基于形狀先驗(yàn)和相似性約束的頸動(dòng)脈內(nèi)外壁自動(dòng)分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及醫(yī)學(xué)圖像分割領(lǐng)域，尤其是一種頸動(dòng)脈內(nèi)外壁分割方法。
【背景技術(shù)】
[0002] 醫(yī)學(xué)圖像分割是一個(gè)根據(jù)區(qū)域內(nèi)的相似性以及區(qū)域間的不同把圖像分割成若干 區(qū)域的過程。而血管圖像分割就是把血管結(jié)構(gòu)從XRA、MRI、CT等醫(yī)學(xué)圖像中"提取"出來。 考慮到血管圖像本身的組織復(fù)雜性，成像模糊，對(duì)比度低等特性，傳統(tǒng)的圖像分割方法并不 適用。
[0003] 目前，血管分割方法主要有基于幾何變形的水平集方法，測(cè)地線活動(dòng)輪廓模型，基 于主動(dòng)輪廓模型的圖割方法等等?，F(xiàn)有的分割方法一般都需要用戶提供背景和前景的種子 點(diǎn)作為先驗(yàn)，不是自動(dòng)分割方法，而且實(shí)現(xiàn)外壁分割的方法較少并且精確度不高。

【發(fā)明內(nèi)容】

[0004] 為了克服已有頸動(dòng)脈分割方法的非自動(dòng)方式、無(wú)法實(shí)現(xiàn)外壁分割、精確度不高的 不足，本發(fā)明提供了一種自動(dòng)方式、有效實(shí)現(xiàn)內(nèi)外壁分割、精確度較高的基于形狀先驗(yàn)和 相似性約束的頸動(dòng)脈內(nèi)外壁自動(dòng)分割方法。
[0005] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0006] -種基于形狀先驗(yàn)和相似性約束的頸動(dòng)脈內(nèi)外壁自動(dòng)分割方法，所述分割方法包 括如下步驟：
[0007] 1)通過SVM(Support Vector Machine，支持向量機(jī)）方法檢測(cè)頸動(dòng)脈內(nèi)腔，得到 內(nèi)腔所在區(qū)域，記為Stl區(qū)域；
[0008] 2)使用各向異性的分割方法分割內(nèi)壁，過程如下：
[0009] 把步驟1)檢測(cè)得到的Stl區(qū)域作為分割內(nèi)壁的先驗(yàn)；
[0010] 首先，在Stl區(qū)域內(nèi)提取前景種子，在Stl區(qū)域外ROI (Region of Interest，感興趣區(qū) 域）內(nèi)提取背景種子；計(jì)算Stl的最小直徑dmin，然后用直徑為l/2d min的菱形形狀腐蝕S ^直 到收縮至琿，S|區(qū)域里面的像素點(diǎn)被用作前景種子；使用同樣的形狀因子把Stl膨脹至1J， 把在Si區(qū)域外但在ROI內(nèi)的像素點(diǎn)作為背景種子；
[0011] 接下來，把前景和背景種子的灰度值作為特征來構(gòu)建高斯混合模型，分別對(duì)應(yīng) 和，通過下面的后驗(yàn)概率公式來計(jì)算：
【主權(quán)項(xiàng)】
1. 一種基于形狀先驗(yàn)和相似性約束的頸動(dòng)脈內(nèi)外壁自動(dòng)分割方法，其特征在于：所述 分割方法包括如下步驟： 1) 通過SVM方法檢測(cè)頸動(dòng)脈內(nèi)腔，內(nèi)腔所在區(qū)域，記為Stl區(qū)域； 2) 使用各向異性的分割方法分割內(nèi)壁，過程如下： 把步驟1)檢測(cè)得到的Stl區(qū)域作為分割內(nèi)壁的先驗(yàn)； 首先，在Stl區(qū)域內(nèi)提取前景種子，在S ^區(qū)域外ROI區(qū)域內(nèi)提取背景種子；計(jì)算S ^的最 小直徑dmin，然后用直徑為1/2屯"的菱形形狀腐蝕S ^直到收縮至Sg，S|區(qū)域里面的像素點(diǎn) 被用作前景種子；使用同樣的形狀因子把Stl膨脹至Sf，把在Sf區(qū)域外但在ROI內(nèi)的像素點(diǎn) 作為背景種子； 接下來，把前景和背景種子的灰度值作為特征來構(gòu)建高斯混合模型，分別對(duì)應(yīng)Gff和 Gg5，通過下面的后驗(yàn)概率公式來計(jì)算：
Plib (yP= b I C) = I-P LIB (yp= f I C) (3) 其中，fp表示像素 P的特征向量；P UB (yp= f I C)和P UB (yp= f I C)分別表示像素 P屬 于前景和背景的后驗(yàn)概率； 接著，使用各向異性的分割算法來分割內(nèi)壁，能量函數(shù)如下： Elib (Υ I C)= Σ p e yDLIB (yp) + Σ (ρ, q) e N^LIB (yp^ yq) + Σ (P, q) e NSLIB (yp, yq) (4) 其中，DUB(yp)是數(shù)據(jù)項(xiàng)被定義為DUB(yp) = -logPUB(yp|C)，VUB(yp，y q)是平滑項(xiàng)被定 義為Vub (yp，y) = exp (-(Ip-Iq) 2/2 σ 2) ; (p，q) e N表不像素 p和q是在一個(gè)鄰域內(nèi)，最后 Slib(V yq)是一個(gè)約束項(xiàng)保中心點(diǎn)C到像素 p的路徑上的點(diǎn)q和p擁有同樣的標(biāo)簽，表示 為：
其中，像素 P和q屬于不同的鄰域M，q是P和中心點(diǎn)集的最近測(cè)地距離的路徑上的相 鄰像素； 最后，最小化能量函數(shù)（4)，得到精確的內(nèi)壁分割結(jié)果； 3) 在分割內(nèi)壁的基礎(chǔ)上，結(jié)合外壁的特征學(xué)習(xí)回歸模型，估算外壁大致位置，并構(gòu)造概 率模型； 首先，學(xué)習(xí)一個(gè)回歸模型，將內(nèi)壁的最大直徑，平均直徑、最小直徑和內(nèi)壁輪 廓的力矩作為回歸模型的特征，第（u+v)個(gè)力矩的計(jì)算公式為
- ，其中，i和j分別表示內(nèi)壁輪廓中的某個(gè)像素的行和列；通過這個(gè) 回歸模型估計(jì)頸動(dòng)脈管壁的最大最小厚度，回歸模型用如下公式表示：
F是特征向I
t = [tmax，tmin]和W是從訓(xùn)練樣本 中得到的參數(shù)集，tmax是測(cè)量得到的最大管壁厚度，同理，tmin是測(cè)量得到的最小管壁厚度， 0(f):是S曲線函數(shù)； 通過回歸模型估算出最大和最小外壁輪廓后，分別用β:?表示，構(gòu)造前景和背 景兩個(gè)高斯混合模型；介于'Jif (內(nèi)壁）和之間的像素被看作是前景，在之外和 flf的像素被看作是背景；此外，還構(gòu)造了對(duì)應(yīng)訓(xùn)練樣本的高斯混合模型，結(jié)合兩部分的高 斯混合模型，通過以下公式計(jì)算一個(gè)像素點(diǎn)P屬于前景還是背景的概率：
? e {1，2}，分別表示第i部分的前景和背景高斯混合模型， i e {1，2}，分別表示第i部分高斯混合模型對(duì)應(yīng)的前景或背景 概率，α表示第一部分所占的權(quán)重，通過公式（7)(8)計(jì)算得到的概率的負(fù)的對(duì)數(shù)即數(shù)據(jù) 項(xiàng)； 4)使用相似性約束算法分割外壁，過程如下； 以分割得到的內(nèi)壁C1為基礎(chǔ)，以每次一個(gè)像素的頻率逐漸往外擴(kuò)張；當(dāng)?shù)趇次擴(kuò)張時(shí)， 如果Ci曲線上的像素點(diǎn)都被標(biāo)記為前景，那么之前擴(kuò)展的曲線C ^到C η的輪廓都看作是前 景； 對(duì)于第i次曲線上像素 P，計(jì)算P的8鄰域內(nèi)的點(diǎn)與C1的距離，并分為兩種情況，第一 種情況：鄰域點(diǎn)與C1的距離不大于p到C i的距離，第二種情況：鄰域點(diǎn)與C i的距離大于p 到(^的距離；把符合第一種情況的鄰域點(diǎn)標(biāo)為前景區(qū)域，所以，如果當(dāng)前曲線上某一點(diǎn)屬于 前景，那么整個(gè)曲線也屬于前景； 相似性約束算法采用以下公式定義：
其中，d，d ,表示像素 p和q到C啲距離，d ,是指像素 q和C i所有點(diǎn)的最小歐氏距 離； 得到的Sab和常規(guī)平滑項(xiàng)Vab，還有步驟3)中的得到的數(shù)據(jù)項(xiàng)Dab共同構(gòu)成能量函數(shù)，能 量函數(shù)最小時(shí)就得到了外壁的分割結(jié)果。
2.如權(quán)利要求1所述的一種基于形狀先驗(yàn)和相似性約束的頸動(dòng)脈內(nèi)外壁自動(dòng)分割方 法，其特征在于：所述步驟1)中，得到內(nèi)腔所在位置的過程如下： 首先統(tǒng)計(jì)每一個(gè)頸動(dòng)脈訓(xùn)練樣本的內(nèi)腔位置，接著，采用兩個(gè)涵蓋內(nèi)腔區(qū)域的矩形框 作為ROI，其中一個(gè)表不左頸動(dòng)脈內(nèi)腔，另外一個(gè)表不右頸動(dòng)脈內(nèi)腔；分割內(nèi)壁時(shí)，首先通 過學(xué)習(xí)到的ROI來分割內(nèi)壁，接著下一序列的ROI區(qū)域由上一幅相鄰圖像的分割結(jié)果確 定； 對(duì)于給定的上一幀的分割結(jié)果內(nèi)壁Λ丨和外壁Uf，新的ROI 0i+1由Λ丨的中心和啲長(zhǎng) 和寬決定：
其中，Tl e [1，L 5]是一個(gè)放大系數(shù)； 對(duì)于ROI，首先使用OTSU最大類間方差法對(duì)它二值化，所有連續(xù)的0值對(duì)應(yīng)的區(qū)域被看 作內(nèi)腔；接著，使用HoG特征訓(xùn)練一個(gè)兩類的SVM分類器來辨別真的內(nèi)腔；訓(xùn)練分類器時(shí)， 把醫(yī)生標(biāo)定的內(nèi)腔對(duì)應(yīng)的最小外接矩形作為正樣本，在分類時(shí)，采用形態(tài)學(xué)操作，當(dāng)某塊連 通區(qū)域被分類器視為內(nèi)腔時(shí)，這塊區(qū)域肯定含有內(nèi)腔，并記為S tl區(qū)域。
【專利摘要】一種基于形狀先驗(yàn)和相似性約束的頸動(dòng)脈內(nèi)外壁自動(dòng)分割方法，所述分割方法包括如下步驟：1)通過SVM方法檢測(cè)頸動(dòng)脈內(nèi)腔，得到內(nèi)腔所在位置；2)使用各向異性的分割方法分割內(nèi)壁；3)在分割內(nèi)壁的基礎(chǔ)上，結(jié)合外壁的特征學(xué)習(xí)回歸模型，估算外壁大致位置，并構(gòu)造概率模型；4)使用相似性約束算法分割外壁。本發(fā)明提供了一種自動(dòng)方式、有效實(shí)現(xiàn)內(nèi)外壁分割、精確度較高的基于形狀先驗(yàn)和相似性約束的頸動(dòng)脈內(nèi)外壁自動(dòng)分割方法。
【IPC分類】G06T7-00, G06K9-66
【公開號(hào)】CN104680529
【申請(qǐng)?zhí)枴緾N201510088158
【發(fā)明人】張劍華, 何俊麗, 陳磊, 汪曉妍, 滕忠照, 管秋, 陳勝勇
【申請(qǐng)人】浙江工業(yè)大學(xué)
【公開日】2015年6月3日
【申請(qǐng)日】2015年2月26日