基于统计形状模型的医学图像Graph Cut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CN106485695A(43)申请公布日2017.03.08(21)申请号201610838092.X(22)申请日2016.09.21(71)申请人西北大学地址710069陕西省西安市太白北路229号(72)发明人赵凤军陈雁蓉贺小伟贺小慧高培何雪磊孙飞飞曹欣易黄建侯榆青(74)专利代理机构北京一格知识产权代理事务所(普通合伙)11316代理人高利利(51)Int.Cl.G06T7/00(2017.01)G06T7/11(2017.01)G06T7/38(2017.01)权利要求书4页说明书9页附图2页(54)发明名称基于统计形状模型的医学图像GraphCut分割方法(57)摘要本发明公开了一种基于统计形状模型的医学图像GraphCut分割方法,主要解决了现有技术中低对比度器官在医学图像中难以得到良好分割的问题。其实现步骤是：(1)建立低对比度器官的统计形状模型并采集灰度信息；(2)预分割低对比度器官；(3)初始化Graph；(4)分割低对比度器官。本发明的基于统计形状模型的医学图像GraphCut分割方法在使用GraphCut算法快速分割的基础上，加入了器官的形状先验知识，降低了过分割、欠分割的可能性，利用动物器官和动物体外轮廓之间的相对关系确定低对比度器官的初始位置，提高分割效率，是一种快速有效的器官分割方法。CN106485695ACN106485695A权利要求书1/4页1.一种基于统计形状模型的医学图像GraphCut分割方法，包括如下步骤：(1)建立低对比度器官的统计形状模型并采集灰度信息：将包含目标低对比度器官的三维CT图像作为训练集，手动分割动物体外轮廓、低对比度器官，对其进行有限元离散剖分得到点云数据，使用相似性变换将训练集中的样本对齐配准到一个坐标系上，对配准后的形状分别使用PCA计算低对比度器官和动物体外轮廓的平均形状和形状变化，采集每个特征点的局部灰度信息；并使用机器学习方法建立分类函数，学习手动分割的低对比度器官和背景的灰度信息和位置信息；(2)预分割低对比度器官：将步骤(1)中获得的动物体外轮廓平均形状的中心与待分割图像的中心重合，沿特征点法线方向搜索分割得到动物体外轮廓，计算平均形状到外轮廓的变换T；T可近似为低对比度器官到测试图像器官的变换，对低对比度器官平均形状做变换T，得到低对比度器官初始位置TO；在初始位置TO基础上，沿特征点法线方向进行器官的搜索分割，得到低对比度器官预分割结果；(3)初始化Graph：根据待分割图像中像素点的灰度信息和距离信息，以及步骤(1)中获得的低对比度器官的形状信息(平均形状)和分类函数，构造待分割图像对应的Graph；然后使用步骤(2)得到的预分割结果初始化Graph中边的权值，得到初始化后的Graph，即(4)分割低对比度器官：使用GraphCut算法对计算步骤(3)中得到的的最大流，即最小化待分割图像对应的能量方程：E(L)＝λ(R(L)k1Sp(L))+(B(L)+k2Sp1,p2)，得到分割并使得能量方程取值最小的一个割(Cut),即得到最终的低对比度器官边界。2.根据权利要求1所述的基于统计形状模型的医学图像图割分割方法，其特征在于：所述步骤(1)中建立低对比度器官的统计形状模型并采集灰度信息的具体步骤为：(1a)对训练样本中的低对比度器官和动物体外轮廓进行手动分割，分别对分割结果进行有限元离散剖分，得到相应的三维点云数据；对各个样本的低对比度器官和动物体外轮廓的点云数据通过仿射变换进行配准，随机选取一个样本的点云数据作为基准模板将所有样本进行旋转、平移等相似性变换，得到两者对齐配准结果；(1b)对步骤(1a)中配准后的的结果求和平均，分别计算低对比度器官均值模型和动物体外轮廓均值模型其中，为第i个低对比度器官对齐配准后的样本，为第i个动物体外轮廓对齐配准后的样本，L为训练样本数,均为K行乘3列的矩阵，K为配准后单个样本三维点云中点的个数；(1c)计算低对比度器官配准结果的协方差矩阵SO：SO为3K行乘3K列的矩阵；2CN106485695A权利要求书2/4页(1d)对协方差矩阵SO进行特征分解，求解对应的特征值和特征向量，将特征值按绝对值降序排列，选取前t(1≤t≤3K)个特征值，以确保能够反应样本变化的主要模式，将主成分对应的特征向量单位化处理；选择t个特征值使得：其中si为第i个奇异值，即选取可以保留原图像95％的特征；(1e)根据步骤(1d)所得，低对比度器官统计形状模型中的任意形状XO均可描述为其均值模型与特征向量PO和形变参数bO的线性组合，即为：为了使形状变化限制在合理的范围内，形变参数bO需满足：其中，λ为第一主成分特征值；(1f)同步骤(1c)-(1e),计算