個部分，具體的工作流程如圖1所示。
[0029] 步驟1，構建小樣本醫(yī)學圖像組織器官的位置A (任意選擇一個位置）的形狀標記 點的稠密線性回歸模型和稀疏線性回歸模型，合成其他位置對應的新樣本圖像組織器官形 狀標記點；
[0030] 步驟（11):將組織器官在人體位置A的二維坐標矩陣拉長為一維向量，在該位置A 的所有樣本的拉長向量構成觀測矩陣，在其他位置與該組織器官對應的樣本拉長向量構成 觀測值；
[0031] 設有人體某一位置的組織器官大小為m的小樣本訓練集，本例中m = 30 ;使用自 動或手動方法在第i (I < i < m)幅圖像上提取組織器官的η個形狀標記點，本例中η = 30 ;第i幅圖像的形狀二維矩陣&為：
[0033] 其中Xll，X12，…，Xin分別表示人體位置A的第i幅圖像組織器官的第1，第2和第 η個標記點的橫坐標，yil，yl2，…，yin分別表示第1，第2和第η個標記點的縱坐標，T表示 轉置運算。把XJl長為一維向量X/ :
[0034] Xi' = [χη, yi2, xi2, , xin, yin]T (I ^ i ^ m) (2)
[0035] 則人體位置A的m個拉長的一維向量構成了觀測矩陣X':
[0036] X，= [X/ ,X2，，."，X，J。
[0037] 設與第i幅圖像對應的人體其他位置的組織器官拉長向量Y1'為：
[0038] Y/ = [X' u，y' u，X' 12, y' 12，…，X' in，y' Jt (3)
[0039] 其中X' 11>X' 12，…，X' ιη分別表示對應的人體其他位置的組織器官的第1，第 2和第η個標記點的橫坐標，y' u，y' 12，…，y' ιη分別表示第1，第2和第η個標記點的 縱坐標。
[0040] 則對應的人體其他位置的m個拉長一維向量構成了觀測值矩陣Y':
[0041] Y，= [V，V，."，γη，]。
[0042] 假設組織器官的形狀標記點的位置和局部變化互相依賴，在稠密描述框架下通過 回歸模型建模它們之間的關系。然而，當組織器官結構比較復雜時，形狀標記點之間的關系 描述了不同形狀變化特征，學習不同位置肝臟形狀標記點之間的變化關系是比較困難的。 因此，用稀疏描述框架建模形狀標記點位置和局部變化的關系。
[0043] 步驟（12):基于2-范數(shù)正則化最小二乘法構建形狀標記點的稠密線性回歸模型。
[0044] 依據(jù)誤差最小原則，需要所有形狀標記點的觀測矩陣X'與回歸模型矩陣之積與 觀測值矩陣t的2-范數(shù)誤差最小。同時，為了避免模型訓練的時候誤差很小，測試的時候 誤差很大，引入正則因子λ (λ e [0, 1]，本發(fā)明中λ =0.5)乘以回歸模型R的2-范數(shù)作 為懲罰項。構建稠密線性回歸模型為：
[0046] 使用最小二乘法求解（4)式，可以解得大小為2ηΧ2η的稠密矩陣R:
[0047] R = Υ，X，Τ(Χ，X，τ+λ I) 1 (5)
[0048] 步驟（13):基于1-范數(shù)正則化最小二乘法構建形狀標記點的稀疏線性回歸模型。
[0049] 當組織器官結構比較復雜時，為了使回歸模型具有更好的形狀特征選擇性和解釋 性，把所有形狀標記點的回歸模型轉換為1-范數(shù)的稀疏線性回歸模型。稀疏框架下的線性 回歸模型矩陣R的非零元素比較少，部分標記點之間存在關系。
[0050] 設觀測矩陣X'和觀測值矩陣Y'的第c列分別為V和Y。'，依據(jù)誤差最小原 貝lj，需要V與回歸模型矩陣R的第C列R。之積與Y。'的1-范數(shù)誤差最小。同時，為了避 免過擬合，引入正則因子[0，1]，本發(fā)明λ。=〇.5)，乘以R。的1-范數(shù)作為懲罰 項。構建稀疏線性回歸模型為：
[0051] min{|| Γ-R Tc ||; +Ac | |wc. 11} (6)
[0052] 使用基于預定義條件調節(jié)梯度算法搜索方向的內(nèi)點法求解（6)式，解1-范數(shù)正則 化最小二乘法問題，可得其大小為2ηΧ1的解R。。計算回歸矩陣的所有列[R1, R2，…，R2J的 解，構成大小為2nX 2n的稀疏矩陣解R。
[0053] 步驟（14):當超過50%的回歸模型矩陣元素都小于閾值（本例為0. 01)時，使用 稀疏線性回歸模型，否則使用稠密線性回歸模型，生成其他位置對應的組織器官形狀樣本。
[0054] 對于任意的一個組織器官形狀標記點向量X，乘以稠密或稀疏矩陣R，加上噪聲V， 生成其他位置對應的組織器官形狀樣本y。
[0055] y = Rx+v (7)
[0056] 其中v是實際值和估計值的殘差隨機變量，假設滿足期望值為0,方差等于殘差的 方差的正態(tài)分布。
[0057] 步驟2,構建小樣本醫(yī)學圖像組織器官的形狀標記區(qū)域的仿射變換模型，合成其他 位置新樣本圖像對應的組織器官形狀標記區(qū)域的紋理；
[0058] 使用分段仿射卷積方法從組織器官形狀標記點向量X包圍的區(qū)域中學習紋理，以 合成其他位置對應的組織器官y的紋理。根據(jù)Delaunay方法把X包圍的區(qū)域劃分成沒有 重疊的三角形子區(qū)域，每個子區(qū)域的像素使用相同的仿射變換卷積以合成y的紋理。
[0059] 步驟3,對新樣本圖像和原有樣本圖像的組織器官的形狀標記點進行主成份分析， 生成醫(yī)學圖像組織器官的形狀可變模型；
[0060] (31)使用廣義對齊和奇異值分解算法對齊所有組織器官的形狀標記點，得到旋 轉、平移和縮放不變的形狀標記點；
[0061] 首先，將所有樣本圖像中的組織器官的形狀標記點的橫縱坐標分別減去橫縱坐標 的均值，得到具有位移不變性的組織器官形狀矩陣。
[0062] 其次，將位移不變性的組織器官的各列向量分別除以列向量的模進行歸一化處 理，得到具有尺度不變性的組織器官形狀矩陣。
[0063] 最后，取第1個形狀矩陣作為初始均值形狀；計算每個形狀矩陣乘以均值形狀矩 陣的奇異值分解，設矩陣U和V表示形狀特征向量，D表示奇異值，則每個形狀矩陣旋轉Θ 角度與初始均值形狀的方向一致，這個旋轉矩陣為
[0065] 每個形狀矩陣乘以旋轉矩陣，可得具有方向不變性的組織器官的新形狀矩陣。根 據(jù)所有的新形狀矩陣更新均值形狀，如果新的均值形狀收斂，則輸出組織器官的形狀模 型；否則，繼續(xù)迭代。
[0066] (32)對廣義對齊后的組織器官形狀標記點進行主成份分析，使用均值形狀和形狀 子空間的正交基向量和形狀子空間的投影系數(shù)建立組織器官的形狀可變模型；
[0067] 設位移、縮放和旋轉不變性的形狀樣本均值為泛，每個樣本與均值的偏差為 = g，偏差的協(xié)方差為
3對Σ進行主成份分析，可得到一組 描述了訓練集在各個子空間方向上的變化模式的正交基向量Ps。形狀子空間的正交基向量 與投影系數(shù)之積加上形狀均值生成組織器官的形狀可變模型：
[0069] bs表示形狀在子空間中的投影系數(shù)。
[0070] 步驟4,對新樣本圖像和原有樣本圖像的組織器官紋理進行主成份分析，生成醫(yī)學 圖像組織器官的紋理可變模型；
[0071] 將新合成樣本和原有樣本圖像的組織器官的紋理減去平均紋理，實現(xiàn)紋理平移。 平移后的紋理除以紋理方差實現(xiàn)紋理歸一化的處理。對訓練樣本集進行紋理歸一化處理 后，利用