【技术实现步骤摘要】
本申请涉及图像分割领域，具体涉及一种快速曲线演化形态学医学图像分割方法。
技术介绍
1、本部分旨在为权利要求书中陈述的本申请的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是已被公开的现有技术。
2、在目前的医学图像分割方法中，存在以下几个待解决的问题：
3、1.由于医学图像中待分割器官或肿瘤周围存在的肌肉以及其他器官与目标区域灰度差异较小，导致待分割器官或肿瘤边缘模糊。这会为基于灰度、区域和边缘的分割方法带来较大麻烦；
4、2.虽然基于模型的图像分割方法相比于其他传统方法具有较好的分割效果，但是在求解与时间相关的偏微分方程时需要消耗昂贵的计算成本且存在数值稳定性的问题；
5、3.不同个体的器官、肿瘤的形态、位置和体积存在一定偏差，同时，待分割器官贯穿于图像的多个切片中，且不同切片之间的形态结构也存在着较大变化，这对基于深度学习的医学图像分割方法提出较高的泛化性要求；
6、4.基于深度学习的分割方法近年来取得了卓越的成果，然而神经网络的训练需要大量数据的人工标注，这无疑是枯燥且耗时的，同时深度学习方法的可解释性不足，尤其是在医学上的应用仍有待解决；
7、5.传统3d分割算法在计算过程中需要消耗昂贵的时间成本，而实时性在医学领域的应用中是至关重要的，较长的计算时间可能严重影像医生在手术中的判断和抉择；
8、6.基于半自动交互式分割方法，需要用户在待分割前景或背景区域进行选择，往往需要在目标区域选择多个点或进行勾画抑或选择目标范围，对
技术实现思路
1、本申请的目的在于提供一种快速曲线演化形态学医学图像分割方法，可以交互式选择分割区域并提高分割精度。
2、本申请公开了一种快速曲线演化形态学医学图像分割方法，包括：
3、将三维医学图像转换为多层的二维切片图像；
4、对用户在所述多层中选取的至少两个用户交互种子点进行初次校准，所述初次校准为：添加所述用户交互种子点的目标区域内的所有像素至距离队列中，逐个弹出所述像素，计算并判断所述像素与其每个相邻像素的路径距离是否小于所述相邻像素在距离变换图中的值，若小于，则更新所述距离变换图像并将所述相邻像素继续添加至所述距离队列中，直至所述队列为空；
5、动态计算每层的所述用户交互种子点，对所述用户交互种子点进行二次校准；
6、计算校准后的所述二维切片图像的梯度幅值图以进行预处理；
7、对校准后的所述二维切片图像，并行计算基于曲率的曲线演化形态学；
8、所述形态学闭运算后处理，将所述二维切片图像转换为分割完成的三维医学图像。
9、在一个优选例中，所述初次校准进一步包括：
10、计算所述用户交互种子点所在层的灰度加权距离变化图：
11、d(x，y)＝min{d(x，y)，min[d(u，v)+w(u，v)*d(x，y，u，v)]}
12、其中，d(x,y)表示像素(x,y)到目标区域的距离，(u,v)表示(x,y)的相邻像素，w(u,v)表示像素(u,v)的灰度权重即像素值,d(x,y,u,v)是像素(x,y)到像素(u,v)之间的距离函数；
13、以所述用户交互种子点为正方形对角线的中心，构建边长为β个像素的正方形区域，计算所述正方形区域内的像素值均值，若大于阈值则保留该种子点，若小于阈值，则分别计算所述用户交互种子点的x轴和y轴的最大像素值，选择所述x轴和y轴的最大像素值中最大的一个的所在位置作为校正后的所述用户交互种子点坐标。
14、按顺序选择相邻的两个用户交互种子点，计算：
15、width＝abs(seed_user[k][z轴]-seed_user[k+1][z轴])，
16、height＝abs(seed_user[k][y轴]-seed_user[k+1][y轴])，
17、length＝abs(seed_user[k][x轴]-seed_user[k+1][x轴])；
18、对于在(0,width-1)范围内的每个整数值i，计算：
19、height_change＝(i+1)*(height/width)，
20、length_change＝(i+1)*(length/width)；
21、若seed_user[k][y轴]≤seed_user[k+1][y轴]，
22、则y＝seed_user[k][y轴]+height_change，
23、否则y＝seed_user[k][y轴]-height_change；
24、若seed_user[k][x轴]≤seed_user[k+1][x轴]，
25、则x＝seed_user[k][x轴]+length_change，
26、否则x＝seed_user[k][x轴]-length_change；
27、其中，seed_user为用户交互选择的种子点数组，abs()表示绝对值运算，k表示当前用户交互种子点索引；
28、将动态生成的种子点(x,y,seed_user[k][z轴]+1)加入到种子点数组seed_final；
29、循环所述二次校准直至遍历完成所有所述用户交互种子点。
30、在一个优选例中，所述计算校准后的所述二维切片图像的梯度幅值图以进行预处理进一步包括：
31、计算所述二维切片图像的二维高斯函数导数
32、
33、其中σ设置为2为高斯函数标准差，二维高斯函数的一阶偏导数为
34、
35、
36、所述二维切片图像的梯度幅值为
37、
38、在一个优选例中，所述对校准后的所述二维切片图像，并行计算基于曲率的曲线演化形态学包括：
39、将求解偏微分方程
40、
41、近似转换为形态学运算：
42、
43、
44、
45、其中，dd和ed分别是形态学膨胀和腐蚀的离散表示，n指的是在计算测地线活动轮廓偏微分方程的形态学实现时的迭代轮数，μ指的是形态学平滑算子连续应用的次数，θ是用来限定g(i)的预设阈值，q表示的是需要演化的水平集函数，p是预设的气球力参数，α表示的是在二维切片图像上计算时任意的一个点，表示指定长度区间部分构成的离散基底给出的上确界-下确界形态学算子，表示指定长度区间部分构成的离散基底给出的下确界-上确界形态学算子，g(i)用于检测图像目标边界，用来求解测地距离，δ为预设值：
46、
47、采用多线程策略，并行地在所述二维切片图像中计算曲线演化。
48、在一个优选例本文档来自技高网...
【技术保护点】
1.一种快速曲线演化形态学医学图像分割方法，其特征在于，包括：
2.如权利要求1所述的快速曲线演化形态学医学图像分割方法，其特征在于，所述初次校准进一步包括：
3.如权利要求1所述的快速曲线演化形态学医学图像分割方法，其特征在于，所述二次校准包括：
4.如权利要求1所述的快速曲线演化形态学医学图像分割方法，其特征在于，所述计算校准后的所述二维切片图像的梯度幅值图以进行预处理进一步包括：
5.如权利要求1所述的快速曲线演化形态学医学图像分割方法，其特征在于，所述对校准后的所述二维切片图像，并行计算基于曲率的曲线演化形态学包括：
6.如权利要求1所述的快速曲线演化形态学医学图像分割方法，其特征在于，所述将三维医学图像转换为多层的二维切片图像之前还包括：
7.如权利要求1所述的快速曲线演化形态学医学图像分割方法，其特征在于，进一步包括：
8.如权利要求7所述的快速曲线演化形态学医学图像分割方法，其特征在于，所述初次校准中去除所述起始层以下5层和所述末尾层以上5层。
9.一种医学图像分割设备，
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1至8中任意一项所述的方法中的步骤。
...【技术特征摘要】
1.一种快速曲线演化形态学医学图像分割方法，其特征在于，包括：
2.如权利要求1所述的快速曲线演化形态学医学图像分割方法，其特征在于，所述初次校准进一步包括：
3.如权利要求1所述的快速曲线演化形态学医学图像分割方法，其特征在于，所述二次校准包括：
4.如权利要求1所述的快速曲线演化形态学医学图像分割方法，其特征在于，所述计算校准后的所述二维切片图像的梯度幅值图以进行预处理进一步包括：
5.如权利要求1所述的快速曲线演化形态学医学图像分割方法，其特征在于，所述对校准后的所述二维切片图像，并行计算基于曲率的曲线演化形态学包括：
6.如权...
【专利技术属性】
技术研发人员：王逸飞，赵梓淇，孙建奇，
申请(专利权)人：上海美杰医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。