一種基于多級(jí)閾值分割的多模態(tài)醫(yī)學(xué)圖像處理方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域，特別涉及一種基于多級(jí)閾值分割的多模態(tài)醫(yī)學(xué)圖 像處理方法。
【背景技術(shù)】
[0002] 作為各種醫(yī)學(xué)圖像處理技術(shù)如配準(zhǔn)、融合等的基礎(chǔ)，同時(shí)鑒于在當(dāng)前的臨床醫(yī)學(xué) 應(yīng)用如臨床輔助診斷、圖像引導(dǎo)的外科手術(shù)以及放射治療中，醫(yī)學(xué)圖像分割技術(shù)顯示出越 來(lái)越重要的臨床價(jià)值。醫(yī)學(xué)圖像分割技術(shù)是醫(yī)學(xué)圖像處理的研究基礎(chǔ)，如多模態(tài)醫(yī)學(xué)圖像 配準(zhǔn)、多模態(tài)醫(yī)學(xué)圖像融合等，其分割質(zhì)量的好壞將直接決定后續(xù)配準(zhǔn)、融合等操作能否有 效的進(jìn)行。在當(dāng)前的臨床醫(yī)學(xué)研究及應(yīng)用如臨床輔助診斷、圖像引導(dǎo)的外科手術(shù)和放射治 療中，醫(yī)學(xué)圖像分割技術(shù)發(fā)揮著極其重要的臨床研究及應(yīng)用價(jià)值。更為重要的是，隨著醫(yī)學(xué) 成像技術(shù)的快速發(fā)展，醫(yī)學(xué)影像已成為醫(yī)護(hù)工作者們的第三只眼睛，為臨床醫(yī)生們提供了 有效的診斷線(xiàn)索。當(dāng)前，各種成像模式如核磁共振成像（MRI)、計(jì)算機(jī)斷層成像（CT)、超聲 成像（US)、正電子發(fā)射計(jì)算機(jī)斷層成像（PET)等已在臨床醫(yī)學(xué)中得到了廣泛應(yīng)用，因此對(duì) 多模態(tài)醫(yī)學(xué)圖像分割技術(shù)的研究已成必然趨勢(shì)。而與現(xiàn)有的分割技術(shù)如基于偏微分方程的 分割技術(shù)、基于圖論的分割技術(shù)等相比，閾值分割技術(shù)具有計(jì)算簡(jiǎn)單、高效等特點(diǎn)，滿(mǎn)足臨 床醫(yī)學(xué)中的實(shí)時(shí)性要求。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是提供一種基于多級(jí)閾值分割的多模態(tài)醫(yī)學(xué)圖像處理方法，對(duì)多級(jí) 閾值進(jìn)行分割，使閾值搜素范圍減少?gòu)亩岣哚t(yī)學(xué)圖像分割效率，以獲得更準(zhǔn)確的醫(yī)學(xué)圖 像分割結(jié)果。
[0004] 本發(fā)明提供的技術(shù)方案為：
[0005] -種基于多級(jí)閾值分割的多模態(tài)醫(yī)學(xué)圖像處理方法，包括如下步驟：
[0006] 步驟一：獲取相應(yīng)的醫(yī)學(xué)圖像灰度圖像數(shù)據(jù)；
[0007] 步驟二：構(gòu)建高斯尺度空間模型來(lái)完成去噪處理；
[0008] 步驟三：采用各向異性非線(xiàn)性擴(kuò)散和0范式梯度最小化模型對(duì)步驟二處理后的醫(yī) 學(xué)圖像的平滑處理；
[0009] 步驟四：縮小0TSU圖像分割算法中最佳閾值的搜算范圍；
[0010] 步驟五：利用空間位置信息來(lái)提取完整的分割區(qū)域，從而得出更好的分割效果。 [0011] 優(yōu)選的是，步驟二包括如下分步驟：
[0012] a、采用高斯函數(shù)與圖像灰度函數(shù)的卷積得到高斯尺度空間模型：
[0013] L(x，y，〇 ) =G(x，y，〇 )*I(x，y)
[0014] 其中，*表示卷積操作，σ為尺度因子，G(x，y，σ)為高斯函數(shù)，I(x，y)為所處理 的灰度圖像，X，y分別為相應(yīng)像素點(diǎn)醫(yī)學(xué)圖像的橫坐標(biāo)和縱坐標(biāo)位置；
[0015]b、計(jì)算第i層高斯尺度空間信息
[0016]Q(x，y，〇J=G(x，y，〇J*1(X，y)，
[0017]σi+1=k〇pk> 1，i= 1，2, 3.· ·
[0018]其中，〇。為初始尺度因子，σi為第i層尺度因子；k為平滑系控制參數(shù)；
[0019]c、將高斯尺度空間模型作為背景信息，采用背景差方法，獲取第i層目標(biāo)圖像信 息：
[0020] D； (x,y) = 11 (x,y) -L； (x,y, 〇
[0021] d、對(duì)各層目標(biāo)圖像信息采用加權(quán)平均方式來(lái)獲取最終目標(biāo)圖像信息：
[0022]
[0023]其中為第i層目標(biāo)圖像信息所占權(quán)重，η為高斯尺度空間中圖像總層數(shù)。
[0024] 優(yōu)選的是，步驟d中，所述第i層目標(biāo)圖像信息所占權(quán)重ωι滿(mǎn)足：
[0025]
[0026] 優(yōu)選的是，步驟三中，采用各向異性非線(xiàn)性擴(kuò)散模型進(jìn)行圖像的平滑處理采用的 模型滿(mǎn)足：
[0027]
[0028] 其中，It為平滑后圖像灰度函數(shù)，t為平滑次數(shù)，￥為梯度算子，Δ表示拉普拉斯算 子，div( ·)表示散度算子，c(X，y，t)為擴(kuò)散系數(shù)。
[0029] 優(yōu)選的是，所述擴(kuò)散系數(shù)c(X，y，t)滿(mǎn)足：
[0030]
[0031]
[0032]
[0033] K為控制參數(shù)。
[0034] 優(yōu)選的是，步驟三中，使用0范式梯度最小化模型時(shí)引入一個(gè)約束項(xiàng)C(S)來(lái)避免 弱邊緣泄露現(xiàn)象，所述約束項(xiàng)c(s)滿(mǎn)足：
[0035] C(S)^#{p\\ dxsp \+1 a μ〇}
[0036]S為平滑后圖像，％為χ方向梯度，t為y方向梯度，Sp為概率為ρ時(shí)的圖像，ρ為 對(duì)應(yīng)像素點(diǎn)出現(xiàn)的概率。
[0037] 優(yōu)選的是，步驟四中，多級(jí)最佳閥值丨?,...乂}滿(mǎn)足：
[0038]
[0039] 其中，
9區(qū)域Ck概率總和，
〃為區(qū)域(；內(nèi)的一階矩總和，？1為 灰度圖像中灰度值為i的像素點(diǎn)出現(xiàn)的概率，1為最佳閾值個(gè)數(shù)，L為灰度級(jí)。
[0040] 優(yōu)選的是，步驟五中，采用漫水法進(jìn)行連通區(qū)域查找，同時(shí)將零碎小區(qū)域合并到周 圍與其最相似的大區(qū)域中，采用區(qū)域信息和邊界相結(jié)合的計(jì)算策略，從而最終形成相似信 息的分割區(qū)域。
[0041] 本發(fā)明的有益效果是：本發(fā)明提供了一種基于多級(jí)閾值分割的多模態(tài)醫(yī)學(xué)圖像處 理方法，在圖像預(yù)處理去噪階段建立多尺度高斯模型，由于在多尺度下圖像各項(xiàng)信息相互 結(jié)合，為圖像去噪和非均勻光照矯正均提供了保證，具有相比單一尺度模型下更好地去噪 效果。在采用多閾值0TSU分割方法這一階段，對(duì)0TSU圖像分割算法做出改進(jìn)，縮小了算法 閾值搜素范圍，從而提高分割算法運(yùn)行效率，使分割結(jié)果成像的實(shí)時(shí)性變得更好。本發(fā)明通 過(guò)對(duì)多機(jī)閾值分割后的結(jié)果進(jìn)行空間位置信息分析與處理，從而確定有效的分割聯(lián)通域， 進(jìn)而獲取更好的分割效果。因此本發(fā)明具有實(shí)時(shí)性好，分割效果準(zhǔn)確這兩大優(yōu)點(diǎn)。
【附圖說(shuō)明】
[0042] 圖1為本發(fā)明所述的基于多級(jí)閾值分割的多模態(tài)醫(yī)學(xué)圖像處理方法流程圖。
【具體實(shí)施方式】
[0043] 下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說(shuō)明，以令本領(lǐng)域技術(shù)人員參照說(shuō)明書(shū)文 字能夠據(jù)以實(shí)施。
[0044] 如圖1所示，本發(fā)明提供了一種基于多級(jí)閾值分割的多模態(tài)醫(yī)學(xué)圖像處理方法， 通過(guò)對(duì)醫(yī)學(xué)圖像建立多尺度高斯模型，采用各向異性非線(xiàn)性擴(kuò)散和0范式梯度最小化模型 進(jìn)行去噪和平滑等預(yù)處理，并對(duì)多級(jí)閾值分割0TSU算法進(jìn)行改進(jìn)，使閾值搜素范圍減少?gòu)?而提高醫(yī)學(xué)圖像分割效率，并對(duì)分割后的圖像進(jìn)行空間位置信息分析與處理來(lái)獲得更準(zhǔn)確 的醫(yī)學(xué)圖像分割結(jié)果。具體步驟如下：
[0045] 步驟一：獲取相應(yīng)的醫(yī)學(xué)圖像灰度圖像數(shù)據(jù)。
[0046] 通過(guò)核磁共振成像（MRI)、計(jì)算機(jī)斷層成像（CT)、超聲成像（US)、正電子發(fā)射計(jì)算 機(jī)斷層成像（PET)等方式得到醫(yī)學(xué)圖像，讀取原始圖像各像素點(diǎn)灰度值，歸一化為0-255， 并以I(x，y)表示相應(yīng)灰度圖像，x，y分別為相應(yīng)像素點(diǎn)醫(yī)學(xué)圖像的橫坐標(biāo)和縱坐標(biāo)位置。 即I(X，y)表示在數(shù)據(jù)矩陣中第X行第y列的像素灰度值。
[0047] 步驟二S120 :構(gòu)建高斯尺度空間并進(jìn)行去噪處理。
[0048] 鑒于現(xiàn)有的非均勻光照矯正和去噪通常僅限于單一尺度下進(jìn)行，并且分開(kāi)進(jìn)行， 帶來(lái)的問(wèn)題不僅是去噪效果不夠理想，而且非均勻光照信息也沒(méi)有得到有效矯正。為了彌 補(bǔ)該缺陷，本發(fā)明提出了一種高斯多尺度背景模型。
[0049] 高斯函數(shù)在計(jì)算機(jī)視覺(jué)以及模式識(shí)別領(lǐng)域中有著十分廣泛的應(yīng)用，其定義見(jiàn)下式 所示：
[0050]
[0051] 其中，σ為尺度因子。
[0052] 對(duì)于灰度函數(shù)為I(x，y)的醫(yī)學(xué)圖像，采用高斯函數(shù)與該圖像灰度函數(shù)的卷積來(lái) 表示該醫(yī)學(xué)圖像對(duì)應(yīng)的高斯尺度空間L(x，y，〇):
[0053] L(X，y，〇 ) =G(X，y，〇 ) *1 (X，y)
[0054] 其中，*表示卷積操作。
[0055] 記初始尺度因子為〇。，第i層尺度因子為〇1，通過(guò)上述尺度空間的定義，則第i 層尺度信息Q(X，y,σ;)計(jì)算如下：
[0056] Q(x，y，〇J=G(x，y，〇J*1 (X，y)
[0057] σi+1=k〇pk> 1，i= 1，2, 3. · ·
[0058] 其中，k為平滑系控制參數(shù)，用來(lái)控制平滑速率。
[0059] 通過(guò)將高斯尺度空間視作背景信息，則每層尺度信息QUy，〇)所對(duì)應(yīng)的目標(biāo)信 息Di(X，y)可采用背景差方法獲取，如下式所示：
[0060]D； (x,y) = 11 (x,y) -L； (x,y,〇
[0061] 為了能夠得到一個(gè)更加準(zhǔn)確的目標(biāo)圖像，并且保留更多的目標(biāo)細(xì)節(jié)信息，對(duì)各層 得到的目標(biāo)圖像采用加權(quán)平均方式來(lái)獲取高斯濾波圖像計(jì)算過(guò)程如下：
[0062]
[0063] 其中ωι為各層目標(biāo)圖像所占權(quán)重，η為高斯尺度空間中圖像總層數(shù)。由于隨著尺 度因子σi不斷增大提取出的目標(biāo)圖像也更加準(zhǔn)確，則它所占權(quán)重也將越大，因此采用下式 計(jì)算各層目標(biāo)圖像的權(quán)重值：
[0064]
[0065] 在尺度空間建立過(guò)程中，本發(fā)明將根據(jù)差值圖像的變化來(lái)控制尺度空間是否停止 創(chuàng)建，另外，擬通過(guò)γ增強(qiáng)操作來(lái)突出目標(biāo)圖像中的目標(biāo)信息。由于在各尺度上均進(jìn)行了 高斯模糊，從而為圖像去噪提供了基礎(chǔ)。由于多尺度信息的相互結(jié)合，為圖像去噪和非均勻 光照矯正均提供了保證。
[0066]步驟三S130 :采用各向異性非線(xiàn)性擴(kuò)散和0范式梯度最小化模型進(jìn)行醫(yī)學(xué)圖像的 平滑處理。
[0067] 經(jīng)過(guò)高斯濾波后的圖像D(x，y)視為原始數(shù)據(jù)，再經(jīng)t次平滑后的圖像數(shù)據(jù)記為 If
[0068]D(x,y) =u(x,y,0)
[0069]It=u(x,y,t)
[0070] 其中，t為平滑次數(shù)。
[0071]
[0072] 其中，▽為梯度算子，△表示拉普拉斯算子，div(·)表示散度算子。
[0073]記
[0074]
[0075]則
[0076]
[0077] 其中，（i,j)為像素點(diǎn)坐標(biāo)位置，λ為控制參數(shù)。
[0078]由于對(duì)于每個(gè)像素點(diǎn)都具有相同的處理方式，通常該模型被稱(chēng)為各向同性線(xiàn)性擴(kuò) 散模型。但該方法通常會(huì)造成邊緣被過(guò)度平滑，理想的濾波器應(yīng)該是使得區(qū)域內(nèi)部盡量平 滑而保持邊緣信息盡可能不變，為此本發(fā)明擬采用各向異性非線(xiàn)性擴(kuò)散模型來(lái)提高局部區(qū) 域內(nèi)部的平滑度，該模型定義如下：
[0079] ^ ^ ^
^ ^
[0080]其中，c(X，y,t)擴(kuò)散系數(shù)，=g(||V/(x,jV) ||)，式中g(shù)函數(shù)通常有兩種選取 方式：
[0081]
[0082]
[0083] 其中K為控制參數(shù)。
[0084] 在弱邊緣區(qū)域，各向異性非線(xiàn)性擴(kuò)散模型容易造成邊緣泄露，為此需要引入一個(gè) 約束項(xiàng)c(s)來(lái)避免弱邊緣泄露現(xiàn)象。其中S為平滑后圖像。本約束項(xiàng)是通過(guò)限制平滑后 圖像中的梯度數(shù)量來(lái)達(dá)到平滑并保持邊緣效果，定義如下：
[0085]
[0086]s為平滑后圖像，.?為X方向梯度，％為y方向梯度，Sp為概率為p時(shí)的圖像，p為 對(duì)應(yīng)像素點(diǎn)出現(xiàn)的概率。
[0087] 最終能量公式定義為：
[0088]
[0089] 其中，p為對(duì)應(yīng)像素點(diǎn)出現(xiàn)的概率，λ表示