專利名稱：基于局部和全局區(qū)域不相似性度量的變分分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及醫(yī)學(xué)圖像分割技術(shù)領(lǐng)域，一種利用局部和全局區(qū)域不相似性度量的變分分割方法，基于level set框架，對(duì)醫(yī)學(xué)圖像數(shù)據(jù)進(jìn)行處理。
背景技術(shù)：
隨著現(xiàn)代技術(shù)的快速發(fā)展，各種非侵入成像手段被不斷開發(fā)出來，這些技術(shù)的進(jìn)步，使得人類探索大腦的奧秘，研究各種精神疾病的病理基礎(chǔ)成為可能。由于大腦結(jié)構(gòu)非常復(fù)雜，不同的組織，不同的子結(jié)構(gòu)在組成上，功能上都極大的不同，因此需要把大腦按照不同的應(yīng)用劃分成不同的感興趣區(qū)域，這就是腦圖像分割，由分割對(duì)象的不同，腦圖像分割可以分為組織分割，子結(jié)構(gòu)分割，及病變組織分割。因?yàn)榉指钍菐缀跛袑?duì)大腦結(jié)構(gòu)分析的基礎(chǔ)，所以它在醫(yī)學(xué)圖像處理中起著非常重要的作用?，F(xiàn)代圖像處理學(xué)，計(jì)算機(jī)視覺已經(jīng)發(fā)展了很多分割算法，大部分可以應(yīng)用于醫(yī)學(xué)圖像領(lǐng)域，但是腦圖像的分割問題要更為復(fù)雜，一是大腦本身形狀的復(fù)雜，二是目前各種成像手段的限制，例如對(duì)MRI腦成像，有限的圖像分辨率，部分容積效應(yīng)，噪聲，不均勻場(chǎng)，同種組織的信號(hào)不均勻性等都會(huì)使得分割問題變得非常難以處理。雖然可以由人工來進(jìn)行處理，但是一般的腦成像數(shù)據(jù)都是三維，而且通常都是研究成組的數(shù)據(jù)，所以數(shù)據(jù)量是非常驚人的，另外不同的人分割的結(jié)果會(huì)有不同，而且精度有時(shí)也無法達(dá)到要求，因此基于圖像信息的自動(dòng)/半自動(dòng)分割算法是迫切需要的。
對(duì)圖像分割算法研究有著大量的文獻(xiàn)，然而由于圖像分割問題是一個(gè)特異性的問題，也就是說對(duì)不同的目標(biāo)，問題就可能完全不同，要具體問題具體分析，因此不存在一種完全普適的方法可以很好的解決分割問題。但是一些經(jīng)典的，有效地算法還是存在的。目前對(duì)于醫(yī)學(xué)圖像，主流的分割算法基本上有兩類，一類是把圖像分割看作是分類問題，即圖像的灰度及其它特征構(gòu)成圖像的特征空間，在這個(gè)空間內(nèi)用有效的分類/聚類算法，例如模糊C均值方法，SVM，貝葉斯方法，馬爾可夫場(chǎng)分割方法等，這類方法的一個(gè)缺陷就是對(duì)噪聲比較敏感。另一大類方法是主動(dòng)輪廓模型。首先初始化一個(gè)圖像域中的輪廓，然后在給定速度場(chǎng)下向目標(biāo)進(jìn)化，最終達(dá)到目標(biāo)邊界的方法。根據(jù)進(jìn)化過程所采用的信息的不同，可以基本分為邊界驅(qū)動(dòng)的方法，區(qū)域驅(qū)動(dòng)的方法，先驗(yàn)信息驅(qū)動(dòng)的方法。邊界驅(qū)動(dòng)的方法利用了圖像的梯度信息來決定對(duì)應(yīng)位置的輪廓速度的大小，因?yàn)橛玫氖蔷植啃畔?，因此?duì)初始化和噪聲非常敏感?；趨^(qū)域的方法采用了全局的信息，類似于區(qū)域競(jìng)爭(zhēng)，具有更魯棒的特性。結(jié)合先驗(yàn)信息的方法效果最好，他們是在給予邊界或者區(qū)域的方法上再加上幾何形狀的先驗(yàn)信息。但是先驗(yàn)知識(shí)得提取，訓(xùn)練是很難，關(guān)鍵的步驟，對(duì)于有的分割問題就沒法得到這樣的先驗(yàn)信息。我們的方法是一種區(qū)域驅(qū)動(dòng)的方法，因?yàn)橥瑫r(shí)應(yīng)用了每個(gè)像素的鄰域的一階和二階矩信息，因此對(duì)于噪聲污染很強(qiáng)以及擴(kuò)散邊界的問題比傳統(tǒng)的基于區(qū)域的方法有更好的分割結(jié)果。
參考文獻(xiàn)C.Xu，D.L.Pham and J.L.Prince，Medical Image Segmentation UsingDeformable Models，Handbook of Medical Imaging-Volume2MedicalImage Processing and Analysis.Pp.129-174.SPIE Press May 2000.S.C Zhu and A.Yuille.Region CompetitionUnifying Snakes，RegionGrowing，and Bayes/MDL for Multiband Image Segmentation.IEEETransactions on Pattern Analysis and Machine Intelligence，18(9)884-900.T.F.Chan and L.A.Vese，Active contours without edges.IEEE Transactions onImage Processing.10(2)266-277.2001N.Paragios and R.Deriche.Geodesic Active Regions and Level Set Methodsfor Supervised Texture Segmentation.International Journal of Computer Vison，46(3)223-247，2002.
N.Paragios.Geodesic Active Regions and Level Set methodsContributionsand Applications in Aritfical Vision.PhD thesis.Ecole Superiore en ScienceInformatique，Universite de Nice-Sophia Antipolis/INRIA.2000.C.Lenglet，M.Rousson，and R.Deriche，Segmentation of 3D ProbabilityDensity fields by surface evolutionApplication to Diffusion MRI.In Proc 7thIntl.Conf.on Medical Image Computing and Computer Assisted intervention，Saitn-Malo，F(xiàn)rance，September，2004發(fā)明內(nèi)容一種對(duì)醫(yī)學(xué)圖像進(jìn)行分割處理的方法，本發(fā)明應(yīng)用于圖像分析領(lǐng)域，尤其對(duì)于核磁共振成像與擴(kuò)散張量成像，當(dāng)然也包括其它模態(tài)的圖像也適用。對(duì)于一幅圖像，在給定區(qū)域個(gè)數(shù)(分割對(duì)象個(gè)數(shù))以后，通過對(duì)局部區(qū)域(每個(gè)像素的鄰域)與全局區(qū)域(圖像域的一剖分，例如目標(biāo)，背景)作不相似性度量(目前我們用J散度)，可以得到劃分的定量評(píng)價(jià)-能量范函，對(duì)這個(gè)能量范函求極值，采用梯度下降或者其它優(yōu)化算法找到對(duì)應(yīng)極值的函數(shù)。本方法基于level set框架，用隱函數(shù)描述對(duì)象的輪廓，在歐拉坐標(biāo)系下更新全場(chǎng)，從而得到對(duì)應(yīng)零level set的進(jìn)化過程，基于這一框架的好處是拓?fù)渥赃m應(yīng)，數(shù)值計(jì)算穩(wěn)定，可以求得間斷解。另外對(duì)于圖像驅(qū)動(dòng)的速度場(chǎng)，我們提供了歸一化函數(shù)，從而使得計(jì)算可以在較大的時(shí)間步長下穩(wěn)定，提高計(jì)算的速度。
本發(fā)明的核心部分在于，我們提出了一種通過J散度(對(duì)稱KL散度)來度量局部和全局區(qū)域相似度的變分分割方法(也就是一種能量最小化的方法)。這種方法是通過假設(shè)圖像中每個(gè)區(qū)域(全局的圖像區(qū)域和每個(gè)像素對(duì)應(yīng)的局部區(qū)域)都滿足某種分布，然后用信息論中度量隨機(jī)變量分布不相似性準(zhǔn)則來度量它們的相似性。這種方法由于包含了每個(gè)像素鄰域的一階和二階矩信息，所以具有更廣泛的區(qū)分不同區(qū)域的能力。因此對(duì)低信噪比圖像可以有很好的分割效果。這個(gè)方法可以用于DTI圖像的白質(zhì)結(jié)構(gòu)分割，MRI圖像的子結(jié)構(gòu)分割等，尤其在圖像質(zhì)量比較差的情況下，比其它現(xiàn)有的方法具有更魯棒和更精確的結(jié)果。另外，因?yàn)閷?duì)于所有區(qū)域都符合高斯分布的假設(shè)，以及J散度對(duì)于高斯分布存在著非常簡潔的表達(dá)式，因此可以得到很簡單的進(jìn)化方程，使得整個(gè)計(jì)算的復(fù)雜度增加很小，但是效果大大的提高了。
本發(fā)明方法的特征是，利用計(jì)算機(jī)設(shè)備，采用基于全局區(qū)域和局部區(qū)域不相似度量的變分主動(dòng)輪廓模型(active contour model)，使用level set框架，對(duì)圖像自動(dòng)進(jìn)行目標(biāo)提取，以達(dá)到分離不同感興趣區(qū)域的目的。變分分割方法，是輪廓函數(shù)的范函，基于某種準(zhǔn)則建立對(duì)圖像的定量化描述，然后找到最優(yōu)的輪廓，就找到了圖像中物體的邊界。因此對(duì)圖像分割結(jié)果的質(zhì)量準(zhǔn)則就是建立能量范函的核心，我們采用度量局部區(qū)域和全局區(qū)域相似程度的方法，即認(rèn)為它們都是某種分布，然后再用信息論中J散度來度量二者的不相似程度，從直觀意義上來說我們得到的能量范函是一個(gè)加權(quán)的體積，這個(gè)體積中每個(gè)位置上的加權(quán)值就是這個(gè)位置的局部區(qū)域和它所在的全局區(qū)域的不相似程度，顯然當(dāng)二者越相似，所得到的總的加權(quán)體積就越小，則分割的結(jié)果也就越好，因?yàn)檫@說明一個(gè)區(qū)域內(nèi)部每個(gè)局部區(qū)域都與它自身相似。該方法對(duì)于醫(yī)學(xué)圖像分割非常有效，尤其對(duì)于噪聲較強(qiáng)的圖像，得到的結(jié)果比普通方法好很多。該方法可以廣泛應(yīng)用于各種臨床與基礎(chǔ)研究。
所述的對(duì)醫(yī)學(xué)圖像進(jìn)行分割處理的方法，將其廣泛的使用與各種成像模式，包括對(duì)MRI(核磁共振成像)，DT-MRI(擴(kuò)散張量成像)，CT(斷層掃描成像)，超聲圖像進(jìn)行分割，得到希望的感興趣區(qū)域。


圖1是本發(fā)明的基于局部和全局區(qū)域不相似性度量的變分分割方法實(shí)現(xiàn)過程的流程圖。
圖2是真實(shí)3D核磁共振成像上的腦室分割，在軸狀面上內(nèi)顯示的結(jié)果圖。
圖3是真實(shí)3D核磁共振成像上的腦室分割的3D曲面圖。
圖4對(duì)擴(kuò)散張量成像圖。
具體實(shí)施例方式
基本的實(shí)現(xiàn)步驟如下參見圖1步驟一(S1)、計(jì)算原始圖像得到均值圖和方差圖。由于我們對(duì)局部區(qū)域和全局區(qū)域都作了高斯分布假設(shè)，這個(gè)假設(shè)對(duì)于醫(yī)學(xué)圖像來說是有效的，并且對(duì)于不同的噪聲分布，我們用基于高斯假設(shè)得到的進(jìn)化方程計(jì)算，對(duì)于合成圖像的試驗(yàn)得到較好的結(jié)果。并且對(duì)于高斯分布，兩個(gè)分布之間的J散度可以簡化為兩個(gè)分布的均值與方差的函數(shù)，這樣我們就可以得到只有均值和方差決定的速度分布表達(dá)式，得到的均值和方差分表為μw與σw。
步驟二(S2)、根據(jù)公式(1)計(jì)算速度場(chǎng)。這里為了簡化我們只考慮二相位的圖像分割問題，即將圖像分為兩個(gè)區(qū)域。它們的均值和方差分別是(μ1，σ1)和(μ2，σ2)。然后計(jì)算每一點(diǎn)的速度，得到速度分布。
F=σ22+(μ2-μw)24σw2+σw2+(μ2-μw)24σ22-σ12+(μ1-μw)24σw2-σw2+(μ1-μw)24σ12---(1)]]>將得到的速度分布?xì)w一化，用公式(2) 步驟三(S3)、根據(jù)所得到的歸一化后的速度場(chǎng)，帶入H-J方程(3)中，用半隱式有限差分格式，得到滿足熵條件的弱解，進(jìn)化方程如下∂φ∂t=δϵ(φ)[v·▿(▿φ|▿φ|+F)]---(3)]]>步驟四(S4)、當(dāng)能量范函的值達(dá)到最小或者level set函數(shù)變化小于一個(gè)給定的值時(shí)，停止離散方程的迭代。然后對(duì)三維情況可以采用marching cubes方法求出零等值面的三角面片，進(jìn)而得到對(duì)應(yīng)的邊界曲面，對(duì)于二維問題，可以直接去檢測(cè)得到邊界曲線。最終得到分割結(jié)果。
圖2直接在3D圖像上用我們提出的方法進(jìn)行分割。然后在軸狀面選取三個(gè)不同的層顯示。原始圖像是1.5T機(jī)器上得到的3D像，首先進(jìn)行人工剝掉頭皮，然后在腦內(nèi)任意位置初始一個(gè)球，半徑自己選定，經(jīng)過一定時(shí)間的進(jìn)化得到收斂于腦室邊界的曲面。
圖3是我們直接提取3D表面的結(jié)果。
圖4對(duì)擴(kuò)散張量成像，用我們的方法提取出來的胼胝體。對(duì)圖像要先進(jìn)行預(yù)處理手工去掉其它白質(zhì)。
下面舉例說明本發(fā)明的實(shí)現(xiàn)過程步驟一(S1)、數(shù)據(jù)獲取本試驗(yàn)數(shù)據(jù)為一個(gè)健康人成年人在1.5TGE機(jī)器上得到3D數(shù)據(jù)。成像參數(shù)如下TR＝11.3ms，TE＝4.2ms，F(xiàn)A＝15°。為了只提取側(cè)腦室，首先人工去掉第三腦室。
步驟二(S2)、對(duì)得到的圖像計(jì)算均值和方差圖，采用的鄰域窗口大小為3*3*3。
步驟三(S3)、計(jì)算速度場(chǎng)，并進(jìn)行歸一化。
步驟四(S4)、計(jì)算差分方程，得到最優(yōu)的輪廓。
總之，基于局部和全局區(qū)域的變分分割算法對(duì)醫(yī)學(xué)圖像分割具有非常廣泛的應(yīng)用前景。它具有如下優(yōu)點(diǎn)(1)對(duì)噪聲非常魯棒，因?yàn)槲覀兊哪芰糠逗邪肃徲蛐畔⒌囊浑A和二階矩信息；(2)對(duì)初始條件不敏感，并且對(duì)沒有明確邊界的分割問題可以得到好的結(jié)果，因?yàn)椴捎昧巳謪^(qū)域的信息；(3)具有拓?fù)渥赃m應(yīng)性，因?yàn)榛趌evel set框架。
權(quán)利要求
1.一種對(duì)醫(yī)學(xué)圖像進(jìn)行分割處理的方法，其特征是，利用計(jì)算機(jī)設(shè)備，采用基于全局區(qū)域和局部區(qū)域不相似度量的變分主動(dòng)輪廓模型，使用level set框架，對(duì)圖像自動(dòng)進(jìn)行目標(biāo)提取，變分分割方法，是輪廓函數(shù)的范函，基于某種準(zhǔn)則建立對(duì)圖像的定量化描述，然后找到最優(yōu)的輪廓，就找到了圖像中物體的邊界，對(duì)于一幅圖像，在給定區(qū)域個(gè)數(shù)以后，通過對(duì)局部區(qū)域與全局區(qū)域作不相似性度量，用J散度，得到劃分的定量評(píng)價(jià)-能量范函，對(duì)這個(gè)能量范函求極值，采用梯度下降算法找到對(duì)應(yīng)極值的函數(shù)，基于level set框架，用隱函數(shù)描述對(duì)象的輪廓，在歐拉坐標(biāo)系下更新全場(chǎng)，從而得到對(duì)應(yīng)零level set的進(jìn)化過程，基于這一框架的好處是拓?fù)渥赃m應(yīng)，數(shù)值計(jì)算穩(wěn)定，可以求得間斷解，另外對(duì)于圖像驅(qū)動(dòng)的速度場(chǎng)，提供歸一化函數(shù)，其核心部分在于，提出一種通過J散度來度量局部和全局區(qū)域相似度的變分分割方法，該方法是通過假設(shè)圖像中每個(gè)區(qū)域都滿足分布，然后用信息論中度量隨機(jī)變量分布不相似性準(zhǔn)則來度量它們的相似性，該方法包含每個(gè)像素鄰域的一階和二階矩信息，具有區(qū)分不同區(qū)域的能力。
2.根據(jù)權(quán)利要求1所述的對(duì)醫(yī)學(xué)圖像進(jìn)行分割處理的方法，將其廣泛的使用與各種成像模式，包括對(duì)MRI，DT-MRI，CT，超聲圖像進(jìn)行分割，得到希望的感興趣區(qū)域。
3.根據(jù)權(quán)利要求1所述的對(duì)醫(yī)學(xué)圖像進(jìn)行分割處理的方法，其具體步驟如下步驟S1、計(jì)算原始圖像得到均值圖和方差圖，用基于高斯假設(shè)得到的進(jìn)化方程計(jì)算，對(duì)于高斯分布，兩個(gè)分布之間的J散度可以簡化為兩個(gè)分布的均值與方差的函數(shù)，這樣我們就可以得到只有均值和方差決定的速度分布表達(dá)式，得到的均值和方差分表為μw與σw；步驟S2、根據(jù)公式(1)計(jì)算速度場(chǎng)，將圖像分為兩個(gè)區(qū)域，均值和方差分別是(μ1，σ1)和(μ2，σ2)，然后計(jì)算每一點(diǎn)的速度，得到速度分布；F=σ22+(μ2-μw)24σw2+σw2+(μ2-μw)24σ22-σ12+(μ1-μw)24σw2-σw2+(μ1-μw)24σ12---(1)]]>將得到的速度分布?xì)w一化，用公式(2) 步驟S3、根據(jù)所得到的歸一化后的速度場(chǎng)，帶入H-J方程(3)中，用半隱式有限差分格式，得到滿足熵條件的弱解，進(jìn)化方程如下∂φ∂t=δϵ(φ)[v·▿(▿φ|▿φ|)+F]---(3)]]>步驟S4、當(dāng)能量范函的值達(dá)到最小或者level set函數(shù)變化小于一個(gè)給定的值時(shí)，停止離散方程的迭代，然后對(duì)三維情況可以采用marchingcubes方法求出零等值面的三角面片，進(jìn)而得到對(duì)應(yīng)的邊界曲面，對(duì)于二維問題，可以直接去檢測(cè)得到邊界曲線，最終得到分割結(jié)果。
全文摘要
本發(fā)明涉及醫(yī)學(xué)圖像分割技術(shù)領(lǐng)域，尤其對(duì)于核磁共振成像與擴(kuò)散張量成像，對(duì)于一幅圖像，在給定區(qū)域個(gè)數(shù)以后，通過對(duì)局部區(qū)域與全局區(qū)域作不相似性度量，得到劃分的定量評(píng)價(jià)－能量范函，采用梯度下降找到對(duì)應(yīng)極值的函數(shù)?；趌evel set框架，用隱函數(shù)描述對(duì)象的輪廓，在歐拉坐標(biāo)系下更新全場(chǎng)，得到對(duì)應(yīng)零level set的進(jìn)化過程，基于這一框架的好處是拓?fù)渥赃m應(yīng)，數(shù)值計(jì)算穩(wěn)定，求得間斷解。對(duì)于圖像驅(qū)動(dòng)的速度場(chǎng)，提供歸一化函數(shù)，使得計(jì)算可以在較大的時(shí)間步長下穩(wěn)定，提高計(jì)算速度。該方法對(duì)于醫(yī)學(xué)圖像分割非常有效，尤其對(duì)于噪聲較強(qiáng)的圖像，得到的結(jié)果比普通方法好很多。該方法可以廣泛應(yīng)用于各種臨床與基礎(chǔ)研究。
文檔編號(hào)G06T7/60GK1956007SQ20051011801
公開日2007年5月2日 申請(qǐng)日期2005年10月24日 優(yōu)先權(quán)日2005年10月24日
發(fā)明者蔣田仔, 朱萬琳 申請(qǐng)人:中國科學(xué)院自動(dòng)化研究所