[发明专利]基于组合稀疏模型的先验形状建模方法

说明书

技术领域

本发明基于组合稀疏模型的先验形状建模方法属于医学图像分割技术领域，涉及的是一种医学图像分割中的先验形状建模方法，特别是三维医学图像分割中具有个体适应性的器官先验形状的获取方法。

背景技术

医学图像分割是一个非常具有挑战性的课题。由于低信噪比、低对比度、以及不同软组织之间边界模糊、存在采样伪影、局部体效应、空间混叠等因素使医学图像中存在许多不确定干扰，所以医学图像分割具有很强的针对性，使得医学图像分割至今都没有统一的标准和普遍适用的规则。

医学图像分割经历了一个由传统的区域增长算法、边界检测算法发展到水平集算法和基于分类和聚类的方法等算法的过程，由于医学图像的特殊性，上述算法进行医学图像分割时容易出现欠分割和过分割，目前基于模型如先验形状的医学图像分割方法逐渐流行起来。值得注意的是,人体器官如肝脏、肾脏、心脏等都有很显著的形状特征，不同病人的同种器官在形状上具有很大的相似性，使用先验形状的方法可以有效解决区域边界模糊带来的误分割问题，因而可以使用先验形状来辅助提取感兴趣区域。

对目前所使用的先验形状模型进行考察发现，尽管先验形状在医学图像分割中可以有效排除噪声干扰，具有很强的鲁棒性，对先验形状的建模却不是一件容易的事。这里主要存在着三个问题：

第一，如何对复杂的形状变化进行建模。有些器官的形状个体差异较大，变化较复杂，无法用一个参数概率分布来对它建模。Cootes和Taylor在1997年提出了用高斯混合模型来表达形状变化的解决方法，而多重学习技术(Manifold learning techniques)通过对非线性形状先验知识进行学习，也可用来在一定程度上解决这个问题，Yan和Kruecker等人还提出了将形状分解为子空间进行建模的方法。但是，对于形状比较复杂，个体间差异较大的情况，使用参数概率分布的方法建模还是无法对形状分布进行准确的描述。

第二，如何处理非高斯误差。形状中的离群点（如错误或者缺失的标记点）往往会偶然存在，并不服从高斯分布，构建的形状模型必须对这些误差具有较高的鲁棒性。Duta和Sonka提出了一个利用概率分布模型的方差信息来检测离群点的方法，并且通过临近点的位置对离群点进行校正。Fischler和Bolles通过对几种方法的比较发现，RANSAC（random sample consensus）是一种比较有效的减小离群点的影响方法。

第三，如何保留局部细节信息。形状模型应当针对不同的图像数据具有适应性，能够保留该图像中存在的局部细节信息。常规的方法是利用主成分分析(PCA)提取主成分以后剩余的部分作为局部细节信息，Davatzikos等人将形状模型分解为几个独立的子部分，通过层次建模的方法来捕捉局部细节，因为局部细节常出现在训练样本中的一部分形状上，具有更小的方差。

现有的绝大多数形状建模方法都专注于解决上述一个或者两个问题，而对于同时有效地处理上述三个问题，对医学图像的分割具有十分重要的意义。

发明内容

本发明的目的在于提出一种基于组合稀疏模型的先验形状建模方法，以克服现有的先验形状建模技术中的不足,使其在对医学图像中不同个体之间的待分割器官进行先验形状模型建模时，克服用参数概率分布等方法的不足，更有效地表示复杂的形状变化，而且在对非高斯误差具有很高的鲁棒性的同时，能够有效地保留形状中的局部细节信息。

本发明目的通过下述技术方案实现：一种基于组合稀疏模型的先验形状建模方法，采用先验形状建模，针对特定的组织器官建立一个由临床数据收集而来的形状库，该形状库由来自不同病人的图像数据的已经分割好的形状组成，以建立这些病人的相应器官的金标准，其通过以下步骤实现：

步骤1：通过对金标准表面上点的采样，将形状表面做网格化的预处理，形状库中的网格化后的形状为模型的训练数据；

步骤2：将网格化后的形状用稀疏形状组合模型表示，形状库中的每个形状，其对应网格上所有顶点的坐标排列成一个列向量，整个形状库得到一个矩阵D；

步骤3：对稀疏形状组合模型进行最优化求解得到相应参数；

步骤4：将求解得到的参数，通过反变换得到所需的先验形状，