阅读说明：本技术 一种基于形状先验的肾脏图像分割方法 (Shape prior-based kidney image segmentation method ) 是由 吴梦麟 章世平 于 2021-07-28 设计创作，主要内容包括：本发明公开了一种基于形状先验的肾脏图像分割方法,包括如下步骤：S1、导入包含肾脏的人体CT序列图像,用户选择肾脏切片的起始位置、中间位置和结束位置的肾脏中心点；S2、对肾脏CT切片进行预处理,所述预处理包括去床、去噪、增强；S3、基于步骤S1结果,利用主动形状模型进行模板训练,最后进行初始分割,将分割的结果作为初始分割轮廓；S4、基于步骤S3的结果,将初始分割轮廓作为水平集方法的起始轮廓,进行进一步分割；S5、基于步骤S4的分割结果,利用CT序列图像的前后连续属性进行后处理,对分割结果进行修正。本发明通过少量的肾脏CT序列图像训练生成形状模板,从而对肾脏图像实现合理的分割,提高分割精度。(The invention discloses a kidney image segmentation method based on shape prior, which comprises the following steps: s1, importing a human body CT sequence image containing the kidney, and selecting the kidney center points of the initial position, the middle position and the end position of the kidney slice by a user; s2, preprocessing the kidney CT slice, wherein the preprocessing comprises bed removing, denoising and enhancing; s3, based on the result of the step S1, carrying out template training by using the active shape model, and finally carrying out initial segmentation, wherein the segmentation result is used as an initial segmentation contour; s4, based on the result of S3, further dividing the initial dividing contour as the initial contour of the level set method; s5, based on the segmentation result of the step S4, post-processing is carried out by utilizing the front and back continuous attributes of the CT sequence image, and the segmentation result is corrected. The shape template is generated through a small amount of kidney CT sequence image training, so that the kidney image is reasonably segmented, and the segmentation precision is improved.)

一种基于形状先验的肾脏图像分割方法

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于形状先验的肾脏图像分割方法。

背景技术

肾脏CT序列图像分割是进行肾脏疾病定量分析的重要前提，对病情诊疗有着支撑作用，同时也是计算机辅助诊断中器官组织图像的三维可视化、虚拟手术、生物系统仿真的重要手段。由于腹部CT图像各器官的灰度相近，相邻器官之间具有连接性以及受部分容积效应的影响，另一方面，肾脏组织结构复杂且形状多样，相关疾病也会导致肾脏形态发生大幅变化，因此肾脏图像的自动分割成为医学图像分割中的难点。

虽然近些年基于深度学习的方法广泛应用于医学图像分割领域，但模型训练需要大量的标注样本、不同设备之间的灰度分布差异，以及可解释性问题，仍然是制约深度学习方法在临床应用上的关键因素。传统基于活动轮廓的水平集方法驱使轮廓曲线在其能量函数的作用下逐步收敛于目标边界，能够自动处理曲线的拓扑变化，为分割具有复杂拓扑形状和弱边界特征的肾脏CT序列提供了良好的算法基础。然而肾脏组织灰度不均匀、各器官之间灰度接近、相邻器官具有连接性且易受病变发生形态发生变化，这些都会影响到水平集方法的分割精度。

发明内容

本发明目的是针对上述问题，提供一种新颖的基于形状先验的肾脏图像分割方法。通过少量的肾脏CT序列图像训练生成形状模板，从而对肾脏图像实现合理的分割，提高分割精度。

为了实现上述目的，本发明的技术方案是：

一种基于形状先验的肾脏图像分割方法，包括如下步骤：

S1、导入包含肾脏的人体CT序列图像，用户选择肾脏切片的起始位置、中间位置和结束位置的肾脏中心点；

S2、对肾脏CT切片进行预处理，所述预处理包括去床、去噪、增强；

S3、基于步骤S1结果，利用主动形状模型进行模板训练，最后进行初始分割，将分割的结果作为初始分割轮廓；

S4、基于步骤S3的结果，将初始分割轮廓作为水平集方法的起始轮廓，进行进一步分割；

S5、基于步骤S4的分割结果，利用CT序列图像的前后连续属性进行后处理，对分割结果进行修正。

作为对上述技术方案的改进，所述步骤S1包括如下分步骤：

S1.1、根据用户对肾脏切片的起始位置和结束位置的选择，得到包含肾脏的CT序列，并通过插值计算，将肾脏序列压缩为20帧，其中的插值计算不局限于二维或者三维算法。

S1.2、定义第1帧为起始帧，第20帧为结束帧，第10帧作为序列中间帧，用户选择起始帧、中间帧和结束帧图像上目标肾脏的中心点。

S1.3、根据起始帧和中间帧中心点坐标进行插值，得到2-9帧的中心点坐标，同理根据中间帧和结束帧的插值，可以得到11-19帧的中心点坐标。

作为对上述技术方案的改进，在所述步骤S3中，所述模板训练包括如下分步骤：

S3.1、提取n组肾脏轮廓标注点构成2n维的向量Z＝(Z₁,Z₂,...,Z_n)，计算出轮廓点均值μ，并对Z进行数据标准化得到

求出的协方差矩阵的特征值{λ₁,...,λ_n}和特征向量，对特征向量按照特征值大小排序，取前k行生成矩阵P，则任意一肾脏轮廓可表示为

X＝μ+Pb (1)

作为对上述技术方案的改进，在所述步骤S3中，所述分割包括如下分步骤：

S3.2、令b＝0，根据公式1计算模型轮廓X，将轮廓的中心移动到每帧CT序列肾脏的中心点

S3.3、沿模型轮廓X上点的法线距离搜索灰度分布匹配的轮廓点(图2)，构成目标轮廓Y。

S3.4、根据普鲁克变换，将X对齐Y可得公式2，即Y＝MX，其中M为包含了平移、旋转和缩放的转移矩阵。

S3.5、计算公式3从而通过逆变换将Y投影到X的空间。

S3.6、求公式1的逆变换更新b的值，同时限制形变，有约束|b_i|＜3λ_i。

S3.7、重复执行步骤2.3～2.6直到收敛或者最大执行次数，可得到初始的肾脏轮廓的初步分割结果。

作为对上述技术方案的改进，所述步骤S1包括如下分步骤：

S4.1、利用步骤S3求得的肾脏轮廓初步分割结果初始化水平集方法。

S4.2、根据公式4进行迭代，计算水平集方程的演化。

其中φ表示水平集函数，Δ表示拉普拉斯算子，表示梯度算子，δ表示迪利克雷方程，v表示控制轮廓膨胀或收缩的系数，div表示散度计算。表示图像边缘权重，其中I表示当前图像。常数γ和η分别表示公式四等号右边第一项和第二项的权重。

S4.3、设置并限制水平集演化迭代次数，根据经验可以设置不超过50次迭代，但不局限于这个经验数值。其中，零水平集方程φ＝0即为肾脏分割的轮廓。此处进行较迭代次数的限制，目的使水平集方法的分割结果不会偏离主动形状模型表示的肾脏轮廓太远，肾脏的形状得以保持。

作为对上述技术方案的改进，所述步骤S5包括如下分步骤：

S5.1、在步骤S4分割结果的基础上，保留面积最大的分割区域，删除其余小区域，这里可以并局限于使用连通域进行处理。

S5.2、根据CT序列连续性的假设，计算前后两帧分割结果的交并比，如果比值过小，对分割结果进行平滑处理。

与现有技术相比，本发明具有的优点和积极效果是：

本发明通过少量的肾脏CT序列图像训练生成形状模板，提出一种新颖的基于形状先验的肾脏图像分割方法，解决了肾脏图像的自动分割难题，提高分割精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程示意图。

图2为本发明的目标轮廓搜索的示意图，通过模型轮廓点在法向量方向上搜索与之灰度分布匹配的目标轮廓点。

图3为本发明的肾脏分割结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

如图1至图3所示，本实施例公开了一种基于形状先验的肾脏图像分割方法，包括如下步骤：

S1、导入包含肾脏的人体CT序列图像，用户选择肾脏切片的起始位置、中间位置和结束位置的肾脏中心点；

S2、对肾脏CT切片进行预处理，所述预处理包括去床、去噪、增强；

S3、基于步骤S1结果，利用主动形状模型进行模板训练，最后进行初始分割，将分割的结果作为初始分割轮廓；

S4、基于步骤S3的结果，将初始分割轮廓作为水平集方法的起始轮廓，进行进一步分割；

S5、基于步骤S4的分割结果，利用CT序列图像的前后连续属性进行后处理，对分割结果进行修正。

所述步骤S1包括如下分步骤：

S1.1、根据用户对肾脏切片的起始位置和结束位置的选择，得到包含肾脏的CT序列，并通过插值计算，将肾脏序列压缩为20帧，其中的插值计算不局限于二维或者三维算法。

S1.2、定义第1帧为起始帧，第20帧为结束帧，第10帧作为序列中间帧，用户选择起始帧、中间帧和结束帧图像上目标肾脏的中心点。

S1.3、根据起始帧和中间帧中心点坐标进行插值，得到2-9帧的中心点坐标，同理根据中间帧和结束帧的插值，可以得到11-19帧的中心点坐标。

在所述步骤S3中，所述模板训练包括如下分步骤：

S3.1、提取n组肾脏轮廓标注点构成2n维的向量Z＝(Z₁,Z₂,...,Z_n)，计算出轮廓点均值μ，并对Z进行数据标准化得到

求出的协方差矩阵的特征值{λ₁,...,λ_n}和特征向量，对特征向量按照特征值大小排序，取前k行生成矩阵P，则任意一肾脏轮廓可表示为：

X＝μ+Pb (1)

在所述步骤S3中，所述分割包括如下分步骤：

S3.2、令b＝0，根据公式1计算模型轮廓X，将轮廓的中心移动到每帧CT序列肾脏的中心点

S3.3、沿模型轮廓X上点的法线距离搜索灰度分布匹配的轮廓点(图2)，构成目标轮廓Y。

S3.4、根据普鲁克变换，将X对齐Y可得公式2，即Y＝MX，其中M为包含了平移、旋转和缩放的转移矩阵。

S3.5、计算公式3从而通过逆变换将Y投影到X的空间。

S3.6、求公式1的逆变换更新b的值，同时限制形变，有约束|b_i|＜3λ_i。

S3.7、重复执行步骤2.3～2.6直到收敛或者最大执行次数，可得到初始的肾脏轮廓的初步分割结果。

所述步骤S1包括如下分步骤：

S4.1、利用步骤S3求得的肾脏轮廓初步分割结果初始化水平集方法。

S4.2、根据公式4进行迭代，计算水平集方程的演化。

其中φ表示水平集函数，Δ表示拉普拉斯算子，表示梯度算子，δ表示迪利克雷方程，v表示控制轮廓膨胀或收缩的系数，div表示散度计算。表示图像边缘权重，其中I表示当前图像。常数γ和η分别表示公式四等号右边第一项和第二项的权重。

S4.3、设置并限制水平集演化迭代次数，根据经验可以设置不超过50次迭代，但不局限于这个经验数值。其中，零水平集方程φ＝0即为肾脏分割的轮廓。此处进行较迭代次数的限制，目的使水平集方法的分割结果不会偏离主动形状模型表示的肾脏轮廓太远，肾脏的形状得以保持。

所述步骤S5包括如下分步骤：

S5.1、在步骤S4分割结果的基础上，保留面积最大的分割区域，删除其余小区域，这里可以并局限于使用连通域进行处理。

S5.2、根据CT序列连续性的假设，计算前后两帧分割结果的交并比，如果比值过小，对分割结果进行平滑处理。

本发明通过少量的肾脏CT序列图像训练生成形状模板，提出一种新颖的基于形状先验的肾脏图像分割方法，解决了肾脏图像的自动分割难题。