[發明專利]一種提取CT圖像中人體區域的方法

有效

• 申請號: 201810889991.1
• 申請日: 2018-08-07
• 公開（公告）號: CN109087296B
• 公開（公告）日: 2021-08-10
• 發明（設計）人: 徐明杰;楊洋;齊守良;馬賀;錢唯
• 申請（專利權）人: 東北大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/04
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李運萍

1.一種提取CT圖像中人體區域的方法，其特征在于：包括如下步驟：

步驟1：依據CT圖像的先驗知識對圖像進行鉗制操作，得到鉗制CT圖像，然后依據脂肪組織的先驗知識對鉗制CT圖像進行二值化操作，得到二值化圖像，將二值化圖像進行最大連通體操作，根據最大連通體的結果檢測病床是否被去除；病床被去除則執行步驟3，病床未被去除則執行步驟2；

步驟1.1：依據CT值的先驗知識，對每張CT圖像的CT值小于-1024HU的區域設定為-1024HU，對每張CT圖像的CT值大于1024HU的區域設定為1024HU，將所有圖像的CT值鉗制在[-1024HU,1024HU]之間，獲得鉗制CT圖像；

步驟1.2：對鉗制CT圖像進行二值化操作，將CT值小于-120HU的區域設定為0，將CT值大于等于-120HU的區域設定為1，以完成二值化操作,獲得初步確定的人體和病床區域的二值化圖像；

步驟1.3：對二值化圖像進行最大連通體操作，然后基于圖像尺寸為512×512像素，設置病床探測線為每張圖像的第477行，判斷該行數據是否存在1的區域，如果存在，認定為未去除病床或人體相對于整張圖像過低，則執行步驟2；如果不存在，認定為病床已去除，則執行步驟3；

步驟2：針對未去除病床或人體相對于整張圖像過低的患者CT圖像數據進行相應的一系列形態學操作A，以獲得完整的人體區域和背景區域；

所述步驟2中的一系列形態學操作A包括以下步驟：

步驟2.1：針對步驟1.3所述的未去除病床或人體相對于整張圖像過低的患者CT圖像數據進行閾值100HU的二值化操作，設定CT值大于等于100HU的區域設定為1，設定CT值小于100HU的區域設定為0，以標記為1的區域獲得病床、骨頭以及離散的小噪聲區域進行最大連通體操作，獲得骨頭區域，將骨頭區域去除，留下病床和離散的小噪聲區域；

步驟2.2：對步驟2.1中獲得的病床和離散的小噪聲區域進行逐個連通體的體積判斷，保留連通體個數大于7500閥值個點的所有連通體，從而去除離散的小噪聲區域，獲得初步的病床區域，同時提取病床區域中體積第二大的連通體，該連通體代表病床的枕頭區域，對枕頭區域進行先膨脹后腐蝕的閉操作，閉操作選擇的卷積核為半徑100像素的圓，獲得的初步確定的病床區域；

步驟2.3：對未去除病床或人體相對于整張圖像過低的患者CT圖像的原始鉗制CT圖像進行聚類，采用k-means聚類算法將圖像像素點聚類為高像素類和低像素類，其中，高像素類包括人體的高密度組織和病床區域，而低密度類包括人體外面的背景區域和人體內的肺部區域；然后，將高像素類區域減去步驟2.2中獲得的初步確定的病床區域，得到初步的人體高密度區域；

步驟2.4：對步驟2.3中獲得的低像素類進行最大連通體操作，該最大連通體為人體體外的背景區域，將低像素區域減去該最大連通體，獲得人體體內的肺部區域；

步驟2.5：將步驟2.3中獲得的初步的人體高密度區域和步驟2.4中獲得的人體體內的肺部區域相加獲得初步的人體區域，對初步的人體區域進行卷積核為半徑5像素的圓形卷積核的閉操作，使得人體高像素區域與人體體內的肺部區域相結合成為一體；

步驟2.6：將步驟2.5中獲得的初步的人體區域圖像按每張CT圖像進行如下6個步驟的形態學操作，順序如下：

步驟2.6.1：進行迭代次數為10的細化操作；

步驟2.6.2：進行卷積核為半徑11像素的圓形卷積核的腐蝕操作；

步驟2.6.3：運用最大連通體檢測獲得最大連通體；

步驟2.6.4：對最大連通體進行卷積核為半徑8像素的圓形卷積核的膨脹操作；

步驟2.6.5：進行迭代次數為10的粗化操作；

步驟2.6.6：進行填洞操作，至此獲得完整的人體區域，人體區域外為背景區域；

步驟3：針對病床已去除的患者CT圖像數據進行對應的一系列形態學操作B，以獲得完整的人體區域和背景區域；

所述步驟3中的一系列形態學操作B包括以下步驟：

步驟3.1：針對步驟1.3所述的病床已去除的患者CT圖像數據進行閾值100HU的二值化操作，設定CT值大于等于100HU的區域設定為1，設定CT值小于100HU的區域設定為0，以標記為1的區域獲得病床、骨頭以及離散的小噪聲區域進行最大連通體操作，獲得骨頭區域，將骨頭區域去除，對余下的病床和離散的小噪聲區域進行逐個連通體的體積判斷，保留連通體個數大于7500閥值個點的所有連通體，從而去除離散的小噪聲區域，獲得初步的病床區域；

步驟3.2：對步驟1中獲得的標記0的區域進行最大連通體操作，該最大連通體為人體體外的背景區域，將標記0的區域減去該最大連通體，獲得人體體內的肺部區域；

步驟3.3：將步驟1中獲得的標記1的區域減去步驟3.1中獲得的初步的病床區域，然后加上步驟3.2中獲得的人體體內的肺部區域，最后按每張CT圖像進行填洞操作，從而獲得完整的人體區域，人體區域外為背景區域；

步驟4：將步驟2和步驟3所獲得的人體區域和背景區域進行無重疊裁剪成尺寸為64*64像素的小塊，獲得訓練集和單像素測試集，其中訓練集包括訓練子集和驗證集，建立卷積神經網絡模型，采用訓練子集和驗證集數據對卷積神經網絡模型進行訓練和驗證，同時使用貝葉斯最優化算法對卷積神經網絡的超參數進行最優化，從而完成卷積神經網絡模型的訓練；

步驟4.1：將步驟2和步驟3所得到CT圖像中的人體區域和背景圖像進行無重疊的裁剪，裁剪尺寸為64*64像素，得到標記為1的人體區域和標記為0的背景區域的數據集，數據集包括訓練集和單像素測試集；訓練集按9:1的比例分為訓練子集和驗證集；

步驟4.2：建立卷積神經網絡模型，將圖像小塊輸入卷積神經網絡模型，訓練卷積神經網絡模型的各層的權重和偏差；在每遍訓練完成整套訓練子集數據時，將驗證集輸入卷積神經網絡模型進行分類，獲得當前驗證集分類準確率，當連續5次驗證集準確率均低于連續5次中的第1次驗證集準確率時，完成并停止訓練；

步驟4.3：使用貝葉斯最優化算法，對卷積神經網絡模型的超參數進行最優化，使得最終完成訓練的卷積神經網絡模型的分類準確率在驗證集上達到最高；

步驟5：對單像素測試集的CT圖像進行k-means聚類，將高像素類區域進行裁剪為64*64像素尺寸的小塊，形成高像素類區域的單像素測試集，使用步驟4中訓練完成最優化超參數的卷積神經網絡模型對高像素區域的單像素測試集進行分類，然后依據分類結果映射到原始CT圖像，完成單像素的人體區域分割；

所述訓練子集和驗證集中人體區域的圖像小塊與背景區域的圖像小塊的數量各占50％；

所述卷積神經網絡模型結構為：第一層為圖像小塊輸入層，第二層為卷積層組，第三層為最大值池化層，第四層為全連接層組；其中，所述卷積層組包括卷積層、Leaky ReLU激活層和Batch Normalization層，所述全連接層組包括全連接層、ReLU激活層、Dropout層、全連接分類層和Softmax函數層；

所述的貝葉斯最優化的超參數包括：初始化學習速率、卷積核尺寸、卷積核數目、LeakyRelu激活層系數、全連接層輸出數目、Dropout層遺忘率、Batch size的尺寸。