輸入單元U100、存儲單元U200、處理單元U300、輸出單元U400之間的連接或通信可以是有線的，也可以是無線的。

以上對于分割系統(tǒng)系統(tǒng)的描述，僅為描述方便，并不能把本申請限制在所舉實施例范圍之內(nèi)。可以理解，對于本領域的技術人員來說，在了解該系統(tǒng)的原理后，可能在不背離這一原理的情況下，對各個單元進行任意組合，或者構成子系統(tǒng)與其他單元連接，對實施上述方法和系統(tǒng)的應用領域形式和細節(jié)上的各種修正和改變。例如，存儲單元U200可以是具有數(shù)據(jù)存儲功能的云計算平臺，包括但不限于公用云、私有云、社區(qū)云和混合云等。諸如此類的變形，均在本申請的保護范圍之內(nèi)。

雖然本發(fā)明已以較佳實施例揭示如上，然其并非用以限定本發(fā)明，任何本領域技術人員，在不脫離本發(fā)明的精神和范圍內(nèi)，當可作些許的修改和完善，因此本發(fā)明的保護范圍當以權利要求書所界定的為準。