基于多尺度滤波器的CT影像皮肤分割方法

基于多尺度滤波器的ct影像皮肤分割方法
技术领域
1.本发明属于医疗图像处理技术领域，尤其涉及基于多尺度滤波器的ct影像皮肤分割方法。


背景技术：

2.目前，在医学图像加深度学习的技术背景之下，利用全监督的卷积神经网络去处理医学图像的语义分割任务十分普遍，但是这种全监督的深度学习方法存在一些不足之处——必须存在一定数量的ct图像和与之对应的人工标记结果以供卷积神经网络模型去迭代训练不断的通过反向传播算法拟合数据以完成语义分割任务。
3.近些年，当研究人员寄希望于深度学习方法去解决ct图像的语义分割任务时，科研进展往往局限于数据集的稀少或缺失。在针对“人体组成分分析(body composition analysis)”这一科研任务中，针对皮肤组织的分割一直是一难以解决的问题，普通的图像处理并不能精确的对皮肤组织进行分割，进而影响后续皮下脂肪组织的提取。该问题难以解决的主要原因在于皮肤组织的标记过于困难且十分耗费时间，并且在现有的研究当中并未有针对皮肤组织分割的工作，在我们的研究中为了能够精准将人体组成成分进行识别与量化，我们针对这一问题进行了必要的研究。经过分析，皮肤数据在ct图像中占比过小，且呈现一种线性特征，皮肤的厚度与体素值都各有不同，有时皮肤组织仅仅只有几个体素的宽度，这对于目前基于全监督深度学习的方法，在数据标记这一步骤开展工作十分困难，而且没有公开或私有的ct图像皮肤数据集供我们使用从而通过深度学习的方法解决该问题。


技术实现要素：

4.本发明为了解决上述缺陷，提出了基于多尺度滤波器的ct影像皮肤分割方法。
5.本发明所采用的技术方案是：
6.基于多尺度滤波器的ct影像皮肤分割方法，包括：
7.s01：获取ct图像和与之相应的皮肤轮廓区域(skn)、骨骼肌组织外轮廓(oam)、骨骼肌组织内轮廓(iam)；
8.s02：对ct图像进行min-max归一化处理，通过皮肤轮廓区域(skn)、骨骼肌组织外轮廓(oam)、骨骼肌组织内轮廓(iam)获得皮肤组织的重点感兴趣区域(roi)；
9.s03：通过2d滤波器对经过在人体z轴(头至足部方向为z轴)切片处理后得到的多帧人体2dct图像，并进行滑动窗口操作，通过该2d滤波器进行滑动窗口计算方法，得到分割结果；
10.s04：通过广度优先搜索连通域算法，对分割后的结果进行去噪处理，最终得到精确没有噪点的皮肤组织。
11.本方法的进一步改进在于：所述步骤s02中的重点感兴趣区域(roi)算公式如下：
12.roii＝outputi*(skn
i-(oami iami))
13.其中，i表示归一化ct图像output与相应groundtruth二值图像skn、oam、iam的2d
切片索引。经过与二值图像的相乘操作完成图像处理中的集合相交功能。
14.本方法的进一步改进在于：所述步骤s03中的滑动窗口操作公式如下：
[0015][0016]
其中，滑动窗口采用2d方式进行计算，i为输入的2d数据；k表示为2d滤波器；
[0017]
所述2d滤波器由5组大小不同的滤波器构成，其中，中部的滤波器为较小的中心滤波器(kernel)，其余四个滤波器为大小不同的投票者滤波器(voter[1-4])。
[0018]
本方法的进一步改进在于：所述步骤s03中5个滤波器(中心滤波器与4个投票者滤波器)需要执行的流程如下：
[0019]
1)对ct图像的2d切片数组进行滑动窗口操作得到相应的小正方形区域(patch)，包括：中心的小正方形区域(kernel_patch)、投票者1的小正方形区域(voter1_patch)、投票者2的核心小正方形区域(voter2_patch)、投票者3的核心小正方形区域(voter3_patch)和投票者4的核心小正方形区域(voter4_patch)。
[0020]
2)5个滤波器分别对相应的中心的小正方形区域(kernel_patch)、投票者1的小正方形区域(voter1_patch)、投票者2的核心小正方形区域(voter2_patch)、投票者3的核心小正方形区域(voter3_patch)、投票者4的核心小正方形区域(voter4_patch)块进行一一对应的单独处理，得到各自的计算结果。其中，中心滤波器(kernel)完成的工作为“对皮肤组织的粗定位”，投票者滤波器(voter[1-4])所承担的功能为对中心体素是否为皮肤组织通过考量周围体素环境进行投票机制的再确认；
[0021]
3)得到结果，重复步骤2)处理下一组patch块；直到该切片结束，开始下一切片重复1)步骤。
[0022]
本方法的进一步改进在于：所述中心滤波器(kernel)首先会判断是否所有体素全部为背景体素，若是，则选择跳过。否则，会进一步判断含0体素的占比是否大于阈值，若大于阈值，则中心滤波器(kernel)已经不处在皮肤的边缘。若小于阈值，则体素点可能还处在皮肤的边缘。若中心滤波器(kernel)未检测到0体素的出现，会进一步通过一个阈值判断所覆盖的所有体素是否有足够超过该阈值的体素，若超过则说明可能处在皮肤区域，若不超过则不再进行处理。4个投票者滤波器(voter[1-4])通过将自己覆盖范围内的小正方形区域块进行正序排序，选定一边界作为分界线，如果中心滤波器的中心体素值大于该分界线所处体素值，那么经过4个投票者滤波器(voter[1-4])的投票行为，来共同决定该体素是否为皮肤组织的体素。
[0023]
由于采用了上述技术方案，本发明取得的技术进步是：
[0024]
本发明是基于多尺度滤波器的ct影像皮肤分割方法，仅仅只需要通过简单且高效的图像处理和滤波器算法即可完成对ct图像中皮肤组织的端到端分割，灵活且容易复现。相比全监督的深度学习方法，省去了大量的训练时间，且根据不同的参数的设置，可以完成对任意的质量不同的ct图像进行精准的皮肤组织分割。
附图说明
[0025]
为了更清楚地说明本发明运行原理和使用的技术方案，下面将对运行原理和使用的技术所需要使用的附图做简单地介绍。显而易见，下面描述中的附图进仅是本发明的一
些运行例子，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0026]
图1是本发明实施例一提供的基于多尺度滤波器的ct影像皮肤分割方法流程示意图；
[0027]
图2是本发明实施例一提供的基于多尺度滤波器的ct影像皮肤分割方法滤波器算法示意图。
具体实施方式
[0028]
以下描述中，为了说明不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本发明。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
[0029]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方法进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0030]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的属于“和/或”是指相关联列出的项中的一个或多个的任何组织以及所有可能组合，并且包括这些组合。
[0031]
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
[0032]
如图1所示为本发明事实例的第一方面提供了一种基于多尺度滤波器的ct影像皮肤分割方法。
[0033]
s01：获取ct图像和与之相应的皮肤轮廓区域(skn)、骨骼肌组织外轮廓(oam)、骨骼肌组织内轮廓(iam)；
[0034]
其中，实施例用到的数据组ct-groundtruth(ct：(skn、oam、iam))中的skn、oam与iam都为我们私有数据集的先验结果，经过长时间的医生指导后，通过人工标注过的精准且格式为.bim的二值图像结果，具有其特殊且高度医学化的定义与意义。
[0035]
s02：对ct图像进行min-max归一化处理，通过skn、oam、iam获得皮肤组织的roi区域；
[0036]
其中，本发明需要完成s03步骤所需的数据，在此步骤中需要对ct图像(3维矩阵数组)完成归一化操作进行处理。
[0037]
理归一化处理具体为：
[0038][0039]
其中，min()表示取目标ct中的最小体素值；max()表示取目标ct中最大的体素值；cti表示数据集中第i个ct图像的三维矩阵数据，outputi为经过归一化计算后的三维矩阵输出结果。
[0040]
为了使滤波器算法得到的结果更为精准，在这里我们通过skn、oam、iam的运算结果与归一化后的ct数据进行相关的集合运算得到roi区域，使得滤波器处理ct图像数据后能够得到最精准的结果。
[0041]
roi计算公式如下：
[0042]
roii＝outputi*(skn
i-(oami iami))
[0043]
oam iam的结果理论上最大值为1，因为在本例中这两者的结果并不存在交集，但因为标注过程存在不可控的人工误差，仍需对两者结果进行处理，将相加超过1的值赋为1。
[0044]
同理，skn-(oam iam)的结果理论上最小值为0，但鉴于人工标记存在一定误差，仍需对两者结果进行处理，将减操作小于0的值赋为0。
[0045]
最终通过与ct结果相乘得到了只包含人体roi区域的ct图像。
[0046]
s03：通过我们设计的2d滤波器对2dct图像进行滑动窗口操作，得到相应的分割结果；
[0047]
在本发明中，在所述滑动窗口操作公式如下：
[0048][0049]
其中，滑动窗口采用2d方式进行计算，i为输入的2d数据；k表示为我们设计的多层2d滤波器。该滤波器由5个滤波器构成，中部的微型kernel滤波器负责的功能为皮肤组织的粗定位，周围的大型voter[1-4]滤波器为不同感受野大小的滤波器，主要功能是对中心体素是否为皮肤组织的在确定，考虑了体素周围的情况。
[0050]
滤波器需要执行的流程如下：
[0051]
1、不断对ct图像的2d切片数组进行滑动窗口操作得到相应5个滤波器要处理的patch块：kernel_patch、voter1_patch、voter2_patch、voter3patch、voter4patch。
[0052]
2、kernel、voter1、voter2、voter3、voter45组滤波器分别对相应的patch块进行处理。其中kernel完成的工作为“对皮肤组织的粗定位”，voter[1-4]所承担的功能分对中心体素是否为皮肤组织通过考量周围体素环境进行投票机制的再确认。
[0053]
3、得到结果，重复步骤2处理下一组patch块；直到该切片结束，开始下一切片重复1步骤。
[0054]
s04：通过广度优先连通域算法，对分割后的结果进行降噪处理。
[0055]
其中，在roi基础上进行滤波器算法处理得到的皮肤分割结果会在皮下脂肪区域出现许多不同大小的噪点，尤其在oam边界处极为明显。针对此方法，本发明中，对噪点的形状组成进行了考量与分析，发现噪点主要以“孤岛”形态存在于皮下脂肪范围中，这是因为ct图像的质量问题，不同的体素值在肉眼看来是相同的，但肉眼并不能辨别，在体素级别的情况下，图像处理的结果会出现些许噪点，且在oam边缘处也存在着“圈”形态噪点。根据广度优先连通域算法对结果进行后处理。皮肤组织的连通域与两种噪点连通域存在显著的差异且极少形成连通，根据不同的连通域面积大小，采用不同的阈值t可以将噪点去除。
[0056]
优选的，在本发明中，在s03步骤中，根据不同的情况可以选择合适的滤波器大小。本实验根据实际数据情况，kernel、voter[1-4]滤波器的大小分别为，5*5、9*9、9*12、12*9、12*12。
[0057]
如图2所示，本发明实施例二提供的于传统图像处理和滤波器处理的ct影像皮肤分割方法滤波器算法示意图。
[0058]
该滤波器是由5组不同大小的滤波器构成的，便于阐述说明在图2中以三维全面展示该滤波器。在该滤波器中，kernel滤波器作为核心的滤波器负责皮肤的粗定位工作。在该
滤波器中需要通过既定的算法流程完成对皮肤组织的粗定位。周围4组滤波器为不同大小的矩形滤波器，主要负责完成对周围体素的感知，用以判断kernel的中心体素是否为皮肤组织。5组滤波器重叠构成一个滤波器用以完成皮肤组织的分割。
[0059]
从2dct图像切片不断进行滑动窗口操作得到相应的5组滤波器要处理的patch块：kernel_patch、voter1_patch、voter2_patch、voter3patch、voter4patch。
[0060]
kernel滤波器会首先通过算法流程处理kernel_patch，对其中的中心体素进行判别，初步判断其所处环境为皮肤组织的概率，如果判定不通过，则不再需要后续voter[1-4]滤波器的计算，以此减少计算量，提升分割效率。
[0061]
优选的，在本发明中，具体的kernel、voter[1-4]算法流程如下所述。
[0062]
根据kernel的功能，可以选择不同的方法去实现，在本发明中采用了以下的算法流程完成对皮肤组织的粗定位：
[0063][0064][0065]
其中，flat(x)表示将2维数组x展平为一维数组；ratio(x)表示体素值为x的体素在该一维数组中所占比例；media(x)表示一维数组的中值；true、false为是否需要进一步判别体素的标志。
[0066]
进入算法流程后，该滤波器首先会判断是否所有体素全部为背景体素，如若全部
为背景体素那么接下来的计算是没有意义的，选择跳过。如若不是，会进一步判别含0体素的占比是否大于20％，如果大于20％那么认为该滤波器已经不处在皮肤的边缘。如果小于20％，那么我们认为该提速点可能还处在皮肤的边缘，需要进一步通过voter[1-4]判别。
[0067]
如若不包含背景体素，滤波器会进行降噪判断，因为在皮下脂肪区域，因为ct图像质量的问题，会出现许多“椒盐噪点”这些噪点会影响滤波器的粗定位结果，所以如果flat_kernel_patch中超过一定阈值的体素占比达到了55％以上才认为它可能是皮肤，而这一阈值我们设定为这些体素的中值，通过这一方法完成了“躲避噪音”的功能。
[0068]
经过kernel滤波器的判别后，需要进一步通过voter[1-4]滤波器的判别。4组滤波器为大小、形状(矩形、方形)不同的滤波器，不同的大小与形状也会影响皮肤组织分割的结果。4滤波器通过将自己覆盖范围内的patch块进行正序排序，选定一边界作为分界线，如果kernel中心体素值大于该分界线所处体素值，那么经过4个滤波器的投票行为，来共同决定该体素是否为皮肤组织的体素。
[0069]
优选的，在本发明中，我们根据所获得的ct图像的皮肤特征，针对性的将5个滤波器kernel、voter[1-4]的大小设定为5*5、9*9、9*12、12*9、12*12，且投票数超过3则认为该体素为皮肤组织。
[0070]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。