專利名稱：腦部磁共振血管造影數(shù)據(jù)的分割方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像處理方法，特別是涉及一種腦部磁共振血管造影數(shù)據(jù)的分割方法及裝置。
背景技術(shù)：
每年有大量患者受到由血栓、出血、動脈畸形、狹窄導(dǎo)致的中風(fēng)等腦血管疾病的影響。因此，精確地分割腦血管對于診斷、外科手術(shù)、術(shù)前計劃等有著重要的臨床意義。由于腦血管具有復(fù)雜的三維形態(tài)和較細(xì)的結(jié)構(gòu)，所以其圖像分割是很有挑戰(zhàn)性的。磁共振血管造影(MRA, magnetic resonance angiography)是一種非傾入式的流成像和三維體數(shù)據(jù)生成技術(shù)。有很多方法可以用來進(jìn)行MRA的分割，這些方法可分為基于骨架的和非骨架的兩類方法。前者分割和重建血管通過先探測血管中心線的方法，而后者則直接提取三維血管。基于非骨架的方法分為多尺度分析法、形變模型法、統(tǒng)計模型法以及混合模型法。其中，多尺度分析法在遇到并鄰的血管，以及血管直徑發(fā)生突變時(如血管狹窄、血管瘤)等情況時無法產(chǎn)生有效的觀測結(jié)果。形變模型法很難探測到低對比度血管，并且嚴(yán)重依賴于模型參數(shù)和理想的血管形狀特征，無法探測到病理變化的血管。統(tǒng)計模型法將三維MRA數(shù)據(jù)集中不同解剖結(jié)構(gòu)的感興趣區(qū)看做不同類別數(shù)據(jù)，每一類服從一種特殊的邊緣概率分布模式。然而統(tǒng)計模型法只能提取有限的血管網(wǎng)絡(luò)。在利用統(tǒng)計學(xué)模型解決血管分割問題時，面對的主要挑戰(zhàn)是(I)如果各類分布的的強(qiáng)度互相重疊、并且具有很大的類間方差、以及較小的類間距時，模型的計算結(jié)果往往誤差很大；(2)由于統(tǒng)計學(xué)模型只處理和分析強(qiáng)度信息，缺少空間約束，往往將灰度相同的目標(biāo)和背景當(dāng)做同一類數(shù)據(jù)進(jìn)行分割。因此，常用的血管分割方法無法快速、準(zhǔn)確的對血管進(jìn)行分割。

發(fā)明內(nèi)容
基于此，有必要提供一種腦部磁共振血管造影數(shù)據(jù)的分割方法及裝置，采用該腦部磁共振血管造影數(shù)據(jù)的分割方法能夠快速地分割出腦部血管。一種腦部磁共振血管造影數(shù)據(jù)的分割方法，包括以下步驟獲取腦部磁共振血管造影數(shù)據(jù)；獲取MAP-MRF模型的參數(shù)的值；確定血管的目標(biāo)候選空間；在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果。在其中一個實施例中，所述獲取MAP-MRF模型的參數(shù)的值的步驟之前還包括采用多尺度濾波方法對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理。在其中一個實施例中，所述獲取MAP-MRF模型的參數(shù)的值的步驟包括以下步驟選擇一個第一閾值Y !對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到血管的初始候選空間，并估計出其中一個參數(shù)的大概值，其中Y1E (O, I);利用無監(jiān)督K均值聚類算法及得到的參數(shù)的大概值得到腦部磁共振血管造影數(shù)據(jù)的參數(shù)集；利用EM算法估計參數(shù)的準(zhǔn)確值。
在其中一個實施例中，所述確定血管的目標(biāo)候選空間的步驟包括選擇一個第二閾值Y 2對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到目標(biāo)候選空間，其中0〈 Y 2〈 Y ^l0
在其中一個實施例中，所述MAP-MRF模型的參數(shù)包括均值、方差及混合比例。
在其中一個實施例中，所述在血管的目標(biāo)候選空間內(nèi)利用MAP-MRF模型及得到的參數(shù)的值得到血管的初步分割的步驟是結(jié)合MAP-MRF模型的多模式鄰域系統(tǒng)和對應(yīng)的勢團(tuán)能量函數(shù)，并在確定的正則化參數(shù)作用下進(jìn)行的。
在其中一個實施例中，所述正則化參數(shù)采用最大偽似然迭代逼近算法進(jìn)行估計。
在其中一個實施例中，所述在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果的步驟中，當(dāng)?shù)螖?shù)等于指定數(shù)值或者所有標(biāo)記不在變化時算法終止。
一種腦部磁共振血管造影數(shù)據(jù)的分割裝置，包括用于獲取腦部磁共振血管造影數(shù)據(jù)的數(shù)據(jù)獲取模塊；用于獲取MAP-MRF模型的參數(shù)的值的參數(shù)獲取模塊；用于確定血管的目標(biāo)候選空間的目標(biāo)候選空間確定模塊；用于在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果的血管分割模塊。
在其中一個實施例中，所述腦部磁共振血管造影數(shù)據(jù)的分割裝置還包括用于采用多尺度濾波方法對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理的多尺度濾波模塊。
上述腦部磁共振血管造影數(shù)據(jù)的分割方法及裝置是在目標(biāo)候選空間內(nèi)完成血管的分割，因此極大的減少了計算時間，能夠快速分割出腦部血管。


圖1為一個實施例的腦部磁共振血管造影數(shù)據(jù)的分割方法的流程圖2為獲取MAP-MRF模型的參數(shù)的值的流程圖。
具體實施方式
請參考圖1，一個實施例提供一種腦部磁共振血管造影數(shù)據(jù)的分割方法，該腦部磁共振血管造影數(shù)據(jù)的分割方法包括以下步驟
步驟S110，獲取腦部磁共振血管造影數(shù)據(jù)。
采用多尺度濾波方法對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理。以增強(qiáng)血管和抑制噪聲，得到歸一化的響應(yīng)結(jié)果&，且Rf e [O, I]。
步驟S120,獲取 MAP-MRF (maximum posterior1-Markov random field,最大后驗概率-馬爾可夫隨機(jī)場)模型的參數(shù)的值。此處的參數(shù)包括均值、方差及混合比例。
該步驟S120，獲取MAP-MRF模型的參數(shù)的值主要包括如下步驟。
步驟S121，選擇一個第一閾值Y !對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到血管的初始候選空間，并估計出其中一個參數(shù)的大概值，其 中Y1E (O, I) O也就是采用閾值分析技術(shù)確定其中一個參數(shù)的大概值。
具體的，選擇一個第一閾值^對士取閾值，其中Y1E (O, I)。我們可以認(rèn)為Y1 < Rf彡I所對應(yīng)空間區(qū)域代表血管，此處為血管空間，并用V表示；而0彡RfS Y1所對應(yīng)的空間代表背景，此處為背景空間，并用B表示。第一閾值Y1的選擇的過大則估計的初始血管均值偏大，反之則偏小。為了恰當(dāng)?shù)剡x擇第一閾值Y1，我們可以比較血管空間V相對于頭部容積H的經(jīng)驗比值確定第一閾值^1，此處￥與!1的比值范圍是1%〈￥/!1〈5%。確定血管與背景后可以估計出其中一個參數(shù)的大概值，這個參數(shù)為血管均值，此處得到的為血管均值的大概值。步驟S122，利用無監(jiān)督K均值聚類算法及得到的參數(shù)的大概值得到腦部磁共振血管造影數(shù)據(jù)的參數(shù)集。此處采用I個瑞利分布和2個高斯分布模擬腦部磁共振血管造影數(shù)據(jù)的背景，再用I個高斯分布模擬腦部磁共振血管造影數(shù)據(jù)的血管?；谶@些邊緣概率分布函數(shù)擬合直方圖，并采用閾值分析技術(shù)自動估計得到的血管均值的初始值，然后利用無監(jiān)督K均值聚類算法得到腦部磁共振血管造影數(shù)據(jù)的參數(shù)集。步驟SI23,利用 EM 算法(Expectation-maximization algorithm,最大期望算法)估計參數(shù)的準(zhǔn)確值。步驟S130，確定血管的目標(biāo)候選空間。確定血管的目標(biāo)候選空間可以進(jìn)一步縮小腦部磁共振血管造影數(shù)據(jù)的計算空間，從而可以減少計算量，加快計算速度。此處是選擇一個第二閾值Y 2對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到目標(biāo)候選空間，其中0<y2<y1<lo步驟S140，在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式(ICM, Iterated Conditional Mode)對MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果。此處是在血管的目標(biāo)候選空間內(nèi)進(jìn)行的。該步驟S140，在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果的步驟是結(jié)合MAP-MRF模型的多模式鄰域系統(tǒng)和對應(yīng)的勢團(tuán)能量函數(shù)，并`在確定的正則化參數(shù)作用下進(jìn)行的。此處的MAP-MRF模型包括MRF (Markov random fields,馬爾可夫隨機(jī)場)低級模型和MRF高級模型。在MRF低級模型中，腦部磁共振血管造影數(shù)據(jù)的直方圖分為為低、中、高三個區(qū)域。低灰度區(qū)間包括了腦脊液、骨、背景空氣。中灰度區(qū)間包括了腦組織的灰/白質(zhì)和部分眼組織。高灰度區(qū)間則包括了動脈血管和皮下脂肪組織。這樣一來，我們可以建立4種標(biāo)記，分別對應(yīng)于上述腦組織。用1，2，3類標(biāo)記代表背景(腦脊液、骨、背景空氣；腦灰質(zhì)；腦白質(zhì)和部分眼組織)，用標(biāo)記4代表血管和皮下脂肪組織。利用一個瑞利分布和兩個高斯分布模擬中低灰度區(qū)間的背景類。而在高灰度區(qū)間用一個高斯分布模擬血管類。這樣，采用MRF低級模型就可以進(jìn)行簡單的處理。由于腦部磁共振血管造影數(shù)據(jù)的復(fù)雜背景和圖像噪聲，MRF低級模型并不能分割出血管。此處的MRF高級模型的構(gòu)造與求解需結(jié)合多模式鄰域系統(tǒng)構(gòu)造目標(biāo)點的特性，另外還需約束目標(biāo)點的標(biāo)記值的隨機(jī)變化并結(jié)合多模式鄰域系統(tǒng)對應(yīng)的勢團(tuán)能量函數(shù)。MRF高級模型的正則化參數(shù)采用最大偽似然迭代逼近算法進(jìn)行估計。并可以采用空間編碼模式將計算空間拆分為兩部分，分別計算高階模型參數(shù)后求平均值，并最終得到MRF高級模型所需要的正則化參數(shù)。此處采用迭代條件模式進(jìn)行求解時，迭代條件模式采用貪婪策略最大化局部后驗概率。在求解過程中，初始標(biāo)記場的設(shè)置采用最大似然估計，當(dāng)?shù)螖?shù)等于指定數(shù)值或者所有標(biāo)記不在變化時算法終止。
經(jīng)過以上步驟就可以實現(xiàn)對腦部磁共振血管造影數(shù)據(jù)的分割，并分割出血管目標(biāo)。
另一個實施例提供一種腦部磁共振血管造影數(shù)據(jù)的分割裝置。該腦部磁共振血管造影數(shù)據(jù)的分割裝置包括用于獲取腦部磁共振血管造影數(shù)據(jù)的數(shù)據(jù)獲取模塊；用于獲取MAP-MRF模型的參數(shù)的值的參數(shù)獲取模塊；用于確定血管的目標(biāo)候選空間的目標(biāo)候選空間確定模塊；用于在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對 MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果的血管分割模塊。在該實施例中，MAP-MRF 模型的參數(shù)包括均值、方差及混合比例。
該腦部磁共振血管造影數(shù)據(jù)的分割裝置還包括用于采用多尺度濾波方法對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理的多尺度濾波模塊。
其中，該腦部磁共振血管造影數(shù)據(jù)的分割裝置的用于獲取MAP-MRF模型的參數(shù)的值的參數(shù)獲取模塊包括參數(shù)估計模塊、參數(shù)集獲取模塊及EM算法模塊。
參數(shù)估計模塊用于選擇一個第一閾值Y !對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到血管的初始候選空間，并估計出其中一個參數(shù)的大概值，其中Y1E (O, I) O
參數(shù)集獲取模塊用于利用無監(jiān)督K均值聚類算法及得到的參數(shù)的大概值得到腦部磁共振血管造影數(shù)據(jù)的參數(shù)集。
EM算法模塊用于利用EM算法估計參數(shù)的準(zhǔn)確值。
該腦部磁共振血管造影數(shù)據(jù)的分割裝置的目標(biāo)候選空間確定模塊可以通過選擇一個第二閾值Y2對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到目標(biāo)候選空間，其中 0< Y 2< Y !<1ο
另外，血管分割模塊在進(jìn)行血管分割時是結(jié)合MAP-MRF模型的多模式鄰域系統(tǒng)和對應(yīng)的勢團(tuán)能量函數(shù)，并在確定的正則化參數(shù)作用下進(jìn)行的。此處的正則化參數(shù)采用最大偽似然迭代逼近算法進(jìn)行估計。
血管分割模塊在進(jìn) 行迭代求解時，當(dāng)?shù)螖?shù)等于指定數(shù)值或者所有標(biāo)記不在變化時算法終止。
該腦部磁共振血管造影數(shù)據(jù)的分割裝置按照上述實施例中的腦部磁共振血管造影數(shù)據(jù)的分割步驟就可以分割出腦部血管。上述腦部磁共振血管造影數(shù)據(jù)的分割方法及裝置是在初始候選空間與目標(biāo)候選空間內(nèi)完成血管的分割，縮小了計算空間，因此極大的減少了計算時間，能夠快速分割出腦部血管。
以上所述實施例僅表達(dá)了本發(fā)明的幾種實施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對本發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。
權(quán)利要求
1.一種腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，包括以下步驟獲取腦部磁共振血管造影數(shù)據(jù)；獲取MAP-MRF模型的參數(shù)的值；確定血管的目標(biāo)候選空間；在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果。
2.根據(jù)權(quán)利要求1所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述獲取MAP-MRF模型的參數(shù)的值的步驟之前還包括采用多尺度濾波方法對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理。
3.根據(jù)權(quán)利要求1所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述獲取MAP-MRF模型的參數(shù)的值的步驟包括以下步驟選擇一個第一閾值Y1對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到血管的初始候選空間，并估計出其中一個參數(shù)的大概值，其中Y1 e (O, I)；利用無監(jiān)督K均值聚類算法及得到的參數(shù)的大概值得到腦部磁共振血管造影數(shù)據(jù)的參數(shù)集；利用EM算法估計參數(shù)的準(zhǔn)確值。
4.根據(jù)權(quán)利要求3所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述確定血管的目標(biāo)候選空間的步驟包括選擇一個第二閾值Y 2對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理得到目標(biāo)候選空間，其中0〈 Y 2〈 Y ^1。
5.根據(jù)權(quán)利要求1所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述 MAP-MRF模型的參數(shù)包括均值、方差及混合比例。
6.根據(jù)權(quán)利要求1至5中的任一權(quán)利要求所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述在血管的目標(biāo)候選空間內(nèi)利用MAP-MRF模型及得到的參數(shù)的值得到血管的初步分割的步驟是結(jié)合MAP-MRF模型的多模式鄰域系統(tǒng)和對應(yīng)的勢團(tuán)能量函數(shù)，并在確定的正則化參數(shù)作用下進(jìn)行的。
7.根據(jù)權(quán)利要求6所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述正則化參數(shù)采用最大偽似然迭代逼近算法進(jìn)行估計。
8.根據(jù)權(quán)利要求1至5中的任一權(quán)利要求所述的腦部磁共振血管造影數(shù)據(jù)的分割方法，其特征在于，所述在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對 MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果的步驟中，當(dāng)?shù)螖?shù)等于指定數(shù)值或者所有標(biāo)記不在變化時算法終止。
9.一種腦部磁共振血管造影數(shù)據(jù)的分割裝置，其特征在于，包括用于獲取腦部磁共振血管造影數(shù)據(jù)的數(shù)據(jù)獲取模塊；用于獲取MAP-MRF模型的參數(shù)的值的參數(shù)獲取模塊；用于確定血管的目標(biāo)候選空間的目標(biāo)候選空間確定模塊；用于在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果的血管分割模塊。
10.根據(jù)權(quán)利要求9所述的腦部磁共振血管造影數(shù)據(jù)的分割裝置，其特征在于，所述腦部磁共振血管造影數(shù)據(jù)的分割裝置還包括用于采用多尺度濾波方法對腦部磁共振血管造影數(shù)據(jù)進(jìn)行處理的多尺度濾波模塊。
全文摘要
本發(fā)明提供一種腦部磁共振血管造影數(shù)據(jù)的分割方法及裝置，該腦部磁共振血管造影數(shù)據(jù)的分割包括以下步驟獲取腦部磁共振血管造影數(shù)據(jù)；獲取MAP-MRF模型的參數(shù)的值；確定血管的目標(biāo)候選空間；在血管的目標(biāo)候選空間內(nèi)根據(jù)得到的參數(shù)的值采用迭代條件模式對MAP-MRF模型進(jìn)行分割得到血管的最終分割結(jié)果。上述腦部磁共振血管造影數(shù)據(jù)的分割方法是在目標(biāo)候選空間內(nèi)完成血管的分割，因此極大的減少了計算時間，能夠快速分割出腦部血管。
文檔編號G06T7/00GK103049913SQ20121057565
公開日2013年4月17日 申請日期2012年12月26日 優(yōu)先權(quán)日2012年12月26日
發(fā)明者周壽軍, 胡慶茂, 謝耀欽, 辜嘉 申請人:中國科學(xué)院深圳先進(jìn)技術(shù)研究院