技术领域
[0001] 本
发明实施例属于图像分割技术领域，更具体地，涉及一种基于环状置信度传播的医学图像分割方法及装置。
背景技术
[0002] 医学图像分割是指从医学图像中将感兴趣区域分割出来的过程。医学图像分割是做器官分析的前提和
基础，在器官手术中有着重要意义，因此提高医学图像分割的
精度十分重要。
[0003] 由于医学图像成像原理和组织本身的特性差异，医学影像受到诸如噪音、场偏移效应、局部体效应和组织运动等影响，使得医学图像不可避免的出现模糊、不均匀性的特点，因此对医学图像进行准确分割变得十分困难。
[0004]
现有技术中基于
机器学习理论的
迭代条件模式是一个基于互补条件概率的
算法，能够通过逐点更新医学影像标记完成对影像的分割，其分割速度较快，但是分割效果严重依赖于初始分割结果。迭代条件模式与多尺度分析理论的有效结合能够更好保留图像的轮廓信息和细节信息，利用低
分辨率尺度的结果作为初始结果，在高分辨率尺度上进行图像分割，但其分割结果仍只是局部最优，在局部
能量最小的区域内分割结果能得到较好的区域一致性，但无法保证分割的各目标区域内的一致性及不同目标区域间的差异性。采用
马尔科夫随机场的迭代条件模式算法得到的分割结果也不尽如人意。
[0005] 综上所述，现有的医学图像分割方法分割效果依赖于初始分割结果，或者分割结果仅是局部最优，从而使得医学图像的分割结果不精确
发明内容
[0006] 为克服上述现有的医学图像分割结果不精确的问题或者至少部分地解决上述问题，本发明实施例提供一种基于环状置信度传播的医学图像分割方法及装置。
[0007] 根据本发明实施例的第一方面，提供一种基于环状置信度传播的医学图像分割方法，包括：
[0008] 在基于环状
置信度传播算法对待分割医学图像进行分割的任一次迭代中，根据本次迭代的前一次迭代中所述待分割医学图像的分割结果，基于EM算法估计高斯混合模型的参数，并计算所述环状置信度传播算法本次迭代中对待分割医学图像的分割结果；
[0009] 根据所述高斯混合模型的参数确定的高斯混合模型，获取本次迭代中所述分割结果的特征场能量，根据本次迭代中的所述分割结果获取本次迭代中所述分割结果的标记场能量，将本次迭代中所述分割结果的特征场能量和标记场能量相加，获取本次迭代中所述分割结果的全局能量；
[0010] 将所有所述迭代中最小的所述全局能量对应的分割结果作为所述待分割医学图像的最终分割结果。
[0011] 根据本发明实施例第二方面提供一种基于环状置信度传播的医学图像分割装置，包括：
[0012] 计算模
块，用于在基于环状置信度传播算法对待分割医学图像进行分割的任一次迭代中，根据本次迭代的前一次迭代中所述待分割医学图像的分割结果，基于EM算法估计高斯混合模型的参数，并计算所述环状置信度传播算法本次迭代中对待分割医学图像的分割结果；
[0013] 获取模块，用于根据所述高斯混合模型的参数确定的高斯混合模型，获取本次迭代中所述分割结果的特征场能量，根据本次迭代中的所述分割结果获取本次迭代中所述分割结果的标记场能量，根据本次迭代中所述分割结果的特征场能量和标记场能量相加，获取本次迭代中所述分割结果的全局能量；
[0014] 选择模块，用于将所有所述迭代中最小的全局能量对应的分割结果作为所述待分割医学图像的最终分割结果。
[0015] 根据本发明实施例的第三个方面，还提供一种
电子设备，包括：
[0016] 至少一个处理器；以及
[0017] 与所述处理器通信连接的至少一个
存储器，其中：
[0018] 所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于环状置信度传播的医学图像分割方法。
[0019] 根据本发明实施例的第四个方面，还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于环状置信度传播的医学图像分割方法。
[0020] 本发明实施例提供一种基于环状置信度传播的医学图像分割方法及装置，该方法通过通过使用环状置信度传播算法对待分割医学图像进行分割，利用
像素间相互传递消息更新当前MRF的标记状态，分割出病灶区域，为了从环状置信度传播算法多次迭代的分割结果中选择出最优的分割结果，根据MRF的标记场分布特征和特征场分布特征，计算每次迭代分割结果的全局能量，将全局能
力最小的分割结果作为最优的分割结果，从而使得获取的最终分割结果达到全局最优，分割更精确。
附图说明
[0021] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022] 图1为本发明实施例提供的基于环状置信度传播的医学图像分割方法整体流程示意图；
[0023] 图2为本发明又一实施例提供的基于环状置信度传播的医学图像分割方法流程示意图；
[0024] 图3为本发明又一实施例提供的基于环状置信度传播的医学图像分割方法中待分割医学图像示意图；
[0025] 图4为本发明又一实施例提供的基于环状置信度传播的医学图像分割方法中待分割医学图像的分割结果示意图；
[0026] 图5为本发明实施例提供的基于环状置信度传播的医学图像分割装置整体结构示意图；
[0027] 图6为本发明实施例提供的电子设备整体结构示意图。
具体实施方式
[0028] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0029] 在本发明的一个实施例中提供一种基于环状置信度传播的医学图像分割方法，图1为本发明实施例提供的基于环状置信度传播的医学图像分割方法整体流程示意图，该方法包括：S101，在基于环状置信度传播算法对待分割医学图像进行分割的任一次迭代中，根据本次迭代的前一次迭代中所述待分割医学图像的分割结果，基于EM算法估计高斯混合模型的参数，并计算所述环状置信度传播算法本次迭代中对待分割医学图像的分割结果；
[0030] 其中，置信度传播算法是利用结点与结点之间相互传递信息而更新当前整个MRF(Markov Random Field，马尔科夫随机场)的标记状态，是基于MRF的一种近似计算。置信度传播算法一般是在树状结构，即非闭合环的图中执行推理过程，确保收敛至正确解，而研究表明对环状结构也有较好的近似。环状置信度传播算法即为在环状结构的图中执行推理过程的置信度传播算法。待分割医学图像为需要进行分割的医学图像。本发明实施例不限于医学图像的种类和获取方式。当待分割医学图像为灰度图像时，直接对待分割图像进行分割；若待分割医学图像不为灰度图像，在分割前将待分割医学图像先转换为灰度图像。使用环状置信度传播算法对待分割医学图像进行分割时，不仅考虑每个像素的像素值，还考虑其与相邻像素之间的关系，充分考虑到像素之间的相关性，使分割结果包含更丰富的细节信息和轮廓信息。此外，预先设定环状置信度传播算法的迭代总次数IterMax，例如设置为30，即可达到全局能量最小或收敛。对待分割医学图像进行分割是指确定待分割医学图像中每个像素的类别标记，类别标记的种数L预先设定，如当L为2时，为待分割医学图像中的每个像素分配类别标记1或2，即将待分割医学图像中的像素分为两类。将待分割医学图像看作MRF模型，MRF模型的特征场，即待分割医学图像的特征分布拟合为高斯混合分布，具有相同类别标记的特征场服从高斯分布，即每种类别标记具有相应的高斯混合分布参数。为了确定高斯混合模型，在环状置信度传播算法的每一次迭代中，根据本次迭代的前一次迭代的分割结果，使用EM(Expectation-Maximization，最大期望)算法估计高斯混合模型的参数，并计算本次迭代中使用环状置信度传播算法对待分割医学图像进行分割的分割结果。
[0031] S102，根据所述高斯混合模型的参数确定的高斯混合模型，获取本次迭代中所述分割结果的特征场能量，根据本次迭代中的所述分割结果获取本次迭代中所述分割结果的标记场能量，将本次迭代中所述分割结果的特征场能量和标记场能量相加，获取本次迭代中所述分割结果的全局能量；
[0032] 根据高斯混合模型的参数确定高斯混合模型，根据确定的高斯混合模型与能量函数之间的联系，获取本次迭代中分割结果的特征场能量Ef(p)，p为本次迭代对应的迭代次数。将待分割医学图像看作MRF模型，MRF模型的标记场，即待分割医学图像中像素的类别标记分布符合吉布斯分布。根据MRF模型的标记场分布和能量函数之间的联系，获取本次迭代中分割结果的标记场能量El(p)。本次迭代中分割结果的全局能量E(p)＝Ef(p)+El(p)。
[0033] S103，将所有所述迭代中最小的全局能量对应的分割结果作为所述待分割医学图像的最终分割结果。
[0034] 使用步骤S101和S102，获取每次迭代的分割结果对应的全局能量。从中选择最小的全局能量对应的分割结果作为待分割医学图像的最终分割结果。
[0035] 本实施例通过使用环状置信度传播算法对待分割医学图像进行分割，利用像素间相互传递消息更新当前MRF的标记状态，分割出病灶区域，为了从环状置信度传播算法多次迭代的分割结果中选择出最优的分割结果，根据MRF的标记场分布特征和特征场分布特征，计算每次迭代分割结果的全局能量，将全局能力最小的分割结果作为最优的分割结果，从而使得获取的最终分割结果达到全局最优，分割更精确。
[0036] 在上述实施例的基础上，本实施例中在基于环状置信度传播算法对待分割医学图像进行分割的步骤之前还包括：基于K-means算法对待分割医学图像进行分割，获取所述待分割医学图像的初始分割结果；相应地，根据本次迭代的前一次迭代中所述待分割医学图像的分割结果，基于EM算法估计高斯混合模型的参数的步骤还包括：当所述本次迭代为第一次迭代时，根据所述待分割医学图像的初始分割结果，基于EM算法估计高斯混合模型的参数。
[0037] 具体地，在使用环状置信度传播算法对待分割医学图像进行分割之前，先使用K-means算法对待分割医学图像进行分割，获取初始分割结果。其中，初始分割结果的分割类别种数与预设类别标记的种数相同。即若预设类别标记的种数为2，则初始分割结果中待分割医学图像的像素分为两类，本实施例不限于分割的种类数。此外，还可以使用其他算法对待分割医学图像进行初始分割。在进行第一次迭代时，由于没有前一次的迭代分割结果，直接使用初始分割结果估计高斯混合模型的参数。
[0038] 在上述实施例的基础上，本实施例中基于K-means算法对待分割医学图像进行分割，获取所述待分割医学图像的初始分割结果的步骤具体包括：从所述待分割医学图像中选择预设个数的像素作为聚类中心，为每个所述聚类中心分配一个不同的类别标记；对于所述待分割医学图像中的任一像素，计算该像素与各所述聚类中心之间的距离；根据所述距离，将距离该像素最近的聚类中心的类别标记作为该像素的类别标记。
[0039] 具体地，K-means算法先从待分割医学图像中随机选择预设个数的像素作为初始的聚类中心，其中预设个数等于预设类别标记种数，从而使得K-means算法的分类种数和环状置信度传播算法的分类种数相同。然后，计算待分割医学图像中每个像素与各聚类中心之间的距离，将每个像素分配给距离它最近的聚类中心，即每个像素的类别标记与距离它最近的聚类中心的类别标记相同，从而得到初始分割结果。
[0040] 在上述各实施例的基础上，本实施例中所述高斯混合模型的参数包括平均值和方差；相应地，根据本次迭代的前一次迭代中所述待分割医学图像的分割结果，通过以下公式基于EM算法估计高斯混合模型的参数：
[0041]
[0042]
[0043]
[0044] 其中，uk(p)表示类别标记k在第p次迭代对应的所述平均值，σk2(p)表示类别标记k在第p次迭代对应的所述方差，k∈{1,2,...,L}，L为所述类别标记的种数，i为所述待分割医学图像中像素的编号，xi(p-1)为所述待分割医学图像中像素i在第p-1次迭代中的类别标记，yi为所述待分割医学图像中像素i的像素值，θ(p-1)表示uk(p-1)和σk(p-1)之间的最大似然估计，uk(p-1)表示类别标记k在第p-1次迭代对应的所述平均值，σk(p-1)表示类别标记k在第p-1次迭代对应的高斯混合模型标准差，q(xi(p-1)|yi,θ(p-1))表示所述像素i属于类别标记xi(p-1)的概率。
[0045] 具体地，从上面的公式可以看出，每种类别标记在每次迭代中都计算有相应的平均值和方差。这是因为在每次迭代中同一类别标记像素的特征场服从高斯分布，将所有类别标记对应的高斯分布组合在一起构成高斯混合模型，MRF的特征场分布。
[0046] 在上述各实施例的基础上，本实施例通过以下公式计算所述环状置信度传播算法本次迭代中对待分割医学图像的分割结果：
[0047]
[0048]
[0049] xj(p)＝arg max(bj(xj))；
[0050] 其中，xi和xj为所述待分割医学图像中相邻两个像素i和j的类别标记，xj∈label，xj∈label，label＝{1,2,...,L}，φ(xi,yi)为像素i的像素值yi和xi之间相互作用的似然函数，ψ(xi,xj)为xi和xj之间的势函数，N(i)\j表示像素i的邻域中除像素j以外的像素，mij(xj)表示像素i向像素j发送的消息，mki(xi)表示像素k向像素i发送的消息，xj(p)为像素j本次迭代中更新后的类别标记，N(j)为像素j的邻域。
[0051] 具体地，通过矩阵运算遍历待分割医学图像中所有像素，对待分割医学图像进行区域消息传播，计算每个像素的置信度，进而求出每个像素置信度最大时的类别标记，即为每个像素更新后的类别标记。例如，有两类类别标记，即1和2，当xj为类别标记1时，计算相应的mij(xj)和像素j的置信度bj(xj)；当xj为类别标记2时，计算相应的mij(xj)和像素j的置信度bj(xj)。将类别标记1和2对应的置信度bj(xj)中的最大值对应的类别标记作为像素j更新后的类别标记，以这种方法计算待分割医学图像中所有像素更新后的类别标记，即为本次迭代的分割结果。以相同的方法计算每次迭代的分割结果，全局能量最小的分割结果作为最终分割结果。
[0052] 在上述各实施例的基础上，本实施例通过以下公式根据所述高斯混合模型的参数确定的高斯混合模型，获取本次迭代中所述分割结果的特征场能量：
[0053]
[0054] 其中，Ef(p)为第p次迭代中所述分割结果的特征能量场，S∈{1,2,3…m},m＝M×N，M为所述待分割医学图像的高，N为所述待分割医学图像的宽，Ef(ys)为所述待分割医学图像中第s个像素的特征场能量，σs(p)为第p次迭代中所述第s个像素的类别标记在第p次迭代对应的高斯混合模型方差，us(p)为第p次迭代中所述第s个像素的类别标记在第p次迭代对应的高斯混合模型平均值，ys为所述第s个像素的像素值。
[0055] 具体地，对于待分割医学图像中的任一像素s，计算本次迭代中该像素的特征场能量，本次迭代中该像素的特征能量根据该像素本次迭代中的类别标记在本次迭代中计算的高斯混合模型参数us(p)和σs(p)获取。然后将待分割医学图像中所有像素在本次迭代中的特征场能量相加，获取本次迭代中分割结果的特征场能量。
[0056] 在上述各实施例的基础上，本实施例通过以下公式根据本次迭代中的所述分割结果获取本次迭代中所述分割结果的标记场能量：
[0057]
[0058]
[0059] 其中，El(p)为第p次迭代中所述分割结果的标记能量场，S∈{1,2,3…m},m＝M×N，M为所述待分割医学图像的高，N为所述待分割医学图像的宽，El(xs)为所述待分割医学图像中第s个像素的标记场能量，Vc(xs)为与基团c相关的势函数，C为根据第s个像素的邻域构成的基团集合，xi和xj为任一基团c中相邻两个像素的类别标记，β为先验参数。
[0060] 其中，β为MRF模型的先验参数，是一个空间交互参数，控制着分割的图像区域的平滑性，可根据待分割医学图像的不同进行手动设置。对于待分割医学图像中的任一像素s，计算本次迭代中该像素的标记场能量，具体根据像素s的邻域构建基团集合C，如基团C选取像素s的二阶邻域势团。对于基团集合C中的任一基团c，该基团c中相邻两个像素的类别标记xi和xj若相同，则Vc(xs)＝β，否则Vc(xs)＝-β。然后将待分割医学图像中所有像素在本次迭代中的标记场能量相加，获取本次迭代中分割结果的标记场能量。
[0061] 本实施例在构建待分割医学图像MRF的能量最小模型时，根据MRF标记场分布符合吉布斯分布，特征场分布拟合为混合高斯分布，同标记的特征场服从高斯分布的特点，建立了马尔科夫随机场最大后验概率分布与能量函数间的联系，采用能量函数的求解来优化分割结果，最终得出全局能量最小的待分割医学图像的最优分割结果。本实施例采用矩阵运算的方式对每个像素点的信息传递进行更新，极大程度上降低了算法的运算时间。
[0062] 图2中首先对待分割医学图像进行输入并预处理，如转换为灰度图像，然后基于K-means算法获取初始分割结果。然后对于使用环状置信度传播算法对待分割医学图像进行分割的任一次迭代，根据本次迭代的前一次迭代中所述待分割医学图像的分割结果估计高斯混合模型的参数，并计算本次迭代的分割结果和本次迭代分割结果的全局能量。判断环状置信度传播算法是否达到迭代总次数，若达到迭代总次数，则输出最小全局能量对应的分割结果作为待分割医学图像的最终分割结果。若没有达到迭代总次数，则继续进行下一次迭代，直到达到迭代总次数。
[0063] 本发明实施例充分考虑医学图像成像原理的基础上，能够有效分割出感兴趣的目标区域，本发明实施例的效果如图4所示，图3为待分割医学图像，具体显示了大小为352×352的输尿管末端囊肿图像，图4为使用本发明实施例提供的基于环状置信度传播的分割方法对图3进行分割的最终分割结果。从中可以看出本发明实施例可以有效地提升分割结果，在分割结果中不但可以清晰地分割出感兴趣的区域，而且很好的保留了区域的细节部分。
[0064] 在本发明的另一个实施例中提供一种基于环状置信度传播的医学图像分割装置，该装置用于实现前述各实施例中的方法。因此，在前述基于环状置信度传播的医学图像分割方法的各实施例中的描述和定义，可以用于本发明实施例中各个执行模块的理解。图5为本发明实施例提供的基于环状置信度传播的医学图像分割装置整体结构示意图，该装置包括计算模块501、获取模块502和选择模块503；其中：
[0065] 计算模块501用于在基于环状置信度传播算法对待分割医学图像进行分割的任一次迭代中，根据本次迭代的前一次迭代中所述待分割医学图像的分割结果，基于EM算法估计高斯混合模型的参数，并计算所述环状置信度传播算法本次迭代中对待分割医学图像的分割结果；
[0066] 其中，环状置信度传播算法即为在环状结构的图中执行推理过程的置信度传播算法。待分割医学图像为需要进行分割的医学图像。本发明实施例不限于医学图像的种类和获取方式。预先设定环状置信度传播算法的迭代总次数IterMax。对待分割医学图像进行分割是指确定待分割医学图像中每个像素的类别标记，类别标记的种数L预先设定。将待分割医学图像看作MRF模型，MRF模型的特征场，即待分割医学图像的特征分布拟合为高斯混合分布，具有相同类别标记的特征场服从高斯分布，即每种类别标记具有相应的高斯混合分布参数。为了确定高斯混合模型，计算模块501在环状置信度传播算法的每一次迭代中，根据本次迭代的前一次迭代的分割结果，使用EM算法估计高斯混合模型的参数，并计算本次迭代中使用环状置信度传播算法对待分割医学图像进行分割的分割结果。
[0067] 获取模块502用于根据所述高斯混合模型的参数确定的高斯混合模型，获取本次迭代中所述分割结果的特征场能量，根据本次迭代中的所述分割结果获取本次迭代中所述分割结果的标记场能量，根据本次迭代中所述分割结果的特征场能量和标记场能量相加，获取本次迭代中所述分割结果的全局能量；
[0068] 获取模块502根据高斯混合模型的参数确定高斯混合模型，根据确定的高斯混合模型与能量函数之间的联系，获取本次迭代中分割结果的特征场能量。将待分割医学图像看作MRF模型，MRF模型的标记场符合吉布斯分布。根据MRF模型的标记场分布和能量函数之间的联系，获取本次迭代中分割结果的标记场能量。本次迭代中分割结果的全局能量为本次迭代中分割结果的特征场能量和标记场能量之和。
[0069] 选择模块503用于将所有所述迭代中最小的全局能量对应的分割结果作为所述待分割医学图像的最终分割结果。
[0070] 获取模块502获取每次迭代的分割结果对应的全局能量。选择模块503从中选择最小的全局能量对应的分割结果作为待分割医学图像的最终分割结果。
[0071] 本实施例通过使用环状置信度传播算法对待分割医学图像进行分割，利用像素间相互传递消息更新当前MRF的标记状态，分割出病灶区域，为了从环状置信度传播算法多次迭代的分割结果中选择出最优的分割结果，根据MRF的标记场分布特征和特征场分布特征，计算每次迭代分割结果的全局能量，将全局能力最小的分割结果作为最优的分割结果，从而使得获取的最终分割结果达到全局最优，分割更精确。
[0072] 在上述实施例的基础上，本实施例中还包括处理模块，用于基于K-means算法对待分割医学图像进行分割，获取所述待分割医学图像的初始分割结果；相应地，计算模块还用于当所述本次迭代为第一次迭代时，根据所述待分割医学图像的初始分割结果，基于EM算法估计高斯混合模型的参数。
[0073] 在上述实施例的基础上，本实施例中处理模块具体用于：从所述待分割医学图像中选择预设个数的像素作为聚类中心，为每个所述聚类中心分配一个不同的类别标记；对于所述待分割医学图像中任一像素，计算该像素与各所述聚类中心之间的距离；根据所述距离，将距离该像素最近的聚类中心的类别标记作为该像素的类别标记。
[0074] 在上述各实施例的基础上，本实施例中所述高斯混合模型的参数包括平均值和方差；相应地，计算模块具体通过以下公式基于EM算法估计高斯混合模型的参数：
[0075]
[0076]
[0077]
[0078] 其中，uk(p)表示类别标记k在第p次迭代对应的所述平均值，σk2(p)表示类别标记k在第p次迭代对应的所述方差，k∈{1,2,...,L}，L为所述类别标记的种数，i为所述待分割医学图像中像素的编号，xi(p-1)为所述待分割医学图像中像素i在第p-1次迭代中的类别标记，yi为所述待分割医学图像中像素i的像素值，θ(p-1)表示uk(p-1)和σk(p-1)之间的最大似然估计，uk(p-1)表示类别标记k在第p-1次迭代对应的所述平均值，σk(p-1)表示类别标记k在第p-1次迭代对应的高斯混合模型标准差，q(xi(p-1)|yi,θ(p-1))表示所述像素i属于类别标记xi(p-1)的概率。
[0079] 在上述各实施例的基础上，本实施例中计算模块具体通过以下公式计算所述环状置信度传播算法本次迭代中对待分割医学图像的分割结果：
[0080]
[0081]
[0082] xj(p)＝arg max(bj(xj))；
[0083] 其中，xi和xj为所述待分割医学图像中相邻两个像素i和j的类别标记，xj∈label，xj∈label，label＝{1,2,...,L}，φ(xi,yi)为像素i的像素值yi和xi之间相互作用的似然函数，ψ(xi,xj)为xi和xj之间的势函数，N(i)\j表示像素i的邻域中除像素j以外的像素，mij(xj)表示像素i向像素j发送的消息，mki(xi)表示像素k向像素i发送的消息，xj(p)为像素j本次迭代中更新后的类别标记，N(j)为像素j的邻域。
[0084] 在上述各实施例的基础上，本实施例中获取模块具体通过以下公式根据所述高斯混合模型的参数确定的高斯混合模型，获取本次迭代中所述分割结果的特征场能量：
[0085]
[0086] 其中，Ef(p)为第p次迭代中所述分割结果的特征能量场，S∈{1,2,3…m},m＝M×N，M为所述待分割医学图像的高，N为所述待分割医学图像的宽，Ef(ys)为所述待分割医学图像中第s个像素的特征场能量，σs(p)为第p次迭代中所述第s个像素的类别标记在第p次迭代对应的高斯混合模型方差，us(p)为第p次迭代中所述第s个像素的类别标记在第p次迭代对应的高斯混合模型平均值，ys为所述第s个像素的像素值。
[0087] 在上述实施例的基础上，本实施例中获取模块具体通过以下公式根据本次迭代中的所述分割结果获取本次迭代中所述分割结果的标记场能量：
[0088]
[0089]
[0090] 其中，El(p)为第p次迭代中所述分割结果的标记能量场，S∈{1,2,3…m},m＝M×N，M为所述待分割医学图像的高，N为所述待分割医学图像的宽，El(xs)为所述待分割医学图像中第s个像素的标记场能量，Vc(xs)为与基团c相关的势函数，c为根据第s个像素的邻域构成的基团，xi和xj为基团c中相邻两个像素的类别标记，β为先验参数。
[0091] 本实施例提供一种电子设备，图6为本发明实施例提供的电子设备整体结构示意图，该设备包括：至少一个处理器601、至少一个存储器602和总线603；其中，[0092] 处理器601和存储器602通过总线603完成相互间的通信；
[0093] 存储器602存储有可被处理器601执行的程序指令，处理器调用程序指令能够执行上述各方法实施例所提供的方法，例如包括：在基于环状置信度传播算法对待分割医学图像进行分割的任一次迭代中，根据前一次迭代中待分割医学图像的分割结果，基于EM算法估计高斯混合模型参数，并计算本次迭代的分割结果；根据高斯混合模型的参数，获取本次迭代中分割结果的特征场能量，并获取本次迭代中分割结果的标记场能量，根据本次迭代中分割结果的特征场能量和标记场能量相加，获取本次迭代中分割结果的全局能量；将所有迭代中最小的全局能量对应的分割结果作为待分割医学图像的最终分割结果。
[0094] 本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：在基于环状置信度传播算法对待分割医学图像进行分割的任一次迭代中，根据前一次迭代中待分割医学图像的分割结果，基于EM算法估计高斯混合模型参数，并计算本次迭代的分割结果；根据高斯混合模型的参数，获取本次迭代中分割结果的特征场能量，并获取本次迭代中分割结果的标记场能量，根据本次迭代中分割结果的特征场能量和标记场能量相加，获取本次迭代中分割结果的全局能量；将所有迭代中最小的全局能量对应的分割结果作为待分割医学图像的最终分割结果。
[0095] 本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的
硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
[0096] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0097] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助
软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，
服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0098] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行
修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
