基于稀疏低秩與Atlas集的3D MRI胰腺分割方法
【專利摘要】本發(fā)明提出一種基于稀疏低秩與Atlas集的3D MRI胰腺分割方法，主要解決現(xiàn)有技術(shù)中分割胰腺粘連現(xiàn)象嚴(yán)重、分割結(jié)果不精確的問題。其步驟如下：1)輸入3D MRI數(shù)據(jù)并歸一化處理；2)對歸一化處理后的序列圖像進行稀疏低秩分解并進行Hessian矩陣增強；3)在增強后的圖像上人機交互分割出胰腺標(biāo)簽；4)構(gòu)造粗分割集；5)輸入Atlas集，依次進行剛性配準(zhǔn)和彈性配準(zhǔn)，并進行標(biāo)簽融合，輸出分割結(jié)果。本發(fā)明運用矩陣增強、矩陣分解、圖集法，并利用3D MRI圖像的空間信息，進行胰腺分割，減少了胰腺目標(biāo)與其他組織器官的粘連現(xiàn)象，圖像輪廓清晰，提高了分割的準(zhǔn)確度，可用于胰腺癌精確放射治療中的胰腺目標(biāo)檢測。
【專利說明】
基于稀疏低秩與At I as集的3D MR I胰腺分割方法
技術(shù)領(lǐng)域
[0001]本發(fā)明屬于醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，更進一步涉及三維核磁共振圖像3D MRI胰腺 分割，可用于胰腺癌精確放射治療中的胰腺目標(biāo)檢測。
【背景技術(shù)】
[0002] 胰腺癌是出現(xiàn)在胰臟的癌癥，通常認(rèn)為胰腺癌是常見腫瘤中惡性程度最高、死亡 率最高的癌癥，約90%的患者無法以手術(shù)根治，五年存活率低于5%。根據(jù)世界衛(wèi)生組織估 計，胰腺癌在全世界發(fā)生率排第十三，死亡率排第八。隨著科技的發(fā)展，其他癌癥的治療都 有了提高，但胰腺癌卻沒有明顯的突破，死亡率也沒有明顯的下降趨勢，所以必須加強研 究，早日攻克胰腺癌對人類的威脅。
[0003] 傳統(tǒng)檢查胰腺癌的方式是醫(yī)生根據(jù)經(jīng)驗和觀察直接閱片，定性的判斷患者的病 情，這樣易受情緒影響，且隨著工作量增加，閱片準(zhǔn)確率下降。對胰腺癌的治療方法中，放射 治療是一種主要的方法，他試圖用射線殺死腫瘤，但也會對正常組織造成一次性或永久性 傷害。精確放療通過精確的腫瘤定位、精確的計劃設(shè)計、精確的劑量計算及在治療機上精確 執(zhí)行的一種全新的腫瘤放療技術(shù)，有助于減少放射治療中對健康組織放射造成的傷害。精 確分割胰腺組織有助于幫助醫(yī)生分析胰腺病情，也是精確放療不可缺少的一步。
[0004] 目前，對胰腺癌進行檢測和治療的設(shè)備主要是核磁共振成像MRI系統(tǒng)，該設(shè)備功能 強大、技術(shù)含量高、軟組織圖像清晰，而且對人體檢測損害小，已成為對胰腺進行分析、診斷 和治療的重要手段，而從MRI圖像中精確的分割出胰腺，就是這些手段的重要前提。
[0005] 傳統(tǒng)醫(yī)學(xué)圖像分割方法包括基于區(qū)域的方法、基于邊緣的方法、基于神經(jīng)網(wǎng)絡(luò)的 方法、基于模糊聚類的方法、基于圖譜的方法等。由于這些方法大多數(shù)是基于2D圖像序列的 分割，利用2D圖像本身的特性信息完成感興趣區(qū)域的分割，例如灰度、紋理等信息，而沒有 利用體素的空間信息，因此不能進行準(zhǔn)確的胰腺提取;醫(yī)學(xué)MRI圖像有噪聲強、對比度低、軟 組織邊界不明顯的特點，而這些方法大多數(shù)對圖像噪聲和對比度敏感，所以難以定位目標(biāo) 邊界，使得分割結(jié)果不精確。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于針對以上現(xiàn)有技術(shù)的不足，提出一種基于稀疏低秩與Atlas集 的3D MRI胰腺分割方法，以提高3D MRI胰腺分割的精度。
[0007] 實現(xiàn)本發(fā)明目的的技術(shù)方案如下：
[0008] (1)輸入三維核磁共振3D MRI序列圖像，對其進行歸一化處理，得到歸一化后的序 列圖像C;
[0009] (2)用交替迭代法對歸一化處理后的序列圖像C進行稀疏低秩矩陣分解，得到稀疏 圖像序列A和低秩圖像序列B;
[0010] (3)對稀疏圖像序列A進行Hessian矩陣增強，得到二值增強圖像序列A1;
[0011] (4)通過一次人機交互，在二值增強圖像序列六:中確定胰腺的位置區(qū)域P，根據(jù)胰 腺位置區(qū)域P，利用形態(tài)學(xué)原理在二值增強圖像序列^中分割出胰腺的標(biāo)簽圖像序列L;
[0012] (5)根據(jù)標(biāo)簽圖像序列L和步驟（1)中的序列圖像C，得到粗分割集Q，其中包含F(xiàn)幀 圖像；
[0013] (6)輸入胰腺圖像序列W及人工勾畫出的胰腺標(biāo)簽序列E，即Atlas集；
[0014] (7)選擇粗分割集Q中的第i幀圖像作為參考圖像，記為&，將Atlas集中的胰腺圖 像序列W作為浮動圖像，用基于互信息的剛性配準(zhǔn)算法對QnW進行配準(zhǔn)，得到剛性配準(zhǔn)后的 胰腺圖像序列I和剛性轉(zhuǎn)換公式!^，根據(jù)^對胰腺標(biāo)簽序列E進行迀移，得到剛性配準(zhǔn)后的 胰腺標(biāo)簽序列Ei，其中i的取值范圍為1~F;
[0015] (8)將剛性配準(zhǔn)后的胰腺圖像序列1作為浮動圖像，使用基于Demons的彈性配準(zhǔn) 算法對參考圖像&和該1進行配準(zhǔn)，得到彈性配準(zhǔn)后的胰腺圖像序列％和彈性轉(zhuǎn)換公式T 2， 根據(jù)^對剛性配準(zhǔn)后的胰腺標(biāo)簽序列E1進行迀移，得到彈性配準(zhǔn)后的胰腺標(biāo)簽序列Ε 2;
[0016] (9)計算參考圖像&與彈性配準(zhǔn)后的胰腺圖像序列此的相關(guān)性序列，根據(jù)該相關(guān)性 序列及彈性配準(zhǔn)后的胰腺圖像序列此和彈性配準(zhǔn)后的胰腺標(biāo)簽序列扮這三者是一一對應(yīng)的 關(guān)系，取相關(guān)性序列最高的前五個系數(shù)對應(yīng)的標(biāo)簽，并對這五個標(biāo)簽進行融合，得到參考圖 像Qi精分割后的結(jié)果Ri，其中i的取值范圍為1~F;
[0017] (10)重復(fù)步驟(7)~(9)，對粗分割集Q中所有圖像精分割后，得到最終結(jié)果精分割 集R 〇
[0018] 本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點：
[0019] 1.本發(fā)明采用Hessian矩陣增強的方法，將三維核磁共振圖像3D MRI的空間信息 運用到胰腺目標(biāo)的分割中，使分割結(jié)果更加準(zhǔn)確。
[0020] 2.本發(fā)明采用稀疏低秩矩陣分解方法，將三維核磁共振圖像3D MRI分解成低秩序 列部分和稀疏序列部分，通過對稀疏序列部分進行操作，有效減少目標(biāo)與其他器官的粘連 現(xiàn)象。
[0021] 3.本發(fā)明運用Atlas集方法，將粗分割結(jié)果與胰腺模板庫圖像配準(zhǔn)，再進行標(biāo)簽迀 移和融合得到最終分割結(jié)果，使得分割目標(biāo)區(qū)域能保持較好的輪廓。
【附圖說明】
[0022]圖1是本發(fā)明的實現(xiàn)流程圖；
[0023]圖2是待分割3D MRI圖像序列中的一幀及該幀的標(biāo)簽；
[0024]圖3是用本發(fā)明與現(xiàn)有l(wèi)evel set法和graph cut法的分割結(jié)果對比圖。
【具體實施方式】
[0025]參照圖1，本發(fā)明的實現(xiàn)步驟如下：
[0026]步驟1、輸入數(shù)據(jù)并歸一化處理。
[0027]輸入三維核磁共振圖像3D MRI序列Co,按下列公式對其進行歸一化處理，得到歸 一化處理后的序列圖像C:
[0029]其中，max〇為提取矩陣最大元素。
[0030] 步驟2、對歸一化處理后的序列圖像進行稀疏低秩分解。
[0031] 用交替迭代法對歸一化處理后的序列圖像C進行稀疏低秩矩陣分解，得到稀疏圖 像序列A和低秩圖像序列B:
[0032 ] (2a)設(shè)置初始值，稀疏圖像序列A為零矩陣，低秩圖像序列B = C;
[0033] (2b)通過公式：
更新稀疏矩陣A，其中， 是歐幾里得投影，γ為常數(shù)，且γ>〇，β指偏離線性約束的懲罰參數(shù)，且i3>〇，k為迭代 次數(shù)，Bk為第k次迭代后的低秩矩陣，Zk為第k次迭代后的約束矩陣；
[0034] (2c)對
進行奇異值分解產(chǎn)生三個不同的矩陣：左奇異向量矩 陣Uk+1、右奇異向量矩陣Vk+1及對角奇異值矩陣
[0035] (2d)通過公式：
更新低秩矩陣Β，其中，Τ 為矩陣的轉(zhuǎn)置，max{}為提取最大元素，diag()為提取對角線元素；
[0036] (2e)通過公式Zk+1 = Zk-f3(Ak+1+Bk+1-C)更新約束性矩陣Z，其中，A k+1是第k+Ι次迭代 后的稀疏矩陣，zk+1是第k+Ι次迭代后的線性約束矩陣，Bk+1是第k+Ι次迭代后的低秩矩陣； [0037] (2f)設(shè)定迭代次數(shù)k=1000,重復(fù)步驟(2a)~（2e)，迭代結(jié)束后，得到稀疏圖像序 列A和低秩圖像序列B。
[0038]步驟3、對稀疏圖像序列進行Hessian矩陣增強。
[0039]對稀疏圖像序列A進行Hessian矩陣增強，得到二值增強圖像序列A1:
[0040] (3a)根據(jù)下面公式，求出稀疏圖像序列A中每個像素點I的Hessian矩陣Η: 4- 4, Α,
[0041 ] Η = Iyx Ιγζ 4ν '二
[0042]其中，I表示稀疏圖像序列Α中每一個像素點，Ιχχ代表沿χ方向的二階偏微分，1#代 表先沿X方向再沿y方向的二階偏微分，Ιχζ代表先沿X方向再沿ζ方向的二階偏微分，Iyx代表 先沿y方向再沿X方向的二階偏微分，I yy代表沿y方向的二階偏微分，Iyz代表先沿y方向再沿 z方向的二階偏微分，IZXR表先沿z方向再沿X方向的二階偏微分，I zyR表先沿z方向再沿y 方向的二階偏微分，Izz代表沿Z方向的二階偏微分；
[0043] (3b)根據(jù)Choiesky分解法，計算步驟(3a)中每一個Hessian矩陣Η的三個特征值， 并按絕對值從小到大順序排序為λι，λ2，λ3;
[0044] (3c)根據(jù)下面公式和每一個像素點I的Hessian矩陣特征值，對稀疏圖像序列Α的 每一個像素點進行增強；
if Xt < 0 or 1? < 〇
[0046]其中，α是起調(diào)節(jié)面狀權(quán)重RA作用的常數(shù)，α >〇，τ是起調(diào)節(jié)管狀權(quán)重RB作用的常數(shù)， t>0，c是起調(diào)節(jié)球狀權(quán)重S作用的常數(shù)，
νι(λ)是指每個像素點I增強后的結(jié)果。
[0047]步驟4、人機交互分割出胰腺標(biāo)簽。
[0048] 利用matlab上的roipoly函數(shù)，在步驟3中得到的二值增強圖像序列Αι上手動選擇 胰腺的位置區(qū)域P，利用形態(tài)學(xué)原理，將Ai中與P組成連通域的部分提取出來，得到胰腺的標(biāo) 簽圖像序列L:
[0049] (4a)對二值增強圖像序列Μ進行形態(tài)學(xué)腐蝕操作，得到腐蝕后的二值增強圖像序 列Αι' ：
[0050] (4b)根據(jù)胰腺位置區(qū)域P從腐蝕后的二值增強圖像序列心中提取出連通區(qū)域I/;
[0051] (4c)對提取出來的連通區(qū)域1/進行形態(tài)學(xué)膨脹操作，得到標(biāo)簽圖像序列L。
[0052]步驟5、構(gòu)造粗分割集。
[0053] 根據(jù)標(biāo)簽圖像序列L和步驟（1)中的序列圖像C，按下列公式，得到包含F(xiàn)幀圖像的 粗分割集Q:
[0054] Q = C.*L
[0055] 其中，.*表示矩陣對應(yīng)元素相乘。
[0056] 步驟6、輸入Atlas集。
[0057]輸入胰腺圖像序列W及人工勾畫出的胰腺標(biāo)簽序列E，W和E構(gòu)成Atlas集。
[0058]步驟7、基于互信息的剛性配準(zhǔn)。
[0059] (7a)選擇粗分割集Q中的第i幀圖像作為參考圖像，記為&，將Atlas集中的胰腺圖 像序列W作為浮動圖像，用基于互信息的剛性配準(zhǔn)算法對QnW進行配準(zhǔn)，得到剛性配準(zhǔn)后的 胰腺圖像序列1和剛性轉(zhuǎn)換公式?\:
[0060] (7a 1)設(shè)初始狀態(tài)k = 0，初始參數(shù)(α?ρ3°)為(0，0，0)，W, = W，其中，？1代表水平 變量、Ρ2代表垂直變量、Ρ3代表順時針旋轉(zhuǎn)變量，k為迭代次數(shù)，為迭代第0次后的剛性配 準(zhǔn)胰腺圖像序列；
[0061] (7a2)用PV插值法統(tǒng)計QdPWf的聯(lián)合直方圖，根據(jù)該聯(lián)合直方圖計算QdPWf的互 信息值，其中，Wf為迭代第k次后的剛性配準(zhǔn)胰腺圖像序列；
[0062] (7a3)用Powell算法根據(jù)步驟(7a2)中得到的互信息值判斷參數(shù)(pf，g，g)是否最 優(yōu)，如果不是最優(yōu)，則進行步驟（7a4)，如果是最優(yōu)，則停止迭代，輸出最優(yōu)參數(shù) (A，巧，凡）=(A"，，乂），進行步驟( 7a5)，其中，Ρ?為迭代第k次后的水平變量，K為迭代第 k次后的垂直變量，g為迭代第k次后的順時針旋轉(zhuǎn)變量；
[0063] (7a4)對妒進行平移、旋轉(zhuǎn)，得到Wt1和調(diào)整后的參數(shù)(pf+1,M +1,g+1)^k = k+l， 返回到步驟(7a2)，其中，WP1為迭代第k+1次后的剛性配準(zhǔn)胰腺圖像序列，< +1為迭代第k+1 次后的水平變量，g+1為迭代第k+1次后的垂直變量，為迭代第k+1次后的順時針旋轉(zhuǎn)變 量；
[0064] (7a5)根據(jù)最優(yōu)參數(shù)(Pl，p2，p3)按下列公式得到剛性轉(zhuǎn)換公式!^，根據(jù)叫挪轉(zhuǎn)換成 剛性配準(zhǔn)后的胰腺圖像序列W 1: 1 Ο Ο cos ρ, sin ρ, 0
[0065] JJ = 0 1 0 -sin cos/? 3 〇 Ρι _ 〇 〇 1
[0066] (7b)根據(jù)1\對胰腺標(biāo)簽序列Ε進行迀移，得到剛性配準(zhǔn)后的胰腺標(biāo)簽序列Eu
[0067] 步驟8、基于Demons的非剛性配準(zhǔn)。
[0068] (8a)將剛性配準(zhǔn)后的胰腺圖像序列1作為浮動圖像，使用基于Demons的彈性配準(zhǔn) 算法對參考圖像&和該1進行配準(zhǔn)，得到彈性配準(zhǔn)后的胰腺圖像序列此和彈性轉(zhuǎn)換公式T2:
[0069] (8al)設(shè)初始狀態(tài)k=l，在參考圖像Qi上選擇所有像素點作為Demons點，，〗=啊， 給定允許誤差ε，其中e>〇，k為迭代次數(shù)，其中時為第一次迭代的彈性配準(zhǔn)胰腺圖像序列；
[0070] (8a2)根據(jù)Symmetric Demons公式計算中所有像素點的形變向量：
[0072] 其中，u表示形變向量，uk表示迭代第k次后的形變向量表示迭代第k次后彈性 配準(zhǔn)胰腺圖像序列，▽表示求圖像的梯度，I I表示取模操作，η表示歸一化因子；
[0073] (8&3)根據(jù)形變向量1!1{按下列公式求出彈性轉(zhuǎn)換公式2^，根據(jù)0將1； 1轉(zhuǎn)換為 %?+1，其中，g為迭代第k次后的彈性轉(zhuǎn)換公式，％i+1為迭代第k+Ι次后的彈性配準(zhǔn)胰腺圖像 序列：
[0074] Jf = ξ·ι/
[0075] 其中，ξ表示項力衰減系數(shù)；
[0076] (8a4)計算Qi與％?Η?的誤差平方和，如果該誤差平方和小于ε，輸出彈性轉(zhuǎn)換公式 Γ 2 =2t和彈性配準(zhǔn)后的胰腺圖像序列％ =甿"，結(jié)束迭代，否則k = k+l，返回步驟(8a2);
[0077] (8b)根據(jù)^對剛性配準(zhǔn)后的胰腺標(biāo)簽序列E1進行迀移，得到彈性配準(zhǔn)后的胰腺標(biāo) 簽序列E2。
[0078] 步驟9、進行標(biāo)簽融合。
[0079]計算參考圖像&與彈性配準(zhǔn)后的胰腺圖像序列％的相關(guān)性序列，根據(jù)該相關(guān)性序 列及彈性配準(zhǔn)后的胰腺圖像序列此和彈性配準(zhǔn)后的胰腺標(biāo)簽序列扮這三者是一一對應(yīng)的關(guān) 系，取相關(guān)性序列最高的前五個系數(shù)對應(yīng)的標(biāo)簽，并對這五個標(biāo)簽進行融合，得到參考圖像 Qi精分割后的結(jié)果Ri。
[0080] (9a)根據(jù)相關(guān)性序列最高的前五個系數(shù)gl~g5和他們對應(yīng)的標(biāo)簽圖像6 1~65，計 算標(biāo)簽融合后的結(jié)果R/ :
[0082] 其中j的取值范圍為1~5, Σ表示求和操作；
[0083] (9b)按下列公式對(9a)中標(biāo)簽融合后的結(jié)果R/進行修正，得到精分割后的結(jié)果 Ri： 0 I? ' <0.4
[0084] ' ?;、0,4
[0085] 步驟10、重復(fù)步驟(7)~(9)，對粗分割集Q中所有圖像精分割，得到最終結(jié)果精分 割集R。
[0086] 以下結(jié)合仿真圖對本發(fā)明的效果做進一步的說明。
[0087] 1.仿真條件：
[0088] 硬件平臺為:CPU為Inter Core i7-4790K，主頻為4GHz，內(nèi)存為32GB;
[0089] 軟件平臺為:Windows 10專業(yè)版64位操作系統(tǒng)，MatlabR2014a。
[0090] 2.仿真數(shù)據(jù)：
[0091]本例中待分割的數(shù)據(jù)采用的是通過三維核磁共振儀獲取的一名志愿者腹部三維 核磁共振圖像序列，圖像大小為320*284,一共有5幀圖像，通過人工勾畫出胰腺作為標(biāo)簽， 如圖2所示，其中，圖2a是胰腺圖像，圖2b是胰腺圖像的標(biāo)簽。Atlas集采用的是其他志愿者 通過三維核磁共振儀獲取的三維核磁共振圖像，它們對應(yīng)的標(biāo)簽圖像通過人工勾畫獲得。 [0092] 3.仿真內(nèi)容：
[0093]為了驗證算法的有效性，一般在進行圖像分割以后，會以標(biāo)簽為參考圖像計算指 標(biāo)，豪斯多夫距離、平均絕對表面距離、相似性、靈敏度、特異性五個指標(biāo)作為分割精度的判 斷標(biāo)準(zhǔn)，豪斯多夫距離、平均絕對表面距離這兩個指標(biāo)數(shù)值越大分割結(jié)果越精確，相似性、 靈敏度、特異性這三個指標(biāo)數(shù)值越小分割結(jié)果越精確。
[0094]用本發(fā)明和現(xiàn)有的兩個具有代表性的圖像分割方法level set法和graph cut法 進行仿真實驗對比。
[0095]仿真一：分別通過這三種方法對上述仿真數(shù)據(jù)進行胰腺分割仿真，對三種方法得 到的分割結(jié)果進行三維重建，結(jié)果如圖3所示，其中圖3a為本發(fā)明的分割結(jié)果，圖3b為level set法的分割結(jié)果，圖3c為graph cut法的分割結(jié)果，可以看出用本發(fā)明分割出的胰腺輪廓 更好。
[0096]仿真二：分別通過這三種方法對上述仿真數(shù)據(jù)進行胰腺分割仿真，計算分割結(jié)果 的五個指標(biāo):豪斯多夫距離、平均絕對表面距離、相似性、靈敏度、特異性，結(jié)果如表1所示： [0097] 表1用本發(fā)明與現(xiàn)有l(wèi)evel set法和graph cut法的分割指標(biāo)對比表
[0099]從表1可以看出本發(fā)明的分割結(jié)果在指標(biāo)上優(yōu)于其他兩種算法，說明本發(fā)明分割 胰腺結(jié)果精度更高。
【主權(quán)項】
1. 一種基于稀疏低秩與Atlas集的3D MRI膜腺分割方法，包括： (1) 輸入Ξ維核磁共振3D MRI序列圖像，對其進行歸一化處理，得到歸一化后的序列圖 像C; (2) 用交替迭代法對歸一化處理后的序列圖像C進行稀疏低秩矩陣分解，得到稀疏圖像 序列A和低秩圖像序列B; (3) 對稀疏圖像序列A進行Hessian矩陣增強，得到二值增強圖像序列Ai; (4) 通過一次人機交互，在二值增強圖像序列Ai中確定膜腺的位置區(qū)域P，根據(jù)膜腺位置 區(qū)域P，利用形態(tài)學(xué)原理在二值增強圖像序列Ai中分割出膜腺的標(biāo)簽圖像序列レ (5) 根據(jù)標(biāo)簽圖像序列L和步驟(1)中的序列圖像C，得到粗分割集Q，其中包含F(xiàn)帖圖像； (6) 輸入膜腺圖像序列W及人工勾畫出的膜腺標(biāo)簽序列E，即Atlas集； (7) 選擇粗分割集Q中的第i帖圖像作為參考圖像，記為化，將Atlas集中的膜腺圖像序列 W作為浮動圖像，用基于互信息的剛性配準(zhǔn)算法對化、W進行配準(zhǔn)，得到剛性配準(zhǔn)后的膜腺圖 像序列Wi和剛性轉(zhuǎn)換公式Ti，根據(jù)Τι對膜腺標(biāo)簽序列E進行遷移，得到剛性配準(zhǔn)后的膜腺標(biāo) 簽序列Ei，其中i的取值范圍為1~F; (8) 將剛性配準(zhǔn)后的膜腺圖像序列Wi作為浮動圖像，使用基于Demons的彈性配準(zhǔn)算法對 參考圖像化和該Wi進行配準(zhǔn)，得到彈性配準(zhǔn)后的膜腺圖像序列化和彈性轉(zhuǎn)換公式T2,根據(jù)T2 對剛性配準(zhǔn)后的膜腺標(biāo)簽序列El進行遷移，得到彈性配準(zhǔn)后的膜腺標(biāo)簽序列E2; (9) 計算參考圖像化與彈性配準(zhǔn)后的膜腺圖像序列W2的相關(guān)性序列，根據(jù)該相關(guān)性序列 及彈性配準(zhǔn)后的膜腺圖像序列化和彈性配準(zhǔn)后的膜腺標(biāo)簽序列E2運Ξ者是一一對應(yīng)的關(guān) 系，取相關(guān)性序列最高的前五個系數(shù)對應(yīng)的標(biāo)簽，并對運五個標(biāo)簽進行融合，得到參考圖像 化精分割后的結(jié)果Ri，其中i的取值范圍為1~F; (10) 重復(fù)步驟(7)~(9)，對粗分割集帥所有圖像精分割后，得到最終結(jié)果精分割集R。2. 根據(jù)權(quán)利要求1所述的基于稀疏低秩與Atlas集的3D MRI膜腺分割方法，其中步驟 (2)用交替迭代法對歸一化處理后的序列圖像C進行稀疏低秩矩陣分解，得到稀疏圖像序列 A和低秩圖像序列B，按如下步驟進行： (2a)設(shè)置初始值，稀疏圖像序列A為零矩陣，低秩圖像序列B = C; (2b)通過公式：夏新稀疏矩陣A，其中， 是歐幾里得投影，丫為常數(shù)，且丫〉〇，β指偏離線性約束的懲罰參數(shù)，且於〇，k為迭代次數(shù)，Bk 為第k次迭代后的低秩矩陣，Zk為第k次迭代后的約束矩陣； (2c)對.t行奇異值分解產(chǎn)生Ξ個不同的矩陣:左奇異向量矩陣護+1、 右奇異向量矩陣yk+i及對角奇異值矩陣; (2d)通過公式更新低秩矩陣B，其中，T為矩 陣的轉(zhuǎn)置，max{}為提取最大元素，diag()為提取對角線元素； (2e)通過公式Zk" = zk-i3(Ak"+Bk"-C)更新約束性矩陣Z，其中，Ak"是第k+1次迭代后的 稀疏矩陣，Zk+i是第k+1次迭代后的線性約束矩陣，Bk+i是第k+1次迭代后的低秩矩陣； (2f)設(shè)定迭代次數(shù)k的值，重復(fù)步驟(2a)~(2e)，迭代結(jié)束后，得到稀疏圖像序列A和低 秩圖像序列B。3. 根據(jù)權(quán)利要求1所述的基于稀疏低秩與Atlas集的3D MRI膜腺分割方法，其中步驟 (3)對稀疏圖像序列A進行化ssian矩陣增強，得到二值增強圖像序列Ai，按如下步驟進行： (3a)根據(jù)下面公式，求出稀疏圖像序列A中每個像素點I的Hessian矩陣H:其中，I表示稀疏圖像序列A中每一個像素點，Ixx代表沿X方向的二階偏微分，Ixy代表先 沿X方向再沿y方向的二階偏微分，Ιχζ代表先沿X方向再沿Z方向的二階偏微分，lyx代表先沿 y方向再沿X方向的二階偏微分，lyy代表沿y方向的二階偏微分，lyz代表先沿y方向再沿Z方 向的二階偏微分，Izx代表先沿Z方向再沿X方向的二階偏微分，Izy代表先沿Z方向再沿y方向 的二階偏微分，Izz代表沿Z方向的二階偏微分； (313)根據(jù)化〇16347分解法，計算步驟(3曰）中每一個化331曰]1矩陣郵勺^個特征值，并按 絕對值從小到大順序排序為λ?，λ2，λ3 ; (3c)根據(jù)下面公式和每一個像素點I的化ssian矩陣特征值，對稀疏圖像序列A的每一 個像素點進行增強；其中，α是起調(diào)節(jié)面狀權(quán)重Ra作用的常數(shù)，α〉〇，τ是起調(diào)節(jié)管狀權(quán)重化作用的常數(shù)，T〉〇，c 是起調(diào)節(jié)球狀權(quán)重S作用的常數(shù)，c〉0，νι(λ)是 指每個像素點I增強后的結(jié)果。4. 根據(jù)權(quán)利要求1所述的基于稀疏低秩與Atlas集的3D MRI膜腺分割方法，其中步驟 (5)根據(jù)標(biāo)簽圖像序列L和步驟（1)中的序列圖像C，得到粗分割集Q，是將序列圖像C與標(biāo)簽 圖像序列L相乘，即： Q = C.禮 其中，.*表示矩陣對應(yīng)元素相乘。5. 根據(jù)權(quán)利要求1所述的基于稀疏低秩與Atlas集的3D MRI膜腺分割方法，其中步驟 (7)中用基于互信息的剛性配準(zhǔn)算法對Qi、W進行配準(zhǔn)，得到剛性配準(zhǔn)后的膜腺圖像序列Wi和 剛性轉(zhuǎn)換公式Τι，按如下步驟進行： (7曰)設(shè)初始狀態(tài)1^ = 0，初始參數(shù)(片，此記：)為(0,0,0)，胖1*^ =胖，其中，91代表水平變量、 口2代表垂直變量、93代表順時針旋轉(zhuǎn)變量，4為迭代次數(shù)，￥1<^為迭代第0次后的剛性配準(zhǔn)膜腺 圖像序列； (7b)用PV插值法統(tǒng)計Qi和Wik的聯(lián)合直方圖，根據(jù)該聯(lián)合直方圖計算Qi和Wik的互信息 值，其中，Wik為迭代第k次后的剛性配準(zhǔn)膜腺圖像序列； (7c)用Powell算法根據(jù)步驟(7b)中得到的互信息值判斷參數(shù)(如，知，是否最優(yōu)，如果 不是最優(yōu)，則進行步驟(7d)，如果是最優(yōu)，則停止迭代，輸出最優(yōu)參數(shù)化.知/)，)^護如片）， 進行步驟(7e)，其中，片為迭代第k次后的水平變量，如為迭代第k次后的垂直變量，貧為迭 代第k次后的順時針旋轉(zhuǎn)變量； (7d)對Wik進行平移、旋轉(zhuǎn)，得至ijWik"和調(diào)整后的參數(shù)始f"，記"，皆1)，令k = k+i，返回到 步驟(7b)，其中，Wik"為迭代第k+1次后的剛性配準(zhǔn)膜腺圖像序列，掉"為迭代第k+1次后的 水平變量，"為迭代第k+1次后的垂直變量，知"為迭代第k+i次后的順時針旋轉(zhuǎn)變量. (7e)根據(jù)最優(yōu)參數(shù)(pi，p2，P3)按下列公式得到剛性轉(zhuǎn)換公式Ti，根據(jù)Τι將W轉(zhuǎn)換成剛性 配準(zhǔn)后的膜腺圖像序列Wl:6. 根據(jù)權(quán)利要求1所述的基于稀疏低秩與Atlas集的3D MRI膜腺分割方法，其中步驟 (8)中使用基于Demons的彈性配準(zhǔn)算法對化和Wi進行配準(zhǔn)，得到彈性配準(zhǔn)后的膜腺圖像序列 W2和彈性轉(zhuǎn)換公式T2，按如下步驟進行： (8a)設(shè)初始狀態(tài)k=l，在參考圖像化上選擇所有像素點作為Demons點，聽=巧，給定允 許誤差ε，其中e>0，k為迭代次數(shù)，其中聽為第一次迭代的彈性配準(zhǔn)膜腺圖像序列； (8b)根據(jù)Symmetric Demons公式計算Wf中所有像素點的形變向量；其中，U表示形變向量，uk表示迭代第k次后的形變向量，表示迭代第k次后彈性配準(zhǔn) 膜腺圖像序列，V表示求圖像的梯度，II表示取模操作，η表示歸一化因子； (8c)根據(jù)形變向量uk按下列公式求出彈性轉(zhuǎn)換公式巧，根據(jù)巧將巧轉(zhuǎn)換為跨4,其中， 巧為迭代第k次后的彈性轉(zhuǎn)換公式，為迭代第k+1次后的彈性配準(zhǔn)膜腺圖像序列： 其中，ξ表示項力衰減系數(shù)；(8d)計算化與W/"的誤差平方和，如果該誤差平方和小于ε，輸出彈性轉(zhuǎn)換公式Γ;二巧 和彈性配準(zhǔn)后的膜腺圖像序列馬=賊"，結(jié)束迭代，否則k = k+l，返回步驟(8b)。7. 根據(jù)權(quán)利要求1所述的基于稀疏低秩與Atlas集的3D MRI膜腺分割方法，步驟(9)取 相關(guān)性序列最高的前五個系數(shù)對應(yīng)的標(biāo)簽，并對運五個標(biāo)簽進行融合，得到參考圖像化精 分割后的結(jié)果Ri，按如下步驟進行： (9a)根據(jù)相關(guān)性序列最高的前五個系數(shù)gi~g5和他們對應(yīng)的標(biāo)簽圖像Gi~Gs，計算標(biāo) 簽融合后的結(jié)果R/ :其中j的取值范圍為1~5, Σ表示求和操作； (9b)按下列公式對(9a)中標(biāo)簽融合后的結(jié)果R/進行修正，得到精分割后的結(jié)果Ri:
【文檔編號】G06T7/00GK106097374SQ201610473797
【公開日】2016年11月9日
【申請日】2016年6月24日
【發(fā)明人】緱水平, 牛帥, 姚瑤, 王蓉芳, 焦李成, 盛珂
【申請人】西安電子科技大學(xué)