一種超聲病灶圖像的分割方法、裝置及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提出一種超聲病灶圖像分割方法，利用灰度信息和紋理信息建立一個總能量函數(shù)以構(gòu)建圖模型，然后對圖模型求解以獲得圖像最優(yōu)分割結(jié)果，從而將病灶區(qū)域從超聲圖像中快速分離出來。
【專利說明】一種超聲病灶圖像的分割方法、裝置及系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及超聲圖像【技術(shù)領(lǐng)域】，具體的涉及一種超聲病灶圖像分割方法、裝置及 系統(tǒng)。

【背景技術(shù)】
[0002] 在醫(yī)學(xué)應(yīng)用中，超聲成像憑借其無創(chuàng)、無特殊禁忌癥、可重復(fù)性強(qiáng)、費用低廉等優(yōu) 勢，成為當(dāng)前醫(yī)院的主要診斷手段之一。超聲圖像中目標(biāo)病灶區(qū)域的形態(tài)特征、面積（體 積）為臨床診斷提供重要的參考信息，而這些信息的獲取與腫瘤病灶分割密切相關(guān)。然而， 由于超聲圖像中的斑點噪聲、陰影偽影、灰度不均、弱邊界甚至缺失邊界等不利因素的影 響，使得醫(yī)生往往難以辨識出腫瘤病灶區(qū)域。除此之外，醫(yī)生手工分割主觀性較強(qiáng)，依賴于 醫(yī)生的經(jīng)驗，而且手工分割費時，具有不可重復(fù)性。臨床上，迫切需要提出一種高質(zhì)、高效的 超聲圖像的自動分割方法。
[0003] Kass等人提出的參數(shù)活動輪廓模型（Snake模型）利用圖像的邊緣信息完成目標(biāo) 區(qū)域的分割，它是應(yīng)用最為廣泛的分割方法。Snake模型的優(yōu)勢在于具有良好的跟蹤特定區(qū) 域內(nèi)目標(biāo)輪廓的能力，不少研究者將其用于腫瘤病灶的分割中。但Snake模型具有以下不 足：（1)容易在弱邊界處泄露；(2)對噪聲和灰度不均勻非常敏感；（3)對初始化的要求非 常高，通常需要初始的演化曲線位于目標(biāo)的真實邊界附近，這是很難達(dá)到的。
[0004] Graph Cut方法是基于圖論的分割方法中最具代表性的方法，該方法利用圖像的 區(qū)域信息完成目標(biāo)對象分割?；贕raph Cut方法的病灶分割分為三個步驟：（1)手動地 標(biāo)記超聲圖像中某些區(qū)域為前景區(qū)域或背景區(qū)域；（2)然后通過在能量函數(shù)中結(jié)合多種圖 像信息來構(gòu)建帶權(quán)有向圖；(3)通過求解圖的最大流/最小割問題完成病灶目標(biāo)的提取。 盡管Graph Cut方法能分割出目標(biāo)對象，但該方法通常需要人工交互，運算速度較慢，很難 直接地用于臨床應(yīng)用中。此外，如何根據(jù)圖像信息定義合適的能量函數(shù)使之更適用于病灶 的分割是基于Graph Cut方法的難點與重點。


【發(fā)明內(nèi)容】

[0005] 為解決上述問題，本發(fā)明提出一種可以將病灶從超聲圖像中快速分離出來的超聲 病灶圖像分割方法、裝置及系統(tǒng)。
[0006] 本發(fā)明提供一種超聲病灶圖像分割方法，包括：
[0007] 獲取包含病灶區(qū)域的超聲子圖像；
[0008] 初步將所述包含病灶區(qū)域的超聲子圖像劃分為前景區(qū)域、背景區(qū)域和待分割區(qū) 域；
[0009] 利用所述包含病灶區(qū)域的超聲子圖像的灰度和紋理信息建立一個總能量函數(shù)以 構(gòu)建圖模型，并通過最小化所述圖模型的能量函數(shù)以獲得所述待分割區(qū)域的最優(yōu)的圖像分 割結(jié)果；
[0010] 所述總能量函數(shù)為：
[0011]
[0012] 其中，Eeray為基于灰度信息的能量函數(shù)，表示當(dāng)前像素的鄰域與相鄰像素的鄰域 之間的灰度差異；E Tra￡為基于紋理信息的能量函數(shù)，表示當(dāng)前像素的鄰域與相鄰像素的鄰域 之間的紋理差異；其中，S為所有像素的集合，i為當(dāng)前像素，Ni為像素 i的4鄰域，j為i的 4鄰域內(nèi)的像素；
[0013] 灰度能量函數(shù)的定義為：

【權(quán)利要求】
1. 一種超聲病灶圖像分割方法，其特征在于，包括： 獲取包含病灶區(qū)域的超聲子圖像； 初步將所述包含病灶區(qū)域的超聲子圖像劃分為前景區(qū)域、背景區(qū)域和待分割區(qū)域； 利用所述包含病灶區(qū)域的超聲子圖像的灰度和紋理信息建立一個總能量函數(shù)以構(gòu)建 圖模型，通過最小化所述圖模型的能量函數(shù)，以獲得所述待分割區(qū)域的最優(yōu)的圖像分割結(jié) 果； 所述總能量函數(shù)為：
其中，E&ay為基于灰度信息的能量函數(shù)，表示當(dāng)前像素的鄰域與相鄰像素的鄰域之間 的灰度差異；ETex為基于紋理信息的能量函數(shù)，表示當(dāng)前像素的鄰域與相鄰像素的鄰域之間 的紋理差異；其中，S為所有像素的集合，i為當(dāng)前像素，隊為像素 i的的4鄰域，j為i的 4鄰域內(nèi)的像素； 灰度能量函數(shù)的定義為：
其中，Γ(/)和Γ(/)分別為相鄰像素 i和j局部鄰域內(nèi)的灰度均值； 紋理能量函數(shù)的定義為：
其中，
和
分別為像素 i局部鄰域內(nèi)像素灰度值高于和低于鄰域灰度均值的 像素的均值；//:(./)和M./)為像素 j局部鄰域內(nèi)像素灰度值高于和低于鄰域灰度均值的像 素的均值。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：采用形態(tài)學(xué)方法和邊緣 檢測方法相結(jié)合從而提取病灶邊界輪廓。
3. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述通過對圖模型的能量函數(shù)的最小 化求解包括： 采用堆優(yōu)化的Dijkstra算法得來獲得所述圖的最短路徑，產(chǎn)生預(yù)飽和的圖和殘余圖； 采用Boykov和Kolmogorov算法來完成殘余圖的優(yōu)化求解。
4. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述前景區(qū)域、背景區(qū)域、待分割區(qū)域 的定義分別為： 所述前景區(qū)域的定義為：
所述背景區(qū)域的定義為：
所述待分割區(qū)域的定義為：所述包含病灶區(qū)域的超聲子圖像中除了所述前景區(qū)域和所 述背景區(qū)域外的區(qū)域均屬于所述待分割區(qū)域。
5. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述獲取病灶區(qū)域通過其形態(tài)特征、 回聲特征及微鈣化程度以定量分析所述病灶區(qū)域的橢圓緊致度、均勻程度和亮斑特征。
6. -種超聲病灶圖像分割述裝置，其特征在于，包括：所述裝置包括：獲取模塊、劃分 模塊、第一計算模塊； 獲取模塊，用于獲取包含病灶區(qū)域的超聲子圖像； 劃分模塊，用于初步將所述包含病灶區(qū)域的超聲子圖像劃分為前景區(qū)域、背景區(qū)域和 待分割區(qū)域； 第一計算模塊，用于利用所述包含病灶區(qū)域的超聲子圖像的灰度和紋理信息建立一個 總能量函數(shù)以構(gòu)建圖模型，通過最小化所述圖模型的能量函數(shù)，以獲得所述待分割區(qū)域的 最優(yōu)的圖像分割結(jié)果。
7. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述裝置還包括一第二計算模塊；用于通 過采用形態(tài)學(xué)方法和邊緣檢測方法相結(jié)合從而提取腫瘤邊界輪廓。
8. -種系統(tǒng)，其特征在于，所述系統(tǒng)包括具有如權(quán)利要求6-7所述的裝置。
【文檔編號】G06T7/00GK104091331SQ201410299718
【公開日】2014年10月8日 申請日期:2014年6月27日 優(yōu)先權(quán)日:2014年6月27日
【發(fā)明者】馮乃章, 高梁 申請人:深圳市開立科技有限公司