本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域，尤其涉及一種基于醫(yī)學(xué)影像的單個(gè)器官拆分方法及系統(tǒng)。
背景技術(shù)：
醫(yī)學(xué)影像是指為了醫(yī)療或醫(yī)學(xué)研究，對(duì)人體或人體某部分，以非侵入方式取得內(nèi)部組織影像的技術(shù)與處理過(guò)程。它包含以下兩個(gè)相對(duì)獨(dú)立的研究方向：醫(yī)學(xué)成像系統(tǒng)（medical imaging system）和醫(yī)學(xué)圖像處理（medical image processing）。前者是指圖像形成的過(guò)程，包括對(duì)成像機(jī)理、成像設(shè)備、成像系統(tǒng)分析等問(wèn)題的研究；后者是指對(duì)已經(jīng)獲得的圖像作進(jìn)一步的處理，其目的是或者是使原來(lái)不夠清晰的圖像復(fù)原，或者是為了突出圖像中的某些特征信息，或者是對(duì)圖像做模式分類等等。
現(xiàn)有技術(shù)的醫(yī)學(xué)影像的形成方式包括CT(Computed Tomography)，即電子計(jì)算機(jī)斷層掃描；MR〔Magnetic Resonance〕，即磁共振；DSA（Digital subtraction angiography），即數(shù)字血管造影。上述方式均會(huì)先采集多幅圖像而后進(jìn)行處理。在本申請(qǐng)中均稱為薄層掃描圖像。
醫(yī)學(xué)圖像分割，指的是一個(gè)根據(jù)區(qū)域間的相似或不同把圖像分割成若干區(qū)域的過(guò)程。目前，主要以各種細(xì)胞、組織與器官的圖像作為處理的對(duì)象。例如磁共振顱腦圖像的分割，其目的就在于清晰地描繪出顱腦各個(gè)解剖結(jié)構(gòu)的邊界，如灰質(zhì)、白質(zhì)、腦脊液以及 MR圖像中的其它組織，從而提高圖像的可讀性，為醫(yī)生診斷和治療疾病提供更直觀的影像信息。
然而現(xiàn)有技術(shù)對(duì)醫(yī)學(xué)圖像分割僅僅停留在對(duì)整個(gè)器官與外部非器官部分進(jìn)行分割：比如申請(qǐng)?zhí)枮镃N201510729150.0的發(fā)明專利，該發(fā)明公開(kāi)了一種醫(yī)學(xué)圖像中器官的識(shí)別與分割方法，識(shí)別方法包括：獲取待處理的醫(yī)學(xué)圖像，將所述醫(yī)學(xué)圖像分別在X、Y 和Z 軸方向拆分成若干二維圖像，并根據(jù)目標(biāo)器官的大小設(shè)定檢測(cè)窗口；利用所述檢測(cè)窗口按照設(shè)定的檢測(cè)步長(zhǎng)分別對(duì)所述二維圖像進(jìn)行遍歷檢測(cè)，獲取在X、Y 和Z 軸方向的檢測(cè)結(jié)果；將所述檢測(cè)結(jié)果進(jìn)行結(jié)果融合，保留在X、Y和Z 軸三個(gè)方向上都檢測(cè)為陽(yáng)性的像素點(diǎn)，從而確定所述目標(biāo)器官邊界。又比如申請(qǐng)?zhí)枮镃N201510672278.8的發(fā)明專利，該發(fā)明公開(kāi)了一種人體解剖結(jié)構(gòu)模型、植入物快速成型方法，其中公開(kāi)了該方法首先利用醫(yī)療成像系統(tǒng)、三維掃描儀、攝像攝影設(shè)備獲取目標(biāo)結(jié)構(gòu)的圖像數(shù)據(jù)；然后通過(guò)軟件處理圖像得到植入物、解剖結(jié)構(gòu)或解剖結(jié)構(gòu)各個(gè)部分、各個(gè)層次的三維數(shù)字模型。并不對(duì)某個(gè)器官的各個(gè)區(qū)域進(jìn)行分割。比如，腦部就包括額葉、顳葉、頂葉、枕葉及小腦等部分，肝臟包括肝左葉和肝右葉等部分。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于醫(yī)學(xué)影像的單個(gè)器官拆分方法及系統(tǒng)，將醫(yī)學(xué)圖像分割不僅停留在對(duì)整個(gè)器官與外部非器官部分進(jìn)行分割，還進(jìn)一步的對(duì)器官的各個(gè)區(qū)域進(jìn)行分割，方便后期對(duì)病灶（腫瘤）/靶區(qū)位置的分析。
本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：一種基于醫(yī)學(xué)影像的單個(gè)器官拆分方法，包括以下步驟：
S01：獲取待拆分器官的薄層掃描圖像；
S02：基于薄層掃描圖像，對(duì)所述帶拆分器官進(jìn)行三維建模；
S03：對(duì)三維建模得到的模型進(jìn)行多區(qū)域拆分。
步驟S02包括以下子步驟：
S021：識(shí)別器官，將器官周圍的非器官部分進(jìn)行分離；
S022：與多種該器官的標(biāo)準(zhǔn)模板進(jìn)行比較，判斷器官形態(tài)，并匹配該形態(tài)的標(biāo)準(zhǔn)模板；
S023：對(duì)該器官進(jìn)行三維建模。
當(dāng)器官形態(tài)為坍塌或者萎縮或者不完全，則手動(dòng)對(duì)坍塌或者萎縮或者不完全的器官邊界進(jìn)行劃分。
所述的待拆分器官為腦葉，所述的多區(qū)域?yàn)轭~葉、顳葉、頂葉、枕葉及小腦；所述的方法包括以下子步驟：
S11：獲取腦葉的薄層掃描圖像；
S12：對(duì)腦葉的薄層掃描圖像進(jìn)行去頭皮去骨處理，構(gòu)建頭部模型；所述的構(gòu)建頭部模型采用圖像特征子步驟和定位子步驟實(shí)現(xiàn)；所述的圖像特征子步驟包括對(duì)掃描圖像的腦部溝壑進(jìn)行判斷，根據(jù)灰度的不同得到腦葉的邊界；所述的定位子步驟包括根據(jù)對(duì)器官的標(biāo)準(zhǔn)模板進(jìn)行十字交叉定位確認(rèn)腦葉的邊界；
S13：對(duì)構(gòu)建的頭部模型進(jìn)行多區(qū)域拆分，包括以下子步驟：
S131：針對(duì)任意一個(gè)圖像，將標(biāo)準(zhǔn)模板對(duì)應(yīng)的模板圖像的各區(qū)域與個(gè)體圖像進(jìn)行空間匹配變形處理，把模板空間的各個(gè)腦葉分區(qū)圖像對(duì)應(yīng)變形到個(gè)體腦空間，完成大腦區(qū)域分割；
S132：將個(gè)體空間腦葉圖像進(jìn)行二值化處理，形成腦葉mask矩陣；
S133：將腦葉mask矩陣轉(zhuǎn)化為系統(tǒng)可識(shí)別的區(qū)域。
所述的待拆分器官為肝臟，所述的多區(qū)域?yàn)楦巫笕~和肝右葉；所述的方法包括以下子步驟：
S21：使用DCMTK讀取肝臟的DICOM序列圖像；
S22：對(duì)所述待拆分器官進(jìn)行三維建模，包括以下子步驟：
S221：采用各向異性擴(kuò)散濾波算法去掉噪聲，強(qiáng)化圖像邊緣；
S222：采用OTSU算法強(qiáng)化圖像特征；
S223：采用形態(tài)學(xué)算法、或者水平集分割算法、或者自適應(yīng)區(qū)域生長(zhǎng)算法和BP神經(jīng)網(wǎng)絡(luò)算法的結(jié)合，提取肝臟區(qū)域；
S224：腐蝕提取后的圖像，并采用漫水填充法對(duì)圖像進(jìn)行后處理；
S225：將步驟S224得到的圖像與原始圖像相與，得到最終的肝臟區(qū)域；
S23：對(duì)得到的肝臟區(qū)域進(jìn)行多區(qū)域拆分，包括以下子步驟：
S231：針對(duì)任意一個(gè)圖像，將標(biāo)準(zhǔn)模板對(duì)應(yīng)的模板圖像的各區(qū)域與個(gè)體圖像進(jìn)行空間匹配變形處理，把模板空間的各個(gè)肝臟分區(qū)圖像對(duì)應(yīng)變形到個(gè)體肝臟空間，完成肝臟區(qū)域分割；
S232：將個(gè)體空間肝臟圖像進(jìn)行二值化處理，形成腦葉mask矩陣；
S233：將肝臟mask矩陣轉(zhuǎn)化為系統(tǒng)可識(shí)別的區(qū)域。
一種基于醫(yī)學(xué)影像的單個(gè)器官拆分系統(tǒng)，包括：
薄層掃描圖像獲取模塊：用于獲取待拆分器官的薄層掃描圖像；
三維建模模塊：用于基于薄層掃描圖像，對(duì)所述帶拆分器官進(jìn)行三維建模；
器官拆分模塊：對(duì)三維建模得到的模型進(jìn)行多區(qū)域拆分。
所述的三維建模模塊包括：
器官識(shí)別單元：用于將器官周圍的非器官部分進(jìn)行分離；
器官形態(tài)比較與匹配單元：用于與多種該器官的標(biāo)準(zhǔn)模板進(jìn)行比較，判斷器官形態(tài)，并匹配該形態(tài)的標(biāo)準(zhǔn)模板；
器官三維建模單元：用于對(duì)該器官進(jìn)行三維建模。
當(dāng)器官形態(tài)為坍塌或者萎縮或者不完全，則手動(dòng)對(duì)坍塌或者萎縮或者不完全的器官邊界進(jìn)行劃分。
所述的待拆分器官為腦葉，所述的多區(qū)域?yàn)轭~葉、顳葉、頂葉、枕葉及小腦；
所述的薄層掃描圖像獲取模塊用于獲取腦葉的薄層掃描圖像；
所述的三維建模模塊包括：
預(yù)處理單元：用于對(duì)腦葉的薄層掃描圖像進(jìn)行去頭皮去骨處理；
頭部模型構(gòu)建單元：用于基于預(yù)處理后的薄層掃描圖像構(gòu)建頭部模型；所述的構(gòu)建頭部模型采用圖像特征算法和定位算法實(shí)現(xiàn)；所述的圖像特征算法包括對(duì)掃描圖像的腦部溝壑進(jìn)行判斷，根據(jù)灰度的不同得到腦葉的邊界；所述的定位算法包括根據(jù)對(duì)器官的標(biāo)準(zhǔn)模板進(jìn)行十字交叉定位確認(rèn)腦葉的邊界；
所述的器官拆分模塊包括：
器官拆分與空間轉(zhuǎn)換單元：用于針對(duì)任意一個(gè)圖像，將標(biāo)準(zhǔn)模板對(duì)應(yīng)的模板圖像的各區(qū)域與個(gè)體圖像進(jìn)行空間匹配變形處理，把模板空間的各個(gè)腦葉分區(qū)圖像對(duì)應(yīng)變形到個(gè)體腦空間，完成大腦區(qū)域分割；
二值化單元：用于將個(gè)體空間腦葉圖像進(jìn)行二值化處理，形成腦葉mask矩陣；
轉(zhuǎn)換單元：用于將腦葉mask矩陣進(jìn)行再轉(zhuǎn)化，轉(zhuǎn)化為系統(tǒng)可識(shí)別的區(qū)域。
所述的待拆分器官為肝臟，所述的多區(qū)域?yàn)楦巫笕~和肝右葉；
所述的薄層掃描圖像獲取模塊用于使用DCMTK讀取肝臟的DICOM序列圖像；
所述的三維建模模塊包括：
預(yù)處理單元：采用各向異性擴(kuò)散濾波算法去掉噪聲，強(qiáng)化圖像邊緣；
圖像特征強(qiáng)化單元：采用OTSU算法強(qiáng)化圖像特征；
肝臟區(qū)域提取單元：采用形態(tài)學(xué)算法、或者水平集分割算法、或者自適應(yīng)區(qū)域生長(zhǎng)算法和BP神經(jīng)網(wǎng)絡(luò)算法的結(jié)合，提取肝臟區(qū)域；
后處理單元：用于對(duì)提取的肝臟區(qū)域進(jìn)行腐蝕處理，并采用漫水填充法對(duì)圖像進(jìn)行后處理；
肝臟區(qū)域確定單元：將后處理單元得到的圖像與原始圖像相與，得到最終的肝臟區(qū)域；
所述的器官拆分模塊用于對(duì)得到的肝臟區(qū)域進(jìn)行多區(qū)域拆分包括：
器官拆分與空間轉(zhuǎn)換單元：用于針對(duì)任意一個(gè)圖像，將標(biāo)準(zhǔn)模板對(duì)應(yīng)的模板圖像的各區(qū)域與個(gè)體圖像進(jìn)行空間匹配變形處理，把模板空間的各個(gè)肝臟分區(qū)圖像對(duì)應(yīng)變形到個(gè)體肝臟空間，完成肝臟區(qū)域分割；
二值化單元：用于將個(gè)體空間肝臟圖像進(jìn)行二值化處理，形成肝臟mask矩陣；
轉(zhuǎn)換單元：用于將肝臟mask矩陣進(jìn)行再轉(zhuǎn)化，轉(zhuǎn)化為系統(tǒng)可識(shí)別的區(qū)域。
本發(fā)明的有益效果是：本發(fā)明提供了一種基于醫(yī)學(xué)影像的單個(gè)器官拆分方法及系統(tǒng)，將醫(yī)學(xué)圖像分割不僅停留在對(duì)整個(gè)器官與外部非器官部分進(jìn)行分割，還進(jìn)一步的對(duì)器官的各個(gè)區(qū)域進(jìn)行分割，方便后期對(duì)患者可能患病器官的觀察，以及對(duì)于病灶（腫瘤）/靶區(qū)位置的分析。
附圖說(shuō)明
圖1為本發(fā)明方法流程圖。
具體實(shí)施方式
下面結(jié)合附圖進(jìn)一步詳細(xì)描述本發(fā)明的技術(shù)方案：如圖1所示，一種基于醫(yī)學(xué)影像的單個(gè)器官拆分方法，包括以下步驟：
S01：獲取待拆分器官的薄層掃描圖像；
S02：基于薄層掃描圖像，對(duì)所述帶拆分器官進(jìn)行三維建模；
S03：對(duì)三維建模得到的模型進(jìn)行多區(qū)域拆分。
在下述任意一個(gè)實(shí)施例中，薄層掃描圖像為CT、MR或DSA中任意一個(gè)得到的圖像。
其中，由于待拆分器官不一定是通常意義下完整的器官，會(huì)與標(biāo)準(zhǔn)模板的器官具有一定差異，因此會(huì)有一個(gè)預(yù)先判斷的步驟，具體地：
步驟S02包括以下子步驟：
S021：識(shí)別器官，將器官周圍的非器官部分進(jìn)行分離；
S022：與多種該器官的標(biāo)準(zhǔn)模板進(jìn)行比較，判斷器官形態(tài)，并匹配該形態(tài)的標(biāo)準(zhǔn)模板；
S023：對(duì)該器官進(jìn)行三維建模。
并且進(jìn)一步地，當(dāng)器官形態(tài)為坍塌或者萎縮或者不完全，則手動(dòng)對(duì)坍塌或者萎縮或者不完全的器官邊界進(jìn)行劃分。比如當(dāng)判斷出為顳葉萎縮的腦部，則選擇顳葉萎縮的標(biāo)準(zhǔn)模板完成三維建模以及區(qū)域劃分，對(duì)于顳葉的邊界則采用手動(dòng)劃分的方式實(shí)現(xiàn)。
另外，標(biāo)準(zhǔn)模板的器官為已經(jīng)劃分了區(qū)域的模板，便于后期的對(duì)照。
實(shí)施例1為對(duì)腦葉的拆分；在本實(shí)施例中，所述的待拆分器官為腦葉，所述的多區(qū)域?yàn)轭~葉、顳葉、頂葉、枕葉及小腦。
對(duì)應(yīng)地，所述的方法包括以下子步驟：
S11：獲取T1加權(quán)成像的腦葉的薄層掃描圖像；
T1加權(quán)成像（T1-weighted imaging，T1WI）是指這種成像方法重點(diǎn)突出組織縱向弛豫差別，而盡量減少組織其他特性如橫向弛豫等對(duì)圖像的影響。
S12：對(duì)腦葉的薄層掃描圖像進(jìn)行去頭皮去骨處理，構(gòu)建頭部模型；所述的構(gòu)建頭部模型采用圖像特征子步驟和定位子步驟實(shí)現(xiàn)；所述的圖像特征子步驟包括對(duì)掃描圖像的腦部溝壑進(jìn)行判斷，根據(jù)灰度的不同得到腦葉的邊界；所述的定位子步驟包括根據(jù)對(duì)器官的標(biāo)準(zhǔn)模板進(jìn)行十字交叉定位確認(rèn)腦葉的邊界；
采用兩種方式共同對(duì)腦葉邊界進(jìn)行劃分，得到的效果更好。
S13：對(duì)構(gòu)建的頭部模型進(jìn)行多區(qū)域拆分，包括以下子步驟：
S131：針對(duì)任意一個(gè)圖像，將標(biāo)準(zhǔn)模板對(duì)應(yīng)的模板圖像的各區(qū)域與個(gè)體圖像進(jìn)行空間匹配變形處理，把模板空間的各個(gè)腦葉分區(qū)圖像對(duì)應(yīng)變形到個(gè)體腦空間，完成大腦區(qū)域分割；
S132：將個(gè)體空間腦葉圖像進(jìn)行二值化處理，形成腦葉mask矩陣；
S133：將腦葉mask矩陣轉(zhuǎn)化為系統(tǒng)可識(shí)別的區(qū)域。
在本實(shí)施例中，所述的系統(tǒng)可識(shí)別的區(qū)域?yàn)榭梢酝ㄟ^(guò)VR設(shè)備或者PC設(shè)備識(shí)別的區(qū)域。其中，對(duì)于VR設(shè)備，采用Unreal Engine或Unity引擎對(duì)模型賦予有物理屬性的物體，并添加如拾取、拆分等功能程序模塊，實(shí)現(xiàn)其可VR內(nèi)操作的特性。方便后期的操作。
實(shí)施例2為對(duì)肝臟的拆分。在本實(shí)施例中，所述的待拆分器官為肝臟，所述的多區(qū)域?yàn)楦巫笕~和肝右葉。
所述的方法包括以下子步驟：
S21：使用DCMTK讀取肝臟的DICOM序列圖像；
由于現(xiàn)在的醫(yī)學(xué)影像設(shè)備的圖像存儲(chǔ)和傳輸正在逐漸向DICOM標(biāo)準(zhǔn)靠攏，在我們進(jìn)行醫(yī)學(xué)圖像處理的過(guò)程中，經(jīng)常需要自己編寫和DICOM格式的圖像相關(guān)的各種程序模塊，以完成自己處理功能。如果從頭開(kāi)始理解DICOM的協(xié)議，然后完全自己編寫這些代碼來(lái)實(shí)現(xiàn)這些協(xié)議，是一件工程浩大的事情。德國(guó)offis公司開(kāi)發(fā)的DCMTK，為我們提供了實(shí)現(xiàn)DICOM協(xié)議的一個(gè)平臺(tái)，使得我們可以在它的基礎(chǔ)上輕松的完成自己的主要工作，而不必把太多的精力放在實(shí)現(xiàn)DICOM協(xié)議的細(xì)節(jié)問(wèn)題上。
S22：對(duì)所述待拆分器官進(jìn)行三維建模，包括以下子步驟：
S221：采用各向異性擴(kuò)散濾波算法去掉噪聲，強(qiáng)化圖像邊緣；
S222：采用OTSU算法強(qiáng)化圖像特征，包括增強(qiáng)所增強(qiáng)部位的特征形態(tài)，防止在后續(xù)分割中待分割區(qū)域與其它區(qū)域混淆；
S223：采用形態(tài)學(xué)算法、或者水平集分割算法、或者自適應(yīng)區(qū)域生長(zhǎng)算法和BP神經(jīng)網(wǎng)絡(luò)算法的結(jié)合，提取肝臟區(qū)域；
S224：腐蝕提取后的圖像，并采用漫水填充法對(duì)圖像進(jìn)行后處理；
S225：將步驟S224得到的圖像與原始圖像相與，得到最終的肝臟區(qū)域；
S23：對(duì)得到的肝臟區(qū)域進(jìn)行多區(qū)域拆分，包括以下子步驟：
S231：針對(duì)任意一個(gè)圖像，將標(biāo)準(zhǔn)模板對(duì)應(yīng)的模板圖像的各區(qū)域與個(gè)體圖像進(jìn)行空間匹配變形處理，把模板空間的各個(gè)肝臟分區(qū)圖像對(duì)應(yīng)變形到個(gè)體肝臟空間，完成肝臟區(qū)域分割；
S232：將個(gè)體空間肝臟圖像進(jìn)行二值化處理，形成腦葉mask矩陣；
S233：將肝臟mask矩陣轉(zhuǎn)化為系統(tǒng)可識(shí)別的區(qū)域。
在上述任意一個(gè)實(shí)施例中，當(dāng)完成了對(duì)器官區(qū)域的拆分，可以方便后期對(duì)病灶（腫瘤）/靶區(qū)位置的分析。比如，肝臟的每個(gè)區(qū)域均分布有血管，腫瘤通常通過(guò)血管進(jìn)行營(yíng)養(yǎng)物質(zhì)的獲取；而如果采用現(xiàn)有技術(shù)的方式，僅僅將器官之間進(jìn)行劃分，會(huì)使得腫瘤位置不一定會(huì)方便觀察。而采用上述實(shí)施例的方法，可以在后期進(jìn)行分析的時(shí)候，手動(dòng)對(duì)器官區(qū)域進(jìn)行拆分（VR/電腦的方式實(shí)現(xiàn)），方便對(duì)病灶（腫瘤）/靶區(qū)位置的分析。
基于上述方法的實(shí)現(xiàn)，本申請(qǐng)還提供了一種基于醫(yī)學(xué)影像的單個(gè)器官拆分系統(tǒng)，包括：
薄層掃描圖像獲取模塊：用于獲取待拆分器官的薄層掃描圖像；
三維建模模塊：用于基于薄層掃描圖像，對(duì)所述帶拆分器官進(jìn)行三維建模；
器官拆分模塊：對(duì)三維建模得到的模型進(jìn)行多區(qū)域拆分。
對(duì)應(yīng)的，所述的三維建模模塊包括：
器官識(shí)別單元：用于將器官周圍的非器官部分進(jìn)行分離；
器官形態(tài)比較與匹配單元：用于與多種該器官的標(biāo)準(zhǔn)模板進(jìn)行比較，判斷器官形態(tài)，并匹配該形態(tài)的標(biāo)準(zhǔn)模板；
器官三維建模單元：用于對(duì)該器官進(jìn)行三維建模。
對(duì)應(yīng)的，當(dāng)器官形態(tài)為坍塌或者萎縮或者不完全，則手動(dòng)對(duì)坍塌或者萎縮或者不完全的器官邊界進(jìn)行劃分。
對(duì)應(yīng)的，實(shí)施例3為對(duì)腦葉拆分的系統(tǒng)。在本實(shí)施例中，所述的待拆分器官為腦葉，所述的多區(qū)域?yàn)轭~葉、顳葉、頂葉、枕葉及小腦；
所述的薄層掃描圖像獲取模塊用于獲取腦葉的薄層掃描圖像；
所述的三維建模模塊包括：
預(yù)處理單元：用于對(duì)腦葉的T1加權(quán)成像的薄層掃描圖像進(jìn)行去頭皮去骨處理；
頭部模型構(gòu)建單元：用于基于預(yù)處理后的T1加權(quán)成像的薄層掃描圖像構(gòu)建頭部模型；所述的構(gòu)建頭部模型采用圖像特征算法和定位算法實(shí)現(xiàn)；所述的圖像特征算法包括對(duì)掃描圖像的腦部溝壑進(jìn)行判斷，根據(jù)灰度的不同得到腦葉的邊界；所述的定位算法包括根據(jù)對(duì)器官的標(biāo)準(zhǔn)模板進(jìn)行十字交叉定位確認(rèn)腦葉的邊界；
所述的器官拆分模塊包括：
器官拆分與空間轉(zhuǎn)換單元：用于針對(duì)任意一個(gè)圖像，將標(biāo)準(zhǔn)模板對(duì)應(yīng)的模板圖像的各區(qū)域與個(gè)體圖像進(jìn)行空間匹配變形處理，把模板空間的各個(gè)腦葉分區(qū)圖像對(duì)應(yīng)變形到個(gè)體腦空間，完成大腦區(qū)域分割；
二值化單元：用于將個(gè)體空間腦葉圖像進(jìn)行二值化處理，形成腦葉mask矩陣；
轉(zhuǎn)換單元：用于將腦葉mask矩陣進(jìn)行再轉(zhuǎn)化，轉(zhuǎn)化為系統(tǒng)可識(shí)別的區(qū)域。
對(duì)應(yīng)的，實(shí)施例4為對(duì)肝臟拆分的系統(tǒng)。在本實(shí)施例中，所述的待拆分器官為肝臟，所述的多區(qū)域?yàn)楦巫笕~和肝右葉；
所述的薄層掃描圖像獲取模塊用于使用DCMTK讀取肝臟的DICOM序列圖像；
所述的三維建模模塊包括：
預(yù)處理單元：采用各向異性擴(kuò)散濾波算法去掉噪聲，強(qiáng)化圖像邊緣；
圖像特征強(qiáng)化單元：采用OTSU算法強(qiáng)化圖像特征；
肝臟區(qū)域提取單元：采用形態(tài)學(xué)算法、或者水平集分割算法、或者自適應(yīng)區(qū)域生長(zhǎng)算法和BP神經(jīng)網(wǎng)絡(luò)算法的結(jié)合，提取肝臟區(qū)域；
后處理單元：用于對(duì)提取的肝臟區(qū)域進(jìn)行腐蝕處理，并采用漫水填充法對(duì)圖像進(jìn)行后處理；
肝臟區(qū)域確定單元：將后處理單元得到的圖像與原始圖像相與，得到最終的肝臟區(qū)域；
所述的器官拆分模塊用于對(duì)得到的肝臟區(qū)域進(jìn)行多區(qū)域拆分包括：
器官拆分與空間轉(zhuǎn)換單元：用于針對(duì)任意一個(gè)圖像，將標(biāo)準(zhǔn)模板對(duì)應(yīng)的模板圖像的各區(qū)域與個(gè)體圖像進(jìn)行空間匹配變形處理，把模板空間的各個(gè)肝臟分區(qū)圖像對(duì)應(yīng)變形到個(gè)體肝臟空間，完成肝臟區(qū)域分割；
二值化單元：用于將個(gè)體空間肝臟圖像進(jìn)行二值化處理，形成肝臟mask矩陣；
轉(zhuǎn)換單元：用于將肝臟mask矩陣進(jìn)行再轉(zhuǎn)化，轉(zhuǎn)化為系統(tǒng)可識(shí)別的區(qū)域。