專利名稱：基于組合稀疏模型的先驗形狀建模方法
技術(shù)領域：
本發(fā)明基于組合稀疏模型的先驗形狀建模方法屬于醫(yī)學圖像分割技術(shù)領域，涉及的是一種醫(yī)學圖像分割中的先驗形狀建模方法，特別是三維醫(yī)學圖像分割中具有個體適應性的器官先驗形狀的獲取方法。
背景技術(shù)：
醫(yī)學圖像分割是一個非常具有挑戰(zhàn)性的課題。由于低信噪比、低對比度、以及不同軟組織之間邊界模糊、存在采·樣偽影、局部體效應、空間混疊等因素使醫(yī)學圖像中存在許多不確定干擾，所以醫(yī)學圖像分割具有很強的針對性，使得醫(yī)學圖像分割至今都沒有統(tǒng)一的標準和普遍適用的規(guī)則。醫(yī)學圖像分割經(jīng)歷了一個由傳統(tǒng)的區(qū)域增長算法、邊界檢測算法發(fā)展到水平集算法和基于分類和聚類的方法等算法的過程，由于醫(yī)學圖像的特殊性，上述算法進行醫(yī)學圖像分割時容易出現(xiàn)欠分割和過分割，目前基于模型如先驗形狀的醫(yī)學圖像分割方法逐漸流行起來。值得注意的是，人體器官如肝臟、腎臟、心臟等都有很顯著的形狀特征，不同病人的同種器官在形狀上具有很大的相似性，使用先驗形狀的方法可以有效解決區(qū)域邊界模糊帶來的誤分割問題，因而可以使用先驗形狀來輔助提取感興趣區(qū)域。對目前所使用的先驗形狀模型進行考察發(fā)現(xiàn)，盡管先驗形狀在醫(yī)學圖像分割中可以有效排除噪聲干擾，具有很強的魯棒性，對先驗形狀的建模卻不是一件容易的事。這里主要存在著三個問題
第一，如何對復雜的形狀變化進行建模。有些器官的形狀個體差異較大，變化較復雜，無法用一個參數(shù)概率分布來對它建模。Cootes和Taylor在1997年提出了用高斯混合模型來表達形狀變化的解決方法，而多重學習技術(shù)(Manifold learning techniques)通過對非線性形狀先驗知識進行學習，也可用來在一定程度上解決這個問題，Yan和Kruecker等人還提出了將形狀分解為子空間進行建模的方法。但是，對于形狀比較復雜，個體間差異較大的情況，使用參數(shù)概率分布的方法建模還是無法對形狀分布進行準確的描述。第二，如何處理非高斯誤差。形狀中的離群點(如錯誤或者缺失的標記點)往往會偶然存在，并不服從高斯分布，構(gòu)建的形狀模型必須對這些誤差具有較高的魯棒性。Duta和Sonka提出了一個利用概率分布模型的方差信息來檢測離群點的方法，并且通過臨近點的位置對離群點進行校正。Fischler和Bolles通過對幾種方法的比較發(fā)現(xiàn),RANSAC(randomsample consensus)是一種比較有效的減小離群點的影響方法。第三，如何保留局部細節(jié)信息。形狀模型應當針對不同的圖像數(shù)據(jù)具有適應性，能夠保留該圖像中存在的局部細節(jié)信息。常規(guī)的方法是利用主成分分析(PCA)提取主成分以后剩余的部分作為局部細節(jié)信息，Davatzikos等人將形狀模型分解為幾個獨立的子部分，通過層次建模的方法來捕捉局部細節(jié)，因為局部細節(jié)常出現(xiàn)在訓練樣本中的一部分形狀上，具有更小的方差?，F(xiàn)有的絕大多數(shù)形狀建模方法都專注于解決上述一個或者兩個問題，而對于同時有效地處理上述三個問題，對醫(yī)學圖像的分割具有十分重要的意義。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種基于組合稀疏模型的先驗形狀建模方法，以克服現(xiàn)有的先驗形狀建模技術(shù)中的不足，使其在對醫(yī)學圖像中不同個體之間的待分割器官進行先驗形狀模型建模時，克服用參數(shù)概率分布等方法的不足，更有效地表示復雜的形狀變化，而且在對非高斯誤差具有很高的魯棒性的同時，能夠有效地保留形狀中的局部細節(jié)信息。本發(fā)明目的通過下述技術(shù)方案實現(xiàn)一種基于組合稀疏模型的先驗形狀建模方法，采用先驗形狀建模，針對特定的組織器官建立一個由臨床數(shù)據(jù)收集而來的形狀庫，該形狀庫由來自不同病人的圖像數(shù)據(jù)的已經(jīng)分割好的形狀組成，以建立這些病人的相應器官的金標準，其通過以下步驟實現(xiàn)
步驟I :通過對金標準表面上點的采樣，將形狀表面做網(wǎng)格化的預處理，形狀庫中的網(wǎng)格化后的形狀為模型的訓練數(shù)據(jù)；
步驟2 :將網(wǎng)格化后的形狀用稀疏形狀組合模型表示，形狀庫中的每個形狀，其對應網(wǎng)格上所有頂點的坐標排列成一個列向量，整個形狀庫得到一個矩陣D ；
步驟3 :對稀疏形狀組合模型進行最優(yōu)化求解得到相應參數(shù)；
步驟4 :將求解得到的參數(shù)，通過反變換得到所需的先驗形狀，
其步驟2中，采用一個基本假設，即經(jīng)過適當?shù)目臻g位置校正，任意一個待處理的形狀y，都能近似表示成形狀庫中的形狀的線性組合，線性組合無法表示出的部分，即線性組合表示結(jié)果與該器官的實際形狀的差異，則視為噪聲e，用
Z = R1,X2,...表示各個形狀的組合系數(shù)，通過如下函數(shù)作為最優(yōu)化建模函數(shù)和e的值通過使如下?lián)p失函數(shù)最小化得到
權(quán)利要求
1.一種基于組合稀疏模型的先驗形狀建模方法，采用先驗形狀建模，針對特定的組織器官建立一個由臨床數(shù)據(jù)收集而來的形狀庫，該形狀庫由來自不同病人的圖像數(shù)據(jù)的已經(jīng)分割好的形狀組成，以建立這些病人的相應器官的金標準，其特征在于，通過以下步驟實現(xiàn) 步驟I:通過對金標準表面上點的采樣，將形狀表面做網(wǎng)格化的預處理，形狀庫中的網(wǎng)格化后的形狀為模型的訓練數(shù)據(jù)； 步驟2 :將網(wǎng)格化后的形狀用稀疏形狀組合模型表示，形狀庫中的每個形狀，其對應網(wǎng)格上所有頂點的坐標排列成一個列向量，整個形狀庫得到一個矩陣D ； 步驟3 :對稀疏形狀組合模型進行最優(yōu)化求解得到相應參數(shù)； 步驟4 :將求解得到的參數(shù)，通過反變換得到所需的先驗形狀， 其步驟2中，將一個待處理的形狀y近似表示成形狀庫中的形狀的線性組合，線性組合無法表示出的部分，即線性組合表示結(jié)果與該器官的實際形狀的差異，則視為噪聲e，用= Z2,...,表示各個形狀的組合系數(shù)，；^和e值通過使如下?lián)p失函數(shù)最小化得到
2.根據(jù)權(quán)利要求I所述的基于組合稀疏模型的先驗形狀建模方法，其特征在于所述的將形狀表面做網(wǎng)格化的預處理是指將要建立的某一特定的組織器官的形狀庫，通過對臨床數(shù)據(jù)的收集，將大量病人的三維圖像中的特定的組織器官由臨床專家手工分割出來，以建立這些病人的相應器官的金標準，金標準被認為是與實際的器官完全吻合的，得到的金標準是一個二值圖像，為了反映形狀信息，只需要將金標準的表面提取出來，通過對金標準表面上點的采樣，得到一系列標記點和三角形面片組成的網(wǎng)格表面，即以網(wǎng)格表示形狀，特定的組織器官對應的網(wǎng)格由網(wǎng)格上每個頂點的空間坐標和頂點之間的拓撲關(guān)系決定，通過Prcrustes分析完成在對形狀進行稀疏組合表示之前的預處理。
3.根據(jù)權(quán)利要求I所述的基于組合稀疏模型的先驗形狀建模方法，其特征在于，最優(yōu)化求解目標函數(shù)的方法為所述的形狀庫中的第i個形狀，其對應網(wǎng)格上所有頂點的坐標依據(jù)這些頂點的拓撲結(jié)構(gòu)按順序排列成一個列向量，記做JT,其中n是頂點數(shù)量與坐標維數(shù)的乘積，當形狀庫中包含k個形狀，那么該形狀庫表示成矩陣D的形式D = WA…X] ,同時形狀庫之外的一個待處理的形狀也表不成列向量； 當形狀庫中的形狀為k>n的情況，輸入形狀能被訓練數(shù)據(jù)的稀疏線性組合表示，用公式2體現(xiàn)
4.根據(jù)權(quán)利要求I或3所述的基于組合稀疏模型的先驗形狀建模方法，其特征在于所述的最優(yōu)化求解方法為以下兩個步驟 步驟3. I :通過形狀的Procrustes分析來估計參數(shù)#,并通過Procrustes分析將形狀y的空間位置、方向和尺寸進行一系列的剛體變換而使它與形狀庫中的平均圖像有最佳匹配，得到新的形狀
5.根據(jù)權(quán)利要求I至4所述的基于組合稀疏模型的先驗形狀建模方法用于肝臟圖像分割中對先驗形狀的建模，在計算機環(huán)境中運行，其特征在于， 步驟I選擇計算機運行環(huán)境為在CPU為Intel (R) Core 13-2100 3. IOGHz內(nèi)存為·2. OGB的計算機中實現(xiàn)，編程語目為C++ ； 步驟2在肝臟圖像分割中對先驗形狀的建模方法 1)、首用VTK三維圖形圖像處理類庫將初始肝臟形狀表面轉(zhuǎn)化為網(wǎng)格化表示，網(wǎng)格化后的形狀為模型的訓練數(shù)據(jù)，同時將每個肝臟形狀轉(zhuǎn)化成按每個標記點的坐標排列成的一維列向量表示，整個肝臟形狀庫表示成一個矩陣D，其中每一列對應一個訓練形狀； 2)通過Procrustes分析將待處理的肝臟形狀朝形狀庫里面的肝臟形狀對齊，消除位置、大小和方向上的不一致，并且將該變換對應向量的參數(shù)5記錄下來，本步驟設定好公式4中的兩個稀疏數(shù).. 和兒2 ,建立公式4所對應的最優(yōu)化方程，通過形狀的Procrustes分析來估計參數(shù),從而得到新的形狀T 二 Tiys 0),這樣公式4中就只剩下X未知； Procrustes分析的過程通過VTK提供的函數(shù)來實現(xiàn)； 3)、使用快速迭代收縮閾值算法(FastIterative Shrinkage ThresholdingAlgorithm, FISTA)對公式5中對應的線性逆問題求最優(yōu)解a，這樣公式4中待定的參數(shù)和e都求解出來，從而得到肝臟形狀庫中形狀的最優(yōu)線性組合Dx ； 4)、將形狀庫中肝臟形狀的稀疏線性組合的最優(yōu)線性組合的結(jié)果^按照參數(shù)所對應的逆變換將組合形狀變 換回輸入形狀對應的原空間，即得到的輸出形狀作為該病人肝臟的先驗形狀。
全文摘要
本發(fā)明基于組合稀疏模型的先驗形狀建模方法，屬于醫(yī)學圖像分割技術(shù)領域，采用先驗形狀建模，針對特定的組織器官建立一個由臨床數(shù)據(jù)收集而來的形狀庫，該形狀庫由來自不同病人的圖像數(shù)據(jù)的已經(jīng)分割好的形狀組成，以建立這些病人的相應器官的金標準，步驟為步驟1通過對金標準表面上點的采樣，將形狀表面做網(wǎng)格化的預處理，形狀庫中的網(wǎng)格化后的形狀為模型的訓練數(shù)據(jù)；步驟2將網(wǎng)格化后的形狀用稀疏形狀組合模型表示，形狀庫中的每個形狀，其對應網(wǎng)格上所有頂點的坐標排列成一個列向量，整個形狀庫得到一個矩陣D；步驟3對稀疏形狀組合模型進行最優(yōu)化求解得到相應參數(shù)；步驟4將求解得到的參數(shù)，通過反變換得到所需的先驗形狀。
文檔編號G06K9/62GK102760236SQ20121007427
公開日2012年10月31日 申請日期2012年3月20日 優(yōu)先權(quán)日2012年3月20日
發(fā)明者顧力栩 申請人:蘇州迪凱爾醫(yī)療科技有限公司