一種hifu治療中子宮肌瘤超聲圖像分割方法
【專利摘要】本發(fā)明公開了一種HIFU治療中子宮肌瘤超聲圖像分割方法，其實現(xiàn)過程為：用戶手動初始化腫瘤輪廓；構造圖像高斯金字塔，得到粗尺度圖像；構建形狀約束能量，利用引入形狀約束后的局域區(qū)域活動輪廓模型對粗尺度圖像進行粗分割；將得到的粗尺度分割結果作為對原始圖像進行分割的初始輪廓，再次利用引入形狀約束后的局域區(qū)域活動輪廓模型對原始圖像進行細分割；其細分割結果即是最后的腫瘤分割輪廓。該發(fā)明通過一種新的形狀約束的引入提高了子宮肌瘤超聲圖像分割的準確性，避免了由于超聲圖像質(zhì)量導致的邊界泄露或過度收縮問題，而多尺度算法的實施極大地提高了分割效率。
【專利說明】—種HIFU治療中子宮肌瘤超聲圖像分割方法
【技術領域】
[0001]本發(fā)明涉及圖像處理【技術領域】，涉及一種HIFU治療中子宮肌瘤超聲圖像分割方法，一種HIFU治療中基于形狀約束的多尺度局域區(qū)域活動輪廓模型的子宮肌瘤超聲圖像分割方法。
【背景技術】
[0002]子宮肌瘤是困擾女性的一種常見的良性腫瘤。目前，高強度聚焦超聲(HIFU)治療作為一種新型的無創(chuàng)手術，由于其具有安全性和有效性，已被逐漸應用到子宮肌瘤的治療中，減輕了傳統(tǒng)手術中的患者痛苦。眾所周知，超聲圖像由于其低信噪比，弱邊界等問題，其準確分割一直是分割領域中的一個難題，至今仍未有完美的解決方案。而應用于HIFU治療中的超聲圖像由于治療過程中水介質(zhì)干擾和角度恒定等問題，具有更加嚴重的噪聲和邊界的模糊性。然而，其圖像中腫瘤靶區(qū)的分割是HIFU治療中最為關鍵的一個步驟，其分割的準確性決定著手術的最終效果，而且，相比于其它HIFU系統(tǒng)，基于超聲引導的HIFU系統(tǒng)的一個巨大優(yōu)勢就是實時性，而腫瘤區(qū)域分割的速度卻極大影響著手術整體的進程。因此，一個應用于HIFU系統(tǒng)中高效而準確的分割方法亟待解決。
[0003]最近幾年，活動輪廓模型廣泛應用于圖像分割。由于其平滑性和封閉的特征，被許多人應用到醫(yī)學圖像中并取得了較好的分割結果?；顒虞喞Ｐ褪紫扔蒏ass等人提出，經(jīng)過長時間的發(fā)展，按照所依據(jù)分割信息的不同，主要可以分為兩類:基于邊緣的模型和基于區(qū)域的模型?；谶吘壍幕顒虞喞Ｐ屠脠D像的梯度信息作為一種基于圖像的力促使輪廓向目標邊界移動，對于有清晰邊界的目標有較好的分割效果。但由于梯度信息是一種高度局域化的圖像信息，導致該模型有兩個主要的缺點:對圖像噪聲的敏感性和對初始化輪廓的敏感性。將該模型應用于超聲圖像極易產(chǎn)生邊界泄露的問題?；趨^(qū)域的活動輪廓模型利用前景和背景區(qū)域的統(tǒng)計信息形成驅(qū)動力，適用于各區(qū)域灰度均勻的圖像分割。其中最著名的方法是Chan and Vese提出的分段常數(shù)模型。該模型由于未使用圖像的梯度信息，可以有效的分割含噪聲和弱邊界的圖像，適用于超聲圖像等醫(yī)學圖像的分割。但由于該模型大都假定圖像中各區(qū)域灰度是均勻的，并采用全局的統(tǒng)計信息，對于非均勻的圖像容易產(chǎn)生錯誤的分割結果。近期，為了克服基于區(qū)域的活動輪廓模型難以分割不均勻目標的缺點，人們把更多注意力投向基于區(qū)域的局域化研究，提出了許多利用局域信息的新的基于區(qū)域活動輪廓模型。李純明等人提出通過引入一個核函數(shù)來定義局域二元擬合能量在變分水平集框架中，從而嵌入局域的灰度信息到基于區(qū)域的活動輪廓模型中。之后，李純明等人又在其基礎上做了改進，深入研究了核函數(shù)的選擇和基于區(qū)域范圍大小的選擇。S.Lankton等人則提出了一個局域化框架，允許利用全局信息的基于區(qū)域的能量式可以重新改寫為局域化的形式，并深入分析了局域半徑對于分割結果的影響。這些模型都引入了局域信息，更加適合于超聲圖像的分割難題，對灰度非均勻的圖像已經(jīng)有了較好的分割能力，但對于具有嚴重的低信噪比，低對比度，弱邊界等問題的子宮肌瘤超聲圖像仍較易出現(xiàn)邊界泄露或過度收縮的錯誤分割。
【發(fā)明內(nèi)容】

[0004]針對上述子宮肌瘤超聲圖像分割較易出現(xiàn)的邊界泄露或過度收縮等問題，本發(fā)明的目的是提供一種快速、準確的半自動分割方法應用于HIFU治療中的子宮肌瘤超聲圖像。
[0005]本發(fā)明采用的技術方案為:一種HIFU治療中子宮肌瘤超聲圖像分割方法，包括以下步驟:
[0006]步驟1:讀取原始圖像Itl，對所述的原始圖像Itl進行粗尺度分割，其具體實現(xiàn)包括以下子步驟:
[0007]步驟1.1:初始化目標輪廓，在所述的原始圖像Itl中劃取一個橢圓作為原始圖像Itl的初始輪廓Ctl，使其能覆蓋原始圖像Itl中腫瘤的邊緣輪廓；
[0008]步驟1.2:設所述的原始圖像Ici大小為MXN，根據(jù)所述的原始圖像Itl構造一個圖像的高斯金字塔，得到圖像大小為(M/4) X (N/4)的粗尺度圖像I2 ；
[0009]步驟1.3:將所述的原始圖像Itl的初始輪廓Ctl縮小到所述的粗尺度圖像I2大小，記為C1，求解基于C1的局域化區(qū)域活動輪廓模型，構建形狀約束能量Esh_，并將所述的Eshape嵌入到所述的C1的局域化區(qū)域活動輪廓模型中，得到基于C1的總能量函數(shù)；
[0010]步驟1.4:通過變分法使所述的C1的總能量函數(shù)最小化得到相應的水平集演化方程，通過該方程更新C1的水平集函數(shù)，該水平集函數(shù)初始化為符號距離函數(shù)；
[0011]步驟1.5:判斷所述的C1的水平集函數(shù)是否收斂？
[0012]若否:則回轉(zhuǎn)執(zhí)行所述的步驟1.4，通過C1的水平集演化方程不斷更新C1的水平集函數(shù)；
[0013]如是:則執(zhí)行下述步驟1.6 ；
[0014]步驟1.6:判斷C1的水平集函數(shù)屬于哪個尺度分割階段？
[0015]若是細分割階段，則得到細尺度分割輪廓，該細尺度分割輪廓作為最后的腫瘤分割輪廓，本方法執(zhí)行完畢；
[0016]若是粗分割階段，則由C1的水平集函數(shù)的零水平集位置得到粗尺度圖像I2的粗尺度分割輪廓，轉(zhuǎn)入細尺度分割階段；
[0017]步驟2:細尺度分割，其具體實現(xiàn)包括以下子步驟:
[0018]步驟2.1:將所述的粗尺度圖像I2的分割輪廓的大小插值放大到對應原始圖像I。的大小，作為對原始圖像Itl進行分割的初始輪廓C2 ；
[0019]步驟2.2:求解基于C2的局域化區(qū)域活動輪廓模型，利用所述的C2構建相應的形狀約束能量，將其嵌入到所述的C2的局域化區(qū)域活動輪廓模型中，得到C2的總能量函數(shù)；
[0020]步驟2.3:通過變分法得到所述的C2的水平集演化方程，再通過該方程更新C2的水平集函數(shù)；
[0021]步驟2.4:判斷所述的C2的水平集函數(shù)是否收斂？
[0022]若否:則回轉(zhuǎn)執(zhí)行所述的步驟2.3，通過C2的水平集演化方程不斷更新C2的水平集函數(shù)；
[0023]如是:則執(zhí)行下述步驟2.5 ；
[0024]步驟2.5:判斷C2的水平集函數(shù)屬于哪個尺度分割階段？
[0025]若是細分割階段，則得到細尺度分割輪廓，該細尺度分割輪廓作為最后的腫瘤分割輪廓，本方法執(zhí)行完畢；
[0026]若是粗分割階段，則回轉(zhuǎn)執(zhí)行所述的步驟2.1 ；
[0027]作為優(yōu)選，步驟1.3中所述的求解基于C1的局域化區(qū)域活動輪廓模型，其具體實現(xiàn)過程為:對(^曲線上的每一個點為單位獨自計算其局域能量，為定義C1曲線上每個點的局域區(qū)域，定義一個特征函數(shù)如下:
【權利要求】
1.一種HIFU治療中子宮肌瘤超聲圖像分割方法，其特征在于，包括以下步驟: 步驟1:讀取原始圖像Itl，對所述的原始圖像Itl進行粗尺度分割，其具體實現(xiàn)包括以下子步驟: 步驟1.1:初始化目標輪廓，在所述的原始圖像Itl中劃取一個橢圓作為原始圖像Itl的初始輪廓Ctl，使其能覆蓋原始圖像Itl中腫瘤的邊緣輪廓； 步驟1.2:設所述的原始圖像Itl大小為MXN，根據(jù)所述的原始圖像Itl構造一個圖像的高斯金字塔，得到圖像大小為(M/4) X (N/4)的粗尺度圖像I2 ； 步驟1.3:將所述的原始圖像Itl的初始輪廓Ctl縮小到所述的粗尺度圖像I2大小，記為C1,求解基于C1的局域化區(qū)域活動輪廓模型，構建形狀約束能量Eshape,并將所述的Eshape嵌入到所述的C1的局域化區(qū)域活動輪廓模型中，得到基于C1的總能量函數(shù)； 步驟1.4:通過變分法使所述的C1的總能量函數(shù)最小化得到相應的水平集演化方程，通過該方程更新C1的水平集函數(shù)，該水平集函數(shù)初始化為符號距離函數(shù)； 步驟1.5:判斷所述的C1的水平集函數(shù)是否收斂？ 若否:則回轉(zhuǎn)執(zhí)行所述的步驟1.4，通過C1的水平集演化方程不斷更新C1的水平集函 數(shù)； 如是:則執(zhí)行下述步驟1.6 ； 步驟1.6:判斷C1的水平集函數(shù)屬于哪個尺度分割階段？ 若是細分割階段，則得到細尺度分割輪廓，該細尺度分割輪廓作為最后的腫瘤分割輪廓，本方法執(zhí)行完畢； 若是粗分割階段，則由C1的水平集函數(shù)的零水平集位置得到粗尺度圖像I2的粗尺度分割輪廓，轉(zhuǎn)入細尺度分割階段； 步驟2:細尺度分割，其具體實現(xiàn)包括以下子步驟: 步驟2.1:將所述的粗尺度圖像I2的分割輪廓的大小插值放大到對應原始圖像Itl的大小，作為對原始圖像Itl進行分割的初始輪廓C2 ； 步驟2.2:求解基于C2的局域化區(qū)域活動輪廓模型，利用所述的C2構建相應的形狀約束能量，將其嵌入到所述的C2的局域化區(qū)域活動輪廓模型中，得到C2的總能量函數(shù)； 步驟2.3:通過變分法得到所述的C2的水平集演化方程，再通過該方程更新C2的水平集函數(shù)； 步驟2.4:判斷所述的C2的水平集函數(shù)是否收斂？ 若否:則回轉(zhuǎn)執(zhí)行所述的步驟2.3，通過C2的水平集演化方程不斷更新C2的水平集函數(shù)； 如是:則執(zhí)行下述步驟2.5 ； 步驟2.5:判斷C2的水平集函數(shù)屬于哪個尺度分割階段？ 若是細分割階段，則得到細尺度分割輪廓，該細尺度分割輪廓作為最后的腫瘤分割輪廓，本方法執(zhí)行完畢； 若是粗分割階段，則回轉(zhuǎn)執(zhí)行所述的步驟2.1。
2.根據(jù)權利要求1所述的HIFU治療中子宮肌瘤超聲圖像分割方法，其特征在于:步驟.1.3中所述的求解基于C1的局域化區(qū)域活動輪廓模型，其具體實現(xiàn)過程為:對C1曲線上的每一個點為單位獨自計算其局域能量，為定義C1曲線上每個點的局域區(qū)域，定義一個特征函數(shù)如下:
3.根據(jù)權利要求2所述的HIFU治療中子宮肌瘤超聲圖像分割方法，其特征在于:所述的特征函數(shù)B (x, y)中，通過局域半徑自適應選擇函數(shù)R(x)，計算相應局域半徑參數(shù)r，其中:
4.根據(jù)權利要求3所述的HIFU治療中子宮肌瘤超聲圖像分割方法，其特征在于:所述的k取值為0.25。
5.根據(jù)權利要求2所述的HIFU治療中子宮肌瘤超聲圖像分割方法，其特征在于:步驟1.3中所述的構建形狀約束能量Esh_，并將所述的Eshape嵌入到所述的C1的局域化區(qū)域活動輪廓模型中，得到C1的總能量函數(shù)，其總能量函數(shù)如下:
6.根據(jù)權利要求1所述的HIFU治療中子宮肌瘤超聲圖像分割方法，其特征在于:步驟1.4中所述的通過變分法使所述的C1的總能量函數(shù)最小化得到相應的水平集演化方程，其水平集演化方程為:
7.根據(jù)權利要求1所述的HIFU治療中子宮肌瘤超聲圖像分割方法，其特征在于:步驟.2.2中所述的C2的總能量函數(shù)的計算方法與步驟1.3中所述的C1的總能量函數(shù)的計算方法相同。
8.根據(jù)權利要求1所述的HIFU治療中子宮肌瘤超聲圖像分割方法，其特征在于:步驟.2.3中所述的C2的水平集演化方程的計算方法與步驟1.4中所述的C1的水平集演化方程的計算方法相同。
【文檔編號】G06T7/00GK103793916SQ201410059717
【公開日】2014年5月14日 申請日期:2014年2月21日 優(yōu)先權日:2014年2月21日
【發(fā)明者】袁志勇, 鄭奇, 廖祥云 申請人:武漢大學