基于曲线自适应的肝脏病灶基于曲线自适应的肝脏病灶CT批量分割算法批量分割算法
提出了一种肝脏病灶的快速分割方法。为了适用于医学图像的批量处理,首先给出一种基于区域的映射方法预
提取初始区域作为曲线演化的初始条件。为了减少伪边界的影响,并使轮廓线充分收敛至凹陷区域,提出了一
种基于曲线自适应的改进G-S模型对病灶进行精准拟合。该方法与传统的分割方法相比,既大大提高了精准度,
又无需消耗巨大的运算量,同时还去除了图像噪声的干扰。实验结果表明,该方法能够有效地提取病灶轮廓,
满足临床中真实感的需求。
0 引言引言
现代临床医学中,实现病灶轮廓精准地自提取成为当下医务人员关注的焦点之一[1]。Kass[2]等人在1987年提出的Snake
模型能够动态拟合目标区域的轮廓,但其同样存在着缺陷[3]:模型初始轮廓曲线的捕获范围小,且无法收敛到模型的凹陷区
域。1998年Chenyang等人[4]提出了梯度矢量流模型,克服了Snake模型的缺陷。但是,其捕获范围的增大是以牺牲迭代次数
为代价的[5],这在医学图像集的批量处理过程中是不被允许的。本文针对传统GVF-Snake模型出现的问题,提出了一种优化
的分割算法,使
1 基于区域的初始轮廓线基于区域的初始轮廓线
利用G-S模型分割图像的关键点之一是初始轮廓线的设定[6]。若初始轮廓线设定在GVF力场作用域外,则收敛时可能出现
能量为零的情况;若扩大了GVF力场作用域,则必须增加迭代次数才能使曲线逼近轮廓线。
在肝病诊断过程中,实现初始轮廓线的自动设定按目前技术而言是难以完成的。因此,本文将人机交互结合区域算法,半
自动地实现腹部CT切片集中肝脏病灶初始轮廓线的设定。算法流程如图1所示。
肝脏病灶表现为圆状局部暗影,且绝大多数肝脏占位性病变区域较小,在CT平扫时属于低密度,而门静脉和胆管也表现为
低密度[7]。这些都为肝脏病灶的提取增加了难度。为了保证病变位置的准确判定,首先利用鼠标手动标定病灶轮廓点,并对
拟合后的轮廓线进行逐张映射,最后只需要采取一些简单的步骤对轮廓进行修正。
1.1 预处理预处理
1.1.1 开闭运算
区域内部的细节对基于区域的算法影响较大。所以在修正前需要对区域进行数学形态学中的开闭运算处理以去除噪声、填
补缺口[8]。
1.1.2 区域生长
1.1.3 区域填充
用区域生长算法串行构造病灶区域,易于实现,但生长过程中区域内可能还存在着一些孤立点,若直接进行二值化处理会
出现许多噪声。这时需要通过区域填充法填补区域内部剩余的孔洞。区域填充结果如图2所示。
1.2 区域优化区域优化
由于相邻切片具有部分差异,经过预处理后的分割区域仍然不能体现当前切片的真实轮廓。其可能存在着弱对象漏分割或
对象域溢出的现象[10]。