專利名稱：腦部磁共振血管造影數(shù)據(jù)的分割方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像處理方法，特別是涉及一種腦部磁共振血管造影數(shù)據(jù)的分割方法及裝置。
背景技術(shù)：
每年有大量患者受到由血栓、出血、動(dòng)脈畸形、狹窄導(dǎo)致的中風(fēng)等腦血管疾病的影響。因此，精確地分割腦血管對(duì)于診斷、外科手術(shù)、術(shù)前計(jì)劃等有著重要的臨床意義。由于腦血管具有復(fù)雜的三維形態(tài)和較細(xì)的結(jié)構(gòu)，所以其圖像分割是很有挑戰(zhàn)性的。磁共振血管造影(MRA, magnetic resonance angiography)是一種非傾入式的流成像和三維體數(shù)據(jù)生成技術(shù)。有很多方法可以用來進(jìn)行MRA的分割，這些方法可分為基于骨架的和非骨架的兩類方法。前者分割和重建血管通過先探測血管中心線的方法，而后者則直接提取三維血管。基于非骨架的方法分為多尺度分析法、形變模型法、統(tǒng)計(jì)模型法以及混合模型法。其中，多尺度分析法在遇到并鄰的血管，以及血管直徑發(fā)生突變時(shí)(如血管狹窄、血管瘤)等情況時(shí)無法產(chǎn)生有效的觀測結(jié)果。形變模型法很難探測到低對(duì)比度血管，并且嚴(yán)重依賴于模型參數(shù)和理想的血管形狀特征，無法探測到病理變化的血管。統(tǒng)計(jì)模型法將三維MRA數(shù)據(jù)集中不同解剖結(jié)構(gòu)的感興趣區(qū)看做不同類別數(shù)據(jù)，每一類服從一種特殊的邊緣概率分布模式。然而統(tǒng)計(jì)模型法只能提取有限的血管網(wǎng)絡(luò)。在利用統(tǒng)計(jì)學(xué)模型解決血管分割問題時(shí)，面對(duì)的主要挑戰(zhàn)是(I)如果各類分布的的強(qiáng)度互相重疊、并且具有很大的類間方差、以及較小的類間距時(shí)，模型的計(jì)算結(jié)果往往誤差很大；(2)由于統(tǒng)計(jì)學(xué)模型只處理和分析強(qiáng)度信息，缺少空間約束，往往將灰度相同的目標(biāo)和背景當(dāng)做同一類數(shù)據(jù)進(jìn)行分割。因此，常用的血管分割方法無法快速、準(zhǔn)確的對(duì)血管進(jìn)行分割。

發(fā)明內(nèi)容
基于此，有必要提供一種腦部磁共振血管造影數(shù)據(jù)的分割方法及裝置，采用該腦部磁共振血管造影數(shù)據(jù)的分割方法能夠快速地分割出腦部血管。一種腦部磁共振血管造影數(shù)據(jù)的分割方法，包括以下步驟獲取腦部磁共振血管造影數(shù)據(jù)；獲取MAP-MRF模型的參數(shù)的值；確定血管的目標(biāo)候選空間；在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對(duì)MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果。在其中一個(gè)實(shí)施例中，所述獲取MAP-MRF模型的參數(shù)的值的步驟之前還包括采用多尺度濾波方法對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理。在其中一個(gè)實(shí)施例中，所述獲取MAP-MRF模型的參數(shù)的值的步驟包括以下步驟選擇一個(gè)第一閾值Y !對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到血管的初始候選空間，并估計(jì)出其中一個(gè)參數(shù)的大概值，其中Y1E (O, I);利用無監(jiān)督K均值聚類算法及得到的參數(shù)的大概值得到腦部磁共振血管造影數(shù)據(jù)的參數(shù)集；利用EM算法估計(jì)參數(shù)的準(zhǔn)確值。
在其中一個(gè)實(shí)施例中，所述確定血管的目標(biāo)候選空間的步驟包括選擇一個(gè)第二閾值Y 2對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到目標(biāo)候選空間，其中0〈 Y 2〈 Y ^l0
在其中一個(gè)實(shí)施例中，所述MAP-MRF模型的參數(shù)包括均值、方差及混合比例。
在其中一個(gè)實(shí)施例中，所述在血管的目標(biāo)候選空間內(nèi)利用MAP-MRF模型及得到的參數(shù)的值得到血管的初步分割的步驟是結(jié)合MAP-MRF模型的多模式鄰域系統(tǒng)和對(duì)應(yīng)的勢團(tuán)能量函數(shù)，并在確定的正則化參數(shù)作用下進(jìn)行的。
在其中一個(gè)實(shí)施例中，所述正則化參數(shù)采用最大偽似然迭代逼近算法進(jìn)行估計(jì)。
在其中一個(gè)實(shí)施例中，所述在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對(duì)MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果的步驟中，當(dāng)?shù)螖?shù)等于指定數(shù)值或者所有標(biāo)記不在變化時(shí)算法終止。
一種腦部磁共振血管造影數(shù)據(jù)的分割裝置，包括用于獲取腦部磁共振血管造影數(shù)據(jù)的數(shù)據(jù)獲取模塊；用于獲取MAP-MRF模型的參數(shù)的值的參數(shù)獲取模塊；用于確定血管的目標(biāo)候選空間的目標(biāo)候選空間確定模塊；用于在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對(duì)MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果的血管分割模塊。
在其中一個(gè)實(shí)施例中，所述腦部磁共振血管造影數(shù)據(jù)的分割裝置還包括用于采用多尺度濾波方法對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理的多尺度濾波模塊。
上述腦部磁共振血管造影數(shù)據(jù)的分割方法及裝置是在目標(biāo)候選空間內(nèi)完成血管的分割，因此極大的減少了計(jì)算時(shí)間，能夠快速分割出腦部血管。


圖1為一個(gè)實(shí)施例的腦部磁共振血管造影數(shù)據(jù)的分割方法的流程圖2為獲取MAP-MRF模型的參數(shù)的值的流程圖。
具體實(shí)施方式
請(qǐng)參考圖1，一個(gè)實(shí)施例提供一種腦部磁共振血管造影數(shù)據(jù)的分割方法，該腦部磁共振血管造影數(shù)據(jù)的分割方法包括以下步驟
步驟S110，獲取腦部磁共振血管造影數(shù)據(jù)。
采用多尺度濾波方法對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理。以增強(qiáng)血管和抑制噪聲，得到歸一化的響應(yīng)結(jié)果&，且Rf e [O, I]。
步驟S120,獲取 MAP-MRF (maximum posterior1-Markov random field,最大后驗(yàn)概率-馬爾可夫隨機(jī)場)模型的參數(shù)的值。此處的參數(shù)包括均值、方差及混合比例。
該步驟S120，獲取MAP-MRF模型的參數(shù)的值主要包括如下步驟。
步驟S121，選擇一個(gè)第一閾值Y !對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到血管的初始候選空間，并估計(jì)出其中一個(gè)參數(shù)的大概值，其 中Y1E (O, I) O也就是采用閾值分析技術(shù)確定其中一個(gè)參數(shù)的大概值。
具體的，選擇一個(gè)第一閾值^對(duì)士取閾值，其中Y1E (O, I)。我們可以認(rèn)為Y1 < Rf彡I所對(duì)應(yīng)空間區(qū)域代表血管，此處為血管空間，并用V表示；而0彡RfS Y1所對(duì)應(yīng)的空間代表背景，此處為背景空間，并用B表示。第一閾值Y1的選擇的過大則估計(jì)的初始血管均值偏大，反之則偏小。為了恰當(dāng)?shù)剡x擇第一閾值Y1，我們可以比較血管空間V相對(duì)于頭部容積H的經(jīng)驗(yàn)比值確定第一閾值^1，此處￥與!1的比值范圍是1%〈￥/!1〈5%。確定血管與背景后可以估計(jì)出其中一個(gè)參數(shù)的大概值，這個(gè)參數(shù)為血管均值，此處得到的為血管均值的大概值。步驟S122，利用無監(jiān)督K均值聚類算法及得到的參數(shù)的大概值得到腦部磁共振血管造影數(shù)據(jù)的參數(shù)集。此處采用I個(gè)瑞利分布和2個(gè)高斯分布模擬腦部磁共振血管造影數(shù)據(jù)的背景，再用I個(gè)高斯分布模擬腦部磁共振血管造影數(shù)據(jù)的血管?；谶@些邊緣概率分布函數(shù)擬合直方圖，并采用閾值分析技術(shù)自動(dòng)估計(jì)得到的血管均值的初始值，然后利用無監(jiān)督K均值聚類算法得到腦部磁共振血管造影數(shù)據(jù)的參數(shù)集。步驟SI23,利用 EM 算法(Expectation-maximization algorithm,最大期望算法)估計(jì)參數(shù)的準(zhǔn)確值。步驟S130，確定血管的目標(biāo)候選空間。確定血管的目標(biāo)候選空間可以進(jìn)一步縮小腦部磁共振血管造影數(shù)據(jù)的計(jì)算空間，從而可以減少計(jì)算量，加快計(jì)算速度。此處是選擇一個(gè)第二閾值Y 2對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到目標(biāo)候選空間，其中0<y2<y1<lo步驟S140，在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式(ICM, Iterated Conditional Mode)對(duì)MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果。此處是在血管的目標(biāo)候選空間內(nèi)進(jìn)行的。該步驟S140，在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對(duì)MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果的步驟是結(jié)合MAP-MRF模型的多模式鄰域系統(tǒng)和對(duì)應(yīng)的勢團(tuán)能量函數(shù)，并`在確定的正則化參數(shù)作用下進(jìn)行的。此處的MAP-MRF模型包括MRF (Markov random fields,馬爾可夫隨機(jī)場)低級(jí)模型和MRF高級(jí)模型。在MRF低級(jí)模型中，腦部磁共振血管造影數(shù)據(jù)的直方圖分為為低、中、高三個(gè)區(qū)域。低灰度區(qū)間包括了腦脊液、骨、背景空氣。中灰度區(qū)間包括了腦組織的灰/白質(zhì)和部分眼組織。高灰度區(qū)間則包括了動(dòng)脈血管和皮下脂肪組織。這樣一來，我們可以建立4種標(biāo)記，分別對(duì)應(yīng)于上述腦組織。用1，2，3類標(biāo)記代表背景(腦脊液、骨、背景空氣；腦灰質(zhì)；腦白質(zhì)和部分眼組織)，用標(biāo)記4代表血管和皮下脂肪組織。利用一個(gè)瑞利分布和兩個(gè)高斯分布模擬中低灰度區(qū)間的背景類。而在高灰度區(qū)間用一個(gè)高斯分布模擬血管類。這樣，采用MRF低級(jí)模型就可以進(jìn)行簡單的處理。由于腦部磁共振血管造影數(shù)據(jù)的復(fù)雜背景和圖像噪聲，MRF低級(jí)模型并不能分割出血管。此處的MRF高級(jí)模型的構(gòu)造與求解需結(jié)合多模式鄰域系統(tǒng)構(gòu)造目標(biāo)點(diǎn)的特性，另外還需約束目標(biāo)點(diǎn)的標(biāo)記值的隨機(jī)變化并結(jié)合多模式鄰域系統(tǒng)對(duì)應(yīng)的勢團(tuán)能量函數(shù)。MRF高級(jí)模型的正則化參數(shù)采用最大偽似然迭代逼近算法進(jìn)行估計(jì)。并可以采用空間編碼模式將計(jì)算空間拆分為兩部分，分別計(jì)算高階模型參數(shù)后求平均值，并最終得到MRF高級(jí)模型所需要的正則化參數(shù)。此處采用迭代條件模式進(jìn)行求解時(shí)，迭代條件模式采用貪婪策略最大化局部后驗(yàn)概率。在求解過程中，初始標(biāo)記場的設(shè)置采用最大似然估計(jì)，當(dāng)?shù)螖?shù)等于指定數(shù)值或者所有標(biāo)記不在變化時(shí)算法終止。
經(jīng)過以上步驟就可以實(shí)現(xiàn)對(duì)腦部磁共振血管造影數(shù)據(jù)的分割，并分割出血管目標(biāo)。
另一個(gè)實(shí)施例提供一種腦部磁共振血管造影數(shù)據(jù)的分割裝置。該腦部磁共振血管造影數(shù)據(jù)的分割裝置包括用于獲取腦部磁共振血管造影數(shù)據(jù)的數(shù)據(jù)獲取模塊；用于獲取MAP-MRF模型的參數(shù)的值的參數(shù)獲取模塊；用于確定血管的目標(biāo)候選空間的目標(biāo)候選空間確定模塊；用于在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對(duì) MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果的血管分割模塊。在該實(shí)施例中，MAP-MRF 模型的參數(shù)包括均值、方差及混合比例。
該腦部磁共振血管造影數(shù)據(jù)的分割裝置還包括用于采用多尺度濾波方法對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理的多尺度濾波模塊。
其中，該腦部磁共振血管造影數(shù)據(jù)的分割裝置的用于獲取MAP-MRF模型的參數(shù)的值的參數(shù)獲取模塊包括參數(shù)估計(jì)模塊、參數(shù)集獲取模塊及EM算法模塊。
參數(shù)估計(jì)模塊用于選擇一個(gè)第一閾值Y !對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到血管的初始候選空間，并估計(jì)出其中一個(gè)參數(shù)的大概值，其中Y1E (O, I) O
參數(shù)集獲取模塊用于利用無監(jiān)督K均值聚類算法及得到的參數(shù)的大概值得到腦部磁共振血管造影數(shù)據(jù)的參數(shù)集。
EM算法模塊用于利用EM算法估計(jì)參數(shù)的準(zhǔn)確值。
該腦部磁共振血管造影數(shù)據(jù)的分割裝置的目標(biāo)候選空間確定模塊可以通過選擇一個(gè)第二閾值Y2對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到目標(biāo)候選空間，其中 0< Y 2< Y !<1ο
另外，血管分割模塊在進(jìn)行血管分割時(shí)是結(jié)合MAP-MRF模型的多模式鄰域系統(tǒng)和對(duì)應(yīng)的勢團(tuán)能量函數(shù)，并在確定的正則化參數(shù)作用下進(jìn)行的。此處的正則化參數(shù)采用最大偽似然迭代逼近算法進(jìn)行估計(jì)。
血管分割模塊在進(jìn) 行迭代求解時(shí)，當(dāng)?shù)螖?shù)等于指定數(shù)值或者所有標(biāo)記不在變化時(shí)算法終止。
該腦部磁共振血管造影數(shù)據(jù)的分割裝置按照上述實(shí)施例中的腦部磁共振血管造影數(shù)據(jù)的分割步驟就可以分割出腦部血管。上述腦部磁共振血管造影數(shù)據(jù)的分割方法及裝置是在初始候選空間與目標(biāo)候選空間內(nèi)完成血管的分割，縮小了計(jì)算空間，因此極大的減少了計(jì)算時(shí)間，能夠快速分割出腦部血管。
以上所述實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對(duì)本發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對(duì)于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。
權(quán)利要求
1.一種腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，包括以下步驟獲取腦部磁共振血管造影數(shù)據(jù)；獲取MAP-MRF模型的參數(shù)的值；確定血管的目標(biāo)候選空間；在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對(duì)MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果。
2.根據(jù)權(quán)利要求1所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述獲取MAP-MRF模型的參數(shù)的值的步驟之前還包括采用多尺度濾波方法對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理。
3.根據(jù)權(quán)利要求1所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述獲取MAP-MRF模型的參數(shù)的值的步驟包括以下步驟選擇一個(gè)第一閾值Y1對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到血管的初始候選空間，并估計(jì)出其中一個(gè)參數(shù)的大概值，其中Y1 e (O, I)；利用無監(jiān)督K均值聚類算法及得到的參數(shù)的大概值得到腦部磁共振血管造影數(shù)據(jù)的參數(shù)集；利用EM算法估計(jì)參數(shù)的準(zhǔn)確值。
4.根據(jù)權(quán)利要求3所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述確定血管的目標(biāo)候選空間的步驟包括選擇一個(gè)第二閾值Y 2對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到目標(biāo)候選空間，其中0〈 Y 2〈 Y ^1。
5.根據(jù)權(quán)利要求1所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述 MAP-MRF模型的參數(shù)包括均值、方差及混合比例。
6.根據(jù)權(quán)利要求1至5中的任一權(quán)利要求所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述在血管的目標(biāo)候選空間內(nèi)利用MAP-MRF模型及得到的參數(shù)的值得到血管的初步分割的步驟是結(jié)合MAP-MRF模型的多模式鄰域系統(tǒng)和對(duì)應(yīng)的勢團(tuán)能量函數(shù)，并在確定的正則化參數(shù)作用下進(jìn)行的。
7.根據(jù)權(quán)利要求6所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述正則化參數(shù)采用最大偽似然迭代逼近算法進(jìn)行估計(jì)。
8.根據(jù)權(quán)利要求1至5中的任一權(quán)利要求所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對(duì) MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果的步驟中，當(dāng)?shù)螖?shù)等于指定數(shù)值或者所有標(biāo)記不在變化時(shí)算法終止。
9.一種腦部磁共振血管造影數(shù)據(jù)的分割裝置，其特征在于，包括用于獲取腦部磁共振血管造影數(shù)據(jù)的數(shù)據(jù)獲取模塊；用于獲取MAP-MRF模型的參數(shù)的值的參數(shù)獲取模塊；用于確定血管的目標(biāo)候選空間的目標(biāo)候選空間確定模塊；用于在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對(duì)MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果的血管分割模塊。
10.根據(jù)權(quán)利要求9所述的腦部磁共振血管造影數(shù)據(jù)的分割裝置，其特征在于，所述腦部磁共振血管造影數(shù)據(jù)的分割裝置還包括用于采用多尺度濾波方法對(duì)腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理的多尺度濾波模塊。
全文摘要
本發(fā)明提供一種腦部磁共振血管造影數(shù)據(jù)的分割方法及裝置，該腦部磁共振血管造影數(shù)據(jù)的分割包括以下步驟獲取腦部磁共振血管造影數(shù)據(jù)；獲取MAP-MRF模型的參數(shù)的值；確定血管的目標(biāo)候選空間；在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對(duì)MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果。上述腦部磁共振血管造影數(shù)據(jù)的分割方法是在目標(biāo)候選空間內(nèi)完成血管的分割，因此極大的減少了計(jì)算時(shí)間，能夠快速分割出腦部血管。
文檔編號(hào)G06T7/00GK103049913SQ20121057565
公開日2013年4月17日 申請(qǐng)日期2012年12月26日 優(yōu)先權(quán)日2012年12月26日
發(fā)明者周壽軍, 胡慶茂, 謝耀欽, 辜嘉 申請(qǐng)人:中國科學(xué)院深圳先進(jìn)技術(shù)研究院