專利名稱：交互式三維體分割序列圖像的分割方法及其應(yīng)用的制作方法
技術(shù)領(lǐng)域：
本發(fā)明是一種交互式三維體分割序列圖像的分割方法及其應(yīng)用，屬于交互式三維體分割序列圖像的分割方法及其應(yīng)用的改造技術(shù)。

背景技術(shù)：
圖像分割是CT斷層數(shù)據(jù)進行三維重建的關(guān)鍵步驟之一。將圖像中具有特殊含義互相不交叉的不同區(qū)域分開來，使得每一個區(qū)域都滿足特定區(qū)域的一致性。圖像分割在醫(yī)學(xué)應(yīng)用中具有特殊的重要意義，醫(yī)學(xué)圖像分割是病變區(qū)域提取、特定組織測量以及實現(xiàn)三維重建的基礎(chǔ)。隨著影像醫(yī)學(xué)在臨床醫(yī)學(xué)的成功應(yīng)用，圖像分割在影像醫(yī)學(xué)中發(fā)揮著越來越大的作用。由于人體解剖結(jié)構(gòu)復(fù)雜、組織器官形狀不規(guī)則及不同個體間存在差異，再加上醫(yī)學(xué)圖像在形成時受到諸如噪音、場偏移效應(yīng)、局部體效應(yīng)和組織運動等的影響，這些因素造成了醫(yī)學(xué)圖像的復(fù)雜性和多樣性，從而大大增加了圖像分割的難度，所以至今沒有一個通用的醫(yī)學(xué)圖像的分割方法。因此，多年來一直得到人們的高度重視，至今已提出了上千種各種類型的分割算法，主要集中以下幾種類型 (1)基于像素的方法。這種方法僅僅考慮圖像中像素本身，而沒有利用圖像中其它信息，比如空間位置信息、紋理信息等，因此這種方法一般用于圖像的前期預(yù)處理。
(2)基于區(qū)域的方法。這類方法除了利用像素本身信息外，還同時考慮到像素之間的空間位置關(guān)系，分割結(jié)果是連通的，是一種局部的分割方法。
(3)基于邊界的方法。此類方法可以說是最早的研究方法，主要是利用邊緣上的像素灰度值的變化往往比較劇烈這一特點來試圖解決圖像分割的問題。
(4)基于模型與地圖集的方法。這類方法是目前該領(lǐng)域研究的一個熱點問題。主要是利用人工參與或者先驗知識來指導(dǎo)圖像的分割。
(5)多種算法相結(jié)合。把各種算法的優(yōu)點結(jié)合起來以達到對圖像比較準確的分割。
把肝臟從腹部CT圖像中提取出來，是肝臟虛擬手術(shù)系統(tǒng)實現(xiàn)的一個基本前提。以往對腹部肝臟CT序列中的每一幅圖像是通過手工方法將肝臟提取出來，這樣既耗時費力，而且精確度也不高，對一個實用的虛擬手術(shù)系統(tǒng)來說手工提取基本沒什么價值。因此，研究肝臟及其內(nèi)部管道的計算機提取技術(shù)就成為一個迫切的問題。
現(xiàn)有對圖象的分割方法有如下幾種 1)相對模糊連通度算法模糊連通度算法的基本思想是將具有某種特定相似性質(zhì)的像素集合起來構(gòu)成相似性區(qū)域。其主要過程是先由用戶在圖像中選取一些種子點作為目標對象和背景對象的起點；然后計算每個像素(4鄰域或6鄰域)與這些種子點的模糊相似度。接著，搜索每個像素到各個種子點的所有路徑，取其中強度最大的路徑為某像素到相應(yīng)個種子點的最優(yōu)路徑，這個強度即為該像素到某種子點的模糊連通度；最后，將每個像素的各個模糊連通度進行相互比較，將該像素歸為模糊連通度值最大的種子像素點所屬的對象。為此，該方法需要解決的問題主要有兩個其一是種子點的選??；其二是算法執(zhí)行所需要的參數(shù)。
2)序列化圖像分割模型實現(xiàn)序列化分割，要充分利用基于模型分割方法的優(yōu)點，目前常用的主要有三種方案 (1)將前面圖像的分割結(jié)果作為其后續(xù)圖像的先驗知識，即輪廓初值。
(2)將序列圖像分成若干組，每組共用一個人工的初始化輪廓。
(3)三維空間分割，把序列圖像看成是體素的集合，充分利用它們之間的相似性。
現(xiàn)有的基于模糊連通度的FCM分割方法，該方法的具體步驟如下 ①定義最小目標函數(shù)，模糊對象的區(qū)域越接近真是對象，目標函數(shù)值越?。? ②優(yōu)化目標函數(shù)，得到最優(yōu)聚類； ③初始化C劃分矩陣U和各個聚類中心； ④迭代計算其過程是先確定目標函數(shù)值，再更新每個數(shù)據(jù)的隸屬度和聚類中心，當目標函數(shù)值變化很小時停止； 上述方法的缺點是1.種子點的選取是在二維圖像上進行的，不能準確判斷是否屬于目標分割對象的點；2.人工參與過多；3.方法執(zhí)行速度很慢，需等待較長時間才有結(jié)果；4.參數(shù)確定需要根據(jù)經(jīng)驗確定。
現(xiàn)有的基于模糊連接度的圖像分割及算法。其主要思想是在模糊連接度分割的基礎(chǔ)上增加了最優(yōu)路徑(即與種子點的所有路徑中連通度最大的路徑)上各點相對于種子點的屬性相似度的檢驗，使之能在待分割對象邊界比較模糊的情況下取得理想的分割結(jié)果.同時還提出了一種基于圖像掃描機制的算法，它以種子點為中心，逐個計算鄰居點相對于種子點的模糊相似度，該算法充分利用模糊連通度和屬性相似度的性質(zhì)，能簡單、快速地找到兩點間的最優(yōu)路徑。
上述方法的缺點是該算法種子點的選取也是在二維圖像上的進行的，因此種子點的不正確選取容易導(dǎo)致應(yīng)用到復(fù)雜背景下多目標的序列圖像分割時分割結(jié)果的精度不夠高甚至出現(xiàn)錯誤分割，而且運行速度比較慢，需要用戶等待較長的時間。同時也存在需要設(shè)置很多要靠經(jīng)驗得到的參數(shù)，用戶參與量過大。


發(fā)明內(nèi)容
本發(fā)明的目的在于考慮上述問題而提供一種種子點的選取是在三維圖像上進行，能準確判斷是否屬于目標分割對象的點的交互式三維體分割序列圖像的分割方法。本發(fā)明不需人工參與過多，執(zhí)行速度塊，在較短時間內(nèi)即可有結(jié)果，且參數(shù)不需根據(jù)經(jīng)驗確定。
本發(fā)明的另一目的在于提供一種交互式三維體分割序列圖像分割方法的應(yīng)用。本發(fā)明在分析了腹部肝臟CT圖像的特點基礎(chǔ)之上，結(jié)合空間體素和CT序列圖像的像素之間的相似性，使用一種基于三維體素和置信區(qū)間的相對模糊連通度方法把肝臟精確地提取出來，為后續(xù)肝臟三維重建提供準確的數(shù)據(jù)。
本發(fā)明的技術(shù)方案是本發(fā)明交互式三維體分割序列圖像的分割方法，其是基于三維體素和置信區(qū)間的相對模糊連通度分割方法，是將具有某種特定相似性質(zhì)的像素集合起來構(gòu)成相似性區(qū)域，其包括如下過程 1)先由用戶在重建后的目標對象和背景對象中選取種子體素作為目標對象的起點和背景對象的起點，同時這些體素通過計算被映射到序列圖像中的某些圖像的某些像素點，被稱為種子像素點； 2)計算所有序列圖像里每個像素與這些種子像素點的模糊連通度； 3)搜索某像素P到每個種子像素點的所有路徑，取其中強度最大的路徑為最優(yōu)路徑，這個強度即為P到某種子像素點的模糊連通度；在該過程中，通過置信區(qū)間的方法為模糊連通度算法提供準確的均值與標準差參數(shù)； 4)將每個像素與各個種子像素點的多個模糊連通度進行相互比較，取最大的模糊連通度作為該像素的最終模糊連通度并將該像素歸為該模糊連通度的種子像素點所屬的對象。
上述計算每個像素與各個種子像素點的模糊相似度的公式如下 其中ω1+ω2＝1，μ1，δ1，μ2，δ2分別為一塊區(qū)域A里全部像素點屬性值的均值，標準差及其該區(qū)域梯度幅度值的均值，標準差。而區(qū)域A是用戶選定的需要分割出來的目標對象區(qū)域。以上的μ1，δ1，μ2，δ2各值可以通過計算以下的置信區(qū)間來提供，不需要人工設(shè)值。
I(X)∈[m-fσ，m+fσ](2) 其中m和σ是分割區(qū)閾內(nèi)像素強度值的均值和標準差。f則是一個由用戶定義的的因子。I()是圖像，X是特定的像素。它將被查看是否屬于分割區(qū)域。當鄰近像素的強度值落在(2)式的范圍內(nèi)時，將被認為是屬于分割區(qū)域的像素。當沒有更多的鄰近像素滿足該條件時，該方法就完成了第一次迭代過程。這時，先前計算出來的均值和標準差需要根據(jù)分割區(qū)域當前所包含的所有像素來重新計算出新的均值和標準差。新的均值與標準差定義出一個新的強度值范圍，然后再判斷當前區(qū)域的鄰近像素的強度值是否落在新的范圍內(nèi)。迭代過程一直重復(fù)，直到?jīng)]有更多的像素被包含進來或者達到了迭代的最大次數(shù)。
上述計算每個像素與某個種子點的模糊連通度的公式如下 其中ξ是有限子集C的一個模糊關(guān)系； 最后通過下面的比較，得出每個像素最終的所屬對象 其中O是表示分割對象的點集合，而B是其它非分割對象的點集合。
本發(fā)明交互式三維體分割序列圖像的分割方法的應(yīng)用，其用于肝臟序列圖像分割，具體步驟為 (1)從重建后的三維立體的肝臟器官中選取相應(yīng)的種子點并在其它一些相近的器官(如胰腺)也選取相應(yīng)的種子點作為背景目標； (2)將以上的種子點映射為相應(yīng)的二維圖像上的像素種子點；由于三維重建后的數(shù)據(jù)集是一個立方體數(shù)據(jù)，所以是可以通過立體數(shù)據(jù)上點找到它所對應(yīng)的序列圖像上的點； (3)利用本發(fā)明提出的基于三維體素和置信區(qū)間的相對模糊連通度分割算法根據(jù)這些種子點對所有序列圖像里的像素進行模糊連通度計算； (4)當遍歷完所有像素后得出最終包含每個體素模糊連通度值的三維空間，最后只顯示貼有肝臟分割標簽的體素，算法結(jié)束。
本發(fā)明由于采用首先在重建的肝臟中選取一些體素種子點，然后將相應(yīng)的體素種子點映射成序列圖像上的某些像素種子點的方法。這樣可以更精確地提供序列圖像分割所需要的種子點。因此要更好的指導(dǎo)序列圖像的分割，就要充分利用相鄰切片之間的相似性特征。本發(fā)明是三維空間分割，把序列圖像看成是體素的集合，所以分割是在三維上進行的。而且三維空間的種子點選取非常準確，不會存在像二維圖像上選取種子點那樣出現(xiàn)誤選的結(jié)果。從而使用本發(fā)明的方法可以把肝臟從序列圖像中快速、準確地分割出來，本發(fā)明的參數(shù)幾乎不需要人工參與設(shè)置，真正實現(xiàn)肝序列圖像的自動化分割，為肝臟的三維重建提供正確的數(shù)據(jù)。本發(fā)明是一種方便實用的交互式三維體分割序列圖像的分割方法。



圖1為本發(fā)明的原理圖。

具體實施例方式 實施例 本發(fā)明的結(jié)構(gòu)示意圖如圖1、2、3、4所示，本發(fā)明的技術(shù)方案是本發(fā)明交互式三維體分割序列圖像的分割方法，其是基于三維體素和置信區(qū)間的相對模糊連通度分割方法，是將具有某種特定相似性質(zhì)的像素集合起來構(gòu)成相似性區(qū)域，其包括如下過程 1)先由用戶在重建后的目標對象和背景對象中選取種子體素作為目標對象的起點和背景對象的起點，同時這些體素通過計算被映射到序列圖像中的某些圖像的某些像素點，被稱為種子像素點； 2)計算所有序列圖像里每個像素與這些種子像素點的模糊連通度； 3)搜索某像素P到每個種子像素點的所有路徑，取其中強度最大的路徑為最優(yōu)路徑，這個強度即為P到某種子像素點的模糊連通度；在該過程中，通過置信區(qū)間的方法為模糊連通度算法提供準確的均值與標準差參數(shù)； 4)將每個像素與各個種子像素點的多個模糊連通度進行相互比較，取最大的模糊連通度作為該像素的最終模糊連通度并將該像素歸為該模糊連通度的種子像素點所屬的對象。
上述計算每個像素與各個種子像素點的模糊相似度的公式如下 其中ω1+ω2＝1，μ1，δ1，μ2，δ2分別為一塊區(qū)域A里全部像素點屬性值的均值，標準差及其該區(qū)域梯度幅度值的均值，標準差。而區(qū)域A是用戶選定的需要分割出來的目標對象區(qū)域。以上的μ1，δ1，μ2，δ2各值可以通過計算以下的置信區(qū)間來提供，不需要人工設(shè)值。
I(X)∈[mfσ，m+fσ](2) 其中m和σ是分割區(qū)閾內(nèi)像素強度值的均值和標準差。f則是一個由用戶定義的的因子。I()是圖像，X是特定的像素。它將被查看是否屬于分割區(qū)域。當鄰近像素的強度值落在(2)式的范圍內(nèi)時，將被認為是屬于分割區(qū)域的像素。當沒有更多的鄰近像素滿足該條件時，該方法就完成了第一次迭代過程。這時，先前計算出來的均值和標準差需要根據(jù)分割區(qū)域當前所包含的所有像素來重新計算出新的均值和標準差。新的均值與標準差定義出一個新的強度值范圍，然后再判斷當前區(qū)域的鄰近像素的強度值是否落在新的范圍內(nèi)。迭代過程一直重復(fù)，直到?jīng)]有更多的像素被包含進來或者達到了迭代的最大次數(shù)。
上述計算每個像素與某個種子點的模糊連通度的公式如下 其中ξ是有限子集C的一個模糊關(guān)系； 最后通過下面的比較，得出每個像素最終的所屬對象 其中O是表示分割對象的點集合，而B是其它非分割對象的點集合。
本發(fā)明交互式三維體分割序列圖像的分割方法的應(yīng)用，其用于肝臟序列圖像分割，具體步驟為 (1)從重建后的三維立體的肝臟器官中選取相應(yīng)的種子點并在其它一些相近的器官(如胰腺)也選取相應(yīng)的種子點作為背景目標； (2)將以上的種子點映射為相應(yīng)的二維圖像上的像素種子點；由于三維重建后的數(shù)據(jù)集是一個立方體數(shù)據(jù)，所以是可以通過立體數(shù)據(jù)上點找到它所對應(yīng)的序列圖像上的點； (3)利用本發(fā)明提出的基于三維體素和置信區(qū)間的相對模糊連通度分割算法根據(jù)這些種子點對所有序列圖像里的像素進行模糊連通度計算； (4)當遍歷完所有像素后得出最終包含每個體素模糊連通度值的三維空間，最后只顯示貼有肝臟分割標簽的體素，算法結(jié)束。
本實施例中， 本發(fā)明解決了如下問題 (1)種子點的選取 絕大多數(shù)的分割技術(shù)都是基于一張圖像上的一些種子點來進行的。也就是說，分割算法的初始種子點集都是二維圖像上的像素點，這樣所取得的種子點并不十分精確，不一定是屬于目標分割對象的點集。因為我們在二維圖像上觀察到的點不一定能很準確地反映出它就是目標分割對象的點，二維圖像上的對象可能會包含其他對象，如肝臟還包含腫瘤和血管，而且和胰腺極其接近和相似。盡管我們可以通過放大來觀察圖像上的像素點和對象，但放大倍數(shù)太高反而會使像素點和對象變得模糊更不能區(qū)分出該像素點所屬的對象，從而可能會因錯選種子像素點而導(dǎo)致分割結(jié)果不精確或出現(xiàn)錯誤(分出的對象不是原來想要的結(jié)果。如在分割肝臟時，將胰腺也當作肝臟的一部分分割出來了)。但如果是在進行三維重建后，我們就可以在三維空間上清楚地區(qū)分出目標分割對象和背景對象。因為三維上觀察到物體肯定比二維上觀察到的要清晰和更具有真實感。如我們在三維空間中可以清晰的看到哪些體素(三維空間的點)是肝臟的，哪些是血管，哪些是胰腺。從而在三維空間的某對象上所獲取的體素就一定是屬于該對象的點。這樣就能為分割提供精確的種子點，從而使得最后的分割結(jié)果有非常大的提高。
因此，本發(fā)明采用選擇三維重建后分割對象的多個體素，并映射到序列圖像中某些圖像的某些像素來作為初始種子點，這樣可以適當避免二維圖像種子點的誤選和噪聲的影響，從而比較好地解決了這種誤選的情況，大大提高后續(xù)分割的準確性。
(2)參數(shù)的確定 第一動態(tài)性，隨著加入分割區(qū)域像素的不斷增加和置信區(qū)間不斷的迭代，模糊連通度所需要的均值和標準差值也跟著不斷的變化。
第二自適應(yīng)性，模糊連通度算法中用到的均值和標準差值不需要人工設(shè)值，具有自適應(yīng)性。
權(quán)利要求
1、一種交互式三維體分割序列圖像的分割方法，其特征在于是基于三維體素和置信區(qū)間的相對模糊連通度分割方法，是將具有某種特定相似性質(zhì)的像素集合起來構(gòu)成相似性區(qū)域，其包括如下過程
1)先由用戶在重建后的目標對象和背景對象中選取種子體素作為目標對象的起點和背景對象的起點，同時這些體素通過計算被映射到序列圖像中的某些圖像的某些像素點，被稱為種子像素點；
2)計算所有序列圖像里每個像素與這些種子像素點的模糊連通度；
3)搜索某像素P到每個種子像素點的所有路徑，取其中強度最大的路徑為最優(yōu)路徑，這個強度即為P到某種子像素點的模糊連通度；在該過程中，通過置信區(qū)間的方法為模糊連通度算法提供準確的均值與標準差參數(shù)；
4)將每個像素與各個種子像素點的多個模糊連通度進行相互比較，取最大的模糊連通度作為該像素的最終模糊連通度并將該像素歸為該模糊連通度的種子像素點所屬的對象。
2、根據(jù)權(quán)利要求1所述的交互式三維體分割序列圖像的分割方法，其特征在于上述計算每個像素與各個種子像素點的模糊相似度的公式如下
其中ω1+ω2＝1，μ1，δ1，μ2，δ2分別為一塊區(qū)域A里全部像素點屬性值的均值，標準差及其該區(qū)域梯度幅度值的均值，標準差。而區(qū)域A是用戶選定的需要分割出來的目標對象區(qū)域。以上的μ1，δ1，μ2，δ2各值可以通過計算以下的置信區(qū)間來提供，不需要人工設(shè)值。
I(X)∈[m-fσ，m+fσ](2)
其中m和σ是分割區(qū)閾內(nèi)像素強度值的均值和標準差。f則是一個由用戶定義的的因子。I()是圖像，X是特定的像素。它將被查看是否屬于分割區(qū)域。當鄰近像素的強度值落在(2)式的范圍內(nèi)時，將被認為是屬于分割區(qū)域的像素。當沒有更多的鄰近像素滿足該條件時，該方法就完成了第一次迭代過程。這時，先前計算出來的均值和標準差需要根據(jù)分割區(qū)域當前所包含的所有像素來重新計算出新的均值和標準差。新的均值與標準差定義出一個新的強度值范圍，然后再判斷當前區(qū)域的鄰近像素的強度值是否落在新的范圍內(nèi)。迭代過程一直重復(fù)，直到?jīng)]有更多的像素被包含進來或者達到了迭代的最大次數(shù)。
3、根據(jù)權(quán)利要求1所述的交互式三維體分割序列圖像的分割方法，其特征在于上述計算每個像素與某個種子點的模糊連通度的公式如下
其中ξ是有限子集C的一個模糊關(guān)系；
最后通過下面的比較，得出每個像素最終的所屬對象
其中O是表示分割對象的點集合，而B是其它非分割對象的點集合。
4、一種根據(jù)權(quán)利要求1所述的交互式三維體分割序列圖像的分割方法的應(yīng)用，其特征在于用于肝臟序列圖像分割，其具體步驟為
(1)從重建后的三維立體的肝臟器官中選取相應(yīng)的種子點并在其它一些相近的器官也選取相應(yīng)的種子點作為背景目標；
(2)將以上的種子點映射為相應(yīng)的二維圖像上的像素種子點；由于三維重建后的數(shù)據(jù)集是一個立方體數(shù)據(jù)，所以是可以通過立體數(shù)據(jù)上點找到它所對應(yīng)的序列圖像上的點；
(3)利用本發(fā)明提出的基于三維體素和置信區(qū)間的相對模糊連通度分割算法根據(jù)這些種子點對所有序列圖像里的像素進行模糊連通度計算；
(4)當遍歷完所有像素后得出最終包含每個體素模糊連通度值的三維空間，最后只顯示貼有肝臟分割標簽的體素，算法結(jié)束。
全文摘要
本發(fā)明是一種交互式三維體分割序列圖像的分割方法及其應(yīng)用。是基于三維體素和置信區(qū)間的相對模糊連通度分割方法，是將具有某種特定相似性質(zhì)的像素集合起來構(gòu)成相似性區(qū)域。本發(fā)明種子點的選取是在三維圖像上進行，能準確判斷是否屬于目標分割對象的點。本發(fā)明不需人工參與過多，執(zhí)行速度快，在較短時間內(nèi)即可有結(jié)果，且參數(shù)不需根據(jù)經(jīng)驗確定。本發(fā)明交互式三維體分割序列圖像的分割方法的應(yīng)用是用于肝臟序列圖像分割。本發(fā)明在分析了腹部肝臟CT圖像的特點基礎(chǔ)之上，結(jié)合空間體素和CT序列圖像的像素之間的相似性，使用一種基于三維體素和置信區(qū)間的相對模糊連通度方法把肝臟精確地提取出來，為后續(xù)肝臟三維重建提供準確的數(shù)據(jù)。
文檔編號G06T7/00GK101404085SQ20081019900
公開日2009年4月8日 申請日期2008年10月7日 優(yōu)先權(quán)日2008年10月7日
發(fā)明者鮑蘇蘇, 方馳華, 陳彥達, 李曉鋒, 彭豐平 申請人:華南師范大學(xué), 南方醫(yī)科大學(xué)珠江醫(yī)院