一種腹部軟組織核磁圖像分割的方法和裝置制造方法
【專利摘要】本發(fā)明公開(kāi)了一種腹部軟組織核磁圖像分割的方法和裝置。該方法包括：在目標(biāo)輪廓附近初始化一個(gè)初始輪廓；采用形態(tài)學(xué)算子對(duì)所述初始輪廓進(jìn)行膨脹和腐蝕操作，在待分割的所述目標(biāo)輪廓內(nèi)外形成一個(gè)帶狀閉合區(qū)域；對(duì)采集到的形狀模板進(jìn)行KPCA訓(xùn)練，通過(guò)統(tǒng)計(jì)模型獲得先驗(yàn)形狀信息；在核磁圖像分割模型的能量函數(shù)的數(shù)據(jù)項(xiàng)上結(jié)合所述先驗(yàn)形狀信息，建立能量函數(shù)；運(yùn)用kernel?Graph?cuts算法，在所述帶狀閉合區(qū)域進(jìn)行分割而得到目標(biāo)輪廓。本發(fā)明無(wú)需用戶的交互即能實(shí)現(xiàn)半自動(dòng)分割，所用裝置簡(jiǎn)單，有效提高了核磁圖像分割算法的魯棒性，使得分割結(jié)果更加精確，可以應(yīng)用于大多數(shù)的核磁圖像分割。
【專利說(shuō)明】—種腹部軟組織核磁圖像分割的方法和裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及腹部核磁圖像的器官組織分割算法領(lǐng)域，尤其涉及一種腹部軟組織核磁圖像分割的方法和裝置。
【背景技術(shù)】
[0002]磁共振成像(magneticresonance imaging,MRI)是利用射頻(radio frequency,RF)電磁波對(duì)置于磁場(chǎng)中的含有自旋不為零的原子核的物質(zhì)進(jìn)行激發(fā)，發(fā)生核磁共振(nuclear magnetic resonance, NMR),用感應(yīng)線圈米集磁共振信號(hào)，按一定數(shù)學(xué)方法進(jìn)行處理而建立的一種數(shù)字圖像。核磁共振信號(hào)強(qiáng)度與樣品中氫核密度有關(guān)，人體2/3的重量為水分，不同組織還有水分子比例不同，則NMR信號(hào)強(qiáng)度也有差異，根據(jù)這個(gè)差異作為特征量來(lái)區(qū)分不同組織器官。MRI不僅能夠提供軟組織高對(duì)比度、高分辨率的圖像，還可以得到任意層面斷層，從而獲得三維空間的虛擬人體；而且由于MRI不使用對(duì)人體有害的X射線和易引起過(guò)敏反應(yīng)的造影劑，因此對(duì)人體沒(méi)有損害，已經(jīng)逐漸成為術(shù)前采集圖像的主流成像設(shè)備。
[0003]由于核磁圖像大部分存在噪聲大、組織間邊界模糊或缺失、灰度不均勻等特點(diǎn)，要分割出精確的組織邊界很難。對(duì)于腹部的核磁圖像，由于腹部器官大多是軟組織，不同器官組織之間的灰度變化不大，個(gè)體之間臟器的形狀差異加上呼吸運(yùn)動(dòng)和器官的蠕動(dòng)等因素影響，存在非線性的形變，所以分割任務(wù)顯得更加困難。
[0004]基于圖割(Graph cuts)的分割技術(shù)將圖像映射為網(wǎng)絡(luò)圖，把圖像分割問(wèn)題轉(zhuǎn)化為對(duì)圖的不同操作，利用最大流/最小切割定理，通過(guò)對(duì)網(wǎng)絡(luò)圖最小割的求解，實(shí)現(xiàn)對(duì)圖像的分割。Boykov對(duì)Graph cuts算法作了詳細(xì)的描述，并將其擴(kuò)展到N維圖像的分割中。Graph cuts算法多項(xiàng)式時(shí)間內(nèi)的計(jì)算復(fù)雜度，可以快速有效的計(jì)算出能量函數(shù)的全局最小害I]。Graph cuts算法計(jì)算效率高,數(shù)學(xué)理論完備等優(yōu)勢(shì),使其成為一種日益流行的新興的分割工具。但是在Graph cuts算法分割執(zhí)行之前需要手動(dòng)選擇前景/背景種子點(diǎn)，這個(gè)局限性影響了其應(yīng)用范圍。Boykov的文獻(xiàn)提出了一種全自動(dòng)的Graph cuts算法,利用K均值聚類算法產(chǎn)生Graph cuts需要的數(shù)據(jù)項(xiàng)的參數(shù)，然后通過(guò)核函數(shù)將其映射到高維核空間，再用Graph cuts算法來(lái)分割圖像。該算法抗噪效果很好，能多區(qū)域無(wú)監(jiān)督地分割圖像，是一種通用型全自動(dòng)分割算法。但是在核磁圖像中往往不同的器官組織具有相似的灰度特性，全自動(dòng)的僅僅依靠灰度信息來(lái)分割圖像，很難區(qū)分出單獨(dú)的目標(biāo)組織，致使分割結(jié)果不能達(dá)到臨床要求。Xu等人提出了基于活動(dòng)輪廓的圖割算法(Graph cuts based activecontours )。該算法在目標(biāo)邊界附近給定一條初始輪廓線，采用形態(tài)學(xué)膨脹腐蝕操作得到一個(gè)環(huán)狀區(qū)域，并以環(huán)狀區(qū)域?yàn)榻?，?nèi)邊界的所有像素點(diǎn)為源點(diǎn)，外邊界對(duì)應(yīng)圖的匯點(diǎn)，運(yùn)用多源多匯最小割原理把多源多匯最小割問(wèn)題轉(zhuǎn)化為單源單匯最小割問(wèn)題。這樣能針對(duì)圖像中的感興趣的區(qū)域分割目標(biāo)對(duì)象，彌補(bǔ)了圖割算法全局優(yōu)化分割時(shí)的不足。當(dāng)分割對(duì)象為核磁圖像中的器官組織時(shí)，往往單純依靠圖像灰度信息的圖割算法不能準(zhǔn)確的分割出組織邊界，因?yàn)楹舜艌D像的邊界有時(shí)很模糊，會(huì)出現(xiàn)邊界泄露和大量的誤分割，采用統(tǒng)計(jì)先驗(yàn)形狀信息能很好的克服這個(gè)缺點(diǎn)。Malcolm等介紹了一種將基于核主成分分析(KPCA)的先驗(yàn)形狀信息融入圖割算法的分割模型。該模型能將圖像中的多個(gè)相似目標(biāo)中的某個(gè)特定的目標(biāo)獨(dú)立的分割出來(lái)，而不會(huì)產(chǎn)生干擾，在有遮擋情況下也不會(huì)發(fā)生邊界泄露和誤分割的現(xiàn)象，魯棒性得到了很大的提高。和PCA相比，KPCA是一種非線性的方法，能提取數(shù)據(jù)的非線性特征，以及高階的統(tǒng)計(jì)信息。應(yīng)用該模型能分割出復(fù)雜的或有非線性形變的目標(biāo)。
[0005]用KGC方法直接分割核磁圖像時(shí)，也分割出了其他器官的邊界，器官內(nèi)部的血管也對(duì)分割結(jié)果產(chǎn)生了一定的影響，存在許多誤分割，并不能得到完整的組織器官邊界。加入了初始輪廓后，將分割限定在一定的區(qū)域范圍之內(nèi)，但是由于噪聲和弱邊界的影響，分割得到的結(jié)果并不理想。KPCA方法訓(xùn)練出的形狀先驗(yàn)知識(shí)不但能處理一般的形變，而且對(duì)非線性的形變也能起到較好的效果，加入KPCA后分割的效果已然很好的逼近了真實(shí)的邊界。除此之外，在核磁圖像中人為的加入大量的噪聲，甚至是邊界缺失或存在遮擋物的情況下也能正確引導(dǎo)分割算法，得到準(zhǔn)確的結(jié)果。
[0006]目前大多數(shù)圖像分割算法，主要基于圖像底層的知識(shí)，如圖像的梯度、灰度信息等。一些經(jīng)典的圖像分割方法，如大津閾值法、聚類法、邊緣檢測(cè)法、區(qū)域增長(zhǎng)法等。跟普通的分割算法相比，核磁圖像分割算法需要更多的背景知識(shí)。核磁圖像分割作為核磁圖像分析處理的第一步，其分割結(jié)果的好壞關(guān)系到醫(yī)生對(duì)疾病的診斷和治療，當(dāng)作為圖像配準(zhǔn)的依據(jù)時(shí)，更是尤為重要。核磁圖像具有邊界模糊、灰度分布不均勻、噪聲大等特點(diǎn)，使得分割特定組織變得十分困難，因此應(yīng)用各種高級(jí)和智能化的算法分割核磁圖像成為當(dāng)前研究的執(zhí)占。
[0007]由于腹部的核磁圖像軟組織較多，不同組織間灰度信息十分相似，加上呼吸運(yùn)動(dòng)和臟器的蠕動(dòng)等因素，形狀變化復(fù)雜，因此分割難度大。腹部核磁圖像的信息不僅從其灰度和表面中提取，而且，還與成像設(shè)備和醫(yī)生的專業(yè)知識(shí)有關(guān)。掌握對(duì)人體組織的先驗(yàn)知識(shí)是設(shè)計(jì)有效算法的關(guān)鍵，并且對(duì)于不同的人或不同的位置，器官組織的大小和結(jié)構(gòu)都不同，這就需要更加魯棒和有效的分割算法。
[0008]申請(qǐng)?zhí)枮?01210123996的專利提出了一種軟組織核磁圖像自適應(yīng)外力水平集自動(dòng)分割及實(shí)現(xiàn)方法，但是需要人工交互選擇初始輪廓，迭代執(zhí)行使得算法計(jì)算效率不高，應(yīng)用起來(lái)具有一定的局限性。

【發(fā)明內(nèi)容】

[0009]針對(duì)現(xiàn)有的圖像算法僅僅依靠圖像的灰度信息來(lái)分割，不能得到理想的結(jié)果，而且醫(yī)學(xué)圖像的復(fù)雜性和不同組織間灰度變化不大的特性使得單獨(dú)分割出某一特定組織變得十分的困難，本發(fā)明的首要目的在于提供一種腹部軟組織核磁圖像分割的方法，提高了核磁圖像分割算法的魯棒性，使得分割結(jié)果更加精確。
[0010]為達(dá)到上述目的，本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是，所述的一種腹部軟組織核磁圖像分割的方法，包括以下步驟:
[0011](I)在目標(biāo)輪廓附近初始化一個(gè)初始輪廓,所述初始輪廓為采集到的形狀模板中的任意一個(gè)模板輪廓；
[0012](2)采用形態(tài)學(xué)算子對(duì)所述初始輪廓進(jìn)行膨脹和腐蝕操作，在待分割的所述目標(biāo)輪廓內(nèi)外形成一個(gè)帶狀閉合區(qū)域；[0013](3)對(duì)所述采集到的形狀模板進(jìn)行KPCA訓(xùn)練，通過(guò)統(tǒng)計(jì)模型獲得先驗(yàn)形狀信息；
[0014]優(yōu)選的，所述采集到的形狀模板為配準(zhǔn)好的人體同一位置的同一方向的核磁圖像，不同的模板之間不存在剛性的位置變換和旋轉(zhuǎn)縮放的聯(lián)系。
[0015]具體的，所述步驟(3)中的先驗(yàn)形狀信息，通過(guò)以下公式計(jì)算得到:
【權(quán)利要求】
1.一種腹部軟組織核磁圖像分割的方法，其特征在于，包括以下步驟: (O在目標(biāo)輪廓附近初始化一個(gè)初始輪廓，所述初始輪廓為采集到的形狀模板中的任意一個(gè)模板輪廓； (2)采用形態(tài)學(xué)算子對(duì)所述初始輪廓進(jìn)行膨脹和腐蝕操作，在待分割的所述目標(biāo)輪廓內(nèi)外形成一個(gè)帶狀閉合區(qū)域； (3)對(duì)所述采集到的形狀模板進(jìn)行KPCA訓(xùn)練，通過(guò)統(tǒng)計(jì)模型獲得先驗(yàn)形狀信息； (4)在核磁圖像分割模型的能量函數(shù)的數(shù)據(jù)項(xiàng)上結(jié)合所述先驗(yàn)形狀信息，建立能量函數(shù)； (5)運(yùn)用kernelGraph cuts算法,在所述帶狀閉合區(qū)域進(jìn)行分割,得到目標(biāo)輪廓。
2.如權(quán)利要求1所述的腹部軟組織核磁圖像分割的方法，其特征在于，所述步驟(3)中的先驗(yàn)形狀信息，通過(guò)以下公式計(jì)算得到:
3.如權(quán)利要求1或2所述的腹部軟組織核磁圖像分割的方法，其特征在于，所述步驟(4)包括以下步驟: (401)令數(shù)據(jù)項(xiàng)表示為像素歸屬目標(biāo)和背景的懲罰程度，用Pp(O),Pp(B)分別表示在像素P處，形狀信息在數(shù)據(jù)項(xiàng)上屬于前景和背景的懲罰，得到新的數(shù)據(jù)項(xiàng)，如下所示:
Rp(O) = (1-η).Jk(Ιρ, μ0)+η.Pp(O)
Rp(B) = (1-η).Jk(Ιρ, μΒ)+η.Pp(B) 其中，η為介于O和I之間的權(quán)重系數(shù)，由于逆映射值t也是介于O和I之間的數(shù)，因此可直接用i的值來(lái)表示Pp(0)，則(1-Pp(O))即為Pp(B)的值； (402)平滑項(xiàng)沿用核磁圖像分割算法原來(lái)的項(xiàng)，其能量函數(shù)為:

4.如權(quán)利要求1或2所述的腹部軟組織核磁圖像分割的方法，其特征在于，所述采集到的形狀模板為配準(zhǔn)好的、人體同一位置的同一方向的核磁圖像，不同的模板之間不存在剛性的位置變換和旋轉(zhuǎn)縮放的聯(lián)系。
5.一種用于權(quán)利要求1-4任一項(xiàng)所述的腹部軟組織核磁圖像分割的方法的腹部軟組織核磁圖像分割裝置，其特征在于，包括以下部分: 初始化模塊，用于在目標(biāo)輪廓附近初始化一個(gè)初始輪廓，所述初始輪廓為采集到的形狀模板中的任意一個(gè)模板輪廓； 膨脹腐蝕模塊，用于采用形態(tài)學(xué)算子對(duì)所述初始輪廓進(jìn)行膨脹腐蝕操作，在待分割的所述目標(biāo)輪廓內(nèi)外形成一個(gè)帶狀閉合區(qū)域；KPCA訓(xùn)練模塊:用于對(duì)所述采集到的形狀模板進(jìn)行KPCA訓(xùn)練，通過(guò)統(tǒng)計(jì)模型獲得先驗(yàn)形狀信息； 能量函數(shù)模塊:用于在核磁圖像分割模型的能量函數(shù)的數(shù)據(jù)項(xiàng)上結(jié)合所述先驗(yàn)形狀信息，建立能量函數(shù)； kernel Graph cuts分割模塊:運(yùn)用kernel Graph cuts算法,在所述帶狀閉合區(qū)域進(jìn)行分割而得到目標(biāo)輪廓； 所述初始化模塊與膨脹腐蝕模塊連接，能量函數(shù)模塊分別與膨脹腐蝕模塊、KPCA訓(xùn)練模塊、kernel Graph cuts分割模塊連接。
【文檔編號(hào)】G06T7/00GK103473768SQ201310400473
【公開(kāi)日】2013年12月25日 申請(qǐng)日期:2013年9月5日 優(yōu)先權(quán)日:2013年9月5日
【發(fā)明者】秦文健, 羅清, 辜嘉, 溫鐵祥 申請(qǐng)人:中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院