本發(fā)明屬于醫(yī)學(xué)圖像處理和機器學(xué)習(xí)技術(shù)領(lǐng)域，具體涉及一種基于稀疏特征和形狀相關(guān)性的超聲圖像序列分割方法。

背景技術(shù)：

高強度超聲聚焦(highintensityultrasoundfocuse，hifu)作為一種基于超聲圖像引導(dǎo)的計算機輔助治療手段，并取得了良好的治療效果[文獻1，2]。如圖1所示，精確地從超聲圖像序列分割出病灶區(qū)域?qū)μ岣遠(yuǎn)ifu治療的效果具有重要意義。目前這項工作是由臨床醫(yī)生在每一幀圖像上對目標(biāo)的區(qū)域進行分割，顯然這是一個枯燥而又低效的過程。

因此，一個精確而高效的超聲圖像序列的分割方法對提高h(yuǎn)ifu治療的效果和效率具有重要的臨床價值和研究意義。然而，有效的超聲圖像分割方法依然面臨以下挑戰(zhàn)：

(1)超聲圖像自身固有的低信噪比和灰度分布不均勻造成目標(biāo)區(qū)域邊緣模糊、甚至邊緣缺失；

(2)成像過程中病人體內(nèi)軟組織的形變從而引起病灶區(qū)域的幾何輪廓的復(fù)雜性；

(3)部分病灶區(qū)域周邊組織比較復(fù)雜容易與目標(biāo)區(qū)域產(chǎn)生混淆產(chǎn)生誤導(dǎo)性邊緣特征。這些因素導(dǎo)致許多方法不容易分割到真實的病灶區(qū)域。

過去的十幾年中，研究者在醫(yī)學(xué)圖像分割領(lǐng)域做了大量卓有成效的工作[文獻3，4]，其中基于活動輪廓模型的分割方法受到了廣泛地關(guān)注。通常情況下，活動輪廓由標(biāo)記點[文獻5，6]或者水平集函數(shù)[文獻7，8]表示。然后，通過構(gòu)建不同的目標(biāo)圖像特征來驅(qū)動活動輪廓搜索目標(biāo)的邊緣。早期的活動輪廓模型采用圖像的梯度信息作為目標(biāo)的搜索特征[文獻6，9，10]。后來有學(xué)者使用目標(biāo)區(qū)域的統(tǒng)計信息作為目標(biāo)的圖像特征。例如，文獻文獻[11，12]使用圖像的一階或二階的統(tǒng)計信息來引導(dǎo)活動輪廓區(qū)分目標(biāo)和背景。文獻[文獻13～16]通過構(gòu)建目標(biāo)區(qū)域概率統(tǒng)計模型來對活動輪廓搜索至真實邊緣提供置信區(qū)域。文獻[文獻17～20]則引入馬爾科夫隨機場理論構(gòu)建目標(biāo)區(qū)域的紋理特征。huang等[文獻21，22]引入圖論對圖像信息進行建模。以上圖像特征在目標(biāo)和背景的灰度差別較大和灰度分布均勻時效果較好，但鑒于超聲圖像固有的缺陷，目標(biāo)邊緣經(jīng)常會產(chǎn)生誤導(dǎo)性或缺失的邊緣特征，從而導(dǎo)致活動輪廓經(jīng)常會搜索到錯誤的區(qū)域。為了提高活動輪廓的魯棒性，有學(xué)者將目標(biāo)形狀的先驗知識融入到活動輪廓分割框架?；顒有螤钅Ｐ蚚文獻5，23]就是其中最具代表性的方法之一。該方法首先用一個標(biāo)記點序列組成的向量作為目標(biāo)形狀的參數(shù)化表達(dá)模型，則整個訓(xùn)練集就構(gòu)成了一個形狀空間。然后通過主成分分析[文獻24]對該形狀空間的形狀變化進行降維，從而將目標(biāo)的先驗形狀表示為形狀空間中的平均值和最顯著性變化成分的線性組合。在分割過程中，活動輪廓的變化始終受到該形狀空間的約束，從而提高形變輪廓對噪聲和目標(biāo)誤導(dǎo)性特征的魯棒性。后來，形狀先驗作為一個活動輪廓演化的規(guī)則項被融入到水平集分割方法中[文獻25～27]。etyngierp等[文獻28]通過引入基于流形的學(xué)習(xí)方法將訓(xùn)練集中的形狀投影到一個非線性的空間，從而提高活動輪廓在分割過程中表現(xiàn)形狀細(xì)節(jié)的能力。yan等[文獻29]通過對圖像序列中相鄰圖像之間的相似性對前列腺底部的形狀進行約束。zhang等[文獻30]引入稀疏表達(dá)理論構(gòu)建目標(biāo)的形狀字典從而生成目標(biāo)的先驗形狀。文獻[31，32]通過引入非線性動力學(xué)的方法來對訓(xùn)練集中的目標(biāo)形狀的變化先驗知識進行建模，從而提高對目標(biāo)細(xì)節(jié)變化的建模能力。

由此可知，構(gòu)建不同形式的圖像特征和形狀先驗知識可以提高活動輪廓對噪聲、缺失性信號和誤導(dǎo)性特征等的魯棒性。但目前的工作也存在相應(yīng)的局限：

(1)基于統(tǒng)計概率的目標(biāo)圖像模型先要對目標(biāo)區(qū)域灰度的概率分布函數(shù)進行估計，然后通過訓(xùn)練樣本對該函數(shù)的參數(shù)進行估計。由于超聲成像質(zhì)量的復(fù)雜性，再加上目標(biāo)周圍復(fù)雜背景的干擾導(dǎo)致預(yù)估的分布模型往往不能提供足夠魯邦的目標(biāo)信息。

(2)目前構(gòu)建目標(biāo)的形狀先驗基本屬于基于離線的學(xué)習(xí)方法，需要大量的訓(xùn)練數(shù)據(jù)并對樣本數(shù)據(jù)進行標(biāo)注，而實際情況中搜集大量的臨床樣本是一件困難的事情，而且有理由懷疑通過訓(xùn)練集得出的形狀先驗是否足夠表達(dá)待分割目標(biāo)形狀的變化。

近年來，有學(xué)者利用目標(biāo)在序列圖像中的變化特性提出了一些圖像序列分割方法。例如，nieuwenhuis等[文獻33]將圖像序列中目標(biāo)的比例作為目標(biāo)形狀變化的先驗知識用于圖像序列分割。wang等[文獻34]通過構(gòu)建圖像的多尺度空間，然后利用目標(biāo)在不同尺度空間中的相似性對活動輪廓演化至真實邊緣進行優(yōu)化。文獻[35，36]引入子空間聚類理論對圖像序列中的前景目標(biāo)進行分割。

技術(shù)實現(xiàn)要素：

為了解決超聲圖像固有的缺點造成的目標(biāo)邊緣的模糊、灰度分布不均勻以及出現(xiàn)目標(biāo)邊緣的誤導(dǎo)性特征，導(dǎo)致傳統(tǒng)的超聲圖像分割方法難以精確地搜索的目標(biāo)邊緣的情況。本專利提出了一種新的基于活動輪廓分割框架的超聲圖像序列分割方法。

本發(fā)明所采用的技術(shù)方案是：一種基于稀疏特征和形狀相關(guān)性的超聲圖像序列分割方法，其特征在于，包括以下步驟：

步驟1：準(zhǔn)備m個超聲圖像序列作為訓(xùn)練樣本，構(gòu)建目標(biāo)區(qū)域的特征集合ao和背景區(qū)域的特征集合ab；

步驟2：分別構(gòu)建ao和ab的特征字典do和db；

步驟3：根據(jù)特征字典do和db，可以計算輸入信號集q＝[q1,…,qn]的稀疏表達(dá)的系數(shù)xo和xb；

步驟4：根據(jù)稀疏表達(dá)系數(shù)xo和xb，分別計算信號集q與do和db的重構(gòu)誤差；

步驟5：構(gòu)建基于稀疏特征競爭的活動輪廓搜索策略；

步驟6：輸入一個待分割的超聲圖像序列i1,…,in，n表示超聲圖像序列包含n幀圖像；

步驟7：對超聲圖像序列之間目標(biāo)形狀的變化進行無監(jiān)督學(xué)習(xí)，獲得組成圖像序列形狀的矩陣，所述矩陣符合低秩屬性，并將低秩屬性作為目標(biāo)形狀變化的先驗知識對活動輪廓的演化進行約束；

步驟8：將基于稀疏特征競爭的活動輪廓搜索策略和目標(biāo)形狀的先驗知識整合進活動輪廓分割框架。

步驟1～步驟5在整個方法中是一個離線的學(xué)習(xí)過程。步驟3中的輸入信號集q＝[q1,…,qn]代表的是待分割的圖像序列i1,…,in中活動輪廓上的采樣點集合，其中qi表示是待分割圖像序列中第i個活動輪廓上采樣點的集合，是一個向量。

為了解決超聲圖像固有的缺點造成的目標(biāo)邊緣的模糊、灰度分布不均勻以及出現(xiàn)目標(biāo)邊緣的誤導(dǎo)性特征，導(dǎo)致傳統(tǒng)的超聲圖像分割方法難以精確地搜索的目標(biāo)邊緣的情況。本專利提出了一種新的基于活動輪廓分割框架的超聲圖像序列分割方法。該方法的主要特點：

(1)針對hifu提供的圖像序列中目標(biāo)形狀變化具有相似性特征，利用矩陣的秩對其形狀相似性進行度量，從而構(gòu)建一種目標(biāo)形狀的先驗知識。該先驗知識的優(yōu)點在于不需要大量的樣本對目標(biāo)形狀的特點進行學(xué)習(xí)，從而避免有監(jiān)督學(xué)習(xí)訓(xùn)練出的模型不能完全描述待分割圖像中目標(biāo)形狀的變化特征。該搜索策略分別利用了目標(biāo)和背景的特征，從而提高了活動輪廓搜索到真實邊緣區(qū)域的魯棒性。而且目標(biāo)和背景特征的性能取決于其過完備庫的容量而無需假設(shè)其特征符合某種先驗?zāi)Ｐ汀?/p>

(2)利用超聲圖像中目標(biāo)邊緣區(qū)域和背景區(qū)域灰度變化的差異度構(gòu)建一種新的目標(biāo)邊緣搜索策略，并將其融入到活動輪廓分割的框架。該搜索的優(yōu)點在于利用稀疏編碼技術(shù)分別對樣本中目標(biāo)和背景的局部灰度特征進行建模，從而避免傳統(tǒng)的利用概率統(tǒng)計模型需要對目標(biāo)的灰度分布進行預(yù)估計，然后通過大量的樣本對其概率統(tǒng)計模型的參數(shù)進行估計等操作，而是將目標(biāo)和背景區(qū)域灰度分布用一個線性組合表示，然后將目標(biāo)和背景的對比作為活動輪廓搜索目標(biāo)的策略，從而提高活動輪廓搜索目標(biāo)的魯棒性。

經(jīng)過實驗證明，針對超聲圖像中出現(xiàn)的邊緣模糊,缺失等缺點，本文方法提供了更準(zhǔn)確和魯棒的分割結(jié)果，從而提高了計算機輔助治療的效率和效果。

附圖說明

圖1：本發(fā)明背景技術(shù)中hifu治療的流程示意圖；

圖2：本發(fā)明實施例的流程圖。

具體實施方式

為了便于本領(lǐng)域普通技術(shù)人員理解和實施本發(fā)明，下面結(jié)合附圖及實施例對本發(fā)明作進一步的詳細(xì)描述，應(yīng)當(dāng)理解，此處所描述的實施示例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。

請見圖2，本發(fā)明提供的一種基于稀疏特征和形狀相關(guān)性的超聲圖像序列分割方法，包括以下步驟：

步驟1：利用稀疏表達(dá)理論[文獻37，38]構(gòu)建基于目標(biāo)和背景的過完備特征字典，并利用目標(biāo)相對于目標(biāo)和背景特征字典的重構(gòu)誤差，構(gòu)建了一種基于稀疏特征競爭的活動輪廓搜索策略，具體步驟如下：

步驟1.1：對訓(xùn)練樣本中目標(biāo)的像素點進行等距離均勻采樣，并定義為目標(biāo)點。在訓(xùn)練集中采樣個m目標(biāo)點表示為：

步驟1.2：定義沿著每個目標(biāo)點的法向量方向的像素點為背景點，并在訓(xùn)練集中采集n個背景點表示為：

步驟1.3：以每個目標(biāo)點ui為中心定義一個正方形區(qū)域使其包含k×k個像素點，將pi向量化：構(gòu)建目標(biāo)區(qū)域特征集合

步驟1.4：對背景點采取如步驟1.3相同的方式構(gòu)建背景區(qū)域的特征集合：

步驟1.5：利用k-svd算法[文獻36]分別構(gòu)建ao和ab的特征字典和具體算法如表1所示。

步驟1.6：根據(jù)特征字典do和db，利用公式(1)和公式(2)計算輸入信號集q＝[q1,…,qn]的稀疏表達(dá)的系數(shù)xo和xb，

其中：

ε：表示一個閾值數(shù)，表示公式(1，2)小于ε值時，優(yōu)化過程可以停止。

t：是一個標(biāo)量，表示x向量的稀疏度，即x中含零元素的個數(shù)。

步驟1.7：根據(jù)稀疏表達(dá)系數(shù)xo和xb，可通過公式(3)和公式(4)由omp算法分別計算信號集與目標(biāo)和背景特征字典的重構(gòu)誤差，

eo＝||q-do·xo||2(3)

eb＝||q-db·xb||2(4)

本發(fā)明用一個有序的標(biāo)記點表示活動輪廓的形狀，即其中mi＝[xi,yi]^t表示輪廓上標(biāo)記點的像素坐標(biāo)。根據(jù)公式(3)和公式(4)，定義表示活動輪廓上標(biāo)記點是離目標(biāo)的特征字典重構(gòu)誤差大還是離背景局部的特征字典的重構(gòu)誤差大。換言之，當(dāng)e的值越大時，說明活動輪廓上采樣點越遠(yuǎn)離真實的邊緣，反之，說明采樣點越靠近背景區(qū)域。e作為一種基于稀疏特征重構(gòu)誤差的搜索策略被整合進活動輪廓分割的框架，如公式(5)所示，

其中，表示活動輪廓的曲率，λ表示其曲率光滑的權(quán)值。

步驟2：對圖像序列之間目標(biāo)形狀的變化進行無監(jiān)督學(xué)習(xí)，證明了組成圖像序列形狀的矩陣符合低秩屬性，并將該屬性作為目標(biāo)形狀變化的先驗知識對活動輪廓的演化進行約束，證明步驟如下：

【條件】hifu設(shè)備提供了目標(biāo)的斷層掃描圖像序列，其中每一個目標(biāo)形狀由一個有序的標(biāo)記點序列c＝[x1,…xn,y1,…,yn]^t表示，其中(xi,yi)表示標(biāo)記點的像素坐標(biāo)。該序列中的目標(biāo)形狀可構(gòu)成一個矩陣[c1,…,cn]，該矩陣代表了該圖像序列中目標(biāo)的形狀空間。

mi＝[xi,yi]^t與c＝[x1,…xn,y1,…,yn]^t是同一個輪廓的表達(dá)方式，即c＝[m1,…,mn]^t＝[x1,y1,…,xn,yn]^t。

【假設(shè)】該圖像序列中目標(biāo)形狀輪廓可由一幀圖像中的目標(biāo)輪廓經(jīng)過線性變化而產(chǎn)生，并且組成形狀的矩陣的秩滿足低秩屬性。

【證明】

(1)ci＝mc1+t，i≠1，其中m表示線性變換的矩陣，t表示一個位移矩陣。根據(jù)文獻[48]中描述，形狀矩陣可以表示為公式(6)的形式：

[c1,…,cn]^t＝ψ[φ1,…,φn]

其中

和

和分別表示向量c1的x和y坐標(biāo)半部，和分別表示矩陣m和向量t中的元素。根據(jù)定理([文獻49])可知，因為矩陣ψ的列最多表示只有6，所以無論矩陣m和向量t如何變化，矩陣[c1,…,cn]是一個低秩矩陣，證明[c1,…cn]^t的低秩屬性。

定理1：針對和矩陣的秩滿足以下性質(zhì)：

rank(a)+rank(b)-k≤rank(a×b)≤min{rank(a),rank(b)}

步驟3：將基于稀疏特征競爭的活動輪廓搜索策略和目標(biāo)形狀的先驗知識整合進活動輪廓分割框架，我們的目標(biāo)方程表示如下：

其中f(ci)代表公式(6)，c＝[c1,…,cn]，rank(·)表示計算矩陣c的秩，k表示設(shè)置的閾值。近來，矩陣的核范數(shù)常被用來計算矩陣的秩的近似凸代理[文獻50，51]，則公式(6)可轉(zhuǎn)化為：

其中||c||*表示矩陣c的核笵數(shù)，即c的奇異值的和，β表示矩陣的權(quán)值系數(shù)。本專利使用鄰近梯度算法(proximalgradient，pg)[文獻52，53]對公式(7)進行優(yōu)化。pg算法主要用來解決以下優(yōu)化問題：

其中f(x)是一個差分方程，r(x)是一個凸懲罰項，針對公式(8)，和r(x)＝||c||*。pg算法的優(yōu)化過程主要通過在每一次迭代中利用前一次x′和公式(8)對f(x)實現(xiàn)二次逼近。

其中<·,·>表示內(nèi)積運算，||·||f表示為frobenius范數(shù)，μ表示一個常數(shù)。在每次迭代過程中，公式(8)中的x′可以通過以下公式計算：

當(dāng)f(x)保持可微，則公式(8)將以將收斂于一個穩(wěn)定的點。公式(11)的優(yōu)化問題可由引理1推導(dǎo)得出[文獻54]。

引理1：已知公式(11)的解

由x^*＝dα(z)給出，其中

其中ui和vi分別是矩陣z的左右奇異向量，σi是奇異值，以及(·)+＝max(·,0)，dα(z)代表奇異值分解操作。因此，本算法的更新步驟可以表示為

剩下的任務(wù)就是對以公式(5)為例

其中p表示輪廓的標(biāo)記點，np和kp分別表示標(biāo)記點p的法向量和曲率。為了提高pg算法的收斂速度，文獻[53]對x的更新進行了改進，用公式(15)計算的中間值y^k對公式(9)中x^k-1和x^k進行線性插值。

其中t^k為隨機確定的。公式(8)的整個流程請見表2，即：首先活動輪廓根據(jù)圖像特征進行演化，然后由形狀的相似性規(guī)則項對其形狀的演化進行進一步的約束。

經(jīng)過實驗證明，針對超聲圖像中出現(xiàn)的邊緣模糊，缺失等缺點，本方法提供了更準(zhǔn)確和魯棒的分割結(jié)果，從而提高了計算機輔助治療的效率和效果。本方的基于稀疏特征競爭的目標(biāo)搜索策略的活動輪廓由于綜合利用目標(biāo)和背景之間圖像信息的誤差，因此比單純利用目標(biāo)區(qū)域紋理信息的活動輪廓模型的分割效果更加魯棒。而且，對圖像序列之間目標(biāo)形狀變化的先驗知識進行無監(jiān)督學(xué)習(xí)比通過訓(xùn)練樣本對目標(biāo)形狀的先驗知識進行有監(jiān)督的學(xué)習(xí)更能反映分割目標(biāo)形狀的信息，從而進一步提升活動輪廓在邊緣模糊或泄露的情況下分割的魯棒性，而這一點對提高基于超聲引導(dǎo)的計算機輔助治療的效果是非常有價值的。

本說明書引用的參考文獻為：

【參考文獻】

[1]zhangl,wangzb.high-intensityfocusedultrasoundtumorablation:reviewoftenyearsofclinicalexperience[j].frontiersofmedicineinchina,2010,4(3):294～302.

[2]leungjh,yusc,cheungec,etal.safetyandefficacyofsonographicallyguidedhigh-intensityfocusedultrasoundforsymptomaticuterinefibroids:preliminarystudyofamodifiedprotocol[j].journalofultrasoundinmedicineofficialjournaloftheamericaninstituteofultrasoundinmedicine,2014,33(10):1811～1818.

[3]sainik,dewalml,rohitm.ultrasoundimagingandimagesegmentationintheareaofultrasound:areview[j].internationaljournalofadvancedscience&technology,2010,24(24).

[4]hebs,zhuf,shiyg.medicalimagesegmentation[j].internationaljournaloncomputerscience&engineering,2013,3(4):1209～1218.

[5]cootestf,taylorcj,cooperdh,etal.activeshapemodels-theirtrainingandapplication[j].computervision&imageunderstanding,1995,61(1):38～59.

[6]xuc,princejl.snakes,shapes,andgradientvectorflow[j].ieeetransactionsonimageprocessing,1998,7(3):359～369.

[7]malladir,sethianja,vemuribc.shapemodelingwithfrontpropagation:alevelsetapproach[j].ieeetransactionsonpatternanalysis&machineintelligence,1995,17(2):158～175.

[8]chantf,vesela.activecontourswithoutedges.[j].ieeetransactionsonimageprocessing,2001,10(2):266～277.

[9]mcinerneyt,terzopoulosd.t-snakes:topologyadaptivesnakes[j].medicalimageanalysis,2000,4(2):73～91.

[10]goldenbergr,kimmelr,rivline,etal.fastgeodesicactivecontours.[j].ieeetransactionsonimageprocessing,2001,10(10):1467～1475.

[11]yuanhe,luoyp,dong-chenghu.unsupervisedtexturesegmentationbasedongeodesicactiveregions[j].journalofsoftware,2007,18(3):592～599.

[12]yezzia,tsaia,willskya.astatisticalapproachtosnakesforbimodalandtrimodalimagery.in:proceedingsofinternationalconferenceoncomputervision.ieeecomputersociety,1999:898～903.

[13]adama,kimmelr,rivline.onscenesegmentationandhistograms-basedcurveevolution[j].ieeetransactionsonpatternanalysis&machineintelligence,2009,31(9):1708～1714.

[14]sartia,corsic,mazzinie,etal.maximumlikelihoodsegmentationofultrasoundimageswithrayleighdistribution[j].ieeetransactionsonultrasonicsferroelectrics&frequencycontrol,2005,52(6):947～960.

[15]liaox,yuanz,zhengq,etal.multi-scaleandshapeconstrainedlocalizedregion-basedactivecontoursegmentationofuterinefibroidultrasoundimagesinhifutherapy[j].plosone,2014,9(7):e103334～e103334.

[16]bon,hef,yuanzy.segmentationofuterinefibroidultrasoundimagesusingadynamicstatisticalshapemodelinhifutherapy[j].computerizedmedicalimaging&graphics,2015,357:302–314.

[17]crossgr.markovrandomfieldtexturemodels[j].ieeetransactionsonpatternanalysis&machineintelligence,1983,5(1):25～39.

[18]guoce,zhusc,wuyn.modelingvisualpatternsbyintegratingdescriptiveandgenerativemethods[j].internationaljournalofcomputervision,2003,53(1):5～29.

[19]tuz,zhusc.imagesegmentationbydata-drivenmarkovchainmontecarlo[j].ieeetransactionsonpatternanalysis&machineintelligence,2002,24(5):657～673.

[20]lianxc,liz,lubl,etal.max-margindictionarylearningformulticlassimagecategorization.in:proceedingsofeuropeanconferenceoncomputervision.verlag:springer,2010:157～170.

[21]huangqh,leesy,liulz,etal.arobustgraph-basedsegmentationmethodforbreasttumorsinultrasoundimages[j].ultrasonics,2012,52(2):266～275.

[22]huangq,baix,liy,etal.optimizedgraph-basedsegmentationforultrasoundimages[j].neurocomputing,2014,129(4):216～224.23ginnekenbv,frangiaf,staaljj,etal.activeshapemodelsegmentationwithoptimalfeatures[j].ieeetransactionsonmedicalimaging,2002,21(8):924～933.

[24]jolliffeit.principalcomponentanalysis[j].springerberlin,1986,87(100):41～64.

[25]paragiosn.alevelsetapproachforshape-drivensegmentationandtrackingoftheleftventricle[j].ieeetransactionsonmedicalimaging,2003,22(6):773～776.

[26]lic,xuc,guic,etal.distanceregularizedlevelsetevolutionanditsapplicationtoimagesegmentation[j].ieeetransactionsonimageprocessing,2010,19(12):3243～3254.

[27]lic,huangr,dingz,etal.alevelsetmethodforimagesegmentationinthepresenceofintensityinhomogeneitieswithapplicationtomri[j].ieeetransactionsonimageprocessing,2011,20(7):2007～2016.

[28]etyngierp,segonnef,kerivenr.shapepriorsusingmanifoldlearningtechniques.in:proceedingsofieeeinternationalconferenceoncomputervision.ieee,2007:1～8.

[29]pingkuny,shengx,barist,etal.adaptivelylearninglocalshapestatisticsforprostatesegmentationinultrasound[j].ieeetransactionsonbiomedicalengineering,2011,58(3):633～641.

[30]zhangs,zhany,dewanm,etal.sparseshapecomposition:anewframeworkforshapepriormodeling.in:proceedingsof2011ieeeconferenceoncomputervisionandpatternrecognition(cvpr),2011,42(7):1025～1032.

[31]shepherdt,princesj,alexanderdc.interactivelesionsegmentationwithshapepriorsfromofflineandonlinelearning[j].ieeetransactionsonmedicalimaging,2012,31(9):1698～1712.

[32]nibo,hefazhi,yuanzhiyong.anovelultrasoundimagesegmentationbasedondynamicalstatisticalshapemodel[j].chinasci:information,2015,45(11):1449～1465[倪波,何發(fā)智,袁志勇.一種基于動力學(xué)統(tǒng)計形狀模型的超聲圖像分割方法[j].中國科學(xué):信息科學(xué),2015,45(11):1449～1465.]

[33]nieuwenhuisc,strekalovskiye,cremersd.proportionpriorsforimagesequencesegmentation.in:proceedingsoftheieeeinternationalconferenceoncomputervision.2013:2328～2335.

[34]wangw,zhul,qinj,etal.multiscalegeodesicactivecontoursforultrasoundimagesegmentationusingspecklereducinganisotropicdiffusion[j].opticsandlasersinengineering,2014,54:105～116.

[35]tierneys,gaoj,guoy.subspaceclusteringforsequentialdata.in:proceedingsoftheieeeconferenceoncomputervisionandpatternrecognition.2014:1019～1026.

[36]wuf,huy,gaoj,etal.orderedsubspaceclusteringwithblock-diagonalpriors[j].ieeetransactionsoncybernetics,2015:1～11.

[37]donohodl.compressedsensing[j].ieeetransactionsoninformationtheory,2006,52(4):1289～1306.

[38]cohena,dahmenw,devorer.compressedsensingandbestk-termapproximation[j].journaloftheamericanmathematicalsociety,2009,22(1):211～231.

[39]hornra,johnsoncr.matrixanalysis[m].cambridgeuniversitypress,2012.

[40]schmeej.matrixalgebrausefulforstatistics[j].technometrics,1985,27(1):89～89.

[41]becka,teboullem.afastiterativeshrinkage-thresholdingalgorithmforlinearinverseproblems[j].siamjournalonimagingsciences,2009,2(1):183～202.

[42]nesterovy.gradientmethodsforminimizingcompositeobjectivefunction[j].corediscussionpapers,2015,38(3):768～785.

[43]caijf,candèsej,shenz.asingularvaluethresholdingalgorithmformatrixcompletion[j].siamjournalonoptimization,2010,20(4):1956～1982.

應(yīng)當(dāng)理解的是，本說明書未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)。

應(yīng)當(dāng)理解的是，上述針對較佳實施例的描述較為詳細(xì)，并不能因此而認(rèn)為是對本發(fā)明專利保護范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán)利要求所保護的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護范圍之內(nèi)，本發(fā)明的請求保護范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。