结合脑部解剖学特征的颅内血块能量泛函分割方法技术

本发明专利技术公开一种结合脑部解剖学特征的颅内血块能量泛函分割方法，步骤如下：输入脑出血CT图像，设置参数对其进行解剖学特征的提取，得到结合解剖学特征后的图像；在结合解剖学特征的图像上提取其影像学特征；基于解剖学和影像学特征，构建相应的能量泛函模型框架；考虑到脑出血血块独特的形状和面积，将形状和面积约束项融合到能量泛函模型框架中，得到更为完整的能量泛函模型；显示分割结果；可以获得更准确的分割结果。得更准确的分割结果。得更准确的分割结果。

【技术实现步骤摘要】
结合脑部解剖学特征的颅内血块能量泛函分割方法


[0001]本专利技术属于医学图像分割领域，尤其涉及一种结合脑部解剖学特征的颅内血块能量泛函分割方法。

技术介绍

[0002]脑出血是十分常见的一种脑部疾病，它是指非外伤性实质血管破裂引起的出血，在急性期的致死率非常高。目前，脑出血的实际临床诊断中广泛使用计算机断层扫描(CT)成像，用于脑部区域病灶的精确检测和治疗。CT是一种针对人体组织器官的无创伤性的放射学成像方法，通过X射线对大脑结构进行断层扫描，可以清晰的查看脑部是否存在出血和血肿，明确具体的出血部位以及出血量，并且可以看出脑内部是否存在移位或血块破入脑室的情况。
[0003]在进行脑出血血块分割时，Chan
‑
Vese(CV)模型是一种传统的基于能量泛函的分割模型；何建伟在CV模型中引入了一种模糊聚类方法，构建了一种新的模型(FC
‑
CV)，同时考虑了图像的全局和局部特征，虽在分割边界上具有良好的连续性和光滑性，但忽视了很多细节；Pratondo等人提出了一个将机器学习与基于区域的主动轮廓模型结合起来的模型(ED
‑
EF)，它用非线性函数规范了机器学习算法的分类概率分数，以代替像素强度值，对于强度特征不均匀的图像，该模型具有较高的精度且对参数不敏感，然而对于边缘模糊的复杂图像，特征采集还不够全面。
[0004]由于脑部供血充足，出血血块的位置、形状和面积均较为复杂和多变，甚至会出现血块与颅骨连接的情况，现有分割方法并不能准确地分割脑出血图像。<br/>
技术实现思路

[0005]本专利技术是为了解决现有技术所存在的上述技术问题，提供一种结合脑部解剖学特征的颅内血块能量泛函分割方法。
[0006]本专利技术的技术解决方案是：一种结合脑部解剖学特征的颅内血块能量泛函分割方法，按照如下步骤进行：
[0007]步骤1：提取结合解剖学特征的图像
[0008]输入脑出血CT图像I(x,y)，x和y分别为脑出血CT图像I(x,y)的像素点；对脑出血CT图像I(x,y)进行开运算：设X是R2的一个子集，D
t
表示基于一个结构元素B和尺度参数t的膨胀，E
t
表示基于结构元素B和尺度参数t的腐蚀，则有公式(1)：
[0009][0010]定义基于脑出血CT图像I(x,y)的膨胀和腐蚀算子如公式(2)所示：
[0011][0012]式中：sup表示一个集合最小的上界，inf为一个集合最大的下界，根据膨胀和腐蚀的定义，按照公式(3)得到结合解剖学特征的图像u(x,y)：
[0013]||u(x,y)||
B
＝sup&lt;D
t
,E
t
&gt;
ꢀꢀꢀ
(3)
[0014]式中：＜,＞为内积，||
·
||
B
为Euchild范数；
[0015]步骤2：在结合解剖学特征的图像u(x,y)上提取影像学特征
[0016]设靠近脑出血中心的标定点为k，前后两个相邻的像素分别为k
‑
1和k+1，在标定点k的两侧选择m个像素，形成一个长度为2m+1的向量；结合在标准正态分布下的高斯分布概率密度函数率密度函数表示向量乘法，得到从近到远的权重值如公式(4)所示：
[0017][0018]H(φ)是水平集φ的Heaviside函数，表示为定义则脑出血的强度为c
pi
，i＝1,2，具体定义如公式(5)所示：
[0019][0020]得到的影像学特征表示如公式(6)所示：
[0021][0022]步骤3：构建能量泛函模型
[0023]基于解剖学和影像学特征，构建相应的能量泛函模型如公式(7)所示：
[0024]E
features
＝∫
Ω
(u(x,y)
‑
I
f
(φ))2dxdy
ꢀꢀꢀ
(7)
[0025]步骤4：结合形状及面积约束项
[0026]在结合解剖学特征后的图像u(x,y)中一个像素周围N
×
N的窗口里获得Zernike矩，所述Zernike矩是一组具有旋转不变性的正交力矩，p为阶数，q为重复度，r为距离坐标，
θ为角坐标，R
pq
(r
xy
)为径向多项式，将像素映射到单位圆中进行离散表示如公式(8)所示：
[0027][0028]得到如公式(9)所示的形状约束项E
S
：
[0029]E
S
＝∫
Ω
(Z
pq(φ＞0)
‑
Z
pq(φ＜0)
)2dxdy＝∫
Ω
(Z
pq(φ＞0)
·
H(φ(x,y))
‑
Z
pq(φ＜0)
(1
‑
H(φ(x,y))))2dxdy
ꢀꢀꢀ
(9)
[0030]面积约束项E
A
表示为：
[0031]E
A
＝∫
φ＞0
H(φ(x,y))dxdy
ꢀꢀꢀ
(10)
[0032]将形状约束项E
S
和面积约束项E
A
融入公式(7)中，得到如公式(11)所示的最终能量泛函模型E(φ)：
[0033][0034]步骤5：显示分割结果
[0035]通过求解公式(12)梯度下降流方程获得能量泛函的最小化，
[0036][0037]式中t代表迭代次数；
[0038]步骤6：判断能量泛函是否达到最小化，是，将通过能量泛函最小化得到的病灶边缘显示在原始的脑出血CT图像上，得到分割结果；否，返回步骤5。
[0039]本专利技术首先依次对脑出血图像提取结合解剖学特征图像和影像学特征，并将解剖学特征和影像学特征集成到能量泛函的框架中，进而提出一种结合了形状和面积约束的能量泛函，可以获得更加准确的分割结果。
附图说明
[0040]图1为本专利技术实施例的结合解剖学特征图像提取示意图。
[0041]图2为本专利技术实施例的能量泛函演化过程示意图。
[0042]图3为本专利技术实施例使用不同特征的分割结果示意图。
[0043]图4为本专利技术实施例使用不同的特征和约束条件的分割结果示意图。
[0044]图5为本专利技术实施例与现有技术其他算法的迭代次数对比示意图。
[0045]图6为本专利技术实施例与现有技术其他算法的分割评价示意图。
具体实施方式
[0046]本专利技术的一种结合脑部解剖学特征的颅内血块能量泛函分割方法，按照如下步骤进行：
[0047]步骤1：提取结合解剖学特征的图像
[0048]输入脑出血C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合脑部解剖学特征的颅内血块能量泛函分割方法，其特征在于按照如下步骤进行：步骤1：提取结合解剖学特征的图像输入脑出血CT图像I(x,y)，x和y分别为脑出血CT图像I(x,y)的像素点；对脑出血CT图像I(x,y)进行开运算：设X是R2的一个子集，D
t
表示基于一个结构元素B和尺度参数t的膨胀，E
t
表示基于结构元素B和尺度参数t的腐蚀，则有公式(1)：定义基于脑出血CT图像I(x,y)的膨胀和腐蚀算子如公式(2)所示：式中：sup表示一个集合最小的上界，inf为一个集合最大的下界，根据膨胀和腐蚀的定义，按照公式(3)得到结合解剖学特征的图像u(x,y)：||u(x,y)||
B
＝sup&lt;D
t
,E
t
&gt;
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中：＜,＞为内积，||
·
||
B
为Euchild范数；步骤2：在结合解剖学特征的图像u(x,y)上提取影像学特征设靠近脑出血中心的标定点为k，前后两个相邻的像素分别为k
‑
1和k+1，在标定点k的两侧选择m个像素，形成一个长度为2m+1的向量；结合在标准正态分布下的高斯分布概率密度函数度函数表示向量乘法，得到从近到远的权重值如公式(4)所示：H(φ)是水平集φ的Heaviside函数，表示为定义则脑出血的强度为c
pi
，i＝1,2，具体定义如公式(5)所示：
得到的影像学特征表示如公式(6)所示：步骤3：构建能量泛函模型基于解剖学和影像学特征，构建相应的能量泛函模型如公式(7)所示：E
features
＝∫
Ω
(u(x,y)
...

【专利技术属性】
技术研发人员：方玲玲，姜雨萌，
申请(专利权)人：辽宁师范大学，
类型：发明
国别省市：