專利名稱：基于概率分布和連續(xù)最大流的主動(dòng)脈瓣超聲圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像處理技術(shù)領(lǐng)域，尤其是涉及一種基于概率分布和連續(xù)最大流的主動(dòng)脈瓣超聲圖像分割方法。
背景技術(shù)：
醫(yī)學(xué)超聲成像由于其特有的優(yōu)點(diǎn)，如實(shí)時(shí)性、無損傷性、可重復(fù)性、靈敏度高、成本低，而受到廣泛的關(guān)注。在基于醫(yī)學(xué)超聲圖像的主動(dòng)脈瓣的臨床診斷和治療中，根據(jù)病人不同的病理情況，需要提取主動(dòng)脈瓣的信息，其重要的一項(xiàng)手段就是圖像分割。圖像分割結(jié)果的好壞直接影響病變組織結(jié)構(gòu)的定位、定量、定性分析，三維重建等后續(xù)操作以及圖像引導(dǎo)手術(shù)、腫瘤放射治療等所采取治療規(guī)劃的準(zhǔn)確性。但是，由于主動(dòng)脈瓣的醫(yī)學(xué)超聲圖像存在以下特征，使得其分割成為一個(gè)困難棘手的問題1)超聲圖像分辨率、對比度低；2)超聲圖像固有的斑點(diǎn)噪聲的影響；3)超聲圖像回波紋理特性；4)主動(dòng)脈瓣開放和閉合時(shí)造成的三 個(gè)瓣葉的移動(dòng)；5)瓣葉和瓣環(huán)嚴(yán)重鈣化造成的偽影。在傳統(tǒng)的醫(yī)學(xué)圖像分割領(lǐng)域里，基于像素灰度的不連續(xù)性和相似性，其可以分為基于邊緣檢測的分割方法和基于區(qū)域的分割方法。前者在處理超聲圖像獲取邊緣信息時(shí)容易產(chǎn)生間斷或者偽邊緣，不能形成理想的閉合曲線，需要進(jìn)一步處理以獲得目標(biāo)輪廓。后者中基于區(qū)域生長的方法，其分割結(jié)果與種子點(diǎn)的選擇有很大關(guān)系，同時(shí)對噪聲很敏感，容易形成孔狀或不連續(xù)的區(qū)域。近年來，隨著新技術(shù)的發(fā)展，醫(yī)學(xué)超聲圖像也相繼出現(xiàn)了新的方法，如動(dòng)態(tài)規(guī)劃模型、主動(dòng)輪廓模型、水平集方法等。動(dòng)態(tài)規(guī)劃模型是為解決多節(jié)段決策問題最優(yōu)化而提出的。它是將邊緣檢測問題看成一個(gè)優(yōu)化問題，通過求解全局最優(yōu)解獲得最終的分割結(jié)果。但其運(yùn)算量較大，同時(shí)因噪聲影響會產(chǎn)生較多的偽邊緣，從而難以得到較好的結(jié)果。主動(dòng)輪廓模型即snake模型，通過構(gòu)建合適的內(nèi)部能量函數(shù)和外部能量函數(shù)來約束目標(biāo)輪廓線的運(yùn)動(dòng)。其缺點(diǎn)是分割結(jié)果對初始曲線的位置和形狀較為敏感，難以分割凹陷區(qū)域處的目標(biāo)，同時(shí)容易陷入局部最優(yōu)解，而無法獲得理想的目標(biāo)輪廓。水平集方法的核心是把η維曲線描述為(η+1)維的水平集，主要理論基礎(chǔ)是曲線演化理論和零水平集的思想。大部分水平集模型都是通過求解偏微分方程進(jìn)行數(shù)值實(shí)現(xiàn)的，這就造成了一個(gè)計(jì)算量較大的問題，另外難以確定合適的速度函數(shù)。目前，在臨床診斷和治療中，應(yīng)用較為廣泛的分割方法是基于閾值的分割方法和基于醫(yī)生手動(dòng)分割的方法。閾值分割方法原理簡單、操作方便，但是由于上述的超聲圖像中固有的斑點(diǎn)噪聲和紋理特性的影響，其分割結(jié)果十分不佳，難以為臨床治療提供精確有效的指導(dǎo)信息?；卺t(yī)生手動(dòng)分割的方法，由于醫(yī)生具有長期的臨床實(shí)踐經(jīng)驗(yàn)，所分割出來的結(jié)果是可以進(jìn)一步用于臨床診斷治療的，但因其工作量大、耗費(fèi)時(shí)間長，也不具有較好的應(yīng)用價(jià)值
發(fā)明內(nèi)容
本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種穩(wěn)定可靠，且實(shí)現(xiàn)方便，適用于實(shí)際臨床的基于概率分布和連續(xù)最大流的主動(dòng)脈瓣超聲圖像分割方法。本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)一種基于概率分布和連續(xù)最大流的主動(dòng)脈瓣超聲圖像分割方法，其特征在于，包括以下幾個(gè)步驟第一步，采集人體主動(dòng)脈瓣短軸的醫(yī)學(xué)超聲圖像數(shù)據(jù)，選擇一個(gè)連續(xù)完整的心動(dòng)周期，等間隔地提取五幀先驗(yàn)圖像，其中每幀先驗(yàn)圖像會代表一個(gè)心動(dòng)周期內(nèi)的不同相位；第二步，手動(dòng)分割上述五幀先驗(yàn)圖像，并計(jì)算每幀分割結(jié)果的包圍盒，取其中最大的包圍盒為后續(xù)過程使用；第三步，根據(jù)先驗(yàn)圖像分割結(jié)果各自的獨(dú)立中心點(diǎn)，計(jì)算得到先驗(yàn)圖像的一個(gè)綜 合中心點(diǎn)，以像素點(diǎn)的灰度值為橫軸、以像素點(diǎn)與綜合中心點(diǎn)的距離為縱軸，由上述五幀先驗(yàn)圖像的分割結(jié)果構(gòu)建一個(gè)二維灰度-距離直方圖；第四步，由上述二維灰度-距離直方圖計(jì)算獲得綜合概率估計(jì)函數(shù)，即計(jì)算每個(gè)像素點(diǎn)在一定的灰度以及與綜合中心點(diǎn)一定的距離條件下屬于前景的條件概率，擁有高灰度值并且距離綜合中心點(diǎn)較近的像素點(diǎn)屬于前景的概率高，反之，擁有高灰度值但距離綜合中心點(diǎn)較遠(yuǎn)的像素點(diǎn)屬于背景區(qū)域的概率高；第五步，對上述五幀先驗(yàn)圖像，分別計(jì)算其各自單獨(dú)的概率估計(jì)函數(shù)，即計(jì)算每個(gè)像素點(diǎn)在一定的灰度以及與自身獨(dú)立中心點(diǎn)一定的距離條件下屬于前景的條件概率，同樣，擁有高灰度值并且距離綜合中心點(diǎn)較近的像素點(diǎn)屬于前景的概率高，反之，擁有高灰度值但距離綜合中心點(diǎn)較遠(yuǎn)的像素點(diǎn)屬于背景區(qū)域的概率高；第六步，根據(jù)上一步已獲得的單獨(dú)概率估計(jì)函數(shù)，對五幀先驗(yàn)圖像，分別計(jì)算其各自最能代表前景和背景的像素灰度值；第七步，對于當(dāng)前待分割圖像，利用綜合概率估計(jì)函數(shù)求取其獨(dú)立的概率估計(jì)圖，并采用大津算法對概率估計(jì)圖進(jìn)行預(yù)處理，保留前景區(qū)域；第八步，對上述前景區(qū)域和五幀先驗(yàn)圖像的手動(dòng)分割結(jié)果分別進(jìn)行相似度測量，找到先驗(yàn)圖像中與當(dāng)前待分割圖像相似度測量值最高的圖像，記該圖像為Ism ;第九步，根據(jù)Ism在第六步中已經(jīng)獲得的最能代表前景和背景的像素灰度值構(gòu)建能量方程，確立能量方程中的數(shù)據(jù)項(xiàng)和平滑項(xiàng)，采用連續(xù)最大流算法進(jìn)行圖像分割，獲得主動(dòng)脈瓣短軸在一個(gè)心動(dòng)周期內(nèi)所有幀圖像的分割結(jié)果。所述的第四步中的綜合概率估計(jì)函數(shù)為P(x) = P(F(x) I R(x)J(x))=-
Μ 尸(Λ W JW)其中，P(Fi)是像素點(diǎn)屬于前景的概率，P(R，I)是灰度值為I、與綜合中心點(diǎn)距離為R的像素點(diǎn)屬于前景的概率，η是先驗(yàn)圖像的個(gè)數(shù)，此處η = 5，F(xiàn)代表圖像前景區(qū)域。所述的第五步中的單獨(dú)的概率估計(jì)函數(shù)為
. T, P(FnR(x),I(x))Pi(X)=P(FiiX) I R(x)J(x)) = ~
F(KiX)1I(X))其中，i = 1，2，3，4，5，分別代表上述五幀先驗(yàn)圖像。
所述的第六步中的最能代表各先驗(yàn)圖像的前景和背景的像素灰度值4

權(quán)利要求
1.一種基于概率分布和連續(xù)最大流的主動(dòng)脈瓣超聲圖像分割方法，其特征在于，包括以下幾個(gè)步驟 第一步，采集人體主動(dòng)脈瓣短軸的醫(yī)學(xué)超聲圖像數(shù)據(jù)，選擇一個(gè)連續(xù)完整的心動(dòng)周期，等間隔地提取五幀先驗(yàn)圖像，其中每幀先驗(yàn)圖像會代表一個(gè)心動(dòng)周期內(nèi)的不同相位； 第二步，手動(dòng)分割上述五幀先驗(yàn)圖像，并計(jì)算每幀分割結(jié)果的包圍盒，取其中最大的包圍盒為后續(xù)過程使用； 第三步，根據(jù)先驗(yàn)圖像分割結(jié)果各自的獨(dú)立中心點(diǎn)，計(jì)算得到先驗(yàn)圖像的一個(gè)綜合中心點(diǎn)，以像素點(diǎn)的灰度值為橫軸、以像素點(diǎn)與綜合中心點(diǎn)的距離為縱軸，由上述五幀先驗(yàn)圖像的分割結(jié)果構(gòu)建一個(gè)二維灰度-距離直方圖； 第四步，由上述二維灰度-距離直方圖計(jì)算獲得綜合概率估計(jì)函數(shù)，即計(jì)算每個(gè)像素點(diǎn)在一定的灰度以及與綜合中心點(diǎn)一定的距離條件下屬于前景的條件概率，擁有高灰度值并且距離綜合中心點(diǎn)較近的像素點(diǎn)屬于前景的概率高，反之，擁有高灰度值但距離綜合中心點(diǎn)較遠(yuǎn)的像素點(diǎn)屬于背景區(qū)域的概率高； 第五步，對上述五幀先驗(yàn)圖像，分別計(jì)算其各自單獨(dú)的概率估計(jì)函數(shù)，即計(jì)算每個(gè)像素點(diǎn)在一定的灰度以及與自身獨(dú)立中心點(diǎn)一定的距離條件下屬于前景的條件概率，同樣，擁有高灰度值并且距離綜合中心點(diǎn)較近的像素點(diǎn)屬于前景的概率高，反之，擁有高灰度值但距離綜合中心點(diǎn)較遠(yuǎn)的像素點(diǎn)屬于背景區(qū)域的概率高； 第六步，根據(jù)上一步已獲得的單獨(dú)概率估計(jì)函數(shù)，對五幀先驗(yàn)圖像，分別計(jì)算其各自最能代表前景和背景的像素灰度值； 第七步，對于當(dāng)前待分割圖像，利用綜合概率估計(jì)函數(shù)求取其獨(dú)立的概率估計(jì)圖，并采用大津算法對概率估計(jì)圖進(jìn)行預(yù)處理，保留前景區(qū)域； 第八步，對上述前景區(qū)域和五幀先驗(yàn)圖像的手動(dòng)分割結(jié)果分別進(jìn)行相似度測量，找到先驗(yàn)圖像中與當(dāng)前待分割圖像相似度測量值最高的圖像，記該圖像為Ism ; 第九步，根據(jù)Ism在第六步中已經(jīng)獲得的最能代表前景和背景的像素灰度值構(gòu)建能量方程，確立能量方程中的數(shù)據(jù)項(xiàng)和平滑項(xiàng)，采用連續(xù)最大流算法進(jìn)行圖像分割，獲得主動(dòng)脈瓣短軸在一個(gè)心動(dòng)周期內(nèi)所有幀圖像的分割結(jié)果。
2.根據(jù)權(quán)利要求I所述的一種基于概率分布和連續(xù)最大流的主動(dòng)脈瓣超聲圖像分割方法，其特征在于，所述的第四步中的綜合概率估計(jì)函數(shù)為 P(X)=P(F(x)! R(Xim)=- 其中，P(Fi)是像素點(diǎn)屬于前景的概率，P(R，I)是灰度值為I、與綜合中心點(diǎn)距離為R的像素點(diǎn)屬于前景的概率，η是先驗(yàn)圖像的個(gè)數(shù)，此處η = 5，F(xiàn)代表圖像前景區(qū)域。
3.根據(jù)權(quán)利要求2所述的一種基于概率分布和連續(xù)最大流的主動(dòng)脈瓣超聲圖像分割方法，其特征在于，所述的第五步中的單獨(dú)的概率估計(jì)函數(shù)為 其中，i = 1，2，3，4，5，分別代表上述五幀先驗(yàn)圖像。
4.根據(jù)權(quán)利要求I所述的一種基于概率分布和連續(xù)最大流的主動(dòng)脈瓣超聲圖像分割方法，其特征在于，所述的第六步中的最能代表各先驗(yàn)圖像的前景和背景的像素灰度值
5.根據(jù)權(quán)利要求I所述的一種基于概率分布和連續(xù)最大流的主動(dòng)脈瓣超聲圖像分割方法，其特征在于，所述的第八步中的相似度測量SM ρ€Λ 其中，P代表像素點(diǎn)的位置，A代表第二步中所求出的最大包圍盒的區(qū)域，Dp和Ip代表待分割圖像像素點(diǎn)與獨(dú)立中心點(diǎn)的距離和其灰度值，0和<代表先驗(yàn)圖像i中對應(yīng)像素點(diǎn)與獨(dú)立中心點(diǎn)的距離和其灰度值，SMi越大，則相似度越高。
6.根據(jù)權(quán)利要求I所述的一種基于概率分布和連續(xù)最大流的主動(dòng)脈瓣超聲圖像分割方法，其特征在于，所述的第九步中的能量方程為
全文摘要
本發(fā)明涉及一種基于概率分布和連續(xù)最大流的主動(dòng)脈瓣超聲圖像分割方法，包括以下幾個(gè)步驟第一步，采集人體主動(dòng)脈瓣短軸的醫(yī)學(xué)超聲圖像數(shù)據(jù)，等間隔地提取五幀先驗(yàn)圖像；第二步，分割五幀先驗(yàn)圖像；第三步，構(gòu)建二維灰度-距離直方圖；第四步，由二維灰度-距離直方圖計(jì)算獲得綜合概率估計(jì)函數(shù)；第五步，分別計(jì)算其各自單獨(dú)的概率估計(jì)函數(shù)；第六步，對五幀先驗(yàn)圖像，分別計(jì)算其各自最能代表前景和背景的像素灰度值；第七步，對于當(dāng)前待分割圖像，求取其獨(dú)立的概率估計(jì)圖；第八步，對上述前景區(qū)域和五幀先驗(yàn)圖像的手動(dòng)分割結(jié)果分別進(jìn)行相似度測量；第九步，獲得分割結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明具有穩(wěn)定可靠、實(shí)現(xiàn)方便、適用于實(shí)際臨床等優(yōu)點(diǎn)。
文檔編號G06T7/00GK102881021SQ20121041449
公開日2013年1月16日 申請日期2012年10月25日 優(yōu)先權(quán)日2012年10月25日
發(fā)明者顧力栩, 聶媛媛, 羅哲 申請人:上海交通大學(xué)