申请/专利权人：西北大学

申请日：2018-02-05

公开（公告）日：2021-01-12

公开（公告）号：CN108364294B

主分类号：G06T7/10(20170101)

分类号：G06T7/10(20170101)

优先权：

专利状态码：有效-授权

法律状态：2021.01.12#授权;2018.08.28#实质审查的生效;2018.08.03#公开

摘要：本发明公开了一种基于超像素的腹部CT图像多器官分割方法，包括对腹部CT图像的预处理，其中预处理包括对腹部CT图像的滤波以及灰度映射，利用腹部CT图像集的中图像中上下层之间存在的相关性，并且以融合后的欧氏距离与灰度距离作为度量距离的K‑means聚类方法将腹部CT图像分割成超像素块，对超像素块进行特征提取后，采用极限学习机结合位置和灰度统计概率模型对超像素块进行分类，再将分类后的超像素块进行合并，获得腹部CT图像多器官分割结果；本发明提供的方法能够准确地对腹部CT图像进行多器官的分割，将计算量从像素级别降低到像素块级，大大减少了计算量，加快了腹部CT图像多器官分割的速度。

主权项：1.一种基于超像素的腹部CT图像多器官分割方法，其特征在于，包括以下步骤：步骤1，采集多张腹部CT图像，获得腹部CT图像集；步骤2，对所述的腹部CT图像集中的每一张腹部CT图像进行预处理，获得预处理后的腹部CT图像集，所述的预处理包括图像滤波以及灰度映射；步骤3，对所述的预处理后的腹部CT图像集中的每一张腹部CT图像采用聚类的方法进行超像素分割，获得腹部CT图像集的多个超像素块；步骤4，提取所述的超像素块的灰度特征和纹理特征，获取特征全集；步骤5，对所述的特征全集进行选择，获得特征集；步骤6，根据所述的特征集，利用分类器对所述的超像素块进行分类，获得超像素块的器官类别；步骤7，对所述的超像素块中的同类超像素块进行融合，获得多器官分割后的腹部CT图像；所述步骤2，对所述的腹部CT图像集中的每一张腹部CT图像进行预处理，获得预处理后的腹部CT图像集，所述的预处理包括图像滤波以及灰度映射，包括以下步骤：对所述的腹部CT集中的每一张腹部CT图像进行双边滤波，获得滤波后的腹部CT图像集；对所述的滤波后的腹部CT图像集中的每一张腹部CT图像进行灰度映射，将腹部CT图像的灰度范围映射至腹部器官的灰度范围，获得预处理后的腹部CT图像集；所述的步骤3，对所述的预处理后的腹部CT图像集中的每一张腹部CT图像采用聚类的方法进行超像素分割，获得腹部CT图像集的多个超像素块，包括以下步骤：将所述腹部CT图像集中的每一张腹部CT图像均划分成多个矩形块；对于所述的腹部CT图像集中的第一张腹部CT图像，在其划分后的每一个矩形块上随机产生一个种子点作为首个聚类中心点进行聚类，获得所述腹部CT图像的最终聚类中心；对于所述的腹部CT图像集中的其他腹部CT图像，均以上一张腹部CT图像的所述最终聚类中心点作为本张腹部CT图像的首个聚类中心点进行聚类，获得所述的腹部CT图像集的多个超像素块；所述的步骤3中采用K-means聚类方法对所述腹部CT图像集中的每一张腹部CT图像进行聚类，获得所述的腹部CT图像集的多个超像素块；采用K-means聚类方法对所述腹部图像集中的每一张腹部CT图像进行聚类，获得所述的腹部CT图像集的多个超像素块，包括以下步骤：A、以所述的首个聚类中心点为中心，以边长为L的矩形区域作为初始聚类邻域，将欧氏距离与灰度距离融合后的距离作为度量距离Ds进行一次K-means聚类，利用式1计算出度量距离Ds： 其中，dxy为两像素点欧氏距离，dg为两像素点灰度距离，S为分割后矩形块的边长，μ为控制参数，20≤μ≤100；B、一次K-means聚类完成后更新聚类中心点Ctx，y＝Ix,y，n为一次聚类后聚类簇中像素点的个数，t为聚类迭代次数，t≥1；C、直至所述的更新后聚类中心点Ctx,y与上一次聚类中心点Ct-1x,y重合，获得所述的最终聚类中心点Ctx,y，完成对本张腹部CT图像的超像素分割；重复执行上述步骤A-C，直至完成对腹部CT图像集中的最后一张腹部CT图像的分割，获得所述的腹部CT图像集的多个超像素块；所述的步骤4，提取所述的超像素块的灰度特征和纹理特征，获取特征全集，包括：对于步骤3中获得的腹部CT图像的多个超像素块进行灰度特征和纹理特征提取，所述的灰度特征为灰度直方特征,纹理特征包括Gabor纹理特征、LBP特征以及灰度共生矩阵特征，获得特征全集；所述的步骤5中采用主成分分析法对所述的特征全集进行选择，获得特征集；所述的步骤6中，采用极限学习机结合位置和灰度统计概率模型的分类器对所述的超像素块进行分类，获得超像素块的器官类别；采用极限学习机结合位置和灰度统计概率模型的分类器对所述的超像素块进行分类，获得超像素块的器官类别，包括以下步骤：A1、将步骤5中获得的纹理特征集输入至极限学习机进行训练以及分类，获得超像素块的类别概率，建立基于极限学习机的超像素块类别概率表，其中列代表极限学习机超像素块类别概率；B1、统计所述器官的灰度和位置信息，分别建立基于灰度高斯概率模型和基于位置的高斯概率模型，建立基于位置和灰度的二维混合高斯超像素块类别概率表，其中列代表高斯超像素块类别概率；C1、将所述的基于极限学习机的超像素块类别概率表与所述的基于位置和灰度的二维混合高斯超像素块类别概率表中对应的单元格相乘，获得超像素块器官类别概率表，其中列代表超像素块的器官类别概率；D1、在所述的超像素块器官类别概率表中，在每一行选取概率最大的器官类别作为该行的超像素块的器官类别，获得所述超像素块的器官类别。

全文数据：基于超像素的腹部CT图像多器官分割方法技术领域[0001]本发明涉及一种图像分割方法，具体涉及一种基于超像素的腹部CT图像多器官分割方法。背景技术[0002]随着医学成像技术的发展，医学影像在医学诊断中有着不可或缺的地位，同时计算机辅助诊断（ComputerAidedDiagnosis，CAD技术的快速发展能够利用计算机辅助处理、分析医学影像，帮助医生更好的对病情做出正确的判断。医学图像分割作为医学影像处理的第一阶段对医学影像分析和可视化都有着重要的意义，医学图像分割是病变区域提取、器官组织测量以及三维重建的基础，在图像引导手术、医学影像间的配准等方面也起到了不可替代的作用。[0003]人体腹部器官分布复杂，主要包括肝脏、肾脏、胆囊、脾脏、胃、肠、下腔静脉、主动脉等其他重要的内脏器官。计算机断层扫描ComputedTomography，简称CT对腹部、胸部和盆腔可以提供高分辨率的解剖图像，常作为医生首选检查手段，但由于影像装置的局限性和组织蠕动，腹部CT图像往往表现出阴影，噪声，器官重叠及灰度不均匀的特性。此外，模糊的组织边缘也为器官分割带来了相当大的困难。对于腹部多器官分割，器官的位置和形状、较高的密度相似性、组织运动和局部体效应都是影响分割精度的因素。[0004]对于医学图像分割特别是腹部CT图像器官分割来说，由于腹部器官之间的低对比度、器官病变的存在以及个体之间器官形状的差异，使得传统的分割方法都有一定的局限性。此外，目前的医学图像分割大多针对单个器官进行，还未实现腹部多器官分割。发明内容[0005]本发明的目的在于提供一种基于超像素的腹部CT多器官分割方法，用以解决现有技术中的对腹部器官分割大多针对单一器官进行的问题。[0006]为了实现上述任务，本发明采用以下技术方案：[0007]—种基于超像素的腹部CT图像多器官分割方法，包括以下步骤：[0008]步骤1，采集多张腹部CT图像，获得腹部CT图像集；[0009]步骤2,对所述的腹部CT图像集中的每一张腹部CT图像进行预处理，获得预处理后的腹部CT图像集，所述的预处理包括图像滤波以及灰度映射；[0010]步骤3,对所述的预处理后的腹部CT图像集中的每一张腹部CT图像采用聚类的方法进行超像素分割，获得腹部CT图像集的多个超像素块；[0011]步骤4,提取所述的超像素块的灰度特征和纹理特征，获取特征全集；[0012]步骤5，对所述的灰度、纹理特征全集进行选择，获得特征集；[0013]步骤6,根据所述的灰度特征和纹理特征集，利用分类器对所述的超像素块进行分类，获得超像素块的器官类别；[00M]步骤7,对所述的超像素块中的同类超像素块进行融合，获得多器官分割后的腹部CT图像。[0015]进一步地，所述步骤2,对所述的腹部CT图像集中的每一张腹部CT图像进行预处理，获得预处理后的腹部CT图像集，所述的预处理包括图像滤波以及灰度映射，包括以下步骤：[0016]对所述的腹部CT集中的每一张腹部CT图像进行双边滤波，获得滤波后的腹部CT图像集；[0017]对所述的滤波后的腹部CT图像集中的每一张腹部CT图像进行灰度映射，将腹部CT图像的灰度范围映射至腹部器官的灰度范围，获得预处理后的腹部CT图像集。[0018]进一步地，所述的步骤3,对所述的预处理后的腹部CT图像集中的每一张腹部CT图像采用聚类的方法进行超像素分割，获得腹部CT图像集的多个超像素块，包括以下步骤：[0019]将所述腹部CT图像集中的每一张腹部CT图像均划分成多个矩形块；[0020]对于所述的腹部CT图像集中的第一张腹部CT图像，在其划分后的每一个矩形块上随机产生一个种子点作为首个聚类中心点进行聚类，通过迭代聚类获得所述腹部CT图像的最终聚类中心；[0021]对于所述的腹部CT图像集中的其他腹部CT图像，均以上一张腹部CT图像的所述最终聚类中心点作为本张腹部CT图像的首个聚类中心点进行聚类，获得所述的腹部CT图像集的多个超像素块。[0022]进一步地，所述的步骤3中，采用κ-means聚类方法对所述腹部CT图像集中的每一张腹部CT图像进行聚类，获得所述的腹部CT图像集的多个超像素块。[0023]进一步地，采用K-means聚类方法对所述腹部图像集中的每一张腹部CT图像I进行聚类，获得所述的腹部CT图像集的多个超像素块，包括以下步骤：[0024]A、以所述的首个聚类中心点为中心，以边长为L的矩形区域作为初始聚类邻域，将欧氏距离与灰度距离融合后的距离作为度量距离Ds进行一次K-means聚类，利用式（1计算出度量距离Ds:[0025][0026]其中，dxy为两像素点欧氏距离，4为两像素点灰度距离，S为分割后矩形块的边长，μ为控制参数，彡100;[0027]B、一次K-means聚类完成后更新聚类中心点Ctx，y=Ix，y，，n为一次聚类后聚类簇中像素点的个数，t为聚类迭代次数，tl;[0028]C、直至所述的更新后聚类中心点Ctx，y与上一次聚类中心点CV1^y重合，获得所述的最终聚类中心点Ctx，y，完成对本张腹部CT图像的超像素分割；[0029]重复执行上述步骤A-C，直至完成对腹部CT图像集中的最后一张腹部CT图像的分割，获得所述的腹部CT图像集的多个超像素块。[0030]进一步地，所述的步骤4,提取所述的超像素块的灰度特征和纹理特征，获得特征全集，具体包括：[0031]对于步骤3中获得的腹部CT图像的多个超像素块进行灰度特征和纹理特征提取，所述的灰度特征主要为灰度直方特征，纹理特征包括Gabor纹理特征、LBP特征以及灰度共生矩阵特征，获得所述的特征全集。[0032]进一步地，所述的步骤5中采用主成分分析法对所述的特征全集进行选择，获得特征集。[0033]进一步地，所述的步骤6中，采用极限学习机结合位置和灰度统计概率模型的分类器对所述的超像素块进行分类，获得超像素块的器官类别。[0034]进一步地，采用极限学习机结合位置和灰度统计概率模型的分类器对所述的超像素块进行分类，获得超像素块的器官类别，包括以下步骤：[0035]A、将步骤5中获得的特征集输入至极限学习机进行训练以及分类，获得超像素块的类别概率，建立基于极限学习机的超像素块类别概率表，其中列代表极限学习机超像素块类别概率；[0036]B、统计所述器官的灰度和位置信息，分别建立基于灰度高斯概率模型和基于位置的高斯概率模型，建立基于位置和灰度的二维混合高斯超像素块类别概率表，其中列代表高斯超像素块类别概率；[0037]C、将所述的基于极限学习机的超像素块类别概率表与所述的基于位置和灰度的二维混合高斯超像素块类别概率表中对应的单元格相乘，获得超像素块器官类别概率表，其中列代表超像素块的器官类别概率；[0038]D、在所述的超像素块器官类别概率表中，在每一行选取概率最大的器官类别作为该行的超像素块的器官类别，获得超像素块的器官类别。[0039]本发明与现有技术相比具有以下技术特点：[0040]1、在对腹部CT图像预处理阶段加入了灰度映射，将腹部CT图像的灰度阶映射至腹部，相对于传统的方法这一步骤能够更好的在影像上呈现腹部各个器官的轮廓和结构信息，有利于后期超像素分割和特征提取；[0041]2、在超像素分割阶段，对于腹部CT图像集的首张腹部CT图像，初始聚类种子点采用随机生成的方法，由于腹部CT图像是连续的上下层之间存在一定的相关性和相似性，因此在本发明中，将上层腹部CT图像最终的聚类中心作为下层腹部CT图像的初始聚类中心，能够避免在初始聚类中心选择时出现恰好遇到器官边缘的状况，能够让超像素分割的结果更加吻合器官的边缘；[0042]3、在对腹部CT图像进行超像素块分割时，采用以融合后的欧氏距离与灰度距离作为度量距离的K-means聚类的方法进行超像素分割，获得腹部CT图像的超像素分割，避免了因器官边缘之间灰度差异小带来的难以分割的问题，使得分割后的结果更加准确；[0043]4、将传统的图像语义分割问题转换为超像素块的分类问题，从而将计算量从像素级别降低到像素块级，大大减少了计算量，加快了腹部CT图像多器官分割的速度。附图说明[0044]图1为本发明提供的基于超像素的腹部CT图像多器官分割方法流程图；[0045]图2为本发明实施例采集的原始腹部CT图像；[0046]图3为本发明实施例对原始腹部CT图像预处理后得到的腹部CT图像；[0047]图4为本发明实施例对预处理后的腹部CT图像经过矩形块划分后得到的腹部CT图像；[0048]图5为本发明实施例对预处理后的腹部CT图像经过超像素分割后得到的腹部CT图像；[0049]图6为本发明实施例中特征提取区域的示意图；[0050]图7为本发明实施例建立的肝脏灰度高斯模型；[0051]图8为本发明实施例对腹部CT图像进行多器官分割后的腹部CT图像。具体实施方式[0052]遵从上述技术方案，如图1至图8所示，本发明公开了一种基于超像素的腹部CT图像多器官分割方法，如图1所示，包括以下步骤：[0053]步骤1，采集多张腹部CT图像，获得腹部CT图像集；[0054]CT图像是通过电子计算机断层扫描设备利用X射线束对人体某部一定厚度的层面进行扫描获得的图像集合。[0055]在本实施例中，通过东芝Aquilion64排螺CT机采集腹部CT图像共161张，其中每张腹部CT图像的大小为512X512,层厚1mm，如图2所示，图2为本实施例中腹部CT图像集中一张的腹部CT图像。[0056]步骤2,对所述的腹部CT图像集中的每一张腹部CT图像进行预处理，获得预处理后的腹部CT图像集，所述的预处理包括图像滤波以及灰度映射。[0057]具体地，对所述的腹部CT集中的每一张腹部CT图像进行双边滤波，获得滤波后的腹部CT图像集;对所述的滤波后的腹部CT图像集中的每一张腹部CT图像进行灰度映射，将腹部CT图像的灰度范围映射至腹部器官的灰度范围，获得预处理后的腹部CT图像集。[0058]对滤波后的腹部CT图像再进行灰度映射，将原始腹部CT图像的灰度范围映射至[0,255]内，以使映射后的腹部CT图像能够更好的反应腹部器官的结构信息与纹理信息。[0059]具体地，通过式⑵计算腹部器官在腹部CT图像中的灰度范围：[0060][0061]其中Intercept和slope为腹部CT图像的DICOMTag信息，可以在腹部CT图像的属性中读到，由式⑵得到腹部器官的最小灰度阈值为amin，最大灰度阈值为amax，再代入式3对整张腹部CT图像进行灰度映射，使腹部CT图像的灰度范围映射至[0,255]，获得预处理后的腹部CT图像，对腹部CT图像集中的每一张图像进行滤波以及灰度映射，获得预处理后的腹部CT图像集。[0063]在本实施例中，对获取的腹部CT图像，如图2所示，滤波参数设置为:距离标准差〇d=1，灰度值标准差=15，进行双边滤波，获得滤波后的腹部CT图像，以去除腹部CT图像中的噪声信息，并且能够保留住器官的边界细节信息。[0064]在本实施例中，由于人体组织对X射线的吸收率不同以及CT图像的成像原理，腹部CT图像中各个器官具有特定的CT值，正常腹部器官的CT值Hu范围一般为[-50,140]，读取腹部〇1'图像的；[1^61'06口丨=0、81^6=1，则根据式（2得到最小灰度阈值311^，最大灰度阈值amax分别为-50,140,将最小灰度阈值amin与最大灰度阈值amax代入式⑶中，对该张滤波后的腹部CT图像进行灰度映射，获得如图3所示的预处理后的腹部CT图像。[0065]步骤3,对所述的预处理后的腹部CT图像集中的每一张腹部CT图像采用聚类的方法进行超像素分割，获得腹部CT图像集的多个超像素块。[0066]与一般图像不同，腹部CT图像上下层之间具有很强的相关性，在进行超像素分割时上一层图像信息对下一层图像信息具有一定的指导意义，若Io为腹部CT图像集中的第一张腹部CT图像，则在每个矩形小块内随机产生一个初始种子点作为初始聚类中心点；若I0不是腹部CT集中的第一张腹部CT图像则将上一张腹部CT图像的最终聚类中心向下映射作为此张图像的初始聚类中心点。[0067]可选地，将所述腹部CT图像集中的每一张腹部CT图像均划分成多个矩形块；[0068]将尺寸为M*N的腹部CT图像划分成K个矩形块，每个矩形块的边长为\即K值决定了生成的超像素块的粒度。[0069]对于所述的腹部CT图像集中的第一张腹部CT图像，在其划分后的每一个矩形块上随机产生一个种子点作为首个聚类中心点进行聚类，获得所述腹部CT图像的最终聚类中心；[0070]对于所述的腹部CT图像集中的其他腹部CT图像，均以上一张腹部CT图像的所述最终聚类中心点作为本张腹部CT图像的首个聚类中心点进行聚类，获得所述的腹部CT图像集的多个超像素块。[0071]因此，对腹部CT图像集中的每一张腹部CT图像都进行超像素分割，使得下一层图像是在上一层图像的基础上进行校正，利用腹部CT图像前后张的相关性，不仅能够提高分割的准确性，同时还能够降低计算量，提高分割效率。[0072]可选地，所述的步骤3中，采用κ-means聚类方法对所述腹部CT图像集中的每一张腹部CT图像进行聚类，获得所述的腹部CT图像集的多个超像素块。[0073]该聚类方法可以是采用K-means聚类方法、谱聚类等，以获得腹部CT图像集的多个超像素块。[0074]可选地，采用K-means聚类方法对所述腹部图像集中的每一张腹部CT图像进行聚类，获得所述的腹部CT图像集的多个超像素块，包括以下步骤：[0075]A、以所述的首个聚类中心点为中心，以边长为L的矩形区域作为初始聚类邻域，将欧氏距离与灰度距离融合后的距离作为度量距离Ds进行一次K-means聚类，利用式4计算出度量距离Ds:[0076][0077]其中，dxy为两像素点欧氏距离，4为两像素点灰度距离，S为分割后矩形块的边长，μ为控制参数，彡100;[0078]B、一次K-means聚类完成后更新聚类中心点Ctx，y=Ix，y，，n为一次聚类后聚类簇中像素点的个数，t为聚类迭代次数，tl;[0079]C、直至所述的更新后聚类中心点Ctx，y与上一次聚类中心点CV1^y重合，获得所述的最终聚类中心点Ctx，y，完成对本张腹部CT图像的超像素分割；[0080]重复执行上述步骤A-C，直至完成对腹部CT图像集中的最后一张腹部CT图像的分割，获得所述的腹部CT图像集的多个超像素块。[0081]腹部CT图像与一般自然图像不同，具有单色彩通道，器官相邻器官间灰度差异小的特点，因此本申请在计算聚类邻域内像素点到聚类中心的距离度量的时候，不单单使用欧氏距离，而是同时考虑像素点的灰度距离与欧氏距离，将欧氏距离与灰度距离融合后的距离作为度量距离Ds，使得分割后的超像素块能够更加贴近于器官的边界。[0082]在本实施例中，腹部CT图像集中有161张腹部CT图像，原始腹部CT图像的大小为512X512，K=800,每个矩形块边长S=18,对预处理后的图像采用矩形块分割后的图像如图4所示，对于腹部CT图像集的第一张腹部CT图像，在其分割后的每一个矩形块上随机产生一个种子点作为聚类中心点，以所述的聚类中心点为中心，边长L=3S即边长为54的矩形区域作为初始聚类邻域，通过式⑷计算度量距离Ds进行一次K-means聚类，其中μ=40,计算该聚类簇中所有像素的中心点作为本次聚类中心Ctx，y，即-X1为聚类簇中的像素点的横坐标，yi为聚类簇中的像素点的纵坐标，η为聚类簇像素点的个数;直至本次聚类中心点与上次聚类中心点重合时，获得末个聚类中心点，完成对第一张腹部CT图像的超像素分割；[0083]对于腹部CT图集的其他腹部CT图像，依次以上一张腹部CT图像的末个聚类中心点作为本张腹部CT图像的首个聚类中心点，即对腹部CT图像集中的第二张腹部CT图像进行超像素分割时，以第一张腹部CT图像的末个聚类中心点作为本次超像素分割时的首个聚类中心点，重复步骤A-C，直至完成对腹部CT图像集中的第161张腹部CT图像的分割，获得所述的腹部CT图像的多个超像素块，如图5所示，超像素的分割结果贴近器官的真实边缘。[0084]步骤4，提取所述的超像素块的灰度特征和纹理特征，获取特征全集；[0085]可选地，对于步骤3中获得的腹部CT图像的多个超像素块进行灰度特征和纹理特征提取，所述的灰度特征为灰度直方特征，纹理特征具体包括、Gabor纹理特征、LBP特征以及灰度共生矩阵特征，将所述的灰度特征和纹理特征合并至一个集合中，获得所述的特征全集。[0086]由于分割后的超像素块的形状不规则，因此可以采用设定特征提取区域的方式对超像素块的灰度特征和纹理特征进行提取，例如，设定超像素块的最大内接矩形、最大内接圆形等为提取区域，在本实施例中，对于分割后的每一个超像素块，取其最大内接矩形作为特征提取区域，如图6所示。[0087]在所述的特征提取区域内分别提取灰度直方特征、Gabor纹理特征、LBP特征、灰度共生矩阵特征。[0088]其中，灰度直方图特征通过式⑸进行计算，[0089][0090]式5中，rk是像素的灰度级，nk是具有灰度rk的像素的个数，MN是整张腹部CT图像中总的像素个数，即统计每一个灰度级下像素个数占整张腹部CT图像中总像素个数的百分比。[0091]在本实施例中，由于在步骤2中，将腹部CT图像的灰度范围映射至[0,255]，因此对于每一个特征提取区域，其灰度范围也是[0,255]，提取特征提取区域的灰度直方图特征量，获得一个IX256维的矩阵，矩阵中的256个百分比数相加等于1。[0092]Gabor纹理特征的提取过程如下：[0093]将所有超像素块中的特征提取区域进行归一化，具体地，可以是将特征提取区域调整至统一大小，获得归一化后的特征提取区域。[0094]建立Gabor滤波器，具体地，可以设置Gabor函数并行条纹的方向Θ，其取值范围为0°至360°，设置相位偏移Φ，其取值范围为-180°至+180°，设置空间的纵横比γ，决定了Gabor函数形状的椭圆率。当γ=1时，形状是圆的。当γ〈1时，形状随着平行条纹方向而拉长。[0095]采用Gabor滤波器对超像素块归一化后的特征提取区域进行N次卷积，将每一次卷积的结果转换成一维向量，再将这N次的转换后的一维向量串联合并生成一个矩阵，该矩阵则为Gabor纹理特征。[0096]在本实施例中，将特征提取区域的大小统一调整至21X21，建立8方向的Gabor滤波器，分别是〇:，频率范围设定为[0,4]，采用建立好的Gabor滤波器对调整后的特征提取区域进行40次卷积，将每一次的卷积结果转换成一维向量，再将这40次转换后的一维向量合并生成一个1X4400维的矩阵，即本实施例中的Gabor纹理特征量为一个IX4400维的矩阵。[0097]LBP特征提取：由于LBP特征是一种用来描述图像局部特征的算子，定义在像素3X3的邻域内，以邻域中心像素为阈值，相邻的8个像素的灰度值与邻域中心的像素值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为〇,因此对于特征提取区域来说，LBP值共有28种可能，因此提取的LBP特征为IX256维的矩阵。[0098]灰度共生矩阵特征量:灰度共生矩阵是像素灰度在空间位置上的反复出现形成图像的纹理，描述具有某种空间位置关系两个像素灰度的联合分布。通过灰度共生矩阵计算可得熵、对比度、相关系数、聚类显著、角二阶矩、逆差矩等14个统计量。[0099]在本实施例中，在特征提取区域中，对灰度共生矩阵特征量进行提取，选取0°，45°，90°，135°，180°，225°，270°，315°，360°8个方向，灰度级数为16,计算对比度、相关系数、熵、和熵、差熵、聚类阴影、逆差矩这7个统计量对特征块进行表示。可得到IX56维的矩阵，作为灰度共生矩阵的特征向量。[0100]将以上四种特征矩阵进行合并后，获得特征全集。[0101]在本实施例中，将1X256维的灰度直方图特征向量、1X4400维的Gabor特征向量、IX256维的LBP特征向量、IX56维的灰度共生矩阵特征向量进行合并，得到一个IX4968维的特征向量作为特征全集。[0102]步骤5，对所述的特征全集进行选择，获得特征集。[0103]由于步骤4中获得了一个维数较高的特征全集，在根据该灰度特征和纹理特征全集对超像素块进行分类时，会出现计算速度慢，带入误差等问题，因此可以采用降维的方法对所述的灰度特征和纹理特征全集进行选择，降维的方法可以是独立成分分析法、主成分分析法等。[0104]可选地，采用主成分分析法对所述的特征全集进行选择，获得特征集。[0105]在本实施例中，利用主成分分析法PCA进行特征选择和降维，最终得到一个IX600维的特征向量，作为特征集。[0106]步骤6,根据所述的特征集，利用分类器对所述的超像素块进行分类，获得超像素块的器官类别。[0107]根据特征集，可以利用分类器对超像素块进行分类，该分类器可以是神经网络、支持向量机、极限学习机等。[0108]可选地，所述的步骤6中，采用极限学习机结合位置和灰度统计概率模型的分类器对所述的超像素块进行分类，获得超像素块的器官类别。[0109]对超像素分割后的像素块进行标注，将其按照器官进行分类，采用极限学习机ELM对超像素块进行分类，设置极限学习机参数，对分类器进行训练与测试。[0110]A、将步骤5中获得的特征集输入至极限学习机进行训练以及分类，获得超像素块的类别概率，建立基于极限学习机的超像素块类别概率表，其中列代表极限学习机超像素块类别概率；[0111]B、统计器官的灰度和位置信息，分别建立基于灰度高斯概率模型和基于位置的高斯概率模型，建立基于位置和灰度的二维混合高斯超像素块类别概率表，其中列代表高斯超像素块类别概率；[0112]C、将所述的基于极限学习机的超像素块类别概率表与所述的基于位置和灰度的二维混合高斯超像素块类别概率表中对应的单元格相乘，获得超像素块器官类别概率表，其中列代表超像素块的器官类别概率；[0113]D、在所述的超像素块器官类别概率表中，在每一行选取概率最大的器官类别作为该行的超像素块的器官类别，获得超像素块的器官类别。[0114]在本实施例中，将分割后的超像素块分为6类，分别是肝脏、左肾、右肾、胆囊、胰腺与其他，采用极限学习机ELM对超像素块进行分类时，采用留一法，即每一次选取160张图像经过步骤5筛选后的特征集作为训练集，选取1张图像经过步骤5筛选后的特征集作为测试集。极限学习机对超像素块分类的结果见表1，表1仅截取了部分结果作为说明，具体地，对于超像素块1来说，采用极限学习机进行分类后，肝脏的概率为0.5,左肾的概率为0.04,右肾的概率为0.04，胆囊的概率为0.01，胰腺的概率为0.4，其他的概率为0.01。[0115]表1基于极限学习机的超像素块类别概率表「01161[0117]建立每个器官的基于灰度的高斯概率模型，建立每个器官的基于位置的高斯概率模型，其中肝脏的灰度高斯概率模型如图7所示，建立基于位置和灰度的二维混合高斯超像素块类别概率表见表2，表2仅截取了部分结果作为说明，具体地，针对超像素块1来说，采用基于位置和灰度的二维混合高斯模型对超像素块分类后，肝脏的概率为〇.1，左肾的概率为0.01，右肾的概率为0.01，胆囊的概率为0.04，胰腺的概率为0.8，其他的概率为0.02。[0118]表2基于位置和灰度的二维混合高斯超像素块类别概率表[0119][0120]将表1与表2相乘，即同矩阵相乘一样，将表1与表2中相应的位置相乘，获得超像素块器官类别概率表见表3，表3仅截取了部分结果作为说明。[0121]表3超像素块器官类别概率表[0122][0124]在所述的超像素块器官类别概率表中，在每一行选取概率最大的器官类别作为该行的超像素块的器官类别，获得超像素块的器官类别。[0125]在表3中可以看出，第一行为超像素块1为6种器官分类结果的概率，其中超像素块1为肝脏的概率是0.05，左肾的概率是0.0004，右肾的概率是0.0004，胆囊的概率是0.0004，胰腺的概率是0.32，其他的概率是0.0004，其中胰腺的概率最大，因此认为超像素块1为胰腺;同样地，对于超像素块2为右肾的概率最大，则认为超像素块2为右肾，对于超像素块762为右肾的概率最大，则认为超像素块762为右肾。[0126]步骤7,对所述的超像素块中的同类超像素块进行融合，获得多器官分割后的腹部CT图像。[0127]由于经过步骤6的划分，不同器官类别的超像素块有很多个，将这些同类的超像素块进行合并，就可以获得多器官分割后的腹部CT图像。[0128]在本实施例中，超像素块1为胰腺，超像素块2为右肾，超像素块3为肝脏，超像素块4为肝脏，超像素块5为左肾，……，超像素块62为右肾，由此可以看出为肝脏的超像素块有：超像素块3、超像素块4等，为右肾的超像素块有超像素块2、超像素块762等，因此将超像素块3、超像素块4等合并获得肝脏的图像，将超像素块2、超像素块762合并获得右肾的图像，将这些图像合并在一起，获得了多器官分割后的腹部图像，如图8所示。[0129]本发明提供的一种基于超像素的腹部CT图像多器官分割方法，在对腹部CT图像预处理阶段加入了灰度映射，将腹部CT图像的灰度阶映射至腹部，相对于传统的方法这一步骤能够更好的在影像上呈现腹部各个器官的轮廓和结构信息，有利于后期超像素分割和特征提取。[0130]在超像素分割阶段，对于腹部CT图像集的首张腹部CT图像，初始聚类种子点采用随机生成的方法，由于腹部CT图像是连续的上下层之间存在一定的相关性和相似性，因此在本发明中，将上层腹部CT图像最终的聚类中心作为下层腹部CT图像的初始聚类中心，能够避免在初始聚类中心选择时出现恰好遇到器官边缘的状况，能够让超像素分割的结果更加吻合器官的边缘。[0131]在对经过超像素分割后的腹部CT图像，提取每一个超像素块的特征进行分类，在分类时将极限学习机的分类结果与基于位置与灰度的高斯二维模型进行融合，获得最终对于超像素块的分类结果，使得分类结果更加准确。将分类后的同类超像素块进行融合、合并即可获得多器官分割的腹部CT图像。

权利要求：1.一种基于超像素的腹部CT图像多器官分割方法，其特征在于，包括以下步骤：步骤1，采集多张腹部CT图像，获得腹部CT图像集；步骤2,对所述的腹部CT图像集中的每一张腹部CT图像进行预处理，获得预处理后的腹部CT图像集，所述的预处理包括图像滤波以及灰度映射；步骤3,对所述的预处理后的腹部CT图像集中的每一张腹部CT图像采用聚类的方法进行超像素分割，获得腹部CT图像集的多个超像素块；步骤4，提取所述的超像素块的灰度特征和纹理特征，获取特征全集；步骤5，对所述的特征全集进行选择，获得特征集；步骤6,根据所述的特征集，利用分类器对所述的超像素块进行分类，获得超像素块的器官类别；步骤7,对所述的超像素块中的同类超像素块进行融合，获得多器官分割后的腹部CT图像。2.根据权利要求1所述的基于超像素的腹部CT图像多器官分割方法，其特征在于，所述步骤2，对所述的腹部CT图像集中的每一张腹部CT图像进行预处理，获得预处理后的腹部CT图像集，所述的预处理包括图像滤波以及灰度映射，包括以下步骤：对所述的腹部CT集中的每一张腹部CT图像进行双边滤波，获得滤波后的腹部CT图像集；对所述的滤波后的腹部CT图像集中的每一张腹部CT图像进行灰度映射，将腹部CT图像的灰度范围映射至腹部器官的灰度范围，获得预处理后的腹部CT图像集。3.根据权利要求2所述的基于超像素的腹部CT图像多器官分割方法，其特征在于，所述的步骤3,对所述的预处理后的腹部CT图像集中的每一张腹部CT图像采用聚类的方法进行超像素分割，获得腹部CT图像集的多个超像素块，包括以下步骤：将所述腹部CT图像集中的每一张腹部CT图像均划分成多个矩形块；对于所述的腹部CT图像集中的第一张腹部CT图像，在其划分后的每一个矩形块上随机产生一个种子点作为首个聚类中心点进行聚类，获得所述腹部CT图像的最终聚类中心；对于所述的腹部CT图像集中的其他腹部CT图像，均以上一张腹部CT图像的所述最终聚类中心点作为本张腹部CT图像的首个聚类中心点进行聚类，获得所述的腹部CT图像集的多个超像素块。4.根据权利要求3所述的基于超像素的腹部CT图像多器官分割方法，其特征在于，所述的步骤3中采用K-means聚类方法对所述腹部CT图像集中的每一张腹部CT图像进行聚类，获得所述的腹部CT图像集的多个超像素块。5.根据权利要求4所述的基于超像素的腹部CT图像多器官分割方法，其特征在于，采用K-means聚类方法对所述腹部图像集中的每一张腹部CT图像进行聚类，获得所述的腹部CT图像集的多个超像素块，包括以下步骤：A、以所述的首个聚类中心点为中心，以边长为L的矩形区域作为初始聚类邻域，将欧氏距离与灰度距离融合后的距离作为度量距离Ds进行一次K-means聚类，利用式（1计算出度量距离Ds:1其中，dxy为两像素点欧氏距离，dg为两像素点灰度距离，S为分割后矩形块的边长，μ为控制参数，20彡μ彡100;B、一次K-means聚类完成后更新聚类中心点，为一次聚类后聚类簇中像素点的个数，t为聚类迭代次数，tl;C、直至所述的更新后聚类中心点Ctx，y与上一次聚类中心点CV1x，y重合，获得所述的最终聚类中心点Ctx，y，完成对本张腹部CT图像的超像素分割；重复执行上述步骤A-C，直至完成对腹部CT图像集中的最后一张腹部CT图像的分割，获得所述的腹部CT图像集的多个超像素块。6.根据权利要求1所述的基于超像素的腹部CT图像多器官分割方法，其特征在于，所述的步骤4，提取所述的超像素块的灰度特征和纹理特征，获取特征全集，包括：对于步骤3中获得的腹部CT图像的多个超像素块进行灰度特征和纹理特征提取，所述的灰度特征为灰度直方特征，纹理特征包括Gabor纹理特征、LBP特征以及灰度共生矩阵特征，获得特征全集。7.根据权利要求1所述的基于超像素的腹部CT图像多器官分割方法，其特征在于，所述的步骤5中采用主成分分析法对所述的特征全集进行选择，获得特征集。8.根据权利要求1所述的基于超像素的腹部CT图像多器官分割方法，其特征在于，所述的步骤6中，采用极限学习机结合位置和灰度统计概率模型的分类器对所述的超像素块进行分类，获得超像素块的器官类别。9.根据权利要求8所述的基于超像素的腹部CT图像多器官分割方法，其特征在于，采用极限学习机结合位置和灰度统计概率模型的分类器对所述的超像素块进行分类，获得超像素块的器官类别，包括以下步骤：A、将步骤5中获得的纹理特征集输入至极限学习机进行训练以及分类，获得超像素块的类别概率，建立基于极限学习机的超像素块类别概率表，其中列代表极限学习机超像素块类别概率；B、统计所述器官的灰度和位置信息，分别建立基于灰度高斯概率模型和基于位置的高斯概率模型，建立基于位置和灰度的二维混合高斯超像素块类别概率表，其中列代表高斯超像素块类别概率；C、将所述的基于极限学习机的超像素块类别概率表与所述的基于位置和灰度的二维混合高斯超像素块类别概率表中对应的单元格相乘，获得超像素块器官类别概率表，其中列代表超像素块的器官类别概率；D、在所述的超像素块器官类别概率表中，在每一行选取概率最大的器官类别作为该行的超像素块的器官类别，获得所述超像素块的器官类别。

百度查询： 西北大学 基于超像素的腹部CT图像多器官分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD