專(zhuān)利名稱(chēng)：用于ct圖像中的前列腺和膀胱分割的約束表面演化的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及醫(yī)學(xué)圖像中對(duì)象的分割。更加具體而言，本發(fā)明涉及圖像中前列腺和膀胱的分割以及膀胱-前列腺界面的檢測(cè)。
背景技術(shù)：
大體瘤體積(GTV)和關(guān)鍵器官的精確輪廓描繪是放射線療法成功治療癌癥的基本前提。在自適應(yīng)放射線療法中，根據(jù)治療過(guò)程期間解剖結(jié)構(gòu)的位置和形狀來(lái)進(jìn)一步優(yōu)化治療計(jì)劃。自適應(yīng)放射線療法的成功實(shí)現(xiàn)要求研發(fā)一種用于GTV和關(guān)鍵器官的自動(dòng)輪廓描繪的快速、精確和穩(wěn)固方法。在前列腺癌的情況下，這個(gè)任務(wù)特別地具有更大的挑戰(zhàn)性。主要原因首先在于在膀胱-前列腺界面處幾乎沒(méi)有強(qiáng)度梯度。第二，膀胱和直腸填充物從一個(gè)治療過(guò)程到另一個(gè)治療過(guò)程是變化的，并且導(dǎo)致形狀和外觀的變化。第三，前列腺的形狀主要由于邊界條件引起變化，由膀胱和直腸填充物(由于壓力)設(shè)置邊界條件。

發(fā)明內(nèi)容
因此，需要用于膀胱-前列腺分割的新穎和改進(jìn)的方法。
本發(fā)明的一個(gè)方面顯示了一種新穎方法和系統(tǒng)，其從包括兩個(gè)器官的圖像數(shù)據(jù)對(duì)兩個(gè)器官提供精確和平穩(wěn)的分割，所述兩個(gè)器官具有緊密耦合的界面。
根據(jù)本發(fā)明的一個(gè)方面，用于從圖像數(shù)據(jù)分割第一結(jié)構(gòu)和第二結(jié)構(gòu)的方法包括形成能量函數(shù)E＝f(Edata，Ecoupling)，其中Edata表示基于第一結(jié)構(gòu)和第二結(jié)構(gòu)的可能分割，Ecoupling表示在第一結(jié)構(gòu)和第二結(jié)構(gòu)之間重疊的量度。然后，最小化能量函數(shù)。
E可以被表示為Edata+Ecoupling。Edata和Ecoupling可以為對(duì)數(shù)表達(dá)式。另外，項(xiàng)Edata和Ecoupling可以取決于第一結(jié)構(gòu)的水平集(level set)函數(shù)和第二結(jié)構(gòu)的水平集函數(shù)的概率。優(yōu)選地，Ecoupling取決于罰(penalty)α。罰α可以是用戶定義的和/或用戶提供的作為應(yīng)用軟件的一部分。
根據(jù)本發(fā)明的一個(gè)方面，項(xiàng)Edata可以被表達(dá)為Edata(φ1，φw)＝-∫ΩHε(φ1，x)(1-Hε(φ2，x))log p1(I(x))dx-∫ΩHε(φ2，x)(1-Hε(φ1，x))log p2(I(x))dx-∫Ω(1-Hε(φ2，x)(1-Hε(φ1，x))log pb(I(x))dx并且項(xiàng)Ecoupling可以被表達(dá)為Ecoupling(φ1，φ2)＝α∫ΩHε(φ1，x)Hε(φ2，x)dx.
根據(jù)本發(fā)明的另一方面，增加第三項(xiàng)Eshape，其表示已知在先的形狀的約束。項(xiàng)Eshape可以被表示為Eshape＝-logp(φ|{φ1，...，φN}。
根據(jù)本發(fā)明的另一方面，第一結(jié)構(gòu)是前列腺以及第二結(jié)構(gòu)是膀胱。根據(jù)本發(fā)明的系統(tǒng)和方法，也可以分割彼此相鄰的人體中的其他器官。另外，根據(jù)本發(fā)明的方法和系統(tǒng)，也可以分割任何相鄰的對(duì)象。
根據(jù)本發(fā)明的一個(gè)方面，還可以提供了一種能從圖像數(shù)據(jù)分割第一結(jié)構(gòu)和第二結(jié)構(gòu)的系統(tǒng)，所述系統(tǒng)包括處理器和在所述處理器上可操作的應(yīng)用軟件。所述應(yīng)用軟件可以執(zhí)行在此描述的所有方法。


圖1說(shuō)明了兩個(gè)相鄰結(jié)構(gòu)的分割。
圖2提供了前列腺形狀的模型。
圖3說(shuō)明了具有耦合以及不具有耦合的分割。
圖4說(shuō)明了根據(jù)本發(fā)明的一個(gè)方面實(shí)現(xiàn)的分割。
圖5說(shuō)明了根據(jù)本發(fā)明的一個(gè)方面執(zhí)行的一系列步驟。
圖6說(shuō)明了根據(jù)本發(fā)明的另一方面用于執(zhí)行在此描述的步驟的計(jì)算機(jī)系統(tǒng)。
具體實(shí)施例方式
當(dāng)成像醫(yī)學(xué)結(jié)構(gòu)時(shí)，有時(shí)候分割兩個(gè)相鄰結(jié)構(gòu)是必須的。在這些情況中，經(jīng)常希望單獨(dú)地分割每個(gè)結(jié)構(gòu)。通常，兩個(gè)相鄰結(jié)構(gòu)實(shí)際上彼此接觸。在所述結(jié)構(gòu)的接觸區(qū)域的圖像特性中小于最佳梯度可能在分割過(guò)程中產(chǎn)生問(wèn)題。例如，在分割過(guò)程中，兩個(gè)結(jié)構(gòu)的重疊是一個(gè)問(wèn)題。這在圖1的三種情況中示出。在第一種情況中，對(duì)象101和102要被分割。對(duì)象101和102被稍微分離并且在分割過(guò)程中沒(méi)有問(wèn)題。在第二種情況中，對(duì)象103和104要被分離。對(duì)象103和104接觸并且對(duì)象104實(shí)際上影響對(duì)象103的形狀。在這種情況中，對(duì)象103和104的分割導(dǎo)致對(duì)象103和104之間的非重疊邊界并且是可接受的。第三種情況涉及對(duì)象105和106并且這些對(duì)象的分割導(dǎo)致對(duì)象的重疊。同樣，在這種情況中對(duì)象106可以影響對(duì)象105的形狀。對(duì)象的實(shí)際重疊物理上是不可能的。因此，圖中所示的重疊是不可接受的。本發(fā)明的一個(gè)方面是對(duì)兩個(gè)接觸或處于接近位置的結(jié)構(gòu)產(chǎn)生正確的非重疊分割。
由于上面列出的問(wèn)題，在先形狀知識(shí)的引入在醫(yī)學(xué)圖像分割中經(jīng)常是重要的，如下面參考文件[2]T.Cootes，C.Taylor，D.Cooper和J.Graham所著的“有效形狀模型-它們的訓(xùn)練和應(yīng)用”，ComputerVision and Image Understanding，61(1)38-59，1995；[3]D.Cremers，S.J.Osher和S.Soatto所著的“用于知識(shí)驅(qū)動(dòng)分割的核密度估計(jì)和內(nèi)在對(duì)準(zhǔn)”Teaching level sets to walk.Pattern Recognition，317536-44，2004；[5]E.B.Dam，P.T.Fletcher，S.Pizer，G.Tracton和J.Rosenman所著的“基于主要測(cè)地分析步步為營(yíng)法的前列腺形狀建?！保贛ICCAI，LNCS的2217卷，1008-1016頁(yè)，2004年9月；[6]D.Freedman，R.J.Radke，T.Zhang，Y.Jeong，D.M.Lovelock和G.T.Chen所著的“通過(guò)匹配分布基于模型地分割醫(yī)學(xué)成像”，IEEETrans Med Imaging，24(3)281-292，2005年3月；[7]M.Leventon，E.Grimson和0.Faugeras所著的“在測(cè)地有效輪廓中的統(tǒng)計(jì)形狀影響”，在Proceedings of the International Conference on ComputerVision and Pattern Recognition，第316-323頁(yè)，Hilton Head Island，南Carolina，2000年6月；[10]M.Rousson，N.Paragios，和R.Deriche所著的“在mr成像中用于3D分割的隱式有效形狀模型”，在MICCAIspringer-出版社，2004年9月；以及[11]A.Tsai，W.Wells，C.Tempany，E.Grimson和A.Willsky所著的“用于醫(yī)學(xué)圖像分割的耦合多形狀模型中的相互信息”，Medical ImageAnalysis，8(4)429-445，2004年12月。在參考文件D.Freedman，R.J.Radke，T.Zhang，Y.Jeong，D.M.Lovelock和G.T.Chen所著的“通過(guò)匹配分布基于模型地分割醫(yī)學(xué)成像”，IEEE Trans Med Imaging，24(3)281-292，2005年3月，作者使用了用于前列腺、膀胱和直腸的形狀和外觀模型。在參考文件E.B.Dam，P.T.Fletcher，S.Pizer，G.Tracton，和J，Rosenman所著的“基于主要測(cè)地分析步步為營(yíng)法的前列腺形狀建?！保贛ICCAI，LNCS的2217卷，1008-1016頁(yè)，2004年9月，作者提出了一種形狀表示和建模方案，在學(xué)習(xí)和分割階段期間使用該方案。
本發(fā)明的一個(gè)方面的方法集中在僅僅分割膀胱和前列腺。這個(gè)方法與所引參考文件中的其他方法的顯著區(qū)別在于，在膀胱上不用努力地施加形狀約束。主要原因在于在較大數(shù)目的數(shù)據(jù)集上增加了本方法的多功能性和適用性。對(duì)此的一個(gè)理論是膀胱填充物指示了膀胱的形狀；因此，該形狀統(tǒng)計(jì)上不是相關(guān)地被用于構(gòu)造形狀模型和隨后基于模型的分割。然而，在大量患者群上的前列腺形狀顯示了統(tǒng)計(jì)性的相關(guān)性。因此，提出一種耦合的分割框架，其沒(méi)有重疊約束，其中取決于可用性的在先形狀可以被應(yīng)用于任何形狀上。相關(guān)工作建議耦合兩個(gè)水平集傳播，如在參考文件N.Paragios和R.Deriche所著的“測(cè)地有效區(qū)域在計(jì)算機(jī)視覺(jué)中處理結(jié)構(gòu)分割問(wèn)題的新范例”，Journal ofVisual Communication and Image Representation，Special Issue onPartial Differential Equations in Image Processing，Computer Vision andComputer Graphics，13(1/2)249-268，2002年3月/6月；以及較早的參考文件A.Tsai，W.Wells，C.Tempany，E.Grimson和A.Willsky所著的“用于醫(yī)學(xué)圖像分割的耦合多形狀模型中的相互信息”，Medical ImageAnalysis，8(4)429-445，2004年12月。
在根據(jù)本發(fā)明的一個(gè)方面的方法中，在貝葉斯推理框架中用公式表示這種耦合。這促使耦合的表面演化(surface evolution)，其中減少或最小化了重疊。作為可能的結(jié)果，重疊不完全被禁止，但是優(yōu)選地對(duì)于重疊輪廓給出十分低的概率。增加耦合項(xiàng)的加權(quán)將使重疊幾乎不可能。
例如在先前所述參考文件[8]中所描述的水平集表示允許在不引入任何特定參數(shù)化法和/或在先拓?fù)涞那闆r下來(lái)描述和變形表面。讓?duì)浮蔙3成為圖像域，它通過(guò)較高維函數(shù)φ的零交叉表示表面S∈Ω，其中φ通常被定義為有符號(hào)的距離函數(shù) 其中D(x，S)是位置x和表面之間的最小歐幾里得距離。這個(gè)表示允許表示表面的幾何特性，譬如象其在給定位置、區(qū)域、體積等等上的曲率和法向矢量。然后可能用公式表示分割準(zhǔn)則和推進(jìn)在水平集框架中的演化。
在膀胱-前列腺分割的特別問(wèn)題中，需要從單個(gè)圖像中提取若干結(jié)構(gòu)。將提供貝葉斯框架而不是單獨(dú)地分割每一個(gè)，其中所有對(duì)象的最可能分割將被聯(lián)合地估計(jì)。在此將介紹用兩個(gè)水平集函數(shù)φ1和φ2表示的兩個(gè)結(jié)構(gòu)的提取。通過(guò)最大化聯(lián)合后驗(yàn)分布p(φ1，φ2|I)獲得給定圖像I的最佳分割。使用貝葉斯定理將提供p(φ1，φ2|I)∝p(I|φ1，φ2)p(φ1，φ2)(2)第一項(xiàng)是圖像I的條件概率并且稍后使用每個(gè)結(jié)構(gòu)的強(qiáng)度特性被定義?？赡鼙皇褂玫慕Y(jié)構(gòu)的其他特性包括密度、外觀或任何其他特性。第二項(xiàng)是兩個(gè)表面的聯(lián)合概率。后一項(xiàng)將被用于施加表面之間的非重疊約束。后驗(yàn)概率通常通過(guò)最小化其負(fù)對(duì)數(shù)來(lái)優(yōu)化。這給出了用于最小化過(guò)程的下面能量函數(shù) 使用關(guān)于每個(gè)水平集的梯度下降方法用于最小化。可以按照如下計(jì)算每個(gè)水平集的梯度
∂φ1∂t=∂Edata∂φ1-∂Ecoupling∂φ1∂φ2∂t=-∂Edata∂φ2-∂Ecoupling∂φ2---(4)]]>接下來(lái)，將定義聯(lián)合概率p(φ1，φ2)，其用作表面之間的耦合約束。為此目的，做如下假設(shè)水平集值空間上獨(dú)立并且φ1，x(位置x處φ1的值)和φ2，x對(duì)于x≠y是獨(dú)立的。第一假設(shè)給出p(φ1,φ2)=Πx∈ΩΠy∈Ωp(φ1,x,φ2,y)---(5)]]>使用第二假設(shè)并且考察水平集值的邊緣概率是相同的，這個(gè)表達(dá)式簡(jiǎn)化為p(φ1,φ2)∝Πx∈Ωp(φ1,x,φ2,x)---(6)]]>在第一實(shí)施例中，H是海維賽德函數(shù)(Heaviside)。當(dāng)體元在兩個(gè)結(jié)構(gòu)內(nèi)時(shí)，即當(dāng)H(φ1)和H(φ2)等于1時(shí)，通過(guò)增加罰可以引入非重疊的約束p(φ1，x，φ2，x)∝exp(-αH(φ1，x)H(φ2，x)) (7)其中α是控制這個(gè)項(xiàng)重要性的加權(quán)。在下一個(gè)章節(jié)中將示出的是，α只被設(shè)置一次。在能量中的相應(yīng)項(xiàng)是Ecoupling(φ1，φ2)＝α∫ΩH(φ1，x)H(φ2，x)dx(8)作為缺省值，可以設(shè)置α＝10。如果分割的形狀仍重疊，則可以增加α的值。
隨后例如在參考文件T.Chan和L.vese所著的“不具有邊緣的有效輪廓”，IEEE Transactions on Image Processing，10(2)266-277，2001年2月以及N.Paragios和R.Deriche所著的所著的“測(cè)地有效區(qū)域在計(jì)算機(jī)視覺(jué)中處理結(jié)構(gòu)分割問(wèn)題的新范例”，Journal of VisualCommunication and Image Representation，Special Issue on PartialDifferential Equations in Image Processing，Computer Vision andComputer Graphics，13(1/2)249-268，2002年3月/6月，將使用基于區(qū)域的強(qiáng)度模型來(lái)定義能量表達(dá)式中的圖像項(xiàng)。給定重疊約束，水平集函數(shù)φ1和φ2定義圖像域的三個(gè)子區(qū)域每個(gè)結(jié)構(gòu)內(nèi)的部分Ω1＝{x，φ1(x)＞0和φ2(x)＜0}以及Ω2＝{x，φ2(x)＞0和φ1(x)＜0}，且圖像的剩余部分Ωb＝{x，φ1(x)＞0和φ2(x)＞0}。假定強(qiáng)度值為獨(dú)立的，則從在先的強(qiáng)度分布{P1，P2，PB}為每個(gè)區(qū)域{Ω1，Ω2，Ωb}定義數(shù)據(jù)項(xiàng)p(I|φ1,φ2)=Πx∈Ω1p1(I(x))Πx∈Ω2p2(I(x))Πx∈Ωbpb(I(x))---(9)]]>如果訓(xùn)練集是可用的，則利用在相應(yīng)區(qū)域的直方圖上的Parzen密度估計(jì)可以獲悉這些概率密度的函數(shù)。在下面部分中，將使用可替換的方法，這將考慮用戶輸入。僅僅依賴于水平集函數(shù)的相應(yīng)數(shù)據(jù)項(xiàng)可以被寫(xiě)為Edata(φ1，φ2)＝-∫ΩH(φ1，x)(1-H(φ2，x))log p1(I(x))dx-∫ΩH(φ1，x)(1-H(φ1，x))log p2(I(x))dx (10)-∫Ω(1-H(φ2，x)(1-H(φ1，x))log pb(I(x))dx方程式(3)關(guān)于φ1和φ2的總能量變化的微積分得出水平集的耦合演化∂φ1∂t=δ(φ1)((1-H(φ2))logpb(I(x))p1(I(x))-αH(φ2))∂φ2∂t=δ(φ2)((1-H(φ1))logpb(I(x))p2(I(x))-αH(φ1))---(11)]]>可以看出的是，表面一旦彼此重疊，數(shù)據(jù)速率就變?yōu)榱?，并且因此非重疊約束將是僅僅起作用的那一個(gè)。
在第二實(shí)施例中，Hε是海維賽德函數(shù)的規(guī)則化型式，其被定義為
Hϵ(φ)=1,φ>ϵ0,φ<-ϵ12(1+φϵ+1πsin(πφϵ)),|φ|<ϵ.]]>正如在第一實(shí)施例中，當(dāng)體元在兩個(gè)結(jié)構(gòu)內(nèi)時(shí)，即當(dāng)Hε(φ1)和Hε(φ2)等于1時(shí)，通過(guò)增加罰可以引入非重疊的約束p(φ1，x，φ2，x)∝exp(-αHε(φ1，x)Hε(φ2，x)) (7a)其中α是控制這個(gè)項(xiàng)重要性的加權(quán)。在下一個(gè)章節(jié)中將示出的是，α只被設(shè)置一次。在能量中的相應(yīng)項(xiàng)是Ecoupling(φ1，φ2)＝α∫ΩHε(φ1，x)Hε(φ2，x)dx(8a)正如在先前實(shí)施例中，可以將缺省值設(shè)置α＝10。如果分割的形狀仍重疊，則可以增加α的值。
同樣根據(jù)先前的參考文件，在第二實(shí)施例中，通過(guò)使用基于區(qū)域的強(qiáng)度模型將定義能量表達(dá)式中的圖像項(xiàng)。給定重疊約束，水平集函數(shù)φ1和φ2定義圖像域的三個(gè)子區(qū)域每個(gè)結(jié)構(gòu)內(nèi)的部分Ω1＝{x，φ1(x)＞0和φ2(x)＜0}以及Ω2＝{x，φ2(x)＞0和φ1(x)＜0}，且圖像的剩余部分Ωb＝{x，φ1(x)＞0和φ2(x)＞0}。假定強(qiáng)度值為獨(dú)立的，則從先前的強(qiáng)度分布{P1，P2，PB}為每個(gè)區(qū)域{Ω1，Ω2，Ωb}定義的數(shù)據(jù)項(xiàng)將再次導(dǎo)出先前所述的方程式(9)p(I|φ1,φ2)=Πx∈Ω1p1(I(x))Πx∈Ω2p2(I(x))Πx∈Ωbpb(I(x))---(9)]]>如果訓(xùn)練集是可用的，則利用在相應(yīng)區(qū)域的直方圖上的Parzen密度估計(jì)可以獲悉這些概率密度的函數(shù)。在下面章節(jié)中，將使用可替換的方法，這將考慮用戶輸入。僅僅依賴于水平集函數(shù)的相應(yīng)數(shù)據(jù)項(xiàng)可以被寫(xiě)為
Edata(φ1，φ2)＝-∫ΩHε(φ1，x)(1-Hε(φ2，x))log p1(I(x))dx-∫ΩHε(φ2，x)(1-Hε(φ1，x))log p2(I(x))dx (10a)-∫Ω(1-Hε(φ2，x)(1-Hε(φ1，x))log pb(I(x))dx方程式(3)關(guān)于φ1和φ2的總能量變化的微積分得出水平集的耦合演化，并且可以被表達(dá)為∂φ1∂t=δ(φ1)((1-Hϵ(φ2))logpb(I(x))p1(I(x))-αHϵ(φ2))∂φ2∂t=δ(φ2)((1-Hϵ(φ1))logpb(I(x))p2(I(x))-αHϵ(φ1))---(11a)]]>可以看出的是(如在方程式(11a))，表面一旦彼此重疊，數(shù)據(jù)速率就變?yōu)榱悖⑶乙虼朔侵丿B約束將是僅僅起作用的那一個(gè)。
如先前所述，圖像數(shù)據(jù)可能不足以提取感興趣的結(jié)構(gòu)；因此，必須引入在先知識(shí)。當(dāng)結(jié)構(gòu)的形狀從一個(gè)圖像到另一個(gè)圖像保持類(lèi)似時(shí)，可以從一組訓(xùn)練結(jié)構(gòu)中建立形狀模型。在例如下面文章的文獻(xiàn)中已經(jīng)提出了若干類(lèi)型的形狀模型T.Cootes，C.Taylor，D.Cooper和J.Graham所著的“有效形狀模型-它們的訓(xùn)練和應(yīng)用”，ComputerVision and Image Understanding，61(1)38-59，1995；D.Cremers，S.J.Osher和S.Soatto所著的“用于知識(shí)驅(qū)動(dòng)分割的核密度估計(jì)和內(nèi)在對(duì)準(zhǔn)”Teaching level sets to walk.Pattern Recognition，317536-44，2004；E.B.Dam，P.T.Fletcher，S.Pizer，G.Tracton和J.Rosenman所著的“基于主要測(cè)地分析步步為營(yíng)法的前列腺形狀建?！保贛ICCAI，LNCS的2217卷，1008-1016頁(yè)，2004年9月；D.Freedman，R.J.Radke，T.Zhang，Y.Jeong，D.M.Lovelock和G.T.Chen所著的“通過(guò)匹配分布基于模型地分割醫(yī)學(xué)成像”，IEEE Trans Med Imaging，24(3)281-292，2005年3月；M.Leventon，E.Grimson和0.Faugeras所著的“在測(cè)地有效輪廓中的統(tǒng)計(jì)形狀影響”，在Proceedings of theI nternational Conference on Computer Vision and PatternRecognition，第316-323頁(yè)，Hilton Head Island，南Carolina，2000年6月；M.Rousson，N.Paragios，和R.Deriche所著的“在mr成像中用于3D分割的隱式有效形狀模型”，在MICCAI springer-出版社，2004年9月；A.Tsai，W.Wells，C.Tempany，E.Grimson和A.Willsky所著的“用于醫(yī)學(xué)圖像分割的耦合多形狀模型中的相互信息”，MedicalImage Analysis，8(4)429-445，2004年12月。
這些模型可以被用于限制在其他圖像中提取類(lèi)似結(jié)構(gòu)。為此目的，直接的方法是估計(jì)來(lái)自模型族的例子，該模型族最好地對(duì)應(yīng)于所觀測(cè)的圖像。這樣的方法在下面文章中描述D.Cremers和M.Rousson所著的“用于水平集分割的在先形狀和強(qiáng)度的有效核密度估計(jì)”，在MICCAI，2005年10月；E.B.Dam，P.T.Fletcher，S.Pizer，G.Tracton和J.Rosenman所著的“基于主要測(cè)地分析步步為營(yíng)法的前列腺形狀建模”，在MICCAI，LNCS的2217卷，1008-1016頁(yè)，2004年9月；以及A.Tsai，W.Wells，C.Tempany，E.Grimson和A.Willsky所著的“用于醫(yī)學(xué)圖像分割的耦合多形狀模型中的相互信息”，Medical ImageAnalysis，8(4)429-445，2004年12月。用于水平集分割的在先形狀和強(qiáng)度的有效核密度估計(jì)，在MICCAI，2005年10月。這假定形狀模型能夠精確地描述新的結(jié)構(gòu)。為了給提取過(guò)程增加更多的靈活性，可以施加不屬于形狀模型的但相對(duì)于給定距離接近于它的分割，例如在下面參考文件所描述的M.Rousson，N.Paragios，和R.Deriche所著的“在mr成像中用于3D分割的隱式有效形狀模型”，在MICCAI springer-出版社，2004年9月；以及D.Cremers，S.J.Osher和S.Soatto所著的“用于知識(shí)驅(qū)動(dòng)分割的核密度估計(jì)和內(nèi)在對(duì)準(zhǔn)”Teaching level sets towalk.Pattern Recognition，317536-44，2004。接下來(lái)，將介紹這種形狀約束分割的通用貝葉斯公式。
為了簡(jiǎn)單起見(jiàn)，將考慮由Φ表示的單個(gè)對(duì)象的分割。假定一組訓(xùn)練形狀{Φ1，...ΦN}可用，通過(guò)最大化獲得最佳分割p(φ|I，{φ1，...，φN})∝p(I，{φ1，...，φN}|φ)p(φ)∝p(I|φ)p({φ1，...，φN}|φ)p(φ)∝p(I|φ)p(φ|{φ1，...，φN})p({φ1，...，φN}) (12)∞p(I|φ)p(φ|{φ1，...，φN})I和{Φ1，...，ΦN}之間的獨(dú)立性被用于獲得第二行，并且p({Φ1，...，ΦN})＝1提供方程式(12)中表達(dá)的最后一行。通過(guò)最小化下面的能量函數(shù)可以獲得相應(yīng)的后驗(yàn)最大值
第一項(xiàng)結(jié)合圖像數(shù)據(jù)并且可以根據(jù)圖像項(xiàng)的描述被定義。第二項(xiàng)引入了從訓(xùn)練采樣中獲悉的形狀約束。根據(jù)在以下文章中所提供的方法從對(duì)準(zhǔn)訓(xùn)練水平集的主要成分分析中建造形狀模型M.Leventon，E.Grimson和O.Faugeras所著的“在測(cè)地有效輪廓中的統(tǒng)計(jì)形狀影響”，在Proceedings of the International Conference on Computer Visionand Pattern Recognition，第316-323頁(yè)，Hilton Head Island，南Carolina，2000年6月；M.Rousson，N.Paragios，和R.Deriche所著的“在mr成像中用于3D分割的隱式有效形狀模型”，在MICCAIspringer-出版社，2004年9月；以及A.Tsai，W.Wells，C.Tempany，E.Grimson和A.Willsky所著的“用于醫(yī)學(xué)圖像分割的耦合多形狀模型中的相互信息”，Medical ImageAnalysis，8(4)429-445，2004年12月。在圖2中示出了這樣對(duì)前列腺建模的例子。選擇變化的最重要模式以形成所有可能形狀的子空間。演化的水平集然后可以被約束在這個(gè)子空間內(nèi)，例如正如在下面文章中所描述的A.Tsai，W.Wells，C.Tempany，E.Grimson和A.Willsky所著的“用于醫(yī)學(xué)圖像分割的耦合多形狀模型中的相互信息”，MedicalImage Analysis，8(4)429-445，2004年12月以及D.Cremers和M.Rousson所著的“用于水平集分割的在先形狀和強(qiáng)度的有效核密度估計(jì)”，在MICCAI，2005年10月，或者它可以被吸引到這個(gè)子空間，正如在先前所述文章中所描述的，即M.Leventon，E.Grimson和O.Faugeras所著的“在測(cè)地有效輪廓中的統(tǒng)計(jì)形狀影響”，在Proceedings of theInternational Conference on Computer Vision and PatternRecognition，第316-323頁(yè)，Hilton Head Island，南Carolina，2000年6月；M.Rousson，N.Paragios，和R.Deriche所著的“在mr成像中用于3D分割的隱式有效形狀模型”，在MICCAI springer-出版社，2004年9月；其方式是將新實(shí)例的概率定義為p(φ|{φ1，...，φN}∝exp(-d2(φ1，ProjM(φ))) (14)其中d2(，)是兩個(gè)水平集函數(shù)之間的平方距離，ProjM(Φ)是Φ到模型形狀子空間M的投影。在下面文章中可以發(fā)現(xiàn)更多的細(xì)節(jié)M.Leventon，E.Grimson和O.Faugeras所著的“在測(cè)地有效輪廓中的統(tǒng)計(jì)形狀影響”，在Proceedings of the International Conference onComputer Vision and Pattern Recognition，第316-323頁(yè)，Hilton HeadIsland，南Carolina，2000年6月；M.Rousson，N.Paragios，和R.Deriche所著的“在mr成像中用于3D分割的隱式有效形狀模型”，在MICCAIspringer-出版社，2004年9月；以及A.Tsai，W.Wells，C.Tempany，E.Grimson和A.Willsky所著的“用于醫(yī)學(xué)圖像分割的耦合多形狀模型中的相互信息”，Medical ImageAnalysis，8(4)429-445，2004年12月。
接下來(lái)，這個(gè)形狀約束公式將與較早介紹的耦合水平集貝葉斯推理結(jié)合，以用于前列腺和膀胱的聯(lián)合分割。
分割膀胱的主要困難是前列腺-膀胱界面以及如圖3中所看到的前列腺的下部分上的數(shù)據(jù)缺少可靠性。對(duì)于相同患者和分割，圖像301和302是不同的視圖。形狀305是膀胱和前列腺的聯(lián)合分割，而不使用耦合約束。形狀306是重疊前列腺的膀胱。對(duì)于相同患者和相同分割，圖像303和304是不同的視圖，但是現(xiàn)在在確定分割時(shí)應(yīng)用了耦合約束。形狀307是膀胱，形狀308是前列腺。在這個(gè)分割中沒(méi)有出現(xiàn)重疊。除了鄰近前列腺的側(cè)面之外，似乎在膀胱周?chē)嬖陲@著的強(qiáng)度梯度。另外，在來(lái)自患者群的前列腺形狀中似乎有良好的統(tǒng)計(jì)相關(guān)性。然而，該統(tǒng)計(jì)相關(guān)性不適用于膀胱形狀，因?yàn)樵撔螤钣刹豢深A(yù)測(cè)的填充物規(guī)定?；谶@些論點(diǎn)，考慮僅僅用于提取前列腺的基于模型的方法。利用非重疊約束的耦合分割方法解決了在膀胱-前列腺界面上的模糊性。
總之，設(shè)計(jì)一種方法并且該方法在此被表示為本發(fā)明的一個(gè)方面，該方法通過(guò)包括器官之間的耦合和前列腺的形狀模型來(lái)聯(lián)合地分割前列腺和膀胱。在本發(fā)明部分中提供的框架允許以概率的方式來(lái)表達(dá)這一點(diǎn)。
讓?duì)?為表示前列腺邊界的水平集，Φ2為表示膀胱邊界的水平集。給出N個(gè)前列腺{φ11，...，φ1N}的訓(xùn)練形狀，這些分割的后驗(yàn)密度概率是
p(φ1,φ2|I,{φ11,...,φ1N})=p(I,{φ11,...,φ1N}|φ1,φ2)p(φ1,φ2)p(I,{φ11,...,φ1N})---(15)]]>當(dāng)圖像和訓(xùn)練輪廓不相關(guān)時(shí)，這可以表示為p(φ1,φ2|I,{φ11,...,φ1N})∝p(I|φ1,φ2)p(φ1,φ2)p(φ1|{φ11,...,φ1N})---(16)]]>在此先前已經(jīng)描述了這個(gè)相關(guān)性的每個(gè)因子。因此，本分割問(wèn)題的最佳解決方案將最小化下面的能量E(φ1，φ2)＝Edata(φ1，φ2)+Ecoupling(φ1，φ2)+Eshape(φ1) (17)前兩項(xiàng)已經(jīng)在方程式(10)和方程式(8)以及方程式(10a)和方程式(8a)中描述。僅僅形狀能量需要一些說(shuō)明。在本實(shí)現(xiàn)中，已經(jīng)選擇了兩步方法。在第一步中，在以下文章(即，A.Tsai，W.Wells，C.Tempany，E.Grimson和A.Willsky所著的“用于醫(yī)學(xué)圖像分割的耦合多形狀模型中的相互信息”，Medical ImageAnalysis，8(4)429-445，2004年12月；以及D.Cremers和M.Rousson所著的“用于水平集分割的在先形狀和強(qiáng)度的有效核密度估計(jì)”，在MICCAI，2005年10月)中描述的方法之后，將在從訓(xùn)練形狀中獲得的子空間中約束前列腺水平集。然后，通過(guò)考慮在方程式(14)中顯示的約束給表面增加了更多的靈活性。
對(duì)于初始化，要求用戶在每個(gè)器官內(nèi)點(diǎn)擊。Φ1和Φ2然后被初始化為以這兩個(gè)點(diǎn)為圓心的小球體。它們還用于通過(guò)考慮在兩個(gè)球體的每一個(gè)內(nèi)部的直方圖的Parzen密度估計(jì)來(lái)定義器官的強(qiáng)度模型，同時(shí)外部體元被用于背景強(qiáng)度模型。在小球體內(nèi)部的體元可能被移除，但給出相比于圖像小的尺寸，這不是必需的。因?yàn)槊總€(gè)器官的強(qiáng)度相對(duì)恒定，所以它的平均值實(shí)際上可以以好的置信度被猜出，并且在此介紹的方法對(duì)于用戶輸入沒(méi)有顯示大的靈敏度。
實(shí)驗(yàn)驗(yàn)證現(xiàn)在，基于實(shí)際患者數(shù)據(jù)來(lái)論證利用了耦合約束的改進(jìn)。根據(jù)本發(fā)明的一個(gè)方面提供了一種用于聯(lián)合分割兩個(gè)器官的方法，其中一個(gè)器官結(jié)合形狀模型，而另一個(gè)器官不結(jié)合形狀模型。在圖2中，示出了利用耦合獲得的分割結(jié)果以及沒(méi)有利用耦合獲得的分割結(jié)果。在兩個(gè)實(shí)驗(yàn)中，為(具有儲(chǔ)精囊的)前列腺考慮相同的形狀模型。假定在前列腺和膀胱之間沒(méi)有堅(jiān)固的邊界，在沒(méi)有耦合的情況下，膀胱泄漏在前列腺內(nèi)并且前列腺移向膀胱。利用耦合約束同時(shí)分割兩個(gè)器官解決了這個(gè)問(wèn)題。其他方法能夠在沒(méi)有這個(gè)耦合的情況下獲得用于前列腺的正確結(jié)果，但是該耦合使得初始化和圖像質(zhì)量更加可靠。而且，假定患者內(nèi)部和患者之間的膀胱存在很大變化，則將形狀模型施加到膀胱明顯地不合適，并且因此，該耦合對(duì)于以精確快速方式提取這個(gè)器官很重要。
圖4示出了應(yīng)用根據(jù)本發(fā)明一個(gè)方面的方法的結(jié)果的例子。圖4具有三個(gè)圖像401，402和403，每個(gè)圖像都示出了前列腺和膀胱的分割。圖像401是2D的，其中405是前列腺以及404是膀胱；圖像402是2D的，其中406是前列腺以及407是膀胱；圖像403示出了深度渲染，其中409是前列腺以及408是膀胱。在任何分割中沒(méi)有出現(xiàn)重疊。注意，前列腺的黑色輪廓是基于前列腺的人工分割，然而白色輪廓表示根據(jù)本發(fā)明的一些方面的前列腺的分割。
在大量數(shù)據(jù)集上的驗(yàn)證為了評(píng)估目的，在16個(gè)患者數(shù)據(jù)集上采取的若干定量量度被應(yīng)用于本發(fā)明，其中對(duì)于該數(shù)據(jù)集，前列腺的人工分割是可用的。為了評(píng)定結(jié)果的質(zhì)量，使用與先前所述文章(即，D.Freedman，R.J.Radke，T.Zhang，Y.Jeong，D.M.Lovelock和G.T.Chen所著的“通過(guò)匹配分布基于模型地分割醫(yī)學(xué)成像”，IEEE Trans Med Imaging，24(3)281-292，2005年3月)中所介紹的量度類(lèi)似的量度。例如，可以使用下面項(xiàng)-ρd，檢測(cè)的概率，其被計(jì)算為與被估計(jì)的器官體積重疊的真實(shí)體積的一小部分。這個(gè)概率對(duì)于好的分割應(yīng)該接近于1。
-ρfd，差錯(cuò)檢測(cè)的概率，其被計(jì)算為位于真實(shí)器官之外的被估計(jì)的器官的一小部分。這個(gè)值對(duì)于好的分割應(yīng)該緊接于0。
-cd，質(zhì)心距離，其被計(jì)算為連接真實(shí)器官和估計(jì)器官的質(zhì)心的法向量。假定器官是由具有頂點(diǎn)(ai，bi，ci)的N個(gè)三角面集合組成，使用下面公式計(jì)算每個(gè)器官的質(zhì)心
c=Σi=0N-1AiRiΣi=0N-1Ai---(18)]]>其中Ri是第i個(gè)面頂點(diǎn)的平均值，Ai是第i個(gè)面面積的2倍Ri＝(ai+bi+ci)/2以及Ai＝‖(bi-ai)(ci-αi)‖。
-Sd，表面距離，其被計(jì)算為真實(shí)器官和估計(jì)器官的表面之間的中值距離。為了計(jì)算該中值距離，產(chǎn)生使用真實(shí)體積的距離函數(shù)。
在表1中示出了在各種數(shù)據(jù)集集合的前列腺分割上獲得的最終量度。這些圖像的分辨率是512×512×100，具有像素間隔為1mm×1mm×3mm。為了進(jìn)行這些實(shí)驗(yàn)，使用留一策略，即在形狀模型中不使用所考慮的圖像的形狀。模型從所有其他圖像中建立并且是患者間模型。所獲得的平均精確度是在4和5mm之間，即在一個(gè)和兩個(gè)體元之間。良好分類(lèi)的百分比大約為82％。在2.2GHz處理的PC上的平均處理時(shí)間大約為12秒。
下面表1示出了根據(jù)本發(fā)明的一個(gè)方面的前列腺分割方法的定量驗(yàn)證。從左到右的列示出了患者號(hào)、檢測(cè)概率、差錯(cuò)檢測(cè)概率、質(zhì)心距離和平均表面距離。

表1因此，聯(lián)合地分割若干結(jié)構(gòu)的新穎貝葉斯框架已經(jīng)被顯示為本發(fā)明的一個(gè)方面。結(jié)合表面和在先形狀知識(shí)之間的耦合的概率方法也已經(jīng)被顯示。其通用的公式已經(jīng)被適用于放射線療法的前列腺分割的重要問(wèn)題。通過(guò)耦合前列腺和膀胱的提取，分割問(wèn)題已經(jīng)被約束并且被使得適定。定性和定量結(jié)果被顯示以驗(yàn)證所提方法的性能。
圖5是說(shuō)明根據(jù)本發(fā)明一個(gè)方面的步驟的流程圖。流程圖示出了到所有步驟的順序。應(yīng)該清楚的是，對(duì)于一些步驟來(lái)說(shuō)順序不要緊。通過(guò)提供圖像數(shù)據(jù)(501)開(kāi)始分割過(guò)程，并且當(dāng)需要時(shí)提供在先形狀數(shù)據(jù)(502)。然后，用戶把播種點(diǎn)放入兩個(gè)結(jié)構(gòu)的每一個(gè)中(503)。用戶可以人工地設(shè)置用于重疊罰α的值(504)。然后，應(yīng)用也可以以α的缺省值開(kāi)始。應(yīng)用(500)然后確定結(jié)構(gòu)的密度分布(505)并且執(zhí)行水平集函數(shù)(507)。應(yīng)用最小化包括一個(gè)或兩個(gè)約束的能量表達(dá)式(508)并且顯示結(jié)構(gòu)的分割輪廓(508)?；谟脩舻姆治?509)，可以判定仍存在重疊并且在調(diào)整罰因子α之后再運(yùn)行應(yīng)用。
圖6說(shuō)明了根據(jù)本發(fā)明的一個(gè)方面可以使用的計(jì)算機(jī)系統(tǒng)。該系統(tǒng)被提供數(shù)據(jù)601，該數(shù)據(jù)表示要被顯示的圖像。它還可以包括在先的學(xué)習(xí)數(shù)據(jù)。提供包括本發(fā)明方法的指令集或應(yīng)用程序602，并且該指令集或應(yīng)用程序602在處理器603中與該數(shù)據(jù)結(jié)合，該處理器可以處理應(yīng)用到數(shù)據(jù)601的指令602并且在顯示器604上顯示最終圖像。處理器可以是專(zhuān)用硬件、GPU、CPU或可以執(zhí)行602的指令的任何其他計(jì)算設(shè)備。像鼠標(biāo)、跟蹤球或其他輸入設(shè)備的輸入設(shè)備605允許用戶啟動(dòng)分割過(guò)程并且把最初的種子放入要被分割的器官中。因此，圖6中所示的系統(tǒng)提供了用于圖像分割的交互系統(tǒng)。
在此對(duì)術(shù)語(yǔ)“像素”的任何引用還應(yīng)該認(rèn)為是對(duì)體元的引用。
下面參考文件提供了通常與本發(fā)明相關(guān)的背景信息并且在此引入作為參考[1]T.Chan和L.vese所著的“不具有邊緣的有效輪廓”，IEEETransactions on Image Processing，10(2)266-277，2001年2月；[2]T.Cootes，C.Taylor，D.Cooper和J.Grahan所著的“有效形狀模型-它們的訓(xùn)練和應(yīng)用”，Computer Vision and Image Understanding，61(1)38-59，1995；[3]D.Cremers，S.J.Osher和S.Soatto所著的“用于知識(shí)驅(qū)動(dòng)分割的核密度估計(jì)和內(nèi)在對(duì)準(zhǔn)”Teaching level sets towalk，Pattern Recognition，317536-44，2004；[4]D.Cremers和M.Rousson所著的“用于水平集分割的在先形狀和強(qiáng)度的有效核密度估計(jì)”，在MICCAI，2005年10月；[5]E.B.Dam，P.T.Fletcher，S.Pizer，G.Tracton和J.Rosenman所著的“基于主要測(cè)地分析步步為營(yíng)法的前列腺形狀建?！保贛ICCAI，LNCS的2217卷，1008-1016頁(yè)，2004年9月；[6]D.Freedman，R.J.Radke，T.Zhang，Y.Jeong，D.M.Lovelock和G.T.Chen所著的“通過(guò)匹配分布基于模型的分割醫(yī)學(xué)成像”，IEEETrans Med Imaging，24(3)281-292，2005年3月；[7]M.Leventon，E.Grimson和O.Faugeras所著的“在測(cè)地有效輪廓中的統(tǒng)計(jì)形狀影響”，在Proceedings of the International Conference on Computer Visionand Pattern Recognition，第316-323頁(yè)，Hilton Head Island，南Carolina，2000年6月；[8]S.Osher和J.Sethian所著的“利用與曲率相關(guān)的速率的前向傳播基于Hamiton的算法-Jacobi公式”，J.ofComp.phys.，7912-49，1998；[9]N.Paragios和R.Deriche所著的“測(cè)地有效區(qū)域在計(jì)算機(jī)視覺(jué)中處理結(jié)構(gòu)分割問(wèn)題的新范例”，Journal ofVisual Communication and Image Representation，Special Issue onPartial Differential Equations in Image Processing，Computer Vision andComputer Graphics，13(1/2)249-268，2002年3月/6月；[10]M.Rousson，N.Paragios，和R.Deriche所著的“在mr成像中用于3D分割的隱式有效形狀模型”，在MICCAI springer-出版社，2004年9月；以及[11]A.Tsai，W.Wells，C.Tempany，E.Grimson和A.Willsky所著的“用于醫(yī)學(xué)圖像分割的耦合多形狀模型中的相互信息”，Medical ImageAnalysis，8(4)429-445，2004年12月。
根據(jù)本發(fā)明的一個(gè)方面，通過(guò)最小化包括結(jié)構(gòu)數(shù)據(jù)和一個(gè)約束的能量函數(shù)，以及根據(jù)本發(fā)明的另一方面，通過(guò)最小化包括結(jié)構(gòu)數(shù)據(jù)和兩個(gè)約束的能量函數(shù)來(lái)確定兩個(gè)結(jié)構(gòu)的分割。在本發(fā)明中，通過(guò)添加單個(gè)項(xiàng)來(lái)創(chuàng)建能量項(xiàng)。這些項(xiàng)的添加可以使得最小化過(guò)程較容易地執(zhí)行。應(yīng)該清楚的是，存在其他方法使約束項(xiàng)與數(shù)據(jù)項(xiàng)結(jié)合。通常，可以認(rèn)為E＝f(Edata，Ecoupling)或者E＝g(Edata，Ecoupling，Eshape)，其中組合能量是單個(gè)項(xiàng)的函數(shù)。單個(gè)項(xiàng)依賴于確定特性的形狀，例如水平集函數(shù)。方程式E＝Edata+Ecoupling是通用方案的一個(gè)例子?？梢酝ㄟ^(guò)優(yōu)化組合能量函數(shù)發(fā)現(xiàn)最佳分割。
盡管已經(jīng)示出、描述和指出了本發(fā)明的基礎(chǔ)新穎特征，該特征應(yīng)用到本發(fā)明的優(yōu)選實(shí)施例，但是應(yīng)該理解的是在不偏離本發(fā)明精神的情況下本領(lǐng)域的技術(shù)人員可以對(duì)所述設(shè)備在形式和細(xì)節(jié)上以及其操作上進(jìn)行各種省略、代替和改變。因此，本發(fā)明僅僅受限于所附權(quán)利要求所限定的范圍。
權(quán)利要求
1.一種用于從圖像數(shù)據(jù)分割第一結(jié)構(gòu)和第二結(jié)構(gòu)的方法，包括形成能量函數(shù)E＝f(Edata，Ecoupling)，其中Edata表示基于第一結(jié)構(gòu)和第二結(jié)構(gòu)的可能分割，Ecoupling表示在第一結(jié)構(gòu)和第二結(jié)構(gòu)之間重疊的量度；以及最小化所述能量函數(shù)。
2.根據(jù)權(quán)利要求1的方法，其中E＝Edata+Ecoupling。
3.根據(jù)權(quán)利要求2的方法，其中Edata和Ecoupling是對(duì)數(shù)表達(dá)。
4.根據(jù)權(quán)利要求1的方法，其中項(xiàng)Edata和Ecoupling依賴于第一結(jié)構(gòu)和第二結(jié)構(gòu)的水平集函數(shù)的概率。
5.根利要求4的方法，其中Ecoupling依賴于罰α。
6.根據(jù)權(quán)利要求5的方法，其中項(xiàng)Edata被表達(dá)為Edata(φ1,φ2)=-∫ΩHϵ(φ1,x)(1-Hϵ(φ2,x))logp1(I(x))dx-∫ΩHϵ(φ2,x)(1-Hϵ(φ1,x))logp2(I(x))dx-∫Ω(1-Hϵ(φ2,x)(1-Hϵ(φ1,x))logpb(I(x))dx]]>并且項(xiàng)Ecoupling被表達(dá)為Ecoupling(φ1,φ2)=α∫ΩHϵ(φ1,x)Hϵ(φ2,x)dx.]]>
7.根據(jù)權(quán)利要求2的方法，其中添加第三項(xiàng)Eshape，它表示獲悉的在先形狀的約束。
8.根據(jù)權(quán)利要求7的方法，其中項(xiàng)Eshape可以被表達(dá)為Eshape＝-logp(φ|{φ1，...，φN}。
9.根據(jù)權(quán)利要求5的方法，其中α是用戶定義的。
10.根據(jù)權(quán)利要求1的方法，其中第一結(jié)構(gòu)是前列腺，第二結(jié)構(gòu)是膀胱。
11.一種可以從圖像數(shù)據(jù)分割第一結(jié)構(gòu)和第二結(jié)構(gòu)的系統(tǒng)，包括處理器；在處理器上可操作的應(yīng)用軟件，用于形成能量函數(shù)E＝f(Edata，Ecoupling)，其中Edata表示基于第一結(jié)構(gòu)和第二結(jié)構(gòu)的可能分割，Ecouppling表示在第一結(jié)構(gòu)和第二結(jié)構(gòu)之間重疊的量度；以及最小化所述能量函數(shù)。
12.根據(jù)權(quán)利要求11的系統(tǒng)，其中E＝Edata+Ecoupling。
13.根據(jù)權(quán)利要求12的系統(tǒng)，其中Edata和Ecoupling是對(duì)數(shù)表達(dá)。
14.根據(jù)權(quán)利要求11的系統(tǒng)，其中項(xiàng)Edata和Ecoupling依賴于第一結(jié)構(gòu)和第二結(jié)構(gòu)的水平集函數(shù)的概率。
15.根據(jù)權(quán)利要求14的系統(tǒng)，其中Ecoupling依賴于罰α。
16.根據(jù)權(quán)利要求15的系統(tǒng)，其中項(xiàng)Edata被表達(dá)為Edata(φ1,φ2)=-∫ΩHϵ(φ1,x)(1-Hϵ(φ2,x))logp1(I(x))dx-∫ΩHϵ(φ2,x)(1-Hϵ(φ1,x))logp2(I(x))dx-∫Ω(1-Hϵ(φ2,x)(1-Hϵ(φ1,x))logpb(I(x))dx]]>并且項(xiàng)Ecoupling被表達(dá)為Ecoupling(φ1,φ2)=α∫ΩHϵ(φ1,x)Hϵ(φ2,x)dx.]]>
17.根據(jù)權(quán)利要求12的系統(tǒng)，其中添加第三項(xiàng)Eshare，它表示獲悉的在先形狀的約束。
18.根據(jù)權(quán)利要求17的系統(tǒng)，其中項(xiàng)Eshape可以被表達(dá)為Eshape＝-logp(φ|{φ1，...，φN}
19.根據(jù)權(quán)利要求15的系統(tǒng)，其中α是用戶定義的。
20.根據(jù)權(quán)利要求11的系統(tǒng)，其中第一結(jié)構(gòu)是前列腺，第二結(jié)構(gòu)是膀胱。
全文摘要
本發(fā)明公開(kāi)了在水平集中用于耦合表面演化的貝葉斯公式以及在CT圖像中分割前列腺和膀胱的應(yīng)用。還公開(kāi)了在前列腺上施加形狀約束的貝葉斯框架，同時(shí)使其形狀提取與膀胱的形狀提取耦合。約束分割過(guò)程改進(jìn)了兩種器官形狀的提取。
文檔編號(hào)A61B6/03GK1897036SQ200610105868
公開(kāi)日2007年1月17日 申請(qǐng)日期2006年7月13日 優(yōu)先權(quán)日2005年7月13日
發(fā)明者M·魯松, A·哈米尼, M·迪亞洛 申請(qǐng)人:西門(mén)子共同研究公司