水平集图像处理方法

摘要

一种水平集图像处理方法，该方法包括：步骤S1，读取原始图像；步骤S2，对获取的原始图像进行预处理，得到预测目标对象；步骤S3，从预测目标对象中确认初始目标对象；在步骤4，利用步骤3获取的初始目标对象初始化水平集函数，得到在时间t＝0的模型对象扩散面；在步骤5，计算在时间t(t＞0)的驱动力；在步骤6，基于步骤4和5的计算结果获得在时间t(t＞0)的模型对象扩散面；重复步骤5和6，直到满足水平集函数的终止判据。利用本发明的水平集图像处理方法，可以大大减少图像分割和图像处理的时间，提高了图像分割的准确性，最大限度地避免了现有技术的方法中常见的泄漏问题。

权利要求

1.一种水平集图像处理方法，该方法包括：

步骤S1，读取原始图像；

步骤S2，对读取的原始图像进行预处理，得到预测目标对象；

步骤S3，从预测目标对象中确认初始目标对象；

在步骤S4，利用步骤S3获取的初始目标对象初始化水平集函数,得到在时间t=0的模型对象扩散面；

在步骤S5，计算在时间t的驱动力，其中t>0；

在步骤S6，基于步骤S4和S5的计算结果获得在时间t的模型对象扩散面，其中t>0；

重复步骤S5和S6，直到满足水平集函数的终止判据，其中步骤S2进一步包括：

步骤S201，从原始图像I直接读取目标对象的图像灰度值范围[k1，k2]，由此得到该原始图像相应的阈值图像I1；

步骤S202，基于阈值图像I1，计算其像素的梯度幅度，得到相应的梯度图像 ；

步骤S203，减少梯度图像 的噪音，得到抑制噪音后的梯度幅度图像I1’；

步骤S204，从阈值图像I1中减去抑制噪音后的梯度幅度图像I1’，得到图像I2；

步骤S205，在图像I2上采用侵蚀法分隔开相邻组织。

2.如权利要求1所述的方法，其特征在于，在步骤S201,阈值图像I1通过下面的公式求得：其中I(x,y)表示在图像I中位于第x行和第y列的像素。

3.如权利要求2所述的方法，其特征在于，在步骤S202，图像I1中的像素I1(x,y)的梯度幅度通过下面的公式求得：

4.如权利要求3所述的方法，其特征在于，在步骤S203，通过下式来求得抑制噪音后的梯度幅度图像I1’：其中C是常量,在此设置为图像I1中的最大灰度值，T表示设置的阈值， 表示图像I1的梯度图像; 表示梯度图像的像素，其中T值是使用梯度图像直方图来估计的，T值被默认设置在直方图的五分之一处。

5.如权利要求4所述的方法，其特征在于，

在步骤S204，从图像I1中减去I1’，由此产生图像I2，此步骤可通过下式得到:I2=I1-I'1。

6.如权利要求5所述的方法，其特征在于，在步骤S205，侵蚀法E(I2,B)被定义为其中B是侵蚀法中的结构元素，-B={-β|β∈B}。

7.如权利要求6所述的方法，其特征在于，在步骤S205之后，图像中所有非零部分即为预测目标对象，在步骤S3，用户在预测目标对象中确定其所要的分割目标:在分割目标范围中的任意一点点击，基于区域生长算法，自动提取分割目标对应的初始目标对象。

8.如权利要求7所述的方法，其特征在于，在步骤S4，根据所提取的初始目标对象自动初始化水平集函数,包括：如果S位于被确认的初始目标对象区域，则水平集函数Φ(S,t=0)=-1;如果S不属于被确认的初始目标对象区域，则水平集函数Φ(S,t=0)=1，水平集函数Φ(S,t=0)从-1过渡到1的临界面即为在时刻t=0的模型对象S的扩散面γ。

9.如权利要求8所述的方法，其特征在于，时间t的驱动力包括用于驱动所述模型对象的扩散面向目标物体边界移动的外力Fext，用于保持所述模型对象的扩散面在扩展过程中的顺滑的内力Fint，用于降低所述模型对象的扩散面在扩展过程中泄露的风险的平流力Fadv，外力Fext=g(I)，

其中，特征图像g(I)={Pobj(i)-Pback(i),i∈I},其中，Pobj(i)是原始图像I中的像素i属于前景的概率，Pback(i)是原始图像I中像素i属于背景的概率，由下述公式计算:Pback(i)=1-Pobj(i)

其中，[k1,k2]是目标对象的图像灰度值范围，ω表示光滑度参数,内力

平流力

其中， 为特征图像的梯度图像。

10.如权利要求9所述的方法，其特征在于，在任意时刻t，由下述公式计算模型对象的扩散面：其中，α,β,ρ是控制外力、内力，平流力的权重参数。

说明书

水平集图像处理方法

技术领域

[0001] 本发明涉及图像处理领域，具体地涉及一种水平集图像处理方法。

背景技术

[0002] 图像分割是指根据图像灰度、色彩、纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。图像分割是图像处理与计算机视觉领域中最为基础和重要的环节。图像分割可应用到很多领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割等。在这些应用中，分割是对图像的进一步分析、识别的前提，分割的准确性将直接影响后续任务的有效性。

[0003] 图像分割的结果用于图像分析，分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。

[0004] 水平集方法是一种传统的图像分割方法。在文献1)S.Osher and J.A.Sethian，Fronts propagating with curvature dependent speed：Algorithms based on Hamilton-Jacobi Formulations，Journal of Computational Physics，volume 79，pp.12-49，1988， 文 献 2)S.Osher and N.Paragios，Geometric Level Set Methods in Imaging，Vision，and Graphics，Springer-Verlag，New York，2003，和 文 献 3)J.Sethian，Level Set Methods and Fast Marching Methods：Evolving Interfaces in Computational Geometry，Fluid Mechanics，Computer Vision，and Materials Science，Cambridge University Press，Cambridge，UK，2003中介绍的水平集方法用于跟踪模型对象的界面和形状。

[0005] 另外，还可以参照下面的文献进一步理解现有技术的水平集图像分割方法：4)S.Osher and J.A.Sethian，Fronts propagating with curvature dependent speed：Algorithms based on Hamilton-Jacobi Formulations，Journal of Computational Physics，volume 79，pp.12-49，1988；5)S.Osher and N.Paragios，Geometric Level Set Methods in Imaging，Vision，and Graphics，Springer-Verlag，New York，2003；6)J.Sethian，Level Set Methods and Fast Marching Methods：Evolving Interfaces in Computational Geometry，Fluid Mechanics，Computer Vision，and Materials Science，Cambridge University Press，Cambridge，UK，2003。

[0006] 水平集方法的优点是可以执行在一个固定的笛卡尔网格上的，涉及曲线和表面的数值计算，而无需参数化这些对象(这就是所谓的欧拉方法)。此外，水平集方法使跟踪那些拓扑结构变化的形状变得很容易，例如：一个形状分裂成两个，产生孔，或者发生相反的变化。所有这些使水平集方法成为对时变对象(time-varying objects)进行建模的强大工具。

[0007] 图1表示水平集函数定义的示意图。其中最内侧的曲线表示内部扩展带Φ(S，t)＝-d，中间的曲线表示零水平集Φ(S，t)＝0，最外侧的曲线表示外部扩展带Φ(S，t)＝+d。

[0008] 模型对象的扩散面γ(t)可以表示为高维函数Φ的零水平集，即{Φ＝0}。参照图1，水平集初始状态Φ(S，t＝0)是：

[0009] Φ(S，t＝0)＝±d，其中

[0010] 所以模型对象S在时刻t＝0的扩散面γ(t＝0)(图1中的位于中间的曲线)可以表述为水平集初始状态的零水平集，即：

[0011] γ(t＝0)＝{S|Φ(S，t＝0)＝0}

[0012] 因而在任意时刻t＞0，模型对象的扩散面即为水平集在时间t的零水平集：

[0013] γ(t)＝{S|Φ(S，t)＝0}

[0014] 水平集在时间t的零水平集可以用偏微分方程(PDE)来解：

[0015]

[0016]

[0017]

[0018] 其中，F是驱动模型对象的扩散面γ(t)向边界移动的动力，通常分类成三种：

[0019] 外力Fext是从病人案例图像计算得出，用于驱动模型对象的扩散面向目标物体边界移动。内力Fint，即模型对象的曲度，用于保持模型对象的扩散面在扩展过程中的顺滑。平流力Fadv通常与目标物体形状的预定义相关，用于降低模型对象的扩散面在扩展过程中泄露的风险。

[0020] 简而言之，模型对象的扩展需要：1)用户自定义模型对象在时刻t＝0的扩散面γ，即水平集的初始化；2)驱动模型对象的扩散面向目标物体边界移动的驱动力；3)决定三个力量如何影响模型对象的扩散面γ(t)运动的参数(即α，β，ρ)。

[0021] 图2为现有技术水平集图像分割方法的流程图，具体包括步骤：1、用户在适当位置手动放置一个或多个种子，用快速行进算法(参见Malladi，R.，Sethian，J.A.and Vemuri，B.C.(1995)Shape Modeling with Front Propagation：A Level Set Approach.IEEE Trans.Pattern Analysis and Machine Intelligence，vol.17，No.2，September.)生长得到初始目标对象；2、用初始目标对象来初始化水平集函数；3、例如在医学领域，需要针对每位病人的图像设置适当的参数α，β和ρ，这个任务，需要用户不仅有对水平集理论很好地理解，这对大部分放射科医师是不现实的，也需要大量的实践经验，确定一个未知的病人图像参数的最佳值；4、计算时刻t的驱动力；5、解偏微分方程(PDE)，得到时刻t的模型对象S的扩散面γ(t)；重复步骤4和5，直到满足水平集函数的终止标准，比如：扩散面到达了目标对象的边界。

[0022] 上述的现有技术水平集图像分割方法是通过用户在合适位置手动放置种子(例如参照图4a，图5a)，并且用快速行进算法使种子生长成为初始目标对象，进而基于此初始目标对象初始化水平集函数方程，得到模型对象S在时刻t＝0的扩散面以及扩散面进一步的扩展，具体可参照图4b-4d，5b-5f。

[0023] 现有方法的缺点包括：1)要求用户在合适位置手动放置种子，不仅效率低下而且难以确定合适的放置位置。2)图像分割的结果对种子的放置位置和放置数量敏感，例如，当分割的目标对象是长形的，仅在目标对象的一端放置一个单一的种子是不可取的做法，因为这将需要很长的时间才能扩散到目标对象(例如图4)的另一端。虽然沿目标对象的延展中轴放置一系列种子以确保整个目标对象更早被模型对象的扩散面捕获是一个很好的策略，仍有很多例外，因为患者的器官不是标准形状，而且不同患者的器官也存在巨大形状差异，图5是其中一个例子。3)处理过程效率低，因为模型对象S的扩展是从种子开始，它需要较长的时间从模型对象的初始状态到达最终目标对象的边界。例如，处理一个尺寸为512×512×630像素(分辨率为～0.78毫米×0.78毫米×1毫米)的病人图像，现有技术的方法至少需要0.5小时完成图像分割。4)由于需要较长时间从模型对象的初始状态到达最终目标对象的边界，因此现有技术的方法对参数设置敏感。它需要用户为每个病人的案例图像设置调整参数，以此尽量减少模型对象的扩散面在扩展过程产生“泄漏”的风险。但是，因为参数设置和模型对象扩展过程之间没有直观的联系，难以在实际临床环境中应用。

[0024] 下面再用两个例子来说明现有方法的缺点。图4是种子未放置在合适位置的例子：种子没有被沿主动脉均匀放置，没有避免边界薄弱的区域。图4中的实例证明了现有技术的办法对种子的位置和种子数量敏感。在这个例子中，图像分割的目标对象是长形的躯干主动脉。图4a中的种子(图4a中的叉″×″)主要集中在主动脉的上端(即在心脏和胃之间)。显然，比起达到上端主动脉的边界所需的时间，基于种子生成的模型对象的扩散面需要更长的时间来扩展到主动脉(即在本例股动脉)的另一端。因此，模型对象的扩散面将不可避免地在漫长的扩展过程中从上端主动脉泄漏到附近的器官组织区域。图4d显示了分割结果，当主动脉上端已经扩展到周围脏器(脊柱)时，而下端主动脉还没有被分割完成。

[0025] 图4中的例子已经证明，当图像分割一个长形的目标对象时，在其延长轴一端放置单一的种子的想法是不可取。虽然均匀沿目标对象延长轴放置种子是一种常见的策略，但是例外还是很多，因为不同患者的器官形状差异很大。图5中的实例是用户(图5a中的中的叉″×″)均匀地沿动脉延长轴中心线方向放置种子，并小心避开薄弱的边界。然而，“泄漏”的问题仍然发生。图5b-5f分别显示t＝10，t＝60，t＝115，t＝240和t＝520时刻的模型对象扩散面。

[0026] 图5表示现有技术中水平集函数初始化和扩散过程。在时刻t＝240，主动脉形状已大致形成，除了位于左髂位置的动脉(图5e)。由于这个病人位于左髂位置的动脉高度弯曲(相较于其他病人)，模型对象扩散面在左髂动脉的扩展过程慢于其他地区。因此，均匀地沿动脉延长轴中心线方向放置种子不适合这种情况，尽管这种放置方法在其他案例中是有效的。对于这类病人，在左髂动脉区域应放置更多的种子。但是，此操作需要用户有解剖(即医学背景)和计算机科学两个领域的深刻知识。也就是说，用户不仅能够判读CT/MR图像的特定解剖结构，他也需要了解水平集函数的数学理论。此外，选取合适位置仔细放置很多种子是很费时琐碎的任务。

[0027] 在时刻t＝520，左髂动脉部分完成图像分割，然而在动脉的其他部分，由于模型对象扩散面在时刻t＝240已到达目标边界，“泄露”问题不可避免的发生了。如图5f所示，扩散面″冲破″了动脉边界，进入附近的脊柱地区，产生一个错误的动脉图像分割结果。

[0028] 因此，需要能够提出一种图像分割方法，不仅能够快速完成分割，还能有效避免“泄露问题”。

发明内容

[0029] 为了解决现有技术存在的上述问题，本发明提供了一种水平集图像处理方法，该方法在初始化水平集函数时，不同于现有技术的人工安置种子，而是直接从图像预处理中得到预测对象，用户只需要确认预测对象中的部分或全部来作为初始目标对象。初始目标对象被用于自动初始化水平集函数，这个初始目标对象已经非常接近目标对象的形状。

[0030] 本发明的水平集图像处理方法包括：步骤S1，读取原始图像；步骤S2，对读取的原始图像进行预处理，得到预测对象；步骤S3，从预测对象确认初始目标对象；在步骤4，利用步骤3获取的初始目标对象初始化水平集函数，得到在时刻t＝0的模型对象；在步骤5，计算在时间t的驱动力；在步骤6，基于步骤4和5的计算结果获得在时间t的模型对象扩散面；重复步骤5和6，直到满足水平集函数的终止判据。

[0031] 其中步骤S2进一步包括：步骤S201，从原始图像直接读取目标对象的图像灰度值范围[k1，k2]，由此得到该原始图像相应的阈值图像I1；步骤S202，基于阈值图像I1，计算其像素的梯度幅度，得到相应的梯度图像 步骤203，降低梯度图像的噪音，得到抑制噪音后的梯度幅度图像I1’；步骤204，从阈值图像I1中减去抑制噪音后的梯度幅度图像I1’，得到图像I2；步骤205，在图像I2上采用侵蚀法分隔开相邻组织。

[0032] 利用本发明的水平集图像处理方法，存在以下优点：

[0033] 1)减少用户的互动工作，因此同现有技术相比，主观偏向更少；

[0034] 2)由于初始目标对象是自动从图像处理中衍生的，并且这个初始目标对象非常接近目标对象的形状，因此，水平集的初始状态，即模型对象的初始扩散面，非常接近最终目标对象的边界，本发明的可以大大减少处理时间，提高了图像分割的准确性，最大限度地避免了现有技术的方法中常见的泄漏问题；

[0035] 3)在本发明的方法中，由于模型对象的扩散面能快速到达最终的目标对象边界，与现有技术的方法相比，使得系统对参数设置不敏感，不需要按个案情况进行调整，默认系统参数设置即可。因此，本发明的方法不需要用户理解水平集理论来准确调整参数，相应的，需要较少的训练时间，可以轻松地被非计算机专业背景的掌握，如放射科的医生。以同一病人的图像为例，即图像尺寸为512×512×630像素(分辨率为～0.78毫米×0.78毫米×1毫米)，利用本发明的方法大概需要5分钟完成躯干主动脉图像分割，而现有技术的方法至少需要0.5小时获得相似精度的图像分割。

附图说明

[0036] 图1是水平集函数定义的示意图；

[0037] 图2是现有技术水平集图像处理方法的流程图；

[0038] 图3是本发明基于水平集图像处理方法的流程图；

[0039] 图4是现有技术实施水平集函数的实例示意图，其中图4a是放置种子的示意图，图4b显示模型对象在时刻t＝10时的扩散面，图4c显示模型对象在时刻t＝60时的扩散面，图4d显示模型对象在时刻t＝115时的扩散面；

[0040] 图5是现有技术实施水平集函数的另一实例，其中图5a是放置种子的示意图，图5b显示模型对象在时刻t＝10时的扩散面，图5c显示模型对象在时刻t＝60时的扩散面，图5d显示模型对象在时刻t＝115时的扩散面，图5e显示模型对象在时刻t＝240时的扩散面，图5f显示模型对象在时刻t＝520时的扩散面；

[0041] 图6是应用本发明的图像预处理步骤得到的初始目标对象的过程屏幕截图；

[0042] 图7是应用基于水平集图像处理方法(即本发明)，从模型对象的初始状态随时间t扩展直到满足水平集函数的终止判据的过程屏幕截图；

[0043] 图8是梯度图像的直方图和阈值T的示意图；

[0044] 图9a是原始CT图像I的矢状视图，图9b是阈值图像I1的梯度幅度图像 图9c是抑制噪音后的梯度幅度图像I1’，图9d是图像I1减去图像I1’的结果，即图像I2，图9e是图像I的特征图像g(I)。

具体实施方式

[0045] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明进一步详细说明。

[0046] 在本发明的水平集图像处理方法中，水平集初始化是通过采用边缘增强(edge enhancement)和数学形态学(mathematical morphology)等方法处理图像并获取初始目标对象，由此初始化水平集函数。由于这个初始目标对象已囊括了目标对象的主要结构，因而保证了水平集的初始状态，即模型对象在时刻t＝0的扩散面，非常接近最终目标对象的边界。这种方法可以提高结果的准确性，大大减少处理时间，因此最大限度地避免了以前方法中常见的泄漏问题。

[0047] 图3为本发明的基于水平集图像处理方法的技术流程图。

[0048] 参照图3，在步骤S1，首先需要读取原始图像。原始图像可以是各种类型的图像，例如核磁共振成像(MRI)，计算机X线断层图像(CT)和正电子放射X线断层图像(PET)，一般来说，在目前医院中通过3D扫描仪生成的各种数据都可以作为所述原始图像。

[0049] 在步骤S2，对获取的原始图像进行预处理，得到初始目标对象，该步骤进一步包括以下步骤。

[0050] 在步骤S201，从原始图像I直接读取目标对象的图像灰度值范围[k1，k2]，由此可以得到与原始图像相应的阈值图像I1。

[0051] 通过下面的公式A.1可得到阈值图像I1。

[0052]

[0053] 其中I(x，y)表示在图像I中位于第x行和第y列的像素。

[0054] 在步骤S202，基于阈值图像I1，根据公式A.2计算其像素的梯度幅度。

[0055]

[0056] 在步骤203，设置阈值T在梯度图像 上，以此来抑制噪音。其中T值是使用梯度图像的直方图来估计，直方图是一个连续变量的概率分布估算，如附图8所示。根据经验总结，T值可默认设置在直方图的五分之一处。参照图9中的实例，图9a是原始CT图像I的矢状视图，图中的矩形框区域指示腹主动脉的位置。图9b为阈值图像I1的梯度幅度图像(仅显示对应原始图像I的部分区域，即对应图9a中的矩形框区域)。

[0057] 任何梯度幅度值高于阈值T的像素将被增强到常量C，本发明中C默认为图像I1中的最大灰度值。而梯度幅度值等于或小于阈值T的像素将被弱化为0，所得图像为I1’。参照图9c给出的抑制噪音后的梯度幅度图像I1’。此步骤可表述为方程A.3：

[0058]

[0059] 其中 表示图像I1的梯度图像，(x，y)表示像素在图像中的位置，也就是位于第x行，第y列。

[0060] 在步骤204，从图像I1中减去I1’，由此产生图像I2，如附图9d所示。此步骤可表述为公式A.4.。

[0061] I2(x)＝I1(x)-I′1(x) (A.4)

[0062] 在步骤205，在图像I2上采用侵蚀法分隔开相邻组织(相邻组织是指在目标对象(如图9中的血管)周围的需要分隔开的任何区域(例如脊椎、靠近血管的软组织))。侵蚀法E(I2，B)的定义是：

[0063]

[0064] 其中B是侵蚀法中的结构元素，-B＝{-β|β∈B}。

[0065] 在实施步骤S201-S205之后，图像中所有非零部分即为预测目标对象。

[0066] 参照图6，图6是从图像预处理得到的初始目标对象的过程屏幕截图(三维显示)(对应于图3工作流程图中的虚框部分，以及上述的步骤S2)。

[0067] 图6a为CT原始图像，图6b为图像预处理步骤得到的预测目标对象(右侧，包括主动脉和脊柱)，图6c为初始目标对象(右侧深色阴影，由用户从预测目标对象确认)。

[0068] 在步骤3，从预测目标对象中确认初始目标对象。

[0069] 参照图6b，预测目标对象包括了人体主动脉和脊柱。假设用户的图像分割目标只是主动脉，即初始目标对象是主动脉，用户只需点击主动脉区域中的任意一点，基于区域生长算法(在网站http://en.wikipedia.org/wiki/Region_growing公开了该算法)，系统可以由此点自动提取初始目标对象，如图6c所示的主动脉。

[0070] 在步骤4，利用步骤3获取的初始目标对象自动初始化水平集函数，得到t＝0时的模型对象：如果S位于被确认的初始目标对象区域，则水平集函数Φ(S，t＝0)＝-1；如果S不属于被确认的初始目标对象区域，则水平集函数Φ(S，t＝0)＝1，水平集函数Φ(S，t＝0)从-1过渡到1的临界面即为在时刻t＝0的模型对象S的扩散面γ(t＝0)。

[0071] 在步骤5，计算在时间t的驱动力。

[0072] 外力Fext是从病人案例图像计算得出，用于驱动模型对象的扩散面向目标物体(目标物体是指用户想要分割出的物体，例如附图中所示的血管，)边界移动。内力Fint，即模型对象的曲度，用于保持模型对象的扩散面在扩展过程中的顺滑。平流力Fadv通常与目标物体形状的预定义相关，用于降低模型对象的扩散面在扩展过程中泄露的风险。

[0073] 在任意时刻t，由下述公式计算模型扩散面：

[0074]

[0075] 其中，α，β，ρ是控制外力、内力，平流力的权重参数。

[0076] 外力Fext＝g(I)

[0077] 其中特征图像

[0078] g(I)＝{Pobj(i)-Pback(i)，i∈I} (A.5)[0079] 其中Pobj(i)是原始图像I中的像素属于前景的概率，Pback(i)是原始图像I中像素属于背景的概率，计算如下：

[0080]

[0081] Pback(i)＝1-Pobj(i)

[0082] 其中，[k1，k2]是目标对象的图像灰度值范围，ω表示光滑度参数。

[0083] 图9e显示的是根据方程A.5算出的特征图像。

[0084] 内力 即模型对象的曲度，用于保持模型对象的扩散面在扩展过程中的顺滑。

[0085] 平流力 为CT图像(也可以是其他类型的图像)的特征图像的梯度图。

[0086] 在步骤5，解A.4的偏微分方程(PDE)，获得在时间t的模型对象扩散面。

[0087] 重复步骤4和5，直到满足水平集函数的终止判据，如模型对象扩散面到达目标的边界(此时公式A.4的结果为0或接近0)。

[0088] 下面可进一步参照图7来直观地了解本发明所能够产生的效果。图7(本发明)中的实例与图4和5(现有技术)中所示的是同一病人案例。不同的是图7是对本发明的过程屏幕截图。通过比较模型对象的扩展速度以及完成图像分割所需的时间，证明了本发明的方法比现有的方法更有效率。通过应用本发明的方法，图像分割在时刻t＝60已经完成。即使我们在模型对象扩展到目标对象边界后继续进行扩展(t＞60)，图像分割的结果中也没有“泄漏”现象发生。

[0089] 目前，基于上面介绍的本发明的方法的一个可扩展框架(原型)已被开发出来，提供了一个有效的图像分割工具用于处理CT/MRI图像和可视化。其简单易用的用户界面使图像分割成为面向广大用户，包括放射科医生和外科医生等使用的医疗辅助手段。

[0090] 本发明的方法与现有技术相比，主要区别是如何初始化水平集函数。不同于人工安置种子，本发明的方法是直接从图像预处理中得到初始目标对象，并且这个初始目标对象非常接近要求分割目标的形状。用户只需要确认预测对象中的部分或全部来作为初始目标对象，并由此初始化水平集函数。

[0091] 对于现有技术而言，要求用户在合适位置手动放置种子，这是费时而繁琐的任务，而且用户必须具备足够的解剖知识来确定″合适位置″，而本发明的方法不需人工放置种子，而是由图像预处理自动得到预测目标对象，并由用户确认初始目标对象。对于现有技术而言，图像分割的结果对种子的位置和数量敏感，而本发明的方法则不存在这个问题。现有技术图像分割过程效率低，例如，完成图像分割需要0.5小时，而本发明的方法仅需要5分钟。现有技术对参数设置敏感，用户需要根据个案进行调整参数，但是由于参数设置与图像分割结果没有直观的联系，用户很难掌握如何正确设置参数，因此使用现有技术的用户需要大量培训；而本发明的图像分割过程快而对参数设置不敏感，用户可以使用默认参数，无需用户理解水平集理论来准确调整参数，因此，需要较少的训练时间，可以轻松地被非计算机专业背景的，如放射科的，用户掌握。另外，基于现有技术的水平集应用方案，模型对象的扩散面很容易“泄漏”，不可能预测何时图像分割可以完成，因此，用户检查/干预是必要的。但是基于本发明的水平集应用方案，泄漏风险低，不必进行用户的检查/干预。本发明的方法减少了用户的互动工作，相比现有技术避免了用户的主观偏向性，提高了图像分割的准确性，最大限度地避免了常见的泄漏问题。

[0092] 以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。