專利名稱：手術(shù)規(guī)劃系統(tǒng)中內(nèi)臟及其內(nèi)部血管的分割方法
技術(shù)領(lǐng)域：
本發(fā)明手術(shù)規(guī)劃系統(tǒng)中內(nèi)臟及其內(nèi)部血管的分割方法涉及一種醫(yī)學(xué)圖像分割方法，用于手術(shù)規(guī)劃系統(tǒng)中，特別是在內(nèi)臟移植手術(shù)中從CT增強圖像中分割出肝臟實質(zhì)、肝門靜脈和肝靜脈，屬于醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域。
背景技術(shù)：
計算機輔助肝臟手術(shù)計劃的重 要工作是能夠從原始醫(yī)學(xué)影像中準(zhǔn)確分割出肝臟實質(zhì)、肝門靜脈和肝靜脈的樹結(jié)構(gòu)，并使提取出的結(jié)果盡可能地接近真實的解剖結(jié)構(gòu)。在肝門靜脈和肝靜脈的分割問題中，由于不同個體之間肝門靜脈和肝靜脈的空間結(jié)構(gòu)和分布差別很大，肝門靜脈和肝靜脈的灰度分布與肝實質(zhì)及其他多個組織接近，微細結(jié)構(gòu)多而復(fù)雜，準(zhǔn)確的分割是非常的困難。目前，國際上比較流行的肝臟分割方法有區(qū)域增長、水平集方法、基于形狀先驗的方法、基于分類聚類的方法以及一些將幾種算法結(jié)合在一起取長補短的方法，其中區(qū)域增長的方法在臨床上被應(yīng)用得最多。區(qū)域增長方法比較依賴人機交互，其分割結(jié)果依賴于閾值的選取，需要通過大量的實驗來找到合適的閾值，費時耗力。水平集方法的特點在于它能夠以一種簡單統(tǒng)一的模型來表達拓撲結(jié)構(gòu)相當(dāng)復(fù)雜的曲線。由于肝臟與其他一些器官鄰近而且灰度值接近，使用傳統(tǒng)的水平集方法很容易出現(xiàn)過分割的問題，而在肝門靜脈和肝靜脈的分割中，這個問題更為明顯。分類和聚類的方法通過選擇圖像的特征作為分類的依據(jù)。分類的目的在于利用已知的訓(xùn)練樣本集在圖像的特征空間中找出一種劃分，從而將圖像上的像素點歸并到各個類別中。傳統(tǒng)的分類算法僅僅使用已標(biāo)號的數(shù)據(jù)來訓(xùn)練分類器，被稱為是“全監(jiān)督”分類算法。分類的過程通常也是一步完成的，不需要循環(huán)迭代。貝葉斯分類器就是一個基礎(chǔ)的、常用的全監(jiān)督分類算法，更復(fù)雜一點的全監(jiān)督分類算法可能會包含神經(jīng)網(wǎng)絡(luò)或者機器學(xué)習(xí)方面的知識和技術(shù)。聚類算法不需要已標(biāo)號的訓(xùn)練數(shù)據(jù)集，通常也被稱為是“無監(jiān)督”的。它需要經(jīng)過多次的循環(huán)迭代直到算法收斂來完成分類。最為基本的兩個聚類算法是K-均值聚類算法和模糊C-均值聚類算法。半監(jiān)督分類算法是一種相對較新，也比較特別的分類算法。它使用少量的已標(biāo)號數(shù)據(jù)，配合大量的未標(biāo)號數(shù)據(jù)來完成訓(xùn)練過程。一定程度上，它可以被視為是上述兩種算法的一個結(jié)合。期望值最大化算法是半監(jiān)督分類算法中比較常用的一個算法，它通過反復(fù)迭代，尋找出使目標(biāo)期望值最大的參數(shù)設(shè)定。半監(jiān)督算法的出現(xiàn)主要是基于以下的考慮大多數(shù)情況下，為了使全監(jiān)督分類算法達到較好的效果，需要大量的已標(biāo)號數(shù)據(jù)，但是要獲得足夠大量的已標(biāo)號數(shù)據(jù)是非常困難或者非常耗時的，而獲得少量的標(biāo)號數(shù)據(jù)相對比較容易。這些標(biāo)號數(shù)據(jù)可以為分類器提供一些基本的信息，比如分類的數(shù)目，每個分類大致的均值、方差等，有助于提高分類算法的正確性和精度。根據(jù)Castelli和Cover以及Ratsaby和Venkatensh的研究顯示,半監(jiān)督算法運用少量的標(biāo)號數(shù)據(jù)并結(jié)合大量的未標(biāo)號數(shù)據(jù)，確實能夠起到提高分類精度的作用。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種手術(shù)規(guī)劃系統(tǒng)中內(nèi)臟及其內(nèi)部血管的分割方法，以提高分割精度。本發(fā)明目的通過下述技術(shù)方案實現(xiàn)一種手術(shù)規(guī)劃系統(tǒng)中內(nèi)臟及其內(nèi)部血管的分割方法，基于最小監(jiān)督分類的三維內(nèi)臟CT圖像和其內(nèi)部管狀組織，制定肝實質(zhì)、門靜脈和肝靜脈的圖像分割方法，在肝臟手術(shù)的術(shù)前規(guī)劃和手術(shù)進行的過程中，輔助醫(yī)生進行定性 的觀察和定量地測量，其應(yīng)用統(tǒng)計和空間信息的方法，引入高可信點和基于灰度的快速行進的到達時間，進行分割，步驟為
第一步，假設(shè)屬于同一個人體器官的點在醫(yī)學(xué)圖像中有相同或相近的灰度值，屬于不同人體器官的點有不同的灰度值，首先假設(shè)上述兩個灰度值相近，并且假設(shè)在空間上相鄰近的點是屬于同一個人體器官的；
第二步，基于以上假設(shè)通過分類算法進行計算
(I)獲得高斯混合分布模型參數(shù)的估計值
先對一個待分割的三維內(nèi)臟CT圖像，分別選取肝實質(zhì)、門靜脈、肝靜脈的種子點，計算出上述三類樣本的均值和方差；然后，根據(jù)三維內(nèi)臟CT圖像的直方圖中每個高斯分布定點的高度和該高斯分布的方差算得該高斯分布的面積；再后，根據(jù)各高斯分布的面積的比例設(shè)置每個高斯分布的權(quán)重，對上述所得參數(shù)循環(huán)計算，得到最大的期望值，同時，使得期望值最大的參數(shù)向量作為這個組織的實際參數(shù)的估計值；
(2)選取高可信點
選取聞可 目點的策略是先選擇最左側(cè)的聞斯分布最左側(cè)的點、最右側(cè)的聞斯分布最右側(cè)的點和中間的高斯分布峰值附近的點，對于有交疊的相鄰的兩個高斯分布，首先計算出這兩個高斯分布曲線的相交點作為界限，從兩個界限之間限定的區(qū)域選取高可信點，閾值作用在兩個界限之間的區(qū)域內(nèi)；
(3)分割
計算出肝實質(zhì)、門靜脈、肝靜脈CT圖像的灰度均值、速度圖像，用快速行進算法計算到達時間，得到三個組織分類的到達時間圖像，依據(jù)肝實質(zhì)、門靜脈、肝靜脈三類不同的高可信點行進到未分類點的到達時間，根據(jù)一個設(shè)定的閾值選取新一批的高可信點，這些新的高可信點與步驟(2)的高可信點合并，得到新的高可信點，重復(fù)上述步驟，至到達循環(huán)終止 條件，得到分IllJ結(jié)果。在上述方案基礎(chǔ)上，所述(I)獲得高斯混合分布模型參數(shù)的估計值方法中根據(jù)圖像的直方圖中每個高斯分布定點的高度和該高斯分布的方差來計算該高斯分布的面積，根據(jù)各高斯分布的面積的比例設(shè)置每個高斯分布的權(quán)重，CT圖像的灰度直方圖被視為一個高斯混合模型，即若干個高斯分布的加權(quán)和，其一維的數(shù)學(xué)公式為
η
/10) = Σ 丨馬、crZ)Pj 公式 其中力第y個高斯分布在整個高斯混合模型中所占的比重；表示一
個一維的高斯分布，其均值力*方差為?！ū硎菊麄€高斯混合模型的參數(shù)向量，包括各個高斯分布的均值、方差和權(quán)重，出雙學(xué)公式2表不
權(quán)利要求
1.一種手術(shù)規(guī)劃系統(tǒng)中內(nèi)臟及其內(nèi)部血管的分割方法，基于最小監(jiān)督分類的三維內(nèi)臟CT圖像和其內(nèi)部管狀組織，制定肝實質(zhì)、門靜脈和肝靜脈的圖像分割方法，其特征在于，應(yīng)用統(tǒng)計和空間信息的方法，引入高可信點和基于灰度的快速行進的到達時間，獲得分割結(jié)果，按下述步驟 第一步，假設(shè)屬于同一個人體器官的點在醫(yī)學(xué)圖像中有相同或相近的灰度值，屬于不同人體器官的點有不同的灰度值，首先假設(shè)上述兩個灰度值相近，并且假設(shè)在空間上相鄰近的點是屬于同一個人體器官的； 第二步，基于以上假設(shè)通過分類算法進行計算 (1)獲得高斯混合分布模型參數(shù)的估計值 先對一個待分割的三維內(nèi)臟CT圖像，分別選取肝實質(zhì)、門靜脈、肝靜脈的種子點，計算出上述三類樣本的均值和方差；然后，根據(jù)三維內(nèi)臟CT圖像的直方圖中每個高斯分布定點的高度和該高斯分布的方差算得該高斯分布的面積；再后，根據(jù)各高斯分布的面積的比例設(shè)置每個高斯分布的權(quán)重，對上述所得參數(shù)循環(huán)計算，得到最大的期望值，同時得到使得期望值最大的參數(shù)向量作為這個組織的實際參數(shù)的估計值； (2)選取高可信點 先選擇最左側(cè)的聞斯分布最左側(cè)的點、最右側(cè)的聞斯分布最右側(cè)的點和中間的聞斯分布峰值附近的點，對于有交疊的相鄰的兩個高斯分布，首先計算出這兩個高斯分布曲線的相交點作為界限，從兩個界限之間限定的區(qū)域選取高可信點，閾值作用在兩個界限之間的區(qū)域內(nèi)； (3)分割 計算出肝實質(zhì)、門靜脈、肝靜脈CT圖像的灰度均值、速度圖像，用快速行進算法計算到達時間，得到三個組織分類的到達時間圖像，依據(jù)肝實質(zhì)、門靜脈、肝靜脈三類不同的高可信點行進到未分類點的到達時間，根據(jù)一個設(shè)定的閾值選取新一批的高可信點，這些新的高可信點與步驟(2)的高可信點合并，得到新的高可信點，重復(fù)上述步驟，至到達循環(huán)終止條件，得到分IllJ結(jié)果。
2.根據(jù)權(quán)利要求I所述的手術(shù)規(guī)劃系統(tǒng)中內(nèi)臟及其內(nèi)部血管的分割方法，其特征在于所述(I)獲得高斯混合分布模型參數(shù)的估計值方法中 根據(jù)圖像的直方圖中每個高斯分布定點的高度和該高斯分布的方差來計算該高斯分布的面積，根據(jù)各高斯分布的面積的比例設(shè)置每個高斯分布的權(quán)重，CT圖像的灰度直方圖被視為一個高斯混合模型，即若干個高斯分布的加權(quán)和，其一維的數(shù)學(xué)公式為
3.根據(jù)權(quán)利要求I所述的手術(shù)規(guī)劃系統(tǒng)中內(nèi)臟及其內(nèi)部血管的分割方法，其特征在干所述(2)選取高可信點的方法中使用一個基于連通域的尺寸閾值，作用在兩個界限之間的區(qū)域內(nèi)，將被誤分類的連通域去除，在計算連通域尺寸的時候應(yīng)用連通域標(biāo)記算法，找到圖像上所有的連通域，并且為每個連通域賦予ー個獨ー的標(biāo)號，使其區(qū)分于其他與其相離的連通域。
4.根據(jù)權(quán)利要求I所述的手術(shù)規(guī)劃系統(tǒng)中內(nèi)臟及其內(nèi)部血管的分割方法，其特征在于所述(3)分割中，對于每一個確定未分類點，用快速行進算法計算CT圖像中的高可信點行進到未分類點的時間，速度函數(shù)用公式6表示
5.根據(jù)權(quán)利要求4所述的手術(shù)規(guī)劃系統(tǒng)中內(nèi)臟及其內(nèi)部血管的分割方法，其特征在干計算出到達時間圖像之后，需要選取新的高可信點，即基于到達時間的迭代分類，故定義ー個基于像素灰度值和到達的歸屬函數(shù)，用公式7和公式8表示
6.根據(jù)權(quán)利要求I或2所述的手術(shù)規(guī)劃系統(tǒng)中內(nèi)臟及其內(nèi)部血管的分割方法，其特征在干所述高斯分布的面積的計算公式為
全文摘要
本發(fā)明涉及一種醫(yī)學(xué)圖像分割方法，具體為手術(shù)規(guī)劃系統(tǒng)中內(nèi)臟及其內(nèi)部血管的分割方法，該方法基于最小監(jiān)督分類的三維內(nèi)臟CT圖像和其內(nèi)部管狀組織，制定肝實質(zhì)、門靜脈和肝靜脈的圖像分割方法，其應(yīng)用統(tǒng)計和空間信息的方法，引入高可信點和基于灰度的快速行進的到達時間，獲得分割結(jié)果，其假設(shè)在空間上相鄰近的點是屬于同一個人體器官，基于以上假設(shè)通過分類算法對圖像進行分割計算，包括獲得高斯混合分布模型參數(shù)的估計值，選取高可信點，計算出圖像的灰度均值，用快速行進算法計算到達時間，得到三個組織分類的到達時間圖像。本發(fā)明魯棒性好，抗噪聲干擾能力強；有效消除了累積誤差；提高了分類的準(zhǔn)確性；具有相當(dāng)高的臨床使用價值。
文檔編號G06K9/62GK102663416SQ20121007323
公開日2012年9月12日 申請日期2012年3月20日 優(yōu)先權(quán)日2012年3月20日
發(fā)明者顧力栩 申請人:蘇州迪凱爾醫(yī)療科技有限公司