一种基于动力学统计形状模型的超声图像分割方法
【专利摘要】本发明公开了一种基于动力学统计形状模型的超声图像分割方法，包括以下步骤：1：手动定义超声图像目标区域的中心点；2：建立目标区域轮廓的基于动力学统计形状模型作为目标区域的先验模型；3：计算每个半径的径向特征轮廓模型作为目标区域的似然概率模型；4：根据统计形状模型和径向特征轮廓模型将分割目标区域的过程转化为计算整个轮廓的最大后验概率；5：更新每个角度的半径的长度，形成新轮廓曲线；6：计算新轮廓曲线的最大后验概率，当其最大后验概率的值小于设定的阈值时，回转执行所述的步骤5；7：收敛以后的新轮廓即为目标区域分割的轮廓区域。本发明的方法只需要简单的手动交互即可精确分割2维超声图像中子宫肌瘤的目标区域。
【专利说明】一种基于动力学统计形状模型的超声图像分割方法
【技术领域】
[0001]本发明属于医学超声图像处理领域，涉及计算机辅助治疗中有关超声图像处理的方法，具体涉及一种基于动力学统计形状模型的超声图像分割方法，主要用于高强度超声聚焦手术中对子宫肌瘤超声图像的分割。
【背景技术】
[0002]子宫肌瘤是一种常见的妇科疾，30岁左右的妇女的发病率为20% — 30%，高强度超声聚焦(High Intensity Focused Ultrasound, HIFU)治疗是一种新型的无创手术,该治疗方法的最大特点是无需外科手术只需要患者在手术台上平躺，因此术后患者无需恢复以及没有副作用。HIFU治疗的过程分为术前规划与术中定位两个部分。
[0003](I)术前:由手术医生操作一个超声探头在患者的腹部进行定位找到目标的区域。
[0004](2)术中:手术医生对超声探头形成的每一张超声图像中的目标区域进行分割。该分割的区域作为高强度超声聚焦的靶向目标。
[0005]这个手动分割的过程是非常的费时而且低效率，因此希望能找到一种新的方法只需相对简单的交互方式就能够对超声图像中目标区域进行精确的分割。但这个过程一直存在以下两个方面的制约:
[0006](I)相较于CT和MRI图像，超声图像普遍具有低信噪比和图像灰度分布不均匀的特点从而造成目标边缘轮廓模糊不清；
[0007](2)请见图1-1所示，为同一患者在不同时刻的子宫肌瘤的超声成像；请见图1-2所示，为不同的患者的子宫肌瘤成像；子宫肌瘤的形状不像别的组织有相对固定的形状，其外形是变化，每个人都不一样，而且在手术过程中由于病人的呼吸造成腹腔的运动也会造成子宫肌瘤的外形发生一定的形变，反映在超声图像上就是目标区域的形状变化较大。
[0008]以上的这些特点为分割算法带来了很大的困难。一些传统的分割方法都不能在以上情况下得到理想的结果。一个准确且高效的超声图像分割方法对于提高计算机辅助治疗的效率具有重要意义。
【发明内容】
[0009]为了解决上述的技术问题，提高HIFU手术的效率和治疗效果，本发明提出的一种基于动力学统计形状模型的超声图像分割方法。
[0010]本发明所采用的技术方案是:一种基于动力学统计形状模型的超声图像分割方法，其特征在于，首先定义径向时间序列作为超声图像目标区域形状的参数化表示模型，
[0011]Q= {Ir0,...，rN_J，Θ，{xc，yc}} (式壹)
[0012]其中，{x。，y。}表示目标区域的中心点的坐标，Irci,...，ivJ表示中心点到目标区域边缘的半径的欧氏距离，Θ表示半径之间的夹角；
[0013]基于上述定义，本发明的方法包括以下步骤:
[0014]步骤1:手动定义超声图像目标区域的中心点；[0015]步骤2:建立目标区域轮廓的统计形状模型以及相对应轮廓的径向时间序列的先验概率模型；
[0016]步骤3:计算每个半径的径向特征轮廓模型；
[0017]步骤4:计算整个轮廓的最大后验概率；
[0018]步骤5:更新每个角度的半径的长度，形成新轮廓曲线；
[0019]步骤6:计算新轮廓曲线的最大后验概率，当其最大后验概率的值小于设定的阈值时，回转执行所述的步骤5;
[0020]步骤7:收敛以后的新轮廓即为目标区域分割的轮廓区域。
[0021]作为优选，步骤2中所述的建立目标区域轮廓的统计形状模型以及目标区域轮廓相对于径向时间序列的先验概率，其具体实现包括以下子步骤:
[0022]步骤2.1:建立目标区域轮廓的基于动力学统计形状模型:
[0023]r (t+ Δ t) =r (t) +A (r (t)).dt+B (r (t)).Wt.dt (式威)
[0024]其中A(r (t))和B(r⑴)分别为确定项和随机项，Wt是一个独立的均值为零的噪声项，r(t+At)和r(t)分别表示不同角度下半径长度，dt表示角度偏移量；
[0025]步骤2.2:引入Fokker-Planck方程和随机差分方程对训练集中超声图像中的目标区域边缘波动的概率进行统计分析，建立基于动力学统计形状模型相对应的目标区域轮廓的先验概率。
[0026]作为优选，步骤2.2中所述的建立目标区域的基于动力学统计形状模型相对应的目标区域轮廓的先验概率，具体实现包括以下子步骤:
[0027]步骤2.2.1:将训练集合说，...QJ中的半径转化为状态空间R= {rmin, rmax}；
[0028]步骤2.2.2:将状态空间R=Irmin, rmax}划分为N个相同的宽度为Λ r的小区间，区间的中心点值为Ir1,...，rN};并建立相对应的数组集合U1,..., χη} ο
[0029]步骤2.2.3:针对每个训练样本Qp j e [I, N]，检查每个半径是否属于区间
【权利要求】
1.一种基于动力学统计形状模型的超声图像分割方法，其特征在于，首先定义径向时间序列作为超声图像目标区域形状的参数化表示模型，
Q= {Ir。,...，rN_J，Θ，{xc, yj } (式壹) 其中，{xc, yc}表示目标区域的中心点的坐标，Irci,...，ivJ表示中心点到目标区域边缘的半径的欧氏距离，θ表示半径之间的夹角； 基于上述定义，本发明的方法包括以下步骤: 步骤1:手动定义超声图像目标区域的中心点； 步骤2:建立目标区域轮廓的统计形状模型以及相对应轮廓的径向时间序列的先验概率模型； 步骤3:计算每个半径的径向特征轮廓模型； 步骤4:计算整个轮廓的最大后验概率； 步骤5:更新每个角度的半径的长度，形成新轮廓曲线； 步骤6:计算新轮廓曲线的最大后验概率，当其最大后验概率的值小于设定的阈值时，回转执行所述的步骤5 ； 步骤7:收敛以后的新轮廓即为目标区域分割的轮廓区域。
2.根据权利要求1所述的基于动力学统计形状模型的超声图像分割方法，其特征在于:步骤2中所述的建立目标区域轮廓的统计形状模型以及目标区域轮廓相对于径向时间序列的先验概率，其具体实现包括以下子步骤: 步骤2.1:建立目标区域轮廓的基于动力学统计形状模型: r (t+ Δ t) =r (t) +A (r (t)).dt+B(r(t)).Wt.dt (式威) 其中A(Ht))和B(Ht))分别为确定项和随机项，Wt是一个独立的均值为零的噪声项，Ht+At)和r(t)分别表示不同角度下半径长度，dt表示角度偏移量； 步骤2.2:引入Fokker-Planck方程和随机差分方程对训练集中超声图像中的目标区域边缘波动的概率进行统计分析，建立基于动力学统计形状模型相对应的目标区域轮廓的先验概率。
3.根据权利要求2所述的基于动力学统计形状模型的超声图像分割方法，其特征在于:步骤2.2中所述的建立目标区域的基于动力学统计形状模型相对应的目标区域轮廓的先验概率，具体实现包括以下子步骤: 步骤2.2.1:将训练集合(Q1,...Qn}中的半径转化为状态空间R=Irmin,rmax}； 步骤2.2.2:将状态空间R=Irmin,rmax}划分为N个相同的宽度为Λ r的小区间，区间的中心点值为Ir1,...，rN};并建立相对应的数组集合U1,..., χη} ο 步骤2.2.3:针对每个训练样本％，j e [1，N]，检查每个半径&是否属于区间
4.根据权利要求1所述的基于动力学统计形状模型的超声图像分割方法，其特征在于:步骤3中所述的计算每个半径的径向特征轮廓模型，其具体实现包括以下子步骤: 步骤3.1:针对径向时间序列中半径与边缘相交的标记点Hii,沿着半径方向由内向外以等距离各采样H个像素点，标记为+ 步骤3.2:计算^的径向灰度的梯度幅值作为ri的径向特征轮廓:g; 二树…扣,2"+,; 步骤3.3:针对每个半径^的^，根据最大似然概率算法计算瑞利分布模型的参数并以此作为半径与目标区域边缘相交的似然概率，
【文档编号】G06T7/00GK103824306SQ201410113489
【公开日】2014年5月28日 申请日期:2014年3月25日 优先权日:2014年3月25日
【发明者】何发智, 倪波, 孙俊, 陈晓 申请人:武汉大学