專利名稱：一種針對動態(tài)增強乳腺磁共振影像序列的影像分割方法
技術領域：
本發(fā)明方案屬于醫(yī)學影像的計算機輔助分析的應用領域，具體涉及一種對動態(tài)增強的乳腺磁共振影像序列的分割方法。

背景技術：
乳腺癌是中老年女性最常見的惡性腫瘤之一，在中國已經(jīng)高居女性惡性腫瘤的首位，并有逐年上升以及發(fā)病年輕化的趨勢。目前對乳腺癌的預防尚無良策，因此早期的診斷和對腫瘤性質的判定是提高治愈率和降低死亡率的最有效途徑。對乳腺影像的檢測分析是成功檢測、診斷、治療乳腺腫瘤的重要依據(jù)，近二十年以來，在臨床上廣泛應用乳腺X線攝片對早期無癥狀的乳腺腫瘤進行檢測，然而，受其成像原理的制約，在乳腺X線攝片中高密度的正常乳腺組織也會呈現(xiàn)與異常組織相接近的高亮度，對乳腺組織較為致密的年輕亞洲女性，其病灶不易被發(fā)現(xiàn)，易造成漏診和誤診。據(jù)報道，由于在X光圖像上，癌變組織與致密的纖維組織難以分辨，大約40％~50％的絕經(jīng)前婦女的乳腺X光成像無法提供足夠的信息排除乳腺癌的可能，在對經(jīng)過乳腺保留治療的婦女進行術后復發(fā)的腫瘤檢測時，也會遇到同樣的問題。
近年發(fā)展的影像增強的核磁影像技術，利用磁場和射頻場對特定的增強劑進行成像，這種增強劑進入靜脈后，將隨著血流的增加，毛細血管的滲透性，以及細胞外容量的不同而不同程度地增加乳腺組織在影像上的對比度。由于這些對比度信息與乳腺瘤中的新的血管生成的信息是一致的，所以不同于X光的組織密度成像，影像增強的核磁成像是一種功能成像方式。研究表明，注入組織中的增強劑濃度分布隨時間的變化情況與乳腺中的腫瘤病灶性質有特定的關系。對注射影像增強劑前后的乳腺組織影像進行對比，可以清楚地看到影像增強劑在組織內的充盈與洗脫的過程，因此可以對腫瘤組織的血供情況進行判定，從而對腫瘤組織的性質做出判斷。目前，影像增強的磁共振影像是檢測浸潤性乳腺癌最為敏感的方式，敏感度可高達100％。而且它的敏感度不會被纖維組織削弱，在并不致密的乳腺組織中，這種技術也可以檢測出隱秘在X光圖像中的乳腺癌。因此影像增強的磁共振影像已經(jīng)成為了乳腺X光成像檢查的有力輔助。
對比增強MR成像的典型方法是基于T1加權的回波序列或梯度回波序列，在注射影像增強劑前后多次進行三維成像。通常，首先要獲取高空間分辨率的三維磁共振乳腺影像，然后用設定好速率的壓力注射器，通過靜脈注入已知劑量的增強劑，之后用快速成像磁共振脈沖序列再獲取多組高時間分辨率的序列圖像。這種成像方式一般會在注射增強劑后產(chǎn)生多組時間間隔小于2秒，空間分辨率從幾毫米到1厘米的雙側乳房的序列圖像。
與乳腺X線攝片不同，動態(tài)影像增強的磁共振影像提供一種四維(4D)的信息，即三維的體積影像體數(shù)據(jù)，以及該影像三維體數(shù)據(jù)隨時間變化的信息。因此，醫(yī)生要觀察的不再是乳腺X線攝片中所面對的每個病人的4張影像，而是高達每個病人數(shù)百張以上的影像。要在數(shù)百張影像中進行對比并做出判斷，大大增加了醫(yī)生的工作量。
采用動態(tài)增強的乳腺磁共振影像進行診斷的另一困難在于，磁共振影像的對比度和圖像亮度值并不代表一個物理量。從制造者到醫(yī)院中的使用，乳腺磁共振影像的密度和對比度尚沒有統(tǒng)一的標準。并且，新的磁共振影像技術的引進(例如更高場強磁共振掃描儀的使用)，將進一步增強影像間的不一致性，給不同的成像數(shù)據(jù)對比造成困難。由于影像增強的乳腺磁共振影像可以提供的信息量非常巨大，隨著成像技術的不斷改進，由于時域和空間域分辨率的提高，以及各種輔助信息(如磁共振波譜)的增加，數(shù)據(jù)量還將不斷增大。因此，對這種多維數(shù)據(jù)的自動預處理和有效地描述信息變得越來越重要，其中，計算機輔助的檢測是技術發(fā)展的方向。
計算機對影像數(shù)據(jù)的處理可以分為兩類工作計算機輔助檢測(分辨正常和懷疑的組織)和計算機輔助診斷(分辨懷疑組織中的良性和惡性腫瘤)。前者的目的是降低癌變組織未被檢出的概率，后者的目的是降低良性腫瘤需要活檢的概率。計算機分析的目的是從大量的數(shù)據(jù)中抽取有用信息，其目標是通過降低相互間對比的難度來增強信息檢測的特異性和一致性。本發(fā)明的目標主要是解決計算機輔助檢測中對乳腺組織的定位問題，通過影像分割處理，去除成像過程中在影像數(shù)據(jù)中出現(xiàn)的空氣、骨骼和胸部臟器等非乳腺組織，以便在進一步的處理中，僅僅對比和處理乳腺組織的影像亮度和對比度信息，降低影像進一步處理的難度。因此本發(fā)明的核心技術是提出了一種從大量影像中快速有效地分割出乳腺組織的影像處理方法。
乳腺MRI圖像的分割是為了去除兩個方面的影響一方面，成像系統(tǒng)和數(shù)據(jù)采集過程都會形成噪聲點，在進行不同時間上影像的對比時，這些隨機噪聲被凸顯出來，干擾對影像信息的判斷；另一方面，胸腔中內臟的活動也會組成不同時間點上影像的差異，影響后續(xù)的對比分析。因此要將影像中不屬于乳腺組織的像素分割出來，不再進行對比。目前，針對乳腺影像的分割，已經(jīng)提出了多種方法。其中，Saskia van Engeland在他的研究中提到一種粗略計算乳房位置的方法，他在二維橫切圖中，用交互方式選取垂直于乳房的平面，在此基礎上進行分割。這種算法原理簡單，效果穩(wěn)定，但需人機交互，且其分割誤差較大，分割出的乳房部分中缺少了腋下的淋巴部分，而在臨床中這部分組織對于判別腫瘤性質很重要。Lina Arbach提出一種基于邊界增強的分割方法，將圖像分為三部分(空氣，乳房，胸腔)，通過線性濾波器，對皮膚與空氣，以及胸壁部分進行增強，以實現(xiàn)分割，但在處理復雜影像時，可靠性和速度尚有待提高。另外，對于序列圖像的分割，Yoo等人采用區(qū)域自適應Snake模型與三維顯示相結合的方法對耳蝸影像進行了分割，他們首先對二維切片圖像進行分割，并把得到的分割結果作為其鄰接切片的初始輪廓，然后將二維分割的結果堆疊成三維數(shù)據(jù)，并對其進行三維顯示，是二維分割與三維顯示的結合。但是，這種方法只在相鄰圖像切片上組織變化不大時有效。在我們處理的在高時間分辨率的乳腺圖像序列中，影像數(shù)據(jù)的空間分辨率較低，相鄰圖像切片組織的變化較大，因此難于采用這種方法。
綜上所述，動態(tài)增強的乳腺磁共振影像的分割存在以下幾個難點首先，輪廓較為模糊的單一時間點上的三維數(shù)據(jù)分割難以自動實現(xiàn)，常常需要通過三維顯示和人機交互來進行，增加了工作量；第二，由于影像數(shù)據(jù)量大，造成分割運算的時間非常長；第三，在影像中胸腔與乳腺的分界不清晰，而且胸腔內臟器的搏動，嚴重干擾對不同時間點上影像的對比分析，因此將乳腺與胸腔準確分割開十分困難，也十分重要。
為對上述動態(tài)增強的乳腺磁共振影像進行分割處理，我們發(fā)明了一種多步驟、分層次的影像處理方法，針對乳腺在影像中的形態(tài)特點，將每張斷層圖像進行分區(qū)，然后對分區(qū)得到的子圖像分別進行處理。對分區(qū)得到的僅包含乳腺與空氣清晰界面的子圖像，我們采用簡單的閾值控制的區(qū)域增長方法進行分割，而對于乳腺與胸腔的模糊邊界，我們采用基于水平集(Level set)計算的圖像分割方法，迭代地尋找乳腺與胸腔的邊界。上述處理方法所形成的處理步驟，構成了一種針對動態(tài)增強乳腺磁共振影像序列的影像分割方法與系統(tǒng)。
水平集(Level set)方法主要是從界面?zhèn)鞑サ妊芯款I域中逐步發(fā)展起來的一種數(shù)學處理方法，它是處理封閉運動界面隨時間演化過程中幾何拓撲變化的有效的計算工具。依賴于時間的運動界面的水平集描述首先由Osher和Sethina提出。其主要思想是將移動的界面作為零水平集嵌入高一維的水平集函數(shù)中，在圖像空間上構造一個靜態(tài)的、間隔均勻的網(wǎng)格，網(wǎng)格點上的值代表網(wǎng)格點到輪廓，即零水平集的最短距離，這可以理解為地圖上的等高線。這樣，由閉超曲面的演化方程可以得到水平集函數(shù)的演化方程，而嵌入的閉超曲面總是其水平集，最終只要確定零水平集即可確定移動界面演化的結果。Level Set方法自提出以來，已在圖像處理和計算機視覺等領域得到了廣泛的應用Sethian運用Level Set進行圖像去噪；Mallad應用Level Set進行圖像分割；Parogios和Deriche將其應用于紋理分割以及運動目標分割和跟蹤等等。其主要優(yōu)點是可以對任意復雜的形狀進行模型化并且隱式地解決拓撲形狀的分裂、合并等變化。另外該算法中與曲率相關的速度項可以控制曲線或曲面的光滑特性，因此對于分割具有光滑表面的組織，該算法更加具有優(yōu)勢。
具體講，Level set方法是一種跟蹤曲線或曲面輪廓演化的數(shù)學方法。它首先將三維曲面隱含地表達為高維函數(shù)的零水平集，即具有相同函數(shù)值的點集，通過level set函數(shù)的進化來隱含地求解曲面的運動，得到所需要的輪廓。
在處理中，假設隨時間演化的零水平集為 (x，y，t)＝0(1) 對方程(1)兩邊求關于時間的偏導數(shù)，有 假設F為外法線方向的速度，那么 因此，我們便得到水平集迭代的基本方程式 其中，Φ為水平集函數(shù)，Φt為其對時間的導數(shù)，Φ的零水平集Γ就表示目標的輪廓，即 Γ(t)＝{x，y|φ(x，y，t)＝0}(5) 式中

表示Level set函數(shù)的梯度范數(shù)。F為輪廓法線方向上的速度函數(shù)，用來控制輪廓的演變運動，當速度為零的時候，輪廓不再演變，就得到了分割的結果。因此，在圖像分割中關鍵的問題是確定合適的速度函數(shù)F，以控制水平集迭代中輪廓的演化。一般情況下速度函數(shù)F的設計是考慮將圖像的特征作為控制曲線邊界演變的要素，使得曲線邊界向所要尋找的圖像特征靠近，因此速度函數(shù)中可以包括與圖像有關的項(如圖像的灰度，灰度梯度等)，以及與曲面的幾何形狀有關的項(如邊界曲面的曲率等)，因此，通過構造水平集演化的速度函數(shù)可以將與圖像灰度、邊界形態(tài)等相關的多種因素考慮進去。常用的速度函數(shù)一般可以描述為 F＝α·P(X)+β·K(X)(6) 式中P(X)為與圖像灰度梯度相關的傳播速度項，K(X)為與曲率相關的速度項，用來控制輪廓的光滑情況，大小與曲率成正比，α、β為兩者的權重系數(shù)。
在本發(fā)明中采用一種基于閾值區(qū)間的三維水平集算法，將圖像的灰度值應用一種符號映射函數(shù)變換為介于[-1，1]區(qū)間的特征圖像，作為水平集算法速度函數(shù)的一個輸入?yún)?shù)，控制輪廓的演化速度。通過選取(6)式中傳播速度P(X)的大小與特征圖像的函數(shù)值比例系數(shù)，當特征圖像的像素值大于零時，P(X)垂直輪廓向外，反之向內，從而使水平集計算的疊代過程收縮到特定的圖像灰度附近的輪廓。
在應用Level Set方法時，有兩個突出的問題需要解決 1.確定初始輪廓，即初始的水平集。
2.確定速度函數(shù)。
本發(fā)明針對這兩個問題，設計了一種自動確定初始輪廓和速度函數(shù)的方法。
本發(fā)明針對所分割的動態(tài)增強乳腺磁共振影像序列的特征，提出了一種從隨時間變化的動態(tài)增強乳腺影像序列中自動分割出乳腺組織的處理策略，主要包含以下處理步驟首先，應用分區(qū)處理的方法，降低處理對象的復雜性。方法是通過對影像中身體的位置進行估算，并據(jù)此將橫斷面影像分成前后兩部分，前面的一半僅包含乳房和空氣的影像；然后，通過對這部分影像亮度的統(tǒng)計，得到關于乳腺組織在影像灰度的先驗信息；接著，采用基于上述灰度信息，并進行位置信息加權的方法獲取水平集的初始輪廓。同時，采用上述灰度信息生成控制水平集演化(膨脹或收縮)的初始化特征圖像，從而解決了上述兩個應用水平集算法的關鍵問題；接著，應用基于閾值區(qū)間的3D水平集算法分割后一般影像中乳房與胸腔間的復雜輪廓；最后，利用動態(tài)增強乳腺磁共振影像數(shù)據(jù)時間分辨率高的特點，利用對前一時間點上三維影像分割的結果，作為后一時間點上三維影像分割的初始位置，來處理不同時間點上的3D影像序列，從而實現(xiàn)了動態(tài)增強乳腺磁共振影像的快速、自動的分割。


發(fā)明內容
本發(fā)明的目的在于提供一種針對動態(tài)增強乳腺磁共振影像序列的影像分割方法，該方法的處理流程可以快速、準確地將動態(tài)增強乳腺磁共振影像序列中的乳腺組織分割出來，一方面可以幫助醫(yī)生在影像對比中排除不相干的像素的干擾，更重要的是可以作為動態(tài)增強乳腺磁共振影像序列計算機輔助檢測的預處理，有助于提高對乳腺組織腫瘤樣病變檢測、定位和診斷的效率和精準程度。本發(fā)明還提供了實現(xiàn)該方法的系統(tǒng)。
本發(fā)明提供的針對動態(tài)增強乳腺磁共振影像序列的影像分割方法，其處理步驟包括 步驟1輸入一個時間點的三維磁共振影像序列，可能包含24～120張切片圖像； 步驟2對橫斷面的影像進行分區(qū)處理，以降低影像的復雜性。方法是有計算機自動對影像中身體的位置進行搜尋，并據(jù)此將橫斷面影像分成前后兩部分，前面的一半僅包含乳房和空氣背景的影像； 步驟3采用圖像處理中動態(tài)閾值控制的區(qū)域增長方法，對步驟2得到的前半部分影像進行分割處理； 步驟4通過對步驟3分割出的前半部分影像中乳腺組織像素灰度的統(tǒng)計，得到關于乳腺組織磁共振影像灰度的先驗信息； 步驟5對步驟2劃分出的后半部分影像進行位置相關的灰度加權處理，并基于上述估計的乳腺組織影像灰度信息，進行區(qū)域增長，得到乳腺與胸腔間的初始輪廓； 步驟6利用步驟4估計的乳腺組織影像灰度信息，生成一個控制水平集演化(膨脹或收縮)的特征圖像； 步驟7將步驟5得到的初始輪廓作為水平集初始值，利用步驟6得到的特征圖像，用來構造水平集的速度函數(shù)，在此基礎上用基于閾值區(qū)間的三維水平集算法分割步驟2得到的后一半影像中乳房與胸腔間的復雜輪廓； 步驟8將步驟3和步驟7得到的前半部分與后半部分的圖像分割結果進行拼接合成，得到對一個時間點的三維磁共振影像序列的分割結果； 步驟9輸入下一時間點上的三維磁共振影像序列，根據(jù)動態(tài)增強乳腺磁共振影像數(shù)據(jù)高時間分辨率的特點，利用對前一時間點上三維影像分割的結果，作為后一時間點上三維影像分割的初始位置(即取代上述步驟5所估算的初始輪廓)，并對所輸入的新的影像序列順次進行步驟2、步驟3、步驟4、步驟6、步驟7的處理、來得到新的時間點上的三維影像序列分割結果，直到將所有時間點上的影像序列分割完畢。
步驟10將分割結果進行顯示，以供醫(yī)生進行分析，或將最終分割的結果存儲在計算機硬盤中，供影像識別軟件進行進一步的分析處理。
本發(fā)明提供的針對動態(tài)增強乳腺磁共振影像序列的影像分割系統(tǒng)，包括圖像輸入模塊、圖像分區(qū)模塊、圖像區(qū)域增長處理模塊、像素灰度統(tǒng)計計算模塊、水平集初始化計算模塊、水平集迭代計算模塊和圖像輸出模塊； 圖像輸入模塊用于接收從MRI影像工作占傳來的待分割的乳腺MRI影像，對影像進行排序和分組，并傳送給圖像分區(qū)模塊； 圖像分區(qū)模塊用于對輸入的圖像進行計算，得到圖像中人體胸骨前的位置，并將圖像分成前、后兩個部分(圖像)，以便分別處理。分區(qū)后的圖像分別送入圖像區(qū)域增長處理模塊和水平集初始化計算模塊； 圖像區(qū)域增長處理模塊用于對圖像分區(qū)模塊送入的前半部分影像進行分割，通過圖像處理的區(qū)域增長算法，得到前半部分圖像中乳腺組織的像素集合，即前半部分圖像的分割結果，并傳送給像素灰度統(tǒng)計計算模塊； 像素灰度統(tǒng)計計算模塊用于統(tǒng)計計算前半部分圖像中乳腺組織像素的灰度分布，包括迅速灰度的平均值和分布的標準差，并將計算結果傳送給水平集初始化計算模塊； 水平集初始化計算模塊用于根據(jù)前面處理模塊送來的乳腺迅速灰度統(tǒng)計結果，以及分區(qū)模塊送來的后半部分圖像，分別計算乳腺與胸腔的初始輪廓和控制水平集演化的特征圖像； 水平集迭代計算模塊用于對后半部分圖像進行優(yōu)化計算，搜尋乳腺與胸腔的輪廓，其初始值由水平集初始化計算模塊得到。
圖像輸出模塊用于對圖像區(qū)域增長處理模塊和水平集迭代計算模塊得到的兩部分分割的結果進行拼接，并將分割經(jīng)過顯示在計算機屏幕上供醫(yī)生進行分析，或存儲到硬盤，供圖像分析軟件進一步進行分析。
本發(fā)明的主要特點為 1)算法框架完整，整個算法從一個時間點上的三維影像入手，根據(jù)影像特點對影像進行簡化處理，并利用處理中得到的關于影像灰度分布的特點，逐步構造搜索復雜邊界的算法，并推廣到不同時間點上的三維數(shù)據(jù)體。算法較好地解決了復雜、大數(shù)據(jù)量的動態(tài)增強的乳腺磁共振影像的自動分割問題。
2)所構造的多步驟處理的全套流程，減少了每一步處理的復雜性，使分割速度大大加快，分割算法的穩(wěn)定性得到提高。
3)將前一步處理得到的圖像灰度信息用于估算后一步的初始輪廓，并控制水平集的演化，解決了水平集算法應用中的確定初始輪廓選取和確定速度函數(shù)的難題。



圖1為本發(fā)明從MRI輸入圖像數(shù)據(jù)和輸出分割結果的流程圖。
圖2為本發(fā)明的處理模塊的框圖。
圖3為本發(fā)明針對動態(tài)增強乳腺磁共振影像序列的影像分割方法的流程圖。
圖4為實施例中確定影像中身體位置方法的示意圖；4(a)為自動搜尋確定圖像中分界面的位置示意圖，4(b)為乳腺MRI圖像沿箭頭方向的灰度變化
具體實施例方式 下面結合附圖和實例對本發(fā)明的方法作進一步詳細的說明。
如圖1所示，本發(fā)明所說的輸入影像序列是從醫(yī)用磁共振掃描儀的影像工作站獲取的，影像工作站將對被檢查者的動態(tài)增強的乳腺磁共振影像傳送到本發(fā)明所說的圖像分割系統(tǒng)運行的計算機上，由本發(fā)明的針對動態(tài)增強乳腺磁共振影像序列的影像分割方法與系統(tǒng)進行處理，得到對序列圖像的分割結果。
為實施本發(fā)明的處理方法，需要構建如圖2所示的處理模塊，包括圖像輸入模塊、圖像分區(qū)模塊、圖像區(qū)域增長處理模塊、像素灰度統(tǒng)計計算模塊、水平集初始化計算模塊、水平集迭代計算模塊和圖像輸出模塊。送入的動態(tài)增強乳腺磁共振影像序列經(jīng)過這些模塊的處理，可以得到對影像數(shù)據(jù)集的分割。這些模塊的工作需要按照下面的處理步驟逐次進行。
如圖3所示，本發(fā)明方法包括以下步驟 (1)從醫(yī)用磁共振影像工作站輸入一個時間點的三維磁共振影像序列。根據(jù)檢測中的實際情況，一個時間點上獲取的動態(tài)增強乳腺磁共振三維影像序列中可能包含16～32張橫斷面影像，或120張左右的人體冠狀面的切片影像。
(2)對人體橫斷面的影像進行分區(qū)處理，以降低影像的復雜性。
要對整幅影像進行分割處理，不僅存在大量冗余信息，還容易引起錯誤的分割，其處理速度也很慢。考慮到動態(tài)增強乳腺磁共振成像過程中人體的位置是統(tǒng)一的，病人俯臥在磁共振檢查線圈之上。因此形成的橫斷面影像的形態(tài)特征非常明顯，影像中下半部分主要呈現(xiàn)了雙側的乳房的橫斷面，而上半部分則主要呈現(xiàn)人體胸腔部分的橫斷面。因此我們選取橫斷面影像入手進行圖像的分區(qū)處理，利用計算機自動計算和尋找分區(qū)的分界位置并將影像分為兩部分，使前半部分影像只需要對乳房與空氣的分界面進行分割。后半部分則針對乳房與胸腔的不明顯分界面進行分割處理。
一幅典型的動態(tài)增強乳腺磁共振數(shù)據(jù)的橫切面斷層影像如圖4a)所示。為了讓計算機自動劃分圖像的區(qū)域，沿影像的上下方向，在兩側乳房的中間位置尋找人體組織邊界。其方法是沿著圖4(a)中箭頭所示的位置，統(tǒng)計沿此方向的影像灰度變化，圖4(b)給出了沿該直線方向影像像素灰度變化的示意?？梢钥吹娇諝馑鶎獏^(qū)域的圖像灰度值很低，而人體組織對應像素的灰度快速增長。在圖4(a)中順著箭頭方向搜尋灰度的變化率超過給定閾值的位置，就可以確定人體胸骨前組織的邊界，并可以將其作為劃分兩部分影像區(qū)域的位置。如圖4(b)中橫向直線所示。橫線以下為前半部分待分割影像區(qū)域，即待分割圖像(1)，橫線以上為后半部分待分割影像(2)。對所有輸入的橫斷面影像均進行這樣的劃分。
上面所說的給定閾值是這樣確定的，首先給定一個大大高出空氣所對應區(qū)域影像灰度的像素灰度閾值，例如說50。然后沿著圖4(b)中曲線從左到右進行搜索，找到該閾值第1次出現(xiàn)的位置，該位置代表從空氣中搜索到人體組織的大致位置。然后在從左側開始到這一位置的區(qū)間上，逐次計算兩兩相鄰像素間的灰度變化，即 I(k)＝I(k+1)-I(k)(7) 其中k代表沿搜索方向順次取得的像素位置，而I(k)代表該點的像素灰度。
接下來，對得到的一系列I(k)的值進行排序，并取其中第2大的I(k)值作為給定閾值，順著圖4(a)中箭頭方向搜尋相鄰像素灰度的變化率超過該給定閾值的位置，作為身體的位置。這樣處理的好處是可以非?？煽康孬@得影像中人體的前后位置。
(3)采用動態(tài)閾值控制的區(qū)域增長方法對步驟2得到的前半部分影像進行分割處理。
針對乳腺磁共振影像的特點，根據(jù)圖4(b)中得到的空氣中的噪聲分布選定閾值。在上一步驟搜索人體組織位置的區(qū)間(即計算計算I(k)的區(qū)間)內，統(tǒng)計空氣區(qū)間內所有像素的灰度分布(均值與方差)，然后應用動態(tài)閾值控制的區(qū)域增長方法，對待分割圖像(1)中的乳房與空氣進行分割，從而精確地保留乳房部分組織的影像。動態(tài)閾值控制的區(qū)域增長是指首先在圖像中選定一個種子像素點，然后逐次遍歷種子點的圖像鄰域，檢查各個像素的灰度值，如果某個像素處于規(guī)定的灰度閾值之內，則將該像素歸于與種子點同類，并作為新的種子點，進行一次新的鄰域像素尋找過程。否則，將該位置像素設置為背景。通過對所有種子點的遍歷，就得到了整個圖像的分割結果。本文所說的動態(tài)閾值控制的區(qū)域增長方法的特點在于種子點的選擇是在步驟2中計算I(k)的區(qū)間內，選擇區(qū)間的中點作為種子像素，并將前面統(tǒng)計得到的空氣區(qū)間內所有像素的灰度的平均值(mean)和標準差(std)作為區(qū)域增長過程中規(guī)定灰度閾值的控制條件，對待分割圖像(1)的像素進行分類處理。具體的算法為 從種子點出發(fā)，對種子點的圖像鄰域，逐個檢查各個像素的灰度值，如果其灰度與上述灰度平均值不超過三倍的標準差，則認為該像素與種子點屬于同一類，否則，認為該像素屬于另外一類。這樣，最終得到的像素集合可以表示為 Rair＝{(x，y)|I(x，y)∈mean±3·std}(8) 其中，Rair表示空氣區(qū)域像素的集合，I(x，y)表示位于(x，y)位置的像素的灰度，mean和std分別表示統(tǒng)計計算得到的空氣區(qū)間內像素的灰度均值與方差。這樣通過自動確定算法所需要的初始種子點和動態(tài)閾值，對不同條件下采集的動態(tài)磁共振圖像，可以達到穩(wěn)定的分割結果。
(4)通過對步驟3分割出的乳腺組織亮度的統(tǒng)計，得到關于乳腺組織磁共振影像灰度的先驗信息。在待分割圖像(1)的分割處理完成后，對所分割出的乳房部分的影像，進一步統(tǒng)計其灰度的均值和方差，從而得到對乳房組織在圖像中的灰度分布的估計，作為后續(xù)分割處理算法的依據(jù)條件。
(5)基于上述估計的乳腺組織影像灰度信息，進行影像中乳腺組織的區(qū)域增長計算，得到乳腺與胸腔間的初始輪廓。
在步驟4中，獲得了待分割圖像(1)中乳房組織的灰度均值和方差，我們以此作為確定胸腔初始輪廓的灰度依據(jù)，以處理待分割圖像(2)，即圖4(a)中橫線以上的部分影像。我們采用區(qū)域增長的方法獲得乳房與胸腔分界面的初始輪廓，其方法是將種子點放在乳房區(qū)域內，即后半部分圖像的左下角邊界附近，選擇一個灰度與乳房灰度均值接近的點，如圖4(a)中的點A。選擇區(qū)域增長的閾值范圍為{乳房組織灰度均值±2×乳房組織灰度方差}，獲得增長得到的乳房部分的二值圖像。對所有輸入的橫斷面影像均進行這樣的增長，從而得到由所有橫斷面切片圖像共同構成的三維影像數(shù)據(jù)集的乳腺與胸腔的初始輪廓。
(6)利用步驟4估計的乳腺組織影像灰度信息，生成控制水平集演化(膨脹或收縮)的特征圖像。
在水平集圖像分割算法中，邊界輪廓的分裂與合并都隱含在了水平集函數(shù)的演變中。根據(jù)步驟4獲得的乳腺部分的像素灰度值，可以自動設置一個閾值區(qū)間，從而生成控制水平集演化(膨脹或收縮)的特征圖像?；陂撝祬^(qū)間的特征圖像的獲取是基于所統(tǒng)計的乳腺組織的灰度區(qū)間。當像素值位于灰度上、下限[L，U]區(qū)間之內時，將其映射到
的特征幅度，稱為前景區(qū)域；而位于灰度上、下限[L，U]區(qū)間之外的像素值則映射到[-1，0]的特征幅度，稱為背景區(qū)域。因此基于閾值區(qū)間的特征圖像的像素值位于[-1，1]區(qū)間之內，當某個位置的特征圖像的像素值大于0時，選擇速度函數(shù)使水平集的輪廓擴張，否則使水平集的輪廓收縮。這樣，通過特征圖像來控制速度函數(shù)分別對應動態(tài)輪廓不同的傳播方向，動態(tài)輪廓既可以擴張也可以收縮，降低了水平集搜索中對選擇初始輪廓的準確性要求，并且可以適應復雜的輪廓形狀，初始輪廓甚至可以部分地位于感興趣目標之外，而不會造成搜索的失敗。
具體講，利用步驟4獲得的乳腺灰度分布的先驗信息(乳房組織灰度均值和乳房組織灰度方差)，把乳腺組織所在的灰度區(qū)域劃為前景，其他灰度的像素則劃為背景，生成特征圖像，特征圖像的映射公式如下
式中，g(x，y)為原始圖像的像素灰度，閾值范圍L，U的選擇是以步驟4獲得的乳房灰度均值及方差為依據(jù)的，實際試算中取 U＝255(10) L＝乳房灰度均值-2×乳房灰度方差 (7)將第5步驟得到的各圖像層片的胸腔初始輪廓作為水平集的初始值，利用步驟6得到的各圖像層片的特征圖像，構造水平集的速度函數(shù)，在此基礎上用基于閾值區(qū)間的三維水平集算法分割步驟2得到的后一半影像中乳房與胸腔間的復雜輪廓。
具體講，我們選取(3)式中傳播速度P(X)的大小與特征圖像值Fprop成正比，當特征圖像的像素值大于零時，取P(X)的方向垂直于輪廓向外，反之垂直于輪廓向內，而P(X)幅度與Fprop成正比。從而使水平集計算的迭代過程收縮到特定的圖像灰度附近的輪廓上。為進行水平集的演化，還需要設置(6)式中的傳播速度和曲率速度的權重系數(shù)，用于速度函數(shù)的計算，這里，分別取1，50。因此，(6)式演化為 F＝Fprop+50*K(11) 其中，K為演化中輪廓上每一點的曲率。根據(jù)輪廓的表達式(5)可以計算出曲率x，y為圖像的像素點的坐標位置，Γ為各次迭代得到的零水平集，即目標的輪廓。
設定水平集計算的迭代在兩種情況下會終止(a)分割次數(shù)到達設置的最大迭代次數(shù)；(b)迭代次數(shù)增加而輪廓不變或變化非常小。將水平集計算迭代終止得到的輪廓，作為乳腺與胸腔分割的輪廓。從而得到乳腺組織在待分割圖像(2)中的分布。
(8)將步驟3得到的前半部分乳腺影像的分割結果，與步驟7得到的后半部分的乳腺影像分割結果進行拼接合成。其方法是進行直接的圖像合并，把待分割圖像(1)的分割結果和待分割圖像(2)的分割結果按照原來劃分的位置放回原處，就可以得到對一個時間點上三維磁共振影像序列的分割結果。
(9)輸入下一時間點上的又一組三維磁共振影像序列，根據(jù)動態(tài)增強乳腺磁共振影像數(shù)據(jù)高時間分辨率的特點，利用對前一時間點上三維影像分割的結果，作為后一時間點上三維影像分割的初始位置(即取代上述步驟5所估算的水平集初始輪廓)，并對所輸入的新的影像序列順次進行步驟2、步驟3、步驟4、步驟6、步驟7的處理、來得到新的時間點上的三維影像序列分割結果。重復這種處理，直到將所有時間點上的影像序列分割完畢。
(10)將分割結果進行顯示，以供醫(yī)生進行分析，或將最終分割的結果存儲在計算機硬盤中，供影像識別軟件進行進一步的分析處理。
實際影像數(shù)據(jù)實驗的效果 我們采用1.5T全身磁共振成像儀獲取的快速成像人體乳腺增強影像數(shù)據(jù)進行實驗試算，影像的空間分辨率為512*512*24，像素物理間隔為0.625*0.625*5mm3。
在本發(fā)明的影像分割計算流程中，最耗時的計算是水平集的迭代計算，我們采用的基于閾值區(qū)間的三維水平集迭代算法，其輪廓既可以膨脹也可以收縮，初始輪廓甚至可以部分地位于感興趣目標之外，因此算法降低了對初始輪廓選擇準確性的要求。我們對選取不同的初始輪廓得到的分割結果進行對比。為測試算法，首先人為地在兩側乳房中各選擇一個種子點，形成兩個球面形初始輪廓，實驗中設定了三種不同的半徑進行對比，最終水平集的搜索均能夠收縮到所要尋找的乳腺與胸腔的分界?？梢?，采用基于閾值區(qū)間的三維水平集算法進行分割時，初始輪廓的選擇更具有靈活性，避免了因初始輪廓引起的分割錯誤。
本發(fā)明所說的基于影像灰度和位置信息所獲取的初始輪廓，更接近最終的實際邊界，這樣可大大減小計算中的迭代次數(shù)，并避免迭代運算陷入局部極小而失效。我們用10組三維影像數(shù)據(jù)進行了對比試驗。表1為初始輪廓不同時迭代次數(shù)的對比。其中，左列為選擇一種中等半徑的球面形初始輪廓時的迭代次數(shù)，右列為按照本發(fā)明的方法設置初始輪廓時的迭代次數(shù)。選擇球面作為初始輪廓時，迭代次數(shù)通常為1000步左右，基于灰度和位置信息的方法獲取初始輪廓時的迭代次數(shù)僅為13步左右。因此本發(fā)明的方法極大地提高了分割的速度。
表1不同初始輪廓時迭代次數(shù)對比
本發(fā)明通過對動態(tài)增強乳腺磁共振影像序列的影像的細致分析，發(fā)明了一種針對動態(tài)增強乳腺磁共振影像序列的影像分割方法。其特點是計算機處理的自動化程度高，方法的可靠性和精確程度都較高，針對隨時間變化的動態(tài)增強乳腺影像序列的特點，實現(xiàn)了動態(tài)增強乳腺磁共振影像的快速、自動的分割。本發(fā)明的實現(xiàn)并不局限與上述實例所公開的范圍，也可以按照本發(fā)明的步驟，采用不同于上述實例的方式來實現(xiàn)上述技術方案。
權利要求
1、一種針對動態(tài)增強乳腺磁共振影像序列的分割方法，其特征在于，所述方法是在計算機中依次按以下步驟實現(xiàn)的
步驟(1)在所述計算機中，創(chuàng)建動態(tài)增強乳腺磁共振影像序列的分割系統(tǒng)，包括圖像輸入模塊、圖像分區(qū)模塊、圖像區(qū)域增長處理模塊、像素灰度統(tǒng)計計算模塊、水平集初始化計算模塊、水平集迭代計算模塊和圖像輸出模塊；其中，
圖像輸入模塊，用于接收從磁共振MRI影像工作站傳來的待分割的乳腺MRI影像，按照掃描序列不同時間段與空間位置對影像進行分組和排序，并傳送給圖像分區(qū)模塊；
圖像分區(qū)模塊，用于對輸入的圖像進行計算，得到圖像中人體胸骨前的位置，并將圖像分成前、后兩個部分圖像，以便分別處理，分區(qū)后的圖像分別送入圖像區(qū)域增長處理模塊和水平集初始化計算模塊；
圖像區(qū)域增長處理模塊，用于對圖像分區(qū)模塊送入的前半部分影像進行分割，通過圖像處理的區(qū)域增長算法，得到前半部分圖像中乳腺組織的像素集合，即前半部分圖像的分割結果，并傳送給像素灰度統(tǒng)計計算模塊；
像素灰度統(tǒng)計計算模塊，用于統(tǒng)計計算前半部分圖像中乳腺組織像素的灰度分布，包括灰度的平均值和方差，并將計算結果傳送給水平集初始化計算模塊；
水平集初始化計算模塊，用于根據(jù)前面處理模塊送來的乳腺迅速灰度統(tǒng)計結果，以及分區(qū)模塊送來的后半部分圖像，分別計算乳腺與胸腔的初始輪廓和控制水平集演化的特征圖像；
水平集迭代計算模塊，用于對后半部分圖像進行優(yōu)化計算，搜尋乳腺與胸腔的輪廓，其初始值由水平集初始化計算模塊得到；
圖像輸出模塊，用于對圖像區(qū)域增長處理模塊和水平集迭代計算模塊得到的兩部分分割的結果進行拼接，并將結果顯示在計算機屏幕上供醫(yī)生進行分析，或存儲到硬盤，供圖像分析軟件進一步進行分析。
步驟(2)從醫(yī)用磁共振影像工作站輸入用一次三維掃描獲取的動態(tài)增強乳腺磁共振三維影像序列中16-32張人體乳腺區(qū)域橫斷面影像；
步驟(3)對橫斷面的影像進行自動的分區(qū)處理，得到分別包含乳腺與空氣界面和乳腺與胸腔界面的兩部分圖像，依次稱為待分割影像(1)和待分割影像(2)
步驟(3.1)以影像上人體兩側乳房的中間位置為尋找路徑，順次統(tǒng)計從身體前方到身體后方垂直方向上圖像各像素點的灰度及其相鄰像素的灰度值，得到一條以所述尋找方向上的經(jīng)歷的各像素點為橫坐標，該各個像素的灰度值為縱坐標的曲線，
步驟(3.2)給定一個高于空氣所對應區(qū)域影像灰度的像素灰度閾值，然后在所述曲線上從左到右尋找一個像素灰度值超過規(guī)定閾值的位置，并將曲線左側開始位置到該位置設定為搜尋區(qū)間，在此區(qū)間內尋找灰度變化率序列中取值第2或第3大的位置作為圖像中人體組織與空氣的分界點，所述的灰度變化率序列為δI(k)＝I(k+1)-I(k)，其中，k為沿所述尋找方向順次取得的像素點位置，I(k)為k點位置上的像素灰度，
步驟(3.3)通過步驟(3.2)所述分界點作一條沿人體左右方向的直線，把待分割的影像劃分為兩個子圖像，該直線前方為待分割影像(1)，直線后方為待分割影像(2)；
步驟(4)采用圖像處理中動態(tài)閾值控制的區(qū)域增長方法，對步驟(3)得到的待分割影像(1)進行分割處理
首先，在步驟(3.2)所述的搜尋區(qū)間上，逐次統(tǒng)計各個像素點的灰度，得到像素的灰度均值mean和像素灰度的方差std，它們對應的是成像過程中空氣區(qū)域的成像噪聲特性，然后規(guī)定區(qū)域增長的動態(tài)閾值為上述均值mean的上下三倍方差std范圍內，即mean±3·std，通過區(qū)域增長得到待分割影像(1)中對應空氣的區(qū)域，而剩余的區(qū)域為乳腺組織的圖像區(qū)域；
步驟(5)對步驟(4)得到的待分割影像(1)中的乳腺區(qū)域，計算乳腺組織像素點灰度的均值與方差；
步驟(6)對待分割影像(2)進行處理，方法是基于上述估計的乳腺組織影像灰度信息，進行區(qū)域增長，得到乳腺與胸腔間的初始輪廓
步驟(5)中，獲得了待分割影像(1)對應的乳房組織的灰度均值和方差，以此作為確定胸腔初始輪廓的灰度依據(jù)，用來通過圖像處理中區(qū)域增長的方法獲得待分割影像(2)中乳腺與胸腔間的初始輪廓
首先在待分割影像(2)的乳房區(qū)域選擇種子點，即在待分割影像(2)的左下角邊界附近的100×100像素區(qū)域內，選擇一個灰度值與上述乳房組織灰度均值最接近的像素點，并規(guī)定區(qū)域增長的閾值范圍為乳房組織灰度均值±2×乳房組織灰度方差，然后利用區(qū)域增長算法獲得待分割影像(2)中乳房部分的區(qū)域，對所有輸入的橫斷面影像均進行這樣的區(qū)域增長運算，得到由所有橫斷面切片圖像共同構成的三維影像數(shù)據(jù)集的乳腺與胸腔的初始輪廓，作為后續(xù)水平集計算的初始輪廓；
步驟(7)利用步驟(5)得到的乳腺組織像素灰度信息，生成一個控制水平集演化速度的特征圖像
步驟(4)獲得的待分割影像(1)的乳腺組織像素灰度值，被用來自動設置一個閾值區(qū)間，生成控制水平集演化的特征圖像，在待分割影像(2)上，當像素值位于規(guī)定的灰度上、下限[L，U]區(qū)間之內時，將其映射到
的特征幅度，而位于灰度值上、下限[L，U]區(qū)間之外的像素值則映射到[-1，0]的特征幅度。
利用步驟(5)所獲得的乳腺灰度信息，即乳房組織灰度的均值和乳房組織灰度的方差，把乳腺組織灰度均值-2×乳房組織灰度的方差作為下限L，把乳腺組織灰度均值+2×乳房組織灰度的方差作為上限U，取U＝255，生成一個特征圖像，計算特征圖像的映射公式為
其中U＝255，L＝乳房灰度均值-2×乳房灰度值方差，g(x，y)為待分割影像(2)的像素灰度值；
步驟(8)將所得到橫斷面切片二維圖像按照掃描位置重構成的三維影像數(shù)據(jù)集作為待處理三維數(shù)據(jù)集，步驟(6)得到的初始輪廓按照垂直于二維圖像平面方向掃描位置構成三維輪廓，作為水平集初始值，利用步驟(7)得到的對應各個待分割影像(2)的特征圖像構造三維的水平集演化的速度函數(shù)F，采用圖像處理中基于閾值區(qū)間的三維水平集圖像分割算法，分割通過步驟(3)所得到的子圖像2中乳房與胸腔間的復雜輪廓，F(xiàn)＝Fprop+50K，F(xiàn)prop特征圖像，K為演化中輪廓上每一點的曲率；
步驟(9)將步驟(4)和步驟(8)得到的兩個子圖像的分割結果進行拼接合成，得到對一個時間點的三維磁共振影像序列的分割結果；
步驟(10)輸入下一組動態(tài)增強的三維磁共振影像序列，并利用前一組三維影像分割的結果，即取代上述步驟(6)所估算的胸腔初始輪廓，構成后組三維影像分割的初始位置。然后對所輸入的新影像序列順次進行步驟(3)、步驟(4)、步驟(5)、步驟(7)、步驟(8)和步驟(9)的處理、來得到新的三維影像序列分割結果，再重復步驟(10)，直到將所有動態(tài)增強的磁共振影像序列分割完畢；
步驟(11)將分割結果進行顯示，以供醫(yī)生進行分析，或將最終分割的結果存儲在計算機硬盤中，供影像識別軟件進行進一步的分析處理。
全文摘要
一種針對動態(tài)增強乳腺磁共振影像序列的影像分割方法屬于乳腺的磁共振影像處理技術領域，其特征在于含有向計算機輸入乳腺的磁共振三維橫斷面影像序列；把影像分為乳腺與空氣界面，以及乳腺與胸腔界面兩個部分；用動態(tài)閾值控制區(qū)域增長的分割處理得到乳房與空氣的分界線；用同樣方法得到乳腺與胸腔的初始輪廓；用控制水平集的方法得到乳房與胸腔復雜輪廓；再把分割結果拼接合，得到對一個時間點的三維磁共振影像序列，并把它作為下一組三維影像分割的初始位置等步驟。本發(fā)明提高了分割速度，解決了水平集算法不易確定初始輪廓和速度函數(shù)的問題，實現(xiàn)了復雜、大數(shù)據(jù)量的動態(tài)增強的乳腺磁共振影像的自動分割。
文檔編號G06T7/00GK101334895SQ20081011820
公開日2008年12月31日 申請日期2008年8月7日 優(yōu)先權日2008年8月7日
發(fā)明者王廣志, 輝 丁, 琪 王 申請人:清華大學