專利名稱：基于組合稀疏模型的先驗(yàn)形狀建模方法
技術(shù)領(lǐng)域：
本發(fā)明基于組合稀疏模型的先驗(yàn)形狀建模方法屬于醫(yī)學(xué)圖像分割技術(shù)領(lǐng)域，涉及的是一種醫(yī)學(xué)圖像分割中的先驗(yàn)形狀建模方法，特別是三維醫(yī)學(xué)圖像分割中具有個(gè)體適應(yīng)性的器官先驗(yàn)形狀的獲取方法。
背景技術(shù)：
醫(yī)學(xué)圖像分割是一個(gè)非常具有挑戰(zhàn)性的課題。由于低信噪比、低對(duì)比度、以及不同軟組織之間邊界模糊、存在采·樣偽影、局部體效應(yīng)、空間混疊等因素使醫(yī)學(xué)圖像中存在許多不確定干擾，所以醫(yī)學(xué)圖像分割具有很強(qiáng)的針對(duì)性，使得醫(yī)學(xué)圖像分割至今都沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)和普遍適用的規(guī)則。醫(yī)學(xué)圖像分割經(jīng)歷了一個(gè)由傳統(tǒng)的區(qū)域增長(zhǎng)算法、邊界檢測(cè)算法發(fā)展到水平集算法和基于分類和聚類的方法等算法的過(guò)程，由于醫(yī)學(xué)圖像的特殊性，上述算法進(jìn)行醫(yī)學(xué)圖像分割時(shí)容易出現(xiàn)欠分割和過(guò)分割，目前基于模型如先驗(yàn)形狀的醫(yī)學(xué)圖像分割方法逐漸流行起來(lái)。值得注意的是，人體器官如肝臟、腎臟、心臟等都有很顯著的形狀特征，不同病人的同種器官在形狀上具有很大的相似性，使用先驗(yàn)形狀的方法可以有效解決區(qū)域邊界模糊帶來(lái)的誤分割問(wèn)題，因而可以使用先驗(yàn)形狀來(lái)輔助提取感興趣區(qū)域。對(duì)目前所使用的先驗(yàn)形狀模型進(jìn)行考察發(fā)現(xiàn)，盡管先驗(yàn)形狀在醫(yī)學(xué)圖像分割中可以有效排除噪聲干擾，具有很強(qiáng)的魯棒性，對(duì)先驗(yàn)形狀的建模卻不是一件容易的事。這里主要存在著三個(gè)問(wèn)題
第一，如何對(duì)復(fù)雜的形狀變化進(jìn)行建模。有些器官的形狀個(gè)體差異較大，變化較復(fù)雜，無(wú)法用一個(gè)參數(shù)概率分布來(lái)對(duì)它建模。Cootes和Taylor在1997年提出了用高斯混合模型來(lái)表達(dá)形狀變化的解決方法，而多重學(xué)習(xí)技術(shù)(Manifold learning techniques)通過(guò)對(duì)非線性形狀先驗(yàn)知識(shí)進(jìn)行學(xué)習(xí)，也可用來(lái)在一定程度上解決這個(gè)問(wèn)題，Yan和Kruecker等人還提出了將形狀分解為子空間進(jìn)行建模的方法。但是，對(duì)于形狀比較復(fù)雜，個(gè)體間差異較大的情況，使用參數(shù)概率分布的方法建模還是無(wú)法對(duì)形狀分布進(jìn)行準(zhǔn)確的描述。第二，如何處理非高斯誤差。形狀中的離群點(diǎn)(如錯(cuò)誤或者缺失的標(biāo)記點(diǎn))往往會(huì)偶然存在，并不服從高斯分布，構(gòu)建的形狀模型必須對(duì)這些誤差具有較高的魯棒性。Duta和Sonka提出了一個(gè)利用概率分布模型的方差信息來(lái)檢測(cè)離群點(diǎn)的方法，并且通過(guò)臨近點(diǎn)的位置對(duì)離群點(diǎn)進(jìn)行校正。Fischler和Bolles通過(guò)對(duì)幾種方法的比較發(fā)現(xiàn),RANSAC(randomsample consensus)是一種比較有效的減小離群點(diǎn)的影響方法。第三，如何保留局部細(xì)節(jié)信息。形狀模型應(yīng)當(dāng)針對(duì)不同的圖像數(shù)據(jù)具有適應(yīng)性，能夠保留該圖像中存在的局部細(xì)節(jié)信息。常規(guī)的方法是利用主成分分析(PCA)提取主成分以后剩余的部分作為局部細(xì)節(jié)信息，Davatzikos等人將形狀模型分解為幾個(gè)獨(dú)立的子部分，通過(guò)層次建模的方法來(lái)捕捉局部細(xì)節(jié)，因?yàn)榫植考?xì)節(jié)常出現(xiàn)在訓(xùn)練樣本中的一部分形狀上，具有更小的方差?，F(xiàn)有的絕大多數(shù)形狀建模方法都專注于解決上述一個(gè)或者兩個(gè)問(wèn)題，而對(duì)于同時(shí)有效地處理上述三個(gè)問(wèn)題，對(duì)醫(yī)學(xué)圖像的分割具有十分重要的意義。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種基于組合稀疏模型的先驗(yàn)形狀建模方法，以克服現(xiàn)有的先驗(yàn)形狀建模技術(shù)中的不足，使其在對(duì)醫(yī)學(xué)圖像中不同個(gè)體之間的待分割器官進(jìn)行先驗(yàn)形狀模型建模時(shí)，克服用參數(shù)概率分布等方法的不足，更有效地表示復(fù)雜的形狀變化，而且在對(duì)非高斯誤差具有很高的魯棒性的同時(shí)，能夠有效地保留形狀中的局部細(xì)節(jié)信息。本發(fā)明目的通過(guò)下述技術(shù)方案實(shí)現(xiàn)一種基于組合稀疏模型的先驗(yàn)形狀建模方法，采用先驗(yàn)形狀建模，針對(duì)特定的組織器官建立一個(gè)由臨床數(shù)據(jù)收集而來(lái)的形狀庫(kù)，該形狀庫(kù)由來(lái)自不同病人的圖像數(shù)據(jù)的已經(jīng)分割好的形狀組成，以建立這些病人的相應(yīng)器官的金標(biāo)準(zhǔn)，其通過(guò)以下步驟實(shí)現(xiàn)
步驟I :通過(guò)對(duì)金標(biāo)準(zhǔn)表面上點(diǎn)的采樣，將形狀表面做網(wǎng)格化的預(yù)處理，形狀庫(kù)中的網(wǎng)格化后的形狀為模型的訓(xùn)練數(shù)據(jù)；
步驟2 :將網(wǎng)格化后的形狀用稀疏形狀組合模型表示，形狀庫(kù)中的每個(gè)形狀，其對(duì)應(yīng)網(wǎng)格上所有頂點(diǎn)的坐標(biāo)排列成一個(gè)列向量，整個(gè)形狀庫(kù)得到一個(gè)矩陣D ；
步驟3 :對(duì)稀疏形狀組合模型進(jìn)行最優(yōu)化求解得到相應(yīng)參數(shù)；
步驟4 :將求解得到的參數(shù)，通過(guò)反變換得到所需的先驗(yàn)形狀，
其步驟2中，采用一個(gè)基本假設(shè)，即經(jīng)過(guò)適當(dāng)?shù)目臻g位置校正，任意一個(gè)待處理的形狀y，都能近似表示成形狀庫(kù)中的形狀的線性組合，線性組合無(wú)法表示出的部分，即線性組合表示結(jié)果與該器官的實(shí)際形狀的差異，則視為噪聲e，用
Z = R1,X2,...表示各個(gè)形狀的組合系數(shù)，通過(guò)如下函數(shù)作為最優(yōu)化建模函數(shù)和e的值通過(guò)使如下?lián)p失函數(shù)最小化得到
權(quán)利要求
1.一種基于組合稀疏模型的先驗(yàn)形狀建模方法，采用先驗(yàn)形狀建模，針對(duì)特定的組織器官建立一個(gè)由臨床數(shù)據(jù)收集而來(lái)的形狀庫(kù)，該形狀庫(kù)由來(lái)自不同病人的圖像數(shù)據(jù)的已經(jīng)分割好的形狀組成，以建立這些病人的相應(yīng)器官的金標(biāo)準(zhǔn)，其特征在于，通過(guò)以下步驟實(shí)現(xiàn) 步驟I:通過(guò)對(duì)金標(biāo)準(zhǔn)表面上點(diǎn)的采樣，將形狀表面做網(wǎng)格化的預(yù)處理，形狀庫(kù)中的網(wǎng)格化后的形狀為模型的訓(xùn)練數(shù)據(jù)； 步驟2 :將網(wǎng)格化后的形狀用稀疏形狀組合模型表示，形狀庫(kù)中的每個(gè)形狀，其對(duì)應(yīng)網(wǎng)格上所有頂點(diǎn)的坐標(biāo)排列成一個(gè)列向量，整個(gè)形狀庫(kù)得到一個(gè)矩陣D ； 步驟3 :對(duì)稀疏形狀組合模型進(jìn)行最優(yōu)化求解得到相應(yīng)參數(shù)； 步驟4 :將求解得到的參數(shù)，通過(guò)反變換得到所需的先驗(yàn)形狀， 其步驟2中，將一個(gè)待處理的形狀y近似表示成形狀庫(kù)中的形狀的線性組合，線性組合無(wú)法表示出的部分，即線性組合表示結(jié)果與該器官的實(shí)際形狀的差異，則視為噪聲e，用= Z2,...,表示各個(gè)形狀的組合系數(shù)，；^和e值通過(guò)使如下?lián)p失函數(shù)最小化得到
2.根據(jù)權(quán)利要求I所述的基于組合稀疏模型的先驗(yàn)形狀建模方法，其特征在于所述的將形狀表面做網(wǎng)格化的預(yù)處理是指將要建立的某一特定的組織器官的形狀庫(kù)，通過(guò)對(duì)臨床數(shù)據(jù)的收集，將大量病人的三維圖像中的特定的組織器官由臨床專家手工分割出來(lái)，以建立這些病人的相應(yīng)器官的金標(biāo)準(zhǔn)，金標(biāo)準(zhǔn)被認(rèn)為是與實(shí)際的器官完全吻合的，得到的金標(biāo)準(zhǔn)是一個(gè)二值圖像，為了反映形狀信息，只需要將金標(biāo)準(zhǔn)的表面提取出來(lái)，通過(guò)對(duì)金標(biāo)準(zhǔn)表面上點(diǎn)的采樣，得到一系列標(biāo)記點(diǎn)和三角形面片組成的網(wǎng)格表面，即以網(wǎng)格表示形狀，特定的組織器官對(duì)應(yīng)的網(wǎng)格由網(wǎng)格上每個(gè)頂點(diǎn)的空間坐標(biāo)和頂點(diǎn)之間的拓?fù)潢P(guān)系決定，通過(guò)Prcrustes分析完成在對(duì)形狀進(jìn)行稀疏組合表示之前的預(yù)處理。
3.根據(jù)權(quán)利要求I所述的基于組合稀疏模型的先驗(yàn)形狀建模方法，其特征在于，最優(yōu)化求解目標(biāo)函數(shù)的方法為所述的形狀庫(kù)中的第i個(gè)形狀，其對(duì)應(yīng)網(wǎng)格上所有頂點(diǎn)的坐標(biāo)依據(jù)這些頂點(diǎn)的拓?fù)浣Y(jié)構(gòu)按順序排列成一個(gè)列向量，記做JT,其中n是頂點(diǎn)數(shù)量與坐標(biāo)維數(shù)的乘積，當(dāng)形狀庫(kù)中包含k個(gè)形狀，那么該形狀庫(kù)表示成矩陣D的形式D = WA…X] ,同時(shí)形狀庫(kù)之外的一個(gè)待處理的形狀也表不成列向量； 當(dāng)形狀庫(kù)中的形狀為k>n的情況，輸入形狀能被訓(xùn)練數(shù)據(jù)的稀疏線性組合表示，用公式2體現(xiàn)
4.根據(jù)權(quán)利要求I或3所述的基于組合稀疏模型的先驗(yàn)形狀建模方法，其特征在于所述的最優(yōu)化求解方法為以下兩個(gè)步驟 步驟3. I :通過(guò)形狀的Procrustes分析來(lái)估計(jì)參數(shù)#,并通過(guò)Procrustes分析將形狀y的空間位置、方向和尺寸進(jìn)行一系列的剛體變換而使它與形狀庫(kù)中的平均圖像有最佳匹配，得到新的形狀
5.根據(jù)權(quán)利要求I至4所述的基于組合稀疏模型的先驗(yàn)形狀建模方法用于肝臟圖像分割中對(duì)先驗(yàn)形狀的建模，在計(jì)算機(jī)環(huán)境中運(yùn)行，其特征在于， 步驟I選擇計(jì)算機(jī)運(yùn)行環(huán)境為在CPU為Intel (R) Core 13-2100 3. IOGHz內(nèi)存為·2. OGB的計(jì)算機(jī)中實(shí)現(xiàn)，編程語(yǔ)目為C++ ； 步驟2在肝臟圖像分割中對(duì)先驗(yàn)形狀的建模方法 1)、首用VTK三維圖形圖像處理類庫(kù)將初始肝臟形狀表面轉(zhuǎn)化為網(wǎng)格化表示，網(wǎng)格化后的形狀為模型的訓(xùn)練數(shù)據(jù)，同時(shí)將每個(gè)肝臟形狀轉(zhuǎn)化成按每個(gè)標(biāo)記點(diǎn)的坐標(biāo)排列成的一維列向量表示，整個(gè)肝臟形狀庫(kù)表示成一個(gè)矩陣D，其中每一列對(duì)應(yīng)一個(gè)訓(xùn)練形狀； 2)通過(guò)Procrustes分析將待處理的肝臟形狀朝形狀庫(kù)里面的肝臟形狀對(duì)齊，消除位置、大小和方向上的不一致，并且將該變換對(duì)應(yīng)向量的參數(shù)5記錄下來(lái)，本步驟設(shè)定好公式4中的兩個(gè)稀疏數(shù).. 和兒2 ,建立公式4所對(duì)應(yīng)的最優(yōu)化方程，通過(guò)形狀的Procrustes分析來(lái)估計(jì)參數(shù),從而得到新的形狀T 二 Tiys 0),這樣公式4中就只剩下X未知； Procrustes分析的過(guò)程通過(guò)VTK提供的函數(shù)來(lái)實(shí)現(xiàn)； 3)、使用快速迭代收縮閾值算法(FastIterative Shrinkage ThresholdingAlgorithm, FISTA)對(duì)公式5中對(duì)應(yīng)的線性逆問(wèn)題求最優(yōu)解a，這樣公式4中待定的參數(shù)和e都求解出來(lái)，從而得到肝臟形狀庫(kù)中形狀的最優(yōu)線性組合Dx ； 4)、將形狀庫(kù)中肝臟形狀的稀疏線性組合的最優(yōu)線性組合的結(jié)果^按照參數(shù)所對(duì)應(yīng)的逆變換將組合形狀變 換回輸入形狀對(duì)應(yīng)的原空間，即得到的輸出形狀作為該病人肝臟的先驗(yàn)形狀。
全文摘要
本發(fā)明基于組合稀疏模型的先驗(yàn)形狀建模方法，屬于醫(yī)學(xué)圖像分割技術(shù)領(lǐng)域，采用先驗(yàn)形狀建模，針對(duì)特定的組織器官建立一個(gè)由臨床數(shù)據(jù)收集而來(lái)的形狀庫(kù)，該形狀庫(kù)由來(lái)自不同病人的圖像數(shù)據(jù)的已經(jīng)分割好的形狀組成，以建立這些病人的相應(yīng)器官的金標(biāo)準(zhǔn)，步驟為步驟1通過(guò)對(duì)金標(biāo)準(zhǔn)表面上點(diǎn)的采樣，將形狀表面做網(wǎng)格化的預(yù)處理，形狀庫(kù)中的網(wǎng)格化后的形狀為模型的訓(xùn)練數(shù)據(jù)；步驟2將網(wǎng)格化后的形狀用稀疏形狀組合模型表示，形狀庫(kù)中的每個(gè)形狀，其對(duì)應(yīng)網(wǎng)格上所有頂點(diǎn)的坐標(biāo)排列成一個(gè)列向量，整個(gè)形狀庫(kù)得到一個(gè)矩陣D；步驟3對(duì)稀疏形狀組合模型進(jìn)行最優(yōu)化求解得到相應(yīng)參數(shù)；步驟4將求解得到的參數(shù)，通過(guò)反變換得到所需的先驗(yàn)形狀。
文檔編號(hào)G06K9/62GK102760236SQ20121007427
公開日2012年10月31日 申請(qǐng)日期2012年3月20日 優(yōu)先權(quán)日2012年3月20日
發(fā)明者顧力栩 申請(qǐng)人:蘇州迪凱爾醫(yī)療科技有限公司