结合全局和局部区域信息的医学超声图像分割方法

技术领域

本发明涉及医学图像处理领域，尤其是一种分割精度高的结合全局和局部区域信息的医学超声图像分割方法。

背景技术

由于受到医学成像设备、不均匀关照以及射线能量散射等外界因素的影响，医学超声图像一般具有以下结构特征：（1）分割区域的灰度异质性；（2）图像常常只包含白色、灰色和深灰色的目标区域，而黑色区域则为背景区域；（3）由于人体内部结构的复杂性和软骨组织的不规则性，导致超声图像的边缘模糊、内部结构复杂。然而，在临床医疗的检测中，医生需要精确的勾画出超声图像中病灶的位置及其形状，这就给医疗工作带来了巨大的工作量。

近年来，基于活动轮廓模型的图像分割方法被广泛的应用到医学超声图像的处理中。主要包含：基于全局区域信息的活动轮廓模型和基于局部信息的活动轮廓模型。基于全局区域信息的活动轮廓模型对细节信息的捕捉能力较差，对异质对象通常不能很好地进行处理，同时模型的演化速度较慢；基于局部信息的模型可以很好地处理上述问题，但该模型对噪声和杂波比较敏感，容易发生边界泄露并且对于初始位置要求严格。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种分割精度高的结合全局和局部区域信息的医学超声图像分割方法。

本发明的技术解决方案是：一种结合全局和局部区域信息的医学超声图像分割方法，按照如下步骤进行：

步骤1：建立超声图像对应的数学模型如下：

（1）

其中， 和分别描述超声图像的噪声、弱边缘区域及异质区域，这里，和表示全局和局部区域的内外部平均灰度值，相应的表达式为：

和

（2）

其中，为超声图像所在区域；为水平集函数的函数；

步骤2：为了找到 的最优值，建立模型：

（3）

其中

（4）

为接近于0的无穷小正数；

步骤3. 进一步由Euler-Lagrange方程，可得到模型（4）的水平集演化方程：

（5）

其中，为水平集函数的Dirac函数，为水平集的梯度算子；

步骤4. 设置时间步长；初始化水平集函数；；

步骤5. 利用式（2）计算全局和局部轮廓内外部的平均灰度值；

步骤6. 利用有限差分法以及式（5），更新水平集函数；

步骤7. 检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤5。

本发明结合了图像全局信息和局部信息，全局信息使得模型对于图像具有较强的抗噪性，对图像边缘具有较强的捕捉能力；局部信息使得在异质区域分割更加精确，上述二者结合能够处理背景及其内部结构复杂的图像，可应用于医学超声图像的分割。实验结果证明了本发明可以在短时间内分割对比度低、结构复杂的医学超声图像，而且对于弱质图像和含有噪声的图像也能获得很好的分割效果。

附图说明

图1为本发明实施例与其它方法对合成、自然和细胞图像分割结果比较图。

图2为本发明实施例与其它方法对合成和血管图像分割结果比较图。

图3为本发明实施例使用不同的局部区域对合成和超声图像分割结果比较图。

图4为本发明实施例与其它方法进行图像分割结果比较图。

具体实施方式

本发明的结合全局和局部区域信息的医学超声图像分割方法，按照如下步骤进行：

步骤1：建立超声图像对应的数学模型如下：

>

其中， 和分别描述超声图像的噪声、弱边缘区域以及异质区域，这里，和表示全局和局部区域的内外部平均灰度值，相应的表达式为：

和

>

其中，为超声图像所在区域；为水平集函数的函数；

步骤2：为了找到 的最优值，建立模型：

（3）

其中

（4）

为接近于0的无穷小正数；

步骤3. 进一步由Euler-Lagrange方程，可得到模型（4）的水平集演化方程：

（5）

其中，为水平集函数的Dirac函数，为水平集的梯度算子；

步骤4. 设置时间步长；初始化水平集函数；；

步骤5. 利用式（2）计算全局和局部轮廓内外部的平均灰度值；

步骤6. 利用有限差分法以及式（5），更新水平集函数；

步骤7. 检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤5。

本发明实施例与其它方法对合成、自然和细胞图像分割结果比较如图1所示：从上至下依次为合成图像、自然图像及细胞图像；从左至右分别为（a）初始化位置；（b）CV模型分割结果；（c）GCV模型分割结果；（d）本发明实施例分割结果。

本发明实施例与其它方法对合成和血管图像分割结果比较如图2所示：从上至下依次为合成图像1、合成图像2、自然图像1、自然图像2；从左至右分别为（a）初始化位置；（b）LBF模型分割结果；（c） LRB模型分割结果；（d） 本发明实施例分割结果。

本发明实施例使用不同的局部区域对合成和超声图像分割结果比较如图3所示：从左至右依次为（a）大局部区域对应的分割结果；（b）小局部区域对应的分割结果；（c）适当局部区域对应的分割结果。

本发明实施例与其它方法进行图像分割结果比较如图4所示：从上至下每一行分别对应为：源图像；GCV模型分割结果；LRB模型分割结果；针对超声图像的分割方法一；针对超声图像的分割方法二；本方法分割方法；医院提供的金标准。

对比结果表明：本发明可以在短时间内分割对比度低、结构复杂的医学超声图像，而且对于弱质图像和含有噪声的图像也能获得很好的分割效果。