技術(shù)領(lǐng)域：
本發(fā)明涉及一種醫(yī)學(xué)圖像處理技術(shù)，具體地說是一種基于形狀先驗的肝臟醫(yī)學(xué)圖像分割的方法。
背景技術(shù)：
：在肝臟移植手術(shù)中，準確地知道病人特定的肝臟解剖結(jié)構(gòu)，對于手術(shù)策略的制定具有決定性的作用。被移植的肝臟的體積應(yīng)該足以維持受體的生命需要，同時剩余的肝臟體積應(yīng)該盡可能地保留最大，以降低對肝臟供體的損傷。同時，由于肝臟內(nèi)部血管和腫瘤的解剖結(jié)構(gòu)在不同的病人之間變化很大，手術(shù)醫(yī)生需要掌握要被切除的肝臟部分的位置和肝臟內(nèi)血管和腫瘤的分布情況，以制定最佳的手術(shù)切割方案。因此，基于醫(yī)學(xué)圖像的術(shù)前手術(shù)規(guī)劃具有十分重要的意義，它可以提高手術(shù)的精度和成功率，得到對供體和受體都最佳的手術(shù)方案。不同于其他的手術(shù)規(guī)劃系統(tǒng)，肝臟移植手術(shù)規(guī)劃系統(tǒng)需要為供體和受體都提供手術(shù)計劃方案。在該系統(tǒng)提出的手術(shù)策略的基礎(chǔ)上，醫(yī)生可以分析供體候選者的肝臟體積和功能，從而評價手術(shù)對供體的風(fēng)險，以選擇最佳的供體。另一方面，受體的血管分布和其他解剖結(jié)構(gòu)的可視化也幫助了醫(yī)生制定最優(yōu)的手術(shù)方案。然而，要得到一個臨床上可用的肝臟移植手術(shù)規(guī)劃系統(tǒng)，有一系列重要的問題需要解決。首先，不同個體的肝臟形狀和解剖結(jié)構(gòu)變化很大，很難用一個常規(guī)的參-數(shù)分布模型來描述，而肝移植手術(shù)規(guī)劃系統(tǒng)必須提供具有病人特異性的手術(shù)策略，這就需要該系統(tǒng)具有處理復(fù)雜分布的肝臟形狀的能力。其次，手術(shù)的規(guī)劃要基于肝臟及其內(nèi)部血管和腫瘤的分割結(jié)果，然而，精確的分割出來這些組織是一個十分具有挑戰(zhàn)性的問題?，F(xiàn)有的一些肝臟手術(shù)規(guī)劃系統(tǒng)通常采用了一些比較傳統(tǒng)的圖像處理技術(shù)，比如基于邊緣的分割算法，區(qū)域增長算法，交互的蛇形算法，直方圖處理技術(shù)，邊緣檢測和參數(shù)曲線的結(jié)合等。德國癌癥研究中心提出了一個肝臟手術(shù)規(guī)劃系統(tǒng)的框架，他們的工作主要集中在肝段的劃分，肝臟組織的分割沒有深究。德國醫(yī)學(xué)診斷系統(tǒng)和可視化中心也開發(fā)了一個術(shù)前規(guī)劃系統(tǒng)，但只實現(xiàn)了初步的設(shè)計，精度和效率都有待于提高。格拉茨工業(yè)大學(xué)提出了一個基于虛擬現(xiàn)實技術(shù)的術(shù)前規(guī)劃系統(tǒng)，但是未將肝靜脈考慮進去。現(xiàn)有的系統(tǒng)大多數(shù)都需要用戶交互，而且?guī)缀醵紵o法始終有效地解決復(fù)雜的肝臟形狀變化所帶來的錯誤分割的問題。過去幾十年出現(xiàn)了大量的算法用于肝臟圖像處理，HeimannT.和VanGinneken等人研究發(fā)現(xiàn)利用先驗形狀的分割方法相比于僅使用表觀信息(如灰度和邊緣)的分割方法具有更好的性能。然而，到目前為止，幾乎沒有其他的肝臟手術(shù)規(guī)劃系統(tǒng)使用了基于形狀先驗的分割方法?；谛螤钕闰灥母闻K分割的主要問題是如何對復(fù)雜的肝臟形狀變化進行有效地建模。醫(yī)學(xué)圖像分割領(lǐng)域中常規(guī)的方法是活動形狀模型和統(tǒng)計形狀模型，但是，在對肝癌病人的肝臟形狀進行建模比其他器官諸如前列腺，腎臟和骨頭等的形狀建模更具有挑戰(zhàn)性。不同病人的肝臟形狀千變?nèi)f化，無法用一個參數(shù)概率分布來準確地描述。此外，先驗形狀應(yīng)該具有病人適應(yīng)性，對特定的病人，克服奇異點和噪聲的干擾，并且保留局部細節(jié)具有十分重要的意義。技術(shù)實現(xiàn)要素：本發(fā)明的目的就是提供一種基于形狀先驗的肝臟醫(yī)學(xué)圖像分割的方法，以克服醫(yī)學(xué)圖像分割過程中奇異點和噪聲的干擾。本發(fā)明是這樣實現(xiàn)的：一種基于形狀先驗的肝臟醫(yī)學(xué)圖像分割的方法，利用先驗形狀定義速度函數(shù)，計算種子點行進到未分類的點的到達時間，根據(jù)到達時間對肝臟及其內(nèi)部組織進行醫(yī)學(xué)圖像分割，分割出肝實質(zhì)、門靜脈、肝靜脈和腫瘤，分割過程如下：(1)計算結(jié)合先驗形狀的速度函數(shù)：在選取肝實質(zhì)、門靜脈、肝靜脈和腫瘤的種子點以后，通過快速行進算法計算種子點到未分類的點的到達時間，在每一個未分類點處，某一類組織的種子點在該點的行進速度的定義基于該點的灰度和該點與先驗形狀的空間位置關(guān)系；行進速度定義如下：V(x,c)＝λ1Vintensity(x,c)+λ2Vshape(x)其中，x表示未分類的點，c代表某一個組織分類，是肝實質(zhì)、肝靜脈、門靜脈或腫瘤中的一種；λ1和λ2分別是速度函數(shù)中灰度項Vintensity(x,c)和形狀項Vshape(x)的權(quán)重系數(shù)；灰度項Vintensity(x,c)定義如下：Vintensity(x,c)=1+mink(|I(x)-I(k)‾|)1+|I(x)-I(c)‾|]]>其中，I(x)是待分類像素點x處的灰度值。是第c類組織的種子點的平均灰度值；當(dāng)十分靠近I(x)的時候，Vintensity(x,c)取得最大值；速度項Vshape(x)定義為如下：Vshape(x)＝kΦ(x)其中，k是一個系數(shù)，Φ(x)是基于肝臟先驗形狀的帶符號的距離函數(shù)；Φ(x)的值為點x到先驗形狀輪廓的距離：設(shè)先驗形狀A(yù)上任意一點為SA，A上所有點組成的集合為S(A)，先驗形狀A(yù)所包圍的空間記為則VA，則Φ(x)=minSA∈S(A)||x-SA||if(x∈VA)-minSA∈S(A)||x-SA||if(x∉VA)]]>其中，||·||表示歐式距離，即向量的模；(2)基于到達時間的分類：到達時間通過如下方法進行計算：設(shè)定一個曲面從第c類的種子點組成的曲面作為初始位置開始出發(fā)，向未分類的區(qū)域行進，將所有被該曲面經(jīng)過的時刻已經(jīng)確定并且不再改變的網(wǎng)格點的集合記為P；被曲面經(jīng)過的時刻都已經(jīng)臨時被計算出來，但是之后有可能會改變的那些所有的像素點的集合記為T；那些被曲面經(jīng)過的時刻還沒有被計算的點的集合則記為F，設(shè)所有像素點組成的集合為U＝P∪T∪F；循環(huán)地從T中找出具有最小時刻的點xm，將xm移動到P中，并且對xm的鄰域中不屬于P的點x，將其到達時間t(x,c)根據(jù)速度函數(shù)V(x,c)更新為：t(x,c)=t(xm,c)+||x-xm||V(x,c)]]>如果x屬于F，則將x移動到T中；當(dāng)T為空時停止循環(huán)，從而計算出第c類的高可信點到每個未分類點的到達時間；定義類別函數(shù)C(x)：C(x)=argcmin(t(x,c))]]>對每個未分類的點，將其歸為到達時間最小的那個類別，即得到分割的結(jié)果。本發(fā)明具有以下優(yōu)點：(1)利用稀疏表達模型對肝臟的形狀變化進行建模。對于具有復(fù)雜變化的肝癌病人的肝臟，不需要對形狀的參數(shù)分布模型進行任何假設(shè)，就可以有效地去除噪聲的干擾，同時能保留肝臟形狀中的局部細節(jié)，從而得到具有病人適應(yīng)性的先驗形狀，在復(fù)雜的臨床背景下可以獲得十分穩(wěn)定和有效的肝臟形狀先驗。(2)對于切除過部分肝臟的病人，本發(fā)明可以有效得到該病人完整肝臟的形狀，即推斷出未切除之前的肝臟和切除部位的形狀和大小，醫(yī)生利用這一信息可以做出更加準確的手術(shù)規(guī)劃。(3)提供精確的肝臟內(nèi)部血管和腫瘤的分布情況，為手術(shù)規(guī)劃提供了有力的保障。使用結(jié)合先驗形狀的分割方法，可準確地分割肝臟及其內(nèi)部血管和腫瘤，成功克服了圖像噪聲以及各組織間灰度值范圍重疊，空間位置鄰近所引起的誤分類問題。(4)提供各個肝段以及腫瘤的位置關(guān)系和體積，醫(yī)生可以定量地評估手術(shù)的策略，并且模擬手術(shù)結(jié)果，從而制定出更加完善的手術(shù)計劃。附圖說明圖1是計算機輔助肝臟移植手術(shù)規(guī)劃系統(tǒng)實現(xiàn)方法的流程圖。具體實施方式如圖1所示，計算機輔助肝臟移植手術(shù)規(guī)劃系統(tǒng)的實現(xiàn)方法是：第一步，建立大容量的正常人的肝臟形狀庫。其步驟為：廣泛地收集臨床數(shù)據(jù)，將至少300例的三維腹部CT圖像中的肝臟由臨床專家手工分割出來，作為相應(yīng)個體的肝臟金標(biāo)準。提取金標(biāo)準上的表面網(wǎng)格，進行采樣，得到一系列標(biāo)記點和三角形面片組成的網(wǎng)格表面，由此建立正常肝臟形狀庫。第二步，對待手術(shù)的肝癌患者或者供體肝臟，使用區(qū)域增長算法得到初始地分割結(jié)果，同時將該分割結(jié)果表示成形狀庫中的形狀的稀疏線性組合表達。稀疏組合表達的結(jié)果作為該病人或者供體的肝臟先驗形狀。所述的稀疏線性組合表達過程如下：對于肝臟形狀庫中第i個形狀，將所有頂點的坐標(biāo)按順序排列一個n維列向量di∈Rn，其中n是頂點數(shù)量與坐標(biāo)維數(shù)的乘積。一個包含L個肝臟的形狀庫可以表示成一個含有L個n維列向量的矩陣的形式D＝[d1,d2,...,dL]，該形狀庫中的平均形狀為：d‾=1LΣi=1Ldi]]>病人肝臟的初始分割結(jié)果也可表示成一個n維列向量y∈Rn。經(jīng)過適當(dāng)?shù)目臻g位置校正，一個待處理的病人肝臟形狀y，可近似表示成形狀庫中的肝臟形狀的線性組合，線性組合無法表示出的部分，即y與線性組合的結(jié)果之間的偏差，則視為噪聲e。形狀庫中共L個形狀的各自對應(yīng)的組合系數(shù)為x1,x2,...xL，用列向量表示為x＝[x1,x2,...,xL]T，x的值通過使如下?lián)p失函數(shù)最小化得到：argx,e,βmin||T(y,β)-Dx-e||22+λ1||x||1+λ2||e||1]]>其中，T(y,β)是一個以參數(shù)β進行的空間剛體變換，它將輸入形狀向肝臟形狀庫中的平均形狀對齊，λ1和λ2分別控制了x和e的稀疏程度。通過對該公式進行最優(yōu)化求解，稀疏形狀表達的結(jié)果Dx視為該輸入肝臟形狀的先驗形狀，并通過變換T-1(y,β)回到原來的坐標(biāo)空間，該變換是T(y,β)的逆變換。第三步，利用所述先驗形狀定義速度函數(shù)，對肝實質(zhì)、門靜脈、肝靜脈和腫瘤進行精確分割。該過程的實施方法如下：(1)計算結(jié)合先驗形狀的速度函數(shù)。在選取肝實質(zhì)，門靜脈，肝靜脈和腫瘤的種子點以后，通過快速行進算法計算種子點到未分類的點的到達時間，在每一個未分類點處，某一類組織的種子點在該點的行進速度的定義基于該點的灰度和該點與先驗形狀的空間位置關(guān)系。行進速度定義如下：V(x,c)＝λ1Vintensity(x,c)+λ2Vshape(x)其中，x表示未分類的點，c代表某一個組織分類，是肝實質(zhì)，肝靜脈，門靜脈和腫瘤其中的一種。λ1和λ2分別是速度函數(shù)中灰度項Vintensity(x,c)和形狀項Vshape(x)的權(quán)重系數(shù)?；叶软梀intensity(x,c)定義如下：Vintensity(x,c)=1+mink(|I(x)-I(k)‾|)1+|I(x)-I(c)‾|]]>其中，I(x)是待分類像素點x處的灰度值。是第c類組織的種子點的平均灰度值。當(dāng)十分靠近I(x)的時候，Vintensity(x,c)取得最大值。速度項Vshape(x)定義為如下：Vshape(x)＝kΦ(x)其中，k是一個系數(shù)，Φ(x)是基于肝臟先驗形狀的帶符號的距離函數(shù)。Φ(x)的值為點x到先驗形狀輪廓的距離：設(shè)先驗形狀A(yù)上任意一點為SA，A上所有點組成的集合為S(A)，先驗形狀A(yù)所包圍的空間記為則VA，則Φ(x)=minSA∈S(A)||x-SA||if(x∈VA)-minSA∈S(A)||x-SA||if(x∉VA)]]>其中，||·||表示歐式距離，即向量的模。(2)基于到達時間的分類。到達時間通過如下方法進行計算：設(shè)想有一個曲面從第c類的種子點組成的曲面作為初始位置開始出發(fā)，向未分類的區(qū)域行進，將所有被該曲面經(jīng)過的時刻已經(jīng)確定并且不再改變的網(wǎng)格點的集合記為P；被曲面經(jīng)過的時刻都已經(jīng)臨時被計算出來，但是之后有可能會改變的那些所有的像素點的集合記為T；那些被曲面經(jīng)過的時刻還沒有被計算的點的集合則記為F，設(shè)所有像素點組成的集合為U＝P∪T∪F。循環(huán)地從T中找出具有最小時刻的點xm，將xm移動到P中，并且對xm的鄰域中不屬于P的點x，將其到達時間t(x,c)根據(jù)速度函數(shù)V(x,c)更新為：t(x,c)=t(xm,c)+||x-xm||V(x,c)]]>如果x屬于F，則將x移動到T中。當(dāng)T為空時停止循環(huán)。從而計算出了第c類的高可信點到每個未分類點的到達時間。定義類別函數(shù)C(x)：C(x)=argminc(t(x,c))]]>對每個未分類的點，將其歸為到達時間最小的那個類別，即得到分割的結(jié)果。第四步，利用肝靜脈的分割結(jié)果，將肝臟分成功能上獨立的八個肝段，并計算各個肝段和腫瘤的體積。其具體過程如下：根據(jù)肝臟門靜脈的分割結(jié)果，提取門靜脈的骨架，將分割結(jié)果從二值圖像轉(zhuǎn)化成樹的結(jié)構(gòu)。用戶通過交互的方式選擇每個肝段所屬血管的根節(jié)點，然后自動由根節(jié)點出發(fā)，找到各血管分支的子分支，從而完成肝臟門靜脈的分段；得到門靜脈的劃分結(jié)果之后，采用采用K鄰近點算法對肝臟進行分段，即將肝實質(zhì)歸為離它最近的門靜脈所在的段，利用門靜脈的標(biāo)記，完成肝臟的分段。第五步，分割和分段結(jié)果的三維可視化。所述的分割和分段結(jié)果的三維可視化的方法如下：采用VTK面繪制技術(shù)，將分割結(jié)果的二值圖像轉(zhuǎn)化為多邊形網(wǎng)格，不同的組織采用不同的顏色進行繪制。在一個可交互的三維視圖中繪制出肝實質(zhì)，門靜脈，肝靜脈和腫瘤。此外，對于不同的肝段，也采用不同的顏色進行區(qū)分，醫(yī)生可以直觀地看到各個肝段的分割結(jié)果。在顯示腫瘤和血管的位置關(guān)系時，對不同的組織設(shè)置不同的不透明度，從而可以有選擇性地顯示不同的組織，同時可以有選擇性地顯示不同的肝段。用戶可以自定義不同組織和肝段的顏色和不透明度，從而更加方便地三維可視化分割結(jié)果和分段結(jié)果。在此基礎(chǔ)上，通過隱藏某一肝段，可以模擬手術(shù)切割的結(jié)果，輔助醫(yī)生進行手術(shù)評估。當(dāng)前第1頁1 2 3