[发明专利]基于统计形状模型的内耳三维水平集分割方法

说明书

本发明公开了一种基于统计形状模型的内耳三维水平集分割方法，包括以下步骤：步骤一：建立内耳的统计形状模型；步骤二：通过体数据到体数据的刚性配准方法获取内耳的感兴趣区域，然后通过模型到体数据的刚性配准方法将统计形状模型的平均形状模型配准到内耳的感兴趣区域上，获得内耳的初始表面轮廓；步骤三：利用基于阈值区域的三维水平集分割方法，进行水平集演化，得到目标轮廓表面，再结合原始脑部MRI体数据最终计算得到需要的内耳轮廓。本发明可以快速收敛到真正的内耳边界，本发明方法的复杂度要低于通过各种预分割方法组合获得初始轮廓的方法，且本发明的方法在内耳分割中具有很高的鲁棒性和准确性。

技术领域

本发明涉及数字图像处理技术领域，特别涉及一种基于统计形状模型的内耳三维水平集分割方法。

背景技术

内耳器官分割是人工耳蜗植入手术的术前影像学评估的重要环节，也是准确测量内耳结构的必要手段。内耳器官分割可以在术前提供可靠的解剖信息，为耳显微外科手术计划的制定提供依据，使耳显微外科疾病的诊断与治疗更加科学、更加直观，同时，基于标准空间坐标的内耳模型对于耳石病的理论研究和临床诊断具有重要意义。

如上所述，内耳的3D分割对临床研究和应用具有很高的价值。但是内耳图像的强度分布不均匀，结构精小，同时具有复杂的拓补管状结构，最小截面直径约为0.8mm，因此，内耳的分割仍然是非常具有挑战性的。

目前最常见的方法是半自动分割方法，如三维窄带水平集分割算法，再结合手动精细分割。但很多手工操作导致分割速度不理想。直到近几年，自动分割方法逐渐发展起来。在相关文献中，提出有一种基于K-means聚类的预分割结果作为可变形模型的初始轮廓来分割内耳磁共振图像(MRI)的自动分割过程。但K-means聚类的方法忽略了内耳边界的模糊特征，容易引起边缘泄漏或感兴趣对象弱边缘分割不足的问题。在其他文献中还公开了，采用三维Hessian矩阵对内耳的管状结构增强，然后通过模糊聚类方法对增强结果进行分割。最后，使用混合水平集分割方法来优化结果。然而，内耳不是完全管状的结构，Hessian矩阵也可以抑制内耳的非管状结构。同时模糊聚类方法的收敛速度缓慢，影响分割速度，不是最好的预分割方法。

近年来，统计形状模型(SSM)已成为医学图像分割领域的一个热点。Noble等人，使用基于SSM的方法在常规CT图像中分割内耳耳蜗。将尸体的高分辨率微米CT图像作为训练样本，建立统计形状模型，然后将模型投影到待分割的目标对象上获得初始轮廓，并通过非刚性配准的方法将初始轮廓驱动到更精准的目标边界处。但该方法用于建模的训练样本尸体耳蜗标本图像数据比较难获得，因此，SSM难以捕获足够的耳蜗变化模式去构建一个普适性好的形状模型。同时三维刚性配准的方法对于内耳的分割也比较耗时。除此之外，传统脑部CT图像只能够清晰地显示内耳的骨迷路结构，而脑部MRI图像可以更好的显示膜迷路结构，膜迷路结构能够帮助诊断某些膜迷路疾病。目前，采用统计形状模型对内耳膜迷路进行分割的研究工作目前还比较少。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于统计形状模型的内耳三维水平集分割方法。

为解决上述技术问题，本发明采用的技术方案是：一种基于统计形状模型的内耳三维水平集分割方法，包括以下步骤：

步骤一：建立内耳的统计形状模型；

步骤二：通过体数据到体数据的刚性配准方法获取内耳的感兴趣区域，然后通过模型到体数据的刚性配准方法将统计形状模型的平均形状模型配准到内耳的感兴趣区域上，获得内耳的初始表面轮廓；

步骤三：利用基于阈值区域的三维水平集分割方法，以内耳的初始表面轮廓作为初始演化表面，进行水平集演化，得到目标轮廓表面，再结合原始脑部MRI体数据最终计算得到需要的内耳轮廓。

优选的是，所述步骤一具体包括：

步骤1-1：采集足够数量的内耳体数据作为训练样本，再通过3D-Slicer软件将其转换为均匀分布的三角形表面网格数据；