基于Hough變換與幾何主動輪廓的醫(yī)學(xué)MR圖像分割方法
【技術(shù)領(lǐng)域】：
[0001] 本發(fā)明涉及圖像纂改技術(shù)領(lǐng)域，具體涉及基于Hough變換與幾何主動輪廓的醫(yī)學(xué) MR圖像分割方法。
【背景技術(shù)】：
[0002] 對于左心室心肌的分割，主流方法是基于邊緣驅(qū)動的圖像分割方法。如：參數(shù)主動 輪廓模型（又稱Snake模型），水平集（LevelSet)模型，幾何活動輪廓模型及它們的改進(jìn) 模型。但是MR圖像中常常出現(xiàn)乳突肌干擾及局部梯度極大值區(qū)域、弱邊緣、偽影等現(xiàn)象，給 基于邊緣的圖像分割方法帶來了困難。針對這些現(xiàn)象帶來的問題，許多先驗知識被引入基 于邊緣的圖像分割模型來提高模型的魯棒性。用的較多的是基于先驗知識的形狀約束和區(qū) 域信息，該算法在幾何活動輪廓模型的基礎(chǔ)上，綜合考慮了圖像的邊緣和區(qū)域信息及生理 結(jié)構(gòu)約束，能夠?qū)ψ笮氖业膬?nèi)外輪廓同時進(jìn)行分割。
[0003] 但Paragios的方法也存在一些問題，他們采用GVF(GradientVectorFlow)代替 梯度場引導(dǎo)曲線演化到邊緣，這樣可以擴(kuò)大模型的捕捉范圍。但是對于灰度不均勻的圖像、 有噪聲的圖像，GVF的性能將會受到影響，要么只能得到一個不十分理想的GVF場，要么目 標(biāo)的結(jié)構(gòu)可能被抹平。此時演化曲線將會從弱邊界處進(jìn)入另一區(qū)域，造成邊界泄漏現(xiàn)象或 在區(qū)域內(nèi)部梯度的局部極大值處及孤立的邊緣處停止演化，不能運(yùn)動到真實的邊界。雖然 Paragios的方法加入了通過高斯混合模型擬合直方圖得到的區(qū)域信息，但是這種方法對具 有比較理想的三個峰值圖像擬合效果較好，且用來求解高斯混合模型的EM算法對于初始 的參數(shù)估計有一定的依賴性，可能停滯在某個局部最大值上。此外，Paragios的方法由于添 加的項數(shù)較多，曲線演化式較復(fù)，所以為了保證它的數(shù)值穩(wěn)定性需要特殊的數(shù)值計算方法， 這樣使得數(shù)值計算復(fù)雜度更高。

【發(fā)明內(nèi)容】
：
[0004] 針對上述問題，本發(fā)明要解決的技術(shù)問題是提供一種效果好、分析準(zhǔn)確的基于 Hough變換與幾何主動輪廓的醫(yī)學(xué)MR圖像分割方法。
[0005] 本發(fā)明的一種基于Hough變換與幾何主動輪廓的醫(yī)學(xué)MR圖像分割方法，它包含以 下幾點：
[0006] 1、利用短軸圖像中左心室心肌的內(nèi)外輪廓近似圓形的先驗形狀知識，先用Hough 變換自動定位左心室的初始輪廓，使初始輪廓較準(zhǔn)確地定位于真實輪廓邊緣附近，然后再 在幾何活動輪廓模型的基礎(chǔ)上，利用由K-均值聚類對圖像中的目標(biāo)進(jìn)行粗分割所提供的 區(qū)域信息及心肌的生理結(jié)構(gòu)約束，建立藕合的心肌內(nèi)外輪廓曲線演化方程，對左心室的內(nèi) 外輪廓同時進(jìn)行自動分割；
[0007] 2、K-均值聚類算法
[0008] 聚類就是按一定的相似性度量準(zhǔn)則將數(shù)據(jù)劃分成多組具有同類性質(zhì)的子類，使得 子類內(nèi)部的相似性大于類間的相似性；因此距離或相似性的度量是聚類算法的基礎(chǔ)。
[0009]K-均值聚類屬于無監(jiān)督的學(xué)習(xí)方法，在圖像分割中的應(yīng)用，一般是將圖像中目標(biāo) 按灰度值分成不同的類，或者結(jié)合圖像直方圖來進(jìn)行聚類分割圖像。在圖像像素點的特征 空間中進(jìn)行聚類就是在此空間中發(fā)現(xiàn)特征相似的像素點組。根據(jù)初始聚類中心選擇方法的 不同，樣本分配規(guī)則的不同，質(zhì)心計算方法的不同，停止標(biāo)準(zhǔn)的不同，有多個不同版本的算 法。Κ-均值算法在聚類的初始時，聚類中心一般是隨機(jī)產(chǎn)生的，聚類個數(shù)也是手工設(shè)定的。 對于初始聚類中心的選擇，它會對最終的結(jié)果產(chǎn)生很大的影響，一般有正面幾種方法：（1) 選擇特殊樣本；（2)選擇開始的Κ個樣本；（3)把所有樣本按距離排列，選擇將這些距離差 不多等分的樣本；(4)選擇使得類間距離最大樣本；
[0010] 3、左心室初始內(nèi)外輪廓線的定位
[0011] 它可以根據(jù)近似物體模型的先驗知識，檢測并不知道精確形狀的物體；利用短軸 圖像上左心室心肌的內(nèi)外輪廓類似圓形的先驗形狀知識，采用Hough變換估計左心室內(nèi)外 輪廓；在左心室收縮過程中，當(dāng)左心室的內(nèi)輪廓由于乳突肌的影響不再近似圓形時，會出現(xiàn) 檢測不到左心室內(nèi)輪廓的現(xiàn)象，所以用Hough變換檢測左心室的外輪廓，再利用外輪廓的 圓心結(jié)合由MR成像參數(shù)估計出的內(nèi)輪廓半徑初始左心室輪廓；左心室內(nèi)輪廓邊緣信息和 區(qū)域灰度一致性都比外輪廓要好，所以左心室內(nèi)輪廓的分割對初始輪廓的依賴要小的多。
[0012] Hough變換可以識別部分變形或部分遮擋的物體，但是它的計算量也較大。為了減 少計算的復(fù)雜度，提高算法的準(zhǔn)確度，可以利用長軸線與短軸平面的交點一定在心室內(nèi)部， 且在左心室內(nèi)外輪廓中心點的附近這個先驗知識。
[0013] 本發(fā)明先利用短軸圖像上左心室心肌的內(nèi)外輪廓類似圓形的先驗形狀知識，采用 Hough變換估計左心室的初始輪廓，使初始輪廓較準(zhǔn)確地定位于真實輪廓邊緣附近，然后再 在幾何主動輪廓模型的基礎(chǔ)上，利用K-均值聚類對圖像中的目標(biāo)進(jìn)行粗分割所提供的區(qū) 域信息及心肌的生理結(jié)構(gòu)約束，建立耦合的心肌內(nèi)外輪廓曲線演化方程，對左心室的內(nèi)外 輪廓同時進(jìn)行自動分割算法。
[0014] 使用Hough變換的原因是它的魯棒性強(qiáng)，對數(shù)據(jù)的不完全或噪聲不是非常敏感， 可以識別部分變形或部分遮擋的物體。用這樣的方法估計初始內(nèi)外輪廓，可以使初始輪廓 較準(zhǔn)確地定位于真實輪廓邊緣附近，便于后面的曲線演化收斂到正確輪廓，可以克服初始 輪廓對幾何主動輪廓模型分割結(jié)果的影響。對于左心室內(nèi)外輪廓的分割，單純的基于邊緣 的圖像分割模型往往得不到理想的分割效果，所以許多先驗知識被引入模型來提高模型的 魯棒性。用的較多的是基于先驗知識的形狀約束和目標(biāo)區(qū)域信息，心肌的生理結(jié)構(gòu)約束可 以用來控制左心室內(nèi)外輪廓的相對位置，而區(qū)域信息可以用來給圖像分割提供目標(biāo)類別信 息。
[0015] 使用κ-均值聚類算法是因它作為一種基于平方誤差的聚類方法，算法簡單，聚類 速度快。而MR圖像區(qū)域灰度不一致且直方圖不是按左心室內(nèi)膜以內(nèi)區(qū)域、心肌區(qū)域、背景 區(qū)域形成理想三個峰值分布，因此，使用K-均值算法分類效果要優(yōu)于高斯混合模型。
[0016] 本發(fā)明的有益效果：它有效地分割左心室內(nèi)外輪廓，其他方法的分割結(jié)果則偏離 真實輪廓。而且通過比較還可以看出各個添加項的作用：內(nèi)輪廓區(qū)域信息項；當(dāng)曲線演化 到左心室內(nèi)輪廓內(nèi)部時，曲線將會膨脹；當(dāng)曲線演化到內(nèi)輪廓以外時，曲線將會收縮。該項 所起的作用相當(dāng)于一個自適應(yīng)的氣球力。心肌的生理結(jié)構(gòu)約束項；控制左心室內(nèi)外輪廓演 化曲線的相對位置，起著形狀約束的作用。
【具體實施方式】：
[0017] 本【具體實施方式】采用以下技術(shù)方案：它包含以下幾點：
[0018] 1、利用短軸圖像中左心室心肌的內(nèi)外輪廓近似圓形的先驗形狀知識，先用Hough 變換自動定位左心室的初始輪廓，使初始輪廓較準(zhǔn)確地定位于真實輪廓邊緣附近，然后再 在幾何活動輪廓模型的基礎(chǔ)上，利用由K-均值聚類對圖像中的目標(biāo)進(jìn)行粗分割所提供的 區(qū)域信息及心肌的生理結(jié)構(gòu)約束，建立藕合的心肌內(nèi)外輪廓曲線演化方程，對左心室的內(nèi) 外輪廓同時進(jìn)行自動分割。
[0019] 2、K-均值聚類算法
[0020] 聚類就是按一定的相似性度量準(zhǔn)則將數(shù)據(jù)劃分成多組具有同類性質(zhì)的子類，使得 子類內(nèi)部的相似性大于類間的相似性。因此距離或相似性的度量是聚類算法的基礎(chǔ)。
[0021] K-均值聚類算法是一種最普遍的不斷迭代調(diào)整k個聚類質(zhì)心的算法。它是一種基 于平方誤差的聚類方法，也是聚類算法中非常著名的一個硬聚類算法，該算法簡單，聚類速 度快。與其它聚類算法一樣，K-均值聚類也是一個迭代尋優(yōu)的過程。
[0022] 假設(shè)要將樣本集數(shù)據(jù)X= {Xl，x2, . . .，xN}分成K個類，首先選擇一個K類的初始 劃分，計算這些類的均值向量μ，然后根據(jù)歐氏距離把剩余的每個樣本分配到類均值距離 它最近的一個劃分。
[0023] 重新計算被分配到每個類的樣本的均值向量，作為新的類中心。重復(fù)這一過程直 到均值向量收斂為止。
[0024] Κ-均值聚類算法的中心思想是最小化總的類內(nèi)距離。所有的