[发明专利]二维联合局部位移拟合的区域增长贝叶斯运动追踪方法

说明书

本发明公开了二维联合局部位移拟合的区域增长贝叶斯运动追踪方法，包括以下步骤：确定目标区域；候选点的选取；后验概率的计算；种子点的确定，根据最大后验概率阈值和最大绝对位移差判断种子点；目标区域已知位移点集和未知位移点集的划分，已知位移点集包括内点集和边界点集；活动增长点的选取，选取边界点集中后验概率值最大的点作为活动增长点；引导搜索，根据活动增长点位移对其邻域点进行位移引导搜索；位移值更新；局部位移拟合，根据邻域已知位移点位移对待估计点位移进行拟合计算；内点集与边界点集更新；计算应变图像。本发明的方法相较于传统的算法准确度更高，位移追踪误差更小，位移图像与应变图像更平滑，更具有临床应用价值。

技术领域

本发明涉及二维联合局部位移拟合区域增长贝叶斯运动追踪算法，位移估计的过程是将贝叶斯推断和局部位移拟合的方式纳入到区域增长框架中，属超声弹性成像技术领域。

背景技术

准静态超声弹性成像(UE)是一种非侵入性体内评估生物组织机械性能的方法，组织的机械性能通常与其病理演变密切相关。其临床应用前景广阔，从而促使主要的超声销售商(通用电气，西门子，飞利浦)在全球范围内发布其软件包。

在超声弹性成像应用中，运动跟踪是至关重要的一步。针对大变形超声应变弹性成像(USE)对运动跟踪提出了独特的挑战。在USE框架下，首先获取一对超声信号，然后估计这两个信号之间的位移。估计空间轴向(沿声束方向)应变，并显示为灰度图像，其中暗区域对应于硬组织，而亮区域指示软组织。在超声运动追踪过程中，位移估计的速度和准确性都非常重要。常用的运动跟踪算法可以大致分为三类：(a)基于相关性，(b)正则化，(c)基于光流的方法，现在，我们最近证明了深度学习神经网络模型也可以用于可靠地跟踪体内组织运动的情况。对于基于相关性的运动追踪方法，仅使用相关性并不能克服信号间的跟踪误差(也称为“峰值跳跃”错误)，因为超声信号在获取的过程中被噪声破坏或大大衰减。在正则化运动跟踪方法中，信号相关性/相干性与运动连续性相结合以抑制“峰跳”误差的发生率。另外，可以采用引导搜索策略来减少“峰跳”误差，通过使用先前行或相邻列的先前位移估计进行引导搜索。引导搜索策略也会带来问题，问题是来自“不良”指导将会使位移估计误差累积。

为了解决这个问题，Chen等人提出了一种区域增长策略，该策略是从图像分割中借用的。算法的基本思想是从“种子”开始进行运动追踪，运动追踪过程随着算法的进行将传播到队列中的下一个最高质量的位置，直到获得整个目标区域位移为止。这种“区域增长”的问题在于如果初始种子点的选取不合适，则策略获得的位移结果可能会受到影响。

发明内容

本发明主要是克服现有技术中的不足之处，提出一种提高位移计算的准确度和精度的二维联合局部位移拟合区域增长贝叶斯运动追踪算法。

本发明解决上述技术问题所提供的技术方案是：二维联合局部位移拟合的区域增长贝叶斯运动追踪方法，包括以下步骤：

步骤一、确认种子点：选择感兴趣区域ROI，再从感兴趣区域ROI的位移估计点中选择候选点集；计算候选点集中候选点及其四个邻域点的后验概率值，和5个点最大后验概率值的和MPPS及最大绝对位移差；根据设定的阈值、最大后验概率值的和MPPS及最大绝对位移差判断感兴趣区域ROI内的候选点是否为种子点；

步骤二、引导搜索，位移估计：通过种子点的选取后将确定初始的已知位移点集、内点集IP和边界点集BP，在确定的边界点集内选择具有最大后验概率值的点作为活动增长点，根据活动增长点的位移，进行引导搜索，再根据活动增长点的位置以及位移选定邻域和搜索范围进行位移估计；

步骤三、局部位移拟合：以位移估计点为中心进行局部位移拟合；位移估计和拟合估计完成后将产生新的边界点添加到已知位移点集中；在活动增长点的相邻点集中，那些位移最初未知的点现在转化为已知位移点，已知位移点集中边界点集更新，产生新的边界点集；估计完成后，活动增长点由边界点集成员变为内点集成员，继续上述步骤直到所有的未知点集成员转变成已知位移点集成员；