初于成 張廣材 張德睿 朱樂天 彭磊

山東第一醫(yī)科大學（山東省醫(yī)學科學院）

一、引言

腦出血是指非外傷性腦實質(zhì)內(nèi)血管破裂引起的出血，是一種常見的腦血管疾病，具有發(fā)病過程快、發(fā)病率高的特點。早期死亡率很高，幸存者中多數(shù)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(yī)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(qū)域，測算出血腫體積，能夠為腦出血的進一步分級和后續(xù)針對性治療起到積極的作用。傳統(tǒng)的方法是人工手動分割出CT圖像中的病灶區(qū)域，這種臨床測量手段主要依據(jù)醫(yī)生的經(jīng)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(fù)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(qū)域的一個過程，是對醫(yī)學圖像中正?；蚴遣≡顓^(qū)進行定性分析的一個關(guān)鍵步驟?；贑V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(tǒng)圖像分割方法相比，有著很強的優(yōu)越性。CV模型是醫(yī)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(nèi)外灰度均值引導演化曲線收斂于目標邊緣。假設(shè)Ω為圖像區(qū)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(nèi)部的區(qū)域表示為Ωin、外部的區(qū)域表示為Ωout，則CV模型的能量函數(shù)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(qū)域的面積；c1和c2為擬合中心，分別用演化曲線內(nèi)部與外部區(qū)域的灰度均值來表示；μ≥0，v≥0，λ1＞0，λ2＞0是固定參數(shù)。

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

定義Heaviside函數(shù)H和一維Dirac測度δ如下：

用H(φ)表示曲線C的內(nèi)部區(qū)域，用1-H(φ)表示曲線C的外部區(qū)域，則能量函數(shù)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(yīng)的Euler-Lagrange方程進行求解[4]，用人工時間t≥0參數(shù)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(yōu)的零水平集，即最優(yōu)輪廓。

三、腦出血CT圖像的分割

將CV模型應(yīng)用于腦出血病人的CT圖像分割上，選取CT圖像上血腫區(qū)域作為感興趣區(qū)域。CV模型的參數(shù)這里取然后使用迭代優(yōu)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(jié)果

四、結(jié)束語

CV模型是基于區(qū)域的水平集方法，在分割模糊邊緣、異質(zhì)、含噪圖像時，其效果相對于其他基于模糊聚類、閾值、形態(tài)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(qū)域，在輔助醫(yī)生進一步進行血腫體積測算、腦出血程度診斷及后續(xù)治療等方面具有積極意義。