亚洲狠狠干,亚洲国产福利精品一区二区,国产八区,激情文学亚洲色图

基于自動(dòng)上下文模型的ct圖像肝臟分割方法及系統(tǒng)的制作方法

文檔序號(hào):10595067閱讀:200來(lái)源:國(guó)知局
基于自動(dòng)上下文模型的ct圖像肝臟分割方法及系統(tǒng)的制作方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)一種基于自動(dòng)上下文模型的CT圖像肝臟分割方法及系統(tǒng),能有效提高CT圖像中肝臟的分割精度。所述方法包括:讀取訓(xùn)練圖像集和待分割圖像;提取所述圖像中每一像素的紋理特征;利用分類(lèi)器對(duì)待分割圖像每個(gè)像素的特征進(jìn)行分類(lèi),得到初始肝臟概率圖;提取所述圖像中每一像素的上下文特征;將上下文特征與紋理特征結(jié)合,通過(guò)迭代學(xué)習(xí)一系列的分類(lèi)器直至收斂,獲得肝臟概率圖;以肝臟概率圖為先驗(yàn)信息,作為先驗(yàn)約束條件,加入隨機(jī)游走的目標(biāo)函數(shù)中,獲得基于上下文約束的隨機(jī)游走模型,實(shí)現(xiàn)肝臟的分割;在所述待分割圖像的二維切片上逐層實(shí)現(xiàn)三維CT圖像的肝臟分割,實(shí)現(xiàn)肝臟邊界不連續(xù)區(qū)域的插值與補(bǔ)全,從而得到平滑連續(xù)的肝臟表面。
【專(zhuān)利說(shuō)明】
基于自動(dòng)上下文模型的CT圖像肝贓分割方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域,具體設(shè)及一種基于自動(dòng)上下文模型的CT圖像肝臟 分割方法及系統(tǒng)。
【背景技術(shù)】
[0002] 醫(yī)學(xué)圖像分割輔助醫(yī)生識(shí)別病人的內(nèi)部組織器官及病灶區(qū)域,在計(jì)算機(jī)輔助治療 及手術(shù)規(guī)劃中發(fā)揮至關(guān)重要的作用。所W,肝臟的自動(dòng)分割是醫(yī)生診治如肝硬化、肝臟腫 瘤、肝移植等肝臟疾病的基礎(chǔ)。在腹部CT圖像中,肝臟與鄰近器官的灰度值差異較小,肝臟 本身灰度不均勻且其形狀各異,自動(dòng)、精確的分割出肝臟難度較大。所W,臨床醫(yī)生迫切需 要一種簡(jiǎn)單、快速、準(zhǔn)確的肝臟分割方法。
[0003] 現(xiàn)有的隨機(jī)游走分割方法具有快速簡(jiǎn)單等優(yōu)點(diǎn),但它對(duì)CT圖像中對(duì)比度低的區(qū)域 分割效果較差,特別是肝臟與大血管、胃等鄰近器官的連接處,單純地依賴(lài)灰度值難W有效 地實(shí)現(xiàn)肝臟的分割。

【發(fā)明內(nèi)容】

[0004] 有鑒于此,本發(fā)明實(shí)施例提供一種基于自動(dòng)上下文模型的CT圖像肝臟分割方法及 系統(tǒng),能夠有效提高CT圖像中肝臟的分割精度。
[0005] -方面,本發(fā)明實(shí)施例提出一種基于自動(dòng)上下文模型的CT圖像肝臟分割方法,包 括:
[0006] S101、讀取訓(xùn)練圖像集和待分割圖像,其中,所述訓(xùn)練圖像集中的訓(xùn)練圖像和待分 割圖像為肝臟的CT圖像;
[0007] S102、提取所述訓(xùn)練圖像和待分割圖像中每一像素的紋理特征;
[000引S103、利用分類(lèi)器對(duì)待分割圖像每個(gè)像素的特征進(jìn)行分類(lèi),得到初始肝臟概率圖;
[0009] S104、提取所述訓(xùn)練圖像和待分割圖像中每一像素的上下文特征;
[0010] S105、將上下文特征與紋理特征結(jié)合,再次學(xué)習(xí)獲得新的分類(lèi)器,再次得到肝臟概 率圖,再次提取所述訓(xùn)練圖像和待分割圖像中每一像素的上下文特征,重復(fù)上述算法,學(xué)習(xí) 一系列的分類(lèi)器直至收斂,得到像素點(diǎn)屬于肝臟區(qū)域的概率,進(jìn)而獲得肝臟概率圖;
[0011] S106、W肝臟概率圖為先驗(yàn)信息,作為先驗(yàn)約束條件,加入隨機(jī)游走的目標(biāo)函數(shù) 中,獲得基于上下文約束的隨機(jī)游走模型,實(shí)現(xiàn)肝臟的分割;
[0012] S107、在所述待分割圖像的二維切片上逐層實(shí)現(xiàn)S維CT圖像的肝臟分割,實(shí)現(xiàn)肝 臟邊界不連續(xù)區(qū)域的插值與補(bǔ)全,從而得到平滑連續(xù)的肝臟表面。
[0013] 另一方面,本發(fā)明實(shí)施例提出一種基于自動(dòng)上下文模型的CT圖像肝臟分割系統(tǒng), 包括:
[0014] 讀取模塊,用于讀取訓(xùn)練圖像集和待分割圖像,其中,所述訓(xùn)練圖像集中的訓(xùn)練圖 像和待分割圖像為肝臟的CT圖像;
[0015] 第一提取模塊,用于提取所述訓(xùn)練圖像和待分割圖像中每一像素的紋理特征;
[0016] 分類(lèi)模塊,用于利用分類(lèi)器對(duì)待分割圖像每個(gè)像素的特征進(jìn)行分類(lèi),得到初始肝 臟概率圖;
[0017] 第二提取模塊,用于提取所述訓(xùn)練圖像和待分割圖像中每一像素的上下文特征;
[0018] 迭代模塊,用于將上下文特征與紋理特征結(jié)合,再次學(xué)習(xí)獲得新的分類(lèi)器,再次得 到肝臟概率圖,再次提取所述訓(xùn)練圖像和待分割圖像中每一像素的上下文特征,重復(fù)上述 算法,學(xué)習(xí)一系列的分類(lèi)器直至收斂,得到像素點(diǎn)屬于肝臟區(qū)域的概率,進(jìn)而獲得肝臟概率 圖;
[0019] 分割模塊,用于W肝臟概率圖為先驗(yàn)信息,作為先驗(yàn)約束條件,加入隨機(jī)游走的目 標(biāo)函數(shù)中,獲得基于上下文約束的隨機(jī)游走模型,實(shí)現(xiàn)肝臟的分割;
[0020] 填充模塊,用于在所述待分割圖像的二維切片上逐層實(shí)現(xiàn)S維CT圖像的肝臟分 害d,實(shí)現(xiàn)肝臟邊界不連續(xù)區(qū)域的插值與補(bǔ)全,從而得到平滑連續(xù)的肝臟表面。
[0021] 本發(fā)明實(shí)施例提供的基于自動(dòng)上下文模型的CT圖像肝臟分割方法及系統(tǒng),在紋理 特征分類(lèi)的基礎(chǔ)上,利用上下文信息作為新的特征并迭代分類(lèi),獲得肝臟的先驗(yàn)?zāi)P?,利?此模型作為先驗(yàn)約束,改進(jìn)隨機(jī)游走算法的能量函數(shù),獲得最終的肝臟分割結(jié)果,本發(fā)明對(duì) 灰度對(duì)比度不明顯的區(qū)域,分割結(jié)果有較大的改善,有效地提高了 CT圖像中肝臟的分割精 度。
【附圖說(shuō)明】
[0022] 圖1為本發(fā)明基于自動(dòng)上下文模型的CT圖像肝臟分割方法一實(shí)施例的流程示意 圖;
[0023] 圖2為本發(fā)明基于自動(dòng)上下文模型的CT圖像肝臟分割系統(tǒng)一實(shí)施例的結(jié)構(gòu)示意 圖。
【具體實(shí)施方式】
[0024] 為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚,下面將結(jié)合本發(fā)明實(shí)施例 中的附圖,對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚地描述,顯然,所描述的實(shí)施例是本發(fā)明 一部分實(shí)施例,而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒(méi)有 做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例,都屬于本發(fā)明保護(hù)的范圍。
[0025] 如圖1所示,本實(shí)施例公開(kāi)一種基于自動(dòng)上下文模型的CT圖像肝臟分割方法,包 括:
[0026] S101、讀取訓(xùn)練圖像集和待分割圖像,其中,所述訓(xùn)練圖像集中的訓(xùn)練圖像和待分 割圖像為肝臟的CT圖像;
[0027] S102、提取所述訓(xùn)練圖像和待分割圖像中每一像素的紋理特征;
[0028] S103、利用分類(lèi)器對(duì)待分割圖像每個(gè)像素的特征進(jìn)行分類(lèi),得到初始肝臟概率圖;
[0029] S104、提取所述訓(xùn)練圖像和待分割圖像中每一像素的上下文特征;
[0030] S105、將上下文特征與紋理特征結(jié)合,再次學(xué)習(xí)獲得新的分類(lèi)器,再次得到肝臟概 率圖,再次提取所述訓(xùn)練圖像和待分割圖像中每一像素的上下文特征,重復(fù)上述算法,學(xué)習(xí) 一系列的分類(lèi)器直至收斂,得到像素點(diǎn)屬于肝臟區(qū)域的概率,進(jìn)而獲得肝臟概率圖;
[0031] S106、W肝臟概率圖為先驗(yàn)信息,作為先驗(yàn)約束條件,加入隨機(jī)游走的目標(biāo)函數(shù) 中,獲得基于上下文約束的隨機(jī)游走模型,實(shí)現(xiàn)肝臟的分割;
[0032] S107、在所述待分割圖像的二維切片上逐層實(shí)現(xiàn)S維CT圖像的肝臟分割,實(shí)現(xiàn)肝 臟邊界不連續(xù)區(qū)域的插值與補(bǔ)全,從而得到平滑連續(xù)的肝臟表面。
[0033] 本實(shí)施例提供的基于自動(dòng)上下文模型的CT圖像肝臟分割方法,在紋理特征分類(lèi)的 基礎(chǔ)上,利用上下文信息作為新的特征并迭代分類(lèi),獲得肝臟的先驗(yàn)?zāi)P停么四P妥鳛?先驗(yàn)約束,改進(jìn)隨機(jī)游走算法的能量函數(shù),獲得最終的肝臟分割結(jié)果,本發(fā)明對(duì)灰度對(duì)比度 不明顯的區(qū)域,分割結(jié)果有較大的改善,有效地提高了 CT圖像中肝臟的分割精度。
[0034] 可選地,在本發(fā)明基于自動(dòng)上下文模型的CT圖像肝臟分割方法的另一實(shí)施例中, 所述S102提取的紋理特征可W為化ar特征、局部二進(jìn)制模式特征、方向梯度直方圖特征或 者共生矩陣特征,且不限于上述四種特征。
[0035] 可選地,在本發(fā)明基于自動(dòng)上下文模型的CT圖像肝臟分割方法的另一實(shí)施例中, 所述S103中分類(lèi)器為支持向量機(jī)作為弱分類(lèi)器的AdaBoost分類(lèi)器、支持向量機(jī)分類(lèi)器、決 策樹(shù)分類(lèi)器、人工神經(jīng)網(wǎng)絡(luò)分類(lèi)器、樸素貝葉斯分類(lèi)器或者隨機(jī)森林分類(lèi)器。
[0036] 可選地,在本發(fā)明基于自動(dòng)上下文模型的CT圖像肝臟分割方法的另一實(shí)施例中, 所述S103具體為:
[0037] 定義訓(xùn)練圖像集為Vi,i = 1,2…n,其對(duì)應(yīng)的分割金標(biāo)準(zhǔn)圖像為Vsi,i = 1,2…n,在 訓(xùn)練圖像集中選取訓(xùn)練樣本點(diǎn)集,提取點(diǎn)集的紋理特征,則訓(xùn)練點(diǎn)集信息可表示為:
[003引 s0={(yt,^(Nt)),t=l,2...T},
[0039] 其中,Nt是W索引為t的像素點(diǎn)為中屯、的鄰域圖像塊,戶(hù)(NO表示索引為t的像素點(diǎn) 鄰域的紋理特征,yt是索引為t的像素點(diǎn)對(duì)應(yīng)的類(lèi)別標(biāo)記,T為索引總數(shù),利用AdaBoost算法 獲得基于紋理特征分類(lèi)的肝臟分類(lèi)器,則對(duì)于待分割圖像Vu中的像素點(diǎn)X,提取其紋理特征 /j:并分類(lèi),獲得對(duì)應(yīng)分類(lèi)映射的初始肝臟后驗(yàn)概率/7^^:
[0040]
[0041] 其中,y為像素點(diǎn)X對(duì)應(yīng)的類(lèi)別標(biāo)記,y = 1表示像素點(diǎn)屬于肝臟,公,(>' =1 |種為像素 點(diǎn)X屬于肝臟的后驗(yàn)概率,冊(cè)是在紋理特征空間內(nèi)學(xué)習(xí)得到的分類(lèi)器,對(duì)于待分割圖像,同 樣可W獲得此分類(lèi)模型對(duì)各個(gè)像素點(diǎn)分類(lèi)映射的初始肝臟后驗(yàn)概率。
[0042] 可選地,在本發(fā)明基于自動(dòng)上下文模型的CT圖像肝臟分割方法的另一實(shí)施例中, 所述S104基于當(dāng)前的分類(lèi)結(jié)果,對(duì)于像素點(diǎn),W它為中屯、,向外引出若干條等角度間隔的射 線(xiàn),在運(yùn)些射線(xiàn)上進(jìn)行稀疏地采樣,得到相應(yīng)位置的分類(lèi)概率作為上下文特征,在索引為t 的像素點(diǎn)所在的CT圖像切片對(duì)應(yīng)的分類(lèi)結(jié)果圖上,從該像素點(diǎn)出發(fā),間隔45°向外引出第一 數(shù)量條射線(xiàn),在每條射線(xiàn)上等間隔地采樣上下文位置并把該位置上的分類(lèi)概率作為索引為 t的像素點(diǎn)上下文特征護(hù)(t):
[0043]
[0044] 其中,tm表示在索引為t的像素點(diǎn)周?chē)趍個(gè)上下文位置對(duì)應(yīng)的像素點(diǎn)的索引,巧 是索引為U的像素點(diǎn)基于紋理特征分類(lèi)的肝臟后驗(yàn)概率值,對(duì)于待分割圖像中的像素點(diǎn), 可用同樣的方法獲得其上下文特征。
[0045] 可選地,在本發(fā)明基于自動(dòng)上下文模型的CT圖像肝臟分割方法的另一實(shí)施例中, 所述第一數(shù)量為8。
[0046] 可選地,在本發(fā)明基于自動(dòng)上下文模型的CT圖像肝臟分割方法的另一實(shí)施例中, 所述S105具體為:綜合圖像的紋理特征和上下文特征,構(gòu)造新的訓(xùn)練點(diǎn)集,其信息可表示 為:
[0047] Si={(yt,(f〇(Nt),P〇(t))),t = l...T},
[004引其中,戶(hù)(1^0和口<^(0分別表示索引為*的像素點(diǎn)的紋理特征和基于分類(lèi)映射所提 取的上下文特征,基于訓(xùn)練圖像組合的新特征,再次利用AdaBoost算法學(xué)習(xí)獲得新的分類(lèi) 器,并重復(fù)上述算法,將圖像的紋理特征與上下文信息進(jìn)行整合,學(xué)習(xí)一系列的分類(lèi)器直至 收斂,
[0049]對(duì)于待分割圖像Vu中的像素點(diǎn)X,經(jīng)過(guò)q次分類(lèi)器迭代學(xué)習(xí)得到的像素點(diǎn)屬于肝臟 區(qū)域的概率巧石:
[(K)加]
[0化1 ]具甲,化LV = i I
.叫刃分巧器巧代學(xué)習(xí)得到的像素點(diǎn)X屬于肝臟區(qū)域的后驗(yàn)概率,q 為收斂時(shí)分類(lèi)器迭代次數(shù),Hq是基于紋理特征和上下文特征組合空間內(nèi)學(xué)習(xí)得到的第q個(gè) 分類(lèi)器,滿(mǎn)表示待分割圖像Vu中的像素點(diǎn)X紋理特征和基于第q-1次分類(lèi)映射獲得的上下文 特征的組合,可得到待分割圖像肝臟概率圖。
[0052]可選地,在本發(fā)明基于自動(dòng)上下文模型的CT圖像肝臟分割方法的另一實(shí)施例中, 所述S106具體為:對(duì)于待分割圖像Vu,將其轉(zhuǎn)化為無(wú)向圖G=(V,E),結(jié)點(diǎn)集V={vi,V2...vn} U U〇,h},Vi表示索引為i的像素點(diǎn)對(duì)應(yīng)的圖節(jié)點(diǎn),N為結(jié)點(diǎn)的總數(shù),Io和h分別表示非肝臟 區(qū)域和肝臟區(qū)域的端節(jié)點(diǎn);邊集E由ET-Iink和EN-Iink構(gòu)成,其中ET-Iink為兩個(gè)端節(jié)點(diǎn)l〇、h與像 素節(jié)點(diǎn)Vi間的邊集,其邊的權(quán)值分別為:
[0化3]
[0化4]其中,為是端節(jié)點(diǎn)h與像素點(diǎn)Vi的邊權(quán)值,其值是經(jīng)過(guò)上下文模型q次迭代得到的 索引為i的像素點(diǎn)屬于肝臟區(qū)域的概率值妃.;同樣的,份f是端節(jié)點(diǎn)Io與像素點(diǎn)Vi的邊權(quán)值, 其值是索引為i的像素點(diǎn)非屬于肝臟區(qū)域的概率值,W此代表圖像中像素點(diǎn)的先驗(yàn)信息, EN-Iink表示相鄰像素點(diǎn)間的連接關(guān)系,其權(quán)值Wv由像素點(diǎn)在待分割圖像中的灰度值決定, 同時(shí),對(duì)于屬于肝臟區(qū)域的概率值為1的像素點(diǎn),標(biāo)記為肝臟區(qū)域的種子點(diǎn);概率值為0的像 素點(diǎn)則標(biāo)記為非肝臟區(qū)域的種子點(diǎn),
[0055]基于上述圖模型,利用已標(biāo)記的種子點(diǎn),建立新的帶先驗(yàn)約束的目標(biāo)函數(shù)使其最 ?。?br>[0化6]
[0057]其中,每,。。。/為帶先驗(yàn)約束的目標(biāo)函數(shù),Gi康示連接索引為i的像素點(diǎn)和連接索引 為i的像素點(diǎn)的邊,上式第一項(xiàng)表示原始的隨機(jī)游走目標(biāo)函數(shù),第二項(xiàng)為基 于上下文模型的先驗(yàn)約束項(xiàng),丫為調(diào)整參數(shù),《是圖像中索引為i的像素點(diǎn)屬于類(lèi)別S的概 率,S = { O,1 },分別表示肝臟類(lèi)別和非肝臟類(lèi)別,將上式用矩陣表示,可得:
[0化引

[0059] 其中,xs為圖像結(jié)點(diǎn)集中各個(gè)像素點(diǎn)屬于不同類(lèi)別的概率,矩陣L是待分割圖像的 拉普拉斯矩陣,A S是對(duì)角線(xiàn)上第i行的值為卸的對(duì)角陣,為求解上式,將無(wú)向圖的結(jié)點(diǎn)集V 中所有頂點(diǎn)劃分為種子節(jié)點(diǎn)集Vm(標(biāo)記點(diǎn)集)和未標(biāo)記點(diǎn)集Vu兩個(gè)子集,對(duì)上式進(jìn)行分解并 求關(guān)于XU的微分,可得:
[0060]
[0061] 其中,Lu為未標(biāo)記點(diǎn)集的拉普拉斯矩陣,墻為未標(biāo)記點(diǎn)的屬于類(lèi)別S的概率值,Af, 為未標(biāo)記點(diǎn)集對(duì)角線(xiàn)上第i行的值為鴻的對(duì)角陣,為未標(biāo)記點(diǎn)集對(duì)角線(xiàn)上第i行的值為 卻的對(duì)角陣,可由Al數(shù)學(xué)推導(dǎo)得到,B為矩陣,表示標(biāo)記像素點(diǎn)第一次到達(dá)類(lèi)別S種子點(diǎn) 的概率值,即若索引為i的像素點(diǎn)自身為類(lèi)另Ijs種子點(diǎn),則為=U否則,-Y,.' =0,
[0062] 基于上述含I Vu I個(gè)未知數(shù)的對(duì)稱(chēng)正定線(xiàn)性方程組求解出非標(biāo)記點(diǎn)到兩類(lèi)種子點(diǎn) 的概率值大小,W最大轉(zhuǎn)移概率max、(<)為準(zhǔn)則判斷索引為i的像素點(diǎn)的類(lèi)別label(i), 即:
[0063]
[0064] 上式表示當(dāng)求得非標(biāo)記點(diǎn)到達(dá)肝臟種子點(diǎn)的概率大于或者等于到達(dá)非肝臟種子 點(diǎn)的概率時(shí),該非標(biāo)記點(diǎn)屬于肝臟區(qū)域,從而實(shí)現(xiàn)圖像中肝臟區(qū)域的最終分割。
[0065] 可選地,在本發(fā)明基于自動(dòng)上下文模型的CT圖像肝臟分割方法的另一實(shí)施例中, 所述S107具體為:提出的算法是在圖像的二維切片上逐層實(shí)現(xiàn)S維CT圖像的肝臟分割,獲 得的肝臟邊界上會(huì)出現(xiàn)邊界不連續(xù)甚至是邊界重疊的現(xiàn)象,本發(fā)明實(shí)現(xiàn)肝臟邊界不連續(xù)區(qū) 域的插值與補(bǔ)全,從而得到平滑連續(xù)的肝臟表面,具體計(jì)算過(guò)程如下:
[0066] 輸入肝臟分割的結(jié)果,將分割結(jié)果利用Scan-conversion算法進(jìn)行八叉樹(shù)分解,將 分割結(jié)果分解到更精細(xì)的子空間中;
[0067] 在八叉樹(shù)分解過(guò)程中,當(dāng)所有分解線(xiàn)與原始模型的交點(diǎn)都在八叉樹(shù)的葉子時(shí),停 止分解;
[006引將具有交點(diǎn)的邊界標(biāo)記為"相交邊";
[0069] 從原始模型中任意選擇一個(gè)頂點(diǎn)P,將其標(biāo)記為"0";將其沿八叉樹(shù)的邊界擴(kuò)展,當(dāng) 經(jīng)過(guò)一次"相交邊"時(shí),標(biāo)號(hào)就改變?yōu)?r,W此類(lèi)推,每經(jīng)過(guò)一次"相交邊",標(biāo)號(hào)改變一次, 直至整個(gè)八叉樹(shù)遍歷結(jié)束;
[0070] 將只包含"0"和"r的頂點(diǎn)利用Dual Contouring算法進(jìn)行精確重建,得到空桐填 充后的板型。
[0071] 如圖2所示,本實(shí)施例公開(kāi)一種基于自動(dòng)上下文模型的CT圖像肝臟分割系統(tǒng),包 括:
[0072] 讀取模塊1,用于讀取訓(xùn)練圖像集和待分割圖像,其中,所述訓(xùn)練圖像集中的訓(xùn)練 圖像和待分割圖像為肝臟的CT圖像;
[0073] 第一提取模塊2,用于提取所述訓(xùn)練圖像和待分割圖像中每一像素的紋理特征;
[0074] 分類(lèi)模塊3,用于利用分類(lèi)器對(duì)待分割圖像每個(gè)像素的特征進(jìn)行分類(lèi),得到初始肝 臟概率圖;
[0075] 第二提取模塊4,用于提取所述訓(xùn)練圖像和待分割圖像中每一像素的上下文特征;
[0076] 迭代模塊5,用于將上下文特征與紋理特征結(jié)合,再次學(xué)習(xí)獲得新的分類(lèi)器,再次 得到肝臟概率圖,再次提取所述訓(xùn)練圖像和待分割圖像中每一像素的上下文特征,重復(fù)上 述算法,學(xué)習(xí)一系列的分類(lèi)器直至收斂,得到像素點(diǎn)屬于肝臟區(qū)域的概率,進(jìn)而獲得肝臟概 率圖.
[0077] 分割模塊6,用于W肝臟概率圖為先驗(yàn)信息,作為先驗(yàn)約束條件,加入隨機(jī)游走的 目標(biāo)函數(shù)中,獲得基于上下文約束的隨機(jī)游走模型,實(shí)現(xiàn)肝臟的分割;
[0078] 填充模塊7,用于在所述待分割圖像的二維切片上逐層實(shí)現(xiàn)S維CT圖像的肝臟分 害d,實(shí)現(xiàn)肝臟邊界不連續(xù)區(qū)域的插值與補(bǔ)全,從而得到平滑連續(xù)的肝臟表面。
[0079] 本實(shí)施例提供的基于自動(dòng)上下文模型的CT圖像肝臟分割系統(tǒng),在紋理特征分類(lèi)的 基礎(chǔ)上,利用上下文信息作為新的特征并迭代分類(lèi),獲得肝臟的先驗(yàn)?zāi)P?,利用此模型作?先驗(yàn)約束,改進(jìn)隨機(jī)游走算法的能量函數(shù),獲得最終的肝臟分割結(jié)果,本發(fā)明對(duì)灰度對(duì)比度 不明顯的區(qū)域,分割結(jié)果有較大的改善,有效地提高了 CT圖像中肝臟的分割精度。
[0080] 雖然結(jié)合附圖描述了本發(fā)明的實(shí)施方式,但是本領(lǐng)域技術(shù)人員可W在不脫離本發(fā) 明的精神和范圍的情況下做出各種修改和變型,運(yùn)樣的修改和變型均落入由所附權(quán)利要求 所限定的范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于自動(dòng)上下文模型的CT圖像肝臟分割方法,其特征在于,包括: 5101、 讀取訓(xùn)練圖像集和待分割圖像,其中,所述訓(xùn)練圖像集中的訓(xùn)練圖像和待分割圖 像為肝臟的CT圖像; 5102、 提取所述訓(xùn)練圖像和待分割圖像中每一像素的紋理特征; 5103、 利用分類(lèi)器對(duì)待分割圖像每個(gè)像素的特征進(jìn)行分類(lèi),得到初始肝臟概率圖; 5104、 提取所述訓(xùn)練圖像和待分割圖像中每一像素的上下文特征; 5105、 將上下文特征與紋理特征結(jié)合,再次學(xué)習(xí)獲得新的分類(lèi)器,再次得到肝臟概率 圖,再次提取所述訓(xùn)練圖像和待分割圖像中每一像素的上下文特征,重復(fù)上述算法,學(xué)習(xí)一 系列的分類(lèi)器直至收斂,得到像素點(diǎn)屬于肝臟區(qū)域的概率,進(jìn)而獲得肝臟概率圖; 5106、 以肝臟概率圖為先驗(yàn)信息,作為先驗(yàn)約束條件,加入隨機(jī)游走的目標(biāo)函數(shù)中,獲 得基于上下文約束的隨機(jī)游走模型,實(shí)現(xiàn)肝臟的分割; 5107、 在所述待分割圖像的二維切片上逐層實(shí)現(xiàn)三維CT圖像的肝臟分割,實(shí)現(xiàn)肝臟邊 界不連續(xù)區(qū)域的插值與補(bǔ)全,從而得到平滑連續(xù)的肝臟表面。2. 根據(jù)權(quán)利要求1所述的基于自動(dòng)上下文模型的CT圖像肝臟分割方法,其特征在于,所 述S102提取的紋理特征為Haar特征、局部二進(jìn)制模式特征、方向梯度直方圖特征或者共生 矩陣特征。3. 根據(jù)權(quán)利要求1述的基于自動(dòng)上下文模型的CT圖像肝臟分割方法,其特征在于,所述 S103中分類(lèi)器為支持向量機(jī)作為弱分類(lèi)器的AdaBoost分類(lèi)器、支持向量機(jī)分類(lèi)器、決策樹(shù) 分類(lèi)器、人工神經(jīng)網(wǎng)絡(luò)分類(lèi)器、樸素貝葉斯分類(lèi)器或者隨機(jī)森林分類(lèi)器。4. 根據(jù)權(quán)利要求3述的基于自動(dòng)上下文模型的CT圖像肝臟分割方法,其特征在于,所述 S103具體為: 定義訓(xùn)練圖像集為Vi,i = 1,2…η,其對(duì)應(yīng)的分割金標(biāo)準(zhǔn)圖像為Vsi,i = 1,2…η,在訓(xùn)練 圖像集中選取訓(xùn)練樣本點(diǎn)集,提取點(diǎn)集的紋理特征,則訓(xùn)練點(diǎn)集信息可表示為: So={(yt,f°(Nt)) ,? = 1,2···Τ}, 其中,Nt是以索引為t的像素點(diǎn)為中心的鄰域圖像塊,f'Nt)表示索引為t的像素點(diǎn)鄰域 的紋理特征,yt是索引為t的像素點(diǎn)對(duì)應(yīng)的類(lèi)別標(biāo)記,T為索引總數(shù),利用AdaBoost算法獲得 基于紋理特征分類(lèi)的肝臟分類(lèi)器,則對(duì)于待分割圖像V u中的像素點(diǎn)X,提取其紋理特征并 分類(lèi),獲得對(duì)應(yīng)分類(lèi)映射的初始肝臟后驗(yàn)概率:其中,y為像素點(diǎn)X對(duì)應(yīng)的類(lèi)別標(biāo)記,y = l表示像素點(diǎn)屬于肝臟,只1〇,= 1|幻為像素點(diǎn)1 屬于肝臟的后驗(yàn)概率,Ho是在紋理特征空間內(nèi)學(xué)習(xí)得到的分類(lèi)器,對(duì)于待分割圖像,同樣可 以獲得此分類(lèi)模型對(duì)各個(gè)像素點(diǎn)分類(lèi)映射的初始肝臟后驗(yàn)概率。5. 根據(jù)權(quán)利要求4所述的基于自動(dòng)上下文模型的CT圖像肝臟分割方法,其特征在于,所 述S104基于當(dāng)前的分類(lèi)結(jié)果,對(duì)于像素點(diǎn),以它為中心,向外引出若干條等角度間隔的射 線(xiàn),在這些射線(xiàn)上進(jìn)行稀疏地采樣,得到相應(yīng)位置的分類(lèi)概率作為上下文特征,在索引為t 的像素點(diǎn)所在的CT圖像切片對(duì)應(yīng)的分類(lèi)結(jié)果圖上,從該像素點(diǎn)出發(fā),間隔45°向外引出第一 數(shù)量條射線(xiàn),在每條射線(xiàn)上等間隔地采樣上下文位置并把該位置上的分類(lèi)概率作為索引為 t的像素點(diǎn)上下文特征PYt):其中,tm表示在索引為t的像素點(diǎn)周?chē)趍個(gè)上下文位置對(duì)應(yīng)的像素點(diǎn)的索引,/<是索 引為tm的像素點(diǎn)基于紋理特征分類(lèi)的肝臟后驗(yàn)概率值,對(duì)于待分割圖像中的像素點(diǎn),可用 同樣的方法獲得其上下文特征。6. 根據(jù)權(quán)利要求5所述的基于自動(dòng)上下文模型的CT圖像肝臟分割方法,其特征在于,所 述第一數(shù)量為8。7. 根據(jù)權(quán)利要求5所述的基于自動(dòng)上下文模型的CT圖像肝臟分割方法,其特征在于,所 述S105具體為:綜合圖像的紋理特征和上下文特征,構(gòu)造新的訓(xùn)練點(diǎn)集,其信息可表示為: Si={(yt,(f°(Nt),P°(t))),t=l· · ·Τ}, 其中,fYNt)和PYt)分別表示索引為t的像素點(diǎn)的紋理特征和基于分類(lèi)映射所提取的 上下文特征,基于訓(xùn)練圖像組合的新特征,再次利用AdaBoost算法學(xué)習(xí)獲得新的分類(lèi)器,并 重復(fù)上述算法,將圖像的紋理特征與上下文信息進(jìn)行整合,學(xué)習(xí)一系列的分類(lèi)器直至收斂, 對(duì)于待分割圖像Vu中的像素點(diǎn)X,經(jīng)過(guò)q次分類(lèi)器迭代學(xué)習(xí)得到的像素點(diǎn)屬于肝臟區(qū)域 的概率/>5 :其中,= 為分類(lèi)器迭代學(xué)習(xí)得到的像素點(diǎn)X屬于肝臟區(qū)域的后驗(yàn)概率,q為收 斂時(shí)分類(lèi)器迭代次數(shù),Hq是基于紋理特征和上下文特征組合空間內(nèi)學(xué)習(xí)得到的第q個(gè)分類(lèi) 器,/;:表示待分割圖像Vu中的像素點(diǎn)X紋理特征和基于第q_l次分類(lèi)映射獲得的上下文特征 的組合。8. 根據(jù)權(quán)利要求7所述的基于自動(dòng)上下文模型的CT圖像肝臟分割方法,其特征在于,所 述S106具體為:對(duì)于待分割圖像Vu,將其轉(zhuǎn)化為無(wú)向圖G=(V,E),結(jié)點(diǎn)集V={ vi,v2.. .vN}U 山山},Vl表示索引為i的像素點(diǎn)對(duì)應(yīng)的圖節(jié)點(diǎn),N為結(jié)點(diǎn)的總數(shù),Ιο和h分別表示非肝臟區(qū) 域和肝臟區(qū)域的端節(jié)點(diǎn);邊集E由E T-lin_EN-link構(gòu)成,其中ET- link為兩個(gè)端節(jié)點(diǎn)ΙοΑ與像素 節(jié)點(diǎn)^間的邊集,其邊的權(quán)值分別為:其中,4是端節(jié)點(diǎn)1:與像素點(diǎn)^的邊權(quán)值,其值是經(jīng)過(guò)上下文模型q次迭代得到的索引 為i的像素點(diǎn)屬于肝臟區(qū)域的概率值冗;同樣的,?f是端節(jié)點(diǎn)1〇與像素點(diǎn)^的邊權(quán)值,其值 是索引為i的像素點(diǎn)非屬于肝臟區(qū)域的概率值,以此代表圖像中像素點(diǎn)的先驗(yàn)信息,E N-link 表示相鄰像素點(diǎn)間的連接關(guān)系,其權(quán)值%:由像素點(diǎn)在待分割圖像中的灰度值決定,同時(shí), 對(duì)于屬于肝臟區(qū)域的概率值為1的像素點(diǎn),標(biāo)記為肝臟區(qū)域的種子點(diǎn);概率值為〇的像素點(diǎn) 則標(biāo)記為非肝臟區(qū)域的種子點(diǎn), 基于上述圖模型,利用已標(biāo)記的種子點(diǎn),建立新的帶先驗(yàn)約束的目標(biāo)函數(shù)使其最小:其中,仏為帶先驗(yàn)約束的目標(biāo)函數(shù),el^示連接索引為i的像素點(diǎn)和連接索引為i的 像素點(diǎn)的邊,上式第一表示原始的隨機(jī)游走目標(biāo)函數(shù),第二項(xiàng)為基于上下 文模型的先驗(yàn)約束項(xiàng),γ為調(diào)整參數(shù)是圖像中索引為i的像素點(diǎn)屬于類(lèi)別s的概率,s = {〇,1 },分別表示肝臟類(lèi)別和非肝臟類(lèi)別,將上式用矩陣表示,可得:其中,Xs為圖像結(jié)點(diǎn)集中各個(gè)像素點(diǎn)屬于不同類(lèi)別的概率,矩陣L是待分割圖像的拉普 拉斯矩陣,as是對(duì)角線(xiàn)上第i行的值為碑的對(duì)角陣,為求解上式,將無(wú)向圖的結(jié)點(diǎn)集v中所 有頂點(diǎn)劃分為種子節(jié)點(diǎn)集ν Μ(標(biāo)記點(diǎn)集)和未標(biāo)記點(diǎn)集Vu兩個(gè)子集,對(duì)上式進(jìn)行分解并求關(guān) 于XLI的微分,可得:其中,Lu為未標(biāo)記點(diǎn)集的拉普拉斯矩陣,?為未標(biāo)記點(diǎn)的屬于類(lèi)別s的概率值,Af為未 標(biāo)記點(diǎn)集對(duì)角線(xiàn)上第i行的值為<的對(duì)角陣,Af為未標(biāo)記點(diǎn)集對(duì)角線(xiàn)上第i行的值為 的對(duì)角陣,可由1§數(shù)學(xué)推導(dǎo)得到,B為矩陣,:4表示標(biāo)記像素點(diǎn)第一次到達(dá)類(lèi)別s種子點(diǎn)的 概率值,即若索引為i的像素點(diǎn)自身為類(lèi)另Ijs種子點(diǎn),則ΛΓ,.' =1,否則,<=0 5 基于上述含I Vu |個(gè)未知數(shù)的對(duì)稱(chēng)正定線(xiàn)性方程組求解出非標(biāo)記點(diǎn)到兩類(lèi)種子點(diǎn)的概率 值大小,以最大轉(zhuǎn)移概率maxj.v,'溈準(zhǔn)則判斷索引為i的像素點(diǎn)的類(lèi)別label(i),BP:上式表示當(dāng)求得非標(biāo)記點(diǎn)到達(dá)肝臟種子點(diǎn)的概率大于或者等于到達(dá)非肝臟種子點(diǎn)的 概率時(shí),該非標(biāo)記點(diǎn)屬于肝臟區(qū)域,從而實(shí)現(xiàn)圖像中肝臟區(qū)域的最終分割。9.根據(jù)權(quán)利要求1所述的基于自動(dòng)上下文模型的CT圖像肝臟分割方法,其特征在于,所 述S107具體為:提出的算法是在圖像的二維切片上逐層實(shí)現(xiàn)三維CT圖像的肝臟分割,獲得 的肝臟邊界上會(huì)出現(xiàn)邊界不連續(xù)甚至是邊界重疊的現(xiàn)象,本發(fā)明實(shí)現(xiàn)肝臟邊界不連續(xù)區(qū)域 的插值與補(bǔ)全,從而得到平滑連續(xù)的肝臟表面,具體計(jì)算過(guò)程如下: 輸入肝臟分割的結(jié)果,將分割結(jié)果利用Scan-conversion算法進(jìn)行八叉樹(shù)分解,將分割 結(jié)果分解到更精細(xì)的子空間中; 在八叉樹(shù)分解過(guò)程中,當(dāng)所有分解線(xiàn)與原始模型的交點(diǎn)都在八叉樹(shù)的葉子時(shí),停止分 解; 將具有交點(diǎn)的邊界標(biāo)記為"相交邊"; 從原始模型中任意選擇一個(gè)頂點(diǎn)P,將其標(biāo)記為"0";將其沿八叉樹(shù)的邊界擴(kuò)展,當(dāng)經(jīng)過(guò) 一次"相交邊"時(shí),標(biāo)號(hào)就改變?yōu)?Γ,以此類(lèi)推,每經(jīng)過(guò)一次"相交邊",標(biāo)號(hào)改變一次,直至 整個(gè)八叉樹(shù)遍歷結(jié)束; 將只包含"〇"和"Γ的頂點(diǎn)利用Dual Contouring算法進(jìn)行精確重建,得到空洞填充后 的模型。10. -種基于自動(dòng)上下文模型的CT圖像肝臟分割系統(tǒng),其特征在于,包括: 讀取模塊,用于讀取訓(xùn)練圖像集和待分割圖像,其中,所述訓(xùn)練圖像集中的訓(xùn)練圖像和 待分割圖像為肝臟的CT圖像; 第一提取模塊,用于提取所述訓(xùn)練圖像和待分割圖像中每一像素的紋理特征; 分類(lèi)模塊,用于利用分類(lèi)器對(duì)待分割圖像每個(gè)像素的特征進(jìn)行分類(lèi),得到初始肝臟概 率圖; 第二提取模塊,用于提取所述訓(xùn)練圖像和待分割圖像中每一像素的上下文特征; 迭代模塊,用于將上下文特征與紋理特征結(jié)合,再次學(xué)習(xí)獲得新的分類(lèi)器,再次得到肝 臟概率圖,再次提取所述訓(xùn)練圖像和待分割圖像中每一像素的上下文特征,重復(fù)上述算法, 學(xué)習(xí)一系列的分類(lèi)器直至收斂,得到像素點(diǎn)屬于肝臟區(qū)域的概率,進(jìn)而獲得肝臟概率圖; 分割模塊,用于以肝臟概率圖為先驗(yàn)信息,作為先驗(yàn)約束條件,加入隨機(jī)游走的目標(biāo)函 數(shù)中,獲得基于上下文約束的隨機(jī)游走模型,實(shí)現(xiàn)肝臟的分割; 填充模塊,用于在所述待分割圖像的二維切片上逐層實(shí)現(xiàn)三維CT圖像的肝臟分割,實(shí) 現(xiàn)肝臟邊界不連續(xù)區(qū)域的插值與補(bǔ)全,從而得到平滑連續(xù)的肝臟表面。
【文檔編號(hào)】G06K9/62GK105957066SQ201610258406
【公開(kāi)日】2016年9月21日
【申請(qǐng)日】2016年4月22日
【發(fā)明人】艾丹妮, 楊健, 王涌天, 叢偉建, 付天宇, 張盼, 王澤宇
【申請(qǐng)人】北京理工大學(xué)
網(wǎng)友詢(xún)問(wèn)留言 已有0條留言
  • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1