CN111192251B - 基于水平集图像分割的卵泡超声处理方法和系统 - Google Patents

Abstract

本发明提供一种基于水平集图像分割的卵泡超声处理方法和系统，通过预处理令卵泡超声图像进行图像增强，得到高质量的预处理图像；根据超声图像的灰度分布特点，将预处理图像分成多个区域，分别计算各个区域的区域阈值，基于区域阈值对各区域进行灰度自适应分割；采用水平集图像分割对预分割区域进行二次分割，增强预分割区域中的卵泡区域、非卵泡区域之间的区别，得到疑似卵泡区域；基于决策树和bagging算法，对疑似卵泡区域进行分区，提取其中的独立完整卵泡区域，并通过进行卵泡质量打分评估。解决超声卵泡监测存在主观性强，量化指标少等问题；实现卵泡超声图像的自动分割，优化诊断流程，提高诊断质量，并减轻医务工作者的劳动强度。

Description

基于水平集图像分割的卵泡超声处理方法和系统

技术领域

本发明涉及图像增强、图像降噪以及图像分割领域，具体地，涉及一种基于水平集图像分割的卵泡超声处理方法和系统，尤其是涉及基于双边滤波的图像降噪与自适应直方图的图像增强、基于灰度自适应阈值的预分割与基于水平集方法-CV模型二次分割的卵泡超声图像的图像处理方法，并采用最小二乘法对卵泡质量进行数字化定量评价。

背景技术

医学图像分割的是从完全依靠人工分割到实现半人工半自动分割再慢慢走向全自动分割的发展过程。早期的医学图像分割是依靠人工分割在图像上描绘期望的区域边界。半自动分割是把计算机技术和人的知识结合在一起，完成对图像的分割工作。比起单纯的人工分割，在一定程度上，减少了人力成本与人为因素的影响，但是超声图像的分割仍然受到了操作者的技术能力以及经验上的影响。近年，随着模糊技术和人工智能技术的发展，这类激素被广泛应用于图像分割领域，也使得部分医学图像的分割完全脱离了人为干预，实现了全自动分割。

对于超声图像，经检索：欧玥等人在《改进测地线活动轮廓模型的超声图像分割》中实现了肝脏超声图像分割。金联等人在文《基于遗传算法的水平集超声图像分割》将遗传算法和水平集结合有效分分割出了肝脏超声图像的肿瘤，陈冠饶等人在文《一种基于生物仿真结构的神经网络在超声医学图像分割中的应用》心脏超声图像分割中应用了生物仿真结构的神经网络。

但是目前针对于卵泡超声图像处理的研究仍是较为缺乏的，卵泡超声图像相对与其他医学超声图像，目标区域较小，数量不统一，且形状各异，难以直接应用其他的超声图像处理方法。

与本申请相关的现有技术是专利文献105496453A，提供了一种黄牛卵泡超声监测系统及其监测方法，包括以下单元：读取显示超声图像单元，图像裁剪单元，图像去噪单元，卵泡检测单元，表面提取单元，三维重建单元，体积计算单元，体积检测单元以及点集渲染单元。提供了一个对黄牛卵泡超声图像处理及计算的平台，程序可以对超声图像进行去噪、检测卵泡、提取卵泡表面、卵泡三维重建、卵泡体积计算及监测功能。能够监测不同发展状态下黄牛卵泡发育情况，并可对疾病进行诊断和跟踪监测治疗，具有快捷、高效、准确率高、直观性强等优点。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于水平集图像分割的卵泡超声处理方法和系统。

根据本发明提供的一种基于水平集图像分割的卵泡超声处理方法，包括：

预处理步骤：识别卵泡超声图像，通过预处理令卵泡超声图像进行图像增强，得到高质量的预处理图像；

预分割步骤：根据超声图像的灰度分布特点，将预处理图像分成多个区域，分别计算各个区域的区域阈值，基于区域阈值对各区域进行灰度自适应分割，得到多个预分割区域；

二次分割步骤：采用水平集图像分割对预分割区域进行二次分割，增强预分割区域中的卵泡区域、非卵泡区域之间的区别，得到疑似卵泡区域；

区域甄别步骤：提取疑似卵泡区域的图像特征，基于决策树和bagging算法，对疑似卵泡区域进行分区，提取其中的独立完整卵泡区域，并计算该区域卵泡质量评估特征指标，通过由结合专家质量评估打分最小二乘法拟合建立的卵泡质量评估体系模型进行卵泡质量计算机打分评估。

优选地，所述预处理步骤包括：

噪声抑制步骤：识别卵泡超声图像后，借助双边滤波在保留卵泡超声图像的边缘细节信息的基础上，实现图像的噪声抑制，得到去噪图像；

图像增强步骤：基于自适应直方图均衡对去噪图像的不同局部采用不同的增强方案，增强对比度同时保留图像细节，得到预处理图像。

优选地，所述预分割步骤包括：

确定阈值步骤：根据预处理图像中灰度变化小的区域作为中心区域，以中心区域的平均灰度值作为基本阈值，降低中心区域以外的周边区域的阈值数值；

区域划分步骤：将像素点的相邻区域的基本阈值与像素点的阈值数值进行比较，自适应地进行区域划分，确定预分割区域。

优选地，所述二次分割步骤包括：

区域排除步骤：根据成熟卵泡的大小设立裕度，作为预分割区域的区域面积阈值，排除过小区域和过大区域，得到疑似卵泡区域的粗略轮廓；

轮廓调控步骤：应用CV模型对疑似卵泡区域的粗略轮廓进行分割调控，得到疑似卵泡区域。

优选地，所述区域甄别步骤包括：

分区步骤：提取疑似卵泡区域的多层次特征，应用主分量分析对多层次特征进行降维后，应用决策树和bagging算法将疑似卵泡区域进行分区，将分区中的非独立完整卵泡区域进行标识；

评估步骤：提取分区中的独立完整卵泡区域的特征指标，将特征指标结合专家质量评价的卵泡评估体系进行评估，并将评估结果采用最小二乘法进行拟合，得到卵泡质量的数字化定量评价。

根据本发明提供的一种基于水平集图像分割的卵泡超声处理系统，包括：

预处理模块：识别卵泡超声图像，通过预处理令卵泡超声图像进行图像增强，得到高质量的预处理图像；

预分割模块：根据超声图像的灰度分布特点，将预处理图像分成多个区域，分别计算各个区域的区域阈值，基于区域阈值对各区域进行灰度自适应分割，得到多个预分割区域；

二次分割模块：采用水平集图像分割对预分割区域进行二次分割，增强预分割区域中的卵泡区域、非卵泡区域之间的区别，得到疑似卵泡区域；

区域甄别模块：提取疑似卵泡区域的图像特征，基于决策树和bagging算法，对疑似卵泡区域进行分区，提取其中的独立完整卵泡区域并进行专家质量评价。

优选地，所述预处理模块包括：

噪声抑制模块：识别卵泡超声图像后，借助双边滤波在保留卵泡超声图像的边缘细节信息的基础上，实现图像的噪声抑制，得到去噪图像；

图像增强模块：基于自适应直方图均衡对去噪图像的不同局部采用不同的增强方案，增强对比度同时保留图像细节，得到预处理图像。

优选地，所述预分割模块包括：

确定阈值模块：根据预处理图像中灰度变化小的区域作为中心区域，以中心区域的平均灰度值作为基本阈值，降低中心区域以外的周边区域的阈值数值；

区域划分模块：将像素点的相邻区域的基本阈值与像素点的阈值数值进行比较，自适应地进行区域划分，确定预分割区域。

优选地，所述二次分割模块包括：

区域排除模块：根据成熟卵泡的大小设立裕度，作为预分割区域的区域面积阈值，排除过小区域和过大区域，得到疑似卵泡区域的粗略轮廓；

轮廓调控模块：应用CV模型对疑似卵泡区域的粗略轮廓进行分割调控，得到疑似卵泡区域。

优选地，所述区域甄别模块包括：

分区模块：提取疑似卵泡区域的多层次特征，应用主分量分析对多层次特征进行降维后，应用决策树和bagging算法将疑似卵泡区域进行分区，将分区中的非独立完整卵泡区域进行标识；

评估模块：计算独立完整卵泡区域的卵泡质量评估特征指标，通过由结合专家质量评估打分最小二乘法拟合建立的卵泡质量评估体系模型进行卵泡质量计算机打分评估。

与现有技术相比，本发明具有如下的有益效果：

本发明基于水平集-CV模型方法，通过含双边滤波和自适应直方图均衡的预处理，基于自适应灰度阈值的预分割，基于CV模型-水平集方法分割，以及基于决策树和bagging算法的疑似卵泡区域甄别，克服了卵泡的斑点噪声和复杂纹理的影响，得到比较清晰准确的卵泡边界轮廓，针对卵泡超声图像中出现的卵泡弱边缘现象提出了CV模型-水平集方法分割速度控制算法，改善了分割效果。采用最小二乘法结合专家质量评估打分进行回归，实现卵泡质量的数字化定量评价。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为卵泡超声图像处理的流程图；

图2为图像处理过程的变化情况；

图3为卵泡超声图像与基于灰度自适应阈值的预分割的效果图，a是卵泡超声图像，b是卵泡超声图像预分割的效果图；

图4为基于水平集-CV模型二次分割的效果图；

图5为卵泡区域分区与卵泡质量评估效果图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明采用双边滤波和自适应直方图均衡预处理；再针对卵泡超声图像强度变化特点，采用了基于灰度自适应阈值分割进行预分割；然后采用CV模型-水平集方法对疑似卵泡区域进行二次分割，进一步提高分割效果，针对算法易在多卵泡弱边缘区域发生泄漏问题，对算法的分割速度做出调整；最后基于卵泡的形态、纹理特征采用决策树和bagging算法对疑似卵泡区域进行甄别，最后，从卵泡的圆润度、回声均匀度、内外灰度差异、饱满度及尺寸等指标建立卵泡评估体系，并采用最小二乘法结合专家的评价进行回归，实现了对卵泡的数字化定量评价。根据本发明提供的一种基于水平集图像分割的卵泡超声处理方法，包括：

预处理步骤：识别卵泡超声图像，通过预处理令卵泡超声图像进行图像增强，得到高质量的预处理图像；

预分割步骤：根据超声图像的灰度分布特点，将预处理图像分成多个区域，分别计算各个区域的区域阈值，基于区域阈值对各区域进行灰度自适应分割，得到多个预分割区域；

二次分割步骤：采用水平集图像分割对预分割区域进行二次分割，增强预分割区域中的卵泡区域、非卵泡区域之间的区别，得到疑似卵泡区域；

区域甄别步骤：提取疑似卵泡区域的图像特征，基于决策树和bagging算法，对疑似卵泡区域进行分区，提取其中的独立完整卵泡区域，并计算该区域卵泡质量评估特征指标，通过由结合专家质量评估打分最小二乘法拟合建立的卵泡质量评估体系模型进行卵泡质量计算机打分评估。

具体地，所述预处理步骤包括：

噪声抑制步骤：识别卵泡超声图像后，借助双边滤波在保留卵泡超声图像的边缘细节信息的基础上，实现图像的噪声抑制，得到去噪图像；

图像增强步骤：基于自适应直方图均衡对去噪图像的不同局部采用不同的增强方案，增强对比度同时保留图像细节，得到预处理图像。

具体地，所述预分割步骤包括：

确定阈值步骤：根据预处理图像中灰度变化小的区域作为中心区域，以中心区域的平均灰度值作为基本阈值，降低中心区域以外的周边区域的阈值数值；

区域划分步骤：将像素点的相邻区域的基本阈值与像素点的阈值数值进行比较，自适应地进行区域划分，确定预分割区域。

具体地，所述二次分割步骤包括：

区域排除步骤：根据成熟卵泡的大小设立裕度，作为预分割区域的区域面积阈值，排除过小区域和过大区域，得到疑似卵泡区域的粗略轮廓；

轮廓调控步骤：应用CV模型对疑似卵泡区域的粗略轮廓进行分割调控，得到疑似卵泡区域。

具体地，所述区域甄别步骤包括：

分区步骤：提取疑似卵泡区域的多层次特征，应用主分量分析对多层次特征进行降维后，应用决策树和bagging算法将疑似卵泡区域进行分区，将分区中的非独立完整卵泡区域进行标识；

评估步骤：提取分区中的独立完整卵泡区域的卵泡质量评估特征指标，通过由结合专家质量评估最小二乘法拟合建立的卵泡质量评估体系模型进行卵泡质量计算机打分评估。

根据本发明提供的一种基于水平集图像分割的卵泡超声处理系统，包括：

预处理模块：识别卵泡超声图像，通过预处理令卵泡超声图像进行图像增强，得到高质量的预处理图像；

预分割模块：根据超声图像的灰度分布特点，将预处理图像分成多个区域，分别计算各个区域的区域阈值，基于区域阈值对各区域进行灰度自适应分割，得到多个预分割区域；

二次分割模块：采用水平集图像分割对预分割区域进行二次分割，增强预分割区域中的卵泡区域、非卵泡区域之间的区别，得到疑似卵泡区域；

区域甄别模块：提取疑似卵泡区域的图像特征，基于决策树和bagging算法，对疑似卵泡区域进行分区，提取其中的独立完整卵泡区域并进行专家质量评价。

具体地，所述预处理模块包括：

噪声抑制模块：识别卵泡超声图像后，借助双边滤波在保留卵泡超声图像的边缘细节信息的基础上，实现图像的噪声抑制，得到去噪图像；

图像增强模块：基于自适应直方图均衡对去噪图像的不同局部采用不同的增强方案，增强对比度同时保留图像细节，得到预处理图像。

具体地，所述预分割模块包括：

确定阈值模块：根据预处理图像中灰度变化小的区域作为中心区域，以中心区域的平均灰度值作为基本阈值，降低中心区域以外的周边区域的阈值数值；

区域划分模块：将像素点的相邻区域的基本阈值与像素点的阈值数值进行比较，自适应地进行区域划分，确定预分割区域。

具体地，所述二次分割模块包括：

区域排除模块：根据成熟卵泡的大小设立裕度，作为预分割区域的区域面积阈值，排除过小区域和过大区域，得到疑似卵泡区域的粗略轮廓；

轮廓调控模块：应用CV模型对疑似卵泡区域的粗略轮廓进行分割调控，得到疑似卵泡区域。

具体地，所述区域甄别模块包括：

分区模块：提取疑似卵泡区域的多层次特征，应用主分量分析对多层次特征进行降维后，应用决策树和bagging算法将疑似卵泡区域进行分区，将分区中的非独立完整卵泡区域进行标识；

评估模块：计算独立完整卵泡区域的卵泡质量评估特征指标，通过由结合专家质量评估打分最小二乘法拟合建立的卵泡质量评估体系模型进行卵泡质量计算机打分评估。

本发明提供的基于水平集图像分割的卵泡超声处理系统，可以通过基于水平集图像分割的卵泡超声处理方法的步骤流程实现。本领域技术人员可以将基于水平集图像分割的卵泡超声处理方法理解为所述基于水平集图像分割的卵泡超声处理系统的优选例。

具体实施中，如图1所示，本发明基于灰度自适应阈值分割和CV模型-水平集方法对超声卵泡图像进行处理，实现了卵泡区域的分割，最后通过最小二乘法实现卵泡质量的评估，包括如下步骤：

步骤100图像预处理，包括步骤110和步骤120，采用双边滤波进行噪声抑制和自适应直方图增强对图像增强，改善图像质量，为后续的处理做准备；

步骤110：卵泡超声图像的噪声抑制，借助双边滤波在保留图像的边缘细节信息的基础上，实现图像的噪声抑制。

步骤120：卵泡超声图像的图像增强，基于自适应直方图均衡对图像的不同局部采用不同的增强方案，增强对比度同时保留图像细节。

步骤200基于灰度自适应阈值的预分割，包含步骤210、步骤220、步骤230，基于自适应阈值分割的卵泡超声图像的预分割，根据超声图像灰度分布特点，分区域计算不同阈值并综合像素点周边像素灰度对图像进行处理。

步骤210：根据卵泡超声图像灰度变化较小的中心区域计算卵泡超声图像的分割的基本阈值。

步骤220：根据卵泡超声图像中心区域灰度较高，周边灰度较低的特点，在分割时，降低周边区域的阈值数值。

步骤230：卵泡超声图像上的不规则亮斑和部分卵泡的弱边缘，都容易对分割造成影响，特别是容易使得距离较近的卵泡在分割时被联通。因此，不把一个像素点的灰度值作为对象，而是应用一个像素点的相邻区域平均灰度与阈值作比较作为分割依据。

所述分区域计算不同阈值是指基于灰度变化较小的中心区域的平均灰度选择中心区域卵泡分割的阈值，再根据超声图像中间区域灰度较大，周边区域灰度较小的特点，调整周边区域阈值，此外，为减少卵泡超声图像上的不规则亮斑和部分卵泡的弱边缘的影响，应用一个像素点的相邻区域平均灰度与阈值作比较作为分割依据。相对其他分割方法而言，这种方法有效地避免了卵泡由于距离过近且边缘较弱引起的在分割时把多个卵泡分割为一个整体的问题，同时有效避免了由于卵泡超声图像的纹理和亮斑等引起的错误分割，且相对而言将非卵泡区域误划分为卵泡区域的比例较少，不足之处是分割出的目标区域一般小于卵泡的真实区域，这个问题可以在后续的基于水平集的二次分割中得到解决。

步骤300基于水平集-CV模型的二次分割，包含步骤310、步骤320，使用基于水平集方法-CV模型的二次分割，采用水平集方法，并应用CV模型综合灰度自适应分割结果对图像进行二次分割。

步骤310：经过预分割后，获得区域主要有：卵泡所在区域、由于背景纹理以及亮斑引起的错误分割，以及部分的背景区域。对这三类区域，主要从分割获得区域的大小以及距离边缘的距离来判断是否要基于区域进行下一步分割。误分割的背景区域一般面积较大，距离超声的边界较近，而由于背景纹理和亮斑误分割获得区域面积较小。因此，根据成熟卵泡的大小并设立一定的裕度，作为区域面积大小阈值，排除过小和过大区域。

步骤320：在灰度自适应阈值分割后排除非卵泡区域，得到了疑似卵泡区域的粗略轮廓，但是由于每个轮廓形状不一，给求取初始轮廓的表达带来一定困难，因此，选择了最接近与轮廓的椭圆作为初始运动曲线。以所在区域重心为椭圆的中心，计算区域在x轴与y轴上的投影长度，作为椭圆的长轴和短轴。

步骤330：应用CV模型-水平集方法对卵泡超声图像进行二次分割，在分割过程中，综合预分割中得到的结果对CV模型分割速度做出调控。基于灰度自适应阈值预分割结果的最接近椭圆作为二次分割的初始运动曲线，并在应用了水平集方法-CV模型的二次分割过程中，将预分割结果与二次分割结果作比较，当二次分割结果大于预分割面积时，降低分割速度。设CV模型-水平集算法分割速度在t时刻速度为v(t)，它在t时刻轮廓内部区域面积为S(t),在预分割中，得到的区域面积为S₀，卵泡的真实面积为S₁,一般情况下S₀<S₁,S₀为初始运动曲线包围区域的面积。在分割时，做出如下调整：

其中λ为速度调控系数，λ≤1。

步骤400基于决策树和bagging算法的疑似卵泡区域甄别，包含步骤410、步骤420、步骤430，提取疑似卵泡区域的特征，并应用PCA进行降维，再采用决策树进行分类，并综合bagging算法提高决策树性能；

步骤410：提取疑似卵泡区域的灰度、纹理、形状轮廓和空间等多层次特征。从卵泡的圆润度、回声均匀度、内外灰度差异、饱满度及尺寸等指标建立卵泡评估体系，并采用最小二乘法结合专家的评价进行回归，实现了对卵泡的数字化定量评价。

步骤420：应用了PCA(Principal Component Analysis)算法，对上述特征数据进行处理，实现降维。

步骤430：应用决策树和bagging算法对疑似卵泡区域进行甄别，将疑似卵泡区域分为4类：无卵泡区域、独立而完整的卵泡区域、多卵泡区域、其他，将非独立完整的卵泡区域标识在图像上。

步骤500卵泡质量评价从卵泡的圆润度、内部回声均匀度、卵泡内外亮度差异、饱满度、尺寸等指标建立卵泡评估体系，并采用最小二乘法结合专家的评价进行回归，实现了对卵泡的数字化定量评价，包含步骤510、步骤520。

步骤510：提取独立而完整的卵泡区域的卵泡的周长，面积，内外区域亮度等指标，并由上述指标计算圆润度、内部回声均匀度、卵泡内外亮度差异、饱满度、尺寸等指标，来建立卵泡评估体系。

周长计算公式：

L＝∫dl

面积计算公式：

S＝∫∫ds

区域平均亮度计算公式：

其中，g(i,j)为区域像素灰度值。

区域重心的像素坐标计算公式：

X＝∑x/n

Y＝∑y/n

卵泡最大平均直径计算公式：

其中，d、d_τ为过卵泡所在区域重心，相互垂直的一对直径线段。

圆润度指标采用卵泡所在区域的面积S和周长L等要素进行计算，计算公式：

其中，S为卵泡所在区域面积，L为卵泡所在区域周长。

回声均匀度指标采用卵泡所在区域内像素灰度值g(i,j)和内部灰度平均值

等要素计算，计算公式：

其中，gⁱⁿ(i,j)为卵泡所在区域像素灰度值，

为卵泡所在区域平均亮度。

卵泡内外部亮度差异指标采用以卵泡所在区域的重心为圆心，以卵泡平均半径r的2倍为半径做圆，并根据卵泡分割结果划分该区域为卵泡内、外区域两部分，分别计算区域平均亮度，并采用如下公式计算卵泡内外部亮度差异指标：

饱满度指标采用卵泡所在区域的面积S和覆盖卵泡所在区域最小外接圆的面积S_C计算，计算公式：

θ＝S/S_C

尺寸指标采用卵泡最大平均直径进行计算，

步骤520：根据专家对卵泡质量的评估，采用最小二乘法对卵泡的圆润度、内部回声均匀度、卵泡内外亮度差异、饱满度、尺寸等指标进行拟合，得到卵泡质量的数字化定量评价。

如图2所示，在本发明的实施过程中，卵泡超声图像的变化状态最终显示为边界轮廓比较清晰准确的卵泡，图中得到三个清晰的卵泡。如图5所示，基于决策树和bagging算法的疑似卵泡区域甄别效果图与基于最小二乘法的卵泡质量评估结果，图中存在对卵泡得分的具体标识，便于评估识别。

如图3所示，基于卵泡超声图像与基于灰度自适应阈值的预分割的效果图，其中a是卵泡超声图像，b是卵泡超声图像预分割的效果图。如图4所示，基于水平集-CV模型二次分割的效果图，图中有对非独立完整卵泡区域的标识。

本发明解决了超声卵泡监测的评估主要由医师完成，存在主观性强，对医师要求高，量化指标少等问题；实现卵泡超声图像的自动分割，优化诊断流程，提高诊断质量，并减轻医务工作者的劳动强度。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于水平集图像分割的卵泡超声处理方法，其特征在于，包括：

预处理步骤：识别卵泡超声图像，通过预处理令卵泡超声图像进行图像增强，得到高质量的预处理图像；

预分割步骤：根据超声图像的灰度分布特点，将预处理图像分成多个区域，分别计算各个区域的区域阈值，基于区域阈值对各区域进行灰度自适应分割，得到多个预分割区域；

二次分割步骤：采用水平集图像分割对预分割区域进行二次分割，增强预分割区域中的卵泡区域、非卵泡区域之间的区别，得到疑似卵泡区域；

区域甄别步骤：提取疑似卵泡区域的图像特征，基于决策树和bagging算法，对疑似卵泡区域进行分区，提取其中的独立完整卵泡区域，进行卵泡质量计算机打分评估。

2.根据权利要求1所述的基于水平集图像分割的卵泡超声处理方法，其特征在于，所述预处理步骤包括：

噪声抑制步骤：识别卵泡超声图像后，借助双边滤波在保留卵泡超声图像的边缘细节信息的基础上，实现图像的噪声抑制，得到去噪图像；

图像增强步骤：基于自适应直方图均衡对去噪图像的不同局部采用不同的增强方案，增强对比度同时保留图像细节，得到预处理图像。

3.根据权利要求1所述的基于水平集图像分割的卵泡超声处理方法，其特征在于，所述预分割步骤包括：

确定阈值步骤：根据预处理图像中灰度变化小的区域作为中心区域，以中心区域的平均灰度值作为基本阈值，降低中心区域以外的周边区域的阈值数值；

区域划分步骤：将像素点的相邻区域的基本阈值与像素点的阈值数值进行比较，自适应地进行区域划分，确定预分割区域。

4.根据权利要求1所述的基于水平集图像分割的卵泡超声处理方法，其特征在于，所述二次分割步骤包括：

区域排除步骤：根据成熟卵泡的大小设立裕度，作为预分割区域的区域面积阈值，排除过小区域和过大区域，得到疑似卵泡区域的粗略轮廓；

轮廓调控步骤：应用CV模型对疑似卵泡区域的粗略轮廓进行分割调控，得到疑似卵泡区域。

5.根据权利要求1所述的基于水平集图像分割的卵泡超声处理方法，其特征在于，所述区域甄别步骤包括：

分区步骤：提取疑似卵泡区域的多层次特征，应用主分量分析对多层次特征进行降维后，应用决策树和bagging算法将疑似卵泡区域进行分区，将分区中的非独立完整卵泡区域进行标识；

评估步骤：计算提取分区中的独立完整卵泡区域的卵泡质量评估特征指标，通过由结合专家质量评估最小二乘法拟合建立的卵泡质量评估体系模型进行卵泡质量计算机打分评估。

6.一种基于水平集图像分割的卵泡超声处理系统，其特征在于，包括：

预处理模块：识别卵泡超声图像，通过预处理令卵泡超声图像进行图像增强，得到高质量的预处理图像；

预分割模块：根据超声图像的灰度分布特点，将预处理图像分成多个区域，分别计算各个区域的区域阈值，基于区域阈值对各区域进行灰度自适应分割，得到多个预分割区域；

二次分割模块：采用水平集图像分割对预分割区域进行二次分割，增强预分割区域中的卵泡区域、非卵泡区域之间的区别，得到疑似卵泡区域；

区域甄别模块：提取疑似卵泡区域的图像特征，基于决策树和bagging算法，对疑似卵泡区域进行分区，提取其中的独立完整卵泡区域，进行卵泡质量计算机打分评估。

7.根据权利要求6所述的基于水平集图像分割的卵泡超声处理系统，其特征在于，所述预处理模块包括：

噪声抑制模块：识别卵泡超声图像后，借助双边滤波在保留卵泡超声图像的边缘细节信息的基础上，实现图像的噪声抑制，得到去噪图像；

图像增强模块：基于自适应直方图均衡对去噪图像的不同局部采用不同的增强方案，增强对比度同时保留图像细节，得到预处理图像。

8.根据权利要求6所述的基于水平集图像分割的卵泡超声处理系统，其特征在于，所述预分割模块包括：

确定阈值模块：根据预处理图像中灰度变化小的区域作为中心区域，以中心区域的平均灰度值作为基本阈值，降低中心区域以外的周边区域的阈值数值；

区域划分模块：将像素点的相邻区域的基本阈值与像素点的阈值数值进行比较，自适应地进行区域划分，确定预分割区域。

9.根据权利要求6所述的基于水平集图像分割的卵泡超声处理系统，其特征在于，所述二次分割模块包括：

区域排除模块：根据成熟卵泡的大小设立裕度，作为预分割区域的区域面积阈值，排除过小区域和过大区域，得到疑似卵泡区域的粗略轮廓；

轮廓调控模块：应用CV模型对疑似卵泡区域的粗略轮廓进行分割调控，得到疑似卵泡区域。

10.根据权利要求6所述的基于水平集图像分割的卵泡超声处理系统，其特征在于，所述区域甄别模块包括：

分区模块：提取疑似卵泡区域的多层次特征，应用主分量分析对多层次特征进行降维后，应用决策树和bagging算法将疑似卵泡区域进行分区，将分区中的非独立完整卵泡区域进行标识；

评估模块：计算提取分区中的独立完整卵泡区域的卵泡质量评估特征指标，通过由结合专家质量评估打分最小二乘法拟合建立的卵泡质量评估体系模型进行卵泡质量计算机打分评估。

Images