[发明专利]基于统计形状模型的医学图像Graph Cut分割方法

摘要

本发明公开了一种基于统计形状模型的医学图像Graph Cut分割方法,主要解决了现有技术中低对比度器官在医学图像中难以得到良好分割的问题。其实现步骤是：(1)建立低对比度器官的统计形状模型并采集灰度信息；(2)预分割低对比度器官；(3)初始化Graph；(4)分割低对比度器官。本发明的基于统计形状模型的医学图像Graph Cut分割方法在使用Graph Cut算法快速分割的基础上，加入了器官的形状先验知识，降低了过分割、欠分割的可能性，利用动物器官和动物体外轮廓之间的相对关系确定低对比度器官的初始位置，提高分割效率，是一种快速有效的器官分割方法。

主权项

1.一种基于统计形状模型的医学图像Graph Cut分割方法，包括如下步骤：(1)建立低对比度器官的统计形状模型并采集灰度信息：将包含目标低对比度器官的三维CT图像作为训练集，手动分割动物体外轮廓、低对比度器官，对其进行有限元离散剖分得到点云数据，使用相似性变换将训练集中的样本对齐配准到一个坐标系上，对配准后的形状分别使用PCA计算低对比度器官和动物体外轮廓的平均形状和形状变化，采集每个特征点的局部灰度信息；并使用机器学习方法建立分类函数，学习手动分割的低对比度器官和背景的灰度信息和位置信息；(2)预分割低对比度器官：将步骤(1)中获得的动物体外轮廓平均形状的中心与T^C的中心重合，沿特征点法线方向搜索分割得到动物体外轮廓，计算平均形状到外轮廓的变换T；T可近似为低对比度器官到测试图像器官的变换，对低对比度器官平均形状做变换T，得到低对比度器官初始位置T^O；在初始位置T^O基础上，沿特征点法线方向进行器官的搜索分割，得到低对比度器官预分割结果；(3)初始化Graph：根据待分割图像中像素点的灰度信息和距离信息，以及步骤(1)中获得的低对比度器官的平均形状和分类函数，构造待分割图像对应的Graph；然后使用步骤(2)得到的预分割结果初始化Graph中边的权值，得到初始化后的Graph，即G_l；(4)分割低对比度器官：使用Graph Cut算法对计算步骤(3)中得到的G_l的最大流，即最小化待分割图像对应的能量方程：E(L)＝λ(R(L)k₁S_p(L))+(B(L)+k₂S_p1,p2)，得到分割G_l并使得能量方程取值最小的一个割(Cut),即为最终的低对比度器官边界；所述步骤(1)中建立低对比度器官的统计形状模型并采集灰度信息的具体步骤为：(1a)对训练样本中的低对比度器官和动物体外轮廓进行手动分割，分别对分割结果进行有限元离散剖分，得到相应的三维点云数据；对各个样本的低对比度器官和动物体外轮廓的点云数据通过仿射变换进行配准，随机选取一个样本的点云数据作为基准模板将所有样本进行旋转、平移相似性变换，得到两者对齐配准结果；(1b)对步骤(1a)中配准后的的结果求和平均，分别计算低对比度器官均值模型和动物体外轮廓均值模型其中，为第i个低对比度器官对齐配准后的样本，为第i个动物体外轮廓对齐配准后的样本，L为训练样本数,均为K行乘3列的矩阵，K为配准后单个样本三维点云中点的个数；(1c)计算低对比度器官配准结果的协方差矩阵S^O：S^O为3K行乘3K列的矩阵；(1d)对协方差矩阵S^O进行特征分解，求解对应的特征值和特征向量，将特征值按绝对值降序排列，选取前t个特征值，以确保能够反应样本变化的主要模式，将主成分对应的特征向量单位化处理；选择t个特征值使得：其中s_i为第i个奇异值，即选取可以保留原图像95％的特征；其中t的取值范围为：1≤t≤3K；(1e)根据步骤(1d)所得，低对比度器官统计形状模型中的任意形状X^O均可描述为其均值模型与特征向量P^O和形变参数b^O的线性组合，即为：为了使形状变化限制在合理的范围内，形变参数b^O需满足：其中，λ为第一主成分特征值；(1f)同步骤(1c)‑(1e),计算得到动物体外轮廓统计形状模型中的任意形状X^C可描述为其均值模型与特征向量P^C和形变参数b^C的线性组合:形变参数b^C需满足：其中，λ^C为第一主成分特征值；(1g)分别提取训练集中动物体外轮廓和低对比度器官所有标记点的局部灰度信息，对每一个标记点沿其轮廓的法线方向在改点两侧各取n个点，则一个样本中第i张切片图像上第j个标记点处的灰度向量为：g_ij＝[g_ij0,g_ij1,...,g_ij2n]^T再对g_ij进行差分处理以保证偏移的相对不变性及灰度尺度的一致性，差分向量长度为2n，则处理后的灰度向量记为：用上述方法对所有训练样本中相对应的标记点进行处理，得到L个样本中相对应点的平均标准化差分灰度向量，即：计算其协方差，记为：对所有标记点进行上述操作，得到动物体外轮廓和低对比度器官边界点的局部灰度信息；(1h)使用常规的机器学习方法，分别以像素点像素值和坐标为特征，建立两个分类函数，学习手动分割的低对比度器官和背景的灰度信息和位置信息；所述步骤(2)中预分割低对比度器官的具体步骤为：(2a)将步骤(1)中获得的动物体外轮廓平均形状的中心与待分割图像的中心重合，沿特征点法线方向两侧各k个点共2k+1个点搜索，找到马氏距离d最小的点即为最佳匹配点，其中：其中q_j为待测边界点对应标记点j的某个特征沿其法线方向的归一化灰度向量，和S_yj是标记点j的局部灰度模型。遍历所有点后产生新的形状模型，迭代至两个相邻的形状模型差值小于一定阈值时停止搜索。得到动物体外轮廓T^C，计算平均形状到外轮廓的变换T：(2b)基于动物体外轮廓与低对比度器官之间的位置相关性，将配准变换T近似为低对比度器官平均形状到测试图像器官的变换，对低对比度器官平均形状做变换T，得到低对比度器官初始位置P^O，即：(2c)根据步骤(2b)中确定的低对比度器官初始位置P^O，使用同步骤(2a)所述方法分割得到低对比度器官初始分割结果T^O；(2d)对步骤(2c)得到的低对比度器官轮廓T^O的点云数据使用三角剖分算法进行面片化，再对得到的三角网格数据通过带标的欧氏距离场进行体素化；所述步骤(3)中初始化Graph的具体步骤为：(3a)Graph的构造：待分割图像中的每一个像素点抽象为Graph中的顶点，每个顶点p有两种边:①n‑link,边e_{p,S}，e_{p,T}分别表示像素点和前景、背景的关系，权值为：R(L)+k₁S_p(L)其中k₁为调节区域项R(L)和形状先验S_p(L)的正参数：R(L)＝‑ln Pr(I_r|L)其中为P_r(I_r|L)为后验概率，使用步骤(1)中由灰度值得到的分类函数计算；Pr_p(L)为点p是被标记为0或1的概率，0表示背景概率，1表示低对比度器官概率；当时，若点p在内,否则当时，Pr_p(L)使用步骤(1)由坐标得到的分类函数计算，T_n为分类函数决策边界处像素点坐标与训练样本分割边界的平均距离；②t‑link，表示像素点和8邻居系统中其他八个像素点之间的关系，权值为：B(L)+k₂S_p1,p2,其中k₂为调节边界项B(L)和形状先验S_p1,p2的正参数，σ为经验值；其中L_p1，L_p2为点p₁，p₂的前景标签或背景标签；为点p_i到平均形状的欧氏距离；L为训练图像的数目，σ_i²由第i个训练图像计算得到，N_i为第i个训练图像中像素点的个数，为点p_j到平均形状的欧氏距离；(3b)使用步骤(2)得到的预分割结果对步骤(3a)构造的Graph进行初始化；根据步骤(2)预分割结果，在低对比度器官内部的像素点所对应的Graph中顶点的n‑link置为e_{p,S}＝Inf,e_{p,T}＝0；在低对比度器官外部的像素点对应的n‑link置为e_{p,S}＝0,e_{p,T}＝Inf，得到初始化后的图G_l。