專利名稱：形狀模型的表面棋盤形分割的制作方法
形狀模型的表面棋盤形分割本發(fā)明涉及一種基于形狀模型的多個實例確定形狀模型的模板格網的 方法。本發(fā)明還涉及可以用所述方法獲得的形狀模型的模板格網。 本發(fā)明還涉及針對圖像數據集調節(jié)所述形狀模型的模板格網的方法。 本發(fā)明還涉及一種基于形狀模型的多個實例確定形狀模型的模板格網 的系統(tǒng)。本發(fā)明還涉及針對圖像數據集調節(jié)所述形狀模型的模板格網的系統(tǒng)。本發(fā)明還涉及包括至少一個所述系統(tǒng)的圖像獲取設備。本發(fā)明還涉及包括至少一個所述系統(tǒng)的工作站。本發(fā)明還涉及一種計算機程序產品，該計算機程序產品包括存儲在計 算機可讀介質上的程序代碼裝置，用于在計算機上運行所述程序產品時執(zhí) 行所述方法中的至少一種。在2003年的IEEE Transactions on Medical Imaging, 22(8)， 1005-1013 頁，Michael R. Kaus， Vladimir Pekar， Cristian Lorenz， RoelTruyen， Steven Lobregt禾卩Jiirgen Weese的文章"Automated 3D PDM construction from segmented images using deformable models"中描述了開篇所述禾中類的方法的 實施例，以下將該文章簡稱為參考文獻l，在此通過引用并入本文。該方法 的輸入為代表研究目標的學習形狀?？梢詮姆指畹膶W習圖像獲得學習形狀。 將該學習形狀分成三角形。例如，在2000年的Computer Vision and Image Understanding 77(2)， 175-191頁的Cristian Lorenz禾卩Nils Krahnst6ver的文 章"Generation of point-based 3D statistical shape models for anatomical objects"中描述了三角劃分方法，以下將該文章簡稱參考文獻2，在此通過 引用將其并入本文。在該方法中，基于學習形狀表面的局部曲率使表示學 習形狀表面的三角形格網的參數數量最小化，并用學習形狀表面的局部曲 率指導三角形格網頂點的選擇。將所確定的代表學習形狀的三角形格網實例用作形狀模型的模板格網。所確定的模板格網包括多個頂點和邊。術語"模板格網"表示格網的拓撲屬性，例如頂點數量和頂點連通度， 而術語"模板格網的實例"表示格網的拓撲屬性和幾何屬性，例如但不限于 頂點的坐標。形狀模型包括模板格網。此外，形狀模型可以包括其他實體， 例如與模板格網的面相關的特征函數的參數。形狀模型的實例包括模板格 網的實例，并可以包括其他實體，例如與模板格網的實例的面相關的特征 函數的參數值。'參考文獻1所述的方法的缺點在于，用于對研究目標(例如骨骼或器官) 建模的形狀模型的模板格網的本地分辨率常常不足以描述所有位置處的研 究目標。本發(fā)明的目的是提供一種開篇所述種類的方法，該方法確定更好地描 述所有位置的研究目標的形狀模型的模板格網。本發(fā)明的這一目的是通過一種基于形狀模型的多個實例確定形狀模型 的模板格網的方法實現的，該方法包括--獲得步驟，用于獲得形狀模型的多個實例；-計算步驟，用于計算多個結果，所述多個結果包括基于所述形狀模型 的多個實例中的所述形狀模型的第一實例計算的第一結果以及基于所述形 狀模型的多個實例中的所述形狀模型的第二實例計算的第二結果；-決策步驟，用于基于包括所述第一結果和所述第二結果的所述多個結 果做出決策；以及-抽取步驟，用于基于所述決策抽取所述形狀模型的模板格網，由此確 定所述形狀模型的模板格網。根據本發(fā)明的方法，關于抽取形狀模型的模板格網的決策考慮了形狀 模型的多個實例。首先，在獲得步驟中獲得形狀模型的多個實例。形狀模 型的每個實例包括表示研究目標(例如肱骨或股骨)表面的模板格網，例如三 角形模板格網的實例。在簡單閉合面的示例性情況下，針對模板格網的每 個實例計算基于模板格網的某頂點處的局部曲率的結果。在1992年的 Proceedings of the ACM SIGGRAPH Conference 1992第65-70頁，William J.Schroeder ， Jonathan A. Zarge禾口 ^Villiam E. Lorensen的i侖文"Decimation of Triangle Meshes"中描述了對模板格網實例某頂點處的局部曲率的示例性估 算，以下將該論文簡稱為參考文獻3，在此通過引用將其并入本文。如果該 估算滿足某種條件，例如，估算的平均值小于預定閾值，那么做出抽取三 角形模板格網的決策。如參考文獻3所述，在抽取步驟中基于該決策抽取 格網。另一方面，如果估算不滿足特定條件，決策是不抽取模板格網。于 是，本發(fā)明的方法確定了較好地描述了所有位置處的研究目標的形狀模型 的模板格網。在根據本發(fā)明的方法的實施例中，第一結果包括抽取模板格網的第一 判斷，第二結果包括抽取模板格網的第二判斷。例如，該判斷可以是對贊 成或反對模板格網投票。該決策可以基于對抽取模板格網的贊成票與總票 數之比。在根據本發(fā)明的方法的另一實施例中，第一結果基于所述形狀模型第 一實例中的特征函數的第一估值，第二結果基于所述形狀模型第二實例中 的特征函數的第二估值。在三角形模板格網的示例性情況下，例如，如果 對于模板格網的每個實例，與包括某頂點的三角形相關的特征函數是等價 的，例如，具有基本上相同的參數值，則可以采用通過去除所述頂點來抽 取模板格網的決策。從抽取模板格網獲得的孔的三角形化獲得的三角形的 新特征函數包括所述相同的參數。這種標準排除了將具有不同特征函數的 三角形合并的可能，BP，將位于本地圖像外觀有大的改變可能的位置處的 三角形合并的可能。于是，新的特征函數將決定用于在圖像數據集中調整 模板格網的良好目標特征。在根據本發(fā)明的方法的實施例中，該方法還包括-第一構建步驟，用于基于多個學習圖像數據集構建所述形狀模型；以及-第二構建步驟，用于基于所述多個學習圖像數據集構建形狀模型的實例。在本實施例中，該方法的輸入包括多個學習圖像數據集。該方法有利 地包括兩個構建步驟，這兩個構建步驟允許基于多個學習圖像數據集構建 形狀模型和形狀模型的多個實例。根據本發(fā)明的方法，進一步可以將形狀模型、形狀模型的多個實例和/或多個學習圖像數據集用于確定形狀模型的 模板格網。本發(fā)明的另一目的是提供一種開篇所述種類的形狀模型的模板格網， 其更好地描述了所有位置的研究目標。這是通過可以由所要求保護的基于 形狀模型的多個實例確定形狀模型的模板格網的方法的任一個獲得的模板 格網實現的。本發(fā)明的另一 目的是提供一種開篇所述種類的調整形狀模型的模板格 網的方法，該模板格網更好地描述所有位置的研究目標。通過如下方式實 現這一目的針對圖像數據集調整形狀模型的模板格網的方法使用可以由 所要求保護的基于形狀模型的多個實例確定形狀模型的模板格網的方法的 任一個獲得的形狀模型的模板格網。本發(fā)明的另一目的是提供一種開篇所述種類的系統(tǒng)，該系統(tǒng)確定更好 地描述所有位置的研究目標的形狀模型的模板格網。這一 目的是通過一種 基于形狀模型的多個實例確定形狀模型的模板格網的系統(tǒng)實現的，該系統(tǒng) 包括-獲得單元，用于獲得所述模板格網的多個實例；-計算單元，用于計算多個結果，所述多個結果包括基于所述形狀模型 的多個實例中的所述形狀模型的第一實例計算的第一結果以及基于所述形狀模型的多個實例中的所述形狀模型的第二實例計算的第二結果；-決策單元，用于基于包括所述第一結果和所述第二結果的所述多個結果做出決策；以及-抽取單元，用于基于所述決策抽取所述形狀模型的模板格網，由此確 定所述形狀模型的模板格網。本發(fā)明的另一目的是提供一種調整開篇所述種類的形狀模型的模板格 網的系統(tǒng)，將該系統(tǒng)設置成調整形狀模型的模板格網以更好地描述所有位 置的研究目標。通過如下方式實現這一目的將針對圖像數據集調整形狀 模型的模板格網的系統(tǒng)設置成使用可以由所要求保護的基于形狀模型的多 個實例確定形狀模型的模板格網的系統(tǒng)的任一個獲得的形狀模型的模板格 網。本發(fā)明的另一目的是提供一種開篇所述種類的圖像獲取設備，該圖像獲取設備能夠確定更好地描述所有位置的研究目標的形狀模型的模板格 網。這一 目的是通過一種包括基于形狀模型的多個實例確定形狀模型的模 板格網的系統(tǒng)的圖像獲取設備實現的，該系統(tǒng)包括 -獲得單元，用于獲得所述模板格網的多個實例；-計算單元，用于計算多個結果，所述多個結果包括基于所述形狀模型 的多個實例中的所述形狀模型的第一實例計算的第一結果以及基于所述形狀模型的多個實例中的所述形狀模型的第二實例計算的第二結果；-決策單元，用于基于包括所述第一結果和所述第二結果的所述多個結 果做出決策；以及-抽取單元，用于基于所述決策抽取所述形狀模型的模板格網，由此確 定所述形狀模型的模板格網。本發(fā)明的另一目的是提供一種開篇所述種類的圖像獲取設備，該圖像 獲取設備能夠調整更好地描述所有位置的研究目標的形狀模型的模板格 網。通過如下方式實現這一目的該圖像獲取設備包括針對圖像數據集調 整形狀模型的模板格網的系統(tǒng)，將該系統(tǒng)設置成使用可以由所要求保護的 基于形狀模型的多個實例確定形狀模型的模板格網的系統(tǒng)獲得的形狀模型 的模板格網。本發(fā)明的另一目的是提供一種開篇所述種類的工作站，該工作站能夠 確定更好地描述所有位置的研究目標的形狀模型的模板格網。這一目的是 通過使得該工作站包括基于形狀模型的多個實例確定形狀模型的模板格網 的系統(tǒng)而實現的，該系統(tǒng)包括-獲得單元，用于獲得所述模板格網的多個實例；-計算單元，用于計算多個結果，所述多個結果包括基于所述形狀模型 的多個實例中的所述形狀模型的第一實例計算的第一結果以及基于所述形 狀模型的多個實例中的所述形狀模型的第二實例計算的第二結果；-決策單元，用于基于包括所述第一結果和所述第二結果的所述多個結 果做出決策；以及-抽取單元，用于基于所述決策抽取所述形狀模型的模板格網，由此確 定所述形狀模型的模板格網。本發(fā)明的另一目的是提供一種開篇所述種類的工作站，該工作站能夠8調整更好地描述所有位置的研究目標的形狀模型的模板格網。通過如下方 式實現這一 目的,使該工作站包括針對圖像數據集調整形狀模型的模板格 網的系統(tǒng)，將該系統(tǒng)設置成使用可以由所要求保護的基于形狀模型的多個 實例確定形狀模型的模板格網的系統(tǒng)獲得的形狀模型的模板格網。本發(fā)明的另一目的是提供開篇所述種類的計算機程序產品，在所述計 算機程序產品運行于計算機上時，其確定更好地描述所有位置的研究目標 的形狀模型的模板格網。這是通過該計算機程序產品包括存儲在計算機可 讀介質上用于執(zhí)行如下任務的程序代碼裝置來實現的-獲得模板格網的多個實例；-計算多個結果，所述多個結果包括基于所述形狀模型的多個實例中的 所述形狀模型的第一實例計算的第一結果以及基于所述形狀模型的多個實 例中的所述形狀模型的第二實例計算的第二結果；-基于包括所述第一結果和所述第二結果的所述多個結果做出決策；以及-基于所述決策抽取所述形狀模型的模板格網，由此確定所述形狀模型 的模板格網。本發(fā)明的另一目的是提供一種開篇所述種類的計算機程序產品，該計 算機程序產品能夠調整更好地描述所有位置的研究目標的形狀模型的模板 格網。這是通過如下方式實現的該計算機程序產品包括存儲在計算機可 讀介質上的程序代碼裝置，將該程序代碼裝置設置成當所述程序產品運行 于計算機上時，該程序代碼裝置使用可由所要求保護的基于形狀模型的多 個實例確定形狀模型的模板格網的方法獲得的形狀模型的模板格網。可以由技術人員基于本說明書執(zhí)行對應于描述的所述確定形狀模型的 模板格網的方法及其變化的變型的，形狀模型的模板格網、調整形狀模型 的模板格網的方法、確定形狀模型的模板格網的系統(tǒng)、調整形狀模型的模 板格網的系統(tǒng)、圖像獲取設備、工作站和/或計算機程序產品的變型及其變 化。在將本發(fā)明的方法應用于以3D圖像數據集表示研究目標的形狀模型 時，該方法特別有用。現今可以通過各種數據采集設備來例行地產生這種圖像數據集，數據采集設備例如是但不限于磁共振成像(MRI)、計算層析X 射線攝影(CT)、超聲波(US)、正電子發(fā)射層析成像(PET)和單光子發(fā)射計算 層析X射線攝影(SPECT)。不過，還可以將本方法應用于以任何多維圖像 數據集表示研究目標的形狀模型。通過下面所述的實施形式和實施例并參考附圖，本發(fā)明的這些和其他方面將變得明了并得到闡明，附圖中圖l示出了確定形狀模型的模板格網的方法的示例性實施例的流程圖； 圖2示意性地示出了用于確定形狀模型的模板格網的系統(tǒng)的示例性實施例；圖3示意性地示出了包括用于確定形狀模型的模板格網的系統(tǒng)的圖像 獲取設備的示例性實施例；以及圖4示意性地示出了包括用于確定形狀模型的模板格網的系統(tǒng)的工作 站的示例性實施例。在所有附圖中用相同的附圖標記表示類似的部分。

圖1示出了確定形狀模型的模板格網的方法100的示例性實施例的流 程圖。在開始步驟101之后，該方法100前進到獲得步驟110，以獲得形狀 模型的多個實例。在獲得步驟之后，該方法100前進到計算步驟120，用于 基于形狀模型的實例計算結果。該方法IOO然后前進到決策步驟130，在決 策步驟，基于在計算歩驟120中計算的結果做出對形狀模型的模板格網抽 取的決策。如果該決策是抽取形狀模型的模板格網，那么方法100前進到 抽取步驟140，用于抽取模板格網。在抽取步驟140之后，該方法100前進 到循環(huán)步驟150。如果該決策是不抽取形狀模型的模板格網，那么方法IOO 跳過抽取步驟140而前進到循環(huán)步驟150。在循環(huán)步驟150中，生成用于繼 續(xù)抽取模板格網，即用于繼續(xù)確定形狀模型的模板格網的條件。如果要進 一步抽取格網，那么該方法返回到計算步驟120。否則，該方法前進到終止 步驟199。方法100的輸入包括形狀模型的多個實例。在獲得步驟110中獲得形 狀模型的該多個實例。形狀模型的每個實例包括模板格網的實例。模板格網包括許多頂點，在該上下文中，也可以將模板格網稱為點分布模型(PDM)。通常，模板格網還包括多個邊。每個邊的末端為模板格網的頂點。可以用頂點列表和連接頂點的邊列表來表示這種模板格網?？梢詫⒂蛇叡舜诉B接的兩個頂點稱為相鄰頂點。此外，模板格網的頂點和邊可以界定模板格網的面。如果所有面都是多邊形，那么將模板格網稱為多邊形模板格網。如果所有面都是三角形，那么將模板格網稱為三角形模板格網或三角模板格網。如果格網的每個頂點都是恰好三個邊的末端，那么將該模板格 網稱為單形格網?；蛘?，方法100的輸入包括多個學習圖像數據集，可以在獲得步驟110 中用所述多個學習圖像數據集構建形狀模型的實例。每個學習圖像數據集 包括要用形狀模型建模的研究目標，例如肱骨或股骨。例如，可以由用戶 選擇學習圖像，或者從圖像數據集數據庫自動選擇學習圖像?？梢詫W習 圖像進行分割?；蛘?，該確定形狀模型的模板格網的方法還可以包括分割 步驟，用于對學習圖像數據集中的研究目標進行分割。例如，可以使用手 動圖像分割對目標分割。在計算步驟120中使用在獲得步驟110中獲得的多個形狀模型計算多 個結果，該多個結果包括基于多個形狀模型的實例中的形狀模型的第一實 例計算的第一結果以及基于所述多個形狀模型的實例中的形狀模型的第二 實例計算的第二結果。例如，第一結果可以包括從模板格網的第一實例中 的模板格網的某一頂點到第一平均平面的距離，該第一平均平面可以定為 由邊連接的模板格網第一實例的所有頂點到該頂點的距離的平方和最小的 平面。類似地，第二結果可以包括針對模板格網第二實例計算的類似距離。 來自多個結果的另一結果還可以包括針對模板格網的另一實例計算的類似 距離。在另一個例子中，多個結果中的結果可以包括由始于模板格網實例中 的頂點的邊定義的內部立體角的量度。在又一個例子中，結果可以包括始 于模板格網實例中的某頂點的兩條邊長度的最大比值。在又一例子中，結 果可以包括如參考文獻2的3.2節(jié)所述的局部曲率的量度。多個結果中的結 果還可以包括多種數據，例如內部立體角的量度和兩條邊的長度的最大比 值。本領域技術人員會明白，所述的結果例示了本發(fā)明的實施例但不限制權利要求的范圍。該方法100還包括決策步驟130，用于基于包括第一結果和第二結果的 多個結果做出決策。如果多個結果中的結果滿足特定條件，可以采取抽取 模板格網的決策。例如，如果對于模板格網的所有實例，從模板格網的某 頂點到如前一例子所述的平均平面的距離的平均小于閾值，那么該決策可 以是通過從模板格網去除某頂點來抽取模板格網。如果該平均距離大于或 等于預定閾值，該決策可以是不從模板格網去除該某頂點。該特定條件可 以包括其他要求，例如，在模板格網的所有實例中，從模板格網的某頂點 到平均平面的距離的最大值小于平均距離的兩倍和/或所述距離的標準偏 差小于閾值。可以預先定義或可以由用戶選擇條件，例如各種閾值。該方法100還包括抽取步驟140，用于基于在決策步驟130中導出的決 策抽取形狀模型的模板格網。在文獻中介紹過很多抽取算法。在1998年10 月的Proceedings Graphics Interface'98的311-18頁中L, Kobbelt， S. Campagna禾卩H. P. Seidel的文章"A General Framework for Mesh Decimation" 中提供了格網抽取算法的綜述，在此通過引用將其并入本文。模板格網的 選擇，例如多邊形、三角形或單形(simplex)，對抽取算法的選擇有影響。 抽取算法的選擇影響著包括在計算步驟120中要針對模板格網實例計算的 多個結果的抽取準則的選擇、在決策步驟130中用于導出抽取模板格網的 決策的條件的選擇以及在抽取步驟140中執(zhí)行的抽取任務。抽取任務包括去除模板格網的頂點和/或邊，以及(如果需要的話)通過 固定(例如三角形化)所得孔來生成新模板格網。例如，用于抽取三角形格網 的單純算法按如下方式工作去除某頂點以及始于該頂點的邊，并且通過 生成至少一個新邊來使所得的孔成為三角形。在參考文獻3中描述了這種 和其他用于抽取三角形格網的算法。此外，可以重新配置被抽取模板格網 的實例以改善被抽取模板格網的光滑度和縱橫比。此外，還可以針對相應 學習圖像數據集中包括的相應研究目標實例再次調整被抽取模板格網的實 例?；蛘?，可以針對模板格網的相應實例再次調整已抽取模板格網的實例。本領域技術人員將認識到，有很多種抽取算法可能對實施本發(fā)明的方 法有用，上述算法例示了本發(fā)明而不限制權利要求的范圍。在根據本發(fā)明的方法100的實施例中，多個結果包括在計算步驟120中計算的多個結果。在決策步驟130中導出多個決策。在抽取步驟140中 抽取多個頂點和/或邊。例如，在計算步驟120中計算的多個結果可以包括 針對每個頂點和模板格網的每個實例的內部立體角的量度。在決策步驟130 中可以將立體角量度滿足條件的每個頂點標志為要刪除。在抽取步驟140 中可以從模板格網中刪除被標識為刪除的所有頂點以及始于這些頂點的所 有邊。在根據本發(fā)明的方法100的實施例中，第一結果包括抽取模板格網的 第一選項，第二結果包括抽取模板格網的第二選項。例如，第一和第二選 項可以包括諸如"是"或"否"的雙態(tài)判斷，即對贊成或反對抽取形狀模型的 模板格網的動作投票，或者可以包括來自評價抽取形狀模型的模板格網的 動作有用性的分級標度的級別，即數值。來自多個結果的其他結果還可以 包括這種判斷或級別?？梢栽跊Q策步驟130中使用多個選項或級別。例如， 可以從來自多個雙態(tài)選項的雙態(tài)選項的布爾積，或從來自多個級別的級別 代數和來導出抽取模板格網的決策。在根據本發(fā)明的方法100的實施例中，第一結果基于形狀模型第一實 例中的特征函數的第一估值，第二結果基于形狀模型第二實例中的特征函 數的第二估值。特征函數是很多形狀模型的重要部分，例如在2001年 Springer的Proc. IPMI第380-387頁J. Weese， V. Pekar, M. Kaus， C. lorenz， S. Lobregt禾卩R Truyen的文章"Shape constrained deformable models for 3D medical image segmentation"中描述的形狀模型，在此通過引用將其并入本 文。有利地，可以利用例如下述特征優(yōu)化方法來優(yōu)化形狀模型的特征函數， 艮卩在2005年Amsterdam: Elsevier的Lemke， Heinz U.(Ed.)， Computer Assisted Radiology and Surgery, Proceedings CARS 2005中第33-38頁Jochen Peters, Olivier Ecabert禾口 Jiirgen Weese的文章"Feature Optimization Via Simulated Search for Model-Based Heart Segmentation"中描述的特征優(yōu)化方法，以下將 該文章簡稱為參考文獻4，在此通過引用將其并入本文。在三角形模板格網 的示例性情況下，用于通過去除邊來抽取模板格網的條件例如可以是這樣 的對于模板格網的每個實例，與包括所述邊的三角形相關的特征函數是 等價的，例如，具有基本相同的參數值。從抽取模板格網獲得的孔的三角 形化獲得的三角形的新特征函數包括所述相同參數。這種標準排除了將具有不同特征函數的三角形合并的可能，即，將位于本地圖像外觀有大的改 變可能的位置處的三角形合并的可能。于是，新的特征函數將決定用于針 對圖像數據集調整模板格網的良好目標特征。用于抽取模板格網的較弱條 件是，特征函數是相似的，S卩，特征函數相似性的量度大于閾值。該閾值 可以是該方法的預定參數，可以通過該方法計算，或可以由用戶定義。其 他條件可以涉及特征函數的參數統(tǒng)計矩，例如平均和/或變動。對已抽取格 網中的孔三角形化獲得的三角形可以繼承平均特征函數，可以通過被合并 三角形的特征函數的參數平均來定義該平均特征函數?；蛘?，可以利用參考文獻4的方法確定特征函數。在根據本發(fā)明的方法100的實施例中，對抽取三角形模板格網的決策 基于在相鄰三角形(即共享邊的三角形)中同時出現特征函數或其參數的概 率。可以將相鄰三角形中同時出現特征函數的概率定義為所述相鄰三角形 具有相同特征函數的形狀模型的實例數量與形狀模型的實例總數量的比 值。如果該概率超過閾值，可以從格網去除共享的邊。本領域技術人員將會認識到，特征函數僅僅是形狀模型和/或形狀模型 的實例的很多特征中之一，并且可以在本發(fā)明的其他實施例中有利地使用 其他特征。在根據本發(fā)明的方法100的實施例中，該獲得步驟110包括 -第一構建步驟，用于基于多個學習圖像數據集構建形狀模型；以及 -第二構建步驟，用于基于多個學習圖像數據集構建形狀模型的實例。 在第一構建步驟中，基于多個學習圖像數據集中的分割的學習圖像數 據集構建包括點分布模型的形狀模型的模板格網。為了生成表示學習圖像 中包括的被描繪研究目標的表面的點分布模型，必需要從學習圖像數據集 中選擇體對voxel)子集作為表面點?？梢詫⒈砻骟w素定義為26-連接到背景 體素的目標體素。任選地，為了獲得目標表面的完全參數化，可以對表示 體素的表面點集進行三角形化。例如，可以利用1997年Springer出版的 M. de Berg ， M. van Kreveld ， M. Overmans 禾卩 O. Schwarzkopf 的 "Computational Geometry, Applications and Algorithms"第9章中描述的 Delaunay三角形劃分法來實現該目的，在此通過引用將該內容并入本文。 也可以將本領域技術人員公知的形狀模型的其他參數，例如特征函數分配給形狀模型的三角形格網的三角形。例如，可以利用參考文獻4的算法實 現此點。在第二構建步驟中，例示出形狀模型的多個實例。值得指出的是，形 狀模型的實例與在第一構建步驟中利用多個學習圖像數據集的分割學習圖 像數據集構建的形狀模型相同?？梢酝ㄟ^針對多個學習圖像數據集中的剩 余學習圖像數據集調整形狀模型獲得形狀模型的每個剩余實例，例如參考 文獻1的II.B和II.C部分所述?；蛘?，可以釆用參考文獻2的第4部分描 述的基于地界標的登記方法。第二構建步驟的輸出是形狀模型的多個實例。本領域技術人員將理解，還有構建形狀模型的其他定義和/或其他方 法，本發(fā)明的方法100可以有利地加以利用。例如， 一些模型可以包括三 角形格網，而其他模型可以包括單形格網。在本說明書中使用的形狀模型 用于例示本發(fā)明，并不限制權利要求的范圍。在根據本發(fā)明的方法100的實施例中，復制所獲得的模板格網及其多 個實例作為候選模板格網和候選模板格網的多個實例。例如，可以在計算 步驟120中執(zhí)行該任務。還存儲參考模板格網和參考模板格網的多個實例。 參考模板格網和參考模板格網的多個實例可以分別與在獲得步驟110中獲 得的模板格網和其多個實例相同，即與第一構建步驟中計算的高分辨率模 板格網和第二構建步驟中計算的其實例相同。在計算步驟120中抽取候選 模板格網。然后針對多個學習圖像數據集中的每個學習圖像數據集調整己 抽取候選模板格網。在計算步驟120中進一步計算的多個結果可以包括候 選模板格網實例和參考模板格網的相應實例之間的體積差異。例如，可以 將體積差異定義為夾在候選模板格網實例和參考模板格網相應實例之間的 區(qū)域體積之和，或由候選模板格網實例圍繞的形狀和參考模板格網的相應 實例圍繞的形狀的集合理論對稱差分的體積。在決策步驟130中，可以計 算兩個模板格網的實例的體積差異。例如，可以將兩個模板格網實例的體 積差異之和與閾值比較。然后可以基于在抽取步驟140中進行的這一比較 接受或拒絕候選格網作為模板格網。在根據本發(fā)明的方法100的實施例中，該方法100還包括用于設置抽 取模板格網的標準的設置步驟。例如，該標準可以是要在計算步驟120中 計算的多個結果的每個結果小于閾值。另一標準可以是要在計算步驟120中計算的多個結果的結果平均值大于閾值。另一標準可以是計算步驟120 中計算的多個結果的結果相同。另一標準可以是基于在計算步驟120中計 算的多個結果的結果計算的成本函數達到最佳。成本函數的例子為定義模 板格網的參數數量?？梢砸蠖x成本函數最佳值的參數滿足一些條件， 這不會允許模板格網的實例與研究目標的模型化實例相差懸殊。標準可以 包括多個子標準。在設置步驟中設置的標準影響著計算步驟120、決策步驟 130、抽取步驟140和循環(huán)步驟150的實施?？梢杂稍摲椒ɑ谠O置步驟中 設置的條件自動選擇這些步驟中的至少一個的適當實施。任選地，例如， 可以由用戶在設置步驟中交互式地確定這些步驟中的至少一個的適當實 施。可以迭代計算步驟110、決策步驟120和抽取步驟130。迭代次數可以 通過迭代條件定義。在根據本發(fā)明的方法100的實施例中，方法100包括 用于檢查迭代條件的循環(huán)步驟150。例如，迭代條件可以基于迭代次數的最 大值，模板格網中的頂點數，成本函數的估算和/或已抽取模板格網的估算。 例如，如果抽取模板格網的否定決策數量超過閾值，那么可以終止迭代。 本領域技術人員將理解，可以有很多其他終止重復的條件，且可以利用布 爾和/或數值表達式組合多個條件。在本發(fā)明的方法100的所述實施例中的步驟次序不是強制的，本領域 技術人員可以改變一些步驟的次序，或利用線程模型、多處理器系統(tǒng)或多 過程并行執(zhí)行一些步驟，而并沒有脫離本發(fā)明的原理。任選地，可以將本 發(fā)明的方法100的兩個或更多步驟組合成一個步驟。任選地，可以將本發(fā) 明的方法100的步驟分成多個步驟?？梢詫⒎椒↖OO，例如圖1中的流程圖所示的方法，實現為計算機程序 產品，且可以存儲在任何適當的介質，例如磁帶、磁盤或光盤上?？梢詫?該計算機程序加載到包括處理單元和存儲器的計算機裝置中。在被加載之 后，該計算機程序產品為處理單元提供執(zhí)行方法100的步驟的能力。圖2示意性地示出了基于包括如下單元的形狀模型的多個實例確定形 狀模型的模板格網的系統(tǒng)200的示例性實施例-用于獲得模板格網的多個實例的獲得單元210;-用于計算多個結果的計算單元220;-用于基于多個結果做出決策的決策單元230; -用于基于決策抽取形狀模型的模板格網的抽取單元240; -用于控制迭代的循環(huán)單元250; -用于和系統(tǒng)200通信的用戶接口 265;以及 -用于存儲數據的存儲單元270。在圖2所示的系統(tǒng)200的實施例中，有三個用于輸入數據的輸入連接 器281、 282和283。將第一輸入連接器281設置為接收從數據存儲器輸入 的數據，該數據存儲器例如為硬盤、磁帶、閃速存儲器或光盤。將第二輸 入連接器282設置為接收來自用戶輸入裝置的數據，該用戶輸入裝置例如 是但不限于鼠標或觸摸屏。將第三輸入連接器283設置為接收來自諸如鍵 盤的用戶輸入裝置的數據。輸入連接器281、 282和283連接到輸入控制單 元280。在圖2所示的系統(tǒng)200的實施例中，有兩個用于輸出數據的輸出連接 器291和292。將第一輸出連接器291設置為向數據存儲器輸出數據，該數 據存儲器例如為硬盤、磁帶、閃速存儲器或光盤。將第二輸出連接器292 設置為向顯示裝置輸出數據。輸出連接器291和292經由輸出控制單元290 接收相應數據。本領域技術人員將理解，有很多方法將輸入裝置連接到輸入連接器 281、 282和283，將輸出裝置連接到系統(tǒng)200的輸出連接器291和292。這 些方法包括但不限于有線和無線連接、諸如局域網(LAN)和廣域網(WAN) 的數字網絡、因特網、數字電話網和模擬電話網。在根據本發(fā)明的系統(tǒng)200的實施例中，系統(tǒng)200包括存儲單元270。將 系統(tǒng)200設置成經由任一輸入連接器281、 282和283從外部裝置接收輸入 數據并將所接收的輸入數據存儲在存儲單元270中。將數據加載到存儲單 元270中允許通過系統(tǒng)200的各單元快速訪問相關數據部分。輸入數據可 以包括形狀模型的多個實例和/或多個學習圖像數據集?？梢酝ㄟ^諸如隨機 存取存儲器(RAM)芯片、只讀存儲器(ROM)芯片和/或硬盤的器件實現存儲 單元270。優(yōu)選地，存儲單元270包括RAM，用于存儲輸入數據和/或輸出 數據。還將存儲單元270設置成經由存儲器總線275從包括獲得單元210、 計算單元220、決策單元230、抽取單元240、循環(huán)單元250和用戶接口 265的系統(tǒng)200的多個單元接收數據以及向所述多個單元提供數據。進一步將 存儲單元270設置成使外部裝置經由輸出連接器291和292的任一個可以 使用數據。將來自系統(tǒng)200的單元的數據存儲在存儲單元270中有利地改 善了系統(tǒng)200的單元性能以及從系統(tǒng)200的單元向外部裝置轉移數據的速 率。或者，系統(tǒng)200不包括存儲單元270和存儲器總線275。由至少一個連 接到系統(tǒng)200的單元的外部裝置，例如外存儲器或處理器提供系統(tǒng)200所 用的輸入數據。類似地，向至少一個連接到系統(tǒng)200的單元的外部裝置， 例如外存儲器或處理器提供系統(tǒng)200所產生的輸出數據。將系統(tǒng)200的單 元設置成經由內部連接或經由數據總線彼此之間接收數據。在根據本發(fā)明的系統(tǒng)200的另一實施例中，系統(tǒng)200包括用于和系統(tǒng) 200通信的用戶接口 265。用戶接口 265可以包括用于向用戶顯示數據的顯 示單元和用于做出選擇的選擇單元。將系統(tǒng)200與用戶接口 265組合允許 用戶與系統(tǒng)200通信?？梢詫⒂脩艚涌?265設置成接受由用戶選擇的用于 抽取模板格網的標準?？梢赃M一步將用戶接口 265設置成顯示模板格網的 實例。任選地，用戶接口可以包括系統(tǒng)200的多個工作模式，例如使用多 種抽取算法之一的模式，這可以由系統(tǒng)200實現。本領域技術人員將理解， 可以在系統(tǒng)200的用戶接口 265中有利地實現更多功能?；蛘?，該系統(tǒng)可以采用經由輸入連接器282和/或283以及輸出連接器 292連接到系統(tǒng)200的外部輸入裝置和/或外部顯示器。本領域技術人員還 將理解，有很多可以有利地包括在本發(fā)明的系統(tǒng)200中的用戶接口裝置。圖3示意性地示出了采用本發(fā)明的系統(tǒng)200的圖像獲取設備300的實 施例，所述圖像獲取設備300包括經由內部連接與系統(tǒng)200相連的圖像采 集單元310、輸入連接器301和輸出連接器302。這種布置有利地提高了圖 像獲取設備300的能力，為所述圖像獲取設備300提供了系統(tǒng)200用于確 定形狀模型的模板格網以及使用系統(tǒng)200可獲得的形狀模型的模板格網進 行圖像分割的有利能力。圖像獲取設備的例子包括但不限于CT系統(tǒng)、X 射線系統(tǒng)、MRI系統(tǒng)、US系統(tǒng)、PET系統(tǒng)和SPECT系統(tǒng)。圖4示意性地示出了工作站400的實施例。該工作站包括系統(tǒng)總線401 。 將處理器410、存儲器420、磁盤輸入/輸出(I/0)適配器430以及用戶接口(UI)440可操作地連接到系統(tǒng)總線401。將磁盤存儲裝置431可操作地耦合 到磁盤I/0適配器430。將鍵盤441、鼠標442和顯示器443可操作地耦合 到UI 440。將被實現為計算機程序的本發(fā)明的系統(tǒng)200存儲在磁盤存儲裝 置431中。設置工作站400以向存儲器420中加載程序和輸入數據并在處 理器410上執(zhí)行程序。用戶可以使用鍵盤441和/或鼠標442向工作站400 輸入信息。將工作站設置成向顯示裝置443和/或磁盤431輸出信息。技術 人員將理解，現有技術中已知有很多工作站400的其他實施例，本實施例 的目的是例示本發(fā)明，決不可將其視為把本發(fā)明限制到這一特定實施例。應當指出，上述實施例例示而非限制本發(fā)明，且本領域的技術人員將 能夠設計出替換實施例而不脫離所附權利要求的范圍。在權利要求中，不 應將括號中的任何附圖標記視為限制權利要求。"包括"一詞并不排除存在 權利要求或說明書中未列示的元件或步驟。元件前的"一"或"一個"并不 排除存在多個這種元件?？梢岳冒ㄈ舾刹煌挠布蚶眠m當的 程序控制計算機來實現本發(fā)明。在列舉若干單元的系統(tǒng)權利要求中，可以 用同一件硬件或軟件實現這些單元中的幾個。使用單詞第一、第二和第三 等并不表示任何次序。要將這些單詞視為名稱。
權利要求
1、一種基于形狀模型的多個實例確定所述形狀模型的模板格網的方法(100)，所述方法(100)包括-獲得步驟(110)，用于獲得所述模板格網的多個實例；-計算步驟(120)，用于計算多個結果，所述多個結果包括基于所述形狀模型的多個實例中的所述形狀模型的第一實例計算的第一結果以及基于所述形狀模型的多個實例中的所述形狀模型的第二實例計算的第二結果；-決策步驟(130)，用于基于包括所述第一結果和所述第二結果的所述多個結果做出決策；以及-抽取步驟(140)，用于基于所述決策抽取所述形狀模型的模板格網，由此確定所述形狀模型的模板格網。
2、 根據權利要求1所述的方法(100)，其中所述第一結果包括關于抽取 所述模板格網的第一判斷，且所述第二結果包括關于抽取所述模板格網的 第二判斷。
3、 根據權利要求1所述的方法(100)，其中所述第一結果基于所述形狀 模型第一實例中的特征函數的第一估值，所述第二結果基于所述形狀模型 第二實例中的特征函數的第二估值。
4、 根據權利要求1所述的方法(100)，其中所述實例獲得步驟(110)包括-第一構建步驟，用于基于多個學習圖像數據集構建所述形狀模型；以及-第二構建步驟，用于基于所述多個學習圖像數據集構建形狀模型的實例。
5、 一種可以由權利要求1所述的方法(100)獲得的形狀模型的模板格網。
6、 一種針對圖像數據集調整如權利要求0所述的形狀模型的模板格網 的方法。
7、 一種基于形狀模型的多個實例確定所述形狀模型的模板格網的系統(tǒng) (200)，所述系統(tǒng)(200)包括-獲得單元(210)，用于獲得所述模板格網的多個實例；-計算單元(220)，用于計算多個結果，所述多個結果包括基于所述形狀 模型的多個實例中的所述形狀模型的第一實例計算的第一結果以及基于所 述形狀模型的多個實例中的所述形狀模型的第二實例計算的第二結果；-決策單元(230)，用于基于包括所述第一結果和所述第二結果的所述多 個結果做出決策；以及-抽取單元(240)，用于基于所述決策抽取所述形狀模型的模板格網，由 此確定所述形狀模型的模板格網。
8、 一種針對圖像數據集調整如權利要求0所述的形狀模型的模板格網 的系統(tǒng)。
9、 一種包括權利要求0或0的任一項所述的系統(tǒng)的圖像獲取設備(300)。
10、 一種包括權利要求0或0的任一項所述的系統(tǒng)的工作站(400)。
11、 一種計算機程序產品，其包括存儲在計算機可讀介質上的程序代 碼裝置，所述程序代碼裝置用于當所述程序產品在計算機上運行時執(zhí)行根 據權利要求1或權利要求0所述的方法。
全文摘要
本發(fā)明涉及一種基于形狀模型的多個實例確定形狀模型的模板格網的方法(100)和系統(tǒng)(200)。該確定形狀模型的模板格網的方法包括獲得步驟(110)，用于獲得所述模板格網的多個實例；計算步驟(120)，用于基于形狀模型的多個實例計算多個結果，決策步驟(130)，用于基于多個結果做出決策，以及抽取步驟(140)，用于基于所述決策抽取所述形狀模型的模板格網，由此確定所述形狀模型的模板格網。于是，通過本發(fā)明的方法確定的形狀模型的模板格網較好地描述了所有位置處的研究目標。
文檔編號G06T17/10GK101331524SQ200680046927
公開日2008年12月24日 申請日期2006年12月15日 優(yōu)先權日2005年12月16日
發(fā)明者C·洛倫茨, F·A·赫里特森, J·V·貝格, J·威斯, J·彼得斯, O·艾卡伯特 申請人:皇家飛利浦電子股份有限公司