[发明专利]基于改进形状模型的肺分割方法

权利要求书

1.基于改进形状模型的肺分割方法，具体步骤为： 

一、模型初始轮廓位置的确定：包括标记训练集，对齐训练集，先验模型的建立三个主要部分； 

①标记训练集：使用沿着边界的点来标记训练集，点包括如下三类：a、标记目标有特定应用部分的点，b、标记无关应用部分的点，c、填在一类点或二类点之间的点； 

②对齐训练集：通过缩放、旋转和平移的操作使训练形状对齐，使它们尽可能对齐紧密，设x_i是训练集中第i个形状中n个点的向量，x_i＝(x_i0,y_i0,x_i1,y_i1,...,x_ik,y_ik,...,x_in-1,y_in-1)^T，其中，(x_ij,y_ij)是第i个形状中第j个点， 

给定两个相似形状x_i和x_j，选择旋转角度θ、缩放s、平移(t_x,t_y)，则M(s,θ)[x]代表旋转角度为θ和缩放比例为s的变换，把x_i映射为M(s,θ)[x_j]+t，使以下加权和最小化： 

E_j＝(x_i-M(s,θ)[x_j]-t)^TW(x_i-M(s,θ)[x_j]-t)   (1) 

其中， 

t＝(t_x,t_y,...,t_x,t_y)^T； 

③先验模型的建立：把训练集中的形状向量对齐处理之后，利用主成分分析的方法来找出形状变化的统计信息及规律； 

设平均形状为对齐后各个样本相对于平均形状的偏差构成的形状向量协方差为计算该协方差的特征值与特征 向量，并将特征值排序Sp_k＝λ_kp_k，其中，λ_k表示第k大的特征值，λ_k越大，它所对应的p_k描述数据点变化模式就越重要，选择前t个重要的变化模式组成新的主轴系p_s，则允许形状域内的任何一个形状都可以由平均形状加主轴系与一组控制参数的加权和来近似，其中，p_s＝(p₁p₂...p_t)是前t个特征向量组成的矩阵，b_s＝(b₁b₂...b_t)^T是权值向量，经过主分量分析，按照降序取前t个特征值及对应的特征向量，使前t个特征值所决定的目标物体形变占所有2n个特征值所决定目标物体形变总量的比例不小于V； 

二、基于灰度信息和形状信息的肺实质分割：同时利用图像的灰度与形状信息，使得搜索到的边界灰度、形状信息与训练图像相似； 

（1）特征图像：利用特征图像来获取边界点的候选点及各个候选点的灰度代价，采用6种特征图像：（1-2）x,y方向一阶偏导数图像，表示x,y方向灰度变化；（3-4）x,y方向二阶偏导数图像，表示x,y方向灰度变化速率；（5）x，y方向混合偏导数图像；（6）x，y方向二阶偏导数和图像，该值越大，表明此处灰度变化速度越快，为肺边界的可能性越大； 

（2）边界点的候选点：对于初始肺边界的每一个点，计算所有特征图像中该点搜索区域内所有像素点的灰度与训练特征图像中相应点灰度的相似程度，相似程度为所有特征图像中该点周围像素点灰度到训练样本特征图像中相应点周围像素点灰度集合的马氏距离，定义为： 

   （2） 

其中，为在特征图像上，以点p_i为圆心，r_c为半 径的圆上的n_c个点的灰度，分别为训练图像的第j个特征图像中第i个边界点的周围像素点灰度的均值及协方差，N为特征图像总数，这里取值为6； 

（3）基于动态规划的肺分割 

①灰度相似性代价：在边界点搜索区域内，像素点的灰度相似性代价为该点周围像素点灰度与训练图像中相应边界点的周围像素点灰度的相似程度，如公式（2）所示，测试图像中某个边界候选点的h_i值越小，表明该点周围点的灰度分布与相应边界点训练样本的相似性越高； 

②形状相似性代价：图像中第i个边界点的形状相似性代价定义为： 

   (3) 

其中，v_i＝p_i+1-p_i，表示第i个边界点的形状特征，分别表示所有训练图像中第i个边界点形状特征的均值与协方差； 

③基于灰度与形状相似性信息的最优边界搜索 

对于测试图像中第i个边界点p_i，在指定的搜索区域内存在m个具有较小灰度相似性代价候选点，则n个边界点就会产生一个n×m的灰度代价矩阵： 

   (4) 

搜索最优轮廓就是找一条最佳路径，沿着路径选择的时候，灰度与形状相似性代价的总和最小，即： 

   (5) 

其中，γ为灰度与形状相似性代价系数，调整γ值，使得这两种代价在边界搜索过程中发挥大致相同的作用； 

三、基于ASM算法的肺边界修正：通过使用ASM算法在第一次分割基础上修正肺边界，改善部分点搜索陷入局部极值的情况，获得更优的搜索结果； 

在边界修正阶段，通过利用测试样本所有特征图像中边界点梯度方向的灰度分布与训练样本所有特征图像边界点梯度方向灰度分布的加权总和，即马氏距离，最小来修正肺边界； 

对于测试图像中的第i个点，可以在第j张特征图像中找到一个以该点为中心，长度为2m+l个像素，并且方向为该点所在边界法线方向的派生轮廓线，如果轮廓线上任意一点标准化后的局部灰度向量为g_s，则该点是否为边界最优点可由所有特征图像中马氏距离的和来度量，即： 

   (6) 

f(g_s)值越小，表明该点处法线轮廓线上灰度的分布越近似肺部真实边界点法线轮廓线上灰度的分布，该点为最优边界点的可能性越大，通过在边界点轮廓线上搜寻f(g_s)最小值的点，可以获得最优的肺部边界； 

修正边界后，调整模型的姿态和形状参数确定最终的分割结果，由公式（7）计算形状参数调整量dx： 

M(s(1+ds),(θ+dθ))[x+dx]+(X_c+dX_c)＝(X+dX)   （7） 

可得 

dx＝M((s(1+ds))^-1,-(θ+dθ))[M(s,θ)[x]+dX-dX_c]-x   （8） 

其中，缩放因子1+ds，旋转因子1+dθ可以通过匹配当前点x与搜索得 到的新位置X+dX得到，由公式（8）得到的形状参数，用该参数调整初始轮廓结果通常与形状模型不一致，找到db,使得通过调整形状参数b+db，使b_k+db_k在范围内，来约束形状模型，得到调整量的变化dX_c，dY_c，ds，dθ以及形状参数变化量db，在迭代过程中应用这些变化量来更新参数，获得合适的匹配结果。