[发明专利]人体肝脏特征建模及血管模型空间归一方法

说明书

技术领域

本发明涉及医学图像处理及三维数字化建模领域，具体的说是一种人体肝脏特征建模及血管模型空间归一方法，更详细的讲是一种肝脏多源信息图像特征提取及三维模型重建和多介质工况下肝脏血管模型与肝脏模型的空间坐标归一方法。

背景技术

肝脏是人体重要的器官之一，其复杂的管道解剖结构及疾病的高发病率使肝脏手术成为普外科领域的重点和难点。个体化治疗是目前医疗的发展趋势，肝脏手术因其解剖变异，疾病的多样性，针对每一位患者制定完善的手术方案是非常必要的。传统的CT、MRI等影像学检查方法可提供关于肝脏肿瘤浸润、重要管道走行的有效信息，然而器官的连续性、直观性依然不能得到很好的解决，而一个具有高精度特征信息的肝脏三维模型则能够为术前方案预演提供可靠保证。

肝脏三维建模的基础数据来源于CT、MRI等医学图像，特征提取算法根据像素与其邻域间的相似性和不连续性可分成基于边缘的分割方法、基于区域的分割方法、基于特征空间的分割方法、基于能量泛函的分割方法。基于边缘的分割方法通过检测不同区域的边缘来解决图像分割问题。基于区域的分割方法是将图像按照相似性准则分成不同的区域，如生长种子法、分裂合并法等。基于特征空间分割方法将图像分割问题看成样本在特征空间的聚类问题，具有类似分布的样本将被划分为同一类别，从而实现图像的分割。常见的聚类分割算法有C-Means算法和FCM算法。基于能量的分割方法是在活动轮廓模型(Active Contour Model)基础上发展出来的算法，定义一个能量泛函使得其自变量包括边缘曲线和区域数据项，通过求解函数对应的欧拉(Euler-Lagrange)方程来实现，能量达到最小时的曲线位置就是目标的轮廓所在。活动轮廓模型可以分为参数活动轮廓模型(Parametric Active Contour Model)和几何活动轮廓模型(Geometric Active Contour Model)，其中，参数活动轮廓模型是基于Lagrange框架，最具有代表的Kass等提出的Snake模型，该模型最早用于生物图像分割领域。几何活动轮廓模型是基于曲线的几何度量参数，能较好地处理拓扑结构的变化，水平集(Level Set)方法极大推动了几何活动轮廓模型的发展。

水平集方法通过应用图像的梯度来终止曲线的演化，能量函数由边缘停止项和控制曲线运动的驱动力项构成，该模型在弱边界或者无边界的地方变形曲线运动速度大，而边界强度较强的地方变形曲线速度较慢甚至停止。时该类方法对噪声图像具有一定的敏感性。边缘分割方法能够较好地分割强边缘图像，但由于其过于依赖目标边缘的梯度信息，因此对没有明显梯度变化边缘的图像分割效果并不理想。区域水平集分割方法则采用区域信息来引导曲线向目标轮廓进行逼近。最经典的区域水平集方法是由Chan和Vese提出的Chan-Vese模型，用曲线的内外灰度均值而不是边缘梯度来促进水平集的演化。Chan-Vese模型在分割梯度无意义或边缘模糊的图像上取得了极大的成功，该模型可以检测内部轮廓，并且对噪声不敏感。在现实中医学CT图像、MRI图像的灰度分布不均匀，传统的Chan-Vese模型无法得到满意的分割结果。

肝脏三维模型重建的另一个关键技术是其血管特征的坐标归一化，CT和MRI图像在显示组织方面各有不同，MRI图像对于血管组织的显示利于图像的分割，而CT图像对于肝实质的显示利于图像的分割，因而，不同信息来源的CAD模型建立之后，需要进行坐标系归一化处理，形成特征完整的肝脏模型，坐标归一算法分为内特征信息与外特征信息两类，内特征信息指不依赖于坐标系的点云数据或CAD模型所固有的特性，如曲率、两法矢向量之间的角度等。外特征信息与坐标系统相关，如曲面点的切平面等。内特征算法都是通过间接的方法达到点云数据或曲面的配准，其算法特点：存贮量大，适用于点云数据及网格密度不是很大的表面匹配；配准精度不高，适用于复杂场景中物体的识别；待配准的表面点云数据及网格分辨率对算法的有效性有影响。外特征表示算法与坐标系紧密相关，最常用的方法是点位标签法与最优匹配法。外点表示法存在的不足：初始匹配位置对算法的收敛精度有影响；不明显特征表面难以达到最佳收敛效果；外特征对应关系的搜索及计算是算法的瓶颈所在。

本发明针对现有方法存在的不足，通过对医学图像的非线生灰度分离、多相水平集边缘提取、种子点区域分割及多介质人体肝脏建模及血管模型坐标归一，实现了高精度人体肝脏模型重建，为术前预演提供了数据保障。

发明内容