專利名稱：Apparatus for segmenting an object comprising sub-objects的制作方法
技術領域：
本發(fā)明涉及一種用于分割包括子對象的對象的設備、方法和計算機程序。本發(fā)明 還涉及一種包括子對象的對象的模型。
背景技術：
EP1447772A1公開了一種在三維圖像數(shù)據(jù)集中分割包括肺葉的肺的方法。一種交 互式分水線算法利用了結合從經(jīng)分割的血管樹計算的距離圖的代價函數(shù)。距離增大表示沒 有血管，間接意味著肺葉之間的邊界。成長的分水線區(qū)域填充用于分割肺葉的邊界間的區(qū) 域。

發(fā)明內容
由于EP1447772A1中公開的方法利用不存在血管部進行分割，并且由于不存在血 管部通常并不與肺葉邊界重合，且由于不存在血管部的位置取決于像血管的可見度和血管 分割的質量的若干參數(shù)，因此降低了包括肺葉的肺的分割質量。本發(fā)明的目的在于提供一種用于分割包括子對象的對象的設備、方法和計算機程 序，其改善包括子對象的對象的分割質量。在本發(fā)明的一方面中，提供了一種用于分割在對象圖像中所示的包括子對象的對 象的設備，其中所述設備包括-用于產生特征圖像的特征圖像產生單元，所述特征圖像示出與所述子對象之間 的中間區(qū)域相關的特征，-利用所述對象圖像和所述特征圖像分割所述子對象的分割單元。本發(fā)明基于以下想法，S卩，在產生示出了與對象的子對象之間的中間區(qū)域相關的 特征的特征圖像并將該特征圖像與對象圖像一起用于對象分割時，分割得到改善。由于特 征圖像包括關于子對象之間的中間區(qū)域位置的信息，且由于除了對象圖像之外這一信息還 被分割單元使用，所以改善了對象的分割，尤其是，對象之內的子對象的分割。從對象的特征，例如子對象的表面和/或子對象之間的空間或元素檢索特征圖像 中示出的且與子對象之間的中間區(qū)域相關的特征。例如，如果需要分割的對象是包括肺葉 (可以將其視為子對象)的肺，與子對象之間的中間區(qū)域相關的特征優(yōu)選是從對象圖像中 所示的肺裂隙導出的特征。對象圖像例如是二維、三維或四維圖像數(shù)據(jù)集。圖像數(shù)據(jù)集可以通過任何成像裝 置，例如磁共振成像裝置、超聲成像裝置或核成像裝置采集。優(yōu)選地，由優(yōu)選使用X射線的 計算機斷層攝影成像裝置采集圖像數(shù)據(jù)集。圖像數(shù)據(jù)集例如是技術圖像數(shù)據(jù)集或醫(yī)療圖像 數(shù)據(jù)集。優(yōu)選地，圖像數(shù)據(jù)集是示出了人或動物的肺或另一部分的計算機斷層攝影圖像數(shù) 據(jù)集。在優(yōu)選實施例中，特征圖像產生單元適于從所述對象圖像產生特征圖像。于是，可 以不使用其他數(shù)據(jù)來產生特征圖像。具體而言，不需使用使用其他模態(tài)采集的另一幅圖像來產生該特征圖像。優(yōu)選地，特征圖像產生單元包括特征增強單元，所述特征增強單元用于增強與所 述對象圖像中的子對象之間的中間區(qū)域相關的特征。由于特征增強單元增強與對象圖像中 子對象之間的中間區(qū)域相關的特征，因此在特征圖像中更加突出了這些特征，這改善了使 用特征圖像中的這些特征分割的質量。于是，優(yōu)選通過增強與對象圖像中子對象之間的中 間區(qū)域相關的特征來產生特征圖像，其中從該增強得到的圖像優(yōu)選是特征圖像。特征增強單元優(yōu)選使用基于結構張量或Hessian矩陣的增強濾子(filter)。下文 進一步給出這種優(yōu)選增強濾子的更詳細描述。在另一實施例中，特征增強單元適于使得在向對象圖像應用增強濾子之后，向經(jīng) 增強的對象圖像的圖象值應用閾值操作，以進一步增強與對象圖像中子對象之間的中間區(qū) 域相關的特征。閾值操作適于使得在已經(jīng)應用閾值操作之后，在經(jīng)增強的對象圖像中僅示 出高于或低于預定閾值的圖象值。在另一優(yōu)選實施例中，如果不向對象圖像應用增強濾子， 也可以向對象圖像應用閾值操作。在這種情況下，已經(jīng)應用了閾值操作的對象圖像優(yōu)選是 特征圖像。在另一實施例中，特征增強單元適于使得在對象圖像中的平面或線性結構得以增 強。如果包括子對象的對象是三維對象，且如果對象圖像是三維或四維圖像，特征增強單元 優(yōu)選適于增強平面結構，因為在這種情況下子對象之間的中間區(qū)域被認為是平面形狀的特 征。如果對象是二維對象或如果對象圖像是二維圖像，特征增強單元優(yōu)選適于增強線性結 構，因為在這種情況下一般認為子對象之間的中間區(qū)域是線性形狀的。具體而言，如果必須 要分割包括肺葉的肺，特征增強單元優(yōu)選適于增強諸如裂隙的平面結構。特征增強單元還 可以適于抑制與子對象之間的中間區(qū)域不相關的平面和/或線性結構。例如，可以使用關 于肺外壁的位置和形狀的知識來抑制對象圖像中這些平面結構。特征增強單元優(yōu)選增強與對象圖像中子對象之間的中間區(qū)域相關的特征，其中包 括經(jīng)增強的特征的對象圖像是特征圖像。在另一實施例中，所述特征圖像產生單元包括用于對所述特征圖像執(zhí)行距離變換 的距離單元，其中所述特征圖像包括被分配以特征圖像值的特征圖像元素，其中根據(jù)以下 步驟執(zhí)行距離變換-確定所述特征圖像元素的中間區(qū)域特征圖像元素，其中所述中間區(qū)域特征圖像 元素示出了與所述子對象之間的中間區(qū)域相關的特征，-確定用于特征圖像元素的距離值，其中所述距離值取決于所確定的中間區(qū)域特 征圖像元素和要為其確定距離值的特征圖像元素之間的距離，_用所確定的距離值替代被分配給已被確定距離值的特征圖像元素的特征圖像值。在另一實施例中，距離值取決于相應特征圖像元素的位置到最近的中間區(qū)域特征 圖像元素的距離。在優(yōu)選實施例中，距離值可以是相應特征圖像元素和最近中間區(qū)域特征圖像元素 之間的距離、距離倒數(shù)或這些的組合。使用距離值有如下優(yōu)點特征圖像的未示出與子對象之間的中間區(qū)域相關的特征 的部分與特征圖像的示出了與子對象之間的中間區(qū)域相關的特征的部分之間的過渡被平滑，這簡化了特征圖像中可用于分割包括子對象的對象的特征的檢測，由此進一步改善了 分割的質量。在另一實施例中，分割單元包括_用于提供包括模型子對象的模型對象的模型提供單元，-用于在所述對象圖像和所述特征圖像中預定位所述模型對象的預定位單元，以 及-用于將所述模型對象適配到所述對象圖像和所述特征圖像中的所述對象的適配單元。該模型對象的提供、預定位和適配允許通過將模型對象適配到對象圖像中的對象 來分割對象，可以用較低計算工作量執(zhí)行適配，實現(xiàn)分割質量的進一步改善。在另一實施例中，適配所述適配單元使得將模型子對象面向另一模型子對象的表 面適配到所述特征圖像，并且使得將不面向模型子對象的模型對象的表面適配到對象圖 像。由于特征圖像示出了與子對象之間的中間區(qū)域相關的特征，因此可以以改進的質量將 模型子對象面對另一模型子對象的表面，即模型對象的內表面適配到特征圖像，即特征圖 像中示出的與子對象之間的中間區(qū)域相關的特征，而模型對象不面對模型子對象的表面， 即模型對象的外表面可以適配到對象圖像，即對象圖像中所示的對象外表面，因為在對象 圖像中通常容易檢測到這個表面。優(yōu)選通過使包括內部能量和外部能量的能量項最小化或最大化來執(zhí)行模型到 對象圖像中的對象或特征圖像中的特征的適配。內部能量試圖將模型保持為預定義的 形狀，而外部能量試圖將模型的表面移動到對象圖像中的對象表面或特征圖像中所示的 特征。優(yōu)選迭代地執(zhí)行能量項的這種最小化或最大化。在C. Lorenz，J. von Berg的文 章 “A comprehensive shape modelof the heart”，Medical Image Analysis, vol. 10， PP. 657-670,2006中公開了這種能量最小化或最大化的更詳細描述，在此通過引用將其并 入本文。在另一實施例中，適配單元適于通過搜索特征圖像中的極值將模型子對象面對另 一模型子對象的表面適配到特征圖像。極值是最小值或最大值。具體而言，如果特征圖像 包括距離值，可以以高精度在特征圖像中找到這種最小值或最大值。因此能夠進一步改善 分割的質量。在另一實施例中，-所述模型提供單元適于提供表面對象模型和體對象模型，并且-所述預定位單元適于確定用于將所述體對象模型配準到所述對象圖像和所述特 征圖像中的至少一個上的變換并將所確定的變換應用于所述表面對象模型以對所述表面 對象模型進行預定位，并且-所述適配單元適于將所述表面對象模型適配到所述對象圖像和所述特征圖像中 的對象。由于一般可以以良好的質量在對象圖像和/或特征圖像上配準體對象模型，且由 于將描述把體對象模型配準到對象圖像和/或特征圖像上的變換也應用于表面對象模型， 所以改善了表面對象模型的配準，從而改善了表面對象模型的適配，進而能夠改善使用經(jīng) 適配的表面對象模型的分割。
表面對象模型定義體對象模型的表面，優(yōu)選至少一個外表面和至少一個內表面， 內表面分開對象的子對象。體模型優(yōu)選包括若干與子對象對應的子體積，其中不同的子體 積不同地加以標簽。預定位單元優(yōu)選適于確定用于將體對象模型配準到對象圖像和特征圖像中的至 少一個上的仿射變換。仿射變換優(yōu)選包括模型對象的平移和/或縮放和/或切變。通過利 用仿射變換，可以進一步改善將體模型對象配準到對象圖像和/或特征圖像上的過程，從 而進一步改善表面模型對象的預定位，由此進一步改善分割。在另一實施例中，體對象模型 僅配準在對象圖像上，還將通過這種配準確定的變換用于在特征圖像中預定位表面模型對 象。在另一實施例中，對用于將體對象模型配準到對象圖像和特征圖像中的至少一個上的 變換的確定加以約束以調整預定位。仿射配準優(yōu)選使用相似性度量，相似性度量優(yōu)選是互 相關的絕對值。在另一實施例中，在配準之前對圖像進行下采樣，即減小尺寸。在另一實施例中，預定位單元適于忽略體對象模型的內部結構。由于在預定位期 間優(yōu)選忽略體對象模型的內部結構，所以可以減少預定位過程的計算工作量。具體而言，優(yōu) 選在三維體素數(shù)據(jù)集中表示體對象模型，在維度、體素大小和體素數(shù)量方面，三維體素數(shù)據(jù) 集與對象圖像對應。在另一實施例中，在表示體對象模型的體素數(shù)據(jù)集中，體對象模型內部 的體素包括恒定非零值，特別地，為“ 1 ”，體對象模型外部的體素包括零值。優(yōu)選將包括恒定 非零值和零值的這個體素數(shù)據(jù)集與對象圖像配準以相對于對象圖像預定位體對象模型，具 體而言，使用互相關作為相似性度量進行配準，其中將互相關應用于表示體對象圖像和對 象圖像的體素數(shù)據(jù)集。在另一實施例中，除了所述子對象之外，所述對象還包括元素結構，其中-所述模型提供單元適于提供元素結構的模型，并且-所述預定位單元適于使用元素結構的模型和模型對象之間的關系通過將結構元 素的模型配準到對象圖像和特征圖像中的至少一個上來配準對象模型，并基于經(jīng)配準的元 素結構的模型以及元素結構的模型和模型對象之間的關系進一步配準對象模型。這允許使用對象圖像中所示對象的元素結構在對象圖像和/或特征圖像中預定 位模型對象。元素結構例如是患者的肋骨架，在這種情況下這種元素結構的模型是肋骨架 模型。由于通常在肺的圖像中，尤其是在計算機斷層攝影圖像中，利用肋骨架和肋骨架模型 能很好地檢測到肋骨架，所以在這種情況下，可以改善對肺建模的模型對象的預定位。用于 配準對象模型的元素結構的模型和模型對象之間的關系優(yōu)選是空間和/或時間關系。在另一實施例中，所述模型對象包括閉合外表面和至少一個內表面，所述閉合外 表面將所述模型對象與所述模型對象外部物分開，所述內表面位于所述模型對象內部，用 于將所述模型子對象彼此分開。這樣的模型對象相對簡單，因為它僅提供了至少一個外表 面和至少一個分開子對象的內表面，其中降低了用于分割過程的計算成本。在另一實施例中，所述模型提供單元適于通過執(zhí)行以下步驟提供包括模型子對象 的模型對象-提供包括對象圖像元素的若干對象圖像，-分割所述若干對象圖像中的子對象，-將包括經(jīng)分割的子對象的若干對象圖像彼此配準，-使經(jīng)配準的所述若干對象圖像中的經(jīng)分割的子對象模糊化，從而針對每個經(jīng)分割的子對象將模糊值分配給經(jīng)配準的所述若干對象圖像的對象圖像元素，其中對于每個經(jīng) 分割的子對象，將模糊值分配給經(jīng)配準的對象圖像的對象圖像元素，其中所述模糊值取決 于相應的經(jīng)配準的對象圖像的對象圖像元素屬于相應的經(jīng)分割的子模型的概率，-針對每個經(jīng)分割的子對象對分配給經(jīng)配準的所述若干對象圖像的對應對象圖像 元素的模糊值求平均，從而為經(jīng)配準的所述若干對象圖像的一組對應對象圖像元素產生平 均模糊值，-根據(jù)分配給經(jīng)配準的所述若干對象圖像的一組對應對象圖像元素的相應的經(jīng)分 割的子對象的平均模糊值，將該組對應對象圖像元素分配給經(jīng)分割的子對象。一組對應的 對象圖像元素優(yōu)選包括在執(zhí)行配準之后彼此相疊的對象圖像元素。一種適于執(zhí)行這些步驟的模型提供單元提供了模型對象，如果將這種模型對象用 于分割包括子對象的對象，將進一步改善分割的質量。在本發(fā)明的另一方面中，提供了一種分割對象圖像中所示的包括子對象的對象的 方法，其中所述方法包括以下步驟-借助于特征圖像產生單元產生特征圖像，所述特征圖像示出與所述子對象之間 的中間區(qū)域相關的特征，_借助于分割單元利用所述對象圖像和所述特征圖像分割所述子對象。在本發(fā)明的另一方面中，提供了一種用于分割對象圖像中示出的包括子對象的對 象的計算機程序，其中該計算機程序包括在計算機上運行所述計算機程序時執(zhí)行如權利要 求13所述的方法的步驟的程序代碼模塊。在本發(fā)明的另一方面中，提供了一種包括子對象的對象的模型，其中根據(jù)以下步 驟產生所述模型-提供包括對象圖像元素的若干對象圖像，-分割所述若干對象圖像中的子對象，-將包括經(jīng)分割的子對象的若干對象圖像彼此配準，-使經(jīng)配準的所述若干對象圖像中的經(jīng)分割的子對象模糊化，從而針對每個經(jīng)分 割的子對象將模糊值分配給經(jīng)配準的所述若干對象圖像的對象圖像元素，其中對于每個經(jīng) 分割的子對象，模糊值被分配給經(jīng)配準的對象圖像的對象圖像元素，其中所述模糊值取決 于相應經(jīng)配準的對象圖像的對象圖像元素屬于相應經(jīng)分割的子模型的概率，-針對每個經(jīng)分割的子對象對分配給經(jīng)配準的若干對象圖像的對應對象圖像元素 的模糊值求平均，從而為經(jīng)配準的所述若干對象圖像的一組對應對象圖像元素產生平均模 糊值，-根據(jù)針對相應經(jīng)分割的子對象為經(jīng)配準的所述若干對象圖像的一組對應對象圖 像要素分配的平均模糊值，向經(jīng)分割的子對象分配該組對應的對象圖像要素。應當理解，根據(jù)權利要求1所述的設備、根據(jù)權利要求12所述的方法和根據(jù)權利 要求13所述的計算機程序具有如從屬權利要求中限定的類似和/或等同的優(yōu)選實施例。應當理解，本發(fā)明的優(yōu)選實施例還可以是從屬權利要求與相應的獨立權利要求的 任意組合。


參考下文描述的實施例，本發(fā)明的這些和其他方面將顯而易見并得到闡述。在下 述附圖中圖1示意性和示范性示出了用于分割包括子對象的對象的設備的圖示；圖2示意性和示范性示出了用于分割包括子對象的對象的設備的特征圖像生成 單元的圖示；圖3示意性和示范性示出了用于分割包括子對象的對象的設備的分割單元的圖示；圖4示意性和示范性示出了表面模型對象；圖5示出了圖示說明借助于模型提供單元產生表面目標模型的方法的流程圖；圖6以截面圖示意性和示范性示出了來自經(jīng)分割的對象圖像的標簽；圖7以截面圖示意性和示范性示出了在應用模糊化之后來自經(jīng)分割的對象圖像 的標簽；圖8以截面圖示意性和示范性示出了求平均和分配步驟之后的體對象模型；圖9以截面圖示意性和示范性示出了對象圖像之內的體對象模型；圖10以截面圖示意性和示范性示出了已經(jīng)在對象圖像之內執(zhí)行配準之后的體模 型對象；圖11示出了元素結構的模型；圖12以截面圖示出了配準和適配到對象圖像的元素結構的模型；圖13示出了圖示說明分割包括子對象的對象的方法的實施例的流程圖；圖14以截面圖示意性和示范性示出了預定位到對象圖像上的表面對象模型；圖15以截面圖示意性和示范性示出了已經(jīng)應用了增強濾子之后的特征圖像；圖16以截面圖示意性和示范性示出了特征圖像，所述特征圖像包括距離值和預 定位表面對象模型；圖17以截面圖示意性和示范性示出了在對象圖像進行適配之后的表面對象模 型；以及圖18以截面圖示意性和示范性示出了包括距離值的特征圖像，所述特征圖像具 有經(jīng)適配的表面模型對象。
具體實施例方式圖1示意性和示范性示出了用于分割包括子對象的對象的設備。設備1包括用于 產生特征圖像的特征圖像產生單元2和分割單元3，所述特征圖像示出了與子對象之間的 中間區(qū)域相關的特征，分割單元3利用示出了對象和特征圖像的對象圖像分割子對象。輸 入單元5連接到設備1，使用戶能夠向設備1中進行輸入。此外，輸出單元6連接到設備1， 用于輸出，例如輸出分割結果。輸入單元例如是鍵盤或鼠標，輸出單元例如是顯示器或打印 機。設備1還連接到用于提供對象圖像的對象圖像提供單元4。在這一實施例中，對象圖像 提供單元4是計算機斷層攝影系統(tǒng)，其從采集的X射線投影數(shù)據(jù)重建計算機斷層攝影圖像。 在另一實施例中，對象圖像提供單元可以是任何其他成像裝置，例如磁共振成像裝置、超聲 成像裝置、核成像裝置或光學成像裝置。在另一實施例中，對象圖像提供單元是存儲對象圖 像的存儲單元，對象圖像可以傳輸?shù)皆O備1。
圖2示意性和示范性示出了特征圖像產生裝置2，其包括特征增強單元7和距離單 元8，特征增強單元7用于增強與對象圖像中子對象之間的中間區(qū)域相關的特征，距離單元 8用于對特征圖像進行距離變換，其中用距離值替代特征圖像的特征圖像值，距離值取決于 相應特征圖像值的位置到特征圖像元素的距離，特征圖像元素示出了與子對象之間的中間 區(qū)域相關的特征。具體而言，特征圖像包括被分配了特征圖像值的特征圖像元素，其中優(yōu)選 根據(jù)以下步驟執(zhí)行距離變換-確定特征圖像元素的中間區(qū)域特征圖像元素，其中中間區(qū)域特征圖像元素示出 了與子對象之間的中間區(qū)域相關的特征，-確定對于特征圖像元素的距離值，其中距離值取決于所確定的中間區(qū)域特征圖 像元素和要為其確定距離值的特征圖像元素之間的距離，_用所確定的距離值替代被分配給已被確定距離值的特征圖像元素的特征圖像 值。在這一實施例中，距離值是相應特征圖像元素和最近的中間區(qū)域特征圖像元素之間的 距離。在其他實施例中，距離值可以是距離倒數(shù)或后一實施例和前一實施例的組合。圖3示意性和示范性示出了分割單元3，分割單元3包括模型提供單元9、預定位 單元10和適配單元11。模型提供單元9適于提供包括模型子對象的模型對象。模型對象可以是體模型對 象或表面模型對象。在這一實施例中，模型對象是表面模型對象。在圖4中示意性和示范 性示出了包括作為子對象的肺葉的肺的表面模型對象的實施例。在圖4中，示意性和示范性示出了具有三角形化網(wǎng)格表面的肺模型12。左肺包括 兩個肺葉13和14，右肺包括三個肺葉15、16和17。不同肺葉的表面包括不同的標簽。模 型由幾何學網(wǎng)格構成，其中一個閉合的表面表示肺壁的模型，肺體積之內的其他表面表示 分開肺葉的肺裂隙。在這一實施例中，肺裂隙是與子對象(在這一實施例中，即肺葉)之間 的中間區(qū)域相關的特征?？梢酝ㄟ^對平均標簽數(shù)據(jù)集進行三角剖分來構造這種網(wǎng)格模型， 其中屬于不同肺葉的體素具有截然不同的“內部”標簽，肺體積外部的體素具有“外部”標 簽?？梢詮幕颊邎D像的訓練集計算這種平均標簽數(shù)據(jù)集，其中通過自動的或交互的過程對 肺葉區(qū)域加標簽。在這一實施例中，模型提供單元適于通過執(zhí)行將在下文中參考圖5所示 的流程圖描述的步驟來提供包括模型子對象的模型對象。在步驟101中，由模型提供單元接收若干對象圖像，對象圖像優(yōu)選來自同一類型 的不同對象，具體而言，是不同患者的肺圖像。這若干對象圖像優(yōu)選是示出了患者肺部的計 算機斷層攝影圖像。若干對象圖像包括對象圖像元素，具體而言，是體素或像素。在步驟102中，例如，通過已知的分割過程或手動分割對象圖像中的不同子對象。 在步驟103中，將若干對象圖像彼此配準。具體而言，將這些對象圖像之一選擇作為參考對 象圖像，將其他對象圖像與這一參考對象圖像配準。在另一優(yōu)選實施例中，通過執(zhí)行步驟 102以及下文將要進一步解釋的用于第一迭代的步驟104到106來獲得要將其他對象圖像 向其配準的參考對象圖像。優(yōu)選利用仿射變換執(zhí)行步驟103中的配準，仿射變換優(yōu)選包括平移、縮放和/或切
變操作。在步驟104中，使經(jīng)配準的若干對象圖像中的經(jīng)分割的子對象模糊化，從而使得 針對每個經(jīng)分割的子對象將模糊值分配給經(jīng)配準的若干對象圖像的圖像元素，其中對于每個經(jīng)分割的子對象和每個經(jīng)配準的對象圖像，將模糊值分配給經(jīng)配準的對象圖像的每個對 象圖像元素，其中模糊值取決于相應經(jīng)配準的對象圖像的對象圖像元素屬于相應的經(jīng)分割 的子模型的概率。優(yōu)選地，在步驟102中，向每個經(jīng)分割的子對象分配不同的標簽，將其他標簽分配 給子對象外部的區(qū)域。在步驟104中，優(yōu)選地，向子對象的邊界，具體而言是肺葉的邊界應 用模糊化，得到距標簽過渡的特定距離在0和1之間變化，大于0. 5的值在標簽區(qū)域“內 部”，小于0. 5的值在標簽區(qū)域“外部”。優(yōu)選分別針對每個標簽產生這種連續(xù)的“模糊”標 簽圖像，其中優(yōu)選選擇邊界距離的線性變化。圖6示意性和示范性示出了具有經(jīng)分割的帶 標簽區(qū)域30、31、32、33、34的若干對象圖像，它們被不同地加以標簽。圖7示出了已經(jīng)在步 驟104中應用模糊化之后不同地加以標簽的區(qū)域。優(yōu)選地，將不同的經(jīng)分割的子對象分到不同的單個圖像中，其中每個圖像示出了 步驟101中接收的若干對象中的一個的子對象，向這些單一子對象的每個應用步驟104中 的模糊化。在步驟105中，對從步驟104中的模糊化獲得的模糊值進行平均。具體而言，針對 每個經(jīng)分割的子對象對分配給經(jīng)配準的若干對象圖像的對應對象圖像元素的模糊值求平 均，從而為經(jīng)配準的若干對象圖像的一組對應對象圖像元素產生平均模糊值。具體而言，將 對應的子對象的對應模糊值求和，將所得的和除以若干對象圖像的數(shù)目。在步驟106中，根 據(jù)針對相應圖像元素的平均模糊值，將若干對象圖像的圖像元素，即經(jīng)配準的若干對象圖 像的一組對應對象圖像元素分配給子對象。具體而言，在對個體模糊標簽圖像，即模糊值求 平均之后，如果最高模糊值高于預定義的閾值，或者，特別地，如果針對相應圖像元素的所 有模糊值之和大于0. 5，選擇具有最高模糊值的標簽。最后，在步驟106中已經(jīng)將每個圖像元素分配給子對象之一或對象之外的區(qū)域之 后，可以應用三角剖分過程，以在步驟107中產生三角剖分網(wǎng)格模型。在優(yōu)選實施例中，可以適配模型提供單元，從而將從步驟106獲得的體模型用于 將在步驟101中接收的若干對象圖像配準到這個體模型對象上，并用于對這些新配準的對 象圖像再次執(zhí)行步驟102到106 ；優(yōu)選地，在用于產生要被用于配準的體模型的第一迭代 中，省略配準步驟103。在步驟107中，為了從體模型產生網(wǎng)格，優(yōu)選使用曲率自適應三角剖分法來分離 被加以不同標簽的“內部”體積。實施曲率自適應三角剖分法的一個重要參數(shù)是表面三角 形的預選數(shù)量，優(yōu)選對照網(wǎng)格化的標簽體積以圖形方式改變和檢查該數(shù)量。優(yōu)選地，使用形 態(tài)學平滑化來去除小孔和粗糙的子對象邊界，尤其是粗糙的肺葉邊界。圖8示意性和示范性示出了穿過在步驟106中獲得的體對象模型的切片。在優(yōu)選實施例中，模型提供單元9適于提供表面對象模型12和體對象模型21，它 們例如是通過執(zhí)行上述步驟101到107而產生的。如果已經(jīng)有了表面對象模型，尤其是表面網(wǎng)格對象模型，就可以通過例如區(qū)域生 長或掃描線過程從表面對象模型產生體對象模型。預定位單元10優(yōu)選適于確定用于將體對象模型21配準到對象圖像18和/或特 征圖像中的至少一個上的變換并且向表面對象模型12應用所確定的變換以對表面對象模 型12進行預定位。在這一實施例中，預定位單元10適于確定用于將體對象模型21配準到對象圖像18上的變換并且向表面對象模型12應用所確定的變換以對表面對象模型12進 行預定位。圖9示意性和示范性示出了穿過肺的三維圖像的切片，其中一開始將體對象模 型21放在對象圖像18之內。這種初始定位可以是任意定位，或者，例如是將體對象模型21 置于對象圖像18中心的定位。圖10示意性和示范性示出了已經(jīng)執(zhí)行配準之后對象圖像18 中的體模型對象21。與配準對應的變換優(yōu)選是仿射變換，仿射變換包括平移、縮放和/或切 變。為了確定用于將體對象模型配準到對象圖像上的變換，體模型對象優(yōu)選由具有這 樣的標簽的像素或體素構成，如果像素或體素屬于對象區(qū)域，具體而言屬于肺區(qū)域，標簽為 “ 1 ”，否則標簽為“0”。然后，例如通過能夠對整個圖像進行仿射變換的方法，將對應圖像配 準到個體對象圖像上，具體而言，是示出患者肺部的個體患者圖像上。將所得的幾何變換應 用于等價表面對象模型，獲得期望的預定位表面對象模型。通過在配準期間限制變換參數(shù)， 可以調整預定位以實現(xiàn)更強的對象變化，具體而言，更強的患者變化，或者以嚴格接近原始 形狀，例如對于嚴重的病灶而言。預定位單元10優(yōu)選在確定變換期間忽略體對象模型的內部結構，該變換將體對 象模型配準到對象圖像和特征圖像中的至少一個上。如果對象圖像除了子對象之外還包括在對象圖像中可看見的元素結構，例如肋骨 架的結構，優(yōu)選地，該模型提供單元適于提供元素結構的模型22，具體而言，是肋骨架22的 模型。然后，更優(yōu)選地，預定位單元10適于提供元素結構的模型，具體而言，為肋骨架的模 型22，與模型對象之間的關系，模型對象優(yōu)選為表面對象模型。在另一實施例中，預定位單 元10適于將元素結構的模型，具體而言，肋骨架模型22配準到對象圖像和特征圖像中的至 少一個上，并利用經(jīng)配準的元素結構的模型，具體而言，肋骨架的經(jīng)配準模型22，且利用元 素結構的模型和模型對象之間的關系來配準對象模型。這種配準優(yōu)選包括仿射變換。如果必須要分割包括肺葉的肺，使用對象圖像中的元素結構對對象模型進行預 定位尤其有用，其中對象圖像，即肺圖像示出了肋骨架，因為肺的形狀被周圍的肋骨架很 好地界定且肋骨在計算機斷層攝影圖像中被界定得要比肺結構清晰得多，在本實施例 中優(yōu)選使用計算機斷層攝影成像。于是，優(yōu)選由經(jīng)適配的肋骨架模型用作初始肺模型 位置的參考。為了提供肋骨架模型，可以使用在以下文獻中描述的過程“Geometrical Rib-CageModeling, Detection, and Segmentation，，， Tobias Klinder, Cristian Lorenz, Jens von Berg CARS 2007, Volume 2 Supplement 1，pp. S91-S93，在此通過引用將其并入 本文。在圖11中示意性和示范性示出了肋骨架模型22。肋骨架模型和肺模型之間的幾 何變換是已知的。為了將肺模型預定位到給定對象圖像，即患者的給定肺圖像，探測和識 別肺圖像中與肋骨架模型22的模型肋骨對應的肋骨，例如，如Tobias Klinder, Cristian Lorenz, Jens von Berg, Sebastian P. M. Dries, Thomas Billow禾口 J5ni Ostermann在MICCAI 2007 發(fā)表的 “AutomatedModel-Based Rib Cage Segmentation and Labeling in CT Images"中所述，該文章在此也通過引用并入本文。然后，優(yōu)選利用仿射變換將肋骨架模型 22配準到肺圖像上。在圖12中示意性和示范性示出了穿過肺圖像18的切片，其中肋骨架 模型22被配準到肺圖像18中的肋骨上。在另一實施例中，可以將元素結構的模型適配到 對象圖像中所示的對象，具體而言，可以將肋骨架模型22適配到肺圖像18。已知肋骨架模型從模型空間到對象圖像的幾何變換，可以容易地定位肺模型。如果對例如肺葉體積的大致估計對于給定應用已足夠，就可以直接使用通過肋骨 架探測來預定位的肺模型而無需進一步適配。使用這種方法對肺預定位可能比使用配準方 式更加精確，因為肋骨架適配給出了細化的肋骨模型對齊，這可以傳遞到肺模型以提供細 化的肺模型對齊。對于高度病態(tài)的情況這可能尤其重要，在這種情況下圖像中未清晰刻畫 出肺的形狀。適配單元11適于適配已經(jīng)由模型提供單元9提供并已經(jīng)通過預定位單元10預定 位的對象模型，具體而言，是表面對象模型。適配單元11優(yōu)選適于使得模型對象的面對另 一模型子對象的模型子對象的表面適配到由特征圖像產生單元2產生的特征圖像，并且模 型對象(尤其是表面模型對象)的不面對模型子模型對象的表面適配到對象圖像。在這一 實施例中，適配單元11適于通過搜索特征圖像中的最小值將面對另一模型子對象的模型 子對象的表面適配到特征圖像，所述特征圖像包含距離單元8計算的距離值。下文將結合 分割包括子對象的對象的方法更詳細地解釋由適配單元11執(zhí)行的適配。在下文中，將參考圖13中所示的流程圖解釋分割包括子對象的對象的方法。在步驟201中，在這一實施例中，模型提供單元9提供包括表面模型子對象的表面 模型對象和包括體模型子對象的體模型對象。在另一實施例中，模型提供單元可以包括表 面模型對象或體模型對象。模型提供單元9還可以提供元素結構的模型，其中該元素結構 并非子對象，像肋骨架模型。表面模型對象和體模型對象優(yōu)選是包括肺葉的肺的模型，其中 模型對象包括閉合外表面和若干用于分離肺葉的內表面。在步驟202中，在對象圖像之內預定位表面模型對象，對象圖像優(yōu)選是計算機斷 層攝影胸廓圖像。由預定位單元10通過在對象圖像之內預定位對應的體對象模型并獲悉 上文更詳細描述的體對象模型和表面對象模型之間的空間關系來執(zhí)行這種預定位。在另一 實施例中，可以將并非子對象的元素結構的模型，例如肋骨架模型以及表面對象模型和元 素結構的模型之間，或元素結構的模型和體對象模型之間的空間關系用于在對象圖像之內 預定位表面對象模型或體對象模型，如上文更詳細描述的。圖14示意性和示范性示出了對象模型12的圖示，其中，對象模型12已經(jīng)在作為 對象圖像的計算機斷層攝影肺圖像之內被預定位了。在步驟203中，將增強濾子應用于對象圖像，以增強與對象圖像中子對象之間的 中間區(qū)域相關的特征。由于對象優(yōu)選是三維或四維圖像數(shù)據(jù)集中的三維對象，優(yōu)選適配特 征增強單元7使得增強平面結構。特征增強單元7優(yōu)選使用來自結構傳感器的一階導數(shù)或 來自Hessian矩陣的二階導數(shù)。在已經(jīng)將增強濾子應用于對象圖像之后，產生特征圖像，特 征圖像示出了與子對象之間的中間區(qū)域相關的特征；具體而言，如果對象為包括肺葉的肺， 特征圖像優(yōu)選示出肺裂隙。裂隙增強濾子優(yōu)選基于結構張量或Hessian矩陣。結構張量優(yōu)選是局部結構張量J，通過在濾子中心周圍的高斯加權鄰域中對三維 梯度矢量的外矢量積采樣來構建結構張量。
4
gg
(gxgx) {gxgy) (gXS2) {gygx) (gygy) {syg2) (gzSx) (gzgy) {Szg,)_其中〈 表示局部鄰域上的高斯加權平均，局部鄰域被定義為例如η毫米的球體。 例如，在“Signal Processing for Computer Vision，，，G· H· Granlund禾口H· Knutsson，Luwer Academic Publishers，1995 禾口 “Tensor-based image sequence processing techniques for the study of dynamical processes”，H. Haussecker, H.Spies 禾口 B. Jahlie International Symposium on RealtimeImaging and Dynamic Analysis，1998 中公幵了局 部結構張量，這些文章在此通過引用并入本文。結構張量優(yōu)選是從對象圖像中每個點處的圖象值導數(shù)構建的，并表示這個點周圍 梯度矢量的分布。在平面狀特征處，具體而言，在平面狀裂隙處，預計會有所謂的簡單鄰域， 例如在 “Neighborhood Operators", B. JMhne 禾口 H. Hau β ecker, Computer Vision and Applications, Academic Press，London2000 (在此通過引用并入本文)中描述了簡單鄰 域，其特征在于一個主導的和兩個消末(vanishing)的梯度取向。張量的一個屬性在于，由 于梯度矢量的平方，反平行梯度矢量(在裂隙兩側上)都以同樣方式作出貢獻。結構張量 J是正的半定的，可以確定三個正本征值A1^ λ 2，并可以定義方向性相干度量
q =
卜同樣強的梯度取向而
曰
Λ.+Λ
？對于僅一個主導梯度取向而言其變?yōu)?，對于兩個或J 其為0。然后可以利用加權項如下計算裂隙度F1 F1 = e'(/_")2/2ff2C其中加權項描述了濾子中心處的圖像值I (尤其是灰度)與典型圖像值，尤其是針 對裂隙的灰度值μ對應得有多好，標準偏差為ο。Hessian矩陣方法利用如下事實在像裂隙那樣的平面結構處，預計會有圖像值 分布曲線的，尤其是灰度值分布曲線的，垂直于裂隙的一個強彎曲和平行于裂隙的兩個消 末彎曲。對于裂隙的Hoimsfield范圍中的每個體素，利用六個獨立的二階導數(shù)構建本地 Hessian 矩陣 H
S XXS xyg
H =S yx^ yygSzxS zyS 優(yōu)選地，在向原始圖像應用二項式平滑化之后計算導數(shù)。然后確定對稱Hessian 矩陣的本征值I XciI彡I X1I彡I λ2|。對于低強度背景上的高強度對象而言，優(yōu)選需要最 重要的本征值是負的，λ^<0，否則，優(yōu)選將該點的裂隙度設置為F2 = 0。如果λ^<0，則 優(yōu)選如下計算歸一化的平面度P
λ|-|ΛΙ P =
其對于一個重要本征值λ ^和兩個消末本征值入工和λ2變?yōu)?，如果兩個最重要 特征值相等，其變?yōu)?。那么，再次利用加權項如下計算裂隙度F2 F1 = β~^~μ)1 2σ2ρ加權項描述了這個點處的圖像值I (尤其是灰度)與典型圖像值，尤其是針對裂隙 的、對于與子對象之間的中間區(qū)域相關的特征的灰色值μ對應得有多好，標準偏差為ο。與裂隙的平均Hoimsfield值相關的加權項一 )2 2用于抑制其他平面結構，例 如肺壁。針對每個數(shù)據(jù)集單獨估計裂隙的預期平均Hoimsfield值μ。優(yōu)選使用肺體積的 先前分割來建立肺實質的Hoimsfield直方圖。然后將預期的平均裂隙μ設置成特征平均 實質以上的特定值。例如，在“ Unsupervised extraction of the pulmonary interlobar fissures from high resolution thoracic CT data", International Congress Series, volume 1281, May 2005, pages 1121-1126, CARS 2005, Computer Assisted Radiology and Surgery，Rafael ffiemker,Thomas Bulow,Thomas Blaffert 的 2. 1 至Ij 2. 3 節(jié)中公開了基于 來自結構傳感器的一階導數(shù)或來自Hessian矩陣的二階導數(shù)的增強濾子的更詳細描述，這 部分內容在此通過引用并入本文。盡管已經(jīng)結合肺中的裂隙描述了基于來自結構傳感器的一階導數(shù)或來自Hessian 矩陣的二階導數(shù)的優(yōu)選增強濾子，但在其他實施例中，可以將這種優(yōu)選增強濾子用于增強 與對象圖像中的子對象之間的中間區(qū)域相關的其他平面特征。圖15示意性和示范性示出了通過向對象圖像應用增強濾子而產生的特征圖像 19。在步驟204中，向特征圖像應用閾值濾子，使得在特征圖像中僅顯示出超過給定 閾值的特征元素。在其他實施例中，可以用另一個閾值濾子對特征圖像進行閾值處理，從而 進一步增強與子對象之間的中間區(qū)域相關的特征。在步驟205中，距離單元8對特征圖像執(zhí)行距離變換，其中優(yōu)選執(zhí)行以下步驟-確定特征圖像元素的中間區(qū)域特征圖像元素，其中中間區(qū)域特征圖像元素示出 了與子對象之間的中間區(qū)域相關的特征，-確定用于特征圖像元素的距離值，其中距離值取決于所確定的中間區(qū)域特征圖 像元素和要為其確定距離值的特征圖像元素之間的距離，_用所確定的距離值替代被分配給已被確定距離值的特征圖像元素的特征圖像值。在這一實施例中，用特征圖像之內相應圖像元素的位置與最近的中間區(qū)域特征圖 像元素的距離替換特征圖像的每個特征圖像值，其中具體地，最近的中間區(qū)域特征圖像元 素示出了肺裂隙一部分。圖16中示范性和示意性示出了具有距離值的所得特征圖像。圖 16示出了具有距離值的特征圖像19以及穿過三維對象圖像的截面圖像中模型對象12的圖
在步驟206中，適配單元11利用對象圖像和特征圖像適配對象模型，在本實施例 中對象模型為表面模型對象。利用特征圖像適配對象模型的內表面，即模型子對象面對另 一模型子對象的表面，并利用對象圖像適配對象模型的外表面。具體而言，為了適配，使能 量項最小化或最大化，能量項包括兩個能量，即內部能量和外部能量。內部能量試圖維持對象模型的形狀，外部能量試圖將對象模型的表面分別移動到對象圖像和特征圖像中的對應 特征。外部能量例如是針對網(wǎng)格表面每個三角形的外部能量項之和，外部能量項是從沿 三角形表面法線搜索最強梯度獲得的。用于每個三角形的外部能量是這個梯度值的函數(shù)。 對于裂隙三角形，在特征圖像中進行搜索，其中最佳點優(yōu)選位于最小特征值處，外部能量值 也是這個最小特征值。內部能量優(yōu)選是對于每個頂點的內部能量之和。這個內部頂點能量考慮了包含該 頂點的所有邊緣，并針對每個邊緣計算適配前后的差異。在上文所提到的 C. Lorenz, J. von Berg 的文章"A comprehensive shape model of the heart ",Medical Image Analysis，vol. 10，pp. 657-670，2006 中公開了這種適配過 程的更詳細描述，在此通過引用將該文章并入本文。在圖17和18中的兩個不同截面圖中示意性和示范性示出了經(jīng)適配的模型對象 12 在圖17中，模型對象12在對象圖像18中，在圖18中，模型對象12在特征圖像19中。在這一實施例中，輸入特征圖像以為裂隙表面進行適配，其中利用朝向特征圖像 中的最小值的搜索進行適配。如果裂隙不可見，于是在包括距離值的特征圖像中沒有區(qū)分 出的最小值，則主要由將表面對象模型的表面點保持在相對于其相鄰點的默認相對位置的 項來控制適配。通過這種方式，如果裂隙可見，始終能夠獲得良好的分割，如果裂隙不可見， 則獲得能最佳了解解剖結構的分割。在其他實施例中，可以在步驟201到202之前執(zhí)行步驟203到205?？梢詫⒉襟E 201,202和206組合成分割步驟，可以將步驟203、204和205組合成特征圖像產生步驟， 其中，如果執(zhí)行這種組合，必須要在分割步驟之前執(zhí)行特征圖像產生步驟。在其他實施例 中，特征圖像產生步驟可以是其他步驟的組合，只要特征圖像產生步驟產生示出了與子對 象之間的中間區(qū)域相關的特征的特征圖像即可。例如，對于肺圖像作為對象圖像的情況， 可以視為距離圖的包括距離值的特征圖像也可以是距經(jīng)分割血管的距離倒數(shù)圖(irwersed distance map)，或距離圖和這種距離倒數(shù)圖的組合。此外，在步驟203中，特征增強單元7 可以使用增強與對象圖像中子對象之間的中間區(qū)域相關的特征的任何增強濾子。此外，可 以省略閾值步驟204，在步驟205中距離值的確定也可以省略。由于能更快和/或更精確地報告輻射發(fā)現(xiàn)物，很多診斷過程會受益于所述的肺葉 的分割。范例是考慮到解剖學的肺氣腫或栓塞的自動量化、肺小瘤的定位和支氣管的肺葉 明確(wise)表征。優(yōu)選自動執(zhí)行分割，且分割允許例如進行自動的體積測量，以進行肺氣 腫量化或小瘤檢測。盡管在上述實施例中對象優(yōu)選是包括肺葉的肺，在其他實施例中，對象可以是包 括子對象的任何其他對象，例如包括子對象的技術對象。盡管在上述實施例中對象圖像優(yōu)選是計算機斷層攝影圖像，在其他實施例中，對 象圖像可以是必須要分割的示出了包括子對象的對象的任何其他圖像，例如磁共振圖像、 超聲波圖像、核圖像、熱圖像或光學圖像。通過研究附圖、公開和所附權利要求，本領域技術人員能夠在實踐所要求保護的 本發(fā)明的過程當中理解并實施針對所公開的實施例的其他變型。在權利要求中，“包括” 一詞不排除其他元件或步驟，不定冠詞“一”或“一個”不排除多個元件或步驟。單個單元或裝置可以完成權利要求中列舉的幾項的功能。在互不相同的從屬權利 要求中陳述某些措施不表示不能有利地采用這些措施的組合?？梢杂扇魏纹渌麛?shù)量的單元或裝置執(zhí)行由一個或若干單元或裝置執(zhí)行的確定和 計算，例如增強特征、確定距離值、適配等。例如，可以由單個單元或任意其他數(shù)量的不同單 元執(zhí)行步驟101到106。可以將根據(jù)分割包括子對象的對象的方法的用于分割包括子對象 的對象的設備的計算或確定和/或控制實現(xiàn)為計算機程序的程序代碼模塊和/或專用硬 件?？梢詫⒂嬎銠C程序存儲/分布在適當?shù)慕橘|當中，例如，所述介質可以是光存儲 介質或者與其他硬件一起提供的或者作為其他硬件的部分的固體介質，但是，也可以使所 述計算機程序通過其他形式分布，例如，通過因特網(wǎng)或者其他有線或無線電信系統(tǒng)。權利要求中的任何附圖標記不應被解讀為對范圍的限制。
權利要求
一種用于分割在對象圖像(18)中所示的包括子對象的對象的設備(1)，所述設備包括 用于產生特征圖像(19)的特征圖像產生單元(2)，所述特征圖像示出與所述子對象之間的中間區(qū)域相關的特征， 利用所述對象圖像和所述特征圖像分割所述子對象的分割單元(3)。
2.根據(jù)權利要求1所述的設備，其中，所述特征圖像產生單元(2)適于從所述對象圖像 產生特征圖像。
3.根據(jù)權利要求2所述的設備，其中，所述特征圖像產生單元(2)包括特征增強單元 (7)，所述特征增強單元用于增強與所述對象圖像中的所述子對象之間的中間區(qū)域相關的 特征。
4.根據(jù)權利要求1所述的設備，其中，所述特征圖像產生單元(2)包括用于對所述特征 圖像執(zhí)行距離變換的距離單元(8)，其中，所述特征圖像包括被分配以特征圖像值的特征圖 像元素，其中，根據(jù)以下步驟執(zhí)行所述距離變換-確定所述特征圖像元素的中間區(qū)域特征圖像元素，其中，所述中間區(qū)域特征圖像元素 示出了與所述子對象之間的中間區(qū)域相關的特征，-確定對于特征圖像元素的距離值，其中，所述距離值取決于所確定的中間區(qū)域特征圖 像元素和要為其確定距離值的特征圖像元素之間的距離，-用所確定的距離值替代被分配給已被確定距離值的特征圖像元素的特征圖像值。
5.根據(jù)權利要求1所述的設備，其中，所述分割單元包括-用于提供包括模型子對象(13，14，15，16，17)的模型對象(12)的模型提供單元(9)， -用于在所述對象圖像和所述特征圖像中預定位所述模型對象的預定位單元(10)，以及-用于將所述模型對象適配到所述對象圖像和所述特征圖像中的對象的適配單元 (11)。
6.根據(jù)權利要求5所述的設備，其中，所述適配單元(11)適于使得將模型子對象的面 對另一模型子對象的表面適配到所述特征圖像并且將所述模型對象的不面對模型子對象 的表面適配到所述對象圖像。
7.根據(jù)權利要求5所述的設備，其中-所述模型提供單元(9)適于提供表面對象模型(20)和體對象模型(21)， -所述預定位單元(10)適于確定用于將所述體對象模型(21)配準到所述對象圖像 (18)和所述特征圖像中的至少一個上的變換，并且適于將所確定的變換應用于所述表面對 象模型以對所述表面對象模型進行預定位，并且-所述適配單元(11)適于將所述表面對象模型適配到所述對象圖像和所述特征圖像 中的對象。
8.根據(jù)權利要求7所述的設備，其中，所述體對象模型(21)包括內部結構，且其中，所 述預定位單元(10)適于忽略所述體對象模型的所述內部結構。
9.根據(jù)權利要求5所述的設備，其中，除了所述子對象之外，所述對象還包括元素結 構，其中-所述模型提供單元(9)適于提供所述元素結構的模型(22)，并且-所述預定位單元(10)適于利用所述元素結構的模型和所述模型對象之間的關系通 過將所述元素結構的模型配準到所述對象圖像和所述特征圖像中的至少一個上來配準所 述對象模型，并基于經(jīng)配準的所述元素結構的模型以及所述元素結構的模型和所述模型對 象之間的關系進一步配準所述對象模型。
10.根據(jù)權利要求5所述的設備，其中，所述模型對象包括閉合外表面和至少一個內表 面，所述閉合外表面將所述模型對象與所述模型對象的外部物分開，所述內表面位于所述 模型對象內部，用于將所述模型子對象彼此分開。
11.根據(jù)權利要求5所述的設備，其中，所述模型提供單元(9)適于通過執(zhí)行以下步驟 提供包括所述模型子對象的所述模型對象-提供包括對象圖像元素的若干對象圖像，-分割所述若干對象圖像中的子對象，-將包括經(jīng)分割的子對象的所述若干對象圖像彼此配準，-使經(jīng)配準的所述若干對象圖像中的經(jīng)分割的子對象模糊化，從而使得針對每個經(jīng)分 割的子對象將模糊值分配給經(jīng)配準的所述若干對象圖像的對象圖像元素，其中，對于每個 經(jīng)分割的子對象，將模糊值分配給經(jīng)配準的所述對象圖像的對象圖像元素，其中，所述模糊 值取決于相應經(jīng)配準的對象圖像的對象圖像元素屬于相應經(jīng)分割的子模型的概率，-針對每個經(jīng)分割的子對象對分配給經(jīng)配準的所述若干對象圖像的對應對象圖像元素 的模糊值求平均，從而為所述若干經(jīng)配準的對象圖像的一組對應對象圖像元素產生平均模 糊值，-根據(jù)針對相應經(jīng)分割的子對象為經(jīng)配準的所述若干對象圖像的一組對應對象圖像元 素分配的平均模糊值，向經(jīng)分割的子對象分配該組對應對象圖像元素。
12.—種分割對象圖像(18)中所示的包括子對象的對象的方法，所述方法包括以下步驟-借助于特征圖像產生單元(2)產生特征圖像(19)，所述特征圖像示出與所述子對象 之間的中間區(qū)域相關的特征，-借助于分割單元(3)利用所述對象圖像和所述特征圖像分割所述子對象。
13.一種用于分割對象圖像(18)中所示的包括子對象的對象的計算機程序，所述計算 機程序包括當在計算機上運行所述計算機程序時用于執(zhí)行如權利要求12所述的方法的步 驟的程序代碼模塊。
14.一種包括子對象的對象的模型，其是根據(jù)以下步驟產生的 -提供包括對象圖像元素的若干對象圖像，-分割所述若干對象圖像中的子對象， -將包括經(jīng)分割的子對象的所述若干對象圖像彼此配準，-使經(jīng)配準的所述若干對象圖像中的經(jīng)分割的子對象模糊化，從而針對每個經(jīng)分割的 子對象將模糊值分配給經(jīng)配準的所述若干對象圖像的對象圖像元素，其中，對于每個經(jīng)分 割的子對象，將模糊值分配給經(jīng)配準的所述對象圖像的對象圖像元素，其中，所述模糊值取 決于相應經(jīng)配準的所述對象圖像的對象圖像元素屬于相應經(jīng)分割的子模型的概率，-針對每個經(jīng)分割的子對象對分配給經(jīng)配準的所述若干對象圖像的對應對象圖像元素 的模糊值求平均，從而為經(jīng)配準的所述若干對象圖像的一組對應對象圖像元素產生平均模糊值，_根據(jù)針對相應經(jīng)分割的子對象為經(jīng)配準的所述若干對象圖像的一組對應對象圖像元 素分配的平均模糊值，向經(jīng)分割的子對象分配該組對應的對象圖像元素。
全文摘要
文檔編號G06T17/00GK101952856SQ200980105200
公開日2011年1月19日 申請日期2009年2月6日 優(yōu)先權日2008年2月15日
發(fā)明者Lorenz Cristian, Sebastian P M Dries, Astrid R Franz, Barschdorf Hans, Von Berg Jens, Wiemker Rafael, Renisch Steffen, Blaffert Thomas, Klinder Tobias 申請人:Koninkl Philips Electronics Nv