基于矢量值活动轮廓模型的多模态医学图像分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109712152A(43)申请公布日2019.05.03(21)申请号201811586589.2(22)申请日2018.12.25(71)申请人辽宁师范大学地址116000辽宁省大连市沙河口区黄河路850号(72)发明人方玲玲王相海(74)专利代理机构大连非凡专利事务所21220代理人闪红霞(51)Int.Cl.G06T7/12(2017.01)G06T7/00(2017.01)权利要求书2页说明书7页附图4页(54)发明名称基于矢量值活动轮廓模型的多模态医学图像分割方法(57)摘要本发明公开一种基于矢量值活动轮廓模型的多模态医学图像分割方法，第一、利用功能结构信息和解剖结构信息两种多模态信息，对异常组织区域进行分割。由于每种模态都有其自身的信号特征，所以在建模过程中，既考虑单模态自身的信息，又考虑多模态的混合信息，上述二者结合能够处理背景及其内部结构复杂的多模态医学图像；第二、利用二维矢量场的形式对不同模态图像建模，利用边缘信息对图像分割结果进一步加以约束；实验结果证明了本发明可以分割对比度低、结构复杂的多模态医学图像且有效地提高了分割算法的精度和效率。CN109712152ACN109712152A权利要求书1/2页1.一种基于矢量值活动轮廓模型的多模态医学图像分割方法，其特征在于依次按照如下步骤进行：步骤1.初始化水平集函数以及多模态医学图像；步骤2.计算多模态医学图像的混合平均强度信息：(1)其中，表示直接运算，每个混合强度作如下定义：(2)所述为水平集函数的Heaviside函数；为多模态医学图像所在区域；步骤3.建立基于区域的能量泛函：(3)步骤4.通过梯度下降流方法，得到最终的曲线演化形式：(4)其中，为水平集函数的Dirac函数；步骤5.根据黎曼几何，将多模态医学图像看作是维欧式空间中以为参数的超曲面，所述；步骤6.给出多模态医学图像曲线上任意方向的弧长微元如下：(5)步骤7.根据式（5），可得：(6)2CN109712152A权利要求书2/2页其中，(7)步骤8.得到极值和对应的边缘引导函数分别为(8)和；(9)步骤9.利用机器学习算法计算多模态医学图像的先验概率分数，；步骤10.构造最优的概率得分分类器：(10)所述是和先验概率分数正相关的前景概率得分，采用加权或者最大化的形式对先验概率分数，进行处理得到概率得分；步骤11.以最大化方式为例，构造基于边缘信息的矢量值能量泛函为：（11）步骤12.结合所述区域和边缘两种信息，多模态医学图像异常组织区域的矢量值活动轮廓模型：（12）其中，和是正的加权常数，满足。3CN109712152A说明书1/7页基于矢量值活动轮廓模型的多模态医学图像分割方法技术领域[0001]本发明涉及医学图像处理领域，尤其是一种基于矢量值活动轮廓模型的多模态医学图像分割方法。背景技术[0002]在临床医疗的检测中，医生需要通过图像中精确的病灶位置及其形状对病情进行诊断，对异常组织区域的快速和准确分割是一项重要但具有挑战性的任务。[0003]常见的医学图像有（ComputedTomography）CT图像、正电子放射层析成像（PositronEmissionTomography）PET图像、核磁共振（MagneticResonanceImaging）MR图像。CT成像原理是由X线束对人体检查部位处具有一定厚度的层面进行扫描，经数字转换器转为数字信号，最后输入计算机进行处理。CT图像虽然具有分辨率高、成像速度快等优点，但针对具体问题（如乳房、心脏）仍需要采用某种特殊技术去解决，不具有普适性。PET图像是把具有正电子发射的同位素标记药物注入人体内，这些药物在参与人体的生理代谢过程中发生湮灭效应以此来确定病灶位置。PET图像虽然大大降低辐射损害、迅速便捷适用于大范围常规检查，但其图像分辨率较低、噪声大、缺少信息结构，无法准确定位病灶。MR图像是利用原子核自旋运动的特点，在外加磁场内经计算转换之后显示在屏幕上。MR图像分辨率高，采用灰阶成像，具有流空效应并可以对运动器官成像。但采样密集度的改变常常会导致图像的退化，即在病灶组织与正常组织的密度无明显差别时，并不能快速准确的分割出病灶区域。虽然目前已有用于上述医学图像以分割异常组织区域的各种多模态方法，但由于受到医学成像设备、不均匀关照以及射线能量散射等外界因素的影响，在获取医学数字图像的过程中常常会出现噪声、弱边缘以及灰度分布不均匀的异质现象，给图像分割带来了一定的难度。活动轮廓模型是将能量泛函最小化以得到非正常组织区域，由于多模态医学图像包含更丰富的信息，目前已经成为研究热点。近年来，矢量活动轮廓模型因其良好的鲁棒性和完备的理论基础受到关注，该方法通过计算各通道的能