[发明专利]一种磁共振延迟增强序列心肌分割方法

说明书

技术领域

本发明涉及一种图像处理技术领域，尤其是涉及一种基于多组分高斯混合模型和耦合水平集的磁共振延迟增强序列心肌分割方法。

背景技术

随着核磁共振技术的发展，其对心脏的成像质量和成像速度都得到了极大的提升，在相关的医学临床实践和研究中得到了越来越广泛的应用。其中，延迟增强序列通过给心肌梗塞病人注射造影剂，可以使心肌梗死区域的信号增强，直观地看到梗死区域的位置、大小，其可靠性已经得到验证。为了利用延迟增强序列定量地对病人心肌活性进行分析，制定相应的治疗计划，通常首先需要对心肌进行分割。然而，目前有关延迟增强序列处理的研究大量集中在已知心肌轮廓的基础上，如何区分梗死区和正常心肌。利用了包括阈值法、区域增长法、分水岭算法、高斯混合模型、水平集方法等多种方法以期更好地区分梗死区。而实际上，临床上目前主要还是依靠医生手动勾勒出心肌轮廓，耗费大量的时间，并且不同医生勾勒的差异也会给定量的分析比较带来困难。因此，开发可用于延迟增强序列的自动的心肌算法具有重要意义。

磁共振图像中的心肌分割的困难通常包括心脏形状变化大、心脏边缘模糊以及可能存在运动造成的伪影等。除此之外，延迟增强序列本身的特点，又给分割增加了如下三点挑战：

1)由于梗死区域的存在，心肌的灰度分布是不均匀的，而很多分割算法都是基于目标区域灰度均匀的假设构建的；

2)心肌梗死区域的灰度、大小、分布等都存在很大的不确定性，任何先验的假设都可能使算法失去一般性；

3)心肌的灰度分布与周围组织重叠。例如，正常心肌的灰度可能与肝或肺重叠，而梗死区域的灰度与血池常常非常相似。

经过对现有文献的检索发现，现有的延迟增强序列心肌分割大多使用了磁共振电影序列及其分割结果作为先验信息。然后直接通过图像配准或构建三维模型将先验信息匹配到延迟增强序列，在此基础上再构建模型进行更精细的优化得到最终的分割结果。这些算法大多存在两类问题：一是电影序列的心肌分割虽然已经有了大量的研究，但其作为先验信息，任何分割错误会被引入到后续的分割过程中，因此分割过程比较繁琐，通常需要人工监督。二是优化模型比较粗糙或加入了一定的先验假设，难以适应心肌梗塞病人的各种复杂情形。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种不需要依赖其他序列信息、实现方便、应用灵活、稳定可靠、适用于实际临床的基于多组分高斯混合模型和耦合水平集的磁共振延迟增强序列心肌分割方法。

本发明的目的可以通过以下技术方案来实现：

一种磁共振延迟增强序列心肌分割方法，其特征在于，包括以下步骤：

第一步，构建一组心脏短轴图像图谱，包含心脏的灰度图像以及相应的左心室血池、心肌、背景的分割结果；

第二步，通过图像配准，将图谱中灰度图像匹配到待分割的延迟增强序列图像，同时将相同的图像配准作用于图谱中的分割结果，将分割结果也匹配到待分割的延迟增强序列图像；

第三步，构建多组分高斯混合模型，将待分割的延迟增强序列图像像素分为三类：左心室血池、心肌以及背景；每一类像素的灰度分布用多个组分去模拟，每一组分为一个高斯模型；根据配准后的图谱信息初始化多组分高斯混合模型中的各参数，包括各组分的均值、方差，各组分的混合比例以及各分类的先验概率；

第四步，利用期望最大化算法迭代求解多组分高斯混合模型的参数，取所有像素点的灰度值及所属组分作为完全数据；依据目前对参数的估计，在已知每个像素点灰度值的基础上，计算每个像素点属于各组分的后验概率；

第五步，依据上一步得到的后验概率，通过最大化似然函数的条件期望，更新对高斯混合模型中各组分参数的估计值；

第六步，基于图像灰度信息、后验概率信息以及心肌厚度约束，构建包含耦合水平集内外两条轮廓的能量函数，通过最小化能量函数演化两条轮廓；

第七步，基于演化后的耦合水平集模型中两条轮廓的位置，重新估计每一像素属于每一分类的先验概率；

第八步，重复四到七步直至算法收敛，对耦合水平集模型中的内轮廓求取凸包，并进行插值得到最终分割结果。

所述的第四步中第(t+1)次循环的后验概率p_iC^(t+1)计算公式为：