一種基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型的超聲圖像分割方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型的超聲圖像分割方法,包括以下步驟:1:手動(dòng)定義超聲圖像目標(biāo)區(qū)域的中心點(diǎn);2:建立目標(biāo)區(qū)域輪廓的基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型作為目標(biāo)區(qū)域的先驗(yàn)?zāi)P停?:計(jì)算每個(gè)半徑的徑向特征輪廓模型作為目標(biāo)區(qū)域的似然概率模型;4:根據(jù)統(tǒng)計(jì)形狀模型和徑向特征輪廓模型將分割目標(biāo)區(qū)域的過(guò)程轉(zhuǎn)化為計(jì)算整個(gè)輪廓的最大后驗(yàn)概率;5:更新每個(gè)角度的半徑的長(zhǎng)度,形成新輪廓曲線(xiàn);6:計(jì)算新輪廓曲線(xiàn)的最大后驗(yàn)概率,當(dāng)其最大后驗(yàn)概率的值小于設(shè)定的閾值時(shí),回轉(zhuǎn)執(zhí)行所述的步驟5;7:收斂以后的新輪廓即為目標(biāo)區(qū)域分割的輪廓區(qū)域。本發(fā)明的方法只需要簡(jiǎn)單的手動(dòng)交互即可精確分割2維超聲圖像中子宮肌瘤的目標(biāo)區(qū)域。
【專(zhuān)利說(shuō)明】一種基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型的超聲圖像分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于醫(yī)學(xué)超聲圖像處理領(lǐng)域,涉及計(jì)算機(jī)輔助治療中有關(guān)超聲圖像處理的方法,具體涉及一種基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型的超聲圖像分割方法,主要用于高強(qiáng)度超聲聚焦手術(shù)中對(duì)子宮肌瘤超聲圖像的分割。
【背景技術(shù)】
[0002]子宮肌瘤是一種常見(jiàn)的婦科疾,30歲左右的婦女的發(fā)病率為20% — 30%,高強(qiáng)度超聲聚焦(High Intensity Focused Ultrasound, HIFU)治療是一種新型的無(wú)創(chuàng)手術(shù),該治療方法的最大特點(diǎn)是無(wú)需外科手術(shù)只需要患者在手術(shù)臺(tái)上平躺,因此術(shù)后患者無(wú)需恢復(fù)以及沒(méi)有副作用。HIFU治療的過(guò)程分為術(shù)前規(guī)劃與術(shù)中定位兩個(gè)部分。
[0003](I)術(shù)前:由手術(shù)醫(yī)生操作一個(gè)超聲探頭在患者的腹部進(jìn)行定位找到目標(biāo)的區(qū)域。
[0004](2)術(shù)中:手術(shù)醫(yī)生對(duì)超聲探頭形成的每一張超聲圖像中的目標(biāo)區(qū)域進(jìn)行分割。該分割的區(qū)域作為高強(qiáng)度超聲聚焦的靶向目標(biāo)。
[0005]這個(gè)手動(dòng)分割的過(guò)程是非常的費(fèi)時(shí)而且低效率,因此希望能找到一種新的方法只需相對(duì)簡(jiǎn)單的交互方式就能夠?qū)Τ晥D像中目標(biāo)區(qū)域進(jìn)行精確的分割。但這個(gè)過(guò)程一直存在以下兩個(gè)方面的制約:
[0006](I)相較于CT和MRI圖像,超聲圖像普遍具有低信噪比和圖像灰度分布不均勻的特點(diǎn)從而造成目標(biāo)邊緣輪廓模糊不清;
[0007](2)請(qǐng)見(jiàn)圖1-1所示,為同一患者在不同時(shí)刻的子宮肌瘤的超聲成像;請(qǐng)見(jiàn)圖1-2所示,為不同的患者的子宮肌瘤成像;子宮肌瘤的形狀不像別的組織有相對(duì)固定的形狀,其外形是變化,每個(gè)人都不一樣,而且在手術(shù)過(guò)程中由于病人的呼吸造成腹腔的運(yùn)動(dòng)也會(huì)造成子宮肌瘤的外形發(fā)生一定的形變,反映在超聲圖像上就是目標(biāo)區(qū)域的形狀變化較大。
[0008]以上的這些特點(diǎn)為分割算法帶來(lái)了很大的困難。一些傳統(tǒng)的分割方法都不能在以上情況下得到理想的結(jié)果。一個(gè)準(zhǔn)確且高效的超聲圖像分割方法對(duì)于提高計(jì)算機(jī)輔助治療的效率具有重要意義。
【發(fā)明內(nèi)容】
[0009]為了解決上述的技術(shù)問(wèn)題,提高HIFU手術(shù)的效率和治療效果,本發(fā)明提出的一種基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型的超聲圖像分割方法。
[0010]本發(fā)明所采用的技術(shù)方案是:一種基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型的超聲圖像分割方法,其特征在于,首先定義徑向時(shí)間序列作為超聲圖像目標(biāo)區(qū)域形狀的參數(shù)化表示模型,
[0011]Q= {Ir0,...,rN_J,Θ,{xc,yc}} (式壹)
[0012]其中,{x。,y。}表示目標(biāo)區(qū)域的中心點(diǎn)的坐標(biāo),Irci,...,ivJ表示中心點(diǎn)到目標(biāo)區(qū)域邊緣的半徑的歐氏距離,Θ表示半徑之間的夾角;
[0013]基于上述定義,本發(fā)明的方法包括以下步驟:
[0014]步驟1:手動(dòng)定義超聲圖像目標(biāo)區(qū)域的中心點(diǎn);[0015]步驟2:建立目標(biāo)區(qū)域輪廓的統(tǒng)計(jì)形狀模型以及相對(duì)應(yīng)輪廓的徑向時(shí)間序列的先驗(yàn)概率模型;
[0016]步驟3:計(jì)算每個(gè)半徑的徑向特征輪廓模型;
[0017]步驟4:計(jì)算整個(gè)輪廓的最大后驗(yàn)概率;
[0018]步驟5:更新每個(gè)角度的半徑的長(zhǎng)度,形成新輪廓曲線(xiàn);
[0019]步驟6:計(jì)算新輪廓曲線(xiàn)的最大后驗(yàn)概率,當(dāng)其最大后驗(yàn)概率的值小于設(shè)定的閾值時(shí),回轉(zhuǎn)執(zhí)行所述的步驟5;
[0020]步驟7:收斂以后的新輪廓即為目標(biāo)區(qū)域分割的輪廓區(qū)域。
[0021]作為優(yōu)選,步驟2中所述的建立目標(biāo)區(qū)域輪廓的統(tǒng)計(jì)形狀模型以及目標(biāo)區(qū)域輪廓相對(duì)于徑向時(shí)間序列的先驗(yàn)概率,其具體實(shí)現(xiàn)包括以下子步驟:
[0022]步驟2.1:建立目標(biāo)區(qū)域輪廓的基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型:
[0023]r (t+ Δ t) =r (t) +A (r (t)).dt+B (r (t)).Wt.dt (式威)
[0024]其中A(r (t))和B(r⑴)分別為確定項(xiàng)和隨機(jī)項(xiàng),Wt是一個(gè)獨(dú)立的均值為零的噪聲項(xiàng),r(t+At)和r(t)分別表示不同角度下半徑長(zhǎng)度,dt表示角度偏移量;
[0025]步驟2.2:引入Fokker-Planck方程和隨機(jī)差分方程對(duì)訓(xùn)練集中超聲圖像中的目標(biāo)區(qū)域邊緣波動(dòng)的概率進(jìn)行統(tǒng)計(jì)分析,建立基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型相對(duì)應(yīng)的目標(biāo)區(qū)域輪廓的先驗(yàn)概率。
[0026]作為優(yōu)選,步驟2.2中所述的建立目標(biāo)區(qū)域的基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型相對(duì)應(yīng)的目標(biāo)區(qū)域輪廓的先驗(yàn)概率,具體實(shí)現(xiàn)包括以下子步驟:
[0027]步驟2.2.1:將訓(xùn)練集合說(shuō),...QJ中的半徑轉(zhuǎn)化為狀態(tài)空間R= {rmin, rmax};
[0028]步驟2.2.2:將狀態(tài)空間R=Irmin, rmax}劃分為N個(gè)相同的寬度為Λ r的小區(qū)間,區(qū)間的中心點(diǎn)值為Ir1,...,rN};并建立相對(duì)應(yīng)的數(shù)組集合U1,..., χη} ο
[0029]步驟2.2.3:針對(duì)每個(gè)訓(xùn)練樣本Qp j e [I, N],檢查每個(gè)半徑是否屬于區(qū)間
【權(quán)利要求】
1.一種基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型的超聲圖像分割方法,其特征在于,首先定義徑向時(shí)間序列作為超聲圖像目標(biāo)區(qū)域形狀的參數(shù)化表示模型,
Q= {Ir。,...,rN_J,Θ,{xc, yj } (式壹) 其中,{xc, yc}表示目標(biāo)區(qū)域的中心點(diǎn)的坐標(biāo),Irci,...,ivJ表示中心點(diǎn)到目標(biāo)區(qū)域邊緣的半徑的歐氏距離,θ表示半徑之間的夾角; 基于上述定義,本發(fā)明的方法包括以下步驟: 步驟1:手動(dòng)定義超聲圖像目標(biāo)區(qū)域的中心點(diǎn); 步驟2:建立目標(biāo)區(qū)域輪廓的統(tǒng)計(jì)形狀模型以及相對(duì)應(yīng)輪廓的徑向時(shí)間序列的先驗(yàn)概率模型; 步驟3:計(jì)算每個(gè)半徑的徑向特征輪廓模型; 步驟4:計(jì)算整個(gè)輪廓的最大后驗(yàn)概率; 步驟5:更新每個(gè)角度的半徑的長(zhǎng)度,形成新輪廓曲線(xiàn); 步驟6:計(jì)算新輪廓曲線(xiàn)的最大后驗(yàn)概率,當(dāng)其最大后驗(yàn)概率的值小于設(shè)定的閾值時(shí),回轉(zhuǎn)執(zhí)行所述的步驟5 ; 步驟7:收斂以后的新輪廓即為目標(biāo)區(qū)域分割的輪廓區(qū)域。
2.根據(jù)權(quán)利要求1所述的基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型的超聲圖像分割方法,其特征在于:步驟2中所述的建立目標(biāo)區(qū)域輪廓的統(tǒng)計(jì)形狀模型以及目標(biāo)區(qū)域輪廓相對(duì)于徑向時(shí)間序列的先驗(yàn)概率,其具體實(shí)現(xiàn)包括以下子步驟: 步驟2.1:建立目標(biāo)區(qū)域輪廓的基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型: r (t+ Δ t) =r (t) +A (r (t)).dt+B(r(t)).Wt.dt (式威) 其中A(Ht))和B(Ht))分別為確定項(xiàng)和隨機(jī)項(xiàng),Wt是一個(gè)獨(dú)立的均值為零的噪聲項(xiàng),Ht+At)和r(t)分別表示不同角度下半徑長(zhǎng)度,dt表示角度偏移量; 步驟2.2:引入Fokker-Planck方程和隨機(jī)差分方程對(duì)訓(xùn)練集中超聲圖像中的目標(biāo)區(qū)域邊緣波動(dòng)的概率進(jìn)行統(tǒng)計(jì)分析,建立基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型相對(duì)應(yīng)的目標(biāo)區(qū)域輪廓的先驗(yàn)概率。
3.根據(jù)權(quán)利要求2所述的基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型的超聲圖像分割方法,其特征在于:步驟2.2中所述的建立目標(biāo)區(qū)域的基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型相對(duì)應(yīng)的目標(biāo)區(qū)域輪廓的先驗(yàn)概率,具體實(shí)現(xiàn)包括以下子步驟: 步驟2.2.1:將訓(xùn)練集合(Q1,...Qn}中的半徑轉(zhuǎn)化為狀態(tài)空間R=Irmin,rmax}; 步驟2.2.2:將狀態(tài)空間R=Irmin,rmax}劃分為N個(gè)相同的寬度為Λ r的小區(qū)間,區(qū)間的中心點(diǎn)值為Ir1,...,rN};并建立相對(duì)應(yīng)的數(shù)組集合U1,..., χη} ο 步驟2.2.3:針對(duì)每個(gè)訓(xùn)練樣本%,j e [1,N],檢查每個(gè)半徑&是否屬于區(qū)間
4.根據(jù)權(quán)利要求1所述的基于動(dòng)力學(xué)統(tǒng)計(jì)形狀模型的超聲圖像分割方法,其特征在于:步驟3中所述的計(jì)算每個(gè)半徑的徑向特征輪廓模型,其具體實(shí)現(xiàn)包括以下子步驟: 步驟3.1:針對(duì)徑向時(shí)間序列中半徑與邊緣相交的標(biāo)記點(diǎn)Hii,沿著半徑方向由內(nèi)向外以等距離各采樣H個(gè)像素點(diǎn),標(biāo)記為+ 步驟3.2:計(jì)算^的徑向灰度的梯度幅值作為ri的徑向特征輪廓:g; 二樹(shù)…扣,2"+,; 步驟3.3:針對(duì)每個(gè)半徑^的^,根據(jù)最大似然概率算法計(jì)算瑞利分布模型的參數(shù)并以此作為半徑與目標(biāo)區(qū)域邊緣相交的似然概率,
【文檔編號(hào)】G06T7/00GK103824306SQ201410113489
【公開(kāi)日】2014年5月28日 申請(qǐng)日期:2014年3月25日 優(yōu)先權(quán)日:2014年3月25日
【發(fā)明者】何發(fā)智, 倪波, 孫俊, 陳曉 申請(qǐng)人:武漢大學(xué)