本發(fā)明屬于醫(yī)學圖像處理領域，涉及肺結節(jié)的分割與三維重建，具體涉及了基于醫(yī)學pet和ct影像的多模態(tài)數(shù)據(jù)，對肺結節(jié)的超體素三維分割與重建的方法。

背景技術：

三維重建可以反映出肺部病灶與周圍組織的動態(tài)關系，而且便于從直觀上了解肺結節(jié)形狀、大小、外觀等形態(tài)和與周圍胸膜或血管的牽拉情況，有助于醫(yī)師直觀的了解病情并引導復雜解剖區(qū)域手術的進行，以提高手術質量和降低手術危險，值得臨床進一步推廣使用。目前的醫(yī)學成像的臨床應用產(chǎn)生的多為二維圖像，二維斷層圖象只是表達某一截面的信息，僅由二維圖象，人們很難建立起三維空間的立體結構。為提高醫(yī)療診斷和治療規(guī)劃的準確性與科學性，由二維斷層圖象序轉換成為具有直觀立體效果的圖象，展現(xiàn)人體器官的三維結構與形態(tài)，從而提供若干用傳統(tǒng)手段無法獲得的解剖結構信息，并為進一步模擬操作提供視覺交互手段。醫(yī)學圖象三維重建與可視化技術就是在這一背景下提出的，這一技術一經(jīng)提出，就得到大量研究與廣泛應用。目前，隨著三維重建技術的日漸成熟，其在臨床診療的應用日趨廣泛，而基于肺部病灶三維影像的分割技術尚未達到相對成熟的解決方案。針對以上問題，本文提出了一種基于多模態(tài)數(shù)據(jù)的超體素序列肺部圖像的3d肺結節(jié)分割方法，充分的結合了pet/ct數(shù)據(jù)中所提供的肺部病灶自身的信息，大幅度減少了時間復雜度。

技術實現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術的不足提供一種基于多模態(tài)數(shù)據(jù)的超體素序列肺部圖像的3d肺結節(jié)分割方法，既能充分結合多模態(tài)pet/ct數(shù)據(jù)中所提供的肺部病灶自身的信息，又能有效分割與重建多種類型的肺結節(jié)，便于從直觀上了解肺結節(jié)形狀、大小、外觀等形態(tài)和與周圍胸膜或血管的牽拉情況，有助于醫(yī)師直觀的了解病情并引導復雜解剖區(qū)域手術的進行，以提高手術質量和降低手術危險。

本發(fā)明采用的技術方案為：

一種基于多模態(tài)數(shù)據(jù)的超體素序列肺部圖像的3d肺結節(jié)分割方法，包括以下步驟：

步驟a，使用超像素序列圖像分割算法得到roi序列圖像的超像素樣本，接著采用自生成神經(jīng)森林算法對超像素樣本進行聚類，最后根據(jù)聚類后的超像素集的灰度特征和位置特征識別結節(jié)肺實質區(qū)域，為之后在此肺實質圖像的基礎上精確提取、分割、三維重建肺結節(jié)做準備；

步驟b，采用基于互信息的醫(yī)學圖像配準方法配準pet/ct多模態(tài)數(shù)據(jù)的肺實質區(qū)域；當兩幅圖像達到配準位置時，其互信息達到最大值，在a中得到的肺實質圖像的基礎上進行多模態(tài)數(shù)據(jù)的配準，以消除心臟等活躍區(qū)域對最終結果的影響；

步驟c，采用多尺度可變圓形模板匹配算法確定配準之后的圖像中肺結節(jié)的位置和邊緣信息，得到較為精確的肺結節(jié)區(qū)域；

步驟d，采用超體素3d區(qū)域增長方法，以超體素為基本單位，結合pet圖像中的suv特征，利用肺結節(jié)序列圖像的序列特征，自動選取種子點并在其6鄰接區(qū)域中根據(jù)提出的相似度函數(shù)進行超體素區(qū)域增長，最終實現(xiàn)肺結節(jié)序列圖像的快速分割與重建。

所述的方法，所述步驟b的具體過程如下：

b1、利用線性插值的方法將pet圖像插值成與ct圖像同樣大小；

因為pet圖像的大小是128×128像素的，而ct圖像的大小是512×512像素的，所以使用線性插值的方法將pet圖插值為512×512，兩種模態(tài)的圖像數(shù)大小相同后再將pet圖像與ct圖像做配準；

b2、利用互信息配準方法配準pet/ct多模態(tài)數(shù)據(jù)；

對于兩個隨機變量a、b。它們的熵別是h(a)、h(b)、h(a、b)，概率分布分別為pa(a)和pb(b)，聯(lián)合概率分布為pab(a,b)，則它們的互信息mi(a,b)為：

對于待配準的兩幅醫(yī)學圖像，可以認為它們是關于圖像灰度的兩個隨機變量集浮動圖像a和參考圖像b，a和b是兩幅圖像中相關的體素灰度值，a和b通過坐標變換相聯(lián)系。它們的邊緣概率分布和聯(lián)合概率分布pa(a)、pb(b)和pab(a,b)即為在圖像中具有灰度a,b的概率，可以分別通過歸一化各自的灰度直方圖和聯(lián)合灰度直方圖而得到。當兩幅圖像達到配準位置時，其互信息mi(a,b)達到最大值。

根據(jù)b所述的方法，直接在步驟a得到的序列肺實質圖像的基礎上進行配準，以消除心臟等活躍區(qū)域對實驗結果的影響。

所述的方法，所述步驟c具體過程如下：

c1、采用大的圓形模板用來確定結節(jié)位置信息；

根據(jù)模版匹配算法的思想，使用一種在pet圖像中搜尋可疑結節(jié)區(qū)域的模版匹配方法，由于肺結節(jié)為肺組織包繞的局限性圓形或卵圓形的結果，其形態(tài)為類圓形。因此選擇模版為圓形模版。初始采用大的圓形模板用來確定結節(jié)位置信息，在大模版中，由于最小結節(jié)在模版中會占約1/40，最大的結節(jié)在模版中會占約1/4的位置。

c2、采用小模板來確定結節(jié)邊緣信息。

在大模板確定了肺結節(jié)基本的位置信息的基礎上采用小模板來確定肺結節(jié)的邊緣信息，通過可變的圓形模板得到準確的肺結節(jié)區(qū)域。

所述的方法，當肺實質內(nèi)某區(qū)域的suv均值在2.5以上時，可以判定該區(qū)域是結節(jié)區(qū)域。為了保證最小的結節(jié)也會被發(fā)現(xiàn)，通過計算肺部pet圖像正常組織的suv值，將初始的模板中suv的判斷閾值設為1.5以保證模板的靈敏度。suv的計算公式如公式(2)：

其中tissueconcentrasion為病灶的放射性濃度，injecteddose是注射劑量，bodyweight是患者的體重。在人體中，不同器官會有不同的代謝水平。通常心臟、大腦、血管、腎臟會有較高的代謝水平。在同一器官內(nèi)腫瘤一般會有較高的代謝，這一特征是用于腫瘤的診斷的基礎。

所述的方法，初始模板半徑t1＝30mm，因為孤立性肺結節(jié)為直徑小于3cm的腫塊。計算更小半徑的模版ti+1進行繼續(xù)判斷，公式如下(3)所示：

所述的方法，多尺度圓形模板匹配方法，其具體步驟如下：

第1步，設置初始模板的半徑t1＝30mm，閾值s＝1.5；

第2步，選用半徑為t1的圓形模板，從輸入圖像的原點開始匹配；

第3步，計算圓形模板內(nèi)的suvmean，若大于2.5則轉到第6步，否則轉到第4步；

第4步，若模板內(nèi)suvmean>s&&<2.5，則計算ti+1，生成具有新的半徑的較小模板，轉到第3步；

第5步，重復步驟3-4直到ti＝tmin，結束本次模板匹配；

第6步，標記該區(qū)域為肺結節(jié)區(qū)域，將模板移動timm，轉到第3步；

第7步，重復步驟2-6直到所有序列pet圖像匹配完成。

所述的方法，可變圓形模版匹配之后可以得到肺結節(jié)區(qū)域，之后與步驟a中得到的肺實質區(qū)域做比對，得到超像素分割的序列肺結節(jié)區(qū)域，由此可以得到準確的肺結節(jié)輪廓，與ct原圖做與運算得到最終準確的肺結節(jié)區(qū)域。

所述的方法，所述步驟d具體步驟如下：

d1、將超像素概念推廣到超體素；

超像素是一系列有相似特征(顏色、亮度、紋理等)的相鄰像素點組成的集合，一幅圖像就是由一定數(shù)目的集合構成的，集合內(nèi)的像素的特征具有一致性，這些小區(qū)域能夠保留原始圖像的邊界信息，而且具有多個像素的統(tǒng)計信息，因此相比于單個像素，超像素含有豐富的特征信息，能夠大大降低后續(xù)圖像的處理復雜度，顯著提高圖像的分割速度。由超像素的概念推廣到三維圖像上，超體素是一系列具有相似特征的空間中相鄰的體素點組成的集合，并且集合中的體素的特征具有一致性，這些超體素可以保留原始圖像的邊界信息，而且具有多個體素的統(tǒng)計信息，包含了豐富的特征信息。

d2、超像素分割簡單線性迭代聚類(slic)算法；

通過使用lab色彩空間中的l,a,b三維顏色信息和像素點的坐標以及圖像序列號組成的一個5維特征向量[l,a,b,x,y]^t來表達圖像中的每個像素點，通過計算兩個像素的特征向量之間的距離來衡量像素之間的相似性，通過此聚類算法將圖像中的具有相似特征的像素點聚成一類，就形成了一個超像素。

在slic算法中，假設原圖有n個像素，需要將其分為k個超像素，則分割后每塊超像素大致有n/k個像素，每塊超像素的邊長大致為每隔s個像素取一個聚類中心，以這個聚類中心的周圍2s×2s為其搜索空間，搜尋相似像素點。

在slic算法中，每張圖像中的兩個像素點之間的相似度ds可以通過計算像素與聚類中心之間的顏色特征距離dlab和空間位置特征距離dxy,再根據(jù)權值疊加公式來計算得到，如公式(4)(5)(6)所示。

公式中：

i的是第i個超像素的聚類中心，j表示搜索區(qū)域內(nèi)某一像素點；

α是距離相似度的調節(jié)參數(shù)，值越大，在衡量兩個像素相似性時，兩個像素之間的空間位置特征距離權重就越大。

d3、超體素3d區(qū)域增長規(guī)則；

將二維上超像素的概念推廣到三維超體素上，我們采用lab色彩空間中的l,a,b三維顏色信息和超像素的質心坐標(x,y)及每張ct圖像對應的序號z，以及在pet圖中當前坐標下的suv值w組成的一個7維特征向量[l,a,b,x,y,zw]^t來表達分割好的每一個超體素。假設原始序列圖有m個體素，需要將其分為l個超體素，則分割后每塊超體素大致有m/l個體素，每隔s個體素取一個聚類中心，以這個聚類中心的周圍2s×2s×2s為其搜索空間，搜尋相似體素點。序列圖像中的兩個體素點之間的相似度ds可以通過計算體素與聚類中心之間的顏色特征距離dlab、空間位置特征距離dxyz和標準攝取值差異dw，再根據(jù)權值疊加公式來計算得到，如公式(7)(8)(9)(10)所示。

dw＝|suvj-suvi|(9)

公式中：

i表示第i個超體素的聚類中心，j表示搜索區(qū)域內(nèi)某一體素點；

α是距離相似度的調節(jié)參數(shù)，值越大，在衡量兩個體素相似性時，兩個像素之間的空間位置特征距離權重就越大；

β是suv值的相似度調節(jié)參數(shù)，值越大，在衡量兩個體素相似性時，兩個像素之間的suv值的差異權重就越大。

d4，超體素3d區(qū)域增長；

超體素可以保留原始圖像的邊界信息，而且具有多個體素的統(tǒng)計信息，所以含有豐富的特征信息，同時還能夠大大降低后續(xù)圖像的處理復雜度，顯著提高圖像的分割速度。所以本文提出一種以超體素為基本單位的3d區(qū)域增長方法，該方法以超體素為基本單位，結合pet圖像中的suv特征，自動選取種子點并在其6鄰接區(qū)域中根據(jù)d3提出的相似度函數(shù)進行3d超體素區(qū)域增長，可以在大幅度減少時間復雜度的同時，提高分割精度。

選取pet圖中suv值最高的點作為種子點，得到其二維質心坐標(x,y)，同時得到其序列號z，將其坐標(x,y,z)作為種子點進行自動超體素3d區(qū)域增長，增長規(guī)則即d2中公式(7)-(10)，結合超體素之間的顏色信息，位置距離信息和標準攝取值之間的差異信息，根據(jù)相應的調節(jié)參數(shù)計算兩個超體素之間的相似度，將具有相似性質的超體素合并到種子區(qū)域并作為新的種子區(qū)域，不斷在其6鄰接區(qū)域內(nèi)搜尋超體素并合并相似超體素直到種子區(qū)域集合大小不再變化為止，結束增長。將種子區(qū)域內(nèi)的所有超體素輸出顯示。

所述的方法，所述超體素3d區(qū)域增長方法具體步驟如下：

第1步，選取pet圖中suv值最高的點，得到其質心坐標(x,y)及序列號z；

第2步，以(x,y,z)為超體素增長的種子點，將其標記為種子區(qū)域；

第3步，在種子區(qū)域的6鄰接區(qū)域內(nèi)根據(jù)生長規(guī)則搜尋超體素；

第4步，將與種子點具有相似性質的超體素合并到種子區(qū)域中作為新的種子區(qū)域；

第5步，重復步驟3-4直到種子區(qū)域集合大小不再變化；

第6步，顯示所有種子區(qū)域的體素集合。

與現(xiàn)有技術相比，本發(fā)明的有益效果為：

1、本發(fā)明的方法基于多模態(tài)數(shù)據(jù)和超體素進行肺結節(jié)的三維分割與重建，有助于醫(yī)師直觀的了解病情并引導復雜解剖區(qū)域手術的進行，以提高手術質量和降低手術危險。

2、通過使用本發(fā)明的技術，能夠從直觀上了解肺結節(jié)形狀、大小、外觀等形態(tài)和與周圍胸膜或血管的牽拉情況，有助于醫(yī)師對肺部疾病的判斷。

3、通過本發(fā)明分割重建出的肺結節(jié)三維圖像，這些圖像所顯示的病灶特征和與周圍組織的動態(tài)關系等可以為醫(yī)師對肺部疾病的分析提供參考，起到輔助診斷的作用。

附圖說明

圖1是本發(fā)明對肺結節(jié)的分割與重建算法的流程圖。

圖2是使用超像素分割和自生成神經(jīng)森林聚類方法得到的序列肺實質結果圖。

圖3是對肺實質圖像進行基于互信息的pet/ct圖像配準結果圖。

圖4是多尺度可變圓形模板匹配算法原理示意圖。

圖5是多尺度可變圓形模版匹配算法得到肺結節(jié)區(qū)域的結果圖。

圖6是本發(fā)明的步驟流程圖。

圖7是2d與3d區(qū)域增長下的鄰接區(qū)域圖，a，2d像素數(shù)據(jù)，左為4鄰域，右為8鄰域，b，3d像素數(shù)據(jù)，左為6鄰域，右為26鄰域。

圖8是本發(fā)明對孤立性肺結節(jié)的分割結果。

圖9是本發(fā)明對孤立性肺結節(jié)3d超體素區(qū)域增長重建結果。

圖10是本發(fā)明對胸膜牽拉型肺結節(jié)的分割結果。

圖11是本發(fā)明對胸膜牽拉型肺結節(jié)3d超體素區(qū)域增長重建結果。

圖12是本發(fā)明對血管粘連型肺結節(jié)的分割結果；所選的實驗集在肺頂和肺底沒有發(fā)現(xiàn)肺結節(jié)，所以在列(b)，列(e)和列(f)中，第一行、第五行沒有實驗結果圖。

圖13是本發(fā)明對血管粘連型肺結節(jié)3d超體素區(qū)域增長重建結果。

圖14是本發(fā)明對對空洞型肺結節(jié)的分割結果；所選的實驗集在肺頂和肺底沒有發(fā)現(xiàn)肺結節(jié)，所以在列(b)，列(e)和列(f)中，第一行、第五行沒有實驗結果圖。。

圖15是本發(fā)明對空洞型肺結節(jié)3d超體素區(qū)域增長重建結果。

圖16是本發(fā)明與傳統(tǒng)基于體素的3d區(qū)域增長算法的重建結果對比圖。

具體實施方式

以下結合具體實施例，對本發(fā)明進行詳細說明。

參照圖1，主要流程包括：超像素分割序列肺實質、互信息配準多模態(tài)pet/ct序列肺實質數(shù)據(jù)、可變圓形模板匹配序列肺結節(jié)區(qū)域、超體素3d區(qū)域增長等步驟，本發(fā)明方法的具體實施方式如下：

a，超像素分割序列肺實質：使用超像素序列圖像分割算法得到roi序列圖像的超像素樣本，接著采用自生成神經(jīng)森林算法對超像素樣本進行聚類，最后根據(jù)聚類后的超像素集的灰度特征和位置特征識別結節(jié)肺實質區(qū)域，為之后在此肺實質圖像的基礎上精確提取、分割、三維重建肺結節(jié)做準備；

a1、對于輸入的肺部序列ct圖像，提取其肺部序列roi圖像；

a2、使用超像素序列圖像分割算法得到roi序列圖像的超像素樣本；

a3、采用自生成神經(jīng)森林算法對超像素樣本進行聚類；

a4、根據(jù)聚類后的超像素集的灰度特征和位置特征識別結節(jié)肺實質區(qū)域。

參考圖2，圖2第一行為ct原圖，圖2第二行為超像素分割和自生成神經(jīng)森林聚類肺實質結果圖，圖2第三行為最終的肺實質結果圖。

b，基于互信息的醫(yī)學圖像配準方法配準pet/ct多模態(tài)數(shù)據(jù)的肺實質區(qū)域；當兩幅圖像達到配準位置時，其互信息達到最大值，在步驟a中得到的肺實質圖像的基礎上進行多模態(tài)數(shù)據(jù)的配準，以消除心臟等活躍區(qū)域對最終結果的影響；

b1、利用線性插值的方法將pet圖像插值成與ct圖像同樣大??；

使用線性插值的方法將pet圖插值為512×512，兩種模態(tài)的圖像數(shù)大小相同后再將pet圖像與ct圖像做配準；

b2、利用互信息配準方法配準pet/ct多模態(tài)數(shù)據(jù)；

對于兩個隨機變量a、b。它們的熵別是h(a)、h(b)、h(a、b)，概率分布分別為pa(a)和pb(b)，聯(lián)合概率分布為pab(a,b)，則它們的互信息mi(a,b)為：

對于待配準的兩幅醫(yī)學圖像，可以認為它們是關于圖像灰度的兩個隨機變量集浮動圖像a和參考圖像b，a和b是兩幅圖像中相關的體素灰度值，a和b通過坐標變換相聯(lián)系。它們的邊緣概率分布和聯(lián)合概率分布pa(a)、pb(b)和pab(a,b)即為在圖像中具有灰度a,b的概率，可以分別通過歸一化各自的灰度直方圖和聯(lián)合灰度直方圖而得到。當兩幅圖像達到配準位置時，其互信息mi(a,b)達到最大值。

參考圖3為對肺實質圖像進行基于互信息的pet/ct圖像配準結果圖。圖3列(a)是從肺頂?shù)椒蔚椎?張ct原圖，列(b)是列(a)所對應的肺實質分割結果圖，列(c)是列(a)所對應的pet圖像進行差值后的結果圖，列(d)是在ct原圖(a)上進行互信息配準的結果圖，列(e)是在肺實質(b)上進行互信息配準的結果圖。

c，可變圓形模板匹配序列肺結節(jié)區(qū)域：采用多尺度可變圓形模板匹配算法確定配準之后的圖像中肺結節(jié)的位置和邊緣信息，得到較為精確的肺結節(jié)區(qū)域；

參考圖4為多尺度可變圓形模板匹配算法的原理圖，將圓形模板分為大模板和小模板分別進行模版匹配，以得到最終的肺結節(jié)區(qū)域。

c1、采用大的圓形模板用來確定結節(jié)位置信息；

把不同傳感器或同一傳感器在不同時間、不同成像條件下對同一景物獲取的兩幅或多幅圖像在空間上對準,或根據(jù)已知模式到另一幅圖中尋找相應模式的處理方法就叫做模板匹配。根據(jù)模版匹配算法的思想，提出一種在pet圖像中搜尋可疑結節(jié)區(qū)域的模版匹配方法，由于肺結節(jié)為肺組織包繞的局限性圓形或卵圓形的結果。其形態(tài)為類圓形。因此選擇模版為圓形模版。初始采用大的圓形模板用來確定結節(jié)位置信息，在大模版中，由于最小結節(jié)在模版中會占約1/40，最大的結節(jié)在模版中會占約1/4的位置。

c2、采用小模板來確定結節(jié)邊緣信息。

在大模板確定了肺結節(jié)基本的位置信息的基礎上采用小模板來確定肺結節(jié)的邊緣信息，通過可變的圓形模板得到準確的肺結節(jié)區(qū)域。

當肺實質內(nèi)某區(qū)域的suv均值在2.5以上時，可以判定該區(qū)域是結節(jié)區(qū)域。為了保證最小的結節(jié)也會被發(fā)現(xiàn)，通過計算肺部pet圖像正常組織的suv值，將初始的模板中suv的判斷閾值設為1.5以保證模板的靈敏度。suv值全稱為標準攝取值(standarduptakevalue,suv)，是pet在腫瘤診斷中常用的半定量指標，是指局部組織攝取的顯像劑的放射性活度與全身平均注射活度。目前suv已被廣泛用于腫瘤良惡性鑒別及療效評價，預后預測。suv的計算公式如公式(2)：

其中tissueconcentrasion為病灶的放射性濃度，injecteddose是注射劑量，bodyweight是患者的體重。在人體中，不同器官會有不同的代謝水平。通常心臟、大腦、血管、腎臟會有較高的代謝水平。在同一器官內(nèi)腫瘤一般會有較高的代謝，這一特征是用于腫瘤的診斷的基礎。

初始模板半徑t1＝30mm，因為孤立性肺結節(jié)為直徑小于3cm的腫塊。計算更小半徑的模版ti+1進行繼續(xù)判斷，公式如下(3)所示：

多尺度可變圓形模板匹配方法，其具體步驟如下：

第1步，設置初始模板的半徑t1＝30mm，閾值s＝1.5；

第2步，選用半徑為t1的圓形模板，從輸入圖像的原點開始匹配；

第3步，計算圓形模板內(nèi)的suvmean，若大于2.5則轉到第6步，否則轉到第4步；

第4步，若模板內(nèi)suvmean>s&&<2.5，則計算ti+1，生成具有新的半徑的較小模板，轉到第3步；

第5步，重復步驟3-4直到ti＝tmin，結束本次模板匹配；

第6步，標記該區(qū)域為肺結節(jié)區(qū)域，將模板移動timm，轉到第3步；

第7步，重復步驟2-6直到所有序列pet圖像匹配完成。

參考圖5，多尺度可變圓形模版匹配算法得到肺結節(jié)區(qū)域的結果圖。

參照圖6，多尺度可變圓形模版匹配之后可以得到肺結節(jié)區(qū)域，之后與步驟a中所述的得到的肺實質區(qū)域做比對，得到超像素分割的序列肺結節(jié)區(qū)域，由此可以得到準確的肺結節(jié)輪廓，與ct原圖做與運算得到最終準確的肺結節(jié)區(qū)域。

d、超體素3d區(qū)域增長：采用超體素3d區(qū)域增長方法，以超體素為基本單位，結合pet圖像中的suv特征，利用肺結節(jié)序列圖像的序列特征，自動選取種子點并在其6鄰接區(qū)域中根據(jù)提出的相似度函數(shù)進行超體素區(qū)域增長，最終實現(xiàn)肺結節(jié)序列圖像的快速分割與重建。

參考圖7，對應于2d圖像區(qū)域生長中種子點是4或8個相鄰接點，3d中的種子點一般有6或26個相鄰接點，關鍵取決于是否包括對角線上的相鄰接點。

d1、將超像素概念推廣到超體素；

超像素是一系列有相似特征(顏色、亮度、紋理等)的相鄰像素點組成的集合，一幅圖像就是由一定數(shù)目的集合構成的，集合內(nèi)的像素的特征具有一致性，這些小區(qū)域能夠保留原始圖像的邊界信息，而且具有多個像素的統(tǒng)計信息，因此相比于單個像素，超像素含有豐富的特征信息，能夠大大降低后續(xù)圖像的處理復雜度，顯著提高圖像的分割速度。由超像素的概念推廣到三維圖像上，超體素是一系列具有相似特征的空間中相鄰的體素點組成的集合，并且集合中的體素的特征具有一致性，這些超體素可以保留原始圖像的邊界信息，而且具有多個體素的統(tǒng)計信息，包含了豐富的特征信息。

d2、超像素分割簡單線性迭代聚類(slic)算法；

通過使用lab色彩空間中的l,a,b三維顏色信息和像素點的坐標以及圖像序列號組成的一個5維特征向量[l,a,b,x,y]^t來表達圖像中的每個像素點，通過計算兩個像素的特征向量之間的距離來衡量像素之間的相似性，通過此聚類算法將圖像中的具有相似特征的像素點聚成一類，就形成了一個超像素。

在slic算法中，假設原圖有n個像素，需要將其分為k個超像素，則分割后每塊超像素大致有n/k個像素，每塊超像素的邊長大致為每隔s個像素取一個聚類中心，以這個聚類中心的周圍2s×2s為其搜索空間，搜尋相似像素點。

在slic算法中，每張圖像中的兩個像素點之間的相似度ds可以通過計算像素與聚類中心之間的顏色特征距離dlab和空間位置特征距離dxy,再根據(jù)權值疊加公式來計算得到，如公式(4)(5)(6)所示。

公式中：

i表示第i個超像素的聚類中心，j表示搜索區(qū)域內(nèi)某一像素點；

α是距離相似度的調節(jié)參數(shù)，值越大，在衡量兩個像素相似性時，兩個像素之間的空間位置特征距離權重就越大。

d3、超體素3d區(qū)域增長規(guī)則；

將二維上超像素的概念推廣到三維超體素上，我們采用lab色彩空間中的l,a,b三維顏色信息和超像素的質心坐標(x,y)及每張ct圖像對應的序號z，以及在pet圖中當前坐標下的suv值w組成的一個7維特征向量[l,a,b,x,y,zw]^t來表達分割好的每一個超體素。假設原始序列圖有m個體素，需要將其分為l個超體素，則分割后每塊超體素大致有m/l個體素，每隔s個體素取一個聚類中心，以這個聚類中心的周圍2s×2s×2s為其搜索空間，搜尋相似體素點。序列圖像中的兩個體素點之間的相似度ds可以通過計算體素與聚類中心之間的顏色特征距離dlab、空間位置特征距離dxyz和標準攝取值差異dw，再根據(jù)權值疊加公式來計算得到，如公式(7)(8)(9)(10)所示。

dw＝|suvj-suvi|(9)

公式中：

i的是第i個超體素的聚類中心，j表示搜索區(qū)域內(nèi)某一體素點；

α是距離相似度的調節(jié)參數(shù)，值越大，在衡量兩個體素相似性時，兩個像素之間的空間位置特征距離權重就越大；

β是suv值的相似度調節(jié)參數(shù)，值越大，在衡量兩個體素相似性時，兩個像素之間的suv值的差異權重就越大。

d4，超體素3d區(qū)域增長；

超體素可以保留原始圖像的邊界信息，而且具有多個體素的統(tǒng)計信息，所以含有豐富的特征信息，同時還能夠大大降低后續(xù)圖像的處理復雜度，顯著提高圖像的分割速度。所以本文提出一種以超體素為基本單位的3d區(qū)域增長方法，該方法以超體素為基本單位，結合pet圖像中的suv特征，自動選取種子點并在其6鄰接區(qū)域中根據(jù)d3提出的相似度函數(shù)進行3d超體素區(qū)域增長，可以在大幅度減少時間復雜度的同時，提高分割精度。

選取pet圖中suv值最高的點作為種子點，得到其二維質心坐標(x,y)，同時得到其序列號z，將其坐標(x,y,z)作為種子點進行自動超體素3d區(qū)域增長，增長規(guī)則即d2中公式(4)-(7)，結合超體素之間的顏色信息，位置距離信息和標準攝取值之間的差異信息，根據(jù)相應的調節(jié)參數(shù)計算兩個超體素之間的相似度，將具有相似性質的超體素合并到種子區(qū)域并作為新的種子區(qū)域，不斷在其6鄰接區(qū)域內(nèi)搜尋超體素并合并相似超體素直到種子區(qū)域集合大小不再變化為止，結束增長。將種子區(qū)域內(nèi)的所有超體素輸出顯示。

所述超體素3d區(qū)域增長方法具體步驟如下：

第1步，選取pet圖中suv值最高的點，得到其質心坐標(x,y)及序列號z；

第2步，以(x,y,z)為超體素增長的種子點，將其標記為種子區(qū)域；

第3步，在種子區(qū)域的6鄰接區(qū)域內(nèi)根據(jù)生長規(guī)則搜尋超體素；

第4步，將與種子點具有相似性質的超體素合并到種子區(qū)域中作為新的種子區(qū)域；

第5步，重復步驟3-4直到種子區(qū)域集合大小不再變化；

第6步，顯示所有種子區(qū)域的體素集合。

參考圖8、10、12、14分別為本發(fā)明對孤立性肺結節(jié)、胸膜牽拉型肺結節(jié)、血管粘連型肺結節(jié)和空洞型肺結節(jié)的分割結果圖。其中每張圖列(a)是從肺頂?shù)椒蔚椎?張ct原圖，列(b)是醫(yī)師對肺結節(jié)的手工分割標準，列(c)是步驟a分割肺實質得到的效果，列(d)是使用互信息配準pet/ct并在肺實質上顯示的效果(步驟b)，列(e)是將(c)列與(d)列的融合之后的超像素分割的序列肺結節(jié)的效果，列(f)是最終的對四類肺結節(jié)分割效果；圖12和圖14中，由于序列圖像數(shù)目較多，我們挑選了從肺頂?shù)椒蔚卓偣?張肺部ct圖像用來展示圖像分割的過程和結果，其中肺頂肺底各一張，中間包含肺結節(jié)的圖像3張，因為所選的實驗集在肺頂和肺底沒有發(fā)現(xiàn)肺結節(jié)，所以在列(b)，列(e)和列(f)中，第一行跟、五行沒有實驗結果圖。

參考圖9、11、13、15分別為本發(fā)明對孤立性肺結節(jié)、胸膜牽拉型肺結節(jié)、血管粘連型肺結節(jié)和空洞型肺結節(jié)的超體素3d區(qū)域增長結果圖，其中展示了四類不同類型的肺結節(jié)的多角度的增長結果并顯示了胸膜牽拉型肺結節(jié)和血管粘連型肺結節(jié)與周圍組織的關系。

參考圖16對比了本發(fā)明與傳統(tǒng)的基于體素的3d區(qū)域增長的結果，從中可以很直觀地發(fā)現(xiàn)本發(fā)明的三維重建效果更好。

應當理解的是，對本領域普通技術人員來說，可以根據(jù)上述說明加以改進或變換，而所有這些改進和變換都應屬于本發(fā)明所附權利要求的保護范圍。