医学图像处理案例（十三）——快速行进算法分割医学图像

今天将分享使用快速行进算法（FastMarching）对医学图像分割案例。

1、FastMarching简介

快速行进方法（FastMarching）是水平集演化方法的一种简化形式，其仅使用正速度项来控制微分方程，生成的水平集轮廓随着时间增长。在实际中，FastMarching算法可以看作是由速度图像控制的高级区域增长分割方法。该算法具体推导请参考原文连接。

2、使用SimpleITK函数来实现FastMarching分割算法

用FastMarching算法分割有5个步骤：（1）、首先使用各向异性扩散方法对输入图像进行平滑处理；（2）、其次对平滑后的图像进行梯度计算，生成边缘图像，在梯度计算过程中可调节高斯sigma参数，来控制水平集减速到接近边缘；（3）、然后使用逻辑回归（Sigmoid）函数对边缘图像进行线性变换，保证边界接区域近零，平坦区域接近1，回归可调参数有alpha和beta；（4）、接着手动设置置FastMarching算法的初始种子点和起始值，该种子点是水平集的起始位置。FastMarching的输出是时间跨度图，表示传播的水平集面到达的时间；（5）、最后通过阈值方法将FastMarching结果限制在水平集面传播区域而形成分割的区域。

该例子既可以在C++中使用，也可以在Python中使用，下面将给出C++和Python的使用例子代码。

C++代码：

Python代码：

• 
  

#!/usr/bin/env python
from __future__ import print_function
import SimpleITK as sitkimport sysimport os
if len(sys.argv) < 10:print("Usage: {0} <inputImage> <outputImage> <seedX> <seedY> <Sigma> <SigmoidAlpha> <SigmoidBeta> <TimeThreshold>".format(sys.argv[0]))sys.exit(1)
inputFilename = sys.argv[1]outputFilename = sys.argv[2]
seedPosition = (int(sys.argv[3]), int(sys.argv[4]))
sigma = float(sys.argv[5])alpha = float(sys.argv[6])beta = float(sys.argv[7])timeThreshold = float(sys.argv[8])stoppingTime = float(sys.argv[9])
inputImage = sitk.ReadImage(inputFilename, sitk.sitkFloat32)
print(inputImage)
smoothing = sitk.CurvatureAnisotropicDiffusionImageFilter()smoothing.SetTimeStep(0.125)smoothing.SetNumberOfIterations(5)smoothing.SetConductanceParameter(9.0)smoothingOutput = smoothing.Execute(inputImage)
gradientMagnitude = sitk.GradientMagnitudeRecursiveGaussianImageFilter()gradientMagnitude.SetSigma(sigma)gradientMagnitudeOutput = gradientMagnitude.Execute(smoothingOutput)
sigmoid = sitk.SigmoidImageFilter()sigmoid.SetOutputMinimum(0.0)sigmoid.SetOutputMaximum(1.0)sigmoid.SetAlpha(alpha)sigmoid.SetBeta(beta)sigmoid.DebugOn()sigmoidOutput = sigmoid.Execute(gradientMagnitudeOutput)

fastMarching = sitk.FastMarchingImageFilter()
seedValuetrialPoint = (seedPosition[0], seedPosition[1], seedValue)

fastMarching.AddTrialPoint(trialPoint)
fastMarching.SetStoppingValue(stoppingTime)
fastMarchingOutput = fastMarching.Execute(sigmoidOutput)

thresholder = sitk.BinaryThresholdImageFilter()thresholder.SetLowerThreshold(0.0)thresholder.SetUpperThreshold(timeThreshold)thresholder.SetOutsideValue(0)thresholder.SetInsideValue(255)
result = thresholder.Execute(fastMarchingOutput)
sitk.WriteImage(result, outputFilename)

3、FastMarching分割效果

在MRI脑部图像上进行脑室、灰质和白质的分割测试，如图所示依次是MRI原始图像，左脑室分割结果，右脑室分割结果，白质分割结果，灰质分割结果。分割算法的参数典型设置：sigma=0.5，alpha=-0.3，beta=2.0， timeThreshold=200， stoppingTime=210，seedPosition为期望分割区域内任意点坐标即可。 

如果碰到任何问题，随时留言，我会尽量去回答的。