CV模型在腦出血圖像分割中的應用

初于成 張廣材 張德睿 朱樂天 彭磊

山東第一醫科大學（山東省醫學科學院）

一、引言

腦出血是指非外傷性腦實質內血管破裂引起的出血，是一種常見的腦血管疾病，具有發病過程快、發病率高的特點。早期死亡率很高，幸存者中多數留有不同程度的運動障礙、認知障礙、言語吞咽障礙等后遺癥。加強對腦出血疾病的輔助診斷和治療，具有重要的意義。CT圖像一直是醫生診斷腦出血時依賴的重要手段。通過圖像分割算法精確分割出血腫區域，測算出血腫體積，能夠為腦出血的進一步分級和后續針對性治療起到積極的作用。傳統的方法是人工手動分割出CT圖像中的病灶區域，這種臨床測量手段主要依據醫生的經驗，主觀性較強，分割過程極其耗時且異常艱辛，精確度及可重復性比較差。

圖像分割是將圖像劃分為多個具有相似性特征區域的一個過程，是對醫學圖像中正常或是病灶區進行定性分析的一個關鍵步驟。基于CV活動輪廓模型[1-3]的圖像分割方法可以同時利用圖像的底層特征和高層信息，與傳統圖像分割方法相比，有著很強的優越性。CV模型是醫學圖像分割的一個重要的分割手段，對噪聲大、灰度不均、邊界模糊的圖像分割，能夠達到較理想的效果，滿足分割精度高、速度快的要求。

二、CV模型

CV模型由Chan和Vese提出的基于水平集的圖像分割算法[1-3]，其基本思想是利用輪廓曲線的內外灰度均值引導演化曲線收斂于目標邊緣。假設Ω為圖像區域，圖像上坐標為(x,y)點的像素灰度值由I(x,y)來表示，C為演化曲線，該曲線內部的區域表示為Ωin、外部的區域表示為Ωout，則CV模型的能量函數定義為：

其中，Length(C)表示演化曲線C的長度，Area( Ωin)表示演化曲線包含區域的面積；c1和c2為擬合中心，分別用演化曲線內部與外部區域的灰度均值來表示；μ≥0，v≥0，λ1＞0，λ2＞0是固定參數。

在水平集方法中，用Lipschitz函數φ(x,y)的零水平集來表示演化曲線C。

定義Heaviside函數H和一維Dirac測度δ如下：

用H(φ)表示曲線C的內部區域，用1-H(φ)表示曲線C的外部區域，則能量函數F可以寫為：

其中灰度均值c1和c2可以用下列公式求得：

在保持c1和c2不變的情況下，通過相應的Euler-Lagrange方程進行求解[4]，用人工時間t≥0參數化下降方向，用定義為初始輪廓）來表示演化曲線，可得到如下的演化方程：

最小化上式可得到最優的零水平集，即最優輪廓。

三、腦出血CT圖像的分割

將CV模型應用于腦出血病人的CT圖像分割上，選取CT圖像上血腫區域作為感興趣區域。CV模型的參數這里取然后使用迭代優化的方式進行求解。分割效果如圖1所示。

圖1 基于CV模型的CT圖像分割結果

四、結束語

CV模型是基于區域的水平集方法，在分割模糊邊緣、異質、含噪圖像時，其效果相對于其他基于模糊聚類、閾值、形態學等圖像分割算法，具有較好的分割精度。因此，本文將CV模型用于腦出血CT圖像的分割。利用CV模型能夠準確分割出邊界模糊的血腫區域，在輔助醫生進一步進行血腫體積測算、腦出血程度診斷及后續治療等方面具有積極意義。