专利名称：自动食管分割的概率最小路径的制作方法
技术领域：
本发明涉及医学图像中的对象的分割。尤其涉及应用贝叶斯方法的食管分割。
背景技术：
左心房(LA)导管消融术已经成为导致中风的心房颤动的标准治疗方法。近些年，有一些发生心房-食管瘘的报告，这是左心房后壁消融的一种并发症，通常会导致死亡。术前CT能提供有关食管相对于左心房位置的有用的信息，这些能被用于在设计消融术的同时降低心房-食管瘘的风险。在病人未处于全麻且食管在消融过程中可能移动的情况下，提取的食管形状和它沿向前/向后方向的位置，虽怀疑精度较低，但仍能有助于医生的消融判断。这种限制可以通过应用直接根据介入CT提取出食管的方法来减小，而且由于这种数据是在过程中获得的，因此较少发生食管移动的问题。
应用标准技术的食管分割因其只有在几个切片中可视而是不可能办到的。但是，专家仍能以良好的置信度猜测出它的位置。这是可能的，由于他并不仅仅依赖于食管的可视部分，还依赖于前后关系，也即周围结构。如图1所示，食管(101、102作为它的端点)、左心房和主动脉它们各自的位置都受到适当的约束。关注这些高级知识能够显著改进这种分割的稳固性和可靠性。因此，在医学图像中食管分割需要改进方法。
发明内容
本发明的一方面提供了一种新的方法和系统来处理包括食管、主动脉和左心房的图像数据，其中使用一个或多个训练图像(trainingimages)。
根据本发明的另一方面，提供了一种用一个或多个训练图像来处理包括食管、主动脉和左心房的图像的方法，包括在该图像中对主动脉和左心房进行分割；根据所述一个或多个训练图像和在所述图像中的主动脉及左心房的分割，在所述图像中确定该食管的一个中心线；而且，相对于该食管中心线生成一个外边界。
根据本发明的又一方面，依据一个或多个训练图像的食管中心线，确定出图像一元素成为相对于按参考被配准的主动脉和左心房位置的食管中心线的一部分的第一概率，其中该食管中心线是相对于按同一参考被配准的所述一个或多个训练图像中的主动脉和左心房的被配准的分割的一种中心线；确定出食管估算中心线相对于所述一个或多个训练图像亮度直方图具有一亮度直方图的第二概率；将所述第一概率和第二概率组合成一个单项；并将该单项进行优化。
所述第一概率可被表达为pC(x|{C1,...,CN})=Πi=1Np(x|Ci);]]>以及所述第二概率可被表达为p(I|{C1,...,CN})=Πi=1Np(I|Ci)]]>。所述第一概率和第二概率被组合为 。
根据本发明的另一方面，提供了一种方法，它将所述第一概率和第二概率的组合表达为一个能量项 ；它用了食管的两个端点；且应用最小路径算法用所述两个端点最小化所述的能量项。对于在食管中检测到的气孔，该能量项可被调整。
根据本发明的又一方面，提供了一种用于确定出食管外边界的方法，包括将食管的外边界定义为一系列椭圆切片；将这些椭圆的中心预置在食管的中心线上；根据椭圆的内部和外部的亮度似然性，把每一个切片中的椭圆的基于范围的判据表达为一个能量项；在相邻椭圆之间添加正则化；将每个椭圆的所有能量项组合成一个组合能量表达式；并最小化该组合能量表达式。
根据本发明的一方面，还提供了一种使用一个或多个训练图像能够处理包含有食管、主动脉和左心房的图像的系统，它包括一个处理器，以及在该处理器上可操作的应用软件。所述应用软件能够执行这里所描述的所有方法。
图1所示为一幅图像，突出了食管、LA和主动脉的相对位置。
图2示例性示出根据本发明一个方面执行的一系列步骤。
图3所示为表面简化的实施例。
图4所示为相对一个参考主动脉和LA配准的食管的实施例。
图5示例性示出根据本发明一个方面执行的一系列步骤。
图6所示为平滑或未平滑的食管直方图的实施例。
图7所示为气孔检测和对应的新的成本函数的实施例。
图8所示为在不同视图中的提取的食管中心线的两个实施例。
图9所示为食管表面提取的第一实施例。
图10所示为食管表面提取的第二实施例。
图11所示为食管表面提取的不同轴视图的实施例。
图12所示为显示应用本发明方法的定量结果的第一图表。
图13所示为显示应用本发明方法的定量结果的第二图表。
图14示例性示出用于执行根据本发明的另一方面所描述的步骤的计算机系统。
具体实施例方式
例如，在图像数据中非常少的工作会考虑在不同结构之间建立空间相关性的模型。一个是Kapur在1999，MIT人工智能实验室，T.Kapur的“Model-based three-dimensional medical imagesegmentation”PhD论文中提出的“距离模型”。在这篇文献中，作者构建了在假定体素与其它结构之间的欧几里德距离的情况下，该体素属于一结构的条件概率模型。该模型与基于Markov随机场的组织分类器联合，用于MR脑图像中的几个结构的分割。该模型适用于分类脑组织，而与食管有关的结构的分割则要求一种更受限制的方法。它不应基于结构之间的距离，而应基于它们的相对位置。为此，所有相关的图像都需要依据所选择的锚定(anchor)或主要结构被配准。这将提供一个参考基础，在其上相对于所述初级结构便能了解那些二级结构的位置。在本发明中，所述锚定结构是左心房(LA)和主动脉，而二级结构是食管。这样建模的主要原因是初级结构比二级结构能更容易地被提取。
将提供一种方法，该方法在确立食管位置时试图模拟医生的方法。该分割方法是本发明的一个方面，包括三步骤(1)在左心房和主动脉定义的参考基础中根据一个训练集对食管的相对位置和外观建模；(2)求步骤1的模型积分概率公式，它允许应用最小路径算法有效地自动提取食管中心线；以及(3)延长该中心线以提取食管外表面。这三部分的详细描述在下文提供。
食管在CT图像中很难看到，而像主动脉和LA等相邻的结构能清楚地看到。而且，这两个结构和食管的相对位置是高度相关的。类似于依据已知的可视结构来定位更“隐蔽”结构的专家，作为本发明一个方面的该方法将掌握食管相对于主动脉和LA的相对位置。然后所述方法将先验地使用这些信息来分割新的图像。
这里作为本发明的一个方面提出的方法将不仅掌握空间信息还掌握食管的外观。为此，作为示例性实施例，对一组20个训练图像的所有三个结构均进行了标注。在2005年10月IEEE(中国北京)ICCV 2005会刊，I，259~265页中的H.Lombaert，Y.Sun，L.Grady和C.Xu.的“Amultilevel banded graph cuts method for fast imagesegmentation”中提出的分割方法被用于提取LA和主动脉，以及专家被原来人工地分割食管。
所述训练图像需要与同一个参考对齐。一种基于图像的直接配准肯定不适合，因为食管相对于周围结构的空间分布将被丢掉。这样，最好根据参考结构主动脉和LA来配准每个图像。因此，需要估算只基于表面的体素方式配准。例如，用最近点迭代算法能首先估算出严格变换，这在1992年IEEE Trans.Pattern Anal.Mach.Intell.14(2)的239~256页，P.J.Besl和N.D.McKay的“A method forregistration of 3-d shapes”中有阐述。密集非严格映射按如下方式便能得到采用基于诸如在1999年IEEE Transactions on MedicalImaging 18(8)的712~721页D.Rueckert、L.I.Sonoda、C.Hayes、D.L.G.Hill、M.O.Leach和D.J.Hawkes的“Non-rigidregistrationusing free-form deformationsApplication to breast mrimages”所描述的自由形态形变模型的图像网格的方法，或通过2005年4月Ecole Normale Suprieure de Cachan的C.Chefd’hotel的“Geometric Methods in Computer Vision and Image ProcessingContributions and Applications”PhD论文所阐述的几何流估算。按照Chefd’hotel，通过用作为基于图像的配准的输入的水平集函数(level set function)来表达每个表面，本发明中提出的部分问题将得到解决。
像LA这种复杂结构包括多个部分，它们的几何形状更因病人而异(LA的狭窄的静脉)。由于这种可变性，这些部分不能作为掌握其它器官相对位置的好的参考。因此，最好根据参考结构的总几何形状。为此，在配准前使用简化算法。它由几个形态开口组成。图3所示为该过程的实施例。形态开口被用于限制所述总结构的改变。在图3中，302显示的是301的简化版。一旦经过简化，每个表面便被配准到用前述算法选择的参考。对于每个图像将获得一个变形，该变形在将LA和主动脉准确映射到参考图像的那些。将这些变形加到相应的食管分割上便给出在所述参考图像中食管的一个分布。在一组20幅图像上获得的食管中心线的分布在图4中示出。图4示出了与所述参考主动脉和LA配准的食管。该配准基于所述两个周围结构之间的变形。根据周围的空间来配准所述表面，在整个图像中会获得一个密集变换区域，该区域能够被加到人工分割的食管上以提供如该图所示的分布，其中，401和402是2个不同观察方向上的视图，403和404代表配准食管的中心线。图2中所示的流程图总结了该对齐过程的步骤。
空间模型在假定配准食管中心线N的集合{C1，...，CN}的情况下，希望估算出一个体素属于新的食管中心线的概率PC(x|{C1，...，CN})。假设该结构独立，便得到以下表达式pC(x|{C1,...,CN})=Πi=1Np(x|Ci)]]>。
可以选择不同的近似来定义p(x|Ci)。如果x∈Ci，它可被设置为1，否则为0，但是较少突然性的优选将为p(x|Ci)∝exp(-D2(x，Ci)) (1)其中D(x，Ci)是x和Ci之间的最小欧几里得距离。可以考虑其它的近似，但是这个近似的优点在于，它通过用1996年国家科学院报告集第93卷1591~1694页J.A.Sethian的“Afast marching level setmethod for monotonically advancing fronts”中所描述的快步算法利用求解到所述CI的距离函数能容易地被估算出来。
外观模型食管内部的图像亮度的分布也能掌握。类似于形状模型，假设在训练样本之间不存在相关性。亮度值I(x)的后验概率由下式给出p(I|{C1,...,CN})=Πi=1Np(I|Ci).]]>为使每个分布p(I|Ci)近似，将核密度估算加在属于食管中心线的所述体素的直方图上p(I|Ci)=1σ|Ci|∫CiK(I-I(x)σ)dx,---(2)]]>其中K是高斯核，定义为K(u)=12πexp(-u22)]]>。
该模型仅依赖于该直方图，而没引入空间信息。在本例中，这个相对简单的模型足以获得食管的外观，这是因为如果忽略气孔，它的亮度或多或少是均匀的。但是，对具有更复杂外观的结构能够提供更完善的模型。例如，各种定向滤波器的响应能被使用，或简单地使用所述图形梯度。但必须明白对这种模型不可以应用下文描述的最短路径算法。
概率最小路径-概率模型积分下一步是在新的食管提取中对上述模型的积分。考虑到概率公式，显然，这两个模型允许表示新的食管的概率。目的是要找到代表未知食管的最适合的曲线C。假设体素是独立的，这能被表示为p(C|I)=Πx∈Cp(x|I(x)).]]>应用全概率定理便能针对所述训练样本来表示每个因子x∈Ω， 第一因子由等式(1)给出，且用贝叶斯规则能对第二项进行重写p(Ci|I(x))∝p(I(x)|Ci)p(Ci)。如果所述训练食管是等概率的，则p(Ci)项为一常数且能够被移去。以利用等式(2)的外观模型所控制的形状模型选择结束。
概率最小路径-能量表达式和最小路径算法p(C|I)的最大化等于其负对数的最小化。这允许用沿所述曲线的连续积分来替换上面出现的结果 在假定食管的所述两个端点{x0，x1}的情况下，用1997年8月国际计算机视野杂志24(1)57~78页Laurent D.Cohen和Ron Kimmel的“Global minimum for active contour modelsA minimal pathapproach.”中所描述的最小路径算法便能得出优化结果。该方法包括以下两个步骤1.通过用所述快步算法求解短时程方程|φ(x)|＝g(x)估算得出E(C(x0，x))的值，2.从x1到x0的后向传播给出最优路径∂C∂t(x)=1g(x)▿E(x0,x)]]>用这种最小路径法得出的结果在图8中示出。图8示出了根据本发明的一方面的一个中心线提取的3个不同视图801，802和803以及另一个中心线提取的3个不同视图804，805和806。很清楚理想情况非常接近提取的中心线。为清楚起见，该理想情况和提取的中心线在801，804和805中为了示例的目的被加亮显示。实线807是所述提取的中心线，而虚线808是所述理想情况。明显地，这两条线对所述中心线大部分重合，且只在有限距离上有很小程度的差别。这种情况同样适合于含有线809和810的视图804中的示例性实施例。
因此，通过从训练数据获得的它的直方图已建立了食管的外观的模型。这些直方图都非常类似于图6所示的。对于在1050周围的亮度，出现一个尖峰。此模式对应于组织亮度。正如在图1中能见到的，对应于气孔的黑色亮度也能被表示。这些气孔通常代表非常小比率的食管且不能用所述直方图很好地描述。由于所述外观模型将不会设法包含气孔，这可能导致错误的中心线提取。为了解决这个问题，提供一种检测气孔的方法并随后相应地修改成本函数。假设提取的中心线比较接近真正的中心线，气孔应接近它。在该中心线的周围检测具有低亮度(黑色)的体素时，将使用区域生长算法得到完全的气孔。这种方法是探索性的，但已证实在所有检测图像上均给出良好的检测。一旦检测到气孔，就能用下式来修改该成本函数pC(x|I(x))＝p(x∈HOLE|I(x))p(x|I(x)，x∈HOLE)+(1-p(x∈HOLE|I(x)))p(x|I(x)，xHOLE)p(x∈HOLE|I(x))项或为1或为0，这取决于x是否已经被分为气孔一类。p(x∈HOLE|I(x))被设置为非气孔体素位于所述中心线中的最大概率(该直方图的最大值)。加入一些平滑然后提供图7中所示的成本函数。图7示出在图像701中带有检测的气孔703和704的原始成本函数的应用。图像702示出了已经移去了气孔且增加了平滑的修改成本函数的应用。
内部和外部边界提取一旦所述中心线被提取，便可能分割食管的内部和外部边界。假设该食管内只有空气，那么根据前述气孔检测在优选实施方案中便可获得所述内部边界。在第二实施方案中能够应用获得所述中心线周围小的黑色区域的简单区域生长。只有外部边界一直被检测。在假定该边界有相对低的亮度偏差的情况下，需要用一些现有的知识来约束所述提取。重要的是，一个病人与另一个的食管形状相似。尤其是，它的走向基本上是垂直的。这允许对表面提取应用基于切片的稳固(robust)方法。将要使用的这个模型包括在每个切片上定义的一组椭圆，该椭圆与一个正则化项相关。食管的截面不具有确切的椭圆形状，但它仍是一个非常好的近似且使得该提取非常有效(要估算很少的参数)和稳固。在MICCAI(1)，C.Barillot，D.R.Haynor和P.Hellier，eds.，Lecture Notes in Computer Science 3216，433~450页，springer，2004，M.Taron，N.Paragios和M.-P.Jolly的“Border detection on short axis echocardiographic viewsusing a region based ellipse-driven framework”中所考虑的椭圆参数化将被应用。应当注意，Θ＝[x0，y0，α，λ，φ]代表最优化空间(中心，短轴和长轴长度，以及方向)，RΘ(θ)代表该椭圆的参数表示，以及FΘ(x，y)代表其隐式形式。这允许在该椭圆上定义一个基于区域的判据，如在MICCAI(1)，C.Barillot，D.R.Haynor和P.Hellier，eds.，Lecture Notes in ComputerScience 3216，433~450页，springer，2004，M.Taron，N.Paragios和M.-P.Jolly的“Border detection on short axisechocardiographic views using a region based ellipse-drivenframework”中所描述的，对于每个切片zE(Θ(z))=∫(x,y)∈RΘ(z)H(FΘ(z))Vin(I(x,y))dxdy+∫(x,y)∈RΘ(z)CH(-FΘ(z))Vout(I(x,y))dxdy]]>其中Vin和Vout是该椭圆内部和外部的亮度对数似然性(从相应的直方图获得)，H是Heaviside函数的正则化形式。在相邻椭圆之间添加正则化，将得出在所有椭圆上定义的一个单能量项E(Θ)=∫z0z1(E(Θ(z))+γ|▿zΘ(z)|)dz]]>参数Θ用梯度降(gradient descent)来估算。对于每个切片z得出∂E(Θ)∂Θ(z)=∫02π∂FΘ(z)(RΘ(z)(θ))∂θ1|▿Fθ(z)(Rθ(z)(θ))|(Vout(Rθ(z)(θ))-Vin(Rθ(z)(θ))h(θ)dθγΘzz(z)]]>其中h(θ)=a(sin(θ))2+(λcos(θ))2.]]>通过将所述椭圆的中心设定于提取的中心线上的相应点开始所述最优化。短轴和长轴都被设为5mm。在最小化期间，所有参数都将被更新，甚至中心。因此，中心线也被修改。这有助于改善该中心线。
为了证实这里所述的方法，食管根据20幅图像的一个数据组进行了人工分割。为了衡量该算法的性能，应用了去一法(leave-one-outstrategy)，即除去将要被处理的那一个用其他所有图像来构建在先模型。提供给该算法的唯一输入是所述中心线的端点(两次点击)的位置。在图8中，示出了对于中心线提取得到的几个结果。这些图像没有显示移去气孔的效果，这可以作为进一步改进被应用。图12所示的图表汇总了对于20个图像得到的平均距离误差(中间值)。当大多数结构都提供了非常满意的误差(在两到三个体素之间)时，有四个提取误差超过十个体素。但是，这只是该算法的第一步，而且这些中心线在所述表面提取过程中还将得到进一步改善。
所述表面提取包括在前述部分所描述的椭圆拟合。它将前面提取的中心线作为初始化。图9示出了相对于所述理想情况的3个不同视图901、902和903中的表面提取。为了举例说明的目的，在视图901中差别被突出显示；理想情况用虚线908突出显示以及提取的表面用实线907突出显示。当只有一条实线存在时，所述理想情况和提取的表面是同一个。在图10中为了举例说明的目的应用了相同的突出显示，该图示出了根据本发明的一个方面的另一个表面提取的三个视图904、905和906。虚线910示出了理想情况，实线909突出显示提取的表面。很清楚，所提取的表面非常接近该理想情况。在图11中显示出对该结果更准确理解的几个切片1001、1002、1003、1004和1005。为了举例说明的目的，所述理想情况和提取的表面在1003中示出。图像1006提供了所述理想情况以及1007提供了所述提取的表面。
这些图像已经示出了所述表面提取特性的良好的概况。作为定量确认，将在所述提取的表面和人工分割之间计算出Dice相似系数。该系数按如下定义DSC=2|Smanual∩Sauto||Smanual|+|Sauto|,]]>其中，Smanual和Sauto是人工及提取的食管表面，且| |代表体积。一个值大于0.7通常被认为是很好吻合。
图13示出了对每个图像得到的该值。所得到的平均值为0.8025，这对于本算法来说是一个非常好的成绩。人们还能够测量出该第二步骤对所述中心线有多少改进。图12示出了所述平均距离中心线误差的旧值和新值。现在所有值均在三个体素之下且它们大多在一和二之间。
通过只定义所述两个端点的食管的准自动分割已经作为本发明的一个方面被介绍。通过用周围结构作为高级约束来构建形状和外观模型，本方法被证明是稳固的而不会受干扰和丢失数据的影响。先前信息用贝叶斯公式被积分用于新食管的分割。这允许自动地选择一个合适的模型。在给出了端点的情况下，最短路径算法便根据贝叶斯公式提供最优的食管。
在这里介绍的当前形状和外观模型是示例性实施例并根据本发明的一个方面提供。根据本发明的另一方面能引入并规划更多普通形状和外观模型。例如，另一实施例是脊髓的分割并使用脊椎作为锚定结构。
图5提供的流程图示出根据本发明一方面的步骤。
图14示例性示出根据本发明的一个方面能被使用的一种计算机系统。该系统被提供了代表所要显示的图像的数据1201。它还可以包括先前的学习数据。在处理器1203中提供了包含本发明所述方法的指令集或程序1202并与所述数据结合，所述处理器能够处理加在数据1201上的1202的指令并在显示器1204上显示结果图像。所述处理器可以是专用硬件、GPU、CPU或能够执行1202的指令的任何其它计算设备。像鼠标或跟踪球这种输入设备1205或其它输入设备允许用户启动所述分割处理。因此，如图14中所示的系统提供一种用于图像分割的交互式系统。当然，能够使用任何类型的计算机系统，但最好使用具有足够处理能力的计算机系统。仅作为实施例，能使用独立PC、多处理器PC、大型机、并行处理计算机或任何其他类型的计算机。总之，根据本发明的一个方面已经提供了一种方法，该方法在建立食管的位置时在某些方面模拟了医生的方法。作为本发明一个方面的该分割法包括三步骤(1)在左心房和主动脉定义的参考基础中根据一个训练集对食管的形状和外观建模；(2)通过积分先前的每个知识自动提取食管的中心线；以及(3)将该中心线延伸到内部和外部边界。该方法包括1.食管建模(a)用在[5]2005年10月IEEE(中国北京)ICCV 2005会刊，I，259~265页中的H.Lombaert，Y.Sun，和C.Xu.的“Amultilevelbanded graph cuts method for fast image segmentation”中提出的单击(one-click)分割在每个训练图像上对左心房和主动脉进行分割；(b)在每个训练图像上人工分割食管的中心线；(c)将训练图像配准到基于左心房和主动脉的同一参考；以及(d)在该参考基础上建立食管的形状和外观模型。
2.中心线提取(a)积分所述形状和外观模型的贝叶斯公式被建议用于食管中心线的提取。
(b)应用最短路径技术得到最佳解。
3.内部和外部边界提取(a)从估算的中心线，在一个实施方案中用向外生长法找出内部边界。在第二实施方案中还能应用气孔检测。
(b)如果有关食管厚度的解剖学上的信息可以利用，那么也能结合这个信息作为约束来估算所述外部边界。但是，在优选实施方案中，所述食管的外部边界通过使用食管估算中心线和描述该外部边界的一系列椭圆切片的方法来确定。
在这里，任何对术语“像素”的参考也将被认为是对体素的参考。
下述参考文献提供了通常涉及本发明的背景信息，且在这里结合作为参考[1]C.Chefd’hotel的“Geometric Methods in ComputerVision and Image ProcessingContributions and Applications”PhD论文，Ecole Normale Suprieure de Cachan，2005年4月；[2]Laurent D.Cohen和Ron Kimmel的“Global minimum for activecontour modelsAminimal path approach”，国际计算机视野杂志24(1)57~78页，1997年8月；[3]J.A.Sethian的“A fastmarching level set method for monotonically advancingfronts”，国家科学院报告集第93卷1591~1694页，1996年；[4]T.Kapur的““Model-based three-dimensional medical imagesegmentation”PhD论文，MIT人工智能实验室，1999；[5]2005年10月IEEE(中国北京)ICCV 2005会刊，I，259~265页，H.Lombaert，Y.Sun，L.Grady和C.Xu.的“A multilevel banded graphcuts method for fast image segmentat ion”；[6]P.J.Besl和N.D.McKay的“A method for registration of 3-d shapes”，IEEETrans.Pattern Anal.Mach.Intell.14(2)，239~256页，1992年；[7]D.Rueckert、L.I.Sonoda、C.Hayes、D.L.G.Hill、M.O.Leach和D.J.Hawkes的“Non-rigid registration using free-formdeformationsApplication to breast mr images”，IEEETransactions on Medical Imaging 18(8)，712~721页，1999年；[8]M.Taron，N.Paragios和M.-P.Jolly的“Border detection onshort axis echocardiographic views using a region basedellipse-driven framework”，在MICCAI(1)，C.Barillot，D.R.Haynor和P.Hellier，eds.，Lecture Notes in ComputerScience 3216，433~450页，springer，2004。
已经示出、描述并指出了应用于其优选实施方案的本发明的新基本特征，但应当理解，本领域技术人员所可能作的在所列举设备的形式和细节及其操作上的各种省略、替换和改变均未脱离本发明的精神。因此，其意图仅如后附权利要求的范围所限制。
权利要求
1.用一个或多个训练图像处理包括第一对象以及一个或多个其它对象的图像的方法，包括在该图像中对所述一个或多个其它对象进行分割；根据所述一个或多个训练图像以及该图像中的所述一个或多个其它对象的分割，在该图像中确定出所述第一对象的中心线；以及相对于所述第一对象中心线生成外边界。
2.如权利要求1的方法，其中所述一个或多个对象是第二对象和第三对象。
3.如权利要求2的方法，还包括依据一个或多个训练图像的第一对象中心线，确定出所述图像的一元素是相对于按参考被配准的第二对象和第三对象位置的第一对象中心线的一部分的第一概率，其中所述第一对象中心线是相对于按同一参考被配准的所述一个或多个训练图像中的第二对象和第三对象的被配准的分割的一种中心线；确定出第一对象的估算中心线相对于所述一个或多个训练图像的亮度直方图具有一亮度直方图的第二概率；将所述第一概率和第二概率组合成一个单项；以及将该单项进行优化。
4.权利要求3的方法，其中所述第一概率为pC(x|{C1,...,CN})=Πi=1Np(x|Ci);]]>以及所述第二概率为p(I|{C1,...,CN})=Πi=1Np(I|Ci)]]>。
5.权利要求4的方法，其中所述第一概率和第二概率被组合为 。
6.权利要求5的方法，还包括将所述第一概率和第二概率的组合表达为一个能量项 ；识别第一对象的两个端点；以及应用最小路径算法用所述两个端点来最小化所述的能量项。
7.如权利要求2的方法，其中第一对象是食管，第二对象是主动脉以及第三对象是左心房。
8.权利要求7的方法，还包括对于在食管中检测到的气孔，调整该能量项。
9.权利要求1的方法，其中确定所述第一对象的外部边界包括将第一对象的外边界定义为一系列椭圆切片；将这些椭圆的中心预置在第一对象的中心线上；根据椭圆的内部和外部的亮度似然性，把每一个切片中的椭圆的基于范围的判据表达为一个能量项；在相邻椭圆之间添加正则化；将每个椭圆的所有能量项组合成一个组合能量表达式；以及最小化该组合能量表达式。
10.一种处理来自图像数据的图像的系统，包括一个处理器在该处理器上可操作的应用软件，用于使用一个或多个训练图像来处理包含有第一对象及一个或多个其它对象的图像，包括在该图像中对所述一个或多个其它对象进行分割；根据所述一个或多个训练图像以及该图像中的所述一个或多个其它对象的分割，在该图像中确定出所述第一对象的中心线以及相对于所述第一对象中心线生成外边界。
11.如权利要求10的系统，其中所述一个或多个对象是第二对象和第三对象。
12.如权利要求11的系统，还包括依据一个或多个训练图像的第一对象中心线，确定出所述图像的一元素是相对于按参考被配准的第二对象和第三对象位置的第一对象中心线的一部分的第一概率，其中所述第一对象中心线是相对于按同一参考被配准的所述一个或多个训练图像中的第二对象和第三对象的被配准的分割的一种中心线；确定出第一对象的估算中心线相对于所述一个或多个训练图像的亮度直方图具有一亮度直方图的第二概率；将所述第一概率和第二概率组合成一个单项；以及将该单项进行优化。
13.权利要求12的系统，其中所述第一概率为pC(x|{C1,...,CN})=Πi=1Np(x|Ci)]]>；以及所述第二概率为p(I|{C1,...CN})=Πi=1Np(I|Ci)]]>。
14.权利要求13的系统，其中所述第一概率和第二概率被组合为 。
15.权利要求14的系统，还包括将所述第一概率和第二概率的组合表达为一个能量项 ；识别第一对象的两个端点；以及应用最小路径算法用所述两个端点来最小化所述的能量项。
16.如权利要求11的系统，其中第一对象是食管，第二对象是主动脉以及第三对象是左心房。
17.权利要求16的系统，还包括对于在食管中检测到的气孔，调整该能量项。
18.权利要求10的系统，其中确定所述第一对象的外部边界包括将第一对象的外边界定义为一系列椭圆切片；将这些椭圆的中心预置在第一对象的中心线上；根据椭圆的内部和外部的亮度似然性，把每一个切片中的椭圆的基于范围的判据表达为一个能量项；在相邻椭圆之间添加正则化；将每个椭圆的所有能量项组合成一个组合能量表达式；以及最小化该组合能量表达式。
全文摘要
提出了一种通过只定义两个端点而依据图像数据的食管分割。用周围结构作为高级约束来构建形状和外观模型。利用贝叶斯公式对在先形状信息积分用于新食管的分割。这允许自动地选择一个合适的模型。在假定了端点的情况下，最短路径算法便根据贝叶斯公式提供最优食管。
文档编号A61B6/03GK1924928SQ200610126628
公开日2007年3月7日 申请日期2006年8月30日 优先权日2005年8月30日
发明者M·鲁森, C·徐, Y·拜 申请人:美国西门子医疗解决公司