文摘

一个新颖的方法基于蛇模型和GrowCut算法部分肝地区腹部CT图像。首先,根据传统GrowCut方法,使用k - means算法的一个预处理过程是减少运行时间进行。然后,我们改进的分割结果GrowCut方法是作为初始轮廓未来基于蛇模型的精确分割。最后,几个实验进行演示我们建议的方法的性能和一些传统GrowCut算法之间进行比较。实验结果表明,改进后的方法不仅具有更好的鲁棒性和精度也比传统的GrowCut方法更有效。

1。介绍

随着现代计算机技术的发展和数字医疗设备、医学影像已成为临床医生诊断疾病的重要手段。因此,临床医生提出一个即将到来的计算机辅助诊断(CAD)技术的必要性。作为一种重要的现代图像处理技术肝脏分割成为肝CAD的一个重要问题。CT图像的准确分割不同的组织不仅是一个必要前提前提取特征的疾病,也是一种基本的重建三维图像和医学图像可视化。

图像分割算法通常可以分为两种:全自动和半自动的分割方法。完全自动化算法像基于阈值的方法1,2],edge-based方法[2,3),聚类方法(4,5],提出的方法[6,7基于],马尔可夫随机场(MRF)的方法(8- - - - - -10],Snakes-based方法[11),等等不断改进。然而,没有自动算法可以获得完美的结果的图像。所以有很多改进的半自动的方法提出了研究文献,如提出的交互式图像分割基于图切割Boykov和快乐12],提出的随机沃克技术Grady [13),和智能剪刀14)算法。

GrowCut [15- - - - - -20.)利用细胞自动机解决像素标签的任务。适用于图像分割与任何尺寸和适合灰度图像和彩色图像。每个细胞自动机有一些标签(二元分割的“对象”,“背景”和“空”)。自动机的进化过程中,一些细胞捕获他们的邻居,然后取代他们邻居的标签。GrowCut算法能准确地分割模糊区域基于解剖学知识和临床经验的专家。此外,GrowCut算法能够满足实时处理的要求,因为它速度快的特点,简单的原则。然而,仍有欠分割问题肝脏分割基于这个方法。

蛇模型(11)是一个拉斯韦加斯花键由外部力量引导和影响形象的力量把它向特性,比如线条和边缘。它是一种重要的可变形模型,这需要一个封闭曲线作为先验知识。虽然它是噪声和pseudoedge免疫,它有一个严格的对初始轮廓的需求。如果远离初始轮廓图像边缘,很难取得良好的分割效果。

在本文中,肝脏在腹部CT图像分割的新方法提出了基于蛇模型和GrowCut算法。首先,一个新的能量函数的自动机演化提出了基于图论。然后,最初的肝脏区域提取,基于改进的GrowCut算法中引入的k - means算法创新加速的速度改进GrowCut方法。最后,提出改进GrowCut算法的分割结果作为初始轮廓的蛇模型精确肝脏分割。在这种情况下,情感问题的初始轮廓蛇模型可以有效地解决。

2。图像分割是根据蛇模型和改进GrowCut算法

提议的模式由四部分组成,包括图像降噪,肝脏presegmentation,肝脏区域提取,和肝脏精确的分割。首先,降噪图像进行小波分解。其次,肝脏分割基于k - means算法执行,第三,提出了一种新的能量函数改善GrowCut算法并应用于肝脏区域提取。同时,k - means算法加速的结果改进GrowCut算法的速度。最后,改进的GrowCut算法的分割结果作为初始轮廓蛇模型执行的精确分割。该算法的过程如图1。


图1
该算法的过程。
2.1。基于小波变换的图像降噪

小波变换(21)已广泛应用于图像降噪的时频定位由于其优势。根据小波的特点,在图像平滑部分低频慢跑,而分布在高频噪声和细节。基于小波变换的图像降噪方法主要分为两种:一是直接设置高频系数为零,另一个是基于一个阈值。

小波变换的图像分解后的低频分量和高频成分可以获得图像。相比传统的基于过滤器的图像降噪方法,直接设置高频系数为零的方法拥有一个更好的结果和更快的处理速度。然而,在一个图像的高频部分,不仅噪音也有一些细节上的问题;这种传统的方法通常会导致失去一些细节信息在一个图像消除图像中噪声的过程。

让 表示原始图像,让 表示分解层;我们可以得到一个较低的频率分量和三个三级小波分解后高频组件。因此,分解图像后, 可以被描述为

在(1), 表示三级低频分量; , , 分别表示 水平的水平、垂直和对角高频组件。的 程度的低频分量 可以描述为:

在(2), 表示 水平较低的频率分量, 表示 水平水平、垂直和对角高频组件分别。

我们分别使用 , , 来表示系数的三种高频率 层次的组件。低频系数的水平 所指是 。让 阈值。的流算法描述如下:(1)对图像进行小波分解,得到每个组件的系数;(2)操作每个高频有以下原则: (3)最后,通过逆小波变换得到去噪图像。

2.2。图像Presegmentation基于k - means算法

事实上,有许多组织和器官分布在腹部CT图像,尤其是肝脏吸引了最大的关注。肝脏的灰度值不同于骨骼和其他一些组织,一个集群操作可以用来消除不相关的组织和加快算法速度在分割操作。聚类分析是一种算法,考虑了数据的相似性和分类。医学图像的相似性测量通常是灰色的,距离,和纹理。最常见的k - means聚类分析方法包括使用(22)和k-Nearest-Neighbours(资讯)23)算法。从[22,23),我们可以知道k - means非常快速、简单,而资讯的缺点是其庞大的计算复杂性。考虑到我们想使用聚类算法来提高整体的效率方法,我们选择k - means而不是资讯分类器。

k - means算法旨在分区 观察到的数量 不相交的子集 集群中,每个观测属于最近的平均值,以最小化平方和准则:

在(4), 是一个向量代表 数据点, 数据点的几何中心在吗 。

在腹部的形象,有太多不相关的区域,导致减少的处理速度和分割精确,所以有必要做一个聚类分析在肝脏提取使用GrowCut算法以减少迭代次数。的轮廓如图所示的流程过程2。


图2
图像预处理过程的k - means算法。

首先,是输入的k - means聚类算法去噪图像,图像中每个像素是标签。其次,像素的标签是相同的提取终于被视为同一地区。第三,最大提取所有的地区之一是那样肝脏区域通常在腹部占用的最大区域形象;第四,一些漏洞的候选人肝脏区域填充和析取矩形的填充候选人肝脏区域计算。最后,一个面具操作进行提取最终结果。结果如图3。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图3
结果图像预处理的k - means算法。原始图像(a)、(b)结果图像的k - means, (c)肝脏粗提物的形象,(d)肝脏精制提取图像,(e)孔填充图像和(f)最终图像预处理。

在图3,原始图像的大小 和候选人肝脏图像的大小 。我们可以有效地提高分割效率和增加使用k - means预处理算法的分割精度。

2.3。肝脏区域提取基于GrowCut改善的方法

细胞自动机(CA)算法引入了冯·诺依曼(19),已广泛应用于图像去噪和边缘检测。一个细胞自动机由细胞组成,细胞空间,邻居,和一些规则。

CA的基本单元称为一个细胞。CA是三个一组被定义为 在这里, 是一个非空的状态, 社区系统吗 代表了规则。主要有两个社区的系统模型:一个是冯诺依曼模型,另一个是摩尔模型。

规则是一个动态的进化基础系统,这是一个动态函数计算下一次迭代的细胞状态。

数字图像是一个二维数组 像素,它可以被认为是中科院几个特定状态的细胞空间 被定义为 在这里, 像素的颜色空间吗 , 表示它的强度,最终的目标是为每个像素分配标签。

分割操作执行之前,用户需要手动输入两种类型的标记点,点的一种类型是前景感兴趣的(地区)点,其品牌价值 ,另一种是背景点的标签值 。对于所有的点,我们初始化 。完成初始化之后,进入算法迭代过程不会停止,直到没有任何像素的标签不会改变。最后,像素标记1将属于前景和一个标签−1将属于背景区域。所示的迭代过程的算法1。

1开始
2
3 ;
4 ;
5
6如果
7 ;
8
9如果
10结束了
11结束
12结束
算法1
函数自动机演化规则。

在这里, 是一个单调递减函数有界 。在文献[15),下面的能量函数:

GrowCut算法原理简单、高精确的图像分割。然而,有一个缺点,特别是对于医学图像与模糊边缘。其分割结果通常伴随着毛刺,这是难以接受的医学图像的过程,通常为医生诊断疾病与器官的光滑程度。为了获得一个平滑的分割结果,文献[15)提出了一种扩展GrowCut方法添加了两个附加的条款向当地变换功能:一个是,如果一个细胞包围着太多的敌人和满足的条件 ,那么它可以攻击其邻国细胞;另一种是,如果一个细胞的数量的邻居敌人满足的条件 ,它将被强行占领邻国弱的敌人,即使敌人的实力弱于细胞。敌人被定义为的数量

的阈值 和 边缘的平滑控制。

在GrowCut算法中,能量函数本质上是重要的分割结果。一个常见的所示(7)近年来被广泛使用。它只考虑了种子点灰色的区别及其附近;所以它很难充分利用高精度的图像信息的医学图像分割。本文提出了一种新的能量函数拥有更好的性能比传统的一个。新的能量函数的定义是 在这里, 表明任何像素及其附近的能量在一个图像, 和 分别代表一个像素和相邻的像素, 是一个像素和相邻的像素之间的协方差值,然后呢 是一个像素的距离及其邻居像素。

能量函数(9)有两个好处:一个是它不仅考虑了灰色区别两个像素,而且还考虑了距离种子点和相邻像素之间的紧张。种子点的邻居像素的变化程度增加随着增加 。同样的,我们可以得到一个强大的竞争力,加快细菌之间的竞争和利益得到平衡。小说的第二个值能量函数是它设置竞争力两个像素之间的距离成反比,哪个更符合实际情况的微生物的竞争环境,这更有利于解决边缘检测的问题。

2.4。图像分割是根据蛇和改进GrowCut算法

在本节中,我们将介绍我们提出基于蛇和肝脏图像分割算法改进GrowCut方法并讨论为什么我们选择蛇模型进一步细分方法,但不仅仅是改善GrowCut结果。

如图4,尽管结合k - means和改进GrowCut (KIGC)可以获得模糊边缘,边缘不够光滑,所以我们需要使用蛇模型的精确分割过程方法将GrowCut结果作为初始轮廓。

(一)
(一)
(b)
(b)
图4
GrowCut分割结果。(一)原始图像;(b)结果KIGC的形象。

蛇模型是一种活动轮廓模型(11],它拥有一个符合最小化能量。线是受到外部约束力量和内部形象力。最终引导曲线图像的特征区域,如线或图像边缘和准确锁邻国边界。

传统的蛇模型是一个曲线,满足

这条曲线在图像空间中移动直到最小化以下方程: 在这里, 和 分别是,开放程度和硬度,重量参数 和 分别是一阶导数和二阶导数。蛇模型的外部能量来自于形象;所以它应该获得一个较小的值在该地区利益的形象和它应该阻力曲线的边缘图像。一个典型的外部能量函数显示为 在这里, 是一个二维高斯函数的均方根偏差是什么 。 是一个梯度算子。从(12),我们可以看到,如果该值 太大,那么图像的边缘可能会模糊。我们可以根据变分法迭代公式:

然而,蛇模型中是一个严重的缺点——吸引区域的外力太有限,所以可以获得一个完美的结果只有初始曲线接近图像的边缘。为了解决这个缺点,一些专家提出的改进算法有很多。最著名的一个是梯度矢量流(预防)模型提出了文献[24- - - - - -26],它首先计算一个力场,叫做养狐业的力量,在图像域。养狐业部队用于驱动蛇,模仿作为一个物理对象具有抗拉伸和弯曲,向对象的边界。养狐业的力量运用广义扩散方程计算了这两个组件的梯度图像边缘地图。养狐业模型可以表示为

最小化能量函数是贺

这里的功能项 是光滑的图像, , , , 分别是,偏导数的 , 来 和 , 是一个调节参数。变分法的基础上,我们可以得到以下方程:

基于蛇模型的图像分割算法提出和应用一种改进的GrowCut作为预处理的方法。该算法的整个过程可以描述如下。首先,改进GrowCut方法是图像大致使用区段。然后,上述结果是边缘的提取并作为初始蛇模型的轮廓。最后,肝脏区域是基于蛇模型获得的。

3所示。实验和讨论

与肝脏CT图像进行了实验,证明提出的性能改进方法。实验数据是30腹部CT图像DICOM格式的来自64排CT机在国内大医院。每个CT片的空间分辨率 。为了提高计算速度,我们将DICOM图像转换成BMP图像的灰度是256。所有的实验都是在计算机上奔腾3 GHz处理器和1 GB的内存。

3.1。基于小波变换的图像降噪

基于小波变换的降噪处理,主要有两个因素可以影响图像降噪的结果:一个是小波基,另一个是降噪的方法。在本文中,根据不同的降噪方法进行了几个实验。图4显示了不同的降噪方法的结果使用相同的小波基,可以由用户调整。

图5(一个)是原始图像,图5 (b)通过设置去噪图像高频系数为零,图吗5 (c)是使用固定阈值去噪图像的高频系数,和图吗5 (d)是基于贝叶斯阈值去噪图像的操作。结果表明,数字5 (d)比其他方法。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图5
基于不同的图像降噪方法的结果。
3.2。图像分割的基础上改进GrowCut方法

为了证明k - means聚类算法的普遍性,本文给出了一组实验结果如图6。在图6,我们可以看到,k - means算法可以有效地分类肝脏的地区利益,不仅提高了选择目标分割区域的自动性也好处通过改善原油分割过程的效率。

(一)
(一)
(b)
(b)
图6
k - means聚类算法。

图7给传统GrowCut方法之间的比较和改进GrowCut方法。在图7(一)是原始图像,图吗7 (b)是基于传统GrowCut方法分割结果,和图吗7 (c)是基于我们的改进算法分割结果。

(一)
(一)
(b)
(b)
(c)
(c)
图7
对比传统GrowCut和改进方法。

如图7 (b),区域的边界不是很光滑,和许多像素周围左叶被误诊。然而,使用改进算法的结果,如图7 (c)演示了一个视觉显著改善和健壮性,噪音。它还保留了比传统方法更好的边缘信息。是不是像素的数量小于传统的算法。然而,仍然存在肝左叶的欠分割问题,尤其是对于一些CT图像复杂的器官。

为了证明新的能量函数的有效性,我们也比较传统的准确性GrowCut (TGC)方法,结合k - means改善GrowCut (KIGC)定量,如图8。精确计算使用以下方程: 在哪里 表示和分割结果 由医生手动分割结果。


图8
TGC和KIGC的精度比较。

在图8准确性是每个片30组的平均精度的形象。

然而,对于一些片,我们的方法并不明显提高效率。k - means聚类后,我们可以得到一个较小的肝脏边界矩形作为输入GrowCut分割。这将减少GrowCut的细菌生态空间,大大提高效率。传统GrowCut GrowCut基于k - means聚类图像分割结果如图9。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图9
基于GrowCut和KIGC比较肝脏分割。

数据9(一个)和9 (b)是两个不同的肝脏图像,数据吗9 (c)和9 (d)分别是,k - means聚类结果两个图像,图像和数字吗9 (e)和9 (f)对应的分割结果。当使用相同的标记点,传统GrowCut和一个使用k - means聚类获得相同的分割结果。尽管K-means-GrowCut方法并不能提高精度,它可以大大降低了分割时间。

为了证明效率,我们比较传统的分割时间GrowCut (TGC)和改进的GrowCut使用k - means预处理(KIGC)。如图10,时间的平均时间是三片30组CT DICOM图像。最后的实验结果表明,该分割时间可以减少很大的预处理方法,因为当我们使用k - means减少其他干扰器官在腹部CT图像,如图6。


图10
分割时间的比较使用和不使用k - means。

表1使分割结果的对比传统GrowCut之间的时间和空间分辨率和改善GrowCut算法。它解释了使用k - means聚类的有效性方面的特定的空间分辨率。虽然改善GrowCut使用新的能量函数不能提高时间效率,实现主要是通过使用k - means聚类,我们只是比较传统GrowCut和改进的分割时间GrowCut不包括k - means聚类的时间证明k - means整个方法的效率有很大的影响。

表1
比较传统GrowCut之间的空间分辨率和分割时间和我们的改进算法。

如表所示1,三个初始图像的空间分辨率 后,k - means聚类操作,减少析取矩形的空间分辨率 , , 分别。时间代表人类交互操作的时间间隔从一开始就选择种子和背景点结束时停止迭代。结果还表明,改进GrowCut算法比传统GrowCut算法快得多。

3.3。基于KIGC-Snake图像分割算法

图11给出了三组实验结果进行了比较。图(11日)是原始图像,图吗11 (d)是基于传统GrowCut方法分割结果,图吗11 (c)是我们的算法的分割结果KIGC-Snake,图吗11 (d)分别是数据的局部放大图片吗11 (b),11 (e)分别是局部放大的图的图像吗11 (c)。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
图11
两种医学图像分割结果基于KIGC方法和KIGC-Snake算法。

如图11,我们提出的算法的分割结果图11 (c),远比KIGC方法在图的结果11 (b)。从数据11 (d)和11 (e)的边缘,我们可以看到,我们的结果是更好的比不使用蛇模型。

图12显示了肝脏三维重建结果根据我们提出的方法。数据12(一个)和12 (c)肝脏的三维重建结果准确分割。数据12 (b)和12 (d)的建议的方法。总体而言,较准确的分割结果(金标准),该方法分割结果也不错,没有大的误差。从细节来看,比较数据12 (c)和12 (d)我们可以发现,该方法可以获得一个平滑的肝脏三维模型和其他组织的粘连的中心位置在肝脏非常小。与此形成鲜明对比的是数据12(一个)和12 (b),我们的方法具有明显的分割问题的位置肝左叶。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图12
三维重建结果的方法。

4所示。结论

在本文中,一种新的图像分割算法基于Snakes-GrowCut模型提出了肝脏腹部CT图像的分割。根据传统GrowCut方法,基于图论提出了一种新的能量函数,满足高精度医学图像分割,不仅考虑了不同种子点和相邻像素之间的激烈,但也设置竞争力两个像素之间的距离成反比。此外,通过k - means算法进行预处理过程减少运行时间。在添加多个标签在多个器官的改进GrowCut算法分割结果在一个单一的操作。最后,蛇模型进行精确的分割利用从改善GrowCut方法获得的结果。几个与肝脏CT图像进行了实验,证明提出的性能改进方法。实验结果表明,该方法不仅具有更好的鲁棒性和精度也比传统GrowCut算法快得多。

承认

这项工作是由中国国家自然科学基金(没有。61272176也没有。60973071)。