基于自動上下文模型的ct圖像肝臟分割方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開一種基于自動上下文模型的CT圖像肝臟分割方法及系統(tǒng),能有效提高CT圖像中肝臟的分割精度。所述方法包括:讀取訓練圖像集和待分割圖像;提取所述圖像中每一像素的紋理特征;利用分類器對待分割圖像每個像素的特征進行分類,得到初始肝臟概率圖;提取所述圖像中每一像素的上下文特征;將上下文特征與紋理特征結(jié)合,通過迭代學習一系列的分類器直至收斂,獲得肝臟概率圖;以肝臟概率圖為先驗信息,作為先驗約束條件,加入隨機游走的目標函數(shù)中,獲得基于上下文約束的隨機游走模型,實現(xiàn)肝臟的分割;在所述待分割圖像的二維切片上逐層實現(xiàn)三維CT圖像的肝臟分割,實現(xiàn)肝臟邊界不連續(xù)區(qū)域的插值與補全,從而得到平滑連續(xù)的肝臟表面。
【專利說明】
基于自動上下文模型的CT圖像肝贓分割方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及機器學習技術(shù)領(lǐng)域,具體設(shè)及一種基于自動上下文模型的CT圖像肝臟 分割方法及系統(tǒng)。
【背景技術(shù)】
[0002] 醫(yī)學圖像分割輔助醫(yī)生識別病人的內(nèi)部組織器官及病灶區(qū)域,在計算機輔助治療 及手術(shù)規(guī)劃中發(fā)揮至關(guān)重要的作用。所W,肝臟的自動分割是醫(yī)生診治如肝硬化、肝臟腫 瘤、肝移植等肝臟疾病的基礎(chǔ)。在腹部CT圖像中,肝臟與鄰近器官的灰度值差異較小,肝臟 本身灰度不均勻且其形狀各異,自動、精確的分割出肝臟難度較大。所W,臨床醫(yī)生迫切需 要一種簡單、快速、準確的肝臟分割方法。
[0003] 現(xiàn)有的隨機游走分割方法具有快速簡單等優(yōu)點,但它對CT圖像中對比度低的區(qū)域 分割效果較差,特別是肝臟與大血管、胃等鄰近器官的連接處,單純地依賴灰度值難W有效 地實現(xiàn)肝臟的分割。
【發(fā)明內(nèi)容】
[0004] 有鑒于此,本發(fā)明實施例提供一種基于自動上下文模型的CT圖像肝臟分割方法及 系統(tǒng),能夠有效提高CT圖像中肝臟的分割精度。
[0005] -方面,本發(fā)明實施例提出一種基于自動上下文模型的CT圖像肝臟分割方法,包 括:
[0006] S101、讀取訓練圖像集和待分割圖像,其中,所述訓練圖像集中的訓練圖像和待分 割圖像為肝臟的CT圖像;
[0007] S102、提取所述訓練圖像和待分割圖像中每一像素的紋理特征;
[000引S103、利用分類器對待分割圖像每個像素的特征進行分類,得到初始肝臟概率圖;
[0009] S104、提取所述訓練圖像和待分割圖像中每一像素的上下文特征;
[0010] S105、將上下文特征與紋理特征結(jié)合,再次學習獲得新的分類器,再次得到肝臟概 率圖,再次提取所述訓練圖像和待分割圖像中每一像素的上下文特征,重復上述算法,學習 一系列的分類器直至收斂,得到像素點屬于肝臟區(qū)域的概率,進而獲得肝臟概率圖;
[0011] S106、W肝臟概率圖為先驗信息,作為先驗約束條件,加入隨機游走的目標函數(shù) 中,獲得基于上下文約束的隨機游走模型,實現(xiàn)肝臟的分割;
[0012] S107、在所述待分割圖像的二維切片上逐層實現(xiàn)S維CT圖像的肝臟分割,實現(xiàn)肝 臟邊界不連續(xù)區(qū)域的插值與補全,從而得到平滑連續(xù)的肝臟表面。
[0013] 另一方面,本發(fā)明實施例提出一種基于自動上下文模型的CT圖像肝臟分割系統(tǒng), 包括:
[0014] 讀取模塊,用于讀取訓練圖像集和待分割圖像,其中,所述訓練圖像集中的訓練圖 像和待分割圖像為肝臟的CT圖像;
[0015] 第一提取模塊,用于提取所述訓練圖像和待分割圖像中每一像素的紋理特征;
[0016] 分類模塊,用于利用分類器對待分割圖像每個像素的特征進行分類,得到初始肝 臟概率圖;
[0017] 第二提取模塊,用于提取所述訓練圖像和待分割圖像中每一像素的上下文特征;
[0018] 迭代模塊,用于將上下文特征與紋理特征結(jié)合,再次學習獲得新的分類器,再次得 到肝臟概率圖,再次提取所述訓練圖像和待分割圖像中每一像素的上下文特征,重復上述 算法,學習一系列的分類器直至收斂,得到像素點屬于肝臟區(qū)域的概率,進而獲得肝臟概率 圖;
[0019] 分割模塊,用于W肝臟概率圖為先驗信息,作為先驗約束條件,加入隨機游走的目 標函數(shù)中,獲得基于上下文約束的隨機游走模型,實現(xiàn)肝臟的分割;
[0020] 填充模塊,用于在所述待分割圖像的二維切片上逐層實現(xiàn)S維CT圖像的肝臟分 害d,實現(xiàn)肝臟邊界不連續(xù)區(qū)域的插值與補全,從而得到平滑連續(xù)的肝臟表面。
[0021] 本發(fā)明實施例提供的基于自動上下文模型的CT圖像肝臟分割方法及系統(tǒng),在紋理 特征分類的基礎(chǔ)上,利用上下文信息作為新的特征并迭代分類,獲得肝臟的先驗模型,利用 此模型作為先驗約束,改進隨機游走算法的能量函數(shù),獲得最終的肝臟分割結(jié)果,本發(fā)明對 灰度對比度不明顯的區(qū)域,分割結(jié)果有較大的改善,有效地提高了 CT圖像中肝臟的分割精 度。
【附圖說明】
[0022] 圖1為本發(fā)明基于自動上下文模型的CT圖像肝臟分割方法一實施例的流程示意 圖;
[0023] 圖2為本發(fā)明基于自動上下文模型的CT圖像肝臟分割系統(tǒng)一實施例的結(jié)構(gòu)示意 圖。
【具體實施方式】
[0024] 為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚,下面將結(jié)合本發(fā)明實施例 中的附圖,對本發(fā)明實施例中的技術(shù)方案進行清楚地描述,顯然,所描述的實施例是本發(fā)明 一部分實施例,而不是全部的實施例?;诒景l(fā)明中的實施例,本領(lǐng)域普通技術(shù)人員在沒有 做出創(chuàng)造性勞動前提下所獲得的所有其他實施例,都屬于本發(fā)明保護的范圍。
[0025] 如圖1所示,本實施例公開一種基于自動上下文模型的CT圖像肝臟分割方法,包 括:
[0026] S101、讀取訓練圖像集和待分割圖像,其中,所述訓練圖像集中的訓練圖像和待分 割圖像為肝臟的CT圖像;
[0027] S102、提取所述訓練圖像和待分割圖像中每一像素的紋理特征;
[0028] S103、利用分類器對待分割圖像每個像素的特征進行分類,得到初始肝臟概率圖;
[0029] S104、提取所述訓練圖像和待分割圖像中每一像素的上下文特征;
[0030] S105、將上下文特征與紋理特征結(jié)合,再次學習獲得新的分類器,再次得到肝臟概 率圖,再次提取所述訓練圖像和待分割圖像中每一像素的上下文特征,重復上述算法,學習 一系列的分類器直至收斂,得到像素點屬于肝臟區(qū)域的概率,進而獲得肝臟概率圖;
[0031] S106、W肝臟概率圖為先驗信息,作為先驗約束條件,加入隨機游走的目標函數(shù) 中,獲得基于上下文約束的隨機游走模型,實現(xiàn)肝臟的分割;
[0032] S107、在所述待分割圖像的二維切片上逐層實現(xiàn)S維CT圖像的肝臟分割,實現(xiàn)肝 臟邊界不連續(xù)區(qū)域的插值與補全,從而得到平滑連續(xù)的肝臟表面。
[0033] 本實施例提供的基于自動上下文模型的CT圖像肝臟分割方法,在紋理特征分類的 基礎(chǔ)上,利用上下文信息作為新的特征并迭代分類,獲得肝臟的先驗模型,利用此模型作為 先驗約束,改進隨機游走算法的能量函數(shù),獲得最終的肝臟分割結(jié)果,本發(fā)明對灰度對比度 不明顯的區(qū)域,分割結(jié)果有較大的改善,有效地提高了 CT圖像中肝臟的分割精度。
[0034] 可選地,在本發(fā)明基于自動上下文模型的CT圖像肝臟分割方法的另一實施例中, 所述S102提取的紋理特征可W為化ar特征、局部二進制模式特征、方向梯度直方圖特征或 者共生矩陣特征,且不限于上述四種特征。
[0035] 可選地,在本發(fā)明基于自動上下文模型的CT圖像肝臟分割方法的另一實施例中, 所述S103中分類器為支持向量機作為弱分類器的AdaBoost分類器、支持向量機分類器、決 策樹分類器、人工神經(jīng)網(wǎng)絡(luò)分類器、樸素貝葉斯分類器或者隨機森林分類器。
[0036] 可選地,在本發(fā)明基于自動上下文模型的CT圖像肝臟分割方法的另一實施例中, 所述S103具體為:
[0037] 定義訓練圖像集為Vi,i = 1,2…n,其對應的分割金標準圖像為Vsi,i = 1,2…n,在 訓練圖像集中選取訓練樣本點集,提取點集的紋理特征,則訓練點集信息可表示為:
[003引 s0={(yt,^(Nt)),t=l,2...T},
[0039] 其中,Nt是W索引為t的像素點為中屯、的鄰域圖像塊,戶(NO表示索引為t的像素點 鄰域的紋理特征,yt是索引為t的像素點對應的類別標記,T為索引總數(shù),利用AdaBoost算法 獲得基于紋理特征分類的肝臟分類器,則對于待分割圖像Vu中的像素點X,提取其紋理特征 /j:并分類,獲得對應分類映射的初始肝臟后驗概率/7^^:
[0040]
[0041] 其中,y為像素點X對應的類別標記,y = 1表示像素點屬于肝臟,公,(>' =1 |種為像素 點X屬于肝臟的后驗概率,冊是在紋理特征空間內(nèi)學習得到的分類器,對于待分割圖像,同 樣可W獲得此分類模型對各個像素點分類映射的初始肝臟后驗概率。
[0042] 可選地,在本發(fā)明基于自動上下文模型的CT圖像肝臟分割方法的另一實施例中, 所述S104基于當前的分類結(jié)果,對于像素點,W它為中屯、,向外引出若干條等角度間隔的射 線,在運些射線上進行稀疏地采樣,得到相應位置的分類概率作為上下文特征,在索引為t 的像素點所在的CT圖像切片對應的分類結(jié)果圖上,從該像素點出發(fā),間隔45°向外引出第一 數(shù)量條射線,在每條射線上等間隔地采樣上下文位置并把該位置上的分類概率作為索引為 t的像素點上下文特征護(t):
[0043]
[0044] 其中,tm表示在索引為t的像素點周圍第m個上下文位置對應的像素點的索引,巧 是索引為U的像素點基于紋理特征分類的肝臟后驗概率值,對于待分割圖像中的像素點, 可用同樣的方法獲得其上下文特征。
[0045] 可選地,在本發(fā)明基于自動上下文模型的CT圖像肝臟分割方法的另一實施例中, 所述第一數(shù)量為8。
[0046] 可選地,在本發(fā)明基于自動上下文模型的CT圖像肝臟分割方法的另一實施例中, 所述S105具體為:綜合圖像的紋理特征和上下文特征,構(gòu)造新的訓練點集,其信息可表示 為:
[0047] Si={(yt,(f〇(Nt),P〇(t))),t = l...T},
[004引其中,戶(1^0和口<^(0分別表示索引為*的像素點的紋理特征和基于分類映射所提 取的上下文特征,基于訓練圖像組合的新特征,再次利用AdaBoost算法學習獲得新的分類 器,并重復上述算法,將圖像的紋理特征與上下文信息進行整合,學習一系列的分類器直至 收斂,
[0049]對于待分割圖像Vu中的像素點X,經(jīng)過q次分類器迭代學習得到的像素點屬于肝臟 區(qū)域的概率巧石:
[(K)加]
[0化1 ]具甲,化LV = i I
.叫刃分巧器巧代學習得到的像素點X屬于肝臟區(qū)域的后驗概率,q 為收斂時分類器迭代次數(shù),Hq是基于紋理特征和上下文特征組合空間內(nèi)學習得到的第q個 分類器,滿表示待分割圖像Vu中的像素點X紋理特征和基于第q-1次分類映射獲得的上下文 特征的組合,可得到待分割圖像肝臟概率圖。
[0052]可選地,在本發(fā)明基于自動上下文模型的CT圖像肝臟分割方法的另一實施例中, 所述S106具體為:對于待分割圖像Vu,將其轉(zhuǎn)化為無向圖G=(V,E),結(jié)點集V={vi,V2...vn} U U〇,h},Vi表示索引為i的像素點對應的圖節(jié)點,N為結(jié)點的總數(shù),Io和h分別表示非肝臟 區(qū)域和肝臟區(qū)域的端節(jié)點;邊集E由ET-Iink和EN-Iink構(gòu)成,其中ET-Iink為兩個端節(jié)點l〇、h與像 素節(jié)點Vi間的邊集,其邊的權(quán)值分別為:
[0化3]
[0化4]其中,為是端節(jié)點h與像素點Vi的邊權(quán)值,其值是經(jīng)過上下文模型q次迭代得到的 索引為i的像素點屬于肝臟區(qū)域的概率值妃.;同樣的,份f是端節(jié)點Io與像素點Vi的邊權(quán)值, 其值是索引為i的像素點非屬于肝臟區(qū)域的概率值,W此代表圖像中像素點的先驗信息, EN-Iink表示相鄰像素點間的連接關(guān)系,其權(quán)值Wv由像素點在待分割圖像中的灰度值決定, 同時,對于屬于肝臟區(qū)域的概率值為1的像素點,標記為肝臟區(qū)域的種子點;概率值為0的像 素點則標記為非肝臟區(qū)域的種子點,
[0055]基于上述圖模型,利用已標記的種子點,建立新的帶先驗約束的目標函數(shù)使其最 ?。?br>[0化6]
[0057]其中,每,。。。/為帶先驗約束的目標函數(shù),Gi康示連接索引為i的像素點和連接索引 為i的像素點的邊,上式第一項表示原始的隨機游走目標函數(shù),第二項為基 于上下文模型的先驗約束項,丫為調(diào)整參數(shù),《是圖像中索引為i的像素點屬于類別S的概 率,S = { O,1 },分別表示肝臟類別和非肝臟類別,將上式用矩陣表示,可得:
[0化引
,
[0059] 其中,xs為圖像結(jié)點集中各個像素點屬于不同類別的概率,矩陣L是待分割圖像的 拉普拉斯矩陣,A S是對角線上第i行的值為卸的對角陣,為求解上式,將無向圖的結(jié)點集V 中所有頂點劃分為種子節(jié)點集Vm(標記點集)和未標記點集Vu兩個子集,對上式進行分解并 求關(guān)于XU的微分,可得:
[0060]
[0061] 其中,Lu為未標記點集的拉普拉斯矩陣,墻為未標記點的屬于類別S的概率值,Af, 為未標記點集對角線上第i行的值為鴻的對角陣,為未標記點集對角線上第i行的值為 卻的對角陣,可由Al數(shù)學推導得到,B為矩陣,表示標記像素點第一次到達類別S種子點 的概率值,即若索引為i的像素點自身為類另Ijs種子點,則為=U否則,-Y,.' =0,
[0062] 基于上述含I Vu I個未知數(shù)的對稱正定線性方程組求解出非標記點到兩類種子點 的概率值大小,W最大轉(zhuǎn)移概率max、(<)為準則判斷索引為i的像素點的類別label(i), 即:
[0063]
[0064] 上式表示當求得非標記點到達肝臟種子點的概率大于或者等于到達非肝臟種子 點的概率時,該非標記點屬于肝臟區(qū)域,從而實現(xiàn)圖像中肝臟區(qū)域的最終分割。
[0065] 可選地,在本發(fā)明基于自動上下文模型的CT圖像肝臟分割方法的另一實施例中, 所述S107具體為:提出的算法是在圖像的二維切片上逐層實現(xiàn)S維CT圖像的肝臟分割,獲 得的肝臟邊界上會出現(xiàn)邊界不連續(xù)甚至是邊界重疊的現(xiàn)象,本發(fā)明實現(xiàn)肝臟邊界不連續(xù)區(qū) 域的插值與補全,從而得到平滑連續(xù)的肝臟表面,具體計算過程如下:
[0066] 輸入肝臟分割的結(jié)果,將分割結(jié)果利用Scan-conversion算法進行八叉樹分解,將 分割結(jié)果分解到更精細的子空間中;
[0067] 在八叉樹分解過程中,當所有分解線與原始模型的交點都在八叉樹的葉子時,停 止分解;
[006引將具有交點的邊界標記為"相交邊";
[0069] 從原始模型中任意選擇一個頂點P,將其標記為"0";將其沿八叉樹的邊界擴展,當 經(jīng)過一次"相交邊"時,標號就改變?yōu)?r,W此類推,每經(jīng)過一次"相交邊",標號改變一次, 直至整個八叉樹遍歷結(jié)束;
[0070] 將只包含"0"和"r的頂點利用Dual Contouring算法進行精確重建,得到空桐填 充后的板型。
[0071] 如圖2所示,本實施例公開一種基于自動上下文模型的CT圖像肝臟分割系統(tǒng),包 括:
[0072] 讀取模塊1,用于讀取訓練圖像集和待分割圖像,其中,所述訓練圖像集中的訓練 圖像和待分割圖像為肝臟的CT圖像;
[0073] 第一提取模塊2,用于提取所述訓練圖像和待分割圖像中每一像素的紋理特征;
[0074] 分類模塊3,用于利用分類器對待分割圖像每個像素的特征進行分類,得到初始肝 臟概率圖;
[0075] 第二提取模塊4,用于提取所述訓練圖像和待分割圖像中每一像素的上下文特征;
[0076] 迭代模塊5,用于將上下文特征與紋理特征結(jié)合,再次學習獲得新的分類器,再次 得到肝臟概率圖,再次提取所述訓練圖像和待分割圖像中每一像素的上下文特征,重復上 述算法,學習一系列的分類器直至收斂,得到像素點屬于肝臟區(qū)域的概率,進而獲得肝臟概 率圖.
[0077] 分割模塊6,用于W肝臟概率圖為先驗信息,作為先驗約束條件,加入隨機游走的 目標函數(shù)中,獲得基于上下文約束的隨機游走模型,實現(xiàn)肝臟的分割;
[0078] 填充模塊7,用于在所述待分割圖像的二維切片上逐層實現(xiàn)S維CT圖像的肝臟分 害d,實現(xiàn)肝臟邊界不連續(xù)區(qū)域的插值與補全,從而得到平滑連續(xù)的肝臟表面。
[0079] 本實施例提供的基于自動上下文模型的CT圖像肝臟分割系統(tǒng),在紋理特征分類的 基礎(chǔ)上,利用上下文信息作為新的特征并迭代分類,獲得肝臟的先驗模型,利用此模型作為 先驗約束,改進隨機游走算法的能量函數(shù),獲得最終的肝臟分割結(jié)果,本發(fā)明對灰度對比度 不明顯的區(qū)域,分割結(jié)果有較大的改善,有效地提高了 CT圖像中肝臟的分割精度。
[0080] 雖然結(jié)合附圖描述了本發(fā)明的實施方式,但是本領(lǐng)域技術(shù)人員可W在不脫離本發(fā) 明的精神和范圍的情況下做出各種修改和變型,運樣的修改和變型均落入由所附權(quán)利要求 所限定的范圍之內(nèi)。
【主權(quán)項】
1. 一種基于自動上下文模型的CT圖像肝臟分割方法,其特征在于,包括: 5101、 讀取訓練圖像集和待分割圖像,其中,所述訓練圖像集中的訓練圖像和待分割圖 像為肝臟的CT圖像; 5102、 提取所述訓練圖像和待分割圖像中每一像素的紋理特征; 5103、 利用分類器對待分割圖像每個像素的特征進行分類,得到初始肝臟概率圖; 5104、 提取所述訓練圖像和待分割圖像中每一像素的上下文特征; 5105、 將上下文特征與紋理特征結(jié)合,再次學習獲得新的分類器,再次得到肝臟概率 圖,再次提取所述訓練圖像和待分割圖像中每一像素的上下文特征,重復上述算法,學習一 系列的分類器直至收斂,得到像素點屬于肝臟區(qū)域的概率,進而獲得肝臟概率圖; 5106、 以肝臟概率圖為先驗信息,作為先驗約束條件,加入隨機游走的目標函數(shù)中,獲 得基于上下文約束的隨機游走模型,實現(xiàn)肝臟的分割; 5107、 在所述待分割圖像的二維切片上逐層實現(xiàn)三維CT圖像的肝臟分割,實現(xiàn)肝臟邊 界不連續(xù)區(qū)域的插值與補全,從而得到平滑連續(xù)的肝臟表面。2. 根據(jù)權(quán)利要求1所述的基于自動上下文模型的CT圖像肝臟分割方法,其特征在于,所 述S102提取的紋理特征為Haar特征、局部二進制模式特征、方向梯度直方圖特征或者共生 矩陣特征。3. 根據(jù)權(quán)利要求1述的基于自動上下文模型的CT圖像肝臟分割方法,其特征在于,所述 S103中分類器為支持向量機作為弱分類器的AdaBoost分類器、支持向量機分類器、決策樹 分類器、人工神經(jīng)網(wǎng)絡(luò)分類器、樸素貝葉斯分類器或者隨機森林分類器。4. 根據(jù)權(quán)利要求3述的基于自動上下文模型的CT圖像肝臟分割方法,其特征在于,所述 S103具體為: 定義訓練圖像集為Vi,i = 1,2…η,其對應的分割金標準圖像為Vsi,i = 1,2…η,在訓練 圖像集中選取訓練樣本點集,提取點集的紋理特征,則訓練點集信息可表示為: So={(yt,f°(Nt)) ,? = 1,2···Τ}, 其中,Nt是以索引為t的像素點為中心的鄰域圖像塊,f'Nt)表示索引為t的像素點鄰域 的紋理特征,yt是索引為t的像素點對應的類別標記,T為索引總數(shù),利用AdaBoost算法獲得 基于紋理特征分類的肝臟分類器,則對于待分割圖像V u中的像素點X,提取其紋理特征并 分類,獲得對應分類映射的初始肝臟后驗概率:其中,y為像素點X對應的類別標記,y = l表示像素點屬于肝臟,只1〇,= 1|幻為像素點1 屬于肝臟的后驗概率,Ho是在紋理特征空間內(nèi)學習得到的分類器,對于待分割圖像,同樣可 以獲得此分類模型對各個像素點分類映射的初始肝臟后驗概率。5. 根據(jù)權(quán)利要求4所述的基于自動上下文模型的CT圖像肝臟分割方法,其特征在于,所 述S104基于當前的分類結(jié)果,對于像素點,以它為中心,向外引出若干條等角度間隔的射 線,在這些射線上進行稀疏地采樣,得到相應位置的分類概率作為上下文特征,在索引為t 的像素點所在的CT圖像切片對應的分類結(jié)果圖上,從該像素點出發(fā),間隔45°向外引出第一 數(shù)量條射線,在每條射線上等間隔地采樣上下文位置并把該位置上的分類概率作為索引為 t的像素點上下文特征PYt):其中,tm表示在索引為t的像素點周圍第m個上下文位置對應的像素點的索引,/<是索 引為tm的像素點基于紋理特征分類的肝臟后驗概率值,對于待分割圖像中的像素點,可用 同樣的方法獲得其上下文特征。6. 根據(jù)權(quán)利要求5所述的基于自動上下文模型的CT圖像肝臟分割方法,其特征在于,所 述第一數(shù)量為8。7. 根據(jù)權(quán)利要求5所述的基于自動上下文模型的CT圖像肝臟分割方法,其特征在于,所 述S105具體為:綜合圖像的紋理特征和上下文特征,構(gòu)造新的訓練點集,其信息可表示為: Si={(yt,(f°(Nt),P°(t))),t=l· · ·Τ}, 其中,fYNt)和PYt)分別表示索引為t的像素點的紋理特征和基于分類映射所提取的 上下文特征,基于訓練圖像組合的新特征,再次利用AdaBoost算法學習獲得新的分類器,并 重復上述算法,將圖像的紋理特征與上下文信息進行整合,學習一系列的分類器直至收斂, 對于待分割圖像Vu中的像素點X,經(jīng)過q次分類器迭代學習得到的像素點屬于肝臟區(qū)域 的概率/>5 :其中,= 為分類器迭代學習得到的像素點X屬于肝臟區(qū)域的后驗概率,q為收 斂時分類器迭代次數(shù),Hq是基于紋理特征和上下文特征組合空間內(nèi)學習得到的第q個分類 器,/;:表示待分割圖像Vu中的像素點X紋理特征和基于第q_l次分類映射獲得的上下文特征 的組合。8. 根據(jù)權(quán)利要求7所述的基于自動上下文模型的CT圖像肝臟分割方法,其特征在于,所 述S106具體為:對于待分割圖像Vu,將其轉(zhuǎn)化為無向圖G=(V,E),結(jié)點集V={ vi,v2.. .vN}U 山山},Vl表示索引為i的像素點對應的圖節(jié)點,N為結(jié)點的總數(shù),Ιο和h分別表示非肝臟區(qū) 域和肝臟區(qū)域的端節(jié)點;邊集E由E T-lin_EN-link構(gòu)成,其中ET- link為兩個端節(jié)點ΙοΑ與像素 節(jié)點^間的邊集,其邊的權(quán)值分別為:其中,4是端節(jié)點1:與像素點^的邊權(quán)值,其值是經(jīng)過上下文模型q次迭代得到的索引 為i的像素點屬于肝臟區(qū)域的概率值冗;同樣的,?f是端節(jié)點1〇與像素點^的邊權(quán)值,其值 是索引為i的像素點非屬于肝臟區(qū)域的概率值,以此代表圖像中像素點的先驗信息,E N-link 表示相鄰像素點間的連接關(guān)系,其權(quán)值%:由像素點在待分割圖像中的灰度值決定,同時, 對于屬于肝臟區(qū)域的概率值為1的像素點,標記為肝臟區(qū)域的種子點;概率值為〇的像素點 則標記為非肝臟區(qū)域的種子點, 基于上述圖模型,利用已標記的種子點,建立新的帶先驗約束的目標函數(shù)使其最?。浩渲校瑏枮閹闰灱s束的目標函數(shù),el^示連接索引為i的像素點和連接索引為i的 像素點的邊,上式第一表示原始的隨機游走目標函數(shù),第二項為基于上下 文模型的先驗約束項,γ為調(diào)整參數(shù)是圖像中索引為i的像素點屬于類別s的概率,s = {〇,1 },分別表示肝臟類別和非肝臟類別,將上式用矩陣表示,可得:其中,Xs為圖像結(jié)點集中各個像素點屬于不同類別的概率,矩陣L是待分割圖像的拉普 拉斯矩陣,as是對角線上第i行的值為碑的對角陣,為求解上式,將無向圖的結(jié)點集v中所 有頂點劃分為種子節(jié)點集ν Μ(標記點集)和未標記點集Vu兩個子集,對上式進行分解并求關(guān) 于XLI的微分,可得:其中,Lu為未標記點集的拉普拉斯矩陣,?為未標記點的屬于類別s的概率值,Af為未 標記點集對角線上第i行的值為<的對角陣,Af為未標記點集對角線上第i行的值為 的對角陣,可由1§數(shù)學推導得到,B為矩陣,:4表示標記像素點第一次到達類別s種子點的 概率值,即若索引為i的像素點自身為類另Ijs種子點,則ΛΓ,.' =1,否則,<=0 5 基于上述含I Vu |個未知數(shù)的對稱正定線性方程組求解出非標記點到兩類種子點的概率 值大小,以最大轉(zhuǎn)移概率maxj.v,'溈準則判斷索引為i的像素點的類別label(i),BP:上式表示當求得非標記點到達肝臟種子點的概率大于或者等于到達非肝臟種子點的 概率時,該非標記點屬于肝臟區(qū)域,從而實現(xiàn)圖像中肝臟區(qū)域的最終分割。9.根據(jù)權(quán)利要求1所述的基于自動上下文模型的CT圖像肝臟分割方法,其特征在于,所 述S107具體為:提出的算法是在圖像的二維切片上逐層實現(xiàn)三維CT圖像的肝臟分割,獲得 的肝臟邊界上會出現(xiàn)邊界不連續(xù)甚至是邊界重疊的現(xiàn)象,本發(fā)明實現(xiàn)肝臟邊界不連續(xù)區(qū)域 的插值與補全,從而得到平滑連續(xù)的肝臟表面,具體計算過程如下: 輸入肝臟分割的結(jié)果,將分割結(jié)果利用Scan-conversion算法進行八叉樹分解,將分割 結(jié)果分解到更精細的子空間中; 在八叉樹分解過程中,當所有分解線與原始模型的交點都在八叉樹的葉子時,停止分 解; 將具有交點的邊界標記為"相交邊"; 從原始模型中任意選擇一個頂點P,將其標記為"0";將其沿八叉樹的邊界擴展,當經(jīng)過 一次"相交邊"時,標號就改變?yōu)?Γ,以此類推,每經(jīng)過一次"相交邊",標號改變一次,直至 整個八叉樹遍歷結(jié)束; 將只包含"〇"和"Γ的頂點利用Dual Contouring算法進行精確重建,得到空洞填充后 的模型。10. -種基于自動上下文模型的CT圖像肝臟分割系統(tǒng),其特征在于,包括: 讀取模塊,用于讀取訓練圖像集和待分割圖像,其中,所述訓練圖像集中的訓練圖像和 待分割圖像為肝臟的CT圖像; 第一提取模塊,用于提取所述訓練圖像和待分割圖像中每一像素的紋理特征; 分類模塊,用于利用分類器對待分割圖像每個像素的特征進行分類,得到初始肝臟概 率圖; 第二提取模塊,用于提取所述訓練圖像和待分割圖像中每一像素的上下文特征; 迭代模塊,用于將上下文特征與紋理特征結(jié)合,再次學習獲得新的分類器,再次得到肝 臟概率圖,再次提取所述訓練圖像和待分割圖像中每一像素的上下文特征,重復上述算法, 學習一系列的分類器直至收斂,得到像素點屬于肝臟區(qū)域的概率,進而獲得肝臟概率圖; 分割模塊,用于以肝臟概率圖為先驗信息,作為先驗約束條件,加入隨機游走的目標函 數(shù)中,獲得基于上下文約束的隨機游走模型,實現(xiàn)肝臟的分割; 填充模塊,用于在所述待分割圖像的二維切片上逐層實現(xiàn)三維CT圖像的肝臟分割,實 現(xiàn)肝臟邊界不連續(xù)區(qū)域的插值與補全,從而得到平滑連續(xù)的肝臟表面。
【文檔編號】G06K9/62GK105957066SQ201610258406
【公開日】2016年9月21日
【申請日】2016年4月22日
【發(fā)明人】艾丹妮, 楊健, 王涌天, 叢偉建, 付天宇, 張盼, 王澤宇
【申請人】北京理工大學