[发明专利]医学图像中对称器官的分割方法

摘要

本发明涉及到医学图像处理、计算机视觉技术领域。为提供一种考虑器官的对称属性、能解决速度和精度问题医学图像中对称器官的分割方法，为达到上述目的，本发明采取的技术方案是，医学图像中对称器官的分割方法，包括如下步骤：步骤一：确定图像的限定框Bounding Box；步骤二：检测对称轴，计算对称映射矩阵；步骤三：获取对称相似矩阵；步骤四：在图中引入对称约束模型；步骤五：通过图割方法求解能量方程，得到最终的分割结果。本发明主要应用于医学图像处理。

主权项

一种医学图像中对称器官的分割方法，其特征是，包括如下步骤：步骤一：确定图像的限定框Bounding Box对于给出的初始图像，需要用户给出一个限定框，作为初始的输入；步骤二：检测对称轴，计算对称映射矩阵应用MIFT算法获取离散的匹配点，MIFT是Mirror Reflection Invariant Feature Descriptor的字头缩写，由得到的匹配点，使用RANSAC方法计算出2维的映射矩阵，用HT表示；步骤三：获取对称相似矩阵利用对称映射矩阵HT，得到像素u初始匹配像素u′，通过局部的优化过程，获取像素u的一个更准确的对称匹配，定义u′的邻近点k的相似区分度m(k)为： m ( k ) = | | z u - z k | | 2 · exp ( dis ( x u ′ , x k ) 10 ) , - - - ( 1 ) 这里zu表示像素u的包括亮度、颜色的特征，||zu‑zk||2表示检测到的像素k与像素u在特征空间上，dis(xu′，xk)表示像素xu′和xk的欧式距离，像素u的最佳对称匹配点v和可以通过最小化相似区分度m获得： u → v = arg min v ∈ N ( u ′ ) { m ( v ) } , - - - ( 2 ) 这里N(u′)是u的对称点u′的邻近像素点的集合，定义映射m＝{m(u)}代表图片的相似区分度集合，通过熵来描述全局的对称结构，设定平衡参数λ为： λ = exp { Entrop y 3 ( m ) 1000 } , - - - ( 3 ) Entropy(m)表示相似区分度集合的熵，上面的3表示三次方，1000为归一化参数，用于调节系数，根据图片的对称情况，获取不同的λ值，最后由得到的对称轴和映射矩阵，将图片用对称相似矩阵表示HS，对称相似矩阵HS＝[HS(u)]使用指数形式定义： H S ( u ) = 2 λexp ( - m ( u ) mean ( m ) ) + 1 - λ , - - - ( 4 ) 其中mean(m)是m的平均值，HS(u)表示对称相似度，HS(u)的值被参数λ限定在[1‑λ，1+λ]之间；步骤四：在图中引入对称约束模型这里需要把对称相似矩阵引入马尔科夫随机场，来获得前景物体的对称属性：传统的马尔科夫随机方程： E ( L ) = Σ u ∈ Λ D u ( L u ) + Σ ( u , v ) ∈ N V u , v ( L u , L v ) , - - - ( 5 ) 这里L＝{Lu|u∈Λ}表示图片Λ的二值标签，对于一般分割Lu∈{0，1}，0表示背景，1表示器官，对于像素v，Lv∈{0，1}；数据项Du称为数据惩罚函数，它的获取基于图像的前景和背景；Vu，v是平滑惩罚，它用来鼓励相似的像素分配同样的标签；N是包含临近像素 对的集合，使用对称相似矩阵作为转换参数来加强对称前景的提取，修改数据惩罚函数为D′u： D u ′ ( u ) = v ( u ; L u ) Hs ( u ) if L u = s v ( u ; L u ) ( 2 - Hs ( u ) ) if L u = t , - - - ( 6 ) 其中Hs(u)表示对称相似度，s表示源点，t代表汇点，在数据惩罚函数D′u中，鼓励对称的像素为前景，不对称的部分标记为背景；与数据惩罚函数相同，线性连接匹配的对称对和马尔科夫模型的平滑惩罚，表示为： Σ { u , v } ∈ N V u , v ( L u , L v ) + Σ u ∈ Λ V u → v S ( L u ) , - - - ( 7 ) 这里的u→v表示像素v是由方程(2)获得的像素u的对称点，其它变量如平滑惩罚Vu，v与方程(5)中一样，后面一项上方的S表示u到v的边；步骤五：通过图割方法求解能量方程，得到最终的分割结果最后，能量方程定义为： E s ( L ) = Σ u ∈ Λ D u ′ ( L u ) + Σ { u , v } ∈ N V u , v ( L u , L v ) + Σ u ∈ Λ V u → v S ( L u ) , - - - ( 8 ) 此时可以把分割看作全局最小化，即L*＝argminEs(L)，因为在方程(8)中定义的能量方程Es(L)拥有子模性，所以能量方程最小化的问题可以通过图割算法解出。