1.一种基于手工特征的无监督肝脏肿瘤CT图像分割方法,其特征在于,包括:收集正常肝脏的CT扫描图像作为数据集,并对肝脏的潜在肿瘤位置进行体积和梯度验证确定肝脏的肿瘤位置;
基于肝脏的肿瘤位置获取最终肿瘤纹理,并基于所述最终肿瘤纹理对肝脏肿瘤进行形态学建模,合成新的肝脏肿瘤CT图像,包括:量化肝脏的密度:将肝脏划分为三个密度区间,并将每个区间内的强度值标准化;对肿瘤密度进行调整,降低高密度组织的密度;将肿瘤整合到扫描体积域和相应的肝脏掩膜中,包括:将肿瘤与扫描体积整合:
;
其中,表示元素相乘,表示肿瘤掩膜阵列,表示肿瘤纹理阵列,通过变换可得到新的扫描体积,包含肿瘤的新肝脏掩膜可按 方式合成;
确定肿瘤的边界区域:
;
其中代表定义肿瘤边界区域的下强度阈值,代表定义肿瘤边界区域的上强度阈值;
使用高斯滤波器与相卷积,生成平滑的边界图像:
;
其中,决定高斯核的标准偏差,控制边界转换的平滑度;
边界图通过增加固定的强度偏移量来增强肿瘤外围的体素强度,该偏移量可模拟囊肿增加Hounsfield单位:;
其中表示肿瘤核心和纤维囊之间的Hounsfield单位强度差,表示最终的容积扫描结;
使用注释的CT扫描图像来训练分割模型,将合成的肿瘤图像作为数据集进行医学图像分割,并基于评价指标对分割性能进行验证。
2.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法,其特征在于,对肝脏的潜在肿瘤位置进行体积和梯度验证确定肝脏的肿瘤位置的过程,包括:在肝脏内生成球面坐标将球面坐标转换为笛卡尔坐标,并基于椭圆轴线和半价对笛卡尔坐标和球面坐标进行转换;
对每个潜在的肿瘤位置进行迭代验证,判断该位置是否位于肝脏内,直至到确定肿瘤位置时停止迭代,生成肝脏的肿瘤位置,其中,所述肿瘤位置位于肝脏的内部,与肝脏边界有足够的距离。
3.根据权利要求2所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法,其特征在于,生成肝脏的肿瘤位置的过程,包括:基于邻域体积检查获取预测位置周围邻域体积中肝脏掩膜的数量,基于所述肝脏掩膜的数量和第一阈值获取第一肿瘤位置;
基于梯度幅度评估计算预测位置处扫描量的梯度值,并基于所述梯度值和第二阈值获取第二肿瘤位置,基于所述第一肿瘤位置和第二肿瘤位置生成肝脏的肿瘤位置。
4.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法,其特征在于,所述获取最终肿瘤纹理的过程,包括:基于预定义参数获取三维简约噪声,使用非线性扩散和小波变换分别对所述噪声进行伪影过滤和高频细节保留获取待处理纹理;
归一化所述待处理纹理获取归一化纹理,并基于第一高斯滤波器对所述归一化纹理进行平滑处理获取平滑后的纹理;
等比例缩放并移动所述平滑后的纹理获取第一纹理;
基于随机取样获取第一二进制掩膜,基于第二高斯滤波器对所述第一二进制掩膜进行平滑处理获取第二二进制掩膜,并基于所述第二二进制掩膜对所述第一纹理进行缩放和裁剪后生成最终肿瘤纹理。
5.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法,其特征在于,对肝脏肿瘤进行形态学建模的过程,包括:将合成肿瘤分为四个大小类别:微小、小型、中型和大型,并从离散均匀分布中抽取合成样本数;
基于参数定义的椭圆体模拟肿瘤形状,椭球体在、和坐标上的半主轴取自均匀分布且以扫描体积域内的肿瘤位置为中心,在这一范围内定义初始肿瘤掩膜;
基于非线性弹性形变对所述初始肿瘤掩膜进行非线性变换处理获取变形的肿瘤掩膜:基于第三高斯滤波器对所述变形的肿瘤掩膜进行卷积处理获取合成掩膜。
6.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法,其特征在于,所述量化肝脏的密度的过程,包括:获取肝脏区域的下线和上限,计算密度尺度:
;
对于肝脏区域内的每一个三维坐标点进行如下操作:如果,令;如果,则令;如果,则令;如果,则令;
根据上述操作得到密度分布图,对于密度分布图上的每一个进行处理:如果并且,则令。
7.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法,其特征在于,对肿瘤密度进行调整的过程,包括:获取肝脏区域的下线和上限,计算密度尺度:
;
对于扫描体积域中的每一个坐标点进行如下处理:
当坐标点与生成肿瘤位置重合时,如果,则令,如果则令,其他情况下保留;
其中,表示密度分布图上的坐标点,表示肝脏区域的上限,表示肝脏区域的下限。
8.根据权利要求1所述的一种基于手工特征的无监督肝脏肿瘤CT图像分割方法,其特征在于,将合成的肿瘤图像作为数据集进行医学图像分割,并基于评价指标对分割性能进行验证时,所述图像分割是利用118个带有肝脏和肝脏肿瘤注释的CT扫描来训练分割模型,所述数据集包括281例三维腹部CT,每个数据集的分辨率为512×512像素,螺旋数据在轴向平面重建,切片厚度为1.25毫米,间隔为1.0毫米,所述数据集的类型可分为肝脏肿瘤分割数据集和正常肝脏CT数据集,其中,所述肝脏肿瘤分割数据集包含肝脏肿瘤的详细每象素注释,是LiTS挑战赛的一部分;
所述正常肝脏CT数据集是从CHAOS、Pancreas-CT、BTCV和LiTS 数据集中的健康受试者中汇编了一个由116个CT扫描组成的正常肝脏数据集,该数据集是生成合成肿瘤图像的基线。