專(zhuān)利名稱(chēng)：：基于先驗(yàn)知識(shí)測(cè)地幾何流的二維序列醫(yī)學(xué)圖像分割方法基于先驗(yàn)知識(shí)測(cè)地幾何流的二維序列醫(yī)學(xué)圖像分割方法(一)
技術(shù)領(lǐng)域：
'本發(fā)明涉及醫(yī)學(xué)圖像分割領(lǐng)域，尤其涉及一種高效的三維醫(yī)學(xué)圖像分割方法。(二)
背景技術(shù)：
：在醫(yī)學(xué)圖像處理與分析應(yīng)用中，圖像分割技術(shù)起著關(guān)鍵的作用。醫(yī)學(xué)圖像分割的任務(wù)是從醫(yī)學(xué)圖像中提取包含重要診斷信息的感興趣區(qū)域(Regionoflnterest)，為臨床診療和病理學(xué)研究提供可靠的依據(jù)。由于醫(yī)學(xué)圖像的成像原理和人體組織結(jié)構(gòu)本身的復(fù)雜性和差異性，醫(yī)學(xué)圖像與普通圖像比較，不可避免地具有模糊、不均勻性等特點(diǎn)；同時(shí)，醫(yī)學(xué)成像技術(shù)的快速發(fā)展使得各種復(fù)雜的海量醫(yī)學(xué)圖像數(shù)據(jù)成為可能，這些都對(duì)分割技術(shù)提出了更高的要求。人體組織器官的三維圖像分割是醫(yī)學(xué)圖像分析和醫(yī)療診斷的重要前提，是醫(yī)學(xué)圖像三維可視化的重要研究?jī)?nèi)容。計(jì)算機(jī)技術(shù)的發(fā)展使得醫(yī)生和研究者可以通過(guò)虛擬交互更好地理解人體的解剖結(jié)構(gòu)，對(duì)病人作出正確的診斷。在對(duì)人體組織器官和感興趣區(qū)域的分割中，三維分割發(fā)揮著十分重要的作用。三維醫(yī)學(xué)圖像分割是指將感興趣區(qū)域(包括正常解剖結(jié)構(gòu)或病變組織)從二維醫(yī)學(xué)斷層圖像序列"堆"成的三維體數(shù)據(jù)中分離(提取)出來(lái)，其目的是提供關(guān)鍵解剖結(jié)構(gòu)和病理組織的精確形狀表示，用來(lái)對(duì)病理或正常的組織結(jié)構(gòu)進(jìn)行量化研究，或?yàn)樾g(shù)前和術(shù)中交互的手術(shù)計(jì)劃提供組織結(jié)構(gòu)的三維可視化。從處理方式上，三維圖像分割方法大體上可分為三類(lèi)二維分割法、2.5維分割法和三維分割法。二維分割法是指將三維醫(yī)學(xué)圖像分層為二維圖像空間序列，分別對(duì)各層切片進(jìn)行獨(dú)立分割處理，然后將各層的分割結(jié)果組合起來(lái)，作為三維圖像的分割結(jié)果。2.5維分割法是指在二維分割法的基礎(chǔ)上，引入二維圖像空間序列的層間相關(guān)性加以改進(jìn)的分割法。三維分割法是指本質(zhì)三維方法，即直接在三維空間中進(jìn)行體數(shù)據(jù)分割。測(cè)地幾何活動(dòng)輪廓模型作為對(duì)傳統(tǒng)幾何活動(dòng)輪廓模型的一種有效改進(jìn)，是三維醫(yī)學(xué)圖像分割中常用的方法之一。該模型由Kichenassamy等和Caselles等分別從不同的角度提出，其測(cè)地幾何流為<formula>formulaseeoriginaldocumentpage3</formula>其中/c為曲率邊緣檢測(cè)函數(shù)g可選取為或更快收斂到零的<formula>formulaseeoriginaldocumentpage4</formula>在圖像中的同質(zhì)性區(qū)域上，梯度變化比較平緩，g為一個(gè)較大的正數(shù)，調(diào)節(jié)著曲線(xiàn)的演化速度。當(dāng)曲線(xiàn)運(yùn)動(dòng)到邊界鄰近時(shí)，梯度急劇增大，g趨向于零，即滿(mǎn)足邊界停止條件，使得曲線(xiàn)停止在邊界上。但是由于這個(gè)邊緣檢測(cè)函數(shù)僅僅依賴(lài)于邊界上的梯度，因而對(duì)于有間斷或弱邊緣的圖像，輪廓曲線(xiàn)會(huì)跨過(guò)真實(shí)邊界，并且不會(huì)改變運(yùn)動(dòng)方向，從而導(dǎo)致錯(cuò)誤分割。該模型的第三項(xiàng)VgW^為邊緣吸引項(xiàng)，其作用是吸引輪廓曲線(xiàn)向著目標(biāo)的邊界位置運(yùn)動(dòng)，并且演化曲線(xiàn)越過(guò)真實(shí)邊界時(shí)，可以將它重新"拉回"到邊界上，因此在一定程度上改善了邊緣"泄漏現(xiàn)象"。但由于這一項(xiàng)僅依賴(lài)于圖像的梯度信息，所以這個(gè)外力可能仍然不足以徹底解決圖像弱邊緣的間隙泄露問(wèn)題。
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種分割質(zhì)量高，能夠改善幾何活動(dòng)輪廓模型對(duì)于圖層中的間斷邊緣或弱邊緣時(shí)出現(xiàn)的邊緣泄漏現(xiàn)象，提高分割結(jié)果的精確性和穩(wěn)定性的基于先驗(yàn)知識(shí)測(cè)地幾何流的二維序列醫(yī)學(xué)圖像分割方法。本發(fā)明的目的是這樣實(shí)現(xiàn)的首先對(duì)某一層二維圖像應(yīng)用分水嶺算法進(jìn)行初歩分割，以初始層的粗分割結(jié)果為初始邊界，然后由初始層開(kāi)始分別向上下兩側(cè)的鄰層圖像逐一采用水平集方法進(jìn)行細(xì)分割，其中每一層的細(xì)化分割結(jié)果作為下一層的初始邊界，且以鄰層梯度參考項(xiàng)的形式為下一層提供梯度先驗(yàn)信息，逐層分割，直到分割完所有的圖層.，最后合并所有圖層的分割結(jié)果，即為最終分割結(jié)果。本發(fā)明針對(duì)醫(yī)學(xué)三維圖像中感興趣區(qū)域在層間相似性較強(qiáng)的分割一問(wèn)題，首先對(duì)測(cè)地幾何流模型進(jìn)行改進(jìn)，給出融合先驗(yàn)知識(shí)的測(cè)地幾何流模型，進(jìn)一歩改善幾何活動(dòng)輪廓模型對(duì)于圖層中的間斷邊緣或弱邊緣時(shí)出現(xiàn)的邊緣泄漏現(xiàn)象；然后引進(jìn)層間局部梯度相似性作為先驗(yàn)知識(shí)，提出一種新的2.5維分割法。為了進(jìn)一歩增強(qiáng)分割的穩(wěn)定性，本發(fā)明利用己分割鄰層中的局部區(qū)域中的梯度信息，在邊緣檢測(cè)函數(shù)中引入梯度相似性。與傳統(tǒng)的邊緣檢測(cè)p數(shù)不同的是，我們?cè)黾恿肃弻犹荻葏⒖柬?xiàng)，新的邊緣檢測(cè)函數(shù)表示如下或更快收斂到零的二exP{—IVGV(.m)*州一a(/)lVGV(.c'jz)*/(a;，s/)|}(5)其屮//為權(quán)重系數(shù)，/為提供初始邊界信息的圖層，A(/)為權(quán)重函數(shù)。鄰層梯度參考項(xiàng)中，權(quán)重函數(shù)A(/)根據(jù)鄰層圖像的信息動(dòng)態(tài)調(diào)整。一方面，/中輪廓邊界所包圍的面枳越大，對(duì)應(yīng)的目標(biāo)解剖結(jié)構(gòu)較大，序列間變化相對(duì)較緩，則邊界附近區(qū)域的梯度信息的參考意義越大，/l應(yīng)較大；反之，對(duì)應(yīng)的解剖結(jié)構(gòu)較小，序列間變化相對(duì)較快，則邊界附近區(qū)域的梯度信息參考意義較小，A應(yīng)較小。另一方面，切片圖層間距越小，層間相似性越強(qiáng)，A應(yīng)取較大正數(shù)；切片圖層間距越大，層間相似性越弱，義則應(yīng)取較小的正數(shù)。由以上分析，可取/l為/中邊界曲線(xiàn)所包圍面積與圖層間距的函數(shù)，表示為<formula>formulaseeoriginaldocumentpage5</formula>(6)其中〃,為權(quán)重系數(shù)，r(/)為參考圖層/中邊界曲線(xiàn)所包圍的面積；w/)為與參考圖層/層間間距。在傳統(tǒng)邊緣檢測(cè)函數(shù)的作用下，若圖層中出現(xiàn)了間斷邊緣或弱邊緣，g取值較大，曲線(xiàn)仍然快速運(yùn)動(dòng)，因而跨過(guò)邊界，造成"泄漏現(xiàn)象"。在新的邊緣檢測(cè)函數(shù)中，鄰層梯度參考項(xiàng)卻仍能正確地檢測(cè)到較大梯度，使得g接近于零，迫使曲線(xiàn)停止演化。梯度相似性的引入雖然一定程度上增大了邊緣檢測(cè)函數(shù)的計(jì)算量，但卻能提高分割結(jié)果的精確性和穩(wěn)定性。一方面，由于層間相似性較強(qiáng)，真實(shí)圖像邊界在鄰層之間變化比較緩慢，所需演化次數(shù)少，單次演化的速度不是首要問(wèn)題；另一方面，由于引入了鄰層梯度參考項(xiàng)，進(jìn)一歩改善了局部弱邊緣帶來(lái)的潛在"泄漏現(xiàn)象"，提高了分割質(zhì)量。在醫(yī)學(xué)圖像序列中，往往相鄰圖層之間的物體內(nèi)外的局部區(qū)域統(tǒng)計(jì)特性變化比較緩慢。例如腦灰質(zhì)、腦白質(zhì)或腦瘤等較大的塊狀結(jié)構(gòu)組織，它們的斷層圖像在序列間變化相對(duì)比較緩慢，下一層圖像與上一層圖像之間存在較強(qiáng)的相似性。但在醫(yī)學(xué)圖像分割的實(shí)際應(yīng)用中，已分割圖層中的物體邊界一般都僅僅用來(lái)給出相鄰的未分割切片中的初始位置，未分割切片中的輪廓初始化后，就將僅在該切片自身的信息引導(dǎo)下運(yùn)動(dòng)，與已分割切片不再有任何關(guān)系。為此，本發(fā)明提出基于先驗(yàn)知識(shí)測(cè)地幾何流的二維序列醫(yī)學(xué)圖像分割方法。該方法的基本思想是將已分割圖層中的感興趣區(qū)域邊界附近的梯度信息等局部區(qū)域特性作為相鄰圖層屮相應(yīng)的特性的一個(gè)估計(jì)，即已分割圖層中包含的信息不但用來(lái)初始化相鄰待分割圖層中的邊界曲線(xiàn)，而且作為測(cè)地幾何流的先驗(yàn)知識(shí)來(lái)引導(dǎo)待分割切片中的邊界曲線(xiàn)運(yùn)動(dòng)到物體的實(shí)際邊界，從而獲取更高效的分割質(zhì)量。本發(fā)明針對(duì)目標(biāo)層間相似性較強(qiáng)的二維醫(yī)學(xué)圖像，將已分割切片中的局部區(qū)域特征帶入相鄰的未待割切片中，并引導(dǎo)待分割切片屮的輪廓曲線(xiàn)收斂到目標(biāo)的實(shí)際邊界。該方法通過(guò)在邊緣檢測(cè)函數(shù)中引入鄰層先驗(yàn)信息對(duì)曲線(xiàn)演化的停止條件進(jìn)行改進(jìn)，從而將層間梯度相似性作為先驗(yàn)知識(shí)引入測(cè)地幾何流，進(jìn)一歩改善幾何活動(dòng)輪廓模型對(duì)于圖層中的間斷邊緣或弱邊緣時(shí)出現(xiàn)的邊緣泄漏現(xiàn)象，提高了三維醫(yī)學(xué)圖像分割的精確性和穩(wěn)定性。本發(fā)明在三維醫(yī)學(xué)圖像分割領(lǐng)域有著較大的應(yīng)用價(jià)值。(四)圖1為基于先驗(yàn)知識(shí)測(cè)地幾何流的二維序列醫(yī)學(xué)圖像分割方法的流程示意圖2-圖9為腦MR圖像序列；圖10-圖12為本發(fā)明方法分割結(jié)果；圖13-圖15為傳統(tǒng)測(cè)地幾何流分割結(jié)果。具體實(shí)施方式'以下結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一歩的詳細(xì)說(shuō)明本發(fā)明所涉及的方法通過(guò)計(jì)算機(jī)數(shù)值計(jì)算來(lái)實(shí)現(xiàn)。實(shí)施方式上主要分為兩個(gè)部分，一是選取適當(dāng)?shù)某跏紝硬@取分割結(jié)果，二是依次以上一分割結(jié)果為先驗(yàn)參考信息進(jìn)行下一個(gè)鄰層分割，具體流程參見(jiàn)圖1。圖1中首先對(duì)原三維腦MR圖像的二維序列101的選擇層n。進(jìn)行分水嶺粗分割102，其中先進(jìn)行傳統(tǒng)測(cè)地幾何流細(xì)分割103，以初始層的粗分割結(jié)果為初始邊界，然后由初始層開(kāi)始分別向上下兩側(cè)的鄰層圖像逐一采用水平集方法進(jìn)行細(xì)分割，先判斷n+l層存在且未分割，如果是則以n層細(xì)化分割結(jié)果作為n+l層的初始邊界，且以鄰層梯度參考項(xiàng)的形式為下一層提供梯度先驗(yàn)信息，進(jìn)行先驗(yàn)知識(shí)測(cè)地幾何流細(xì)分割104，再對(duì)n=n+l判斷下一層是否存在且未分割；如果否則以n層細(xì)化分割結(jié)果作為n-l層的初始邊界，且以鄰層梯度參考項(xiàng)的形式為下一層提供梯度先驗(yàn)信息，進(jìn)行先驗(yàn)知識(shí)測(cè)地幾何流細(xì)分割105，再對(duì)i^n-l判斷下一層是否存在且未分割；逐層分割，直到分割完所有的圖層，最后合并所有圖層的分割結(jié)果，即為最終分割結(jié)果106。結(jié)合圖2-圖9，三維圖像(二維圖像空間序列)中，首先對(duì)某一層二維圖像應(yīng)用分水嶺算法進(jìn)行初歩分割。屮于在這些圖像序列的頂層、底層或者其他某些層中可能不包含感興趣區(qū)域，如果通過(guò)人工交互來(lái)縮小圖層范圍，將節(jié)省分割吋間。因此假定人工選取一個(gè)包含感興趣區(qū)域的合適的初始圖層，作為粗分割的對(duì)象。分水嶺算法的長(zhǎng)處是能快速捕捉圖像中所有的邊緣，包括弱邊緣。這一歩的結(jié)果作為下一歩細(xì)化分割的初始區(qū)域邊界。圖2-圖9中，其中腦圖像橫切面距頭頂?shù)木嚯x分別為56.7、75.5、91.3、106.1、113.3、122.8、135.4和147.9。以初始層的粗分割結(jié)果為初始邊界，然后由初始層丌始分別向上下兩側(cè)的鄰層圖像逐一采用水平集方法進(jìn)行細(xì)分割，其中每一層的細(xì)化分割結(jié)果作為下一層的初始邊界，且以鄰層梯度參考項(xiàng)的形式為下一層提供梯度先驗(yàn)信息。鄰層梯度參考項(xiàng)依據(jù)式(4)或式(5)計(jì)算，其中，權(quán)重系數(shù)義根據(jù)鄰層圖像的信息動(dòng)態(tài)調(diào)整。鄰層切片中輪廓邊界所包圍的面積越大，則邊界附近區(qū)域的梯度信息的參考意義越大，義應(yīng)較大；反之，邊界附近區(qū)域的梯度信息參考意義較小，/l應(yīng)較小。另一方面，圖層間距越小，層間相似性越強(qiáng)，A應(yīng)較大；圖層間距越大，層間相似性越弱，/l則應(yīng)較小。逐層分割，直到分割完所有的圖層。最后合并所有圖層的分割結(jié)果，即為最終分割結(jié)果。圖10-圖12給出了部分圖層的本發(fā)明方法的分割結(jié)果，圖IO為本發(fā)明腦灰質(zhì)圖層的分割結(jié)果，圖11為本發(fā)明腦白質(zhì)圖層的分割結(jié)果，圖12為本發(fā)明腦脊液圖層的分割結(jié)果，圖13-圖15給出了傳統(tǒng)的測(cè)地幾何流分割方法的結(jié)果，圖13為傳統(tǒng)方法分割腦灰質(zhì)圖層的結(jié)果，圖14為傳統(tǒng)方法分割腦白質(zhì)圖層的結(jié)果，圖15為傳統(tǒng)方法分割腦脊液圖層的結(jié)果。從這幾個(gè)圖中，可以觀察到本發(fā)明方法的分割精度要明顯好于傳統(tǒng)方法。表1給出了本發(fā)明方法與傳統(tǒng)測(cè)地幾何流方法的迭代次數(shù)和分割時(shí)間的平均值比較情況。表中數(shù)據(jù)表明，在本發(fā)明方法中，曲線(xiàn)演化迭代次數(shù)減少了約47%，分割時(shí)間則減少了約42%。表1本發(fā)明方法與傳統(tǒng)方法的迭代次數(shù)和分割時(shí)間的比較<table>tableseeoriginaldocumentpage7</column></row><table>權(quán)利要求1.基于先驗(yàn)知識(shí)測(cè)地幾何流的二維序列醫(yī)學(xué)圖像分割方法，其特征在于首先對(duì)某一層二維圖像應(yīng)用分水嶺算法進(jìn)行初步分割，以初始層的粗分割結(jié)果為初始邊界，然后由初始層開(kāi)始分別向上下兩側(cè)的鄰層圖像逐一采用水平集方法進(jìn)行細(xì)分割，其中每一層的細(xì)化分割結(jié)果作為下一層的初始邊界，且以鄰層梯度參考項(xiàng)的形式為下一層提供梯度先驗(yàn)信息，逐層分割，直到分割完所有的圖層，最后合并所有圖層的分割結(jié)果，即為最終分割結(jié)果。2.根據(jù)權(quán)利要求]所述的基于先驗(yàn)知識(shí)測(cè)地幾何流的二維序列醫(yī)學(xué)圖像分割方法，其特征在于在邊緣檢測(cè)函數(shù)引入了鄰層梯度參考項(xiàng)，邊緣檢測(cè)函數(shù)表示為或史快收斂到零的<formula>formulaseeoriginaldocumentpage2</formula>其中；/為權(quán)重系數(shù)，/為提供初始邊界信息的圖層，/1(力為權(quán)重函數(shù)。3.根據(jù)權(quán)利要求2所述的基丁先驗(yàn)知識(shí)測(cè)地幾何流的二維序列醫(yī)學(xué)圖像分割方法，其特征在于鄰層梯度參考項(xiàng)中，權(quán)重函數(shù)/l(/)根據(jù)鄰層圖像的信息動(dòng)態(tài)調(diào)整，<formula>formulaseeoriginaldocumentpage2</formula>其中；/，v為權(quán)重系數(shù)，r(/)為參考圖層/中邊界曲線(xiàn)所包圍的面積；5(/)為與參考圖層/層間間距。全文摘要本發(fā)明提供了一種基于先驗(yàn)知識(shí)測(cè)地幾何流的二維序列醫(yī)學(xué)圖像分割方法，首先對(duì)某一層二維圖像應(yīng)用分水嶺算法進(jìn)行初步分割，以初始層的粗分割結(jié)果為初始邊界，然后由初始層開(kāi)始分別向上下兩側(cè)的鄰層圖像逐一采用水平集方法進(jìn)行細(xì)分割，其中每一層的細(xì)化分割結(jié)果作為下一層的初始邊界，且以鄰層梯度參考項(xiàng)的形式為下一層提供梯度先驗(yàn)信息，逐層分割，直到分割完所有的圖層，最后合并所有圖層的分割結(jié)果。本發(fā)明通過(guò)在邊緣檢測(cè)函數(shù)中引入鄰層先驗(yàn)信息對(duì)曲線(xiàn)演化的停止條件進(jìn)行改進(jìn)，將層間梯度相似性作為先驗(yàn)知識(shí)引入測(cè)地幾何流，改善了幾何活動(dòng)輪廓模型對(duì)于圖層中的間斷邊緣或弱邊緣時(shí)出現(xiàn)的邊緣泄漏現(xiàn)象，提高了三維醫(yī)學(xué)圖像分割的精確性和穩(wěn)定性。文檔編號(hào)G06T7/60GK101303769SQ20081006489公開(kāi)日2008年11月12日申請(qǐng)日期2008年7月10日優(yōu)先權(quán)日2008年7月10日發(fā)明者毅沈,強(qiáng)王,郝家勝申請(qǐng)人:哈爾濱工業(yè)大學(xué)